Content
Kaum ein SAP-Thema hat in den letzten Monaten so viel Aufmerksamkeit bekommen wie die Kombination aus SAP Business Data Cloud (BDC) und dem KI-Assistenten Joule. Auf Bühnen und in Präsentationen wirkt alles bereits fertig: Man stellt eine Frage in natürlicher Sprache und bekommt eine belastbare Antwort aus den Unternehmensdaten. In der Praxis sieht das Bild differenzierter aus. Dieser Artikel ordnet ein, was die beiden Produkte leisten, wo sie sich von klassischen SAP-Analytics-Werkzeugen unterscheiden, welche Anwendungsfälle realistisch sind und worauf Unternehmen jetzt achten sollten.
Was ist die SAP Business Data Cloud und Joule überhaupt?
Was verbirgt sich hinter der SAP Business Data Cloud?
SAP hat die Business Data Cloud im Februar 2025 gemeinsam mit Databricks vorgestellt. Sie ist als SaaS-Plattform gedacht, die bisher getrennte Bausteine unter einem Dach zusammenführt: SAP Datasphere, die SAP Analytics Cloud, Funktionen von SAP Business Warehouse sowie eine verwaltete Variante von Databricks (SAP Databricks) für Data Science und Machine Learning. Hinzu kommen vorgefertigte Datenprodukte für SAP-Fachanwendungen und sogenannte Intelligent Applications, die auf diesen Datenprodukten aufsetzen.
Der Nutzen liegt dabei nicht nur in der Technik: Mit Datenprodukten und Data Catalog kann das oft vernachlässigte Thema der Datenverantwortung (Data Governance, Data Mesh) einen neuen Schub erhalten, was die Datenreife und damit die Aussagekraft eingesetzter KI verbessert. Zudem sprechen Fachbereiche und IT eher über Datenprodukte statt über InfoObjects, Felder oder Attribute.
Der Kerngedanke ist eine „Business Data Fabric“: Daten bleiben möglichst dort, wo sie entstehen, und werden mit ihrer fachlichen Bedeutung (Semantik) bereitgestellt. Ein Datenprodukt „Rechnungen“ kennt also nicht nur Tabellen und Felder, sondern auch Beziehungen, Hierarchien und Geschäftslogik. Über BDC Connect lassen sich externe Plattformen wie Databricks oder Google Cloud per Zero-Copy-Ansatz anbinden, sodass Daten nicht kopiert werden müssen. Weitere Integrationen, etwa zu Snowflake sind bereits möglich und die Integration zu Microsoft Fabric, sind angekündigt.
Eine Data Fabric zeichnet sich durch einheitlichen und demokratischen Datenzugriff aus: Die Daten dürfen verteilt liegen, der Zugriff soll in Echtzeit erfolgen und die Integration soll weitgehend automatisiert sein. Hinderlich sind redundante Datenhaltung, in Schichten persistierte Transformationen und die physische Integration unterschiedlicher Quellen. Im Vergleich zu SAP BW positioniert sich die BDC deutlich näher an diesem Ansatz und öffnet sich stärker dem Markt, Datensicherheit und Berechtigungen bleiben dabei steuerbar.

Whitepaper "SAP BDC, SAP BW und Embedded Analytics im Vergleich"
Welches SAP BI-Tool passt wirklich zu Ihrer Reportingstrategie? Dieses Whitepaper zeigt Ihnen, wie Sie Ihre SAP-Reportinglandschaft mit verschiedenen Ansätzen zukunftssicher aufstellen.
Download
Was ist Joule und welche Rolle spielt die KI darin?
Joule ist SAPs generativer KI-Assistent. Dieser wurde 2023 angekündigt und ist inzwischen in zahlreiche SAP-Lösungen eingebettet, von S/4HANA Private und Public Cloud über SuccessFactors und Ariba bis zur Business Technology Platform. Nutzerinnen und Nutzer stellen Fragen in natürlicher Sprache, lassen sich Zusammenhänge erklären oder stoßen Aktionen im jeweiligen System an.
Seit 2025 geht SAP einen Schritt weiter: Joule soll nicht nur antworten, sondern über Joule Agents mehrstufige Aufgaben übernehmen, etwa Angebote vergleichen, Streitfälle bearbeiten oder Anfragen vorbereiten. Mit Joule Studio können Unternehmen außerdem eigene Agenten per Low-Code bauen. Die Rolle der BDC ist dabei entscheidend, denn sie liefert den Datenkontext. Ohne saubere, semantisch angereicherte Daten bleibt eine KI ein gut formulierender Generalist, der Ihr Geschäft nicht kennt.
Joule ist dabei Teil von SAP Business AI, dem Sammelbegriff für SAPs KI-Portfolio mit drei Ebenen: Embedded AI (KI-Szenarien innerhalb einzelner Produkte, etwa Klassifikation, Prognosen oder Automatisierungsschritte), Joule als einheitliche Sprachschnittstelle über Anwendungen hinweg und die AI Foundation auf der SAP BTP als technische Plattform inklusive Governance und Security (u. a. Generative AI Hub, SAP Document AI und Joule Studio). Das Zielbild ist eine KI, die Prozesse im Kontext der SAP-Prozesslogik und der Unternehmensdaten kontrolliert beschleunigt.
Wie ordnet sich das Ganze in die SAP-Strategie ein?
SAPs Strategie lässt sich in drei Linien zusammenfassen:
- Cloud first: Viele neue KI-Funktionen sind an Cloud-Angebote wie RISE with SAP oder GROW with SAP gekoppelt. Joule ist damit auch ein Argument für die Cloud-Migration.
- Daten als Fundament: BDC soll die Grundlage für alle KI-Anwendungen im SAP-Umfeld sein.
- Offenheit mit Eigeninteresse: Über Partnerschaften mit Databricks, Google Cloud und anderen öffnet SAP seine Daten für externe Plattformen, will aber die semantische Hoheit über SAP-Daten behalten.
Die BDC wird dabei als strategische Plattform positioniert und nicht als isoliertes Tool: Datensilos und getrennte Lösungen wie Data Warehouses, Data Lakes sowie separate BI- oder KI-Tools sollen in ihr zusammengeführt werden.
Was unterscheidet Joule von SAP Analytics-Tools?
Klassische SAP-Analytics-Werkzeuge wie BW, BusinessObjects oder die SAP Analytics Cloud setzen auf vordefinierte Modelle, Berichte und Dashboards. Die Fachseite konsumiert, was die IT oder das BI-Team vorab gebaut hat. Joule verschiebt diesen Ansatz in vier Punkten:
- Bedienung: Statt Filter zu setzen und Berichte zu navigieren, formuliert man eine Frage. Die Einstiegshürde sinkt, auch für Personen ohne BI-Kenntnisse.
- Kontext statt Bericht: Joule kombiniert Daten aus mehreren Anwendungen und kann Ergebnisse erklären („Warum ist der Cashflow im Quartal gesunken?“), anstatt nur Zahlen darzustellen.
- Handlung statt Anzeige: Mit Agents reicht die Antwort in den Prozess hinein: Joule kann Folgeschritte vorschlagen oder ausführen, wo klassische Analytics an der Dashboard-Grenze enden.
- Dynamik: Nicht jede Frage muss vorab modelliert werden. Das ist ein Vorteil bei Ad-hoc-Analysen.
Wichtig für die Einordnung ist dabei, dass Joule bisherige Werkzeuge nicht ersetzt. Gerade für regulatorisches Reporting, Konzernabschlüsse oder Planung bleiben definierte, geprüfte Berichte unverzichtbar. Joule ist eine zusätzliche Zugangsschicht und kein Ersatz für ein sauberes Datenmodell.
Welche Use Cases sind heute realistisch mit SAP BDC & Joule umsetzbar?
Realistisch sind heute vor allem Szenarien, in denen die Daten bereits strukturiert in SAP-Systemen liegen und die Fragestellung klar definiert ist. Die folgenden Beispiele zeigen, wie solche Szenarien aussehen können. Welche davon als fertige Funktion verfügbar sind und welche eigene Konfiguration oder Entwicklung erfordern, sollte im Einzelfall gegen die aktuelle SAP-Roadmap geprüft werden.
Eine wichtige Orientierung bieten die Intelligent Applications der BDC. Sie sind nicht monolithisch, sondern auf einzelne Fachbereiche zugeschnitten, u.a.:
- People Intelligence: modernes HR Analytics auf Basis von SuccessFactors-Daten, unterteilt in Workforce Composition Insights, Skill Insights und Compensation Insights.
- Cloud ERP Intelligence: für SAP S/4HANA Cloud Private Edition, bislang mit 195 Datenprodukten aus Buchhaltung, Vertrieb, Logistik und Fertigung; als Oberfläche steht die SAC-Story „Working Capital“ bereit.
- Finance Intelligence: für SAP S/4HANA Cloud Public Edition, mit 150 primären Datenprodukten, bislang ohne Visualisierungen.
- Supply Chain Intelligence: Schaffung einer widerstandfähigen Lieferkette mit intelligenten Anwendungen, die Planung, Einkauf, Logistik und Betrieb miteinander verknüpfen.
- Spend Intelligence: Volle Transparenz über Aufgaben mit sauberen, verknüpften Daten und Überwindung von Silos, um Erkenntnisse zu gewinnen und Ergebnisse zu erzielen.
- Revenue Intelligence: Daten aus Vertrieb, Service, Marketing, Handel und ERP zusammenführen, während Semantik und Governance bewahrt bleibt.
CFO: Cashflow-Insight
Die Finanzleitung möchte wissen, wie sich die Liquidität entwickelt und warum. Mit BDC lassen sich Daten aus Debitoren, Kreditoren, Bankkonten und Planung zusammenführen. Joule beantwortet Fragen wie „Welche zehn Kunden verursachen die größte Verzögerung im Zahlungseingang?“ oder „Wie verändert sich die Liquidität, wenn Lieferanten ihre Zahlungsziele kürzen?“. Der Mehrwert liegt in der schnellen Ursachenanalyse und in der Simulation einfacher Szenarien. Für die offizielle Liquiditätsplanung bleibt das geprüfte Modell maßgeblich. Eine konkrete Grundlage liefert Cloud ERP Intelligence: Die SAC-Story „Working Capital“ bildet die Entwicklung von Nettoumlaufvermögen und Cash Conversion Cycle ab und überwacht Kennzahlen wie Zahlungsfristen, Forderungslaufzeiten und Lagerbestandswerte. Finance Intelligence soll darüber hinaus Planung und Prognosen sowie KI-gestützte Anomalieerkennung bringen.
Procurement: Spend Intelligence
Im Einkauf steht Transparenz über Ausgaben im Vordergrund: Wo verteilen sich Volumina auf zu viele Lieferanten? Welche Warengruppen haben Preisabweichungen? Wo werden Rahmenverträge umgangen („Maverick Buying“)? Joule kann Ausgaben nach Kategorie, Lieferant oder Standort auswerten und Auffälligkeiten erläutern. In Ariba unterstützen bereits Agenten bei der Angebotsanalyse, etwa beim Vergleich von Lieferantenangeboten nach Gesamtkosten. Voraussetzung ist eine saubere Materialgruppen- und Lieferantenstruktur. Die Intelligent Application Spend Intelligence baut auf Ariba-Daten auf. Sie soll Ausgaben über Systeme hinweg mit konsistenten Kategorien zusammenführen, Rechnungspositionen per ML klassifizieren und Auffälligkeiten wie Doppelausgaben oder nicht wettbewerbsfähige Preise erkennen.
CHRO: Talent Flow Overview
Die Personalleitung interessiert sich für Zu- und Abgänge, interne Wechsel und Engpässe in kritischen Rollen. Mit Daten aus SuccessFactors und weiteren Quellen lassen sich Fragen beantworten wie „In welchen Bereichen steigt die Fluktuation überdurchschnittlich?“ oder „Wie viele Schlüsselpositionen werden in den nächsten 24 Monaten voraussichtlich frei?“. Hier gilt besonders: Datenschutz, Betriebsrat und Berechtigungskonzept müssen vor dem Start geklärt sein, und Auswertungen auf Personenebene sind sensibel. Mit People Intelligence gibt es dafür bereits eine verfügbare Intelligent Application.
Attribution und Forecasting
Im Vertrieb und Marketing geht es darum, Umsätze Einflussfaktoren zuzuordnen (Attribution) und Entwicklungen vorherzusagen (Forecasting). Über SAP Databricks lassen sich Prognosemodelle auf den semantisch aufbereiteten SAP-Daten trainieren, etwa für Absatz oder Nachfrage. Joule dient dann als Schnittstelle, um Ergebnisse abzufragen und zu erklären. Wichtig: Die Prognosequalität hängt weniger von Joule ab als von der Datenhistorie und der Qualität der Modelle. Für diesen Bereich sind Revenue Intelligence (vom Angebot bis zum Zahlungseingang) und Customer Intelligence (gesamte Customer Journey) angekündigt.
Weitere Beispiele
- Supply Chain: Frühwarnung bei Lieferengpässen durch Verknüpfung von Bestands-, Bestell- und Lieferantendaten. Supply Chain Intelligence (angekündigt) soll SAP-Daten zusätzlich mit externen Quellen wie Wetter-, Behörden- und Marktdaten sowie Informationen aus dem SAP Business Network verknüpfen.
- Order Management: Unstrukturierte Dokumente wie E-Mail-Bestellungen in transaktionsreife Daten überführen.
- Service und Claims: Fallbearbeitung beschleunigen, indem Agenten Informationen vorsammeln und Vorschläge machen.
- Controlling: Abweichungsanalysen mit automatisch formulierter Erklärung für das Management-Reporting.
Wo liegen die Grenzen von SAP Business Data Cloud & Joule?
Was funktioniert (noch) nicht wie versprochen?
SAP hat sein KI-Portfolio sehr schnell ausgebaut, nach eigenen Angaben mit inzwischen über tausend vorgefertigten Skills und Dutzenden Agenten. Die Realität in den Unternehmen hinkt dem hinterher. Laut dem DSAG Investment Survey 2026 setzt bisher nur ein kleiner einstelliger Prozentsatz der befragten SAP-Kunden Business-AI produktiv ein. Auch unabhängige Bewertungen beschreiben Joule als nützlich, aber verbesserungswürdig, und weisen darauf hin, dass einige Funktionen noch in Entwicklung sind.
Grundsätzlich gilt: KI-Agenten verstehen die Daten, die sie verarbeiten, nicht im menschlichen Sinne, sondern arbeiten mit Wahrscheinlichkeiten. Sie können plausible, aber falsche Ergebnisse (Halluzinationen) liefern, sind nicht automatisch revisionssicher und anfällig für Prompt-Injections, da sie legitime Anfragen nicht zuverlässig von versteckten Angriffsanweisungen unterscheiden. Verantwortung können sie weder organisatorisch noch rechtlich übernehmen. Fachabteilungen, internes Kontrollsystem und Managemententscheidungen ersetzen sie daher nicht. In der Praxis setzen sich deshalb Agenten durch, deren Aufgaben klar begrenzt sind, deren Ergebnisse prüfbar bleiben und die sich in bestehende Rollen- und Berechtigungskonzepte einfügen. Branchenübergreifend sind KI-Agenten bereits in 56 Prozent der Unternehmen im Kundenservice und in 39 Prozent im Operations-Betrieb integriert. Das Vertrauen ist in der Datenanalyse und Generierung von Insights am größten.
Typische Lücken zwischen Versprechen und Praxis:
- Reifegrad: Ankündigungen, Preview-Funktionen und allgemein verfügbare Features werden in der Kommunikation oft vermischt. Prüfen Sie jeden Use Case gegen den tatsächlichen Verfügbarkeitsstatus.
- Antwortqualität: Generative Systeme können falsche oder ungenaue Antworten liefern. Bei Finanzzahlen ist das nicht tolerierbar, ohne dass Ergebnisse validiert werden.
- Nachvollziehbarkeit: Es muss klar sein, auf welcher Datengrundlage eine Antwort beruht. Ohne diese Transparenz fehlt die Akzeptanz im Controlling und in der Revision.
- Zugang: Nach aktuellem Stand sind viele Funktionen an Cloud-Verträge gebunden. On-Premise-Landschaften sind davon teils ausgeschlossen oder nur über Umwege angebunden. Hinzu kommen Sprachgrenzen (z. B. Fallback auf Englisch) und gestaffelte Rollouts: Joule-Funktionen sind oft use-case-, modul- oder programmabhängig, und in manchen Analytics-Szenarien steht Joule nicht durchgängig als Assistenz zur Verfügung. Eine einheitliche Agentenschicht über alle SAP-Oberflächen, Systemvarianten und Prozesse gibt es noch nicht.
Wo sind manuelle Eingriffe weiterhin notwendig?
- Fachliche Validierung von Ergebnissen, insbesondere bei finanzrelevanten und personenbezogenen Auswertungen.
- Modellierung und Pflege von Datenprodukten, Semantik und Berechtigungen.
- Konfiguration, Freigabe und Überwachung von Agenten, inklusive klarer Regeln, was ein Agent selbstständig tun darf und wo ein Mensch freigibt.
- Anpassungen für unternehmensspezifische Prozesse und Kennzahlen, die nicht dem SAP-Standard entsprechen.
Die Entwicklung von Joule weist aktuell eine große Dynamik auf, so dass sich die hier aufgezählten Punkte auch innerhalb von kurzen Zeitabständen revidieren können.
Welche Herausforderungen gibt es bei Datenqualität und Integration?
Der häufigste Grund, warum KI-Projekte enttäuschen, ist nicht das Modell, sondern die Datenbasis. Typische Probleme:
- Fragmentierte Landschaften: Mehrere ERP-Systeme, Altsysteme und Fremdanwendungen mit unterschiedlichen Definitionen derselben Kennzahl.
- Stammdatenqualität: Dubletten, unvollständige Lieferanten- und Kundendaten oder uneinheitliche Materialgruppen verfälschen Auswertungen.
- Individualentwicklungen: Stark angepasste Systeme (Z-Tabellen, eigene Logik) lassen sich schwer in standardisierte Datenprodukte überführen.
- Non-SAP-Daten: Die Anbindung externer Quellen ist möglich, aber aufwändig. Die versprochene Offenheit muss pro Quelle geprüft werden.
- Governance: Wer darf welche Daten sehen, und welche Daten darf Joule als Grundlage verwenden? Ohne klare Antwort entstehen Compliance-Risiken. Sinnvoll ist ein schrittweiser, nicht-invasiver Aufbau über eine Datenkultur statt einer 100-seitigen Richtlinie. Der Data Catalog fördert Wiederverwendung und Vertrauen.
- Datenkompetenz: Daten ohne Kontext liefern keine Informationen, und ohne Datenkompetenz führt ihre Auswertung nur im Glücksfall zu guten Entscheidungen. Der Ruf nach einem „Export-nach-Excel-Knopf“ ist ein Warnsignal: Die Mindestreife einer modernen Datenkultur ist erreicht, wenn die Auswertung dort stattfindet, wo die Daten bereitgestellt werden.
- Kosten und Lizenzen: Verbrauchsbasierte Modelle und zusätzliche Komponenten machen die Gesamtkosten schwer planbar.
Für wen lohnt sich der Einsatz von SAP BDC & Joule und für wen (noch) nicht?
Welche Unternehmen profitieren am meisten?
Am meisten profitieren Unternehmen, die bereits in Cloud-Lösungen der SAP arbeiten (z.B. S/4HANA Private Cloud, SuccessFactors, Ariba, Datasphere), einen überwiegend standardnahen Prozessansatz verfolgen und eine saubere Datenbasis haben. Auch Organisationen mit mehreren SAP-Systemen, die bislang mühsam Daten zusammentragen, gewinnen durch ein zentrales, semantisch angereichertes Datenfundament. Klassische BW-Kunden können ihre bisherigen Mehrwerte auf eine moderne Plattform mitnehmen und mit KI veredeln. Aufwändige Integrationsszenarien zwischen mehreren Analytics-Lösungen samt redundanter Datenhaltung lassen sich eliminieren.
In welchen Szenarien bringt Joule echten Mehrwert?
- Wiederkehrende Fragen, die bisher einen Report oder eine Anfrage an die IT erforderten.
- Ursachenanalyse und Erklärung von Abweichungen anstelle reiner Zahlendarstellung.
- Prozesse mit hohem manuellem Vorbereitungsaufwand, etwa Angebotsvergleich, Dokumentenerfassung oder Fallvorbereitung.
- Bereiche, in denen Fachabteilungen bislang kaum Zugang zu Daten hatten.
Wann ist der Einsatz aktuell eher kritisch zu sehen?
- Bei stark angepassten On-Premise-Landschaften ohne konkreten Cloud-Fahrplan.
- Bei unklarer Datenqualität und fehlender Datenverantwortung. KI verstärkt Probleme in den Daten eher, als dass sie sie löst.
- Bei hochregulierten Prozessen, in denen Ergebnisse lückenlos nachvollziehbar sein müssen und nicht-deterministische Antworten ein Risiko darstellen.
- Wenn es keinen klaren Business Case gibt und die Einführung rein technologiegetrieben erfolgt.
- Wenn die Kapazitäten für Governance, Schulung und Betrieb fehlen.
Was sollten Unternehmen jetzt konkret tun?
Wie kann man sich strategisch vorbereiten?
Die wichtigste strategische Entscheidung ist, Daten als eigenständiges Thema zu behandeln und nicht als Beiwerk eines KI-Projekts. Dazu gehört, die SAP-Roadmap (Cloud-Migration, RISE/GROW) mit der Datenstrategie zu verzahnen, Verantwortlichkeiten für Datenprodukte festzulegen und klare Leitplanken für den KI-Einsatz zu definieren: Was darf automatisiert werden, was nicht, und wer haftet? Dazu gehört auch der Aufbau von Datenkompetenz und Datenkultur, die sich nur langfristig und über Methodik und Mindset entwickeln lassen: mit einer gemeinsamen Sprache (unternehmensweite Begriffsdefinitionen, Data Catalog) und einer Lernkultur aus verpflichtenden Basistrainings und Gamification-Ansätzen wie Badges und Leveln, idealerweise eingebettet in eine vom Vorstand getragene Kampagne. Zielvereinbarungen in Mitarbeitergesprächen reichen dafür erfahrungsgemäß nicht aus.
Welche ersten Schritte sind sinnvoll?
- Bestandsaufnahme: Welche Systeme, Datenquellen und Reports gibt es? Wo liegen die größten Qualitätsprobleme?
- Use Cases priorisieren: Zwei bis drei konkrete Fälle mit messbarem Nutzen auswählen, statt breit zu starten.
- Verfügbarkeit prüfen: Für jeden Use Case klären, welche Komponenten tatsächlich allgemein verfügbar sind, was lizenziert werden muss und welche Voraussetzungen die eigene Landschaft erfüllt.
- Datenreife herstellen: Datenprodukte, Semantik, Stammdatenbereinigung und Berechtigungskonzept für die gewählten Fälle aufbauen.
- Pilot starten: Mit einer kleinen Nutzergruppe beginnen, Antwortqualität systematisch bewerten und Rückmeldungen einsammeln.
Worauf sollte man bei der Einführung achten?
- Governance zuerst: Datenschutz, Betriebsrat, Revision und IT-Sicherheit frühzeitig einbinden.
- Menschen mitnehmen: Schulung und Erwartungsmanagement. Joule ist ein Assistent, kein Orakel.
- Qualität messen: Trefferquote, Zeitersparnis und Akzeptanz mit klaren Kennzahlen begleiten.
- Human in the Loop: Kritische Entscheidungen und Buchungen bleiben bei definierten Freigaben.
- Kosten im Blick: Lizenz-, Verbrauchs- und Betriebskosten von Anfang an transparent planen.
- Roadmap beobachten: SAP entwickelt sehr schnell weiter. Entscheidungen regelmäßig gegen den aktuellen Stand prüfen.
Fazit
SAP Business Data Cloud und Joule sind ein ernstzunehmender Schritt in Richtung datengetriebener, KI-gestützter Geschäftsprozesse. Die Technologie ist keine Zukunftsmusik mehr, aber auch noch kein Selbstläufer. Den größten Hebel haben Unternehmen, die ihre Datenbasis in Ordnung bringen, gezielt wenige Use Cases angehen und die Einführung mit Governance und Change Management begleiten. Wer dagegen auf das Versprechen „Frage stellen, Antwort bekommen“ setzt, ohne die Grundlagen zu schaffen, wird eher enttäuscht werden.
Kontaktieren Sie uns!
Haben Sie weitere Fragen? Gerne helfen wir Ihnen weiter.
Vereinbaren Sie ein Webmeeting mit unseren Expert:innen oder stellen Sie uns Ihre Frage im Kommentarbereich.

Sie sehen gerade einen Platzhalterinhalt von Active Campaign. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr Informationen
