Blogartikel
KI-gestützte Absatzprognose: Ab wann lohnt sich der Einsatz im Mittelstand?
KI-gestützte Absatzprognose verspricht mehr Genauigkeit, weniger manuelle Korrekturen und bessere Verfügbarkeit. Klingt überzeugend, aber für wen lohnt sich der Einsatz wirklich? Viele Mittelständler investieren zu früh, ohne die nötigen Voraussetzungen zu erfüllen. Dieser Artikel zeigt, welche Bedingungen erfüllt sein müssen und welche Einstiegsstrategien für KMUs im DACH-Raum tatsächlich funktionieren.
KI-Absatzprognose ist längst kein Konzernthema mehr. Laut BVL-Studie "Trends und Strategien in Logistik und Supply Chain Management 2025/26" nennen 68 Prozent der befragten Logistik- und SCM-Verantwortlichen die Implementierung oder Skalierung von KI als strategische Priorität der nächsten fünf Jahre. Gleichzeitig zeigt BCG in ihrer Supply-Chain-Analyse 2026, dass trotz erheblicher Investitionen nur rund 20 Prozent der Unternehmen einen messbaren Mehrwert aus KI in der Planung erzielen. Der Grund liegt fast nie am Algorithmus selbst, sondern an den Voraussetzungen, die ihm nicht mitgegeben wurden: Saubere Datenbasis, prozessuale Reife, klare Erfolgsmessung. Dieser Artikel beantwortet die Frage, ab wann der Einsatz im Mittelstand Sinn ergibt, welche Fehlermuster den ROI kosten und wie ein pragmatischer Einstieg aussieht.
Wann sind Sie bereit für KI in der Absatzprognose? Die drei Voraussetzungen
KI-gestützte Absatzplanung ist kein Plug-and-Play. Drei Bedingungen müssen erfüllt sein, bevor eine Investition in Prognosetechnologie Sinn ergibt: eine belastbare Datenbasis, ein funktionierender Planungsprozess und ein klar definiertes Bild davon, woran Erfolg gemessen wird. Wer eine dieser Bedingungen nicht erfüllt, investiert in die Diagnose eines falschen Problems.
Datenbasis: Wie viel Geschichte braucht ein KI-Modell?
Datenqualität (d.h. Umfang, Vollständigkeit und Konsistenz der historischen Absatzdaten, die ein KI-Modell zum Lernen benötigt) ist die fundamentalste Voraussetzung für funktionierende KI-Prognosen. Machine Learning (d.h. der Teilbereich der KI, bei dem Algorithmen aus Daten Muster erkennen, ohne explizit programmiert zu werden) lernt aus Wiederholungen. Wer dem System keine ausreichende, saubere Wiederholungshistorie gibt, trainiert auf Rauschen.
Praktische Mindestanforderungen: mindestens 2 bis 3 Jahre vollständige Absatzdaten je Artikel, keine systematischen Lücken durch ERP-Wechsel oder Systemmigrationen, konsistente Buchungslogik über den gesamten Zeitraum. Ein ERP-Wechsel vor zwei Jahren, der die Vergleichbarkeit der Daten vor und nach der Migration aufhebt, ist in dieser Hinsicht ein Risikosignal, kein Hindernis, aber er muss bereinigt werden, bevor ein Modell trainiert wird.
Typische Datenprobleme, die in der Praxis routinemäßig auftreten: Retouren, die nicht konsequent gegen den Ursprungsauftrag gebucht werden und damit den historischen Absatz verzerren. Promotions und Aktionen, die nicht in den Daten markiert sind und das Modell systematisch in die Irre führen. Ausreißer durch Sonderaufträge, die als regulärer Bedarf gewertet werden. BCG hält in ihrer 2026er Analyse fest, dass Datenvorbereitung in erfolgreichen KI-Planungsprojekten im Durchschnitt mehr Zeit und Ressourcen kostet als die eigentliche Modellimplementierung. Fraunhofer IML beschreibt in seiner Forschung zur ML-basierten Bedarfsplanung denselben Befund: Eine kritische Menge an Daten in der richtigen Qualität ist die notwendige Bedingung, ohne die auch das leistungsfähigste Modell versagt.
Wer diese Datenbasis heute nicht hat: Datenqualität zuerst sichern. Das ist keine Vorstufe der KI-Einführung, sondern deren eigentlicher erster Schritt.
Prozessreife: Ohne S&OP bleibt KI ein Excel-Tab unter vielen
KI-Prognosen liefern bessere Absatzschätzungen. Aber wer übersetzt sie in Einkaufsentscheidungen, Produktionsplanung und Bestandsdisposition, wenn kein strukturierter Planungsprozess existiert?
S&OP (Sales & Operations Planning, d.h. ein monatlicher, bereichsübergreifender Planungsabgleich, der Absatzplanung, Produktionsplanung und Beschaffung synchronisiert) ist die organisatorische Voraussetzung dafür, dass KI-Prognosen überhaupt Wirkung entfalten. Ohne einen solchen Prozess landet die Prognose im System, Vertrieb plant weiter auf Basis eigener Annahmen, Einkauf reagiert auf ERP-Vorschläge, und Produktion orientiert sich an Kapazitätsauslastung. Das KI-Modell ist dann ein weiteres Datenelement unter vielen, dem niemand verbindlich folgt.
In mittelständischen Unternehmen fehlt S&OP häufig in formalisierter Form, weil es bis dato funktionierte, informelle Abstimmungen zu nutzen. Das ändert sich, sobald ein KI-Prognosesystem eingeführt wird, das regelmäßige, strukturierte Feedbackschleifen zwischen Planung und Ausführung braucht. BCG beschreibt in ihrer 2026er Studie explizit, dass Unternehmen ohne etablierten Planungsprozess den KI-Nutzen nicht abrufen können, unabhängig von der Modellqualität. Die Reihenfolge ist daher: zuerst einen minimalen Planungsrhythmus zwischen Vertrieb, Einkauf und Produktion aufbauen, dann in Prognose-Technologie investieren.
Erfolgsmessung: Woran erkennen Sie, ob KI etwas bringt?
Wer nicht weiß, wie gut oder schlecht die aktuelle Prognosequalität ist, kann nach der KI-Einführung keine belastbare Aussage darüber treffen, ob sich die Investition gelohnt hat. Das ist nicht nur ein Reporting-Problem, sondern ein internes Akzeptanzproblem: Ohne messbare Verbesserung verlieren Sponsoring und Teamunterstützung schnell ihre Grundlage.
Vier KPIs sollten vor Projektstart bekannt sein. Der MAPE (Mean Absolute Percentage Error, d.h. die durchschnittliche prozentuale Abweichung zwischen Prognose und tatsächlichem Absatz) ist die zentrale Messgröße für Prognosegenauigkeit. Ein MAPE von 30 Prozent bedeutet, dass die Prognose im Schnitt um 30 Prozent vom tatsächlichen Absatz abweicht. Realistisch erreichbare Verbesserungen durch KI: 15 bis 35 Prozentpunkte MAPE-Reduktion, je nach Artikelcharakter und Datenbasis. Ergänzend dazu: der durchschnittliche Sicherheitsbestand je Artikel vor und nach der Einführung, der Anteil manueller Korrekturen an den Systemprognosen pro Woche und die Lieferfähigkeit (Servicegrad) auf A-Artikel.
Wo scheitert KI in der Absatzprognose? Die häufigsten Fehler im Mittelstand
Viele KI-Projekte in der Absatzplanung enden mit ernüchternden Ergebnissen, nicht weil die Technologie versagt, sondern weil Erwartungen falsch gesetzt, die Datenbasis unterschätzt oder das Team nicht eingebunden wurde. Drei Fehlermuster dominieren das Bild, alle drei sind vermeidbar.
Übertriebene Erwartungen an Prognosegenauigkeit
Die erste und häufigste Enttäuschung: KI macht Prognosen nicht perfekt. Sie macht sie messbar besser, aber die Erwartung, Absatzprognosen auf wenige Prozent Abweichung zu reduzieren, ist für die meisten Sortimente unrealistisch.
Realistische Einordnung: Für A/X-Artikel (d.h. umsatzstarke Artikel mit gleichmäßigem, gut vorhersagbarem Verbrauch) sind MAPE-Reduktionen von 20 bis 35 Prozent gegenüber klassischen statistischen Prognosemodellen (d.h. regelbasierten Methoden wie exponentielles Glätten oder gleitende Durchschnitte, die keine Lernfähigkeit besitzen) erreichbar. Für Y-Artikel mit saisonalen Schwankungsmustern liegen die Verbesserungen typischerweise zwischen 10 und 25 Prozent. Für Z-Artikel (d.h. Artikel mit sporadischem, unregelmäßigem Bedarf) leistet auch das beste KI-Modell kaum mehr als ein statistisches Verfahren, weil keine ausreichende Musterbasis existiert. Hier liegt keine Modellschwäche vor, sondern ein strukturelles Nachfrageproblem.
Der messbare Mehrwert liegt nicht in Perfektion, sondern in der Reduktion von Ausreißerfehlern und im deutlich gesunkenen manuellen Korrekturaufwand. BCG formuliert in ihrer 2026er Studie den entscheidenden Vorbehalt: Unternehmen, die KI einführen, ohne ihre Erwartungen an die spezifischen Prozess- und Datenvoraussetzungen anzupassen, zählen zu denjenigen, die keinen messbaren ROI erzielen.
Zu frühe Investition ohne Datenfundament
Das häufigste Fehlinvestitionsmuster folgt einem erkennbaren Ablauf: Das Unternehmen führt eine Demand-Planning-Software ein. Nach sechs Monaten sind die Prognosen nicht besser als vorher. Das Projekt verliert intern Rückhalt. Die Software wird auf eine Compliance-Funktion reduziert oder abgeschaltet.
Die Ursache ist fast immer dieselbe: Das Modell wurde auf eine unzureichende oder inkonsistente Datenbasis trainiert. Der Fachbegriff aus der Datenverarbeitung trifft es präzise: garbage in, garbage out. Ein Großhändler mit 8.000 aktiven Artikeln und zwei ERP-Wechseln in der Verkaufshistorie hat Daten, die vor dem Migrationsjahr strukturell nicht mit den Daten danach vergleichbar sind. Das Modell lernt Muster, die es nicht verallgemeinern kann, weil die Datenbasis die reale Absatzentwicklung nicht korrekt abbildet.
Die Konsequenz ist eindeutig: Datenqualität zuerst sichern, dann KI einführen. Diese Reihenfolge ist keine verhandelbare Empfehlung, sondern eine strukturelle Notwendigkeit. Ein Unternehmen, das sechs Monate in Datenbereinigung investiert, bevor es die Prognose-Software kauft, hat einen deutlich höheren ROI als eines, das beides parallel angeht.
Fehlendes Change Management: Wenn das Team KI nicht nutzt
Das dritte Fehlermuster ist das, das in Budgetplanungen am häufigsten vergessen wird: Das Modell läuft, die Prognosen sind nachweislich besser als die bisherigen Schätzungen, aber die Disponenten überschreiben sie systematisch. Der ROI bleibt aus, weil die Prognosen nicht in Entscheidungen überführt werden.
Die Ursachen sind selten technischer Natur: kein Training, keine Transparenz darüber, wie das Modell zu seinen Prognosen kommt, kein Einbezug des Teams bei der Systemauswahl und -konfiguration. PWC zeigt im Digital Operations Survey 2025, dass fehlendes Nutzervertrauen und mangelnde Erklärbarkeit zu den beiden häufigsten Adoptionsbarrieren bei KI-Planungstools gehören. Deloitte beschreibt im Manufacturing Industry Outlook 2026, dass Change Management bei KI-Einführungen in der Fertigung und Logistik als kritischer Erfolgsfaktor gilt, der in vielen Projekten unterschätzt wird.
Change Management ist damit keine optionale Ergänzung zum Technikprojekt. Es ist eine Voraussetzung für messbaren ROI. Wer die Disponenten nicht in die Einführung einbindet, investiert in ein System, das niemand nutzen will. Eine ausführliche Analyse der psychologischen und organisatorischen Ursachen, warum Planer KI-Prognosen überschreiben, findet sich in unserem Beitrag zu Forecast Override und KI-Prognose-Akzeptanz.
Wie der Mittelstand KI-Prognosen einführt: drei pragmatische Einstiegsstrategien
KI-Einstieg muss nicht bedeuten, alles auf einmal umzustellen. Drei Ansätze funktionieren für den Mittelstand, in dieser Reihenfolge angehen.
Demand Sensing als niedrigschwelliger Einstieg
Demand Sensing (d.h. die kurzfristige Anpassung von Prognosen auf Basis von Echtzeitsignalen wie aktuellen Auftragseingängen oder POS-Daten, ergänzend zur statistischen Absatzplanung) ist für viele Mittelständler der pragmatischste erste Schritt, weil er keine jahrelange historische Datenbasis voraussetzt.
Das Prinzip: Das System wertet aktuelle Signale aus, aktuelle Auftragseingangsmengen, Lagerreichweiten, kurzfristige Nachfrageverschiebungen, und passt die Prognose für den Planungshorizont der nächsten 2 bis 8 Wochen dynamisch an. Wer heute einen Auftragseingang sieht, der 30 Prozent über der Erwartung liegt, bekommt eine sofortige Anpassung der Prognose, ohne den monatlichen Planungszyklus abwarten zu müssen.
Die Grenze muss klar benannt werden: Demand Sensing ergänzt die strategische Absatzplanung für mittlere und längere Planungshorizonte. Es ersetzt sie nicht. Wer Demand Sensing als Einstieg nutzt, schafft damit gleichzeitig die Daten- und Prozessgrundlage für eine spätere vollständige KI-Absatzprognose.
Pilotprojekt auf A-Artikeln: Beweisführung vor Vollausbau
Der risikoärmste Weg in die KI-Absatzprognose ist ein klar abgegrenzter Pilot auf den 100 bis 200 umsatzstärksten A-Artikeln. Laufzeit: 6 Monate. Beteiligte: 2 bis 3 Pilotdisponenten. Messung: MAPE vorher vs. nachher, verglichen mit dem laufenden statistischen Prognosemodell.
Das Pilotprinzip hat eine klare Entscheidungslogik: Zeigt der Pilot nach 6 Monaten keinen messbaren Mehrwert, ist das ein wertvolles Ergebnis, kein Scheitern. Es bedeutet entweder, dass die Datenbasis noch nicht ausreicht, dass die A-Artikel-Auswahl überprüft werden sollte, oder dass das gewählte Modell nicht zur Artikelcharakteristik passt. All das lässt sich im Pilotmaßstab für einen Bruchteil der Kosten herausfinden, die eine Vollimplementierung verursacht hätte. Lieber 6 Monate Pilot als 3 Jahre Fehlinvestition.
Der Pilot liefert außerdem die interne Argumentationsbasis für den Rollout: konkrete, unternehmensspezifische Zahlen statt Versprechen aus Herstellerfolien.
Spezialisierte Software oder ERP-Erweiterung: Die Entscheidung sachlich treffen
Zwei Wege führen zur KI-gestützten Absatzprognose: die Erweiterung des bestehenden ERP um Demand-Planning-Module oder die Einführung eines spezialisierten Demand-Planning-Tools als Ergänzung zum ERP.
Beide Wege haben strukturelle Vor- und Nachteile. Die ERP-Erweiterung bietet engere Datenintegration und reduziert Schnittstellenaufwand. Sie setzt aber in der Regel voraus, dass das ERP über die nötigen Planungsfunktionen verfügt und das interne IT-Team diese implementieren und pflegen kann. Das spezialisierte Tool ist in vielen Fällen schneller einzuführen, weil es für genau diesen Anwendungsfall gebaut wurde, und erfordert weniger IT-Ressourcen, wenn es als Cloud-Lösung verfügbar ist. Es braucht jedoch eine saubere ERP-Schnittstelle für Datentransfer und Rückspielung.
Eine pragmatische Entscheidungshilfe: Unternehmen mit weniger als 5.000 aktiven Artikeln ohne dediziertes IT-Planungsteam finden im spezialisierten Cloud-Tool häufig den niedrigschwelligeren Einstieg. Größere Unternehmen mit stabilem ERP-System und IT-Kapazität profitieren oft von der tieferen Integration einer ERP-Erweiterung. BCG hält in ihrer 2026er Studie den entscheidenden Vorbehalt bereit: Technologie allein löst das Planungsproblem nicht. Erst wenn Datenbasis und Prozessreife gesichert sind, zahlt sich die Technologieinvestition aus.
Fazit: KI lohnt sich, wenn die Grundlagen stimmen
KI-Absatzprognose lohnt sich im Mittelstand, wenn drei Bedingungen erfüllt sind: eine Verkaufshistorie von mindestens 2 Jahren ohne systematische Lücken, ein definierter Planungsprozess, der KI-Prognosen in Entscheidungen überführt, und ein klares Bild davon, woran Verbesserung gemessen wird.
Die richtige Reihenfolge ist nicht verhandelbar: Datenbasis sichern, Planungsprozess aufbauen, Erfolgsmessung definieren, dann investieren. Starten Sie nicht mit der Technologieauswahl, starten Sie mit der Diagnose: Wie vollständig und konsistent sind unsere historischen Absatzdaten? Haben wir einen Planungsrhythmus, der KI-Prognosen aufnehmen kann? Wenn Sie beide Fragen mit Ja beantworten können, ist der Pilot der nächste logische Schritt: 100 bis 200 A-Artikel, 6 Monate, klare Baseline. Das Ergebnis entscheidet über den Rollout.
Weiterführende Quellen
BCG (2026): Supply Chain Planning 2026: Why AI Alone Isn't Enough
BVL (2025): Trends und Strategien in Logistik und Supply Chain Management 2025/26
FAQs
Wann lohnt sich KI für die Absatzprognose im Mittelstand?
KI-gestützte Absatzprognose lohnt sich, wenn drei Grundbedingungen erfüllt sind: erstens eine saubere Verkaufshistorie von mindestens 2 Jahren ohne systematische Datenlücken, zweitens ein definierter Planungsprozess, der KI-Prognosen in operative Entscheidungen überführt (mindestens ein monatlicher Planungsabgleich zwischen Vertrieb, Einkauf und Disposition), und drittens eine klare Erfolgsmessung auf Basis bekannter KPIs vor der Einführung. Fehlt eine dieser Voraussetzungen, ist der ROI unwahrscheinlich, unabhängig von der Qualität des gewählten Modells. Die häufigste Fehlinvestition im Mittelstand: ein leistungsfähiges Tool auf eine lückenhafte Datenbasis trainieren. Das Ergebnis nach 6 Monaten ist dann keine Verbesserung, sondern eine Enttäuschung, die intern schwer zu korrigieren ist. Die Faustregel lautet: Wer noch nicht weiß, wie hoch sein aktueller MAPE ist, ist noch nicht bereit für KI, sondern zunächst für eine Bestandsaufnahme.
Welche Daten braucht ein KI-Prognosemodell?
Ein KI-Prognosemodell (d.h. ein Machine-Learning-Algorithmus, der aus historischen Absatzdaten Muster erkennt und darauf aufbauend Vorhersagen generiert) benötigt im Kern: vollständige Absatzdaten auf Artikelebene über mindestens 24 bis 36 Monate, konsistente Buchungslogik über den gesamten Zeitraum, sowie eine saubere Markierung von Sondereffekten wie Promotions, Sonderaufträgen und saisonalen Ausnahmen. Problematische Datenlagen, die vor dem Modelltraining bereinigt werden müssen: nicht verbuchte Retouren, die historischen Absatz verzerren; Lücken durch ERP-Migrationen, die Daten vor und nach der Migration strukturell unvergleichbar machen; unmarkierte Ausreißer durch Einmalereignisse, die das Modell als reguläre Nachfragemuster interpretiert. Je nach Artikelcharakter werden ergänzend externe Signale genutzt: Saisonindizes, Branchenkonjunkturdaten, in manchen Fällen auch Wetterdaten oder Veranstaltungskalender. Diese externen Daten erhöhen die Prognosegenauigkeit für stark saisonale Artikel deutlich.
Was ist der Unterschied zwischen KI-Prognose und klassischer statistischer Prognose?
Klassische statistische Prognosemodelle wie exponentielles Glätten, gleitende Durchschnitte oder ARIMA sind regelbasiert: Sie folgen einer festgelegten mathematischen Formel und berücksichtigen historische Verbrauchsmuster nach vordefinierten Gewichtungen. Sie sind interpretierbar, schnell zu implementieren und für Artikel mit stabiler, gleichmäßiger Nachfrage gut geeignet. KI-gestützte Prognosemodelle (insbesondere Machine-Learning-Methoden wie Gradient Boosting oder neuronale Netze) lernen aus den Daten: Sie erkennen Muster selbst, ohne dass diese explizit programmiert werden müssen, und können nicht-lineare Zusammenhänge und komplexe Wechselwirkungen abbilden, die klassische Methoden nicht erfassen. Ihr Vorteil liegt besonders bei Artikeln mit ausgeprägter Saisonalität, externen Einflussfaktoren und bei der gleichzeitigen Verarbeitung vieler Artikelsignale. Ihr Nachteil: Sie sind weniger interpretierbar, benötigen mehr Daten zum Training, und ihr Mehrwert gegenüber klassischen Methoden hängt stark von der Datenqualität ab.
Was kostet die Einführung einer KI-gestützten Absatzplanung?
Was kostet die Einführung einer KI-gestützten Absatzplanung? Eine belastbare Kostenschätzung ist ohne Kenntnis des Unternehmens nicht möglich. Grobe Orientierungsrahmen für mittelständische Unternehmen im DACH-Raum: Cloud-basierte spezialisierte Demand-Planning-Lösungen beginnen typischerweise im Bereich von 1.000 bis 5.000 Euro monatlich je nach Artikelanzahl und Funktionsumfang. ERP-Erweiterungen um Demand-Planning-Module haben einen erheblich höheren Implementierungsaufwand, der je nach ERP-System, Artikelanzahl und Anpassungsbedarf zwischen 50.000 und mehreren hundert Tausend Euro liegen kann. Kritisch: Die Lizenz- oder Implementierungskosten sind häufig nicht der größte Posten. Datenvorbereitung, Change Management, Schulungen und laufende Modellpflege übertreffen in gut dokumentierten Projekten oft die reinen Systemkosten. BCG nennt in ihrer 2026er Studie unzureichende Datenvorbereitung als häufigsten Grund für ausbleibenden ROI bei KI-Planungsprojekten. Ein realistisches Budget kalkuliert Datenvorbereitung mit mindestens 20 bis 30 Prozent der Gesamtprojektkosten.
Was ist Demand Sensing und wie unterscheidet es sich von KI-Forecasting?
Demand Sensing ist die kurzfristige Anpassung einer Absatzprognose auf Basis von Echtzeitsignalen: aktuelle Auftragseingänge, aktuelle POS-Abverkaufsdaten, kurzfristige Lagerreichweitenentwicklung. Der Planungshorizont liegt typischerweise bei 1 bis 8 Wochen. Demand Sensing reagiert auf das, was gerade passiert, ohne auf eine lange historische Datenbasis angewiesen zu sein. KI-gestützte Absatzprognose (KI-Forecasting) operiert auf einem anderen Planungshorizont: mittelfristig 4 bis 26 Wochen, in manchen Anwendungsfällen auch länger. Sie nutzt historische Muster, Saisonindizes und externe Signale, um zukünftige Nachfrage zu schätzen, und lernt aus vergangenen Prognosefehlern. Demand Sensing und KI-Forecasting sind keine Alternativen, sondern Ergänzungen: Demand Sensing verbessert die operative Reaktionsfähigkeit im kurzfristigen Horizont, während KI-Forecasting die mittelfristige Planung für Beschaffung, Produktion und Bestand verbessert.
Ab welcher Unternehmensgröße macht KI in der Absatzprognose Sinn?
Unternehmensgröße allein ist kein Entscheidungskriterium. Entscheidend sind Sortimentsgröße, Datenqualität und Prozessreife. Ein Unternehmen mit 500 aktiven Artikeln, einer sauberen 3-Jahres-Verkaufshistorie und einem funktionierenden monatlichen Planungsabgleich ist für KI bereit. Ein Unternehmen mit 10.000 Artikeln, zwei ERP-Wechseln in der Historie und ohne S&OP ist es nicht. Als praktische Orientierung: Unternehmen mit mehr als 300 bis 500 aktiven Artikeln mit regelmäßiger Nachfrage profitieren in der Regel messbar von KI-gestützter Prognose, weil der manuelle Aufwand für die Einzelartikelbetreuung die Kapazitäten der Disposition typischerweise übersteigt. Unterhalb dieser Schwelle liefern gut parametrierte statistische Prognosemodelle oft vergleichbare Ergebnisse bei geringerem Implementierungsaufwand. Die Frage ist also nicht "Wie groß sind wir?" sondern "Wie gut sind unsere Daten, wie reif ist unser Prozess, und ist der Aufwand einer KI-Einführung durch den erzielbaren Mehrwert gerechtfertigt?"
