Ja, Sie sollten einen MLOps Engineer einstellen, sobald Ihre Modelle produktiv laufen, regelmäßig neu trainiert werden müssen oder regulatorische Pflichten greifen. Entscheidend ist dabei nicht die Länge der Tool-Liste im Lebenslauf, sondern nachweisbare Produktions- und Incident-Erfahrung. Der nächste Schritt: Legen Sie eine Scorecard an oder beauftragen Sie eine spezialisierte Personalberatung mit dem Mandat.
Kurz gesagt:
- Gewichten Sie Produktionsreife und Betriebserfahrung mit 35 Prozent, technische Tiefe mit 25 Prozent sowie Infrastruktur und Kommunikation mit jeweils 20 Prozent; vergeben Sie je Kriterium ein bis fünf Punkte.
- Prüfen Sie konkrete Produktionsvorfälle anhand von Störungsanalysen, Dienstgütevereinbarungen und Kennzahlen zu Verfügbarkeit oder Reaktionszeit statt Zertifikatslisten und bloßen Werkzeugkenntnissen im Gespräch.
- Das durchschnittliche Jahresgehalt liegt laut jobvector bei etwa 75.000 Euro; Region, Erfahrung mit regulierten Branchen und LLMOps beeinflussen die Vergütung.
- Für Systeme mit hohem Risiko verlangt der AI Act Überwachung und Protokollierung; Fristen beginnen für eigenständige Systeme im Dezember 2027 und für eingebettete Systeme im August 2028.
Inhaltsverzeichnis
- Rollenprofil: typische Aufgaben und Abgrenzung zu verwandten Rollen
- Worauf es bei Fähigkeiten und Erfahrung wirklich ankommt
- Einstellungsscorecard: Kriterien, Gewichtung und Bewertungsrubriken
- Lebenslauf- und Portfolioprüfung: Checkliste mit Roten und Grünen Flags
- Sourcing: priorisierte Kanäle und Taktiken für die Kandidatensuche
- Interview- und Assessment-Prozess: Phase für Phase mit Beispielaufgaben
- Stellenprofil-Vorlage: sofort nutzbare Job-Description mit KPIs
- Vergütung: Gehaltsrahmen und Verhandlungsleitfaden
- Onboarding und erste 90 Tage: Plan, Messpunkte und Quick Wins
- Polydigital als praktische Partneroption im Einstellungsprozess
- Prozessdauer: Zeitplan von Suchstart bis Einstellung
- Kostenübersicht: Gesamtkosten des Einstellungsprozesses
- Was bei der MLOps-Einstellung wirklich zählt
- Mit Polydigital den passenden MLOps Engineer finden
- FAQ
- Quellen
Rollenprofil: typische Aufgaben und Abgrenzung zu verwandten Rollen
Ein MLOps Engineer verantwortet die Brücke zwischen Modellentwicklung und stabilem Produktivbetrieb. Das Rollenprofil unterscheidet sich deutlich von benachbarten Positionen, und genau diese Abgrenzung verhindert spätere Fehlbesetzungen.
Zu den Kernaufgaben gehören typischerweise:
- Deployment von Modellen in produktive Umgebungen, inklusive Versionierung und Rollback-Strategien
- Monitoring und Observability für Modellqualität, Datendrift und Systemperformance
- Aufbau und Pflege von CI/CD-Pipelines speziell für Machine-Learning-Workflows
- Betrieb und Skalierung von Daten-Pipelines, die Trainings- und Inferenzdaten zuverlässig liefern
- Incident-Management, wenn Modelle fehlerhafte Vorhersagen liefern oder ausfallen
Die Abgrenzung zu verwandten Rollen lohnt sich im Detail. Ein DevOps Engineer kümmert sich um Infrastruktur und Deployment-Pipelines allgemein, hat aber selten tiefes Verständnis für Modell-Drift oder Trainingsdaten. Ein ML-Engineer baut und trainiert Modelle, verantwortet aber oft nicht den stabilen Dauerbetrieb. Ein Data Engineer liefert die Datenbasis, greift jedoch selten in Deployment-Entscheidungen ein. MLOps verbindet diese drei Welten und übernimmt die Verantwortung dafür, dass ein Modell nach dem Start zuverlässig bleibt.
Bei großen Sprachmodellen zeigt sich das besonders deutlich: LLMOps-Praktiken wie Prompt-Versionierung, Evaluierungspipelines für generative Ausgaben und Kostenkontrolle bei Inferenz sind mittlerweile ein eigener Schwerpunkt innerhalb des MLOps-Feldes. Wer produktive LLM-Anwendungen betreibt, braucht dieses Spezialwissen zusätzlich zu klassischem Modell-Monitoring. Mehr zur Trennschärfe zwischen den Rollen finden Sie in unserem Beitrag zu MLOps vs. DevOps.
Worauf es bei Fähigkeiten und Erfahrung wirklich ankommt
Tool-Listen sagen wenig über die tatsächliche Eignung aus. Entscheidend ist, ob ein Kandidat schon einmal ein Modell über Monate hinweg stabil betrieben hat, nicht ob er zwölf verschiedene Frameworks kennt.
Priorisieren Sie bei der Bewertung folgende Bereiche:
- Produktionsreife: Hat die Person Modelle tatsächlich live gebracht und über einen längeren Zeitraum betrieben?
- Monitoring und Observability: Kann sie Drift, Latenz und Datenqualität systematisch überwachen?
- Incident-Management: Wie reagiert sie, wenn ein Modell nachts ausfällt oder fehlerhafte Ergebnisse liefert?
- Automatisierung: Werden wiederkehrende Aufgaben in Pipelines gegossen oder manuell wiederholt?
Verifizierbare Nachweise sind hier Gold wert. Fragen Sie nach konkreten Post-Mortems, nach SLAs, die eingehalten oder verfehlt wurden, und nach Metriken wie Modell-Verfügbarkeit oder Reaktionszeit bei Störungen. Ein Kandidat, der präzise beschreiben kann, wie ein Vorfall analysiert, isoliert und behoben wurde, zeigt mehr als jede Zertifikatsliste.
Rote Flags erkennen Sie oft schnell: ausschließlich akademische Projekte, keine Erwähnung von Monitoring oder Rollback, vage Antworten auf Fragen nach konkreten Zahlen. Grüne Flags sind das Gegenteil: klare Beschreibung von Trade-offs, ehrlicher Umgang mit eigenen Fehlern, konkrete Kennzahlen zu Deployment-Frequenz oder Ausfallzeiten.
Profi-Tipp: Lassen Sie sich die Architektur eines früheren Projekts auf einem Whiteboard skizzieren. Wer sein System wirklich gebaut hat, zeichnet es ohne zu zögern.
Einstellungsscorecard: Kriterien, Gewichtung und Bewertungsrubriken
Eine Scorecard macht Kandidaten vergleichbar und reduziert Bauchentscheidungen. Statt am Ende "der hat uns besser gefallen" zu sagen, führen Sie Punkte zusammen, die über mehrere Interviewrunden hinweg konsistent vergeben wurden.
Ein praxistaugliches Gerüst sieht so aus:
- Produktionsreife und Betriebserfahrung, Gewichtung etwa 35 Prozent: Bewertet werden reale Deployment-Historie und Umgang mit Ausfällen.
- Technische Tiefe (Pipelines, Automatisierung, Modell-Lifecycle), Gewichtung etwa 25 Prozent: Hier fließt die Qualität des technischen Assessments ein.
- Infrastruktur- und Plattformkenntnisse, Gewichtung etwa 20 Prozent: Erfahrung mit Cloud-Umgebungen, Containerisierung und Infrastructure-as-Code.
- Kommunikation und Zusammenarbeit mit Fachbereichen, Gewichtung etwa 20 Prozent: Wie gut kann die Person Data Scientists, Produktteams und IT-Betrieb verbinden?
Für jedes Kriterium empfiehlt sich eine Skala von 1 bis 5, mit klaren Ankerpunkten: Eine 1 bedeutet keine belastbare Erfahrung, eine 3 solide Grundkenntnisse mit ein bis zwei Praxisbeispielen, eine 5 mehrjährige, nachweisbare Verantwortung für produktive Systeme im großen Maßstab.
Übertragen Sie die Scores konsequent über alle Phasen hinweg: Das Screening liefert erste Einschätzungen zu Kommunikation und Grundwissen, das Produktionsinterview liefert den Großteil der Punkte für Betriebserfahrung, der technische Test bestätigt oder korrigiert die technische Einschätzung. Am Ende zählt die Summe, nicht der letzte Eindruck.
Lebenslauf- und Portfolioprüfung: Checkliste mit Roten und Grünen Flags
Bevor Sie Zeit in Interviews investieren, lohnt sich eine strukturierte Vorprüfung von Lebenslauf und Portfolio. Diese Triage spart Aufwand und erhöht die Qualität der Shortlist deutlich.
Achten Sie auf folgende Elemente:
- Nachprüfbare Artefakte wie öffentliche Repositories, dokumentierte Pipelines oder Konferenzbeiträge
- Konkrete Angaben zu Systemgröße, Nutzerzahlen oder Datenvolumen statt vager Formulierungen
- Erwähnung von Monitoring-Tools, Alerting-Systemen oder Incident-Prozessen im Lebenslauf
- Klare Trennung zwischen eigenem Beitrag und Teamleistung bei größeren Projekten
Rote Flags sind ausschließlich akademische oder Kaggle-Projekte ohne jeden Hinweis auf Produktionsbetrieb, fehlende Angaben zu Betriebsdauer oder Stabilität sowie Lebensläufe, die sich auf Modelltraining beschränken, ohne den Weg in den Live-Betrieb zu erwähnen.
Bei technischen Aufgaben zählt vor allem die Reproduzierbarkeit: Lässt sich der eingereichte Code ohne stundenlange Fehlersuche ausführen? Sind Tests vorhanden, die zumindest die kritischen Pfade abdecken? Ist Infrastructure-as-Code sauber strukturiert oder wirkt sie wie ein improvisierter Prototyp? Diese drei Fragen verraten oft mehr über die tatsächliche Arbeitsweise als jedes Anschreiben.
Sourcing: priorisierte Kanäle und Taktiken für die Kandidatensuche
Gute MLOps-Fachkräfte sind selten aktiv auf Jobsuche, weil sie meist in stabilen Positionen mit interessanten Projekten sitzen. Das verändert die Sourcing-Strategie grundlegend.
Folgende Kanäle haben sich bewährt:
- Passive Suche über Netzwerke und persönliche Empfehlungen, oft die ergiebigste Quelle für erfahrene Profile
- Direktansprache über Plattformen wie LinkedIn, kombiniert mit einer klaren, spezifischen Projektbeschreibung statt einer generischen Stellenanzeige
- Präsenz auf Fachkonferenzen und in Communities, in denen MLOps-Praktiker ihr Wissen teilen
- Bewertung von GitHub-Aktivität und Beiträgen auf arXiv als Signal für technische Tiefe, nicht als alleiniges Auswahlkriterium
Für dringende oder besonders anspruchsvolle Besetzungen lohnt sich ein Mandat an eine spezialisierte Personalberatung, vor allem wenn die interne Suche über mehrere Wochen keine passenden Kandidaten liefert oder wenn das nötige Fachnetzwerk intern fehlt. Headhunting erreicht genau die passiven Kandidaten, die über klassische Stellenanzeigen nicht erreichbar sind.
Interview- und Assessment-Prozess: Phase für Phase mit Beispielaufgaben
Ein strukturierter Interviewprozess macht Kandidaten vergleichbar und reduziert subjektive Eindrücke. Vier Phasen haben sich in der Praxis bewährt, jede mit einem klaren Prüfziel.
- Initiales Screening: Ziel ist die grobe Einordnung von Erfahrung und Motivation. Typische Checkfragen: Welche Systeme hat die Person zuletzt in Produktion gebracht? Wie groß war das Team, und welche Verantwortung lag konkret bei ihr?
- Produktions-Erfahrungsinterview: Hier zählen Fall- und Incident-Fragen. Eine bewährte Frage lautet: "Beschreiben Sie den schlimmsten Produktionsvorfall, den Sie betreut haben." Achten Sie auf die Struktur der Antwort, also ob Analyse, Isolierung, Abstellung und Prävention klar getrennt benannt werden. Wer nur die Lösung erzählt, aber nicht den Weg dorthin, hat den Vorfall oft nicht selbst verantwortet.
- Technischer Assessment-Test: Eine Systemdesign-Aufgabe, etwa der Entwurf einer Pipeline für tägliches Retraining mit Rollback-Mechanismus, zeigt strukturelles Denken. Ergänzend eignet sich eine Debugging-Aufgabe an einer absichtlich fehlerhaften Pipeline, um zu beobachten, wie systematisch die Fehlersuche abläuft.
- Cross-funktionales Interview: Hier bewerten Fachbereiche wie Data Science oder Produktmanagement, ob die Person verständlich kommuniziert und Prioritäten nachvollziehbar erklärt. Stakeholder-Fragen wie "Wie würden Sie uns erklären, warum ein Modell gerade neu trainiert werden muss?" zeigen die Kommunikationsfähigkeit unter realistischen Bedingungen.
Profi-Tipp: Bauen Sie in den technischen Test bewusst einen Zielkonflikt ein, etwa zwischen Geschwindigkeit und Stabilität. Die Entscheidung des Kandidaten verrät mehr als die reine Lösung.
Wie stark Produktionserfahrung gegenüber reinem Tool-Wissen zählen sollte, bestätigt auch die Einschätzung des AI Act Service Desk: Der Fokus auf Tool-Listen führt häufig zu Fehlbewertungen, während Produktionsfälle, Runbooks und Post-Mortems deutlich aussagekräftiger sind.
Stellenprofil-Vorlage: sofort nutzbare Job-Description mit KPIs
Eine klare Stellenbeschreibung spart später viele Missverständnisse. Die Struktur sollte knapp bleiben, aber die wichtigsten Erwartungen präzise benennen.
Eine bewährte Gliederung umfasst:
- Kurzbeschreibung der Rolle und ihrer Einbettung ins Team, mit maximal drei Sätzen
- Verantwortlichkeiten, konkret formuliert statt generisch ("betreibt die Retraining-Pipeline für Modell X", nicht "arbeitet mit Machine Learning")
- Pflichtkriterien: nachweisbare Produktionserfahrung, Umgang mit CI/CD für ML, Monitoring-Praxis
- Wunschkriterien: Erfahrung mit LLMOps, Kenntnisse in regulierten Branchen, Beiträge zu Open-Source-Projekten
Für die ersten Monate helfen klare KPIs: Nach 30 Tagen sollte die Person die bestehende Infrastruktur verstanden und erste kleinere Verbesserungen umgesetzt haben. Nach 60 Tagen sollte sie eigenständig an einer Pipeline mitarbeiten. Nach 90 Tagen sollte sie Verantwortung für mindestens einen produktiven Prozess vollständig übernommen haben. Eine ausformulierte Vorlage mit Beispieltexten finden Sie in unserem Beitrag zum Stellenprofil MLOps Engineer.
Vergütung: Gehaltsrahmen und Verhandlungsleitfaden
Das durchschnittliche Jahresgehalt für MLOps-Fachkräfte liegt laut jobvector bei etwa 75.000 Euro, mit einer Bandbreite, die je nach Region, Seniorität und Erfahrung variiert. Diese Spanne zeigt, wie stark Region, Seniorität und Branchenerfahrung den tatsächlichen Marktwert beeinflussen.
Erfahrung mit regulierten Branchen, nachweisbare Incident-Historie und LLMOps-Spezialisierung treiben das Gehalt eher an die obere Grenze der Bandbreite. Neben dem Fixgehalt lohnen sich zusätzliche Bausteine, um attraktiv zu bleiben: flexible Arbeitszeitmodelle, Budget für Konferenzen und Weiterbildung sowie klar definierte Entwicklungspfade Richtung technische Führung. Eine detaillierte Aufstellung nach Level und Region finden Sie im Beitrag zum MLOps Engineer Gehalt.
Onboarding und erste 90 Tage: Plan, Messpunkte und Quick Wins
Ein strukturierter Einstieg entscheidet oft darüber, wie schnell eine neue Fachkraft tatsächlich Wirkung entfaltet. Realistische Erwartungen verhindern Frust auf beiden Seiten.
- Tage 1 bis 30: Zugänge einrichten, bestehende Pipelines und Monitoring-Dashboards durchgehen, erste kleine Fehlerbehebungen umsetzen.
- Tage 31 bis 60: Eigenständige Mitarbeit an einer laufenden Pipeline, erste Verbesserungsvorschläge zu Automatisierung oder Alerting einbringen.
- Tage 61 bis 90: Vollständige Verantwortung für mindestens einen produktiven Prozess übernehmen, inklusive Bereitschaft für Incident-Reaktion.
Parallel dazu gehören Sicherheits- und Monitoring-Checks früh in den Plan: Zugriffsrechte überprüfen, bestehende Runbooks durchgehen und gegebenenfalls aktualisieren, Alarmschwellen gemeinsam validieren. Als Messpunkte eignen sich MTTR (mittlere Zeit bis zur Behebung eines Vorfalls), Deployment-Frequenz und die Stabilität der Modellqualität über die Zeit.
Profi-Tipp: Planen Sie in der ersten Woche bewusst Zeit für einen simulierten Incident ein. So zeigt sich früh, wie die neue Fachkraft unter Druck arbeitet, ohne dass ein echtes System gefährdet wird.
Vertiefende Argumente zu Teamstruktur und Reifegrad finden Sie im Beitrag MLOps-Team aufbauen.
Polydigital als praktische Partneroption im Einstellungsprozess
Wir besetzen Data- und AI-Positionen in der DACH-Region mit einem klaren Qualitätsanspruch: wenige, gründlich geprüfte Profile statt langer, unübersichtlicher Listen. Jedes Talent wird persönlich interviewt, und in der Endauswahl durchläuft es eine EFPA-zertifizierte Eignungsdiagnostik, die ein zertifizierter Berater auswertet.
In der Praxis läuft ein Mandat so ab: Wir erstellen gemeinsam mit Ihnen das Rollenprofil, bauen eine Shortlist aus passend geprüften Kandidaten auf und begleiten das technische Assessment bis zur Unterschrift. So verbinden wir Suche, Prüfung und Übergabe zu einem Prozess, der Zeit spart, ohne bei der Qualität Kompromisse einzugehen.
Prozessdauer: Zeitplan von Suchstart bis Einstellung
Die reale Prozessdauer hängt stark von der Spezialisierung der gesuchten Rolle ab. Für einen MLOps Engineer mit nachweisbarer Produktionserfahrung rechnen viele Unternehmen mit mehreren Wochen bis zu wenigen Monaten, je nachdem, wie eng das Anforderungsprofil geschnitten ist.
Ein realistischer Ablauf sieht so aus: In den ersten ein bis zwei Wochen entsteht das Rollenprofil und die Sourcing-Strategie wird festgelegt. Die aktive Kandidatenansprache und erste Screenings nehmen oft zwei bis vier weitere Wochen in Anspruch, besonders wenn passive Kandidaten über Headhunting angesprochen werden. Die eigentlichen Interviewrunden, inklusive technischem Assessment und Cross-funktionalem Gespräch, dauern meist zwei bis drei Wochen. Danach folgen Vertragsverhandlung und Kündigungsfristen auf Kandidatenseite, die je nach Position zusätzliche ein bis drei Monate beanspruchen können.
Wer den Prozess beschleunigen will, sollte vor allem bei der Sourcing-Phase ansetzen: Ein bereits geprüfter Kandidatenpool, wie er über eine spezialisierte Personalberatung entsteht, verkürzt genau diesen oft längsten Abschnitt deutlich.
Kostenübersicht: Gesamtkosten des Einstellungsprozesses
Die Gesamtkosten einer MLOps-Einstellung setzen sich aus mehreren Bausteinen zusammen, die in internen Planungen häufig unterschätzt werden. Neben dem späteren Gehalt fallen bereits im Recruiting-Prozess reale Aufwände an.
Dazu zählen interne Personalkosten für Screening und Interviews, oft über mehrere Wochen verteilt und auf mehrere Fachbereiche verteilt, sowie gegebenenfalls Gebühren für Stellenanzeigen oder Vermittlungsprovisionen bei Beauftragung einer Personalberatung. Hinzu kommt die Onboarding-Phase: Zeit erfahrener Teammitglieder für Einarbeitung, eventuell externe Schulungsbudgets und der Produktivitätsverlust, bis die neue Fachkraft volle Verantwortung übernimmt. Fraunhofer IPA weist darauf hin, dass die Einführung von MLOps im Unternehmen neben reiner Technik auch Prozess-, Automatisierungs- und Wissenstransferaufwände umfasst, die sich direkt auf die Einarbeitungszeit und damit auf die Gesamtkosten auswirken.
Wer diese Nebenkosten früh einplant, vermeidet böse Überraschungen im Budget und kann realistischer abschätzen, ob eine interne Suche oder ein externes Mandat wirtschaftlicher ist.
Was bei der MLOps-Einstellung wirklich zählt
Die verbreitete Praxis, Stellenanzeigen mit zwanzig Tool-Namen zu füllen, bringt selten die richtigen Kandidaten. Wer nach Kubernetes, MLflow, Airflow und fünf weiteren Begriffen gleichzeitig sucht, filtert oft genau jene Fachkräfte heraus, die sich schnell in neue Umgebungen einarbeiten, aber keine lückenlose Checkliste erfüllen.
Unterschätzt wird vor allem die Bedeutung der regulatorischen Dimension. Pflichten aus dem AI Act, etwa zur laufenden Überwachung und Protokollierung, verändern das Anforderungsprofil schon heute, lange bevor die vollständigen Fristen greifen. Ein MLOps Engineer, der Compliance-Anforderungen von Anfang an mitdenkt, erspart Unternehmen spätere, teure Nachbesserungen.
Mein Rat: Priorisieren Sie Produktionsreife vor Technologietiefe, und bauen Sie die Scorecard so, dass sie diese Priorität auch wirklich abbildet. Wer zuerst nach Vorfällen fragt und erst danach nach Tools, bekommt ehrlichere, aussagekräftigere Antworten.
— Ingmar
Mit Polydigital den passenden MLOps Engineer finden
Wenn die interne Suche ins Stocken gerät oder das nötige Fachnetzwerk fehlt, kann eine spezialisierte Personalberatung mit Fokus auf Data- und AI-Rollen in der DACH-Region helfen, wenige, gründlich geprüfte Profile statt langer Kandidatenlisten bereitzustellen.
Jedes Talent durchläuft ein persönliches Interview und in der Endauswahl eine EFPA-zertifizierte Eignungsdiagnostik, ausgewertet von einem zertifizierten Berater. So wird sichergestellt, dass vorgeschlagene Kandidaten fachlich passen und zur konkreten Rolle und zum Team geeignet sind. Mehr zu unserer Arbeitsweise und unseren Leistungen finden Sie auf unserer Unternehmensseite.
FAQ
Was bedeutet MLOps?
MLOps bezeichnet die Praktiken, die den Betrieb von Machine-Learning-Modellen in Produktionsumgebungen stabil, nachvollziehbar und automatisiert halten. Dazu gehören Versionierung, Monitoring, CI/CD-Pipelines speziell für ML-Workflows und Incident-Management, wenn Modelle fehlerhafte Ergebnisse liefern.
Was macht ein ML-Engineer?
Ein ML-Engineer entwickelt und trainiert Machine-Learning-Modelle, von der Datenaufbereitung bis zur Modellarchitektur. Die Verantwortung für den stabilen Dauerbetrieb nach dem Deployment liegt meist beim MLOps Engineer, auch wenn beide Rollen in kleineren Teams überlappen können.
Was muss ein AI-Engineer können?
Ein AI-Engineer braucht Verständnis für Modellarchitekturen, Dateninfrastruktur und zunehmend auch für den produktiven Betrieb generativer Modelle, etwa im Kontext von LLMOps. Entscheidend ist dabei, Modellergebnisse kritisch einschätzen und für produktive Entscheidungen einsetzen zu können, nicht nur Modelle zu trainieren.
Wie finde ich einen qualifizierten MLOps Engineer?
Gute Kandidaten finden sich meist über Netzwerke, Direktansprache und Fachcommunities, seltener über klassische Stellenanzeigen, da viele erfahrene Fachkräfte passiv suchen. Wenn die interne Suche an Grenzen stößt, bietet sich ein Mandat an eine spezialisierte Personalberatung an, die bereits über geprüfte Kandidatenpools verfügt.
Welche regulatorischen Pflichten betreffen MLOps-Rollen?
Der EU AI Act sieht für Hochrisiko-KI-Systeme Pflichten wie laufende Überwachung und Protokollierung vor, mit verbindlichen Terminen ab Dezember 2027 für eigenständige Systeme und ab August 2028 für eingebettete Systeme. Diese Fristen sollten bereits heute in Rollenprofile und Einstellungskriterien einfließen, da entsprechende Kompetenzen nicht kurzfristig aufgebaut werden können.