Jedes Frontier-KI-Labor nutzt inzwischen seine eigenen Modelle, um die nächste Version seiner selbst zu bauen. Das Bootstrapping der Selbstverbesserungsschleife hat begonnen und dürfte sich weiter beschleunigen.
Im März 2026 passierten innerhalb desselben Zeitfensters von zwei Wochen drei Dinge. Das chinesische KI-Labor MiniMax veröffentlichte M2.7 und beschrieb es als „unser erstes Modell, das tief in seine eigene Evolution eingebunden ist“. OpenAIs GPT-5.3 Codex war bereits im Februar erschienen, mit der Behauptung, es sei „maßgeblich an seiner eigenen Erschaffung beteiligt“ gewesen. Und Andrej Karpathy stellte ein Python-Skript mit 630 Zeilen namens autoresearch als Open Source bereit, mit dem jeder, der eine einzige GPU besitzt, über Nacht autonome ML-Experimente laufen lassen kann, ganz ohne ML-Hintergrund.
Jedes dieser Ereignisse ist für sich genommen interessant. Zusammen beschreiben sie einen Phasenübergang, vor dem die KI-Safety-Community seit Jahren warnt und auf den die KI-Industrie still hingearbeitet hat: rekursive Selbstverbesserung. Nicht als Hypothese, sondern als Feature, das ausgeliefert wird.
Was „Selbstverbesserung“ derzeit tatsächlich bedeutet
Bleiben wir präzise: Niemand behauptet, GPT-5.3 Codex habe in einem Raum gesessen und seine eigene neuronale Architektur von Grund auf neu entworfen. OpenAI sagt, dass frühe Checkpoints des Modells dazu dienten, Trainingsläufe zu debuggen, die Deployment-Infrastruktur zu verwalten und Fehlschläge bei Evaluierungen zu diagnostizieren. Das Engineering-Team optimierte mit Codex den Harness für die nächste Version von Codex. Spätere Checkpoints halfen beim Launch, GPU-Cluster zu skalieren, und hielten die Latenz bei Traffic-Spitzen stabil. Das ist nicht die Singularität. Aber es ist ein Modell, das die Entwicklung seines eigenen Nachfolgers spürbar beschleunigt. Und es gibt keinen offensichtlichen Grund, warum diese Schleife mit der Zeit langsamer werden sollte.
MiniMax drückt es deutlicher aus. Die Veröffentlichung von M2.7 beschreibt einen Entwicklungs-Workflow, in dem das Modell sein eigenes Gedächtnis aktualisiert, innerhalb seines Agenten-Harness Dutzende komplexer Skills aufbaut und Reinforcement-Learning-Experimente durchführt, um dann anhand der Ergebnisse seinen eigenen Lernprozess zu verbessern. MiniMax fuhr über 100 autonome Iterationszyklen in drei Versuchen von jeweils 24 Stunden. Das Ergebnis: 30 % mehr Leistung bei internen Evaluierungen und eine Medaillenquote von 66,6 % in 22 ML-Wettbewerben, gleichauf mit Gemini 3.1 und nah an GPT-5.4. MiniMax schätzt, dass M2.7 30 bis 50 Prozent seines eigenen Entwicklungs-Workflows übernommen hat.
Den Menschen gibt es in dieser Schleife noch. Er entwirft Experimente, gibt die Richtung vor und prüft die Ergebnisse. Aber das Verhältnis von menschlichem Input zu Modell-Output verschiebt sich, und zwar nur in eine Richtung.
Die Karpathy-Schleife
Falls Sie dachten, rekursive Selbstverbesserung brauche ein Frontier-KI-Labor, hat Andrej Karpathy gerade das Gegenargument geliefert. Am 7. März schob Karpathy autoresearch auf GitHub und ging schlafen. Am Morgen hatte ein Agent 50 Experimente mit seinem Trainingscode durchgeführt, 15 Verbesserungen gefunden (darunter einen Bug in seiner Attention-Implementierung, den er übersehen hatte) und jedes Ergebnis in Git committet. All das auf einer einzigen GPU. Die Verbesserungen summierten sich und ließen sich auf ein größeres Modell übertragen, was einen Geschwindigkeitsgewinn von 11 % bei der Trainingseffizienz brachte.
Die Architektur ist fast schon aggressiv einfach. Drei Dateien: prepare.py (Daten und Hilfsfunktionen, nicht anfassen), train.py (Modell, Optimierer, Trainingsschleife; diese Datei ändert der Agent) und program.md (Anweisungen für den Agenten, in Markdown geschrieben). Der Agent liest seinen eigenen Quellcode, bildet eine Hypothese, ändert den Code, trainiert exakt fünf Minuten, evaluiert gegen eine Baseline und committet oder verwirft. Zwölf Experimente pro Stunde, hundert über Nacht.
Innerhalb von zwei Wochen hatte das Repository über 50.000 GitHub-Sterne und Hunderte Forks. Shopify-CEO Tobias Lütke setzte es auf Liquid an, die Templating-Engine hinter jedem Shopify-Storefront, und wachte mit 53 % schnellerem Rendering und 61 % weniger Speicherallokationen auf, dem Ergebnis von 93 automatisierten Commits. Das Muster war aus dem Labor entkommen.
Die interessanteste Datei im Repository ist aber nicht train.py, sondern program.md. Sie vereint drei Register gleichzeitig: Anweisungen (wonach gesucht werden soll), Einschränkungen (was sich nicht ändern darf) und Abbruchkriterien (wann zu berichten ist). YAML kodiert Struktur, aber keine Begründungen. Python ist ausführbar, aber als Strategie nicht lesbar. JSON hat keine Erzählung. Markdown liegt genau am Schnittpunkt von menschlicher Bearbeitbarkeit und Lesbarkeit für den Agenten. Dasselbe Muster steckt hinter CLAUDE.md-Dateien, Cursor Rules und immer mehr Governance-Dokumenten für Agenten. Der Mensch programmiert die Organisation. Der Agent programmiert das Modell.
397 Milliarden Parameter auf einem Laptop
Das autoresearch-Muster breitet sich über das ML-Training hinaus aus, und die Ergebnisse sehen langsam nach Science-Fiction aus. Dan Woods veröffentlichte ein Projekt namens flash-moe, das Qwen 3.5 397B, das vollständige Mixture-of-Experts-Modell mit 397 Milliarden Parametern und 209 GB auf der Platte, auf einem MacBook Pro mit 48 GB RAM laufen lässt. Keine destillierte Fassung und kein kleineres Modell, sondern das echte Modell der Frontier-Klasse, lokal mit dauerhaft 5,7 Token pro Sekunde und etwa 5,5 GB Resident Memory.
Er schrieb keine Zeile des Codes. Weder die Objective-C-Inference-Engine mit 5.000 Zeilen noch die 1.100 Zeilen Metal-Shader, weder die 2-Bit-Requantisierungs-Pipeline noch die Tests. All das schrieb Claude. Seine Rolle bestand darin, Opus die Idee und das richtige Referenzmaterial zu geben (Apples Paper „LLM in a Flash“, Reverse-Engineering-Arbeiten zur Apple Neural Engine und Karpathys autoresearch-Repository) und es dann laufen zu lassen. Das Ganze dauerte 24 Stunden und 90 Experimente. 42 % dieser Experimente wurden verworfen. Die Fehlschläge waren genauso aufschlussreich wie die Erfolge.
Die technische Geschichte lohnt sich, weil sie zeigt, wie die autoresearch-Schleife Dinge findet, nach denen Menschen nicht suchen würden. Apples Unified-Memory-Architektur verbindet CPU, GPU und SSD-Controller auf einem einzigen Chip. Der M3 Max liest sequenziell mit 17,5 GB/s von der SSD, dreimal so schnell wie das, was Apple in seinem eigenen Paper beim M1 Max gemessen hat. MoE-Modelle sind bei der Inferenz absurd dünn besetzt: Qwen 3.5 397B hat 512 Experten pro Schicht, aktiviert aber nur 10 pro Token, und die autoresearch-Schleife fand heraus, dass sich das ohne Qualitätsverlust auf 4 reduzieren lässt. Für jedes einzelne Token werden weniger als 2 % der Experten-Gewichte gebraucht. Die Zwei-Bit-Requantisierung senkte den Speicherbedarf der Experten von 209 GB auf 120 GB.
Der am wenigsten intuitive Fund, den ein menschlicher Engineer wohl nie ausprobiert hätte, war aber dieser: Das Löschen des sorgfältig konstruierten GPU-Caches von 9,8 GB machte alles 38 % schneller. Claude hatte einen ausgeklügelten LRU-Cache auf Anwendungsebene im für die GPU sichtbaren Shared Memory gebaut, und der schadete der Leistung aktiv. Die für die GPU sichtbaren Seiten des Metal-Caches zwangen Apples Hardware-Speicherkompressor in den Dauerbetrieb, mit 60.000 bis 130.000 Dekompressionen pro Sekunde, und verbrannten 1 bis 2 GB/s Speicherbandbreite für Verwaltungsarbeit. Entfernt man den Cache, wird der Kompressor still, und die ganze Bandbreite steht für die Inferenz bereit. Es ist dieselbe Lektion, die die PostgreSQL-Dokumentation zum Thema Konkurrenz mit dem Buffer Cache des Betriebssystems lehrt, nur dass sie hier ein Agent um 3 Uhr früh autonom entdeckte, während der Mensch schlief.
Die theoretische Untergrenze beim Durchsatz, nur durch die SSD-Bandbreite begrenzt, liegt bei 18,6 tok/s. Die aktuellen 5,7 tok/s bedeuten, dass die Hardware kaum ins Schwitzen kommt. Der M4 Max sollte ohne jede Softwareänderung rund 8 tok/s erreichen. In zwei bis drei Hardware-Generationen sind 10+ tok/s mit einem Modell von 400 Milliarden Parametern auf einem Laptop der Normalfall.
So sieht die autoresearch-Schleife aus, wenn man sie auf ein Problem ansetzt, das nicht Hyperparameter-Tuning heißt. Ein Frontier-Modell schreibt in Objective-C und Metal eine Low-Level-Inference-Engine von Grund auf, fährt Experimente gegen eine Leistungsmetrik und findet Optimierungen auf Hardware-Ebene, von denen der Mensch, der es anleitet, gar nicht wusste, dass er danach suchen sollte. Der Mensch lieferte an Plateau-Punkten die Richtung und Einsichten auf Systemebene. Alles andere erledigte der Agent.
Google war früh dran
Google DeepMinds AlphaEvolve, im Juni 2025 veröffentlicht, schaffte etwas, woran Mathematiker 56 Jahre lang gescheitert waren: Es fand einen Weg, komplexwertige 4×4-Matrizen mit 48 skalaren Multiplikationen zu multiplizieren, und schlug damit Strassens Algorithmus von 1969 um eine Operation. Die Einsparung klingt trivial, ist es aber nicht. Matrixmultiplikation ist rekursiv, Verbesserungen wachsen also exponentiell mit, je größer die Matrizen werden. In einer Welt, in der KI-Trainingsläufe Milliarden von Matrixmultiplikationen pro Sekunde ausführen, bedeutet eine Operation weniger im Basisfall messbare Einsparungen bei Energie und Rechenleistung.
Wichtig ist aber der selbstbezügliche Teil. AlphaEvolve optimierte einen Kernel für Matrixmultiplikation, mit dem Gemini trainiert wird, also genau die Modellfamilie, auf der AlphaEvolve selbst läuft. Dieser Kernel wurde um 23 % schneller, die gesamte Trainingszeit sank um ein Prozent. AlphaEvolve verbesserte auch die Planung in Googles Rechenzentren und holte 0,7 % der weltweiten Rechenressourcen zurück, eine Zahl, die klein klingt, bis man sich an den Nenner erinnert.
Genau das ist die Definition von rekursiver Selbstverbesserung: Ein System entdeckt Optimierungen, durch die sich die nächste Version seiner selbst schneller trainieren lässt. Das geschieht nicht durch irgendein rätselhaftes emergentes Verhalten, sondern durch die unglamouröse Arbeit an Kernel-Optimierung, Scheduler-Tuning und Hyperparameter-Suche, erledigt von einem Agenten, der nicht schläft, sich nicht langweilt und Lösungsräume erkundet, die Menschen gar nicht erst durchsuchen würden.
Was Anthropic nicht sagt
Anthropic zeigt sich beim Ausdruck „rekursive Selbstverbesserung“ gewohnt zurückhaltend. Es ist eben Anthropic: Der Ausdruck ist mit existenziellen Risiken vorbelastet, und über dieses Thema haben sie das Standardwerk geschrieben. Aber schauen Sie sich an, was sie tun. Ein Artikel vom September 2025 über den Bau von Agenten mit dem Claude Agent SDK enthielt diesen Satz: „In den vergangenen Monaten ist Cloud Code weit mehr geworden als ein Coding-Tool. Bei Anthropic nutzen wir es für Deep Research, Videoproduktion und Notizen, neben unzähligen anderen Anwendungen jenseits des Programmierens. Tatsächlich treibt es inzwischen fast alle unsere wichtigen Agenten-Schleifen an.“
Ein Artikel vom Juli 2025 beschrieb autonome Schleifen, in denen Claude Code neue Features schreibt, Tests ausführt und kontinuierlich iteriert: Es bekommt abstrakte Probleme, an denen es autonom arbeitet, und Menschen prüfen die Lösungen vor dem letzten Feinschliff. In den letzten zwei Wochen Anfang 2026 hat Anthropic schneller ausgeliefert als jede andere Organisation der Branche. Ziehen Sie Ihre eigenen Schlüsse darüber, was dieses Tempo antreibt.
Das Projekt flash-moe ist eine unbeabsichtigte Fallstudie zu Anthropics Position. Ihr Modell schrieb eine komplette Inference-Engine (Objective-C, Metal-Shader, Requantisierungs-Pipeline) und optimierte sie dann in 90 autonomen Experimenten. Anthropic muss „rekursive Selbstverbesserung“ gar nicht sagen. Ihr Modell erledigt bereits die Arbeit, die rekursive Selbstverbesserung bei anderen Organisationen möglich macht.
Die sanfte Version des Hard Takeoff
In der KI-Safety-Literatur bezeichnet „Hard Takeoff“ ein Szenario, in dem rekursive Selbstverbesserung zu einer Intelligenzexplosion führt, also zu einer schnellen, womöglich unkontrollierbaren Beschleunigung der KI-Fähigkeiten. Leopold Aschenbrenners Paper „Situational Awareness“, erschienen nach seinem Abgang bei OpenAI, legte das Argument anhand einer Grafik dar, mit effektiver Rechenleistung auf der y-Achse und Zeit auf der x-Achse. Die Kurve wird senkrecht, sobald automatisierte KI-Forscher die menschlichen ersetzen.
Die verantwortungsvolle Version des Arguments erkennt an, wo wir auf dieser Kurve wirklich stehen. Wir sind nicht im senkrechten Teil. Wir sind am Wendepunkt, dort, wo sich die Kurve nach oben zu biegen beginnt, wo die zweite Ableitung positiv wird, die Änderungsrate für Menschen aber noch nachvollziehbar ist.
Die Belege für diese Position:
Das Modell von MiniMax übernimmt 30 bis 50 % seines eigenen Entwicklungs-Workflows. Nicht 100 %. OpenAIs Codex debuggte Teile seiner eigenen Trainings-Pipeline. Den Trainingslauf entworfen hat es nicht. Karpathys autoresearch findet bessere Hyperparameter und fängt Bugs ab. Neuartige Architekturen, die das Feld voranbringen, schlägt es nicht vor. Dan Woods’ Projekt flash-moe brachte eine funktionierende Inference-Engine hervor, aber ein Mensch musste die konzeptionelle Richtung vorgeben und an Plateau-Punkten eingreifen. AlphaEvolve verbesserte Strassens Algorithmus um eine Multiplikation, nicht um zehn.
Jedes dieser Beispiele ist die Teilautomatisierung einer Aufgabe, die bisher Menschen erledigten. Die Automatisierung ist real und messbar, und sie verstärkt sich. Aber der Mensch ist noch in der Schleife: Er entwirft Experimente, setzt Ziele, prüft Ergebnisse und entscheidet über die Richtung. Sam Altmans Zeitplan vom Oktober 2025 sah „einen automatisierten KI-Forschungspraktikanten bis September 2026“ und „einen echten automatisierten KI-Forscher bis März 2028“ vor. Diese Zielmarken wirken inzwischen konservativ, bleiben aber verschieden: Ein Praktikant befolgt Anweisungen und bringt Befunde ans Licht. Ein Forscher schlägt neue Richtungen vor.
Die Unterscheidung ist wichtig, denn sie markiert den Unterschied zwischen Beschleunigung und Explosion. Beschleunigung verstärkt sich allmählich. Eine Explosion ist diskontinuierlich.
Das Infrastrukturmuster, das niemand benennt
Treten Sie einen Schritt von den einzelnen Beispielen zurück, und eine gemeinsame Architektur wird sichtbar. Neu ist sie nicht. Sie ist eine Wiederentdeckung.
Ich habe im Jänner über den Ralph Loop geschrieben, eine Technik, bei der man einen KI-Coding-Agenten laufen lässt, ihn fertig werden lässt, ihn mit frischem Kontext neu startet und das wiederholt. In der reinsten Form: while :; do cat PROMPT.md | claude-code; done. Das Gedächtnis liegt nicht im Kontext des Modells, sondern im Dateisystem: Git-Commits, Fortschrittsdateien, Aufgabenlisten. Jede Iteration liest den aktuellen Zustand, entscheidet, was zu tun ist, macht eine Sache gut und aktualisiert den Zustand für die nächste Iteration. Zustandslose Worker plus dauerhafter Zustand schlagen clevere In-Memory-Abstraktionen. Unix wusste das. Verteilte Systeme wissen es seit Jahrzehnten.
Autoresearch ist ein Ralph Loop. Jeder fünfminütige Trainingslauf ist ein frischer Kontext. Der Zustand bleibt in train.py und results.tsv erhalten. Der Agent liest, ändert, evaluiert, committet oder verwirft. Die 90 Experimente von flash-moe folgen derselben Struktur: Jede Iteration startet sauber, liest die Codebasis, bildet eine Hypothese, führt das Experiment durch und sichert das Ergebnis. Die 100+ autonomen Zyklen von MiniMax sind dasselbe Muster im Maßstab der Forschungsinfrastruktur eines Frontier-Labors: frische Iteration, dauerhafter Zustand, evaluieren, behalten oder verwerfen.
Dieses Muster macht rekursive Selbstverbesserung mechanisch möglich. Dahinter steckt keine exotische neue Architektur, sondern der älteste Trick im Systems Engineering: den Worker als Wegwerfware behandeln und den Zustand als heilig. Die Innovation ist nicht die Schleife. Die Innovation ist, dass der Worker in der Schleife jetzt klug genug ist, um Forschung zu betreiben.
Ich arbeite aus einer anderen Richtung darauf hin. In reWritable enthält eine einzige HTML-Datei ihren eigenen Editor. Die Datei lädt aus dem localStorage, der Benutzer beschreibt eine Änderung in natürlicher Sprache, und das LLM schreibt den gesamten Quellcode der Anwendung neu. Die Datei auf der Platte ist ein unveränderlicher Bootstrap von 20 Zeilen, ein Samenkorn. Alles andere ist das, was der Agent bisher gemacht hat. Und clive ist dieselbe These im Terminal: Der Agent bewohnt die Umgebung, liest seinen eigenen Bildschirm, gibt Tastenanschläge ein, beobachtet, was passiert, und wiederholt das.
Keines dieser Systeme wird im Sinne von Aschenbrenner klüger. Aber sie teilen dieselbe strukturelle Eigenschaft: Das Artefakt ist an seiner eigenen Änderung beteiligt, und die Schleife ist dauerhaft genug, dass sich die Effekte verstärken. Ob das Artefakt ein Trainingsskript, eine Inference-Engine, ein Scheduling-Algorithmus oder eine HTML-Anwendung in einer einzigen Datei ist, die Architektur ist identisch. Zustand lesen. Änderung vorschlagen. Evaluieren. Behalten oder verwerfen. Sichern. Wiederholen.
Was sich verstärkt
Was an diesem Moment meiner Meinung nach unterschätzt wird: Die Verbesserungen stehen nicht für sich. Sie speisen einander.
AlphaEvolve verbessert Kernel für die Matrixmultiplikation. Diese Kernel machen das Training schneller. Schnelleres Training bedeutet mehr Experimente pro Dollar. Mehr Experimente pro Dollar bedeuten, dass autoresearch bessere Konfigurationen findet. Bessere Konfigurationen bedeuten, dass kleinere Modelle mit größeren mithalten oder, wie flash-moe zeigt, dass Modelle der Frontier-Klasse auf Hardware laufen, die Sie bereits besitzen. Consumer-Hardware bedeutet, dass einzelne Forscher autonome Experimente fahren können. Einzelne Forscher geben Verbesserungen upstream weiter. Upstream-Verbesserungen fließen in das nächste Frontier-Modell ein.
Das ist nicht eine einzelne rekursive Schleife, sondern ein Netz rekursiver Schleifen, die einander speisen. Kernel-Optimierung speist Trainingseffizienz speist Modellfähigkeit speist Werkzeugqualität speist Kernel-Optimierung. Die Effekte verstärken sich über die Schichten hinweg, nicht nur innerhalb von ihnen.
Und die Zugangskosten brechen ein. Autoresearch läuft auf einer einzigen GPU. QLoRA-Feintuning bringt Modelle mit 7 Milliarden Parametern auf eine RTX 4070 für Endverbraucher. MLX-Portierungen lassen autoresearch auf einem Mac Mini M4 laufen. Ein Modell mit 397 Milliarden Parametern läuft auf einem MacBook Pro mit 48 GB RAM. Die Lücke zwischen „was ein Frontier-Labor kann“ und „was ein Mensch mit Laptop kann“ schließt sich so schnell, dass lineare Extrapolation unzuverlässig wird.
Die unbequeme Frage
Die übliche Antwort auf die Angst vor dem Hard Takeoff lautet: Es sind immer noch Menschen in der Schleife. Das stimmt auch. Aber die Schleife wird kürzer.
Das Modell von MiniMax übernimmt heute 30 bis 50 % des Workflows. Wenn die nächste Version 70 % übernimmt und die danach 90 %, schrumpft die Rolle des Menschen darauf, das anfängliche Ziel zu setzen und das Endergebnis zu prüfen. Das ist keine Diskontinuität, sondern ein Gradient. Aber ein Gradient, der in eine Richtung zeigt.
Die dringlichere Frage ist nicht, ob rekursive Selbstverbesserung zu Superintelligenz führt. Die Frage ist, was mit dem Feld der KI-Forschung passiert, wenn die Forschung selbst teilweise automatisiert ist. Wenn Karpathys 630-Zeilen-Skript Verbesserungen findet, die ihm nach Monaten der Handarbeit entgangen sind. Wenn ein Agent 6.000 Zeilen Objective-C und Metal schreibt, um ein 397B-Modell mit Geschwindigkeiten von einer SSD zu streamen, die ein menschlicher Engineer nicht für erreichbar gehalten hätte. Wenn der Agent von MiniMax durch systematische Suche Parameterkombinationen entdeckt, die kein menschlicher Forscher ausprobiert hätte. Wenn AlphaEvolve Lösungen für Probleme vorschlägt, die seit einem halben Jahrhundert offen sind.
Was passiert: Der Engpass verschiebt sich. Von „können wir ein besseres Modell bauen“ zu „können wir definieren, was besser bedeutet“. Von der Implementierung zur Spezifikation. Vom Programmieren zum Urteilsvermögen.
Das ist die sanfte Version des Hard Takeoff: keine Intelligenzexplosion, sondern eine Explosion der Engineering-Geschwindigkeit. Modelle werden schneller besser, weil Modelle dabei helfen, Modelle besser zu machen. Die Kurve biegt sich nach oben. Die Menschen sitzen noch am Steuer. Aber die Straße wird steiler, das Auto schneller, und niemand weiß so ganz genau, wo die Bremsen sind.
Das Bootstrapping hat begonnen. Es ist weder dramatisch noch filmreif. Es ist ein nächtlicher Cronjob auf einer einzigen GPU, der Verbesserungen in einen Git-Branch committet, während der Forscher schläft. Es sind 5.000 Zeilen Objective-C, die nie ein Mensch geschrieben hat und die 397 Milliarden Parameter von einer Laptop-SSD streamen. Und das ist vielleicht das Beunruhigendste daran: wie gewöhnlich es von außen aussieht.
Mehr dazu: Der Ralph Loop | reWritable: Software, die sich selbst zu ändern weiß | clive: ein Agent, der im Terminal wohnt
Quellen: flash-moe von Dan Woods (Thread) | autoresearch von Andrej Karpathy | MiniMax M2.7: Early Echoes of Self-Evolution | Introducing GPT-5.3-Codex | AlphaEvolve
Aus dem Englischen übersetzt: zum Originalbeitrag