Ein Team bindet für Code, Texte und lange Eingaben mehrere KI-Anbieter ein und verliert den Überblick über Zugänge und Ausgaben. Jede Anwendung nutzt eigene Schlüssel und eine andere Integration. Das macht den Alltag unnötig unübersichtlich.
Eine Anwendung kann etwa ein Modell für Code, ein zweites für kurze Texte und ein drittes für lange Eingaben aufrufen. Wenn diese Zugänge getrennt verwaltet werden, sieht das Team Kosten und Datenflüsse nur mit zusätzlichem Aufwand gemeinsam.
Auch ein späterer Modellwechsel kostet Zeit, wenn jede Anwendung ihre eigene Anbindung braucht. Teams suchen daher eine Lösung, mit der sie Modelle wechseln können, ohne jede Anwendung neu zu bauen.
Eine gemeinsame Vermittlung kann Zugänge bündeln und die Verwaltung vereinfachen. Wie lassen sich diese Integrationen zentralisieren? Dafür lohnt sich zunächst ein Blick auf LiteLLM.
Wichtigste Punkte
- Eine gemeinsame Schnittstelle kann mehrere KI-Anbieter erreichbar machen.
- Die Python-Bibliothek und der Proxy-Server passen zu unterschiedlichen Betriebsmodellen.
- Geheimnisse gehören in eine sichere Verwaltung, nicht in den Anwendungscode.
- Routing und Fallbacks helfen, Modellaufrufe passend zu verteilen.
- Ein kleiner Pilot macht Latenz, Fehler und Kosten messbar.
Was ist LiteLLM und wie funktioniert das Gateway?
LiteLLM ist ein Open-Source-Projekt von BerriAI, das eine gemeinsame Schnittstelle für verschiedene Sprachmodelle bereitstellt. Es nimmt Modellanfragen entgegen und leitet sie an passende Anbieter weiter. Der Kern ist eine einheitliche API.
Ein API-Gateway ist eine zentrale Vermittlungsschicht, die API-Anfragen entgegennimmt und anhand von Regeln an passende Dienste weiterleitet. LiteLLM bietet eine OpenAI-kompatible Schnittstelle für mehr als 100 LLM-Anbieter. So muss eine Anwendung nicht für jeden Anbieter eine eigene API-Schnittstelle nutzen.
Eine gemeinsame Schnittstelle kann viele Anbieter erreichbar machen, ohne dass jede Anwendung ihre Anbindung einzeln verwaltet.
Eine Anwendung sendet ihre Anfrage an LiteLLM. Der Proxy-Server übersetzt sie bei Bedarf in das Format des gewählten Providers und reicht sie weiter.
LiteLLM als einheitliche Schnittstelle für KI-APIs
Zu den möglichen Anbietern zählen OpenAI, Anthropic, Gemini, Azure OpenAI und AWS Bedrock. Die konkrete Modellkennung und die nötigen Zugangsdaten hängen vom jeweiligen Dienst ab.
LiteLLM kann als Python-SDK direkt im Code laufen oder als zentraler Proxy-Server. Beide Varianten nutzen eine gemeinsame API, unterscheiden sich aber darin, wo Verwaltung und Steuerung liegen.
Der Begriff „LiteLLM AI“ bezeichnet das AI-Gateway, nicht ein eigenes Sprachmodell. Die Schnittstelle verbindet Anwendungen mit konfigurierten Modellen und Anbietern.
Als Nächstes entscheidest du, ob die Bibliothek im Anwendungscode laufen soll oder ob ein zentraler Dienst besser passt.
SDK oder Proxy-Server: Welche Variante passt?
Das Python-SDK läuft im Python-Projekt, der Proxy nimmt Anfragen als zentraler Dienst entgegen. Die passende Wahl hängt davon ab, wie viele Anwendungen und Teams du verwaltest. Entscheidend ist der Ort der Steuerung.
Ein einzelnes Projekt kann mit dem SDK starten, während mehrere Anwendungen oft von zentraler Verwaltung profitieren. Das SDK bindet LiteLLM direkt in den Python-Code ein. Der Proxy-Server nimmt dagegen Anfragen verschiedener Anwendungen entgegen.
| Vergleich | Python-SDK | Proxy-Server |
|---|---|---|
| Ort der Integration | Anwendungscode | Zentraler Dienst |
| Typische Nutzung | Einzelnes Python-Projekt | Mehrere Anwendungen oder Teams |
| Verwaltung | Im Anwendungskontext | Zentral über Proxy und Dashboard |
LiteLLM Python SDK direkt in einer Anwendung
Das LiteLLM Python SDK eignet sich, wenn Entwickler eine einzelne Anwendung mit mehreren Modellanbietern verbinden. Die Integration bleibt im Projekt und lässt sich dort zusammen mit dem übrigen Code pflegen.
Diese Nähe ist praktisch für Tests und kleine Anwendungen. Zugänge, Regeln und Nutzungsdaten liegen dann jedoch im jeweiligen Anwendungskontext, sofern du keine weiteren Kontrollen einrichtest.
Der Proxy-Server als zentraler Dienst
Ein Proxy-Server steht zwischen mehreren Anwendungen und den Modellanbietern. Er kann Authentifizierung, virtuelle Schlüssel und die Erfassung von Ausgaben zentral verwalten.
So lassen sich Teams und Zugänge an einer Stelle betreuen. Dafür braucht der Dienst einen eigenen Betrieb und klare Zuständigkeiten für Änderungen und Störungen.
Prüfe für die Auswahl den Umfang deiner Anwendungen und den Bedarf an gemeinsamer Governance. Danach kannst du ein passendes Grundsetup installieren.
Wie installierst du LiteLLM mit pip?
Starte mit der praktischen Entscheidung, ob du LiteLLM in einer isolierten Python-Umgebung testest oder als Proxy-Dienst aufsetzt. Für einen ersten Python-Test brauchst du eine getrennte Umgebung und einen nicht produktiven Schlüssel. So bleibt der Einstieg begrenzt und sicher.
Prüfe die aktuelle Installationsanweisung und unterstützte Version in der Projektdokumentation, statt eine Versionsnummer zu übernehmen. Die Hinweise können sich mit neuen Versionen ändern.
LiteLLM mit pip installieren
Richte zunächst eine virtuelle Python-Umgebung für dein Projekt ein. Darin installierst du das Paket mit pip, ohne andere Projekte zu verändern.
Ein möglicher Installationsbefehl lautet pip install litellm. Nutze die Dokumentation des Projekts, wenn du eine bestimmte Version oder zusätzliche Funktionen brauchst.
Paketdownload und Versionsprüfung
„LiteLLM download“ meint meist den Bezug des Python-Pakets oder eines Container-Images. Es gibt keine separate LiteLLM-App, die du wie ein gewöhnliches Desktop-Programm installierst.
Der erste Funktionstest sollte einen nicht produktiven Schlüssel verwenden. Lege Provider-API-Schlüssel nie in Beispielen oder Quellcode ab, den andere einsehen oder einchecken können.
Arbeite diese vier Schritte der Reihe nach ab:
- Lege eine isolierte Python-Umgebung für das Projekt an.
- Installiere das Paket über pip.
- Prüfe Installationsanweisung und unterstützte Version in der Projektdokumentation.
- Führe einen Testaufruf mit einem nicht produktiven Schlüssel aus.
Wenn der Grundtest läuft, kannst du die Verbindung zu konkreten Anbietern sicher einrichten.
Wie verbindest du OpenAI, Azure OpenAI und AWS Bedrock?
Ein interner Modellname kann in deiner Anwendung gleich bleiben, obwohl dahinter ein Deployment bei OpenAI, Azure OpenAI oder AWS Bedrock liegt. LiteLLM ordnet diesen Namen dem jeweiligen Anbieter zu. Das hält die Anwendung unabhängiger vom Anbieter.
Lade Provider-API-Schlüssel aus einer geeigneten Secret-Verwaltung und hinterlege sie nicht im Code. So können Entwickler Änderungen an Zugängen vornehmen, ohne Geheimnisse in Projektdateien zu verteilen.
Anbieterzugänge und geheime Schlüssel einrichten
Für OpenAI brauchst du die passenden Zugangsdaten des Dienstes. Azure OpenAI kann zusätzlich Angaben zum Endpoint und zur Bereitstellung erfordern.
AWS Bedrock nutzt AWS-Berechtigungen und eine erreichbare Region. Welche Angaben genau nötig sind, hängt von deinem Konto und dem gewählten Modell ab.
Lege Schlüssel und andere Geheimnisse in einem geeigneten Secret-Manager ab. Lade sie beim Start oder zur Laufzeit in die Konfiguration, statt sie in den Anwendungscode zu schreiben.
Modellnamen in der Anwendung vereinheitlichen
Du kannst in der Anwendung einen internen Namen wie „text-standard“ verwenden. LiteLLM ordnet ihn dann dem passenden Deployment und Provider zu.
Prüfe vor dem Produktivbetrieb für jeden Anbieter die Modellkennung, den Endpoint, die Berechtigungen und die erreichbare Region. Ein korrekter Schlüssel allein belegt nicht, dass das Modell verfügbar ist.
Wenn die Anbindungen funktionieren, kannst du Regeln festlegen, die Requests auf passende Modellbereitstellungen verteilen.
Wie funktionieren Routing, Load-Balancing und Fallback?
Wenn ein Modell nicht erreichbar ist, kann eine vorher festgelegte alternative Route die Anwendung robuster machen. Ein Fallback wechselt bei definierten Fehlern oder Limits zu einem anderen Deployment. So bleibt eine Anfrage nicht an einem Weg gebunden.
Teste Routingregeln mit simulierten Provider-Ausfällen, statt ihre Wirkung aus einer erfolgreichen Einzelanfrage abzuleiten. Ein einzelner Test zeigt nicht, wie sich die Anwendung bei Rate-Limits oder einem Ausfall verhält.
Modellwahl und Lastverteilung festlegen
Routing ordnet einen Modellalias einem oder mehreren Deployments zu. Load-Balancing verteilt Requests auf verfügbare Anbieter, Regionen oder Schlüssel.
LiteLLM kann auch ein günstigeres passendes Deployment auswählen. Welche Kosten entstehen, hängt von Anbieter, Modell und tatsächlicher Nutzung ab.
| Verfahren | Wirkung |
|---|---|
| Load-Balancing | Verteilt Last auf Deployments |
| Kostenorientiertes Routing | Wählt ein günstigeres passendes Deployment |
| Auto Routing | Ordnet einfache und komplexe Prompts unterschiedlich zu |
| Fallback | Wechselt bei definierten Fehlern oder Limits zu einer Alternative |
Ausfälle mit Fallbacks abfangen
Auto Routing und Fallback lösen unterschiedliche Aufgaben. Auto Routing wählt anhand der Aufgabe ein Modell, während ein Fallback auf einen Fehler oder ein Limit reagiert.
Bei Ausgabenlimits können konfigurierte Fallbacks zum Einsatz kommen. Lege dabei fest, welche Fehler einen Wechsel auslösen und welche Anfragen nicht wiederholt werden sollen.
Teste auch, ob die alternative Route genügend Kapazität hat. Eine Regel hilft wenig, wenn das Ersatz-Deployment denselben Engpass teilt.
Von der Modellwahl führt der nächste Schritt zur Frage, wer welche Modelle nutzen darf und wie du Ausgaben begrenzt.
Wie verwaltest du API-Keys, Teams und Ausgaben?
Ohne persönliche oder teambezogene Schlüssel lassen sich einzelne Zugriffe und Ausgaben nur schwer zuordnen. Virtuelle Schlüssel geben Nutzern einen begrenzten Zugang, ohne Provider-API-Schlüssel direkt weiterzugeben. Das schafft eine klare Zuordnung.
LiteLLM kann Nutzung und Kosten pro Schlüssel, Nutzer, Team, Organisation, Tool, Agent und MCP erfassen. Im Dashboard verwaltest du Teams, Modelle, Nutzung und Budgets.
Virtuelle Schlüssel und LiteLLM Dashboard
Ein virtueller Schlüssel gehört zur Anwendung oder Person, die den Proxy nutzt. Du kannst ihn begrenzen oder sperren, ohne den Zugang beim Provider zu ändern.
„LiteLLM login“ bezeichnet die Anmeldung an einer selbst betriebenen Instanz. Sie nutzt die dort eingerichtete Authentifizierung und ist kein automatisch verfügbares Verbraucher-Konto.
Budgets und Rate-Limits pro Team festlegen
Budgets lassen sich pro Schlüssel, Team, Organisation und Modell setzen. Sie können sich täglich oder monatlich zurücksetzen.
Bei einem harten Limit stoppt LiteLLM weitere Anfragen. Plane Grenzwerte daher so, dass sie zu den Aufgaben und Arbeitszeiten des jeweiligen Teams passen.
| Ebene | Steuerung | Beispiel für die Sicht |
|---|---|---|
| Schlüssel | Budget und Nutzung | Einzelne Zugangsberechtigung |
| Team | Budget und Nutzung | Gemeinsame Teamnutzung |
| Organisation | Budget und Nutzung | Organisationsweite Sicht |
Die passende Ebene hängt davon ab, wer die Kosten prüfen und Zugänge verwalten soll. Ein Teamlimit zeigt gemeinsame Nutzung, während ein Schlüssel einzelne Zugriffe trennt.
Von Zugriff und Kosten geht es zur Absicherung der Inhalte und der Datenverarbeitung.
Welche Sicherheits- und Datenschutzkontrollen brauchst du?
Ein Gateway kann Kontrollen bereitstellen, ersetzt aber keine Bewertung der konkreten Datenverarbeitung. LiteLLM allein garantiert keine DSGVO-Konformität. Provider, Regionen, Verträge, Speicherorte, Aufbewahrung und Verarbeitung musst du jeweils prüfen.
Trenne Zugriffsregeln, Audit-Logs und Secret-Management. Diese Maßnahmen schützen unterschiedliche Stellen im Ablauf und sollten nicht als Ersatz füreinander gelten.
Zugriffe, Geheimnisse und Audit nachvollziehbar halten
Beschränke Modellzugriff nach Team und Rolle. Verwalte Schlüssel außerhalb des Codes und lege fest, welche Ereignisse Logs erfassen.
Audit-Logs können sichtbar machen, wann Anfragen liefen und welche Zugänge sie nutzten. Lege auch fest, wer Logs lesen darf und wie lange du sie aufbewahrst.
Prüfe, welche Daten an den Provider gehen und an welchem Ort sie verarbeitet oder gespeichert werden. Die Antwort hängt von Anbieter, Modell, Region und Vertrag ab.
Guardrails vor dem Provider-Aufruf einsetzen
Guardrails können Inhalte vor dem externen Aufruf prüfen oder bearbeiten. Beispiele sind PII-Maskierung, also das Verbergen personenbezogener Daten, sowie Prompt-Injection- und Geheimniserkennung.
Eine vorgelagerte Prüfung kann personenbezogene Daten vor dem Provider-Aufruf bearbeiten. Teste dabei, ob die Prüfung nützliche Inhalte schützt, ohne benötigte Angaben unnötig zu entfernen.
Nutze diese vier Prüfungen als Startpunkt:
- Lege Schlüssel nicht im Anwendungscode ab.
- Begrenze Modellzugriff nach Team.
- Teste Guardrails vor externen Aufrufen mit passenden Beispielen.
- Lege fest, welche Logs entstehen und wie lange sie bleiben.
Verbinde die Kontrollen mit einem Betriebsmodell, das Updates und verfügbare Ressourcen zuverlässig abdeckt.
Wie läuft LiteLLM in Docker und Produktion?
Ein Container, der lokal startet, belegt noch nicht, dass der Dienst für dauerhafte Teamnutzung ausgelegt ist. Ein lokaler Docker-Test prüft den Start und einfache Aufrufe. Für Produktion brauchst du zusätzliche Betriebsplanung.
Offizielle Container-Images erscheinen auf GHCR; Produktionsimages mit dem Stable-Tag durchlaufen vor der Veröffentlichung zwölfstündige Lasttests. Helm-Charts und Terraform-Module stehen als Bereitstellungsoptionen bereit.
LiteLLM Docker lokal ausprobieren
Ein lokaler Container eignet sich, um Konfiguration und Verbindung zu prüfen. Nutze dafür Testzugänge und achte darauf, welche Ports und Daten der Container verwendet.
Ein selbst betriebener Router braucht keine eigene GPU, wenn er nur Anfragen an externe Modelle weiterleitet. Lokale Modelle benötigen dagegen passende Rechenressourcen.
Proxy-Dienst für den Dauerbetrieb bereitstellen
Ein möglicher Produktionsaufbau nutzt Postgres für dauerhafte Daten und Redis als Cache oder für unterstützende Aufgaben. Kubernetes-Autoscaling kann zusätzliche Instanzen starten, wenn die Last steigt.
Plane Datenbank, Cache, Überwachung und Wiederanlauf gemeinsam. Ein einzelner Server kann für einen Test genügen, deckt aber nicht automatisch den Ausfall einer Instanz ab.
Prüfe vor dem Dauerbetrieb diese vier Punkte:
- Wähle eine stabile Image-Version statt eines wechselnden Entwicklungsstands.
- Verwalte Geheimnisse außerhalb des Images und des Anwendungscodes.
- Betreibe Datenbank und Cache passend zur erwarteten Nutzung.
- Plane mehrere Instanzen und prüfe Ausfallszenarien.
Vom Betrieb des Gateways geht es nun zu den Anwendungen und Werkzeugen, die es nutzen sollen.
Wie integrierst du LiteLLM in Apps und Tools?
Du kannst den Anbieterzugang einer bestehenden Anwendung zentralisieren, ohne die gesamte Anwendung neu aufzubauen. Eine kompatible Anwendung nutzt eine gemeinsame Schnittstelle statt mehrerer Anbieter-SDKs. Das kann die Pflege vereinfachen.
LLM-Apps sind Anwendungen, die Sprachmodelle für konkrete Aufgaben wie Chat, Zusammenfassung oder Suche aufrufen. Sie können LiteLLM über das SDK oder das Gateway erreichen.
Bestehende Anwendungen mit der gemeinsamen API verbinden
Bei einer bestehenden Anwendung kann die gemeinsame API den Weg zu verschiedenen Providern vereinheitlichen. Welche Codeänderungen nötig sind, hängt von der bisherigen Integration und dem verwendeten Client ab.
Agents und MCP-Tools können ebenfalls angebunden werden. Plane dabei, welche Komponenten Anfragen starten und welche Daten sie an Modelle oder Werkzeuge senden.
Agents, MCP und Beobachtbarkeit berücksichtigen
Für Protokollierung und Beobachtbarkeit unterstützt LiteLLM unter anderem Langfuse, Arize Phoenix, LangSmith und OpenTelemetry. Diese Werkzeuge helfen, Aufrufe und Abläufe im Blick zu behalten.
Prüfe vor der Integration, welche Felder geloggt werden und wer sie sehen kann. Prompts können vertrauliche Inhalte enthalten, auch wenn die Anwendung selbst keine Dateien speichert.
Nach der Integration kannst du Modellwahl und wiederholte Anfragen laufend prüfen und verbessern.
Wie senkst du Tokenkosten mit Caching und Modellwahl?
Eine häufig wiederholte Anfrage muss nicht immer einen neuen Modellaufruf auslösen. Antwort-Caching kann ein gespeichertes Ergebnis zurückgeben, wenn die Anfrage erneut passt. Das kann unnötige Wiederholungen vermeiden.
Miss Trefferquote, Antwortqualität und Kosten, bevor du Caching breit aktivierst. Die Wirkung hängt von deinen Anfragen ab und lässt sich nicht mit einer allgemeinen Einsparungsquote beschreiben.
Wiederholte Anfragen zwischenspeichern
LiteLLM unterstützt Antwort-Caching und semantisches Caching. Semantisches Caching kann ähnliche Anfragen zusammenfassen, statt nur identische Texte zu vergleichen.
Mögliche Speicher sind Redis, S3 und GCS. Für veränderliche Antworten, personalisierte Inhalte und sensible Daten musst du Cache-Schlüssel, Ablaufzeit und Zugriffsschutz sorgfältig prüfen.
Promptumfang und Modellkosten gemeinsam prüfen
Prompt-Kompression kann die Zahl der gesendeten Tokens verringern. Prüfe dabei, ob wichtige Angaben erhalten bleiben und die Antwortqualität nicht leidet.
Auch die Modellwahl wirkt sich auf die Kosten aus. Vergleiche passende Modelle mit echten Aufgaben, statt allein auf den Preis pro Token zu schauen.
Wenn du Nutzen und Aufwand kennst, kannst du entscheiden, ob ein zentrales Gateway gegenüber anderen Wegen Mehrwert bringt.
Welche LiteLLM-Alternativen gibt es und wann passen sie?
Ein Gateway lohnt sich, wenn zentrale Kontrolle und möglicher Anbieterwechsel den zusätzlichen Betriebsaufwand rechtfertigen. LiteLLM hat einen MIT-lizenzierten Open-Source-Kern. Die Entscheidung hängt vom konkreten Einsatz ab.
Ein Gateway bringt einen zusätzlichen Netzwerk-Hop und mehr Betriebsaufwand mit sich. Wenn du nur einen Anbieter nutzt und stark an ihn gebunden bist, kann direkter Zugriff einfacher sein.
OpenRouter, Helicone und Portkey als Vergleichspunkte
OpenRouter, Helicone, Portkey und Bifrost sind weitere Namen, die beim Vergleich von LLM-Gateways auftauchen. Sie sind Vergleichspunkte, keine allgemeine Rangliste.
Prüfe, ob du Self-Hosting brauchst oder einen Managed Service bevorzugst. Vergleiche auch Anbieterabdeckung, Verwaltungsfunktionen und den Aufwand für Bereitstellung und Support.
Wann ein zusätzlicher Gateway-Hop unnötig ist
Direkter Anbieterzugriff kann passen, wenn eine Anwendung nur einen Dienst nutzt und zentrale Verwaltung kaum hilft. Ein Wechsel zu einem Gateway lohnt sich eher, wenn mehrere Anwendungen oder Teams gemeinsame Regeln brauchen.
Auch Vendor Lock-in ist kein einzelner Messwert. Prüfe, welche Teile deiner Anwendung an Anbieterformate gebunden sind und wie aufwendig ein Wechsel tatsächlich wäre.
Leite aus diesen Kriterien eine Architekturentscheidung ab. Wenn ein Gateway passt, kannst du den Produktionswechsel schrittweise und überprüfbar planen.
Wie gelingt der Wechsel in den produktiven Betrieb?
Starte nicht mit einem sofortigen Komplettwechsel, sondern teste eine einzelne Anwendung parallel über den Proxy. So kannst du Fehler und Abweichungen erkennen, bevor weitere Teams betroffen sind. Die erste Phase bleibt bewusst begrenzt.
Vergleiche Tokens, Latenz und Fehler über eine Audit-Phase von zwei bis vier Wochen. Nutze dabei möglichst ähnliche Anfragen über den bisherigen API-Pfad und LiteLLM.
Vergleiche Tokens, Latenz und Fehler zwei bis vier Wochen lang, bevor du weitere Anwendungen umstellst.
Anwendungen parallel über den Proxy testen
Ändere für die ausgewählte Anwendung die Base-URL und gib ihr einen virtuellen Schlüssel. Lass den direkten API-Pfad zunächst aktiv, damit du die Ergebnisse vergleichen kannst.
Erfasse Tokens, Latenz und Fehler während der Audit-Phase. Vergleiche ähnliche Requests und notiere, wenn sich Modelle oder Einstellungen zwischen den Wegen unterscheiden.
Routing und Zugänge stufenweise umstellen
Führe Routing zuerst für einen eng begrenzten Anwendungsfall ein. So kannst du prüfen, ob Regeln und Fallbacks so reagieren, wie es deine Anwendung braucht.
Arbeite die Umstellung in dieser Reihenfolge ab:
- Teste eine Anwendung parallel über LiteLLM und den bisherigen API-Pfad.
- Vergleiche zwei bis vier Wochen Tokens, Latenz und Fehler.
- Führe Routing schrittweise für eng begrenzte Fälle ein.
- Schalte den direkten API-Pfad ab und rotiere den Master-Schlüssel.
Beende die Prüfung mit einer klaren Betriebsentscheidung: ausweiten, nachbessern oder den Proxy wieder zurücknehmen. Danach ist festgelegt, welcher nächste Schritt zum Team passt.
Fazit
LiteLLM ist vor allem sinnvoll, wenn mehrere Modellzugänge zentral gesteuert werden müssen. Es kann Provider-Zugänge und Regeln an einer Stelle bündeln. Betrieb, Sicherheit und Datenverarbeitung bleiben konkrete Aufgaben des Teams.
Starte mit einem begrenzten Pilot für eine Anwendung und einem Testschlüssel. Lege vorher Messgrößen für Fehler, Latenz und Ausgaben fest, damit du den Nutzen im eigenen Betrieb beurteilen kannst.
Ein kleiner Pilot ist der konkrete nächste Schritt.
