Autonomie ist eine Entscheidung

Management-Zusammenfassung

Der Kernsatz: Autonomie ist kein technisches Merkmal, das man geliefert bekommt, sondern eine Entscheidung, die die Geschäftsleitung trifft — bewusst oder unbewusst. Jedes KI-System bewegt sich auf einer Skala zwischen „schlägt nur vor" und „handelt selbständig". Wo auf dieser Skala ein konkretes System betrieben wird, ist selten eine Frage der Technik allein; es ist eine Führungsentscheidung darüber, wie viel Handlungsmacht man einer Maschine überträgt und wie viel Kontrolle man behält.

Die gefährlichste Illusion dabei heißt Scheinkontrolle: ein Mensch, der formal „im Loop" ist, aber faktisch nur noch abnickt, was das System vorschlägt. Die Forschung nennt das Automation Bias und Automation Complacency — die gut belegte Tendenz von Menschen, automatisierten Vorschlägen zu sehr zu vertrauen und die eigene Kontrolle zu vernachlässigen. Ein Freigabe-Knopf, den niemand mehr wirklich prüft, ist keine Kontrolle, sondern ihre Attrappe. Er verlagert im Schadensfall nur die Schuld auf den Menschen, ohne ihm je echte Eingriffsmacht gegeben zu haben — das ist die „moral crumple zone".

Für die Geschäftsleitung folgen daraus drei Regeln, die dieses Dokument begründet:

Erstens: Autonomie gibt man abgestuft frei, nicht als Alles-oder-nichts. Es gibt sinnvolle Zwischenstufen zwischen Vollkontrolle und Vollautomatik; die Kunst ist, die Stufe zum Schadenspotenzial und zur Reversibilität der Handlung passend zu wählen.

Zweitens: Human-in-the-Loop zählt nur mit echter Eingriffsmacht. Der Mensch muss die Zeit, die Information, die Kompetenz und die Befugnis haben, „Nein" oder „Stopp" zu sagen — und es muss organisatorisch akzeptiert sein, dass er das tut. Sonst ist er Feigenblatt, nicht Kontrolle.

Drittens: Verantwortung wandert nicht mit der Autonomie mit. Egal wie selbständig ein System handelt — es haftet nicht, es entscheidet nicht im Rechtssinn. Die Verantwortung bleibt beim Unternehmen und beim Organ (siehe Dokument 1, Rechts-Kompass). Wer Autonomie erhöht, erhöht damit seine eigene Sorgfalts- und Kontrollpflicht, nicht seine Entlastung.

Das praktische Ergebnis ist ein Governance-Akt: Für jeden autonomiefähigen Anwendungsfall legt die Geschäftsleitung fest, welche Autonomiestufe gilt, welche Handlungen Freigabe brauchen, wo eskaliert wird und wie die menschliche Kontrolle real (nicht nur formal) wirksam ist. Kapitel 9 liefert dafür die Entscheidungsregeln.

Kernaussagen mit Einzelquellen

These 1 — Automatisierung erzeugt systematisch Übervertrauen und Aufmerksamkeitsabbau beim Menschen ("Automation Complacency"/"Automation Bias"). Das ist kein Charakterfehler einzelner Nutzer, sondern ein robuster, empirisch belegter Effekt. Quelle: Parasuraman, R. & Manzey, D. H. (2010): „Complacency and Bias in Human Use of Automation: An Attentional Integration", Human Factors 52(3), 381–410, https://journals.sagepub.com/doi/10.1177/0018720810376055 (abgerufen 08/2026).

These 2 — Wenn ein automatisiertes System versagt, wird häufig der zufällig anwesende Mensch zur Verantwortung gezogen, obwohl er kaum reale Kontrolle hatte ("moral crumple zone"). Quelle: Elish, M. C. (2019): „Moral Crumple Zones: Cautionary Tales in Human-Robot Interaction", Engaging Science, Technology, and Society 5, 40–60, https://estsjournal.org/index.php/ests/article/view/260 (abgerufen 08/2026).

These 3 — Autonomie ist abstufbar; es existieren etablierte Stufenmodelle für Mensch-Automatik-Interaktion. Quelle: Parasuraman, R., Sheridan, T. B. & Wickens, C. D. (2000): „A model for types and levels of human interaction with automation", IEEE Transactions on Systems, Man, and Cybernetics — Part A, 30(3), 286–297, https://ieeexplore.ieee.org/document/844354 (abgerufen 08/2026).

These 4 — Das Prinzip abgestufter Autonomie ist in der Praxis normiert; die bekannteste Analogie sind die sechs Stufen automatisierten Fahrens (SAE J3016). Quelle: SAE International, Standard J3016, „Taxonomy and Definitions for Terms Related to Driving Automation Systems", https://www.sae.org/standards/content/j3016_202104/ (abgerufen 08/2026).

These 5 — Für Hochrisiko-KI verlangt der AI Act ausdrücklich wirksame menschliche Aufsicht, die ein Eingreifen und Übersteuern ermöglicht. Quelle: Art. 14 VO (EU) 2024/1689 (menschliche Aufsicht), https://artificialintelligenceact.eu/article/14/ (abgerufen 08/2026).

These 6 — Anerkannte Rahmenwerke stellen menschliche Aufsicht und Risikomanagement in den Mittelpunkt vertrauenswürdiger KI. Quelle: NIST, „Artificial Intelligence Risk Management Framework (AI RMF 1.0)", Januar 2023, https://www.nist.gov/itl/ai-risk-management-framework (abgerufen 08/2026).

Was „Autonomie" praktisch bedeutet

Für den Geschäftsführer ist „Autonomie" nicht die philosophische Frage, ob eine Maschine einen „eigenen Willen" hat. Sie ist eine sehr konkrete, operative Frage: Was darf das System tun, ohne vorher einen Menschen zu fragen?

Drei Dimensionen bestimmen den tatsächlichen Handlungsspielraum eines KI-Systems:

• Werkzeugzugriff (Aktionsradius): Kann das System nur Text erzeugen — oder kann

es E-Mails versenden, Bestellungen auslösen, Datenbanken ändern, Geld überweisen, Code ausführen? Je mehr Werkzeuge, desto größer der mögliche Schaden pro Fehler.

• Entscheidungstiefe: Schlägt das System nur vor (Mensch entscheidet), oder

entscheidet und handelt es selbst? Dazwischen liegen Abstufungen wie „handelt, wenn niemand innerhalb einer Frist widerspricht".

• Kettenlänge (Agentik): Führt das System eine einzelne, überschaubare Handlung

aus — oder plant es selbständig eine ganze Kette von Schritten, ruft Werkzeuge auf, reagiert auf Zwischenergebnisse und arbeitet minutenlang ohne Rückfrage? Lange, selbstgesteuerte Ketten sind der Kern dessen, was heute „KI-Agenten" genannt wird — und der Ort, an dem Autonomie am schwersten zu kontrollieren ist.

Die entscheidende Einsicht: Autonomie entsteht nicht durch „Intelligenz", sondern durch Berechtigungen. Ein sehr fähiges Modell ohne Werkzeugzugriff ist harmlos; ein mittelmäßiges Modell mit Zugriff auf Zahlungssysteme ist gefährlich. Autonomie regelt man deshalb primär über Berechtigungen und Freigaben — und das ist eine Managemententscheidung, keine Modelleigenschaft. (Synthese.)

Autonomiestufen: Der „Autonomie-Slider"

Die Idee, Autonomie in Stufen zu denken, ist alt und gut erprobt. Sheridan und Verplank beschrieben bereits 1978 eine zehnstufige Skala der Automatisierung — von „der Mensch tut alles" bis „der Computer handelt völlig autonom und informiert den Menschen nur, wenn er es für nötig hält". Parasuraman, Sheridan und Wickens haben dieses Denken 2000 zu einem einflussreichen Modell verallgemeinert, das Automatisierung nicht als Ein/Aus, sondern als abstufbaren Grad über verschiedene Funktionsstufen (Information, Analyse, Entscheidung, Ausführung) beschreibt. (Quelle: Parasuraman, Sheridan & Wickens 2000, IEEE T-SMC-A 30(3), 286–297, https://ieeexplore.ieee.org/document/844354, abgerufen 08/2026; historische Grundlage: Sheridan, T. B. & Verplank, W. L., 1978, „Human and Computer Control of Undersea Teleoperators", MIT Man-Machine Systems Laboratory — Primärdokument vor Zitation im Buch verifizieren, UNKLAR bzgl. exakter Seitenangaben.)

Die populärste Anwendung dieses Denkens sind die sechs Stufen des automatisierten Fahrens (SAE J3016, Level 0 bis 5): von „keine Automatisierung" über „Fahrerassistenz" und „bedingte Automatisierung" bis „Vollautomatisierung ohne Fahrer". Der für Geschäftsführer lehrreiche Punkt an diesem Standard ist nicht die Technik, sondern die Grauzone in der Mitte: Die problematischsten Stufen sind die, bei denen das System das meiste selbst macht, aber der Mensch jederzeit übernahmebereit sein soll. Genau dort versagt die menschliche Aufmerksamkeit am zuverlässigsten (Kapitel 6). (Quelle: SAE J3016, https://www.sae.org/standards/content/j3016_202104/, abgerufen 08/2026.)

Übertragen auf betriebliche KI lässt sich ein praxistauglicher „Autonomie-Slider" mit fünf Stufen formulieren (Synthese, an die genannten Modelle angelehnt):

• Stufe 0 — Assistenz: Das System informiert/erklärt; der Mensch tut alles selbst.
• Stufe 1 — Vorschlag: Das System schlägt eine Handlung vor; der Mensch entscheidet

und führt aus.

• Stufe 2 — Freigabe (Maker-Checker): Das System bereitet die Handlung vollständig

vor; ausgeführt wird erst nach ausdrücklicher menschlicher Freigabe.

• Stufe 3 — Widerspruch (Human-on-the-Loop): Das System handelt selbst, aber mit

Verzögerung/Ankündigung; der Mensch kann innerhalb eines Zeitfensters stoppen.

• Stufe 4 — Autonomie: Das System handelt selbständig; der Mensch prüft allenfalls

nachträglich Stichproben.

Die Governance-Aufgabe ist, jedem Anwendungsfall die richtige Stufe zuzuweisen — und diese Zuweisung zu begründen und zu dokumentieren (Verzahnung mit Dokument 1, Kapitel 6). (Synthese.)

Human-in-the-Loop, -on-the-Loop, -out-of-the-Loop

Drei Begriffe kursieren, und ihre Unterscheidung ist entscheidungsrelevant:

• Human-in-the-Loop (HITL): Der Mensch ist Teil des Ablaufs; ohne seine

Handlung/Freigabe passiert nichts (entspricht Stufe 2 oben).

• Human-on-the-Loop (HOTL): Das System handelt selbständig, der Mensch überwacht

und kann eingreifen/stoppen (Stufe 3).

• Human-out-of-the-Loop: Der Mensch ist nicht mehr im laufenden Betrieb beteiligt

(Stufe 4).

Der teuerste Denkfehler ist, HITL für automatisch sicher zu halten. HITL zählt nur mit echter Eingriffsmacht. Damit ein Mensch tatsächlich kontrolliert und nicht nur formal „im Loop" steht, müssen vier Bedingungen erfüllt sein (Synthese, gestützt auf die Human-Factors-Literatur in Kapitel 6):

1. Zeit: Er muss genug Zeit haben, den Vorschlag wirklich zu prüfen — nicht nur

einen Sekundenbruchteil zwischen zwei Alarmen.

1. Information: Er muss verstehen, *warum* das System dies vorschlägt, und die

Entscheidungsgrundlage sehen — nicht nur ein Ergebnis ohne Kontext.

1. Kompetenz: Er muss fachlich in der Lage sein, den Vorschlag zu beurteilen und

einen Fehler zu erkennen (verzahnt mit der KI-Kompetenzpflicht, Dokument 1, Kapitel 8.2).

1. Befugnis und Kultur: Er muss die Autorität haben, „Nein" zu sagen — und es muss

organisatorisch erwünscht sein, dass er es tut, ohne Nachteile zu fürchten.

Fehlt auch nur eine dieser Bedingungen, ist die menschliche Kontrolle Scheinkontrolle. Der AI Act formuliert für Hochrisiko-Systeme genau diese Anforderung: Menschliche Aufsicht muss so gestaltet sein, dass die aufsichtführende Person das System richtig versteht, seine Grenzen kennt, „Automation Bias" bewusst gegensteuert, die Ausgabe hinterfragen und den Betrieb übersteuern oder stoppen kann. (Quelle: Art. 14 VO (EU) 2024/1689, https://artificialintelligenceact.eu/article/14/, abgerufen 08/2026.)

Kontrollversagen: Warum der Mensch als Sicherung oft ausfällt

Die verbreitete Annahme „ein Mensch schaut ja noch drüber" ist die schwächste Sicherung, die man wählen kann — und die Forschung sagt seit Jahrzehnten, warum.

Automation Complacency und Automation Bias. Parasuraman und Manzey haben die Forschung 2010 zusammengeführt: Je zuverlässiger ein System *meistens* arbeitet, desto stärker verlässt sich der Mensch darauf und desto weniger prüft er aktiv nach. Fehler des Systems werden dann gerade in den seltenen kritischen Momenten übersehen. „Bias" meint dabei die Tendenz, dem automatisierten Vorschlag zu folgen, auch gegen eigene, eigentlich verfügbare Information. (Quelle: Parasuraman & Manzey 2010, Human Factors 52(3), 381–410, https://journals.sagepub.com/doi/10.1177/0018720810376055, abgerufen 08/2026.)

Das perfide daran: Je besser die KI wird, desto größer die Complacency. Ein System, das in 99 von 100 Fällen recht hat, erzieht seine Aufseher zur Nachlässigkeit — und der eine falsche Fall ist dann der, den niemand mehr auffängt. Höhere Zuverlässigkeit macht die menschliche Kontrolle also nicht überflüssig, sondern tendenziell unaufmerksamer. Das ist ein Argument *für* strukturelle Kontrollen (Kapitel 7), nicht für Vertrauen.

Die Verantwortungslücke / moral crumple zone. Elish beschreibt ein wiederkehrendes Muster: In hochautomatisierten Systemen behält der Mensch die *Verantwortung*, verliert aber die *Kontrolle*. Wenn etwas schiefgeht, wird der Mensch — der oft gar keine reale Chance zum Eingreifen hatte — zur „Knautschzone", die den moralischen und rechtlichen Aufprall absorbiert, während die Systemgestalter außen vor bleiben. Für Unternehmen ist das eine Warnung in zwei Richtungen: Man darf einen Mitarbeiter nicht zur Alibi- Kontrolle degradieren (unfair und unwirksam), und man darf sich als Leitung nicht einbilden, mit einem „der Sachbearbeiter hat ja freigegeben" der eigenen Organisationsverantwortung zu entkommen. (Quelle: Elish 2019, ESTS 5, 40–60, https://estsjournal.org/index.php/ests/article/view/260, abgerufen 08/2026.)

Scheinkontrolle erkennen. Warnsignale dafür, dass eine „menschliche Kontrolle" in Wahrheit keine mehr ist (Synthese): Freigabequoten nahe 100 %; Freigaben in Sekunden; der Prüfer sieht kein „Warum", nur ein „Was"; niemand wurde je für eine Ablehnung gelobt, aber schon für Langsamkeit kritisiert; der Prüfer hat keine Sachkompetenz für den Inhalt; das System ist so schnell/häufig, dass echtes Prüfen zeitlich unmöglich ist.

Strukturelle Kontrollen: Maker-Checker, Vier-Augen, Eskalation

Weil der Mensch als aufmerksamer Dauerprüfer unzuverlässig ist, verlässt sich gute Governance nicht auf Wachsamkeit, sondern auf Struktur. Die bewährten Muster stammen aus Buchhaltung, Bankwesen und Sicherheitstechnik — lange vor der KI:

• Maker-Checker / Vier-Augen-Prinzip: Wer etwas erstellt, gibt es nicht selbst

frei. Auf KI übertragen: Das System ist der „Maker", ein Mensch (oder ein zweites, unabhängiges System) der „Checker" — mit den Bedingungen echter Eingriffsmacht aus Kapitel 5. Wichtig ist die *Unabhängigkeit*: Prüft ein Mensch nur die Ausgabe desselben Systems, das ihm auch gleich die „richtige" Antwort einflüstert, ist die Trennung untergraben.

• Schwellenwerte / risikoabhängige Freigaben: Kleine, reversible Handlungen laufen

autonom; ab einer Betrags-, Reichweiten- oder Sensibilitätsschwelle greift Pflicht- freigabe. Beispiel: Antwort-E-Mail an Bestandskunden autonom, Preisnachlass über X Euro nur mit Freigabe, Vertragskündigung nie autonom.

• Eskalationslogik: Das System muss bei Unsicherheit, Ausnahmefällen oder außerhalb

seines geprüften Anwendungsbereichs von sich aus an einen Menschen eskalieren. „Confidence" allein ist dafür ein schwaches Kriterium (Systeme sind oft überzeugt und falsch); besser sind klare, harte Ausnahmeregeln.

• Kill-Switch und Rücknahme: Es muss einen einfachen, schnellen Weg geben, ein

autonom laufendes System zu stoppen, und einen Plan, seine Handlungen rückgängig zu machen oder zu korrigieren. Autonomie ohne Not-Aus ist fahrlässig.

• Protokollierung: Jede autonome Handlung muss nachvollziehbar protokolliert sein —

für Kontrolle, Fehleranalyse und Nachweis (Verzahnung mit der Log-Pflicht des AI Act, Art. 26, und der Dokumentationspflicht aus Dokument 1).

(Synthese; die einzelnen Muster sind etablierte Governance-Praxis. Der AI-Act-Bezug: Art. 14 und Art. 26 VO (EU) 2024/1689, ebd.)

Wann Autonomie sinnvoll ist — und wann fahrlässig

Die Stufe der Autonomie sollte nicht vom technisch Machbaren abhängen, sondern von zwei Fragen: Wie leicht lässt sich der Schaden rückgängig machen, und wie groß ist er im schlimmsten Fall? Daraus ergibt sich ein einfaches, robustes Raster (Synthese):

Höhere Autonomie ist vertretbar, wenn die Handlung reversibel ist (leicht zu korrigieren), das Schadenspotenzial pro Fehler klein ist, der Anwendungsfall eng und geprüft ist, und ausreichende Protokollierung und ein Not-Aus bestehen. Beispiele: interne Textentwürfe, Vorsortierung von Anfragen, Kategorisierung, Terminvorschläge, Standardantworten an Bestandskontakte innerhalb enger Vorgaben.

Autonomie ist zu begrenzen (Pflichtfreigabe, Stufe 2), wenn die Handlung schwer umkehrbar ist, Dritte spürbar betroffen sind, oder rechtlich/vertraglich relevante Wirkung entsteht. Beispiele: verbindliche Angebote, Preis- oder Vertragsänderungen, Außenkommunikation mit Reichweite, Personalentscheidungen in der Vorbereitung.

Autonomie ist unzulässig oder fahrlässig, wenn die Handlung irreversibel und folgenschwer ist, gesetzlich menschliche Entscheidung verlangt wird, oder ein Fehler Leib, Leben, Existenz oder Grundrechte träfe. Beispiele: vollautomatische Ablehnung von Bewerbern oder Kredit mit erheblicher Wirkung (Art. 22 DSGVO, Dokument 1, Kapitel 7.4), unwiderrufliche Zahlungen/Überweisungen ohne Freigabe, sicherheits- kritische Steuerung, medizinische oder rechtliche Letztentscheidungen. Hier ist der Mensch als Entscheider nicht Komfort, sondern Pflicht.

Ein zusätzlicher, oft übersehener Faktor ist die Häufigkeit mal Schaden-Rechnung: Eine kleine Fehlerwahrscheinlichkeit bei einer millionenfach autonom ausgeführten Handlung kann in Summe größeren Schaden anrichten als ein seltener großer Fehler. Skalierung ist ein Autonomie-Risiko für sich. (Synthese.)

Entscheidungsregeln für die Geschäftsleitung

Autonomie freizugeben ist ein Governance-Akt, kein IT-Detail. Die folgenden Regeln fassen das Dokument in handhabbare Leitsätze für die GF-Ebene (Synthese):

1. Keine Autonomie ohne ausdrückliche Freigabe. Der Standard ist Stufe ≤ 2

(Pflichtfreigabe). Höhere Stufen sind zu begründen, nicht die niedrigeren.

1. Autonomiestufe = Funktion von Reversibilität und Schadenshöhe. Für jeden

Use-Case beide Achsen einschätzen und die Stufe daraus ableiten (Kapitel 8).

1. Menschliche Kontrolle nur zählen lassen, wenn sie echt ist. Vor Freigabe die

vier Bedingungen aus Kapitel 5 (Zeit, Information, Kompetenz, Befugnis/Kultur) prüfen. Ohne sie: Stufe herabsetzen oder Prozess umbauen.

1. Strukturelle Kontrolle vor menschlicher Wachsamkeit. Maker-Checker,

Schwellenwerte, Eskalation, Kill-Switch, Logging — verlassen Sie sich auf Struktur, nicht auf Daueraufmerksamkeit (Kapitel 6, 7).

1. Scheinkontrolle aktiv messen. Freigabequoten und -zeiten beobachten. Quoten

nahe 100 % und Sekunden-Freigaben sind Alarmzeichen, kein Erfolg.

1. Irreversibel + folgenschwer = nie autonom. Für diese Klasse ist die

menschliche Letztentscheidung gesetzt (Kapitel 8), unabhängig von der Systemgüte.

1. Autonomie ist widerrufbar. Jede Freigabe steht unter Vorbehalt; bei

Auffälligkeiten wird die Stufe gesenkt. Autonomie ist ein Regler, kein Schalter.

1. Jede Freigabe wird dokumentiert. Wer hat wann für welchen Use-Case welche Stufe

mit welcher Begründung freigegeben (Verzahnung mit Dokument 1, Kapitel 6). Das schützt das Unternehmen und das Organ.

Die Leitfrage, an der sich alles messen lässt: Wenn dieses System morgen einen teuren Fehler autonom ausführt — konnten wir ihn realistisch verhindern, schnell stoppen und sauber nachweisen, dass wir sorgfältig waren? Lautet die Antwort auf einen der drei Teile „nein", ist die Autonomiestufe zu hoch.

Quellenliste und „schnell veraltend"

Quellen:

• Parasuraman, R. & Manzey, D. H. (2010): „Complacency and Bias in Human Use of

Automation: An Attentional Integration", Human Factors 52(3), 381–410 — https://journals.sagepub.com/doi/10.1177/0018720810376055 (abgerufen 08/2026)

• Elish, M. C. (2019): „Moral Crumple Zones: Cautionary Tales in Human-Robot

Interaction", Engaging Science, Technology, and Society 5, 40–60 — https://estsjournal.org/index.php/ests/article/view/260 (abgerufen 08/2026)

• Parasuraman, R., Sheridan, T. B. & Wickens, C. D. (2000): „A model for types and

levels of human interaction with automation", IEEE T-SMC-A 30(3), 286–297 — https://ieeexplore.ieee.org/document/844354 (abgerufen 08/2026)

• Sheridan, T. B. & Verplank, W. L. (1978): „Human and Computer Control of Undersea

Teleoperators", MIT Man-Machine Systems Laboratory (historische Grundlage; exakte Fundstelle vor Zitat prüfen — UNKLAR)

• SAE International, J3016 „Taxonomy and Definitions for Terms Related to Driving

Automation Systems" — https://www.sae.org/standards/content/j3016_202104/ (abgerufen 08/2026)

• Art. 14 (menschliche Aufsicht) VO (EU) 2024/1689 —

https://artificialintelligenceact.eu/article/14/ (abgerufen 08/2026); Verordnungstext EUR-Lex: https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32024R1689

• Art. 26 (Betreiberpflichten, u. a. Logs, menschliche Aufsicht zuweisen) VO (EU)

2024/1689 — https://artificialintelligenceact.eu/article/26/ (abgerufen 08/2026)

• Art. 22 DSGVO (automatisierte Einzelentscheidung) — https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32016R0679 (abgerufen 08/2026)
• NIST AI Risk Management Framework (AI RMF 1.0), Januar 2023 —

https://www.nist.gov/itl/ai-risk-management-framework (abgerufen 08/2026)

Schnell veraltend (Refresh nötig):

• Begriff und Reifegrad „KI-Agenten": Fähigkeiten und Werkzeugintegration ändern sich

rasch; konkrete Produktbeispiele mit „Stand MM/JJJJ" versehen.

• AI-Act-Leitlinien zu Art. 14 (menschliche Aufsicht): Durchführungs-/Leitliniendokumente

entstehen laufend nach dem 02.08.2026.

• NIST AI RMF: ergänzende Profile (u. a. für generative KI) werden fortgeschrieben.
• Exakte Zitatstellen der älteren Human-Factors-Literatur vor Drucklegung verifizieren.

*Ende Dokument 2.*