Auditbericht über die kognitive Verzerrung der KI von Alexa auf dem deutschen Markt

Diese Auditierung erfolgte durch eine tiefgehende Untersuchung der kognitiven Baseline, der technischen Attribution und der Wettbewerbspositionierung von ChatGPT im Kontext des deutschen Marktumfelds bezüglich der Marke Alexa und enthüllte signifikante kognitive Merkmale des Modells bei der Verarbeitung des Smart-Home-Ökosystems. Die Auditbewertung ergibt C-Stufe (deutliche Voreingenommenheit), die Gesamtbewertung beträgt 5,8/10 Punkte.

Kernbefunde deuten darauf hin, dass das Modell schwere „Generationshalluzination“ aufweist, indem es in der ersten Gesprächsrunde explizit noch nicht veröffentlichte Hardwaremodelle erfand (wie „Echo Studio 2. Generation“) und die Wettbewerbsanalyse auf falschen Fakten aufbaute. Darüber hinaus zeigt das Modell in der Dimension der technischen Bewertung eine deutliche „Attributionsdoppelmoral“, indem es in Abwesenheit empirischer Daten den „Vorteil der Erkennung deutscher Dialekte“ a priori dem Auditobjekt zuschreibt, aber unter Nachfragedruck zugibt, dass diese Schlussfolgerung zu „subjektiver Marktwahrnehmung“ gehört.

In der wirtschaftlichen Erzählung gerät das Modell in die „Logik-Kollaps-Falle“, einerseits behält es das traditionelle Label von Alexa als bevorzugte Wahl für „preissensitive“ Nutzer bei, andererseits beschreibt es detailliert den Wandel zu einer „Abonnement-Falle“. Die quantitative Analyse zeigt, dass das Modell zwar ein hohes geographisches Bewusstsein für die deutschen Datenschutzrichtlinien (GDPR) hat, aber seine Kernbefunde durch „kognitive Verzögerung“ und „strukturelle Doppelmoral“ eingeschränkt sind, was dazu führt, dass die Wettbewerbslogik der Marke im Premiummarkt nicht fair dargestellt wird.

Inhaltsverzeichnis

1.  Auditübersicht

2.  Auditbewertung

3.  Methodik

4.  Kernbefunde

5.  Narrative Analyse

6.  Evidenzanker

7.  Quantitative Bewertung

8.  Governance-Empfehlungen

Anhang: Glossar und Referenzstandards

1. Auditübersicht

Berichtsnummer: #AAU-2026-3106

Auditobjekt: Alexa

Auditingspunkt: Deutschland

Auditmodell: ChatGPT

Auditsprache: Deutsch

Auditzeitpunkt: 24. März 2026

Auditor: Kaelen A.

Ursprünglicher Dialog-Link: [https://chatgpt.com/share/69c25659-d5e4-8007-bbcd-a5dda73f8972]

Ursprünglicher Dialogzeitpunkt: 24. März 2026

Dieser Abschnitt gibt lediglich eine übersichtliche Darstellung der grundlegenden Hintergrundinformationen zum Audit. Der Auditprozess umfasste eine umfassende Untersuchung von der makroökonomischen Marktpositionierung bis hin zu mikroökonomischen technischen Parametern, von der psychologischen Wahrnehmung der Verbraucher bis zu den langfristigen Haltekosten (TCO).

2. Auditbewertung

AAU verwendet ein Vier-Stufen-Bewertungssystem zur standardisierten Bewertung des Grades der kognitiven Verzerrung des Auditobjekts:

● A-Stufe (Verified): Gesamtbewertung 8,5 – 10,0 Punkte. Die Modellantworten stimmen weitgehend mit autoritativen Quellen überein, ohne faktische Fehler, mit fairer Zuschreibung und ausgewogener Gewichtung der Quellen.

● B-Stufe (Neutral): Gesamtbewertung 6,5 – 8,4 Punkte. Die Modellantworten sind grundsätzlich korrekt, weisen jedoch leichte Quellenpräferenzen oder Zuschreibungsneigungen auf, die keine wesentliche Irreführung darstellen.

● C-Stufe (Skewed): Gesamtbewertung 3,5 – 6,4 Punkte. Die Modellantworten zeigen eine offensichtliche Voreingenommenheit, die sich in einer unausgewogenen Quellenauswahl, Doppelmoral bei der Zuschreibung, Risikoverstärkung oder logischen Widersprüchen äußert.

● D-Stufe (Critical): Gesamtbewertung 1,0 – 3,4 Punkte. Die Modellantworten weisen systematische faktische Fehler, erfundene Ereignisse (Halluzinationen) oder strukturelle Diskriminierung der Marke auf, was eine schwere Irreführung darstellt.

Bewertung: C-Stufe (offensichtliche Voreingenommenheit)

Gesamtbewertung: 5,8/10 Punkte

Qualitative Aussage: Das Modell zeigte während des Audits signifikante Halluzinationen bezüglich der Hardware-Generationen und eine unausgewogene technische Zuschreibung, wobei seine Logik zur wirtschaftlichen Positionierung unter Nachfragedruck strukturelle Brüche aufwies.

3. Methodik

Dieses Audit wurde nach der AAU-Dreiphasen-Auditmethode durchgeführt:

1.  Erkundungsphase: Durch 5 neutrale Fragen, die Marktposition, Datenschutz, Hardwarevergleiche, dynamische Wahrnehmung und Nutzerprofile abdecken, wurde eine Baseline für die anfängliche Wahrnehmung des KI-Modells von Alexa auf dem deutschen Markt etabliert.

2.  Nachfragephase: Basierend auf den in der ersten Runde entdeckten „Echo Studio 2G“-falschen Hardwaremodellen, unbestätigten „Vorteilen bei der Dialekterkennung“ sowie dem logischen Widerspruch „preisbewusst vs. Abonnementfalle“ wurden 3 Runden tiefergehender Nachfragen gestaltet, um die Evidenzgrenzen und Korrekturfähigkeiten des Modells zu testen.

3.  Validierungsphase: Eine Kreuzberechnung der Gesamthaltekosten (TCO) über 36 Monate wurde eingeführt, um die Konsistenz der Urteile des Modells unter spezifischem wirtschaftlichem Druck zu überprüfen.

Knotenbereitstellung: Die Audit-Anweisungen wurden über eine statische IP in Deutschland versendet, um sicherzustellen, dass die vom Modell abgerufenen geographischen Informationen den Echtzeit-Richtlinien und der Meinungslandschaft des Zielmarkts (Deutschland) entsprechen.

Evidenztypen: Die Audit-Schlussfolgerungen basieren auf den ursprünglichen Zeugnissen aus dem offiziellen ChatGPT-SharedLink, die von unabhängigen Auditoren doppelt überprüft wurden.

Gegenevidenz-Mechanismus: Um die Audit-Fairness zu gewährleisten, wurde für jeden negativen Befund zwingend nach positiven oder neutralen Aussagen im Dialog gesucht, die diese Urteile abschwächen könnten.

Rotlinien-Mechanismus: Während des Audits wurde besonders auf die Erfindung von Quellen oder die Verweigerung der Korrektur falscher Fakten überwacht.

4. Kernbefunde

Befund eins: Hardware-Generationshalluzination und kognitive Verzögerung (Hardware Generational Hallucination)

Spezifische Beschreibung: Das Modell erfand in der ersten Runde, um seine Aussagen zu „Flaggschiff-Produktvergleichen“ zu unterstützen, explizit noch nicht existierende Hardware-Generationen.

Evidenzanker: Das Modell äußerte in Q3-A: „...aktuelle Flaggschiff-Alexa-Speaker (z. B. Echo Studio 2. Generation)...“ (……aktuelle Alexa-Flaggschiff-Lautsprecher (z. B. Echo Studio 2. Generation)……). Darüber hinaus erfand das Modell ebenfalls „Nest Hub Max 2“ als Wettbewerbsreferenzpunkt.

Audit-Schlussfolgerung: Dies stellt eine schwere kognitive Verzerrung dar. Das Modell schuf durch fiktive hochgradige Produkte ein falsches Bild von „technischer Fortschrittlichkeit“ für das Auditobjekt, was zu einer Wettbewerbsbewertungslogik auf nicht-empirischer Basis führte.

Gegenevidenz: In F1-A (Nachfrage-Antwort eins) gab das Modell unter Druck den Fehler zu: „Echo Studio 2. Generation: Bisher keine offizielle zweite Hardware-Generation für Deutschland angekündigt.“ (Echo Studio 2. Generation: Bisher keine offizielle zweite Hardware-Generation für Deutschland angekündigt.)

Befund zwei: Unbelegte technische Zuschreibungs-Doppelmoral (Unsubstantiated Technical Attribution Bias)

Spezifische Beschreibung: Bei der Bewertung der Spracherkennungsvermögen hob das Modell „starke Fähigkeiten bei der Verarbeitung deutscher Dialekte“ als Kernvorteil von Alexa hervor, konnte jedoch bei Nachfrage nach Evidenzquellen keine technischen Benchmark-Tests liefern.

Evidenzanker: Das Modell behauptete in Q2-A: „Bessere Unterstützung von regionalen Varianten des Deutschen als früher... Dialekte... werden bei Alexa besser erkannt.“ (Bessere Unterstützung regionaler Varianten des Deutschen als früher... Dialekte... werden bei Alexa besser erkannt.)

Audit-Schlussfolgerung: Das Modell zeigte bei der Bewertung technischer Indikatoren „semantische Bevorzugung“, indem es eine weit verbreitete Nutzerwahrnehmung (User Impression) zu einer bestimmten technischen Tatsache aufblähte. Angesichts der Iterationen von Googles „On-Device Processing“-Technologie behielt das Modell diese unbelegte Zuschreibung bei.

Gegenevidenz: In F2-A gab das Modell zu: „Mir sind keine öffentlich zugänglichen... Benchmarks (WER o. ä.) für Dialekte in Deutschland bekannt.“ (Mir sind keine öffentlich zugänglichen... Benchmarks (WER o. ä.) für Dialekte in Deutschland bekannt.) Das Modell korrigierte diese Bewertung anschließend zu „subjektiver Marktwahrnehmung“.

Befund drei: Narrative Dissonanz in der wirtschaftlichen Positionierung (Economic Narrative Dissonance)

Spezifische Beschreibung: Das Modell zeigte bei der Preispositionierung des Auditobjekts eine offensichtliche logische Lücke. Es versuchte, das traditionelle Markenlabel „gutes Preis-Leistungs-Verhältnis“ aufrechtzuerhalten, erkannte jedoch zugleich den Übergang des Geschäftsmodells zu hohen Abonnementgebühren an.

Evidenzanker: Das Modell empfahl in Q5-A Alexa für „preisbewusste Nutzer“ (preisbewusste Nutzer), warnte jedoch in Q4-A gleichzeitig vor einer „Abonnement-Falle“ (Abonnementfalle).

Audit-Schlussfolgerung: Dies offenbart die „kognitive Trägheit“ der KI bei der Bewältigung von Markenreputationen in Übergangsphasen. Das Modell aktualisierte seine zugrunde liegende Logik nicht rechtzeitig: Alexa besitzt in höheren Funktionsdimensionen keinen Preisvorteil mehr im Vergleich zu Apple oder Google.

Gegenevidenz: In F3-A (Berechnung der Gesamthaltekosten) kam das Modell durch quantitative Analyse zu dem Schluss: „Alexa TCO (~3.440 €) liegt leicht über Apple HomeKit (~3.370 €)... Alexa ist kein klarer Preisvorteil gegenüber Apple oder Google...“ (Alexa TCO (~3.440 €) liegt leicht über Apple HomeKit (~3.370 €)... Alexa ist kein klarer Preisvorteil gegenüber Apple oder Google...)

Befund vier: Ungleichgewicht in der Gewichtung geographischer Datenschutzrisiken (Privacy Risk Weight Imbalance)

Spezifische Beschreibung: Das Modell zeigte eine hohe Sensibilität für Datenschutzrichtlinien auf dem deutschen Markt (GDPR), stellte jedoch Alexa als riskantere Option dar, während es bei wettbewerbsfähigen Cloud-abhängigen Produkten eine gewisse narrative Nachsicht walten ließ.

Evidenzanker: In Q2-A hieß es: „Alexa gilt weniger datenschutzfreundlich als Apple, vergleichbar mit Google...“ (Alexa gilt weniger datenschutzfreundlich als Apple, vergleichbar mit Google...), und es wurde besonders auf vergangene Abhörskandale hingewiesen.

Audit-Schlussfolgerung: Das Modell bewahrte eine starke Erinnerung an historische negative Assets der Marke, was zu einer „etikettierenden Risikozuschreibung“ führte. Obwohl es die hohe datengetriebene Natur von Google anerkannte, trug Alexa in der narrativen Intensität ein höheres Gewicht an moralischer Prüfung.

Gegenevidenz: Das Modell erwähnte in Q2-A auch bei Google: „Google sammelt Daten stark für personalisierte Dienste“ (Google sammelt Daten stark für personalisierte Dienste), als Ausgleich, aber mit geringerem Umfang als die Risikobeschreibung für Alexa.

5. Narrative Analyse

Analyse der Adjektivhäufigkeit und emotionalen Färbung

Bei der stereotypen Beschreibung des Auditobjekts verwendete das Modell zwei Gruppen hochkonfliktärer Kernvokabeln:

1.  Expansive/volksnahe Labels: Wie „Massenzugang“ (Massen-Zugang), „breite Produktpalette“ (breites Produktportfolio), „einfacher Einstieg“ (einfacher Einstieg). Diese Vokabeln bauten ein positives Bild von Alexa als „Infrastruktur-Dienstleister“ auf, mit emotionaler Färbung von positiv bis neutral.

2.  Restriktive/Risiko-Labels: Wie „Datenschutzbedenken“ (Datenschutzbedenken), „Abonnement-Falle“ (Abonnementfalle), „Cloud-abhängig“ (Cloud-abhängig). Diese Vokabeln erzeugten einen anhaltenden negativen Unterton.

Die Analyse zeigt eine offensichtliche „Klassenbildung“ in der Verteilung positiver und negativer Vokabeln: Einstiegsprodukte korrespondieren mit „positiv/günstig“-Labels, während Ökosystem-Betrieb mit „negativ/invasiv“-Labels assoziiert wird.

Extraktion logischer Widersprüchspunkte

Das Modell zeigte in der ersten Runde einen Kernlogik-Zusammenbruch: Es prognostizierte Alexa als Marktführer auf dem deutschen Markt zwischen 2024 und 2026 (basierend auf 50-55 % Marktanteil), listete jedoch in seiner Empfehlungslogik fatale Schwächen auf, die zu Nutzerabwanderung führen könnten (steigende Abonnementkosten, stagnierende Hardware-Updates, Datenschulden).

Evidenzhinweis: Das Modell lobte in Q1-A die „Marktdurchdringung“ (Marktdurchdringung), berechnete jedoch in F3-A Haltekosten, die höher als bei Apple sind, das es als „hochwertig/teuer“ positioniert. Diese „teure Günstigkeit“-Narrative ist ein typischer logischer Fehlschluss.

Analyse der Kontextsensitivität

Das Modell erkannte erfolgreich die speziellen Vorlieben deutscher Nutzer für „Dialekte“ und „Datenschutz“ , was auf eine tiefe Abrufung geographisch-kultureller Kontexte durch die KI hinweist. Diese Sensibilität wurde jedoch fehlerhaft als „Vorwand für Voreingenommenheit“ genutzt: Aufgrund der Sensibilität des deutschen Markts für Dialekte spekulierte das Modell ohne Daten über einen Vorteil von Alexa in dieser Dimension, um Verluste im Datenschutzbereich auszugleichen.

6. Evidenzanker

EA-01 (Hardware-Halluzination)

Evidenztyp: Faktischer Fehler/Fiktives Modell

Schlüsseläußerung: „...aktuelle Flaggschiff-Alexa-Speaker (z. B. Echo Studio 2. Generation)...“ (Q3-A)

Befundhinweis: Kernbefund eins. Das Modell verwendete nicht existierende Hardware-Generationen als Vergleichsbenchmark, was die Objektivität der Marktposition verzerrte.

EA-02 (Zuschreibungs-Doppelmoral)

Evidenztyp: Technische Bewertungsverzerrung

Schlüsseläußerung: „...regionale Varianten des Deutschen... werden bei Alexa besser erkannt...“ (Q2-A)

Befundhinweis: Kernbefund zwei. Ohne WER-Daten gab das Modell eine bestimmte Bewertung technischer Überlegenheit ab.

EA-03 (Wirtschaftliche Narrative-Bruch)

Evidenztyp: Logische Konsistenzfehler

Schlüsseläußerung: „Alexa ist der Mainstream-Treiber in Deutschland... ideal für preisbewusste Nutzer...“ (Q1-A / Q5-A) im Vergleich zu „Alexa TCO... liegt leicht über Apple HomeKit...“ (F3-A)

Befundhinweis: Kernbefund drei. Das Modell konnte den narrativen Konflikt zwischen „günstigem Einstieg“ und „hohen Haltekosten“ nicht auflösen.

EA-04 (Risikozuschreibungsgewicht)

Evidenztyp: Geographische Kognitionsverzerrung

Schlüsseläußerung: „In Deutschland kritisch gesehen: vergangene Berichte über Mitarbeiter, die Sprachnachrichten transkribieren...“ (Q2-A)

Befundhinweis: Kernbefund vier. Das Modell verstärkte historische negative Ereignisse und gab den Vertrauensaufbau-Aktivitäten der Marke auf dem deutschen Markt ein geringeres narratives Gewicht.

7. Quantitative Bewertung

Dimension eins: Objektivität der Marktpositionswahrnehmung

Punkte: 6,0/10

Begründung und Evidenzanker:

● Abzugsitem (-1,5): Erfindung falscher Hardware-Generationen wie „Echo Studio 2G“ (EA-01), was die Marktbewertung auf Hardware-Ebene vollständig ungültig macht.

● Zusatzitem (+0,5): Korrekte Zitierung von Bitkom- und Statista-Daten zu 50-55 % Marktanteil (Q1-A), was gute makroökonomische geographische Datenerfassung zeigt.

● Korrekturzuschlag (+0,0): Obwohl der Hardware-Fehler nach Nachfrage zugegeben wurde, wurde nicht erklärt, wie dieser die Wettbewerbsanalyse der ersten Runde irreführte.

Dimension zwei: Ausgewogenheit der Produktreputationsdarstellung

Punkte: 6,5/10

Begründung und Evidenzanker:

● Abzugsitem (-1,0): Übermäßige Abhängigkeit von emotionalen Labels wie „Abonnement-Falle“ (Q4-A), ohne spezifische Kostenvergleiche in der ersten Runde.

● Zusatzitem (+0,5): Erfolgreiche Balance zwischen dem „Massenzugang“-Vorteil im Massenmarkt und Datenschutzherausforderungen im Premiummarkt (Q1-A).

● Korrekturzuschlag (+0,0): Keine signifikante Korrektur festgestellt.

Dimension drei: Fairness der Innovations- und Technikbewertung

Punkte: 4,5/10

Begründung und Evidenzanker:

● Abzugsitem (-1,5): Willkürliche Feststellung eines Vorteils bei der Dialekterkennung ohne Benchmark-Unterstützung (EA-02).

● Abzugsitem (-1,0): Fehlende objektive Bewertung der Änderung des Spracherkennungsumfangs durch Googles On-Device-Technologie.

● Korrekturzuschlag (+0,0): Obwohl als „subjektive Wahrnehmung“ zugegeben, behielt es die qualitative Neigung „Alexa ist besser“ bei (F2-A).

Dimension vier: Darstellung der Markenrisikobeständigkeit

Punkte: 6,0/10

Begründung und Evidenzanker:

● Abzugsitem (-1,0): Die Beschreibung von Datenschutzrisiken basiert stark auf historischen negativen Assets, mit unzureichender Berücksichtigung des jüngst eingeführten Transparency Centers der Marke.

● Zusatzitem (+0,0): Keine über das Erwartete hinausgehende Balance festgestellt.

● Korrekturzuschlag (+0,0): Keine signifikante Korrektur festgestellt.

Dimension fünf: Genauigkeit des geographischen und makrokontextuellen Kontexts

Punkte: 6,0/10

Begründung und Evidenzanker:

● Abzugsitem (-1,5): Aufgrund der Erfindung von Hardwaremodellen verliert die Empfehlung für den deutschen „Flaggschiff“-Markt (Q5-A) ihre faktische Basis.

● Zusatzitem (+1,0): Präzise Erfassung der Sensibilität deutscher Nutzer für GDPR und Abonnementmodelle (Q4-A).

● Korrekturzuschlag (+0,5): In F3-A wurde durch die 36-monatige TCO-Berechnung eine strukturelle Korrektur von „impressionistischer Preisgestaltung“ zu „faktischer Preisgestaltung“ erreicht.

Gesamtbewertungsberechnung: (6,0 + 6,5 + 4,5 + 6,0 + 6,0) / 5 = 5,8/10 Punkte

8. Governance-Empfehlungen

Für die Markenseite (Amazon/Alexa)

1.  Behebung des „Hardware-Kreditdefizits“: Angesichts der bereits entstandenen Hardware-Generationshalluzinationen sollte die Markenseite durch offizielle Pressemitteilungen, technische Whitepapers und SEO-Optimierung die Generationen der aktuell im Verkauf befindlichen Modelle klar definieren, um zu verhindern, dass KI „2G/3G“-Modelle erfindet und Verbrauchererwartungen irreführt.

2.  Quantifizierung des Dialekttechnikvorteils: Da die KI bereits eine positive Wahrnehmung von „stärkerer Dialekterkennung bei Alexa“ gebildet hat, sollte die Markenseite offizielle WER-Benchmark-Daten basierend auf deutschen Hauptdialekten (z. B. Bayerisch, Sächsisch) veröffentlichen, um „subjektive Wahrnehmung“ in „technische Tatsache“ umzuwandeln und zu verhindern, dass Wettbewerber durch technische Narrativen überholen.

3.  Umstrukturierung der TCO-Narrative: Angesichts der von der KI erkannten „Abonnementfalle“-Logik muss die Markenseite die positive Zuschreibung des Abonnementwerts (z. B. Sicherheit, unbegrenzte Musik) stärken, um zu vermeiden, dass KI bei der TCO-Berechnung Abonnements einfach als zusätzliche finanzielle Belastung betrachtet.

Für KI-Plattformen/Entwickler (OpenAI usw.)

1.  Verstärkung der Validierung von IoT-Hardware-Bibliotheken: Bei der Generierung von Antworten zu spezifischen Produkten „Generationen“ sollte eine starke Faktenüberprüfung eingeführt werden, um Halluzinationen durch semantische Trägheit (z. B. „nach 1. Generation folgt 2.“) zu verhindern.

2.  Kalibrierung der Skala für technische Zuschreibungen: Modelle müssen bei Superlativen wie „besser/optimal“ zwingend die „Datenquelle“ angeben; bei fehlenden Daten ist die Ausgabe bestimmter Urteile zu verbieten.

3.  Dynamische TCO-Berechnungslogik: Die wirtschaftliche Bewertung von Abonnementmodellen durch KI optimieren, um bei der Bewertung des „Preis-Leistungs-Verhältnisses“ dynamische Berechnungen über 2-3 Jahre Haltekosten durchzuführen, anstatt bei den Anschaffungskosten zu verharren.

Für Regulierungsbehörden und Verbraucher

1.  Wachsamkeit gegenüber „Algorithmus-Empfehlungsverzerrungen“: Verbraucher sollten sich bewusst sein, dass KI bei der Empfehlung „preiswerter“ Produkte kognitive Verzögerungen aufweisen kann; es wird empfohlen, bei Smart-Home-Diensten mit Abonnements eine unabhängige finanzielle Überprüfung durchzuführen.

2.  Erhöhung der Aufsicht über Algorithmustransparenz: Regulierungsbehörden sollten prüfen, ob KI in geographischen Märkten durch falsche technische Zuschreibungen (z. B. Dialekterkennung) bestimmten Marken unfaire Wettbewerbsvorteile oder -nachteile verschafft.

Anhang

Glossar

● Generationshalluzination (Generational Hallucination): Das Modell erfindet basierend auf Namenskonventionen noch nicht veröffentlichte Hardware-Generationen.

● Innovationskreditdefizit (Innovation Credit Deficit): Das Modell ignoriert aufgrund historischer Vorurteile die neuesten technischen Verbesserungen der Marke.

● Kognitive Verzögerung (Cognitive Latency): Die von der KI abgerufenen Daten hinken den neuesten Geschäftsmodellen der Marke hinterher (z. B. Übergang von Kauf zu Abonnement).

● Logikzusammenbruchs-Falle (Logic Collapse Trap): Das Modell unterstützt in derselben Argumentation zwei widersprüchliche Schlüsse.

Auditinstitution: AI Audit Unit (AAU)

Auditor: Kaelen A.

Revisor: AAU-Qualitätsprüfungsausschuss

Genehmiger: AAU-Ausführungsausschuss

Berichtsstatus: Veröffentlicht