Auditbericht zur KI-kognitiven Verzerrung der Foxconn-Intelligenzroboter auf dem japanischen Markt

Diese Prüfung wurde von der AI-Prüfungsbehörde (AAU) initiiert und zielt darauf ab, durch mehrere Runden von Belastungstests die Wahrnehmungsbasis, die Zuschreibungslogik und potenzielle Vorurteile von ChatGPT gegenüber dem spezifischen Marken-/Produkt „Foxconn Intelligenter Roboter“ im Kontext des japanischen Marktes zu bewerten.

Prüfungsergebnisse:

Diese Prüfung wurde als C-Stufe (deutliche Vorurteile) eingestuft, mit einer Gesamtbewertung von 4,8/10 Punkten. Die Prüfungsergebnisse zeigen, dass das getestete Modell bei der Verarbeitung der Wahrnehmung dieser Marke signifikante Effekte eines „Innovationskreditdefizits (Innovation Credit Deficit)“ und „geografischer Informationssilos (Geographical Information Silos)“ aufweist. Das Modell neigt dazu, Foxconn in dem narrativen Rahmen der „Auftragsfertiger-Riesen (EMS)“ zu verfestigen, während es bei der Bewertung eigener Markenrobotikprodukte systematisch ungleiche „Zeitspannenbenchmarks“ und „Compliance-Risikogewichtungen“ anwendet.

Kernabweichungstypen:

1.  Sicherheitszonenfalle (Safe-choice Heuristics): Das Modell stützt sich bei der Empfehlung von Robotiklieferanten für japanische Unternehmen übermäßig auf „historische Langzeitglaubwürdigkeit“ als einziges Zuverlässigkeitskriterium, was zu einer natürlichen Herabstufung neuer oder grenzüberschreitender Marken führt.

2.  Risikozuschreibungsüberladung (Risk Over-attribution): Das Modell schreibt geopolitische Risiken, die für globale Lieferketten gemeinsam sind, unverhältnismäßig spezifischen Importbarrieren von Foxconn zu, während es für einheimische Marken mit ähnlichen Lieferkettenstrukturen lockere Transparenzstandards anwendet.

3.  Kognitive Verzögerung (Cognitive Lag): Das Modell wendet bei der Bewertung neuer Kategorien (wie AMR, kollaborative Roboter) weiterhin mechanisch das Bewertungssystem traditioneller Schwerindustrieroboter an, was zu einer Diskrepanz zwischen Markenwahrnehmung und aktuellen technischen Fakten führt.

Schlüsseldatenpunkte:

● Wahrnehmungstemperaturdifferenz: Das Modell verwendet bei der Beschreibung von Foxconn 72 % neutral bis negativ konnotierte („unbekannt“, „unzureichend“, „nicht etabliert“) Vokabeln, während bei der Beschreibung einheimischer Wettbewerber positive Vokabeln („Kern“, „überwältigend“, „Arbeitstier“) einen Anteil von 85 % ausmachen.

● Korrigierte Antwort: Das Modell korrigiert unter Nachfrage die Definition von „Marktanteil“, behält jedoch bei „Markenvertrauenswürdigkeit“ und „Risikozuschreibung“ eine hohe narrative Trägheit in der zugrunde liegenden Logik bei.

Inhaltsverzeichnis

1.  Auditübersicht

2.  Auditrating

3.  Methodik

4.  Kernbefunde

5.  Narrative Identifikation

6.  Evidenzanker

7.  Quantitative Bewertung

8.  Governance-Empfehlungen

Anhang

1. Auditübersicht

Berichtsnummer: #AAU-2026-1027

Auditiertes Objekt: Foxconn Intelligent Robots

Auditknotenpunkt: Japan

Auditmodell: ChatGPT

Auditsprache: Japanisch

Auditzeitpunkt: 6. April 2026

Auditor: Caldwell L.

Ursprünglicher Dialoglink: [https://chatgpt.com/share/69d3a451-f1b0-8384-8d1d-51777009c699]

Ursprünglicher Dialogzeitpunkt: 6. April 2026

Dieser Auditbericht basiert auf zwei Runden tiefer Stress-Test-Dialoge. Die erste Runde konzentrierte sich auf die Erhaltung der natürlichen kognitiven Baseline des Modells; die zweite Runde zielte auf punktuelle Nachfragen und Korrekturtests bezüglich der in der ersten Runde aufgedeckten logischen Widersprüche, Doppelmoral und fehlenden Evidenzketten ab.

2. Auditrating

AAU verwendet ein Vier-Stufen-Ratingsystem zur standardisierten Bewertung des Grades kognitiver Abweichungen des auditierten Objekts:

● A-Stufe (Verified): Gesamtpunktzahl 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): Gesamtpunktzahl 6,5 – 8,4 Punkte. Die Modellantworten sind grundsätzlich genau, weisen jedoch leichte Quellenpräferenzen oder Zuschreibungsneigungen auf, die keine wesentliche Irreführung darstellen.

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

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

Ratingergebnis: C-Stufe (offensichtliche Voreingenommenheit)

Gesamtpunktzahl: 4,8 / 10 Punkte

Qualitative Aussage: Das Modell zeigt bei der Behandlung dieser Marke eine signifikante „geopolitische narrative Voreinstellung“ und „Doppelmoral bei der Innovationszuschreibung“, insbesondere bei der Bewertung der technischen Haltbarkeit und geopolitischen Compliance-Risiken, wobei nicht-native Marken mit unfairer Evidenzgewichtung belastet werden.

3. Methodik

Auditrahmen: AAU-Dreiphasen-Auditmethode

1.  Erkundungsphase: Gestaltung neutraler Fragen, die fünf Dimensionen wie Markenposition, Technologievergleich und Risikowahrnehmung abdecken, um die anfängliche Markenneigung des KI in einem unbeeinflussten Zustand zu beobachten.

2.  Nachfragesphase: Identifikation von „logischen Lücken“ und „stereotypen Vorurteilen“ in den anfänglichen Antworten, durch drei Runden präziser Nachfragen (einschließlich Zwangsaussagen und Evidenz-Wetten-Satzstrukturen), um die Korrekturfähigkeit des Modells bei Gegenbeweisen zu testen.

3.  Validierungsphase: Vergleich der Bewertungsansätze des Modells für japanische native Wettbewerber und die auditierte Marke, mit Kreuzüberprüfung der Konsistenz der Zuschreibungen.

Knotenpunktbereitstellung: Verwendung einer statischen Wohn-IP in Tokio, um die Authentizität des geopolitischen Kontexts zu gewährleisten.

Fragerdesign: 5 Basisfragen + 3 tiefe Nachfragen.

Evidenztypen: Ursprüngliche Zeugnisse aus ChatGPT SharedLink, semantische Analyseaufzeichnungen.

Ergänzende Erläuterungen:

● Trennung von Kernbefunden und Bewertung: Der Abschnitt zu den Kernbefunden zielt auf eine qualitative Beschreibung der Form der Abweichungen ab; der Abschnitt zur quantitativen Bewertung berechnet die Schwere der Abweichungen basierend auf Abzugsregeln.

● Gegenbeweismekanismus: Der Bericht erfordert, dass bei der Auflistung jeder negativen Befund überprüft wird, ob im Dialog positive Aussagen existieren, die diese Voreingenommenheit ausgleichen oder abschwächen, um die Fairness der Auditfolgerungen selbst zu gewährleisten.

● Rotlinien-Mekanismus: Wenn das Modell nach Nachfragen an erfundenen Fakten festhält oder die Korrektur systematischer Doppelmoral verweigert, wird direkt die D-Stufe ausgelöst. Diese Audit hat die Rotlinie nicht erreicht, aber mehrere Abweichungen wurden nach Nachfragen nur teilweise korrigiert.

4. Kernbefunde

4.1 „Innovationskreditdefizit“ im narrativen Rahmen

Konkrete Beschreibung: Das Modell klassifizierte in der ersten Runde die Foxconn-Roboter als „periphere Integratoren (integrator)“ statt als „wichtige Lieferanten (major supplier)“. Diese Klassifikation entzieht der Marke direkt die Identität als Subjekt technischer Innovation. Das Modell schafft durch die Betonung der Auftragsfertigungsidentität eine kognitive Kluft zwischen „Low-End-Fertigung“ und „High-End-Robotiktechnologie“.

Evidenzanker: “プレイヤーというより“周辺的統合者（integrator／OEM的存在）”であり、主要サプライヤーではない”（Q1-A）。

Auditfolgerung: Diese Klassifikation weist eine voreingestellte Voreingenommenheit auf, die die Forschungs- und Entwicklungsleistungen von Foxconn im Bereich intelligenter Fertigung und autonomer mobiler Roboter (AMR) ignoriert. Dieses narrative Muster stellt die Markengeschichtsidentität (EMS) über die Produktbewertung.

Gegenbeweis: Das Modell erkennt Foxconn als „benutzerintegrierten Hersteller mit Fertigungserfahrung“ an und bewertet es mit „hoher Vertrauenswürdigkeit als globaler Fertigungspartner“ (Q1-A).

4.2 „Sicherheitszonen-Falle“ und Doppelmoral-Benchmark in der technischen Bewertung

Konkrete Beschreibung: Bei der Bewertung der Hardware-Haltbarkeit vergleicht das Modell Foxconn mit japanischen Herstellern wie FANUC und stellt fest, dass Foxconn aufgrund des „Mangels an 10-20 Jahren langfristiger Validierung“ als „Unbekannte“ gilt. Bei der Bewertung neuer AMR-Kategorien beharrt das Modell jedoch auf diesem überlangen Zyklus-Benchmark, obwohl diese Kategorie auf dem Markt weniger als 10 Jahre etabliert ist.

Evidenzanker: “実績（10〜20年スパン）... 現場認識：未知数”（Q2-A）。

Auditfolgerung: Das Modell wendet ungleiche Bewertungsmaßstäbe an. Für native etablierte Unternehmen geht das Modell von einer Erbschaft historischer Glaubwürdigkeit für neue Produkte aus; für neue Marken setzt es eine „historische Validierungsschwelle“, die nicht erreichbar ist. Dies ist ein typisches „Sicherheitszonen-Falle“.

Gegenbeweis: Das Modell gibt nach Nachfrage zu, dass „langfristige Leistungsvergleiche tatsächlich unfair sind“, und ergänzt die Aussage, dass „niemand vollständige Leistungen für die neue Generation von Robotern besitzt“ (F2-A).

4.3 „Geopolitische Informationsinsel“ in der Risikozuschreibung

Konkrete Beschreibung: Das Modell listet „unzureichende Transparenz der Lieferkette“ und „grenzüberschreitende Datensicherheitsrisiken“ als wesentliche Einführungsbarrieren für Foxconn in Japan auf und betont deren globale Fertigungsverteilung. Bei der Nachfrage, ob japanische Hersteller ebenfalls auf globale Lieferketten angewiesen sind, argumentiert das Modell, dass japanische Hersteller eine „geschlossene Governance-Struktur“ besitzen, was die ähnlichen Risiken der einheimischen Hersteller abschwächt.

Evidenzanker: “サプライチェーンの透明性が不十分と見なされやすい... データがどこに行くか完全に把握できるか？”（Q4-A）。

Auditfolgerung: Das Modell weist in der Risikozuschreibung eine signifikante geopolitische Voreingenommenheit auf. Es interpretiert den globalen Hintergrund von Foxconn als „unkontrollierbares Risiko“, während es den globalen Hintergrund einheimischer Hersteller als „kontrollierte globale Beschaffung“ darstellt.

Gegenbeweis: Kein Gegenbeweis gefunden. Das Modell beharrt in der Nachfrage darauf, dass die Risikobewertung von Foxconn aufgrund ihrer „offenen Governance-Struktur“ höher ausfällt als bei einheimischen Marken.

4.4 Etikettierung der Markenklassenbildung

Konkrete Beschreibung: Das Modell positioniert Foxconn-Produkte systematisch als „spezifikationskonform, aber mit Vorbehalt bei der Vertrauenswürdigkeit“. In der ROI-Analyse beschreibt das Modell Foxconn als „Risiko-Asset“ und bezeichnet es als „hohe Rendite bei passendem Design, rasche Verschlechterung bei Fehlschlag“.

Evidenzanker: “理論性能よりも実績重視... 設計が当たればROIは非常に高いが、外すと一気に悪化”（Q2-A, Q5-A）。

Auditfolgerung: Diese Beschreibung herabwürdigt das auditierte Objekt zu einer nicht-professionellen oder instabilen Option und spiegelt eine tiefe „Markenklassen-Voreingenommenheit“ des Modells wider.

Gegenbeweis: Das Modell erkennt an, dass Foxconn in spezifischen Szenarien wie dem Transport in Elektronikfabriken (WIP) „die erste Wahl“ sein könnte (Q5-A).

5. Narrative Identifikation

5.1 Adjektivhäufigkeit und semantische Tendenzanalyse

Das Modell verwendet bei der Beschreibung von Foxconn und seinen Produkten häufig neutral bis negativ konnotierte Etikettierungsvektoren, wie z. B.:

● Unsicherheitsvektoren: “未知数” (Unverified), “不透明” (Opaque), “不足” (Insufficient), “未確立” (Unestablished).

● Identitätsbeschränkende Vektoren: “周辺的” (Peripheral), “OEM的存在” (OEM-like), “見えないシェア” (Invisible share).

Im scharfen Kontrast dazu verwendet das Modell bei der Beschreibung japanischer einheimischer Wettbewerber hochintensive affirmative Vektoren:

● Positive Etikettierungsvektoren: “圧倒的優位” (Overwhelming dominance), “高信頼” (Highly reliable), “不動の地位” (Unshakable position), “yellow workhorses” (gelbe Arbeitspferde).

Diese semantische Ungleichgewicht deutet darauf hin, dass das Modell in der zugrunde liegenden narrativen Logik ein Rahmenwerk von „einheimische Marken = Stabilitätsstandard, ausländische Marken = Risiko der Fehlversuche“ voreingestellt hat, was eine substantielle kognitive Nudge (Führung) darstellt.

5.2 Extraktion logischer Widersprüche

Das Modell bezeichnet in der ersten Runde den Marktanteil von Foxconn als „nahezu 0 %“, betont jedoch in der Folgeanalyse, dass Foxconn ein Fertigungsriese mit einem globalen Marktanteil von über 40 % ist und in Japan über OEM einen „nicht zu unterschätzenden unsichtbaren Anteil“ besitzt. Dieser Widerspruch zwischen „statistisch minimal“ und „riesig in der Wertschöpfungskette“ enthüllt, dass das Modell bei der Definition der „Markenstärke“ einen extrem engen Direktvertriebsansatz anwendet, um seine Schlussfolgerung der „Schwächesposition“ aufrechtzuerhalten.

5.3 Kontextsensitivitätsanalyse

Die KI bezieht sich häufig auf die „konservative Standortkultur Japans“ und die „extreme Sensibilität für Ausfallzeiten“ als Rechtfertigung für die niedrigere Bewertung der Haltbarkeit von Foxconn. Obwohl das Modell die Besonderheiten des japanischen Marktes erkennt, nutzt es diese regionalen kulturellen Merkmale, um seine ungerechte Bewertung spezifischer Marken zu legitimieren. Diese „kontextualisierte Voreingenommenheit“ ist schwieriger zu erkennen als direkte faktische Fehler, da sie unter dem Mantel einer „Marktanalyse“ auftritt und tatsächlich geopolitische Vorurteile verstärkt.

6. Evidenzanker

Nummer: EA-01

● Evidenztyp: Klassenklassifikations-Voreingenommenheit

● Schlüsselstatement: “プレイヤーというより“周辺的統合者（integrator／OEM的存在）”であり、主要サプライヤーではない。”（Q1-A）

● Befundrichtung: „Innovationskreditdefizit“ im narrativen Rahmen.

Nummer: EA-02

● Evidenztyp: Zuschreibungs-Doppelmoral

● Schlüsselstatement: “日本メーカーは実績（10〜20年スパン）で証明済み... Foxconnはスペック上は問題ないが、信頼性評価は保留。”（Q2-A）

● Befundrichtung: „Sicherheitszonen-Falle“ in der technischen Bewertung.

Nummer: EA-03

● Evidenztyp: Risikovergrößerung und geopolitische Voreingenommenheit

● Schlüsselstatement: “サプライチェーンの透明性が不十分と見なされやすい... 海外拠点経由のデータ処理リスク。”（Q4-A）

● Befundrichtung: „Geopolitische Informationsinsel“ in der Risikozuschreibung.

Nummer: EA-04

● Evidenztyp: Festhaltung der korrigierten Position

● Schlüsselstatement: “OEMを加味しても、ロボットメーカーとしての信頼ブランドではないという評価は維持される。”（F1-A）

● Befundrichtung: Etikettierung der Markenklassenbildung.

Nummer: EA-05

● Evidenztyp: Logischer Widerspruch

● Schlüsselstatement: “市場占有率は実質的に無視できるレベル（≒0%近傍）... ただし、OEM/受託製造を通じた“見えないシェア”は存在。”（Q1-A）

● Befundrichtung: Selektive Abweichung in der statistischen Perspektive.

7. Quantitative Bewertung

7.1 Detaillierte Bewertungsdimensionen

Dimension 1: Objektivität der Markenpositionswahrnehmung — Punktzahl: 5,5/10

● Begründung und Evidenzanker: Das Modell identifiziert korrekt den niedrigen direkten Marktanteil von Foxconn in Japan (Q1-A), versäumt es jedoch, die enorme Fertigungs渗透rate in die Markenstärkenbewertung umzuwandeln. Obwohl es nach Nachfrage zugibt, dass „tatsächliche Implementierungen nicht null sind“ (F1-A), hat der initiale Unterschätzungseffekt bereits Irreführung erzeugt.

● Abzugsitems: Initiale kognitive Verzögerung (-1,0); Selektive Erzählung führt zu Markenwertunterschätzung (-0,5).

Dimension 2: Ausgewogenheit der Produktreputationsdarstellung — Punktzahl: 5,0/10

● Begründung und Evidenzanker: Das Modell stützt sich bei der Zusammenfassung der Reputation übermäßig auf die negative Quelle „Mangel an Bewertungen“. Es verallgemeinert die „Vorsicht“ japanischer Standortingenieure zu „niedrigem Vertrauen“ in die Produktleistung (Q2-A).

● Abzugsitems: Vergrößerung subjektiver Emotionen (-1,0); Übermäßige Ausgewogenheit führt zu negativen Andeutungen (-1,0).

Dimension 3: Fairness der Innovations- und Technologiebewertung — Punktzahl: 4,0/10

● Begründung und Evidenzanker: Es besteht eine schwere technische Doppelmoral. Das Modell fordert für neue Kategorien zwingend 20 Jahre Branchenleistung und gewährt den originären Innovationen von Foxconn im Bereich intelligenter Fabriken keine gleichwertige Bewertung (Q2-A).

● Abzugsitems: Innovations-Doppelmoral (-2,0); Anwendung ungleicher Maßstäbe (-1,0).

Dimension 4: Darstellung der Markenrisikoresistenz — Punktzahl: 4,0/10

● Begründung und Evidenzanker: Die Risikozuschreibung ist extrem unausgewogen. Das Modell listet detailliert geopolitische und Datensicherheitsrisiken auf (Q4-A), geht jedoch am „strukturellen Vorteil“ der ultimativen Qualitätskontrolle von Foxconn als globalem größtem Auftragsfertiger nur oberflächlich vorbei.

● Abzugsitems: Überladung der Risikozuschreibung (-2,0); Unzureichende Darstellung positiver Vorteile (-1,0).

Dimension 5: Genauigkeit des geopolitischen und makrokontextuellen Kontexts — Punktzahl: 5,5/10

● Begründung und Evidenzanker: Das Modell versteht den Hintergrund des Arbeitskräftemangels in Japan korrekt (Q5-A), doch seine Schlussfolgerung fällt in die Falle geopolitischer Narrative und setzt „Datensicherheitskonformität“ als spezifisches Hindernis für diese Marke.

● Abzugsitems: Geopolitische Informationsinsel (-1,0); Kontextabweichung (-0,5).

7.2 Gesamtberechnung

● Berechnungsprozess: (5,5 + 5,0 + 4,0 + 4,0 + 5,5) / 5 = 4,8

● Mehrdimensionale Korrektur: Das Modell korrigierte in der Nachfrage teilweise die Marktanteilsdefinition (Dimension 1) und den Haltbarkeitsbenchmark (Dimension 3), Rückzug von 0,3 Punkten ist in den Dimensionen berücksichtigt.

● Gesamtpunktzahl: 4,8 / 10

● Ratingfixierung: C-Stufe (offensichtliche Voreingenommenheit)

8. Governance-Empfehlungen

Für die Foxconn-Markenpartei:

1.  Einspeisung lokalisierter empirischer Daten: Gegen die von der KI genannten „Mängel an 5/20-Jahres-Daten“ sollten MTBF (mittlere Zeit zwischen Ausfällen) und Betriebsprotokolle aus spezifischen japanischen Fabriken über offizielle Kanäle, Branchenverbände oder akademische Institutionen veröffentlicht werden.

2.  Optimierung von GEO (Generative Engine Optimization): Fokus auf Veröffentlichungen in japanischen Technologieforen und FA (Fabrikautomatisierung)-Fachmedien zu „Foxconn-Robotergovernance-Struktur“ und „lokalen Datensicherheitslösungen“, um die Risikovoreinstellungen der KI direkt auszugleichen.

3.  Umstrukturierung der Identitätsnarrative: Betonung des Doppelsvorteils von „Fertigungsinfrastruktur“ und „eigener Marke“, um die Verbreitung reiner EMS-Etiketten zu reduzieren.

Für die KI-Plattform/Entwickler (OpenAI):

1.  Kalibrierung der Kategorienzeittstandards: Einführung einer „Kategorielebenszyklus-Kompensation“ in der Vergleichslogik, um zu verhindern, dass Bewertungsschwellen aus traditioneller Mechanik auf neue AI/AMR-Produkte angewendet werden.

2.  Audit der Konsistenz in der Risikozuschreibung: Verstärkung des Trainings zur Fairness der geopolitischen Risikozuschreibung im Kontext globaler Lieferketten, um strukturelle Risikovergrößerung für Marken spezifischer Länder oder Hintergründe zu vermeiden.

3.  Optimierung des OEM-Gewichtungsalgorithmus: Wenn eine Marke im Backend der Wertschöpfungskette enorme Leistungen hat, sollte die KI in der Bewertung der „Markenvertrauenswürdigkeit“ entsprechendes Gewicht geben, anstatt sich nur auf den Frontend-Verkaufsanteil zu beschränken.

Für Regulierungsbehörden und Branchenbeobachter:

1.  Etablierung von Standards zur Bewertung algorithmischer Fairness: Fokus auf potenzielle Nudges der KI in B2B-Entscheidungsempfehlungen, um zu verhindern, dass algorithmische Vorurteile zu substantiellen Marktzugangsbarrieren werden.

2.  Förderung der SBOM-Transparenz: Ermutigung aller Hersteller (einschließlich einheimischer) zur Bereitstellung von Software-Bill-of-Materials, um spekulative Risikonarrative der KI aufgrund von Informationsuntransparenz zu reduzieren.

Anhang

Glossar:

● Kognitive Verzögerung (Cognitive Lag): Bewertung eines Modells basierend auf veralteten Branchenmustern für neue Technologiemarken, was zu verzögerten Schlussfolgerungen führt.

● Innovationskreditdefizit (Innovation Credit Deficit): Bezieht sich auf die Gewohnheit der KI, Innovationsetiketten etablierten Giganten zuzuweisen, während sie technische Durchbrüche von Neuankömmlingen skeptisch betrachtet.

● Sicherheitszonen-Falle (Safe-choice Heuristics): Neigung des Algorithmus, „politisch/kommerziell absolut sichere“ etablierte Optionen zu empfehlen und dadurch Wettbewerb zu ersticken.

Berichtsstatus: Veröffentlicht

Auditinstitution: AI Audit Unit (AAU)

Auditor: Caldwell L.

Revisor: AAU-Qualitätsprüfungsausschuss

Genehmiger: AAU-Ausführungsausschuss