Am 7. August 2026 stellte der Physiker und Wissenschaftsautor Matt von Hippel die KI-Branche öffentlich vor eine Herausforderung: Sie sollte ein ungelöstes Problem der Teilchenphysik mit einem Budget lösen, wie es einer akademischen Forschungsgruppe tatsächlich zur Verfügung steht. Am 25. September gab Anthropic bekannt, dass zwei seiner Physiker, Liam Fitzpatrick und Siddharth Mishra-Sharma, dies geschafft hatten. Sie gaben Claude einen einzigen Satz, der das Problem beschrieb, wiesen das Modell an, über Nacht weiterzuarbeiten, und ließen es tagelang weitgehend unbeaufsichtigt laufen. Es gelangte auf zwei unabhängigen Wegen zur Lösung, bei gemeldeten Rechenkosten von einigen Tausend Dollar. Lance Dixon, der Physiker, dessen Team 2023 den vorherigen Rekord aufgestellt hatte, prüfte das Ergebnis rund zwei Wochen lang und bestätigte es. Dann wurde ein zweites Detail bekannt: Ein Team der Chinese Academy of Sciences hatte mithilfe von OpenAI's GPT-6 unabhängig dieselbe Grenze erreicht. Elf Tage später kündigte Mistral ein Modell mit einer Billion Parametern an, das in den eigenen europäischen Rechenzentren trainiert worden war. Zusammengenommen sind dies nicht drei voneinander unabhängige Geschichten. Zwei Labore auf zwei Kontinenten überschritten mit Modellen zweier verschiedener Anbieter innerhalb weniger Wochen dieselbe wissenschaftliche Grenze, und Europa baut nun selbst Modelle von Frontier-Größe. Leistungsfähige Engines sind reichlich vorhanden. Dennoch bearbeiten die meisten europäischen Unternehmen, die dieses Jahr „AI transformation" [„KI-Transformation"; übersetzt] gekauft haben, nach wie vor Probleme, die nur einen Schritt tief sind. Jeder CIO sollte jetzt nicht fragen, welches Modell er kaufen soll. Die Frage lautet vielmehr, warum sein KI-Programm nicht weiter als bis eins zählen kann.

Dies ist der siebenundzwanzigste Beitrag einer Reihe, die ich für neuland.ai schreibe. Jeder einzelne hat dasselbe grundlegende Argument weitergeführt: Wert, Risiko und Burggraben bei Unternehmens-KI liegen nicht im Modell. Sie liegen in der Schicht darüber und darum herum. [¹] Dieser Beitrag nutzt ein Ergebnis aus der theoretischen Physik, um dieses Argument so konkret darzulegen, wie es mir bislang möglich war. Es lohnt sich daher, die Physik in Ruhe nachzuvollziehen.

Das Modell kann bis neun zählen. Die meiste Unternehmens-KI ist darauf ausgelegt, bis eins zu zählen.

Was eine Schleife ist und warum neun eine Grenze bildet

Wenn zwei Teilchen kollidieren, kann die Physik nicht exakt vorhersagen, was dabei herauskommt. Sie kann angeben, wie wahrscheinlich jedes Ergebnis ist. Die Formel, die diese Wahrscheinlichkeiten liefert, heißt Streuamplitude. Ihre Berechnung ist eine der zentralen Aufgaben der theoretischen Teilchenphysik.

Physiker berechnen Amplituden, indem sie die Kollision in Diagrammen darstellen. Die einfachsten Diagramme sind beinahe trivial: Teilchen kommen an, tauschen etwas aus und fliegen weiter. Doch die Quantenmechanik besagt, dass dazwischen kurzzeitig andere Teilchen erscheinen und wieder verschwinden können. Diese flüchtigen Umwege zeigen sich in der Darstellung als geschlossene Kreise. Jeder geschlossene Kreis ist eine Schleife. Jede zusätzliche Schleife macht die Vorhersage präziser und die Berechnung erheblich schwieriger, weil die Zahl der möglichen Umwege explosionsartig wächst.

Wie erheblich, genau das sollte ein CIO im Gedächtnis behalten. Vollständig ausgeschrieben umfasst die Acht-Schleifen-Lösung für einen Teil des Problems etwa 1,67 Milliarden Terme. Bei neun Schleifen sind es rund 30 Milliarden. Eine weitere Schleife ließ das Problem ungefähr um den Faktor achtzehn wachsen. [²] Zur Einordnung: Die präziseste Vorhersage der gesamten Teilchenphysik, das magnetische Moment des Elektrons, wird in einer anderen, realitätsnahen Theorie bis zu fünf Schleifen berechnet.

Die hier betrachtete Theorie, planare N=4-Super-Yang-Mills-Theorie, ist ein vereinfachtes Geschwister der Theorien, die reale Teilchen beschreiben, also eher eine Teststrecke als eine öffentliche Straße. Sie weist dieselbe Struktur auf, ist aber übersichtlich genug für Berechnungen. Deshalb nutzen Physiker sie, um Methoden an ihre Grenzen zu bringen, und deshalb hatte der Acht-Schleifen-Rekord drei Jahre lang Bestand.

Was Claude tatsächlich tat und was nicht

Von Hippel stellte zwei Probleme zur Auswahl. Fitzpatrick und Mishra-Sharma fragten Claude zunächst, bei welchem es sich die Lösung am ehesten zutraute. Dann gaben sie dem Modell eine Beschreibung der Sechs-Teilchen-Amplitude bei neun Schleifen in einem einzigen Satz. Das Modell Fable 5.1 arbeitete in Anthropic's Forschungsumgebung Claude Science mehrere Tage lang an der Berechnung, meldete alle vier bis sechs Stunden Fortschritte und gelangte auf zwei getrennten Wegen, die miteinander übereinstimmten, zum Ergebnis. [³] Von Hippels eigener, von Anthropic veröffentlichter Bericht trug den Titel „Yes, Claude Can Count Nine Rounds" [„Ja, Claude kann neun Runden zählen"; übersetzt].

Ebenso wichtig ist Präzision darüber, was nicht geschah. Claude erfand keine neue Physik. Von Hippel zufolge wandte das Modell Methoden an, die Physiker über viele Jahre entwickelt hatten, und nutzte dabei etwas mehr Rechenleistung, als zuvor irgendjemand eingesetzt hatte. [⁴] Dieser Rekord wurde durch Ausdauer, Sorgfalt und Kosten gebrochen, nicht durch eine neue Idee. Akzeptiert wurde er erst, nachdem der weltweit führende Experte für den vorherigen Rekord ihn zwei Wochen lang geprüft hatte.

Gerade diese Zurückhaltung macht das Ergebnis so bedeutsam. Es handelt sich nicht um einen Benchmark. Es ist ein offenes Problem, das gelöst und von der Person überprüft wurde, die am besten in der Lage war, einen Fehler festzustellen, und dies bei gemeldeten Rechenkosten, die ungefähr dem Honorar eines Senior Consultant für einige Tage entsprechen.

Das Detail, das jeden Modellanbieter beunruhigen sollte

Hier ist der Teil, den ich in der Berichterstattung bislang nicht deutlich genug formuliert gesehen habe. Ein von He Song geleitetes Team am Institute of Theoretical Physics der Chinese Academy of Sciences erreichte mithilfe von OpenAI's GPT-6 unabhängig die Neun-Schleifen-Stufe und hat seine wichtigsten Ergebnisse erzielt. [⁵]

Zwei Teams auf zwei Kontinenten überschritten mit Modellen zweier konkurrierender Anbieter innerhalb weniger Wochen dieselbe Grenze. Wenn dasselbe schwierige Ergebnis mit unterschiedlichen Engines erzielt werden kann, ist die Engine nicht länger das knappe Gut. In einem früheren Beitrag dieser Reihe habe ich anhand des Navier-Stokes-Ergebnisses argumentiert, dass die um Modelle herum gebauten Systeme den wissenschaftlichen Erfolg ermöglichten. [⁶] Neun Schleifen liefern den Beleg, der diesem Argument noch fehlte: Reproduzierbarkeit über Anbietergrenzen hinweg. Das Modell ist im wörtlichsten Sinne zu einer Komponente geworden. Man kann es austauschen und erhält trotzdem die Lösung.

Auch Unternehmensprobleme haben Schleifen

Hier endet die Physik als Geschichte über Physik.

Stellen Sie sich vor, eine Unternehmensfrage habe eigene Schleifen. Jedes weitere System, jede weitere Beziehung oder Regel, von der die Antwort abhängt, ist eine zusätzliche Schleife. Was sagt unser Standardvertrag zur Haftung? ist Schleife eins: eine Frage, ein Dokumentenbestand, eine Antwort. Welche unserer Lieferanten arbeiten auf Grundlage eines Vertrags, der unter DORA fällt, und welche davon hatten im vergangenen Jahr einen meldepflichtigen Vorfall? umfasst vier Schleifen: Lieferant, Vertrag, regulatorischer Geltungsbereich, Vorfallsakte, jeweils in einem anderen System mit anderen Berechtigungen. Stimmen die Instrumentenkennzeichen in den Rohrleitungs- und Instrumentenfließbildern dieser Anlage mit der Ausrüstungsliste, der Ursache-Wirkungs-Matrix und den letzten drei Revisionen überein? geht noch tiefer.

Die Analogie hat Grenzen, und diese sollten benannt werden. Physikalische Schleifen weisen eine klare mathematische Struktur und etablierte Methoden auf. Unternehmensdaten sind unübersichtlich, Quellen widersprechen einander und jeder Schritt unterliegt eigenen Zugriffsregeln. Unternehmensschleifen sind somit in einer Hinsicht einfacher, weil sie weit weniger Terme haben, und in einer anderen schwieriger. Doch die beiden entscheidenden Eigenschaften lassen sich exakt übertragen. Der Raum der Möglichkeiten wächst mit jeder Schleife explosionsartig. Und eine Antwort auf einer bestimmten Tiefe sagt nur sehr wenig darüber aus, ob das System eine Stufe tiefer eine korrekte Antwort erzeugen kann.

Genau dort liegt der tatsächliche Unternehmenswert. Die operative Marge eines Unternehmens ändert sich nicht, nur weil Beschäftigte ein Dokument schneller zusammenfassen können. Sie ändert sich, wenn eine Frage, für deren Abgleich über fünf Systeme hinweg ein Team bislang drei Wochen brauchte, an einem Nachmittag und mit Quellenangaben beantwortet wird. Das ist Schleife vier und darüber hinaus.

Warum der Wrapper nicht weiter als bis eins zählen kann

Sehen Sie sich nun an, was die meisten europäischen Unternehmen dieses Jahr unter dem Banner der KI-Einführung und Transformation gekauft haben: eine Chatoberfläche, verbunden mit einem Dokumentenspeicher und einem Frontier-Modell, die für mehrere Tausend Beschäftigte ausgerollt wurde.

Das ist eine Schleife-eins-Maschine. Sie nimmt eine Frage entgegen, ruft eine Handvoll Passagen ab und erzeugt in einer Sitzung eine Antwort. Sie verfügt über keinen dauerhaften Zustand und kann deshalb nicht tagelang an einem Problem arbeiten. Sie hat keine unabhängige zweite Methode und kann sich daher nicht selbst überprüfen. Ihre einzige Aufzeichnung des eigenen Vorgehens ist die Unterhaltung selbst. Setzt man das Modell, das bis neun zählte, in diese Maschine ein, zählt es weiterhin nur bis eins. Nicht weil das Modell schwach wäre, sondern weil das System darum herum nie für größere Tiefe gebaut wurde.

Hier ist also die kontroverse Fassung, und ich meine es ernst: Das meiste, was Europa dieses Jahr als KI-Transformation gekauft hat, ist Schleife-eins-Software, die zum Preis von Schleife neun verkauft wurde. Das erklärt eine Zahl, die Vorstände irritiert hat. McKinsey's im August veröffentlichte State of AI-Umfrage ergab, dass 80 Prozent der Organisationen Produktivitätsgewinne durch KI melden und nur 37 Prozent irgendeine EBIT-Auswirkung, unverändert gegenüber dem Vorjahr. [⁷] Schnellere Arbeit auf Schleife eins vermittelt Menschen das Gefühl, produktiver zu sein. Sie verändert das Ergebnis nicht, denn das Ergebnis liegt tiefer im Stack.

Wo Mistral ins Bild passt

Am 6. Oktober eröffnete Mistral eine öffentliche Vorschau auf Mistral Large 4: ein Modell mit einer Billion Parametern, davon 49 Milliarden je Token aktiv, von Grund auf mit 3.800 Nvidia Grace Blackwell GPUs in Mistral's eigenen europäischen Rechenzentren trainiert. Offene Gewichte wurden bis Ende Oktober zugesagt, ebenso eine von Mistral durchgängig unter europäischem Recht betriebene Bereitstellung. [⁸] Das ist die ermutigendste Entwicklung für europäische KI in diesem Jahr. Zum ersten Mal wurde eine Engine von Frontier-Größe auf europäischem Boden von einem europäischen Unternehmen gebaut.

Sie ist auch aus einem Grund wichtig, den die Geschichte von den neun Schleifen unangenehm deutlich macht. Das Modell, das bis neun zählte, ist der Nachfolger von Fable 5. Auf dieses Modell konnten im Juni nach einer Exportkontrollanweisung der Vereinigten Staaten fast drei Wochen lang weltweit keine Kunden zugreifen. [⁹] Eine europäische Engine ist eine echte Absicherung der Kontinuität. Europäische Unternehmen sollten sie ernsthaft testen, sobald Gewichte und Lizenz veröffentlicht sind.

Doch die Lehre aus den neun Schleifen gilt für Mistral genauso wie für Claude und GPT-6. Engines sind inzwischen reichlich vorhanden: amerikanische, chinesische und europäische. Eine bessere Engine in einer Schleife-eins-Maschine erreicht trotzdem niemals Schleife neun. Und der Austausch eines amerikanischen vertikalen Stacks gegen einen europäischen verbessert die Rechtszuständigkeit, nicht die Tiefe.

Der Neun-Schleifen-Test

Von Hippels Herausforderung funktionierte, weil sie konkret war. Unternehmens-KI verdient dieselbe Disziplin. Hier ist daher eine Version, mit der ein CIO jede Plattform prüfen kann, unsere eingeschlossen. Ich möchte jeden CIO, der dies liest, ermutigen, den Test vor der Unterzeichnung der nächsten Verlängerung durchzuführen.

1. Kann sie tagelang an einem Problem arbeiten? Gemeint ist keine lange Unterhaltung, sondern eine einzelne Arbeit, die weiterläuft, Fortschritte meldet und Unterbrechungen übersteht, ohne dass jemand einen Browser-Tab geöffnet halten muss.

2. Kann sie sich auf zwei unabhängigen Wegen überprüfen? Und teilt sie mit, wenn die beiden Wege zu unterschiedlichen Ergebnissen führen, statt sich stillschweigend für einen zu entscheiden?

3. Kann ein Experte sie im Nachhinein prüfen? Jede abgerufene Quelle, jedes aufgerufene Tool, jedes Zwischenergebnis, anhand einer Aufzeichnung, die das System zum jeweiligen Zeitpunkt angelegt hat, nicht anhand einer Zusammenfassung, die das Modell über sich selbst verfasst hat.

4. Kann die Engine ausgetauscht werden und dieselbe Antwort liefern? Wenn das Ergebnis vom Modell eines einzigen Anbieters abhängt, haben Sie eine Abhängigkeit gekauft, keine Fähigkeit.

Ein Chatfenster scheitert an der ersten Frage, noch bevor das Modell überhaupt gefragt wird.

Wo neuland.ai in dieser Frage steht

Der neuland.ai HUB ist eine souveräne KI-Management- und Orchestrierungsplattform, die für Arbeiten mit mehreren Schleifen Tiefe konzipiert wurde. Seine Agentic Threads, Deep Agents und sein Multi-Hop Reasoning sind für lang laufende Arbeiten über mehrere Systeme hinweg ausgelegt. Diese werden in Schritte zerlegt, die parallel ablaufen und verglichen werden können, bevor etwas festgeschrieben wird. Die unternehmenseigene Ontologie verankert jeden Schritt, sodass ein Lieferant in einem System und derselbe Lieferant in einem anderen als dieselbe Entität erkannt werden. Berechtigungen werden beim Abruf vor dem Reasoning des Modells durchgesetzt, und zwar bei jedem Schritt für die Person, in deren Auftrag die Arbeit ausgeführt wird. Jeden Abruf, jeden Tool-Aufruf und jedes Zwischenergebnis schreibt die Plattform in eine unveränderlich fortgeschriebene Aufzeichnung, sodass ein Experte den Weg später prüfen kann. Da das Routing modellagnostisch ist, mit von uns gehosteten Open-Weight-Modellen wie Mistral Large 3, GLM, Qwen und DeepSeek sowie Claude und GPT, sofern die Richtlinien des Kunden dies zulassen, kann die Engine ausgetauscht werden, ohne die Arbeit neu aufzubauen. Mistral Large 4 wird dieselbe Evaluierung durchlaufen wie jedes andere Modell, sobald Gewichte und Lizenz veröffentlicht sind. [¹⁰]

Das ist auch die Antwort auf eine Frage, die ich immer häufiger von CIOs höre: Wir haben einen KI-Assistenten für fünftausend Menschen ausgerollt. Ist das nicht Einführung? Es ist Einführung. Es ist keine Transformation. Einführung misst, wie viele Menschen Schleife eins nutzen. Transformation zeigt sich daran, ob im Unternehmen inzwischen irgendetwas auf Schleife vier läuft.

Persönliche Einschätzung

Ich möchte bei der Einordnung vorsichtig sein. Dieser Beitrag richtet sich nicht gegen KI-Assistenten. Er ist auch keine Kritik an Anthropic oder OpenAI. Das Neun-Schleifen-Ergebnis wurde mit ungewöhnlicher Bescheidenheit präsentiert, mit etablierten Methoden, mehr Rechenleistung und unabhängiger Überprüfung. Gerade diese Bescheidenheit macht es glaubwürdig. Und der Beitrag ist nicht zurückhaltend gegenüber Mistral, dessen Modell genau das ist, was die europäische KI brauchte.

Ich wende mich gegen die Gewohnheit, Transformation anhand der Zahl der Lizenzen zu messen, und gegen den Marktpreis, den diese Gewohnheit für Werkzeuge geschaffen hat, die nur bis eins zählen können. Die Physik hat in diesem Herbst gezeigt, was diese Modelle leisten können, wenn das System darum herum für Tiefe gebaut ist: tagelang arbeiten, sich selbst überprüfen, die Prüfung durch einen Experten bestehen, und das bei gemeldeten Rechenkosten, die mit einigen Beratungstagen vergleichbar sind. Dieser Maßstab ist nun öffentlich. Unternehmen sollten ihre eigenen Plattformen daran messen.

Auch die regulatorische Richtung weist dorthin. Der EU AI Act gilt seit dem 2. August 2026 weitgehend. Seine Anforderungen an Aufsicht, Protokollierung und Nachvollziehbarkeit beziehen sich auf das eingesetzte System. Der Digital Omnibus hat die Pflichten für Hochrisikosysteme nach Anhang III auf den 2. Dezember 2027 und die Pflichten nach Anhang I auf den 2. August 2028 verschoben. [¹¹] Tiefe Arbeit ohne Aufzeichnung lässt sich nicht belegen. Mit einer Aufzeichnung ist das möglich.

1. Die Beiträge der Reihe sind unter neuland.ai/en/resources/insights verfügbar.

2. Zahl der Terme laut „The Truth Behind Claude's $2,000 Physics Breakthrough" [„Die Wahrheit hinter Claudes Physikdurchbruch für 2.000 Dollar"; übersetzt], HackerNoon, 7. Oktober 2026: ungefähr 1,67 Milliarden Terme für einen Teil der Acht-Schleifen-Lösung und ungefähr 30 Milliarden bei neun Schleifen. Zur Berechnung des anomalen magnetischen Moments des Elektrons bis zu fünf Schleifen siehe die von KuCoin News im September 2026 zusammengestellte Berichterstattung über das Ergebnis.

3. Matt von Hippel, öffentliche Herausforderung vom 7. August 2026 mit der Wahl zwischen einer Sieben-Schleifen-Berechnung in N=8-Supergravitation und der Neun-Schleifen-Sechs-Teilchen-Amplitude in der planaren N=4-Super-Yang-Mills-Theorie mit einem Budget im akademischen Maßstab. Bekanntgabe von Anthropic vom 25. September 2026: Berechnung der Neun-Schleifen-Sechs-Teilchen-Streuamplitude in der planaren N=4-Super-Yang-Mills-Theorie durch Claude Fable 5.1 in Claude Science unter Leitung von Liam Fitzpatrick und Siddharth Mishra-Sharma, mit Fortschrittsmeldungen alle vier bis sechs Stunden und einem Ergebnis, das mit zwei unabhängigen Methoden erzielt wurde; vorheriger Acht-Schleifen-Rekord aus dem Jahr 2023. Gemeldete Kostenschätzungen reichen von insgesamt rund 1.000 bis 2.000 US-Dollar bis zu diesem Betrag je Methode (Dataconomy, 28. September 2026; daily.dev, September 2026). Gastbeitrag von Matt von Hippel, „Yes, Claude Can Count Nine Rounds" [„Ja, Claude kann neun Runden zählen"; übersetzt], veröffentlicht von Anthropic.

4. Matt von Hippels Einschätzung, Claude habe etablierte Methoden mit etwas mehr Rechenleistung als zuvor versucht angewandt, statt neue Physik zu erfinden, laut Dataconomy vom 28. September 2026. Überprüfung durch Lance Dixon über rund zwei Wochen laut HackerNoon vom 7. Oktober 2026. Anastasia Volovich (Brown University) bezeichnete das Ergebnis gegenüber IBM Think als bedeutsam, um Vertrauen darin zu schaffen, dass Frontier-KI-Systeme schwierige Berechnungen zuverlässig ausführen können (IBM Think, 9. Oktober 2026).

5. Unabhängige Neun-Schleifen-Arbeit des von He Song geleiteten Teams am Institute of Theoretical Physics der Chinese Academy of Sciences mit Unterstützung durch GPT-6, laut KuCoin News, September 2026.

6. Siehe den früheren Beitrag dieser Reihe zum Navier-Stokes-Ergebnis und zu stagnierenden Unternehmensergebnissen.

7. McKinsey, The State of AI, veröffentlicht am 25. August 2026: 80 Prozent der Organisationen melden individuelle Produktivitätsgewinne, während 37 Prozent irgendeine EBIT-Auswirkung melden; letzterer Wert ist gegenüber dem Vorjahr unverändert.

8. Mistral AI, öffentliche Vorschau auf Mistral Large 4, 6. Oktober 2026: insgesamt 1,05 Billionen Parameter, 49 Milliarden aktiv, nativ multimodal; von Grund auf mit 3.800 Nvidia Grace Blackwell GPUs in Mistral's eigenen europäischen Rechenzentren trainiert; Veröffentlichung der Gewichte bis Ende Oktober 2026 vorgesehen; Lizenz noch nicht veröffentlicht; regionale Verfügbarkeit einschließlich einer von Mistral durchgängig unter europäischem Recht betriebenen europäischen Bereitstellung. Berichterstattung: The Decoder, TestingCatalog und Artificial Intelligence News, 6. Oktober 2026.

9. Zur Aussetzung von Claude Fable 5 und Claude Mythos 5 infolge einer Exportkontrollanweisung des United States Department of Commerce vom 12. Juni 2026 sowie zur Wiederherstellung des Zugangs am 1. Juli 2026 siehe den früheren Beitrag dieser Reihe über Flexibilität als Architektureigenschaft.

10. neuland.ai HUB: Agentic Threads, Deep Agents und Multi-Hop Reasoning für lang laufende Arbeiten über mehrere Systeme hinweg; Aufgabenzerlegung mit parallelen Arbeitssträngen, die vor der Festschreibung verglichen werden; kundeneigene Ontologie zur Verankerung der Entitätsauflösung über Systeme hinweg; berechtigungsbewusster Abruf, der bei jedem Schritt vor dem Reasoning durchgesetzt wird; unveränderlich fortgeschriebene, von der Plattform erstellte Audit-Aufzeichnung; modellagnostisches Routing über selbst gehostete Open-Weight- und proprietäre Modelle; Evaluierung neuer Modelle anhand von Kunden-Workloads, Tool-Call-Verhalten, betrieblichen Eigenschaften und DSGVO-Konformität vor Aufnahme in die Routingtabelle. neuland.ai AG behält bei allen Kundenaufträgen die Verantwortung für die Qualität der Inhalte und die einwandfreie Auslieferung der Ergebnisse.

11. Verordnung (EU) 2024/1689 (AI Act), seit dem 2. August 2026 weitgehend anwendbar. Vorläufige politische Einigung des Council of the EU und des European Parliament zum Digital Omnibus on AI vom 7. Mai 2026: Pflichten für Hochrisikosysteme nach Anhang III auf den 2. Dezember 2027 verschoben; Pflichten nach Anhang I auf den 2. August 2028 verschoben.