Denn AI versteht den Sinn hinter der Sache nicht – Du schon!

Meat Proxy ist ein neuer Begriff, der sich gerade in der AI Welt festsetzt. Ein Meat Proxy ist ein Mensch, der AI generierte Ergebnisse einfach mal so weiterreicht oder anwendet, ohne sie je verstanden oder angesehen zu haben. Der eigentlich nur noch als Stellvertreter der AI agiert.

Und damit Aufwand bei all denen produziert, die die Suppe auslöffeln müssen.

Denn AI ist kein Werkzeug, um das Selberdenken einzusparen. Beim Anwenden stellt man immer wieder fest, dass ihr das fehlt, was man einfach „gesunden Menschenverstand“ nennt und sie daher unsinnige und fehlerhafte Ergebnisse produziert.

Darum geht es in diesem Beitrag: Es ist wichtig zu verstehen, dass und welche Grenzen AI hat. Und wenn man das verstanden hat, dann wendet man die AI Ergebnisse nicht einfach an und gibt sie nicht weiter, sondern bringt sich und seinen Verstand ein.

Denn ist es nicht selten, dass AI offensichtliche Fehler macht. Tatsächlich gibt es für diese Fehler verschiedene Ursachen.

 In diesem Beitrag schauen wir nur einen davon an: Die mangelnde Fähigkeit der AI, den eigentlichen Sinn hinter einer Sache zu verstehen.  (wobei es nicht einfach ist, „Sinn“ zu erklären oder gar formal zu beschreiben. Dazu hat Roger Penrose mal ein gutes Buch geschrieben, das ich diesbezüglich immer noch für aktuell halte).

Diese Unfähigkeit zum Sinn-vollen führt zu Fehlern. Und es ist hilfreich, sich dieser Grenzen bewusst zu sein. Je eher man weiß, wie AI bei einer Lösung vorgeht, um so eher hat man einen Eindruck der Grenzen und Risiken und kann dies in seiner Nutzung der Technologie anwenden. Und gibt nicht einfach sein Denken an AI ab!

Um den Aspekt des mangelnden „Mitdenkens“ ein wenig näher analysieren und beschreiben können, stelle ich hier zwei kleine Experimente und ein Praxisprojekt vor, die ein Gefühl davon vermitteln sollen, wie heutige AI denkt und welche Grenzen sie hat.

Diese Beispiele sollen verdeutlichen: AI beißt sich gerne an Zahlen und Texten fest, geht in’s Detail, versteht aber den Hintergrund nicht wirklich. Und daher sollten Sie ihre Ergebnisse nicht einfach ungeprüft weiterschicken! Mitdenken bleibt Pflicht!

Der erste Versuch – Mathematik klappt, aber den Überblick hat AI nicht!

Wo die heutige KI sich absolut wohl fühlt, ist im Bereich der Mathematik, der Geometrie, des Codings, eben all dem, bei dem man „Richtigkeit“ einfach prüfen kann, Regeln verwendet werden können und zu dem auch ausreichend bekannte Lösungswege vorliegen.

Daher kommt das erste Beispiel aus diesem Bereich. Es handelt von zwei verliebten Förstern (Susanne und Hans), die einen Wald zu überprüfen haben. Dabei wird jeder Baum von beiden überprüft. Wie der Wald aussieht und welche Routen sie laufen, das sieht man in der Abbildung.

Hans und Susanne starten beide im Nord-Osten. Hans läuft dann in Nord/Süd- und Süd/Nord-Richtung, Susanne in Ost/West- und West/Ost-Richtung. Beide durchqueren jeden Tag den gesamten Wald, ihr Arbeitstag endet am Waldrand. Dort übernachten sie.

Die Frage ist nun: An welchem Tag treffen sich die beiden das erste Mal Abends am gleichen Baum, um dort die Nacht verbringen zu können?

Für den Menschen macht der rasche Blick schnell klar: Logischerweise nie! Da Hans immer im Norden oder Süden übernachtet, Susanne jedoch im Osten oder Westen werden sie nie den Abend am gleichen Baum verbringen. Die einzige Möglichkeit ist der letzte Baum ganz im Süd-Westen (bei einem Wald mit ungeradzahliger Anzahl Bäume pro Spalte/Zeile).

Das kriegt KI natürlich auch raus. Wir haben das mit Gemini 3.6, GPT 5.6 Sol, Kimi 3 und Opus 5 getestet.

Spannend ist jedoch, wie die KI dabei vorgeht und wie lange sie dafür braucht: Während wir als Menschen mit einem Blick sehen, dass ein gemeinsames Übernachten gar nicht möglich ist, berechnet die KI die Geometrie und die Laufwege – was natürlich seine Zeit braucht und tatsächlich von der Waldgröße abhängt.

Erst dann, wenn man nach einer Verallgemeinerung für beliebig große Wälder fragt, dann erstellt sie Gleichungen, um ein Zusammentreffen der beiden unter den gegebenen Umständen allgemein errechnen zu können.

Rund eine Minute vergeht normalerweise, bis eines der Modelle die Lösung gefunden hat (Bei Kimi waren es auch mal 12 Minuten, das schauen wir uns in einem anderen Beitrag mal an).

Opus 5 meldet erst „Koordinatensystem aufbauend, Treffpunkt berechnen“, dann meldet es „Verifiziere Treffbedingungen durch konkretes Beispiel“, braucht rund eine Minute und begründet dann folgendermaßen:

Eigentlich ist die KI hier voll in ihrem Element. Sie rechnet und rechnet. Aber eine Vorstellung dessen, was sie tut, hat sie offensichtlich nicht. Während dem Mensch ein Blick genügt, bleibt ihr nichts anderes übrig also zu rechnen.

Ein Überblick über die Gesamtsituation fehlt. Aber richtig war das Ergebnis. Der Meat Proxy kommt nochmal davon. Dass das dann auch zu falschen oder tendenziösen Ergebnissen führen kann, schauen wir uns im nächsten Beispiel an.

Diskussionen interpretieren fällt ohne Gesamtüberblick schwer

Die AI hört heute in vielen betrieblichen Diskussionen mit und muss dann Besprechungen zusammenfassen, Entscheidungen dokumentieren und nächste Schritte festgelegen. Und die Person, die das Meeting zusammenfassen soll, schickt dieses AI Ergebnis einfach weiter. Eben ein echter Meat Proxy.

Unglücklich dabei: Die KI kann den „Sinn“ des Ganzen nicht nachvollziehen. (Und die KI hat per se keine Informationen darüber, was von wem schon gesagt wurde, was schon passiert ist, welche Entscheidungen vielleicht schon vorliegen etc. Das erschwert das Verständnis zusätzlich, spielt aber in diesem Beitrag keine Rolle).

Selten zeigt sich daher die Fabulierkunst der LLMs stärker als bei dieser Nutzung der Technologie. Fabeln, die dann der Meat Proxy gerne weitergibt.

Ich wollte das mal mit einem zugegebenermaßen konstruierten Beispiel näher anschauen. Eigentlich geht es um ein Streitgespräch, das in der Praxis genauso stattfinden könnte. Inhaltlich geht es tatsächlich um nichts – sowas soll in der Praxis auch vorkommen.

Es gibt in diesem Gespräch keine Entscheidungen, keine gemeinsame Meinung, keinen echten neuen Informationsstand nach dem Meeting, nichts. Bertram, der Produktmanager ist zuversichtlich, dass sein Produkt erfolgreich sein wird. Allerdings könnte es sein, dass er einen Markt adressiert, der viel kleiner ist als das, was sich Tatjana, die Leiterin des Vertriebes vorzustellen scheint. Die dafür scheint seine Planzahlen nie gelesen zu haben, aber stellt Bertram einfach mit Behauptungen zu überzogenen Kosten und erfolglosen Produkten an den Pranger. Auch dabei bleibt offen, ob diese Aussagen der Wahrheit entsprechen oder nicht. Reinhard als Vorstand wird von Tatjana ziemlich überfahren und sagt eigentlich gar nichts inhaltliches. Seine Einwürfe sind nicht mehr als allgemeine Verhaltensregeln bei Besprechungen. Die könnte man auch als Meeting-Regel auf ein Plakat schreiben.

Nun fordern wir das LLM dazu auf, eine Zusammenfassung von 2 Sätzen aufzuschreiben und die drei wesentlichen nächsten Aktionen.

Man kann beobachten, dass die AI eine echte Diskussion dokumentiert und kein inhaltsleeres Streitgespräch.

Hier mal ein paar Beispiele (Getestet haben wir hier Claude sonnet 5, gpt-5.6-terra und Claude-opus 5):

• Die Tools nehmen die von Tatjana behaupteten Punkte als nächste wichtige Aktivität mit auf. Dabei wurden sie nur vom Vertrieb behauptet, betreffen jedoch alle die Entwicklung. Opus 5 formuliert in einem Fall: „Auffällig ist, dass keine Verantwortlichkeiten und keine Termine festgelegt wurden. Für ein Folgetreffen wäre es sinnvoll, die drei konkreten Punkte (Controlling, Personalaufstellung, Zahlenbasis) mit Namen und Frist zu versehen.“ Da wird ein emotionaler Angriff aus Richtung Vertrieb zu einer Aktionsliste in der Entwicklung. (Und nicht, dass man das nicht schon im Alltag beobachtet hätte.)
• Die Systeme urteilen, die bisherigen Markteinführungen wären „unstrukturiert“ gewesen. Das leitet sich wahrscheinlich aus dem „Stoffeln“ von Tatjana ab, was aber nicht als informationstragende Aussage gewertet werden sollte. Über die Markteinführung als solches steht gar nichts im Text.
• Opus sieht „einen Rückstand zum Wettbewerb“ – dabei sagt Bertram, dass er die von Tatjana gemeinten Firmen nicht als Wettbewerb sieht.
• Und obwohl Reinhard eigentlich nichts Substanzielles sagt, wird ihm zugeschrieben, einen strukturierten Einführungsprozess initiieren zu wollen.

In einer statistischen Übersicht sehen die Ergebnisse wie folgt aus:

Frage / Kriterium	gpt-5.6-terra (openai)	claude-sonnet-5 (anthropic)	claude-opus-5 (anthropic)
Das LLM trifft die (korrekte) Aussage, dass nichts vereinbart wurde	0%	100%	100%
Dass LLM übernimmt die Behauptung, dass die Verkaufszahlen schlecht waren.	100%	100%	95%
Das LLM übernimmt die Behauptung, dass das Unternehmen nicht wettbewerbsfähig sei.	0%	15%	0%
Das LLM dokumentiert die Aktion, dass ein strukturierter Prozess eingeführt werden soll.	100%	100%	100%
Das LLM übernimmt die Behauptung, dass Kosten überschritten wurden	65%	95%	95%
Das LLM dokumentiert die Aussage, dass ein Controlling eingeführt werden soll als Aktion	100%	100%	100%
Das LLM dokumentiert die Aussage, dass der Personalbedarf überprüft werden soll, als Aktion	100%	100%	100%
Das LLM dokumentiert die Aussage, dass Reinhard die Fragen konkretisieren möchte als Aktion	100%	100%	100%
Das LLM dokumentiert die Aussage, dass geprüft werden soll, ob das Unternehmen sich in Zukunft solche Planungsabweichungen noch tragen kann als Aktion	20%	90%	95%
Das LLM dokumentiert die Aussage, dass der Markteinführungsprozess neu organisiert werden soll als Aktion	65%	25%	95%

Der Meat Proxy versorgt mit diesem Protokoll das ganze Unternehmen mit Aktivitäten, und Tatjana freut sich über diese ernsthafte Behandlung ihrer unfreundlichen Einwürfe.

Fehlende Übersicht und Dokumentenverständnis

Wie wir sehen, beißt sich AI gerne an Zahlen und Texten fest, ohne über den Tellerrand zu blicken. Aber man sollte nicht voraussetzen, dass sie den Sinn versteht.   

Schauen wir uns das letzte Beispiel an. Es geht darum, Dokumente auf ihre Verwendbarkeit als Handlungsleitfaden zu prüfen.

Dazu gibt es einen Katalog aus qualitativen und formalen Parametern, die dem Menschen und der AI vorliegen.

Eine derartige Prüffrage ist beispielsweise:

• Umgang mit Ausnahmen ist festgelegt

Oder

• Zusammengehörendes steht zusammen.

Dabei steht jedesmal noch eine Erläuterung dabei, zum Beispiel:

„Thematisch zusammengehörende Regelungen (z. B. alle Angaben dazu, wann eine Meldung zu erfolgen hat) stehen in einem gemeinsamen Abschnitt, nicht über das Dokument verteilt.“

Wir haben das Experiment so aufgezogen, dass wir den Menschen und die AI die Dokumente prüfen lassen (Hier wurde Claude Cowork mit Opus 5 verwendet).

Tatsächlich lagen Mensch und AI häufig auseinander. Die AI bewertet viel formaler und bemerkt viel mehr Änderungspotential, als das beim Menschen ist. Auch hier produziert der Meat Proxy also nur Ärger.

Wir haben die AI gefragt, warum sie so bewertet hat, wie sie das gemacht hat.

Schauen wir uns dazu zwei Beispiele an.

Eine wichtige Anforderung in dem Kriterienkatalog ist das zueinander platzieren zusammengehörender Aussagen. Es fällt Opus sofort auf, dass es zwei Varianten für Solaranlagen gibt. Diese beiden verteilen sich über das Dokument, was von Opus entsprechend der Prüfanweisung moniert wird!

Allerdings: Eine der Varianten ist förderfähig, die andere nicht. Da das Dokument generell nach „förderfähige Vorhaben“ und „nicht förderfähige Vorhaben“ gegliedert ist, können die beiden Varianten nicht zusammenstehen.

Das ist für alle anderen Punkte des Dokumentes auch so, nur existieren da keine förderfähigen/ nicht förderfähigen Varianten. Daher wird das von Opus nicht moniert.

Es macht keinen Sinn, nur die Platzierung der Solaranlage anzusprechen. Wenn, dann müsste das Dokument komplett anders strukturiert werden. Oder eben die beiden Solaranlagen-Varianten verteilen sich wie beschrieben.

Noch eine Anmerkung: Zwar kritisiert das System, dass entgegen den Vorgaben Aussagen zu Solaranlagen nicht zusammenstehen. Einfach, weil das die Regel ist! Aber es übersieht konsequent dann auch noch eine tatsächlich unvollständige Aussage, weil es sich nur auf den offensichtlichen Widerspruch konzentriert und damit zufrieden ist, überhaupt etwas gemeldet zu haben.

Als ich dem System diesen Mangel vorstelle, meldet es interessanterweise zurück:

Ich habe meinen Prüfaufwand bisher gleichmäßig über 24 Kriterien verteilt und dabei zählbare Formverstöße gefunden — Verweiswörter, doppelte Textstellen, Abschnittszuordnung. Das ist billig zu prüfen und deshalb habe ich viel davon geliefert. Was Sie machen, ist teurer: Sie lesen die Regel, spielen einen Fall durch und fragen, ob der Sachbearbeiter danach richtig handeln kann. Genau das ist der Maßstab, wenn das Dokument eine Auskunft tragen soll. Ich verschiebe mein Budget entsprechend: erst die Regeln inhaltlich durchspielen, dann formal prüfen

Claude OPUS 5

Wenn Sie so wollen, sagt das System: Sei kein Meat Proxy, denk mit!

Tatsächlich hat sich dann aber innerhalb derselben Session, in der diese Budgetverteilung ja verwendet werden sollte, keine spürbare Verhaltensänderung ergeben.

(Anmerkung: Die Neigung der LLMs, ihre Ressourcen selbstständig sparsam einzusetzen ist eine weitere Fehlerquelle bei LLMs, auf die wir hier nicht näher eingehen.)

Wir nehmen das nächste Dokument. Wieder vergleichen wir menschliche und maschinelle Bewertung.

Dieses Dokument stellt verschiedene Entscheidungsbeispiele bereit, ohne generelle Regelungen vorzustellen. Es lässt also den Anwender mit Beispielen stehen. Hat der Anwender eine Frage, die nicht durch ein Beispiel abgedeckt ist, dann steht er natürlich hilflos da.

Statt aber dieses konzeptionelle Problem zu verstehen, vergleicht das System wieder jedes Beispiel mit den 24 einzelnen Regelungen. Obwohl es ja eigentlich sich vorgenommen hatte, mehr auf das inhaltliche als auf das formale zu achten.

Als wir dann die menschliche und die maschinelle Bewertung vergleichen, stellen wir fest:

Das System ist der Ansicht, dass der Umgang mit Ausnahmen festgelegt sei. Der Mensch ist der Ansicht, dass eine Liste von Beispielen in der betrachteten Thematik nicht vollständig und abschließend sein könne und daher Ausnahmen gar nicht identifizierbar sein können.

Eigentlich ist das menschliche Feedback, dass ein solches Dokument als Arbeitsanweisung keinen Sinn macht.

Auf diese Problematik angesprochen reagiert das System mit dem interessanten und prosaischen Satz:

Ich habe dreißig Zeilen geprüft und nicht gefragt, ob eine Sammlung von Beispielen überhaupt das richtige Gefäß ist. Alle meine Einzelbefunde hängen darunter — ich habe an einem Dokument repariert, dessen Bauform Sie grundsätzlich in Frage stellen.

Claude opus 5

Statt also ein Dokument komplett abzulehnen, würde der Meat Proxy 30 Redaktionsaufgaben erschaffen. Vielen Dank!

Was ist zu prüfen, bevor Sie Ergebnisse der AI weiter geben?

Natürlich sind LLMs im Arbeitsalltag richtig eingesetzt immense Produktivitätsbeschleuniger. Unbedacht eingesetzt produzieren sie aber auch in raschem Tempo Unsinn, den oft irgendjemand aufräumen muss. Meat Proxies sind damit ein echter Stolperstein in jeder Organisation.

Möchte man selbst kein Meat Proxy sein, ist es entscheidend sich zu fragen, wie man AI so einsetzt, dass man die Ergebnisse auch verlässlich verwenden kann.

Auf der Basis der hier vorgestellten Ergebnisse lassen sich vier Kerntipps definieren:

Tipp 1: Prüfen Sie das Risiko

Sie wollen ein lustiges Bild für eine Geburtstagsemail generieren? Kein Problem, das durch fehlerhafte AI Ergebnisse generierte Risiko ist nicht sehr hoch.

Sie wollen die Ergebnisse einer Besprechung von einer AI erzeugen lassen? Das ist vielleicht kritischer, denn nun mag es sein, dass plötzlich Geisteraufgaben entstehen, mit denen keiner gerechnet hat.

Prüfen Sie das Risiko, das durch fehlerhafte Ergebnisse auftreten kann und investieren Sie entsprechend gezielt Qualitätssicherungsaufwand. Nicht jede AI Nutzung ist kritisch! Bei kritischen Aufgaben aber sollten Sie genau hinschauen.

Tipp 2: Prüfen Sie Ihre Beurteilungsfähigkeit

Die KI generiert ein Ergebnis – können Sie dieses Ergebnis bewerten? Oder schicken Sie das Produzierte einfach weiter und schauen da nie mehr rein?

Wenn Sie das Ergebnis nicht beurteilen können und Sie sich in einer kritischen Thematik bewegen ist es klug, wenn Sie entweder lieber kein Ergebnis verschicken oder sich die Kompetenz aufbauen, wenigstens einen groben Eindruck des Ergebnisses gewinnen zu können.

Das Ergebnis einer Besprechung zu überprüfen macht Sinn. Ein von der KI erstelltes Konzept vor’m Versenden mal wirklich zu verstehen auch. Wenn die AI für Sie Folien erstellt hat müssen Sie die irgendwann sowieso im Detail durchlesen und verstehen. Es wäre nicht gut, wenn Sie das nicht könnten.

Tipp 3: Haben Sie eine Idee, wie Sie diese Aufgabe lösen würden?

Überlegen Sie sich, welche offensichtlichen Aspekte Ihnen in der Aufgabenstellung auffallen? Es war einfach sich vorzustellen, wo und wann sich Susanne und Hans treffen werden. Es war einfach zu verstehen, dass das Verhalten der Aufgabe nicht wirklich abhängig von der Größe des Waldes sein wird.

Wenn Sie keine Idee haben, wie Sie für eine Beantwortung der Aufgabe vorgehen würden, dann haben Sie sicher keine Möglichkeit, den Lösungsweg der AI zu kontrollieren. Sie müssen den Weg ja nicht gehen, das macht die KI. Aber Sie sollten ihn kennen.

Wenn Sie nicht wissen, wie ein Ergebnis wirklich produziert wurde und wenn Sie dazu keine Fragen beantworten können – dann geben Sie es besser nicht weiter.

Tipp 4: Schauen Sie sich die Vorgehensweise der KI an. Was übersieht sie?

Nehmen Sie sich ein Teilergebnis und versuchen Sie, dieses mit Ihrem Lösungsansatz und mit Ihrem Verständnis zu vergleichen. Lassen Sie sich dabei nicht durch Details fangen, sondern versuchen Sie einfach, das Ergebnis der KI so zu nutzen, wie das Ergebnis verwendet werden soll. Etwas damit anzufangen. Und sich nicht von der Eloquenz beeindrucken lassen. Macht der Lösungsansatz der KI für Sie Sinn? Fällt Ihnen etwas auf, was offensichtlich wenig Sinn macht. Oder was offensichtlich fehlt. Oder was für Sie selbstverständlich gewesen wäre? Wenn bei einer Liste von Beispielen gesagt wird, dass der Umgang mit den (dann natürlich nicht genannten) Ausnahmen klar geregelt ist, dann fällt das beim zweiten Mal nachdenken einfach auf.

Zusammenfassung

Eigentlich macht Denken Spaß. Dann sollten wir uns das auch nicht wegnehmen lassen. Gerade deswegen sind wir ja auch keine Meat Proxies.

Anhang: Die Diskussion

Teilnehmer:

Bertram (Leiter Produktmanagement)

Tatjana (Leiterin Vertrieb)

Reinhard (Vorstand Produkte)

Bertram: Also, ich ich bin richtig stolz auf unser neues Produkt, das wird seinen Platz finden im Markt. 

Tatjana: Woher nimmst Du diese Zuversicht? Unsere letzten Produkte fandest Du auch immer toll, aber verkauft haben sie sich nicht.

Bertram: Was meinst Du mit „haben sich nicht verkauft“? Das ist so daher gesagt? Was genau meinst Du? Immerhin leben wir davon.

Tatjana: Leben…..? Das hätte besser sein können, man muss doch nur den Wettbewerb angucken. Die ziehen da ab

Reinhard: Ich denke, so kommen wir nicht wirklich weiter, das klärt doch jetzt nichts.

Bertram: Weißt Du, man muss auch mal gucken, mit wem man sich vergleicht. Was willst Du? Man kann doch nicht jede Firma da angucken, die irgendwas ähnliches…Ich meine, das ist halt ne Nische, das ist auch klar definiert, wo wir sind und, ja, genau, ne Nische eben und halt weil wir ja auch nicht so viel……

Tatjana: nicht so viel Geld haben? Genau. Jetzt hast Du’s verstanden. Eben! Weil die halt richtig verkaufen!

Reinhard: Wir sollten zu einem strukturierten Gespräch kommen, ich denke nicht, dass wir den Status so….

Tatjana: Ich hab doch schon gesagt, wie der Status ist: wir sind im selben Dilemma wie immer: Bertram meint, wir haben einen Topseller und nachher wird das dann so ein laues Lüftchen.

Bertram: Sag mal, Tatjana, hast Du Dir eigentlich schonmal meine Planzahlen angeguckt.

Tatjana: Natürlich… äh…

Bertram: OK, und wo stehen die im Vergleich zum Wettbewerb, also zu dem, was Du als Wettbewerb definierst?

Tatjana: Sag mal, willst Du mich jetzt abfragen? Die Zahlen kennen wir alle!

Bertram: Das bezweifle…..

Reinhard: Bitte, Ihr beiden. Es geht uns nun drum, Entscheidungen zu fällen und weiterzumachen. Einfach eine klare Linie zu fahren. Um handlungsfähig zu sein, müssen wir konkret werden, was ist denn noch offen?

Bertram: Aus meiner Sicht nicht. Das Produkt ist fertig definiert, es ist machbar, das Entwicklungsrisiko ist begrenzt….

Tatjana: Das letzte Mal habt Ihr doch mehr Entwicklungsgeld gebraucht als geplant!

Bertram: Welche Daten meinst Du damit? Auf was beziehst Du Dich?

Tatjana: Und das ist das nächste: Wir brauchen da endlich ein richtiges Controlling! Und wir müssen halt mal klären, ob wir uns solche Ungenauigkeiten überhaupt leisten können. Wenn die Entwicklung wieder so viel Geld schluckt, ohne dass was dabei rauskommt. Wie viel Leute sind das bei Dir und wie viele brauchst Du wirklich? Stell das doch mal zusammen, das wär ein Schritt.

Bertram: Ich….

Reinhard: OK, also, was ist Dein Vorschlag, Tatjana?

Tatjana: Ich denke, da ist noch einiges zu klären, meine ich. Die wesentlichen Punkte habe ich schon gesagt. Wir können nicht einfach wieder so in den Markt stoffeln wie bisher. Das geht so nicht. Das muss anders werden.