Der Preis für ein festes Niveau an KI-Leistung ist in drei Jahren um etwa das 1,000-fache gefallen (a16z, LLMflation 2024) - GPT-3-Qualität-Ausgabe, die Ende 2021 $60 pro Million Token kostete, wurde Ende 2024 für $0.06 verkauft. Der AI Index 2025 von Stanford HAI maß einen 280-fachen Rückgang für GPT-3.5-äquivalente Qualität in etwa 18 Monaten (Stanford HAI, AI Index 2025). Epoch AI verfolgt einen medianen Rückgang von nahezu 50x pro Jahr über alle Benchmarks hinweg, der sich seit Januar 2024 auf 200x pro Jahr beschleunigt (Epoch AI, LLM Inference Price Trends 2025). Dennoch klettern die Gesamtausgaben in die entgegengesetzte Richtung: The Information berichtete, dass die Inferenzrechnung von OpenAI für 2025 bei rund $8.4 Milliarden lag, etwa das Vierfache des Vorjahres. Diese Analyse konsolidiert Daten von Epoch AI, Stanford HAI, a16z, Google, NVIDIA, Menlo Ventures und 12 weiteren Primärquellen dazu, wo die Inferenzökonomie Mitte 2026 steht.
TL;DR
- GPT-3-äquivalente Ausgabe fiel von $60 pro Million Token im Jahr 2021 auf $0.06 im Jahr 2024, ein Rückgang um das 1,000-fache (a16z, LLMflation 2024).
- Die Abfrage von GPT-3.5-äquivalenter Qualität fiel von $20 auf $0.07 pro Million Token, ein 280-facher Rückgang in etwa 18 Monaten (Stanford HAI, AI Index 2025).
- Der Preis-Leistungs-Rückgang bei Benchmarks reicht von 9x bis 900x pro Jahr; Median 50x, steigend auf 200x seit Januar 2024 (Epoch AI, 2025).
- Isolierter algorithmischer Effizienzfortschritt läuft mit etwa 3x pro Jahr, zusätzlich zu den Hardware-Gewinnen (The Price of Progress, arXiv 2025).
- Die marktdurchschnittliche On-Demand-Miete der NVIDIA H100 lag 2026 bei etwa $3.61 pro GPU-Stunde über 42 Anbieter hinweg (getdeploying, 2026).
- Die GB300 NVL72 von NVIDIA erreichte $0.12 pro Million Token, beschrieben als 35x niedrigere Kosten pro Token als Hopper (NVIDIA, InferenceMAX 2025).
- Google verarbeitete bis Mitte 2026 monatlich 3.2 Billiarden Token, etwa 7x im Jahresvergleich (Google I/O 2026).
- Unternehmensausgaben für LLM-APIs verdoppelten sich von $3.5 Milliarden auf $8.4 Milliarden in sechs Monaten (Menlo Ventures, 2025).
- Die Inferenzkosten von OpenAI für 2025 erreichten etwa $8.4 Milliarden, ungefähr das 4-fache des Vorjahres (The Information, 2025).
- Die kombinierte Trainings-plus-Inferenz-Infrastruktur wurde 2025 auf $251 Milliarden beziffert, wachsend auf $672 Milliarden bis 2029 (Bloomberg Intelligence, via Cerebras S-1 2026).
- Der mediane Gemini-Textprompt verbraucht 0.24 Wattstunden, ein Rückgang um das 33-fache in 12 Monaten (Google, 2025).
1. Der Preisverfall bei gleichwertiger Leistung
Die Schlagzeilenzahl in der Inferenzökonomie ist kein einzelner Preis - es ist die Steigung. Bei einer festen Qualitätsschwelle hat sich die Kosten für den Betrieb eines Modells auf einer Skala von Monaten, nicht Jahren, immer wieder halbiert, und der Fall hat sich seit Anfang 2024 verschärft. Die Divergenz zwischen Benchmarks ist bedeutsam: billige Commodity-Qualität fällt am schnellsten, während Frontier-Reasoning-Qualität ihren Preis hält. Epoch AI misst einen medianen Rückgang von 50x pro Jahr, der auf 200x pro Jahr springt, wenn man sich auf Daten seit Januar 2024 beschränkt. Der Boden sinkt weiter, weil sich drei Kräfte stapeln: Wettbewerb, bessere Chips und bessere Algorithmen. Isoliert man den letzten Faktor, beziffert ein Forschungsteam die reine algorithmische Effizienz auf etwa 3x pro Jahr.
| Metrik | Wert | Quelle |
|---|---|---|
| Preis für GPT-3-äquivalente Qualität (MMLU ~42) | $60/M tokens (Nov 2021) to $0.06/M (2024), a 1,000x drop | a16z, LLMflation (2024) |
| LLMflation-Rate bei gleicher Leistung | ~10x cheaper per year | a16z, LLMflation (2024) |
| Preis für GPT-3.5-äquivalente Qualität (MMLU 64.8%) | $20/M (Nov 2022) to $0.07/M (Oct 2024), 280-fold | Stanford HAI, AI Index (2025) |
| Preis-Leistungs-Rückgang über Benchmarks hinweg | 9x to 900x per year; median 50x | Epoch AI, Inference Price Trends (2025) |
| Beschleunigung nach Januar 2024 | Median 200x per year | Epoch AI, Inference Price Trends (2025) |
| GPT-4-Qualität bei GPQA Diamond | 40x per year price drop | Epoch AI, Inference Price Trends (2025) |
| Preisrückgang bei Frontier-Benchmarks | 5x to 10x per year | The Price of Progress (arXiv, 2025) |
| Isolierter algorithmischer Effizienzfortschritt | ~3x per year | The Price of Progress (arXiv, 2025) |
Ausreißer: Epochs eigener Datensatz hinter diesen Zahlen beruht auf 36 einzigartigen Preisbeobachtungen über sechs Benchmarks hinweg, daher sind Raten aus einem einzelnen Benchmark (das 900x-Extrem) verrauschter als der gepoolte Median.
2. Hardware und GPU-Ökonomie
Fallende Token-Preise reiten auf fallenden Rechenpreisen. Die Mietpreise für das Arbeitspferd NVIDIA H100 rutschten 2025 bis 2026 weiter ab, da spezialisierte Clouds die Hyperscaler unterboten, und jede neue Beschleuniger-Generation setzt den Kosten-pro-Token-Boden neu. NVIDIAs InferenceMAX-Benchmarks, veröffentlicht im Oktober 2025, beziffern die GB300 NVL72 auf $0.12 pro Million Token - 35x niedrigere Kosten pro Token als die Hopper-Generation. Die Darstellung des Herstellers ist werblich, daher sollte man die Vielfachen als Best-Case behandeln, aber die Richtung stimmt mit den unabhängigen Preis-Trackern unten überein. Gartner prognostiziert, dass sich der Trend über Jahre fortsetzt: Inferenz bei einem Modell mit einer Billion Parametern sollte 2030 mehr als 90 Prozent weniger kosten als 2025.
| Metrik | Wert | Quelle |
|---|---|---|
| H100-On-Demand-Durchschnitt, 42 Anbieter | ~$3.61 per GPU-hour | getdeploying (2026) |
| H100-Cloud-Preisrückgang vom Höchststand | 64% to 75% | GPU price trackers (2026) |
| AWS-H100-Preissenkung, Juni 2025 | ~44% | GPU price trackers (2026) |
| Leistungswachstum bei ML-Hardware | 43% per year, doubling every 1.9 years | Stanford HAI, AI Index (2025) |
| Kostenrückgang ML-Hardware / Energieeffizienz | -30% per year / +40% per year | Stanford HAI, AI Index (2025) |
| Kosten pro Token der NVIDIA GB300 NVL72 | $0.12/M, 35x lower than Hopper | NVIDIA, InferenceMAX (2025) |
| Kosten pro Million Token bei Blackwell | 15x lower than prior generation | NVIDIA, InferenceMAX (2025) |
| Projizierte Kosten 2030, 1T-Parameter-Inferenz | >90% lower vs 2025 | Gartner (2025) |
Kontext: Dieselbe NVIDIA-Offenlegung behauptet, dass ein $5-Millionen-GB200-NVL72-Aufbau etwa $75 Millionen an Token-Umsatz generiert, eine 15-fache Rendite - ein ROI-Pitch des Anbieters, keine unabhängige Prüfung. Für das breitere Bild rund um Chips siehe unsere KI-Chips-Statistiken.
3. Die Token-Explosion
Günstigere Token schrumpften die Rechnung nicht; sie ließen die Nachfrage explodieren. Als die Preise pro Token fielen, begannen Anbieter, den Durchsatz in Billiarden zu messen, und agentenbasierte Workloads, die pro Aufgabe Dutzende Aufrufe absetzen, treiben das Volumen noch weiter nach oben. Google berichtete, bis Mitte 2026 monatlich 3.2 Billiarden Token zu verarbeiten, etwa 7x seiner Rate ein Jahr zuvor. Das ist das Jevons-Paradox in Echtzeit: je effizienter die Ressource, desto mehr davon wird verbraucht. Gartner merkt an, dass agentenbasierte Abfragen allein 5- bis 30-mal mehr Token verbrauchen als ein Standard-Chatbot-Turn, sodass sich die Volumenkurve verschärft, während Produkte von Einzelantworten zu mehrstufigen Agenten übergehen.
| Metrik | Wert | Quelle |
|---|---|---|
| Token-Durchsatz von Google | 3.2 quadrillion/month (mid-2026), 7x YoY | Google I/O (2026) |
| Token-Wachstum von Google | 480T/month (May 2025) to 980T (July 2025) | T. Tunguz, Token Race (2025) |
| Durchsatz von Microsoft Foundry | 100T tokens in a quarter; 50T single-month record | T. Tunguz, Token Race (2025) |
| Anzahl der Microsoft-Großkunden | 250+ customers on track for >1T tokens/year each | Microsoft, via T. Tunguz (2025) |
| Durchsatz von Together.ai | 2 trillion tokens/day (Sept 2025) | T. Tunguz, Token Race (2025) |
| Open-Source-Anteil am Inferenzvolumen | ~1% to 3% | T. Tunguz, Token Race (2025) |
| Token-Multiplikator bei agentenbasierten Abfragen | 5x to 30x more tokens than a chatbot query | Gartner (2025) |
Kontext: Agentenbasierte KI machte im zitierten Zeitfenster weniger als 1 Prozent der gesamten Inferenzaktivität von Azure aus, daher wird der 5x-30x-Multiplikator auf eine kleine, aber schnell wachsende Basis angewendet. Wohin diese Workloads als Nächstes führen, zeigen unsere KI-Agenten-Statistiken.
4. Unternehmensausgaben und das Margenparadox
Hier ist das Paradox in einem Satz: Die Stückpreise brechen ein, und trotzdem geben Käufer wie Verkäufer mehr aus. Unternehmen verlagerten Budget vom Experimentieren hin zur ständig laufenden Produktion, wo Inferenz nie stoppt. Menlo Ventures fand heraus, dass 74 Prozent der KI-Entwickler inzwischen sagen, der Großteil ihrer Workloads sei Inferenz, gegenüber 48 Prozent ein Jahr zuvor. Auf Anbieterseite ist Inferenz die dominierende Kostenposition: The Information berichtete, dass die Inferenzrechnung von OpenAI für 2025 bei rund $8.4 Milliarden lag, etwa das Vierfache des Vorjahres und deutlich über der eigenen Prognose von $6.6 Milliarden. Die Margen sind der Druckpunkt - dieselbe Berichterstattung bezifferte die Bruttomarge von OpenAI auf 33 Prozent, unter ihrem Ziel von 46 Prozent.
| Metrik | Wert | Quelle |
|---|---|---|
| Unternehmensausgaben für LLM-APIs | $3.5B (late 2024) to $8.4B (mid-2025) | Menlo Ventures (2025) |
| Entwickler mit inferenzdominierten Workloads | 74%, up from 48% a year earlier | Menlo Ventures (2025) |
| Unternehmensinvestitionen in generative KI | $1.7B (2023) to $37B (2025) | Menlo Ventures (2025) |
| Inferenzkosten von OpenAI 2025 | ~$8.4B, ~4x YoY (vs $6.6B forecast) | The Information (2025) |
| Prognose Inferenzkosten von OpenAI 2026 | ~$14.1B | The Information (2025) |
| Inferenzkosten von Anthropic 2025 | ~$2.7B, >3x growth | The Information (2025) |
| Bruttomarge von OpenAI | 33% (fell from 40%, missed 46% target) | The Information (2025) |
| Barclays-Capex für Consumer-Inferenzchips, 2026 | ~$120 billion | Barclays Research (2025) |
Kontext: Das API-Geschäft von Anthropic soll Berichten zufolge mit Bruttomargen über 80 Prozent laufen - ein Hinweis darauf, dass die Erzählung “Inferenz macht Verlust” vom Modell-Mix und der Preisgestaltung abhängt, nicht universell gilt. Zur Software-Ökonomie dahinter siehe unsere SaaS-Statistiken.
5. Kostenhebel: Offene Modelle, Caching und Batch
Listenpreise überzeichnen, was diszipliniert arbeitende Teams tatsächlich zahlen. Offene Gewichtsmodelle, Prompt-Caching und asynchrones Batching senken die effektiven Kosten jeweils um eine Größenordnung, und sie summieren sich. DeepSeeks R1 läuft auf Pro-Token-Basis etwa 96 Prozent günstiger als OpenAIs o1, eine Lücke von rund 27x. Die Frontier-Ebene erzählt die gegenteilige Geschichte: Der Output-Preis von OpenAIs o1, $60 pro Million Token, ist identisch mit dem, was GPT-3 bei seiner Markteinführung 2021 kostete - Premium-Reasoning ist also nicht günstiger geworden, selbst als die Commodity-Qualität abstürzte. Die Einsparungen stecken in den Hebeln unten.
| Metrik | Wert | Quelle |
|---|---|---|
| DeepSeek-R1-API-Preis | $0.55/M input, $2.19/M output | DeepSeek pricing (2026) |
| OpenAI-o1-API-Preis | $15/M input, $60/M output | pricepertoken (2026) |
| DeepSeek R1 vs. OpenAI o1 | ~96% cheaper (~27x) | pricepertoken (2026) |
| OpenAI-o1-Output vs. GPT-3-Launch | $60/M, identical to 2021 GPT-3 | a16z, LLMflation (2024) |
| Gecachter Input von DeepSeek R1 | $0.14/M tokens | DeepSeek pricing (2026) |
| Gecachter Input von DeepSeek V4 | $0.03/M tokens, a 90% discount | DeepSeek pricing (2026) |
| Rabatt der OpenAI Batch API | Flat 50% for a 24-hour window | OpenAI Batch API (2026) |
| Cache + Batch, gecachter Input bei GPT-5.4 | $0.625/M, 75% below standard | OpenAI Batch API (2026) |
Ausreißer: Output-Token werden bei den großen Anbietern 3x bis 5x teurer bepreist als Input-Token, weil die Generierung sequenziell erfolgt, während die Input-Verarbeitung parallelisiert - daher hilft Caching am meisten input-lastigen Workloads. Wie offene Gewichtsmodelle das umgestalten, zeigen unsere Cloud-Computing-Statistiken.
6. Marktgröße und Prognosen
Die aggregierte Marktgrößenbestimmung für KI-Inferenz ist breit gestreut, weil Analysten die Grenze unterschiedlich ziehen - manche zählen nur Inferenzchips, andere den vollständigen Software-plus-Services-Stack. Behandeln Sie die Streuung als Spanne, nicht als Widerspruch. Bloomberg Intelligence, zitiert im S-1 von Cerebras, bezifferte den kombinierten Markt für Trainings-plus-Inferenz-Infrastruktur 2025 auf $251 Milliarden, wachsend auf $672 Milliarden bis 2029, wobei sich Inferenz mehr als doppelt so schnell ausdehnt wie Training. Das schmalere Segment der Inferenzchips wächst stetig statt explosiv, während breite Definitionen von “KI-Inferenz” bis 2030 bei nahezu einer Viertelbillion Dollar landen.
| Metrik | Wert | Quelle |
|---|---|---|
| Markt für KI-Inferenz, 2025 bis 2030 | $106.15B to $254.98B, 19.2% CAGR | MarketsandMarkets (2025) |
| Markt für KI-Inferenz, 2024 bis 2030 | $97.24B to $253.75B, 17.5% CAGR | Grand View Research (2025) |
| Markt für KI-Inferenz, 2026 bis 2034 | $117.80B to $312.64B, 12.98% CAGR | Fortune Business Insights (2026) |
| Markt für KI-Inferenzchips, 2026 bis 2030 | $20.51B to $36.97B, 15.9% CAGR | The Business Research Company (2026) |
| Kombinierte Trainings- + Inferenz-Infrastruktur, 2025 bis 2029 | $251B to $672B, ~28% CAGR | Bloomberg Intelligence, via Cerebras S-1 (2026) |
| Wachstum Inferenz vs. Training | Inference grows >2x faster | Bloomberg Intelligence, via Cerebras S-1 (2026) |
Divergenz-Hinweis: Die 2030er-Schätzungen für “KI-Inferenz” reichen von etwa $255B (MarketsandMarkets) bis $313B bis 2034 (Fortune Business Insights); die Lücke spiegelt Unterschiede im Umfang und im Basisjahr wider, keinen Datenfehler.
7. Energie und Kosten pro Abfrage
Der Ressourcen-Fußabdruck pro Abfrage fällt genauso schnell wie der Dollarpreis, und 2025 war das Jahr, in dem der größte Anbieter endlich Zahlen veröffentlichte. Google legte offen, dass sein medianer Gemini-Textprompt 0.24 Wattstunden Strom verbraucht - und dass dieser Wert in den vorangegangenen 12 Monaten um das 33-fache gefallen ist. Unabhängige Schätzungen liegen in derselben Größenordnung, was eine nützliche Gegenprobe zur Rechnung des Anbieters darstellt. Der Vorbehalt wiegt schwer: Dies sind Mediane, und komplexe Reasoning- oder agentenbasierte Aufgaben verbrauchen mehrere bis zig Wattstunden, sodass die durchschnittliche Rechnung steigt, während sich Produkte hin zu schwereren Workloads verschieben.
| Metrik | Wert | Quelle |
|---|---|---|
| Energie des medianen Gemini-Textprompts | 0.24 watt-hours | Google Cloud (2025) |
| Wasser / Kohlenstoff des medianen Gemini-Prompts | 0.26 mL / 0.03 gCO2e | Google Cloud (2025) |
| Energie pro medianem Gemini-Prompt, 12-Monats-Veränderung | Fell 33x | Google Cloud (2025) |
| Kohlenstoff pro medianem Gemini-Prompt, 12-Monats-Veränderung | Fell 44x | Google Cloud (2025) |
| Durchschnittliche ChatGPT-Abfrage-Energie | ~0.34 watt-hours | OpenAI (Sam Altman, 2025) |
| Schätzung für typische Abfrage | ~0.3 watt-hours | Epoch AI (2025) |
| Energie bei komplexer / agentenbasierter Abfrage | Several to tens of watt-hours | Google Cloud (2025) |
Kontext: Googles Offenlegung deckt die Leistung des Gesamtsystems ab, einschließlich Leerlaufkapazität und Rechenzentrums-Overhead (PUE) - eine breitere Abgrenzung als die andernorts oft zitierten reinen Chip-Zahlen, daher nicht direkt mit Überschlagsschätzungen vergleichbar.
Zusammenfassung: KI-Inferenzkosten in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| GPT-3-äquivalenter Preis | $60/M (2021) to $0.06/M (2024), 1,000x | a16z, LLMflation (2024) |
| GPT-3.5-äquivalenter Preis | 280-fold drop, late 2022 to Oct 2024 | Stanford HAI, AI Index (2025) |
| Preisrückgang über Benchmarks hinweg | Median 50x/year; 200x/year since Jan 2024 | Epoch AI (2025) |
| Algorithmischer Effizienzfortschritt | ~3x per year | The Price of Progress (arXiv, 2025) |
| H100-On-Demand-Durchschnitt | ~$3.61 per GPU-hour, 42 providers | getdeploying (2026) |
| H100-Preisrückgang vom Höchststand | 64% to 75% | GPU price trackers (2026) |
| Kosten ML-Hardware / Energieeffizienz | -30% / +40% per year | Stanford HAI, AI Index (2025) |
| Kosten pro Token der NVIDIA GB300 NVL72 | $0.12/M, 35x lower than Hopper | NVIDIA, InferenceMAX (2025) |
| Token-Durchsatz von Google | 3.2 quadrillion/month, 7x YoY | Google I/O (2026) |
| Unternehmensausgaben für LLM-APIs | $3.5B to $8.4B in six months | Menlo Ventures (2025) |
| Inferenzdominierte Workloads | 74% of builders, up from 48% | Menlo Ventures (2025) |
| Inferenzkosten von OpenAI 2025 | ~$8.4B, ~4x YoY | The Information (2025) |
| Inferenzkosten von Anthropic 2025 | ~$2.7B, >3x growth | The Information (2025) |
| DeepSeek R1 vs. OpenAI o1 | ~96% cheaper (~27x) | pricepertoken (2026) |
| Markt für KI-Inferenz | $106B (2025) to $255B (2030), 19.2% CAGR | MarketsandMarkets (2025) |
| Kombinierte Trainings- + Inferenz-Infrastruktur | $251B (2025) to $672B (2029) | Bloomberg Intelligence, via Cerebras S-1 (2026) |
| Energie des medianen Gemini-Prompts | 0.24 Wh, down 33x in 12 months | Google Cloud (2025) |
| Gartner-Kostenprognose 2030 | 1T-param inference >90% cheaper vs 2025 | Gartner (2025) |
| Token-Multiplikator bei agentenbasierten Abfragen | 5x to 30x more tokens | Gartner (2025) |
| Rabatt der OpenAI Batch API | Flat 50% for 24-hour window | OpenAI (2026) |
Methodik und Quellen
Die Daten wurden durch Aggregation von Zahlen aus Primärberichten, Unternehmensangaben, behördlichen Einreichungen, benannten Preis-Trackern mit öffentlicher Methodik sowie von 2024 bis 2026 veröffentlichten Peer-Review-Analysen erhoben, wobei Daten aus 2025-2026 priorisiert und Erwähnungen aus der Fachpresse bis zur Ursprungsquelle zurückverfolgt wurden.
- Andreessen Horowitz (a16z), Welcome to LLMflation (2024) - a16z.com
- Epoch AI, LLM Inference Price Trends und How Much Energy Does ChatGPT Use? (2025) - epoch.ai
- Stanford HAI, 2025 AI Index Report, Kapitel Research and Development (2025) - hai.stanford.edu
- The Price of Progress: Algorithmic Efficiency and the Falling Cost of AI Inference (arXiv:2511.23455, 2025)
- Gartner, KI-Inferenzkosten-Prognose, berichtet via CIO Dive (2025)
- NVIDIA, Blackwell InferenceMAX Benchmark Results (Oktober 2025)
- Google / Google Cloud, Measuring the Environmental Impact of AI Inference (2025); Berichterstattung von MIT Technology Review (2025)
- Tomasz Tunguz, The Trillion Token Race (2025); Google I/O 2026 Keynote (Sundar Pichai)
- Menlo Ventures, 2025: The State of Generative AI in the Enterprise (2025)
- The Information, Berichterstattung zu Inferenzkosten von OpenAI und Anthropic (2025)
- Bloomberg Intelligence, Marktgrößenbestimmung zitiert in der S-1-Einreichung von Cerebras Systems, US-SEC (2026)
- Barclays Research, Schätzung des Capex für Consumer-KI-Inferenz (2025)
- DeepSeek, API-Preisdokumentation (2026); Modellpreise von pricepertoken.com (2026)
- OpenAI, Batch-API-Dokumentation (2026); öffentliche Aussage von Sam Altman zum Energieverbrauch pro Abfrage (2025)
- getdeploying und andere NVIDIA-H100-Cloud-Preis-Tracker (2026)
- MarketsandMarkets, Grand View Research und Fortune Business Insights, Marktberichte zu KI-Inferenz (2024-2026); The Business Research Company, Markt für KI-Inferenzchips (2026, via GlobeNewswire)
Data watch: Stanford HAI veröffentlicht den AI Index jährlich (nächste Ausgabe wird um April 2027 erwartet); Menlo Ventures aktualisiert seinen State-of-Generative-AI-Bericht jährlich; Epoch AI aktualisiert seine Inferenzpreis- und Trend-Tracker fortlaufend; Google dürfte seine Umweltauswirkungs-Offenlegung jährlich aktualisieren; und Gartner sowie die Marktforschungsfirmen geben ihre Inferenzprognosen in rollierenden Zyklen neu heraus. Frontier-API-Preise ändern sich häufig, daher sind die Pro-Token-Zahlen zeitpunktbezogen.
Zuletzt aktualisiert: 10. Juli 2026. Wir überprüfen und aktualisieren diese Seite vierteljährlich, sobald neue Daten veröffentlicht werden.