AI Fußball Vorhersage mit xG: Wie Expected Goals deine Wett-Analyse revolutionieren

Es war im April 2012, als Sam Green, ein Datenanalyst bei Opta, zum ersten Mal seinen innovativen Ansatz zur Bewertung von Torchancen präsentierte. Damals ahnten wohl die wenigsten, dass diese Metrik einmal zum Standardwerkzeug im modernen Fußball werden würde. Heute reden Trainer, Kommentatoren und Fans ganz selbstverständlich über Expected Goals, und wer xG nicht versteht, dem entgeht ein wesentlicher Teil dessen, was datengetriebene Fußballanalyse ausmacht.

Die Faszination für xG hat mehrere Gründe. Anders als die klassische Torschussstatistik, die jeden Abschluss gleich behandelt, differenziert xG zwischen einem Elfmeter und einem Weitschuss aus dreißig Metern, zwischen einem Kopfball nach einer Flanke und einem Direktschuss nach einem Steilpass. Diese Unterscheidung macht den entscheidenden Unterschied, denn nicht jeder Schuss aufs Tor ist gleich viel wert. Ein Spieler, der aus fünf Metern freistehend den Pfosten trifft, hatte objektiv eine bessere Chance als jemand, der aus der Distanz knapp vorbeischießt. xG macht diese Intuition messbar.

Für alle, die KI-gestützte Fußballvorhersagen verstehen und nutzen wollen, führt kein Weg an xG vorbei. Die Metrik bildet das Fundament praktisch aller modernen Prognosemodelle, und wer ihre Stärken und Schwächen kennt, kann die Outputs von KI-Systemen deutlich besser einordnen. Dieser Artikel erklärt, wie xG funktioniert, warum es für Vorhersagen so wertvoll ist und wo seine Grenzen liegen.

Von der Nischenmetrik zum Standard

Die Geschichte von xG ist eine Geschichte der schrittweisen Akzeptanz. In den ersten Jahren nach Greens Präsentation blieb die Metrik ein Spielzeug für Nerds und Analysten. Wettanbieter erkannten früh das Potenzial, denn xG erlaubte ihnen, die Qualität von Mannschaften genauer einzuschätzen als es mit herkömmlichen Statistiken möglich war. Profiklubs folgten kurz darauf, allen voran in England, wo der Einsatz von Datenanalysten in den vergangenen zehn Jahren zur Normalität geworden ist.

Der Durchbruch in den Mainstream kam über die Medien. Als Sky Sports und später auch die BBC begannen, xG-Werte in ihre Berichterstattung zu integrieren, erreichte die Metrik plötzlich Millionen von Zuschauern. Heute gehört es zum guten Ton, nach einem Spiel nicht nur über das Endergebnis zu sprechen, sondern auch darüber, ob das Ergebnis den Spielverlauf widerspiegelt. Wenn eine Mannschaft mit einem xG von 2,5 nur ein Tor schießt, war sie entweder ineffizient oder hatte Pech, je nach Perspektive. Diese Einsicht wäre ohne xG nicht möglich.

Die Popularität hat allerdings auch eine Schattenseite. Je mehr Menschen über xG reden, desto häufiger wird die Metrik missverstanden oder überinterpretiert. Sie ist kein Allheilmittel und keine perfekte Beschreibung des Fußballs. Sie ist ein Werkzeug unter vielen, das bei richtiger Anwendung wertvolle Einblicke liefert. Wer das versteht, hat bereits einen Vorteil gegenüber denen, die xG entweder ignorieren oder blind darauf vertrauen.

So wird xG berechnet

Im Kern ist xG erstaunlich einfach: Jeder Schuss erhält einen Wert zwischen 0 und 1, der die Wahrscheinlichkeit angibt, dass dieser Schuss zu einem Tor führt. Ein Wert von 0,5 bedeutet, dass aus dieser Position unter vergleichbaren Umständen etwa jeder zweite Schuss im Netz landet. Ein Wert von 0,1 bedeutet, dass nur jeder zehnte Versuch erfolgreich ist. Die Summe aller xG-Werte einer Mannschaft in einem Spiel ergibt die Expected Goals für diese Partie.

Die Komplexität liegt in der Berechnung dieser Wahrscheinlichkeiten. Moderne xG-Modelle wie das von Opta berücksichtigen über zwanzig verschiedene Faktoren. Die wichtigsten sind die Entfernung zum Tor und der Winkel, aus dem geschossen wird. Ein zentraler Schuss aus zwölf Metern hat deutlich höhere Erfolgschancen als ein Versuch aus spitzem Winkel vom Strafraumeck. Diese beiden Faktoren allein erklären einen Großteil der Varianz in den xG-Werten.

Doch die modernen Modelle gehen weit darüber hinaus. Sie berücksichtigen, wie der Schuss zustande kam, also ob er nach einem Steilpass, einer Flanke oder einem Abpraller erfolgte. Sie beziehen die Position des Torwarts ein und analysieren, ob der Schütze unter Druck stand. Manche Modelle erfassen sogar, wie viele Verteidiger sich zwischen Ball und Tor befanden und ob der Abschluss mit dem starken oder schwachen Fuß erfolgte.

Das Ergebnis dieser Berechnungen ist ein xG-Wert, der auf historischen Daten basiert. Opta hat nach eigenen Angaben fast eine Million Schüsse aus vierzig verschiedenen Wettbewerben analysiert, um sein Modell zu trainieren. Diese enorme Datenmenge erlaubt präzise Schätzungen, die weit über das hinausgehen, was ein menschlicher Beobachter leisten könnte.

Ein Beispiel macht das anschaulich: Der Elfmeter ist die standardisierteste Situation im Fußball. Der Ball liegt immer an derselben Stelle, nur der Torwart steht im Weg. Die historischen Daten zeigen, dass etwa 76 bis 79 Prozent aller Elfmeter verwandelt werden, je nach Modell und Datensatz. Ein Elfmeter hat daher einen xG-Wert von ungefähr 0,77. Das bedeutet auch, dass eine sogenannte hundertprozentige Torchance im Fußball nie wirklich hundertprozentig ist, selbst unter optimalen Bedingungen.

xG in KI-Vorhersagemodellen

Für die künstliche Intelligenz ist xG ein ideales Feature, also ein Eingabewert für den Algorithmus. Der Grund liegt in der Natur der Metrik: xG abstrahiert von Einzelereignissen und erfasst stattdessen die zugrunde liegende Qualität der Chancen. Eine Mannschaft, die regelmäßig hohe xG-Werte erzielt, kreiert systematisch gute Torchancen, unabhängig davon, ob diese Chancen an einem bestimmten Tag auch genutzt werden.

Diese Eigenschaft macht xG besonders wertvoll für Prognosen. Tore allein sind ein schlechter Prädiktor für zukünftige Leistungen, weil sie stark vom Zufall abhängen. Ein Weitschuss, der unglücklich abgefälscht wird, zählt genauso wie ein verwandelter Elfmeter. xG filtert dieses Rauschen heraus und liefert ein klareres Bild der tatsächlichen Spielstärke.

KI-Modelle nutzen xG auf verschiedene Weisen. Die einfachste Variante besteht darin, die kumulierten xG-Werte der letzten Spiele als Indikator für die Offensivstärke zu verwenden. Eine Mannschaft, die in den vergangenen zehn Partien durchschnittlich 1,8 xG pro Spiel erzielt hat, wird wahrscheinlich auch im nächsten Spiel ähnlich viele Chancen kreieren. Analog dazu lässt sich die Defensivstärke über die zugelassenen xG-Werte erfassen.

Fortgeschrittenere Modelle gehen einen Schritt weiter und analysieren Trends. Wenn die xG-Werte einer Mannschaft in den letzten Wochen kontinuierlich steigen, deutet das auf eine Formverbesserung hin, die sich möglicherweise noch nicht vollständig in den Ergebnissen niedergeschlagen hat. Umgekehrt können sinkende xG-Werte ein Warnsignal sein, auch wenn die Resultate noch stimmen. Diese zeitliche Dimension macht xG-basierte Analysen besonders leistungsfähig.

Die Integration von xG mit anderen Metriken verstärkt die Aussagekraft zusätzlich. Wenn ein KI-Modell sowohl die eigenen xG-Werte als auch die zugelassenen xG-Werte der Gegner berücksichtigt, entsteht ein differenziertes Bild, das Stärken und Schwächen beider Teams einbezieht. Die besten Prognosemodelle kombinieren xG mit dutzenden weiteren Features, von Verletzungsdaten über Quotenbewegungen bis zu historischen Direktvergleichen.

Praktische Anwendung für Wett-Tipps

Wer xG für Sportwetten nutzen will, muss zunächst ein Konzept verstehen, das als Regression zur Mitte bekannt ist. Die Idee dahinter ist simpel: Extreme Ergebnisse tendieren dazu, sich über Zeit dem Durchschnitt anzunähern. Eine Mannschaft, die deutlich mehr Tore erzielt als ihr xG erwarten lässt, wird früher oder später weniger erfolgreich abschließen. Umgekehrt gilt: Wer trotz hoher xG-Werte wenig trifft, wird sich wahrscheinlich verbessern.

Dieses Prinzip eröffnet konkrete Wettmöglichkeiten. Wenn ein Team in den letzten Spielen konstant einen xG-Wert von 1,5 erzielte, aber nur 0,5 Tore pro Spiel schoss, liegt eine Überperformance der Gegner vor, oder eine massive Unterperformance des Teams. In beiden Fällen ist es wahrscheinlich, dass sich die Torausbeute in den kommenden Spielen dem xG-Wert annähert. Wettende, die diese Diskrepanz erkennen, können Value-Bets identifizieren, also Wetten, bei denen die Quote höher ist, als die tatsächliche Wahrscheinlichkeit rechtfertigt.

Das funktioniert auch in die andere Richtung. Mannschaften, die deutlich über ihrem xG-Wert treffen, profitieren oft von nicht nachhaltigen Faktoren wie Weitschusstreffern oder außergewöhnlich effizienten Stürmern. Solche Phasen halten selten lange an. Wenn der Markt die aktuelle Trefferquote in die Quoten einpreist, ohne die zugrunde liegenden xG-Werte zu berücksichtigen, entstehen Gelegenheiten für informierte Wettende.

Die Praxis ist natürlich komplizierter als die Theorie. Nicht jede Diskrepanz zwischen xG und tatsächlichen Toren deutet auf eine Korrektur hin. Manche Spieler sind schlicht bessere Abschließer als andere, und ihre Überperformance kann über Jahre stabil bleiben. Der entscheidende Punkt ist die Stichprobengröße: Je mehr Spiele in die Analyse einfließen, desto aussagekräftiger werden die Muster. Einzelne Spiele oder kurze Serien sagen wenig aus; erst über zehn bis zwanzig Partien hinweg kristallisieren sich belastbare Trends heraus.

Für Over-Under-Wetten bietet xG ebenfalls nützliche Anhaltspunkte. Wenn zwei offensive Teams aufeinandertreffen, die beide hohe xG-Werte erzielen und zugleich viele Chancen zulassen, steigt die Wahrscheinlichkeit für ein torreiches Spiel. Die Summe der erwarteten xG beider Teams gibt einen Hinweis darauf, wie viele Tore statistisch zu erwarten sind. Ein Wert von 3,5 oder höher spricht tendenziell für Over 2,5 Tore, vorausgesetzt, beide Mannschaften performen ungefähr auf ihrem erwarteten Niveau.

Grenzen von xG und ergänzende Metriken

Bei aller Begeisterung für xG ist es wichtig, die Grenzen der Metrik zu kennen. Die offensichtlichste Einschränkung besteht darin, dass xG nur Schüsse erfasst. Alles, was vor dem Abschluss passiert, spielt keine Rolle. Eine brillante Kombination, die am Strafraum versandet, generiert keinen xG-Wert, auch wenn sie die Klasse einer Mannschaft demonstriert. Ebenso wenig berücksichtigt xG verpasste Hereingaben oder Situationen, in denen ein Spieler eine vielversprechende Position nicht für einen Abschluss nutzt.

Ein weiteres Problem betrifft die Standardisierung. xG-Modelle unterscheiden nicht zwischen Schützen. Der Wert für einen Schuss aus zwölf Metern ist identisch, egal ob Erling Haaland oder ein Nachwuchsspieler abzieht. In der Realität macht es natürlich einen Unterschied, wer vor dem Tor steht. Manche Analysten argumentieren, dass dieser Mangel an Personalisierung zu systematischen Fehleinschätzungen führt. Andere halten dagegen, dass die Abstraktion vom Schützen gerade die Stärke des Modells ausmacht, weil sie strukturelle Chancenqualität misst statt individuelle Abschlussfähigkeiten.

Die zeitliche Dimension ist ein weiterer Faktor, den xG nicht erfasst. Ein Tor in der fünften Spielminute verändert die Dynamik einer Partie fundamental. Die Mannschaft mit Führung spielt anders, der Gegner muss mehr riskieren, die Räume verändern sich. All das hat Auswirkungen auf die folgenden Chancen, die im xG-Modell jedoch nicht abgebildet werden. Die Annahme, dass Torchancen unabhängig voneinander entstehen, stimmt in der Realität nur näherungsweise.

Um diese Lücken zu schließen, haben Analysten ergänzende Metriken entwickelt. Expected Assists, kurz xA, misst die Qualität von Vorlagen, also die Wahrscheinlichkeit, dass ein bestimmter Pass zu einem Tor führt. Das ist besonders nützlich für die Bewertung von Spielmachern und Flügelspielern, deren Beitrag sich nicht in eigenen Abschlüssen niederschlägt.

Expected Points, oder xP, übersetzt die xG-Differenz in erwartete Tabellenpunkte. Wenn eine Mannschaft über die Saison hinweg mehr xP als tatsächliche Punkte hat, deutet das auf eine Unterperformance hin, die sich möglicherweise in der Rückrunde korrigiert. Diese Metrik ist besonders für Langzeitwetten auf Meisterschaft oder Abstieg relevant.

Post-Shot xG, abgekürzt PSxG, berücksichtigt zusätzlich die Qualität des Abschlusses selbst. Während das klassische xG nur die Situation vor dem Schuss betrachtet, bezieht PSxG ein, wohin der Ball fliegt und wie schwer es für den Torwart ist, ihn zu halten. Ein perfekt platzierter Schuss in den Winkel hat einen höheren PSxG-Wert als ein zentral aufs Tor getrampelter Ball. Diese Metrik ist besonders für die Analyse von Torhüterleistungen wertvoll.

Non-Penalty xG, kurz npxG, schließt Elfmeter aus der Berechnung aus. Das ist sinnvoll, weil Strafstöße eine Sonderstellung einnehmen: Sie entstehen oft aus Situationen, die mit der allgemeinen Spielstärke wenig zu tun haben, etwa aus einem Handspiel oder einem Foul außerhalb der eigentlichen Torchance. Die Verwendung von npxG gibt ein saubereres Bild der aus dem Spiel heraus kreierten Chancen.

xG als Teil eines größeren Puzzles

Die wichtigste Lektion im Umgang mit xG ist diese: Keine Metrik kann den Fußball vollständig beschreiben. xG ist ein mächtiges Werkzeug, aber es ist nur ein Teil des Puzzles. Die besten KI-Modelle kombinieren xG mit dutzenden weiteren Datenpunkten, von Passstatistiken über Pressing-Intensität bis zu individuellen Spielerdaten. Diese Kombination macht Prognosen robust und aussagekräftig.

Für den praktischen Einsatz bedeutet das: xG allein sollte nie die einzige Grundlage für eine Wettentscheidung sein. Die Metrik liefert wertvolle Hinweise auf die Chancenqualität, aber sie erfasst nicht alles. Kontextfaktoren wie Verletzungen, Motivation, taktische Anpassungen und selbst Wetterbedingungen können den Ausgang eines Spiels beeinflussen, ohne in xG-Werten aufzutauchen.

Die Kombination von xG-basierter Analyse mit eigenem Fachwissen ist der Schlüssel. Wer die Metrik versteht und ihre Grenzen kennt, kann sie gewinnbringend einsetzen. Wer sie blindlings anwendet oder ignoriert, verschenkt Potenzial. Der informierte Umgang mit Daten, nicht die Daten selbst, macht den Unterschied zwischen Erfolg und Misserfolg.

Moderne KI-Systeme haben xG zu einem ihrer wichtigsten Eingabewerte gemacht, gerade weil die Metrik so viel Information in einer einzigen Zahl verdichtet. Für alle, die KI-Vorhersagen nutzen oder verstehen wollen, ist ein solides Verständnis von xG daher unverzichtbar. Die Metrik mag komplex in ihrer Berechnung sein, aber ihr Grundprinzip ist intuitiv: Nicht jede Torchance ist gleich viel wert, und wer das berücksichtigt, hat einen Vorteil gegenüber denen, die es nicht tun.

Am Ende bleibt xG das, was es immer war: ein Werkzeug. Es kann die Realität beschreiben und Muster aufdecken, aber es kann die Zukunft nicht vorhersagen. Der Ball ist rund, und Fußball bleibt ein Spiel, das sich einer vollständigen Berechenbarkeit entzieht. Genau das macht ihn so faszinierend, auch für diejenigen, die mit Daten und Algorithmen arbeiten.

Die verschiedenen xG-Anbieter und ihre Modelle

Nicht alle xG-Werte sind gleich. Je nachdem, welche Quelle man konsultiert, können die Zahlen für dasselbe Spiel erheblich voneinander abweichen. Das liegt daran, dass verschiedene Anbieter unterschiedliche Modelle verwenden, die mal mehr, mal weniger Faktoren einbeziehen. Wer xG für Vorhersagen nutzen will, sollte diese Unterschiede kennen.

Opta ist der bekannteste und am weitesten verbreitete Anbieter. Das Unternehmen sammelt seit Jahrzehnten Spielstatistiken und hat Zugang zu einer enormen Datenmenge. Das Opta-Modell verwendet nach eigenen Angaben über zwanzig Variablen und wird kontinuierlich mit neuen Daten aktualisiert. Die meisten großen Medien, darunter Sky Sports und die BBC, greifen auf Opta-Daten zurück, was die Vergleichbarkeit erleichtert.

StatsBomb ist ein weiterer wichtiger Akteur, der sich durch besonders detaillierte Analysen auszeichnet. Das Unternehmen erfasst zusätzliche Informationen wie die Körperposition des Schützen und den genauen Verteidigungsdruck, was zu nuancierteren xG-Werten führt. StatsBomb-Daten werden von vielen Profi-Klubs für ihre internen Analysen verwendet und gelten als besonders präzise.

Understat bietet eine kostenlose Alternative, die sich auf die fünf großen europäischen Ligen konzentriert. Die Daten sind frei zugänglich und erlauben jedem Interessierten, eigene Analysen durchzuführen. Die Modellierung ist etwas einfacher als bei Opta oder StatsBomb, aber für viele Anwendungszwecke völlig ausreichend.

Die Unterschiede zwischen den Anbietern sind in der Praxis meist gering, aber sie existieren. Ein Elfmeter hat bei Opta einen xG-Wert von etwa 0,77, während andere Modelle auf 0,76 oder 0,79 kommen. Bei komplexeren Situationen können die Abweichungen größer ausfallen. Für den einzelnen Wettenden spielt das selten eine entscheidende Rolle, aber für systematische Analysen ist es wichtig, konsistent dieselbe Quelle zu verwenden.

Die Wahl des richtigen Anbieters hängt von den eigenen Bedürfnissen ab. Wer schnellen Zugang zu aktuellen Daten braucht, ist mit Understat gut bedient. Wer tiefergehende Analysen durchführen will, sollte die professionellen Anbieter in Betracht ziehen. Und wer KI-Modelle entwickelt oder nutzt, muss darauf achten, dass Trainings- und Anwendungsdaten aus derselben Quelle stammen, um Verzerrungen zu vermeiden.

xG im Kontext verschiedener Ligen

Ein oft übersehener Aspekt von xG ist die Frage, ob die Metrik über verschiedene Ligen hinweg vergleichbar ist. Die kurze Antwort lautet: nur eingeschränkt. Ein xG-Wert von 1,5 in der Bundesliga bedeutet nicht notwendigerweise dasselbe wie ein xG-Wert von 1,5 in der zweiten englischen Liga.

Der Grund liegt in der unterschiedlichen Spielweise und Intensität. In den Top-Ligen ist das Pressing aggressiver, die Verteidiger sind schneller, die Torhüter reaktionsschneller. All das beeinflusst, wie oft identische Chancen verwertet werden. Ein Schuss aus zehn Metern gegen einen Bundesliga-Keeper hat andere Erfolgsaussichten als derselbe Schuss gegen einen Torwart aus einer niedrigeren Spielklasse.

Die großen xG-Anbieter haben dieses Problem erkannt und verwenden teilweise ligaspezifische Modelle. Opta beispielsweise kalibriert seine Werte separat für verschiedene Wettbewerbe. Das verbessert die Genauigkeit innerhalb einer Liga, erschwert aber den direkten Vergleich zwischen Ligen. Wer wissen will, ob ein aufsteigender Zweitligist offensiv gefährlich genug für die erste Liga ist, kann sich nicht einfach auf die rohen xG-Werte verlassen.

Für internationale Wettbewerbe wie die Champions League wird die Sache noch komplizierter. Hier treffen Teams aus unterschiedlichen Ligen aufeinander, die jeweils an andere Spielweisen gewöhnt sind. Die xG-Werte aus den nationalen Ligen sind nur bedingt auf die europäische Bühne übertragbar. Ein Team, das in der heimischen Liga konstant hohe xG-Werte erzielt, kann gegen international erfahrene Gegner plötzlich Schwierigkeiten haben, zu seinen gewohnten Abschlüssen zu kommen.

Die praktische Konsequenz für Wettende ist klar: xG-basierte Vergleiche funktionieren am besten innerhalb derselben Liga. Sobald Teams aus verschiedenen Wettbewerben gegeneinander antreten, sollten zusätzliche Faktoren berücksichtigt werden. Die Erfahrung auf internationalem Parkett, die taktische Flexibilität und die individuelle Klasse der Schlüsselspieler können den Ausgang eines Spiels stärker beeinflussen als die kumulierten xG-Werte der vergangenen Spiele.

Der Blick in die Zukunft

Die Entwicklung von xG ist noch lange nicht abgeschlossen. Die nächste Generation von Modellen wird wahrscheinlich Tracking-Daten integrieren, die präzise Aufschluss über die Laufwege aller Spieler auf dem Feld geben. Mit diesen Informationen lässt sich der Verteidigungsdruck genauer quantifizieren und die Chancenqualität noch präziser einschätzen.

Computer Vision, also die automatische Analyse von Videomaterial durch Algorithmen, wird ebenfalls eine größere Rolle spielen. Statt auf manuell erfasste Statistiken angewiesen zu sein, könnten zukünftige Modelle direkt aus dem Bildmaterial lernen. Das würde nicht nur die Datenmenge erhöhen, sondern auch Faktoren erfassen, die bisher nicht systematisch erhoben werden.

Für Wettende bedeutet das zweierlei. Einerseits werden die verfügbaren Daten immer präziser und umfangreicher. Wer die neuen Metriken versteht und nutzt, hat einen Vorteil. Andererseits rüsten auch die Buchmacher auf. Die Quoten werden besser, die Margen schrumpfen, und offensichtliche Value-Bets werden seltener. Der Wettmarkt ist ein Nullsummenspiel, und technologischer Fortschritt verschiebt den Vorteil nicht automatisch zu den Wettenden.

Was bleibt, ist die Notwendigkeit, informiert zu bleiben und die eigene Analyse kontinuierlich zu verbessern. xG war vor zehn Jahren eine Revolution. Heute ist es der Standard. Wer wissen will, was in zehn Jahren Standard sein wird, muss die Entwicklungen aufmerksam verfolgen und bereit sein, sein Wissen anzupassen. Das gilt für KI-Modelle genauso wie für menschliche Analysten.

Die Faszination für datengetriebene Fußballanalyse wird nicht nachlassen. Sie wird sich weiterentwickeln, verfeinern und neue Formen annehmen. xG wird dabei ein zentraler Baustein bleiben, weil die Grundidee so elegant und nützlich ist: die Qualität von Torchancen zu messen und daraus Schlüsse für die Zukunft zu ziehen. Wer das verstanden hat, ist gut gerüstet für das, was kommt.

Die abschließende Erkenntnis ist vielleicht die wichtigste: xG hat den Fußball nicht berechenbarer gemacht, sondern verstehbarer. Die Metrik hilft uns, das Chaos auf dem Spielfeld zu ordnen und Muster zu erkennen, die dem bloßen Auge verborgen bleiben. Sie ersetzt weder die Leidenschaft für den Sport noch die Freude an unerwarteten Ergebnissen. Sie ergänzt beides um eine analytische Perspektive, die das Erlebnis Fußball auf ihre Weise bereichert. Und für alle, die mit Sportwetten mehr als nur Glücksspiel betreiben wollen, ist sie zu einem unverzichtbaren Bestandteil des Werkzeugkastens geworden.