GPU-Middleware-Marktgröße und -Marktanteil – Wachstumstrends und Prognose (2026–2031)

Markttrends und Einblicke

Steigende KI-Modelltraining- und Inferenz-GPU-Dichte

Der GPU-Middleware-Markt wächst, da die KI-Modellentwicklung zunehmend von größeren, dichteren Rechenumgebungen abhängt. NVIDIA stellte im Juni 2026 die Vera-Rubin-Plattform als ein Rack-Scale-System vor, das CPU, GPU, Netzwerk und Software für wissenschaftliche und KI-Workloads kombiniert, was zeigt, wie eng integriert Bereitstellungen der nächsten Generation werden. Microsoft kündigte im Juni 2026 außerdem einen neuen Rechenzentrumscampus in Pecos, Texas, an, um rund 2 Gigawatt KI- und Cloud-Kapazität hinzuzufügen, was widerspiegelt, wie schnell die Infrastrukturexpansion in der Kernkäuferbasis voranschreitet. NVIDIA und Eli Lilly gründeten im Januar 2026 außerdem ein gemeinsames KI-Innovationslabor mit einer geplanten Investition von bis zu 1 Milliarde USD über 5 Jahre, was darauf hindeutet, dass große Modell-Workloads zunehmend in stark regulierte kommerzielle Umgebungen vordringen.^[1] Mit dem Wachstum dieser Cluster steigt auch die Betriebslast für Scheduler, Speichersteuerungsschichten und Ressourcenzuweisungstools. Dieses Muster hält den GPU-Middleware-Markt eng an jede neue Welle des KI-Trainings und der Skalierung der Inferenz gebunden.

Wachsende Unternehmensnachfrage nach mandantenfähiger GPU-Ressourcenteilung

Der GPU-Middleware-Markt profitiert auch von der Notwendigkeit, begrenzte GPU-Ressourcen über Teams, Modelle und Workloads hinweg zu teilen, ohne die Kontrolle zu verlieren. IBM Research, Red Hat und NxtGen Cloud berichteten im Juni 2026, dass das Open-Source-Framework llm-d eine 3- bis 5-mal schnellere Inferenz und eine verdoppelte Durchsatzrate auf gemischter GPU-Hardware lieferte, mit potenziellen jährlichen Einsparungen von bis zu 5,25 Millionen USD pro großer Bereitstellung. NVIDIA überführte außerdem seinen Dynamic-Resource-Allocation-Treiber für GPUs in die Kubernetes-Community und nahm den KAI-Scheduler im März 2026 als CNCF-Sandbox-Projekt auf, was eine breitere Nutzung von gemeinsamem, richtliniengesteuertem GPU-Scheduling ermöglicht. Red Hat geht in dieselbe Richtung mit seiner KI-Fabrik mit NVIDIA, die gebündelten Zugang, intelligente Orchestrierung und automatisches Checkpointing für lang laufende Jobs bietet. Diese Schritte reduzieren die Notwendigkeit, dass eine einzelne Anwendung oder ein Team ganze Cluster für lange Zeiträume reserviert. Das unterstützt den GPU-Middleware-Markt, weil mandantenfähige Steuerung zu einem zentralen Kaufkriterium wird und nicht mehr nur ein optionales Merkmal ist.

Zunehmender Bedarf an GPU-Auslastungsoptimierung in Cloud- und On-Premises-Umgebungen

Der GPU-Middleware-Markt profitiert, wenn Organisationen sich darauf konzentrieren, den Output aus bestehenden GPU-Beständen zu verbessern, anstatt zuerst Hardware hinzuzufügen. NVIDIA hat den KAI-Scheduler als Open Source veröffentlicht und den Dynamic-Resource-Allocation-Treiber für GPUs im Jahr 2026 gespendet, was dazu beiträgt, die Zuweisung und Verwaltung von Beschleunigern in Kubernetes-nativen Umgebungen zu standardisieren. Red Hat OpenShift 4.21 hat Dynamic Resource Allocation im März 2026 ebenfalls zur allgemeinen Verfügbarkeit gebracht und das ältere Geräte-Plugin-Modell durch eine detailliertere, attributbewusste Planung ersetzt. HPE erweiterte außerdem sein KI-Fabrik-Portfolio mit Mission-Control-Integration und Red-Hat-OpenShift-Unterstützung, was zeigte, dass Unternehmenskäufer Orchestrierungsschichten wollen, die hybride KI-Umgebungen mit weniger manuellem Eingriff verwalten können. Wenn die Auslastung zur zentralen wirtschaftlichen Frage wird, legen Käufer mehr Wert auf Planungsqualität, Richtliniendurchsetzung und Workload-Platzierungslogik. Das verlagert die Ausgaben in Richtung des GPU-Middleware-Marktes, weil Software zum Werkzeug wird, das bestimmt, ob teure GPU-Kapazität tatsächlich produktiv ist.

Ausweitung von Hochleistungsrechenworkloads über Branchen hinweg

Der GPU-Middleware-Markt wird auch durch die zunehmende Nutzung von Hochleistungsrechnen über traditionelle Forschungsumgebungen hinaus unterstützt. NVIDIA positionierte Vera Rubin sowohl für wissenschaftliches Rechnen als auch für KI-Workloads, was auf eine engere Verbindung zwischen simulations- und modellintensiver Infrastruktur hindeutet. AMD präsentierte im Juni 2026 außerdem eine Vorschau auf die Instinct-MI430X-GPU mit mehr als 200 Teraflops nativer FP64-Leistung, was darauf hindeutet, dass Anbieter weiterhin rechenintensive industrielle und wissenschaftliche Anwendungsfälle anvisieren. Das KI-Labor von NVIDIA und Eli Lilly vom Januar 2026 zeigte dieselbe Konvergenz in der Praxis, wobei biomedizinische Grundlagenmodelle auf die Arzneimittelentdeckung und Fertigungsoptimierung angewendet wurden. Der Start von MORAIs nächster Generation der digitalen Zwillingssimulationsplattform im Juni 2026 wies ebenfalls auf eine steigende Nachfrage aus validierungsintensiven Automobil-Workflows hin. Da mehr Branchen Simulation, digitale Zwillinge und KI in einer einzigen Betriebsumgebung einsetzen, profitiert der GPU-Middleware-Markt von der Notwendigkeit, gemischte Workloads über gemeinsam genutzte Cluster hinweg zu koordinieren.

Hohe GPU-Infrastrukturkosten und Integrationskomplexität

Der GPU-Middleware-Markt steht noch immer vor einer klaren Hürde: Die Skalierung der GPU-Infrastruktur erfordert erhebliche Vorabinvestitionen und eine sorgfältige Integration. CoreWeave schloss im März 2026 eine Finanzierungsfazilität von 8,5 Milliarden USD ab, gefolgt von einer weiteren Kreditfazilität von 3,1 Milliarden USD im Mai 2026, was unterstreicht, wie kapitalintensiv die GPU-Plattformerweiterung selbst für spezialisierte Anbieter geworden ist. Microsofts Ankündigung in Pecos im Juni 2026 unterstrich ebenfalls, dass größere KI-Kapazitätserweiterungen nun in sehr großem Maßstab stattfinden, den kleinere Käufer nicht leicht erreichen können. Auf der Bereitstellungsseite wurde Red Hats KI-Fabrik mit NVIDIA auf Hardware von Cisco, Dell Technologies, Lenovo und Supermicro validiert, was zeigt, dass reale Implementierungen oft getestete Kombinationen über mehrere Schichten hinweg erfordern. Das KI-Fabrik-Portfolio von HPE folgt derselben Logik, indem es Orchestrierung, Mandantenfähigkeit und Unternehmenssoftware in zertifizierten Systemen bündelt. Bis diese Bereitstellungen einfacher und kostengünstiger aufzubauen sind, wird der GPU-Middleware-Markt weiterhin mit einer langsameren Adoption konfrontiert sein.

Mangel an Fachkräften für GPU-Orchestrierung, CUDA-Optimierung und Cluster-Optimierung

Der GPU-Middleware-Markt steht auch vor einem Fachkräfteproblem, da gute Ergebnisse von der richtigen Einrichtung, Optimierung und Planung abhängen und nicht nur von der Hardware. Eine Studie aus dem Jahr 2026 im Journal of Supercomputing ergab, dass MPS die Leistung bei der gemeinsamen Ausführung unter günstigen Workloads um bis zu 30 % verbessern und den Energieverbrauch um 20 % senken kann, aber auch die Leistung unter Speicherkonflikten um 30 % verschlechtern kann. Diese Bandbreite zeigt, wie empfindlich die Ergebnisse sein können, wenn Teams die Sharing- und Platzierungsrichtlinien nicht korrekt konfigurieren. Red Hats Übergang zur allgemeinen Verfügbarkeit von Dynamic Resource Allocation gibt Administratoren mehr Kontrolle über GPU-Attribute, erhöht aber auch die technische Anforderung für Teams, die diese Richtlinien definieren und verwalten müssen. NVIDIAs Open-Source-Scheduler-Arbeit hilft dabei, den Stack zu standardisieren, beseitigt jedoch nicht den Bedarf an Spezialkenntnissen im Cluster-Betrieb und in der Workload-Optimierung. Dies verlangsamt die direkte Adoption in Teilen des GPU-Middleware-Marktes, in denen Organisationen produktionsfähige KI-Kapazitäten anstreben, aber noch keine erfahrenen Infrastrukturteams haben.

*Unsere Prognosen behandeln die Auswirkungen von Treibern und Einschränkungen als richtungsweisend und nicht additiv. Die Wirkungsprognosen berücksichtigen Basiswachstum, Mischungseffekte und Wechselwirkungen zwischen Variablen.

Segmentanalyse

Software entfiel im Jahr 2025 auf 74,28 % des Umsatzes, während Dienstleistungen bis 2031 voraussichtlich mit einem CAGR von 32,56 % wachsen werden. Diese Umsatzaufteilung zeigt, dass Käufer beim ersten Aufbau von GPU-Umgebungen noch am stärksten für Scheduler, Virtualisierungstools und Laufzeitsoftware ausgeben. Der aktuelle Mix spiegelt auch wider, wie sich der GPU-Middleware-Markt rund um Plattformsteuerung, Cluster-Management und containerfähige Software-Schichten entwickelt hat. NVIDIAs Entscheidung, den KAI-Scheduler als Open Source zu veröffentlichen und den Dynamic-Resource-Allocation-Treiber für GPUs im Jahr 2026 zu spenden, stärkte die zentrale Position von Software im Stack. Red Hats Veröffentlichung von Dynamic Resource Allocation zur allgemeinen Verfügbarkeit in OpenShift 4.21 hob ebenfalls eine reifende Software-Schicht hervor, die über Unternehmensbereitstellungen hinweg zunehmend standardisiert wird.

Dienstleistungen expandieren jedoch schneller, weil die Bereitstellungskomplexität nun schwerer allein durch Software zu bewältigen ist. Red Hat KI-Fabrik mit NVIDIA umfasst GPU-als-Dienstleistung-Orchestrierung, gebündelten Infrastrukturzugang und automatisches Checkpointing, und diese Art von Rollout erfordert in der Regel strukturierte Implementierungsunterstützung und Betriebsanleitung. HPE ging in dieselbe Richtung mit seinen KI-Fabrik-Portfolio-Updates, bei denen Mission-Control-Software und Unterstützung für hybride Bereitstellungen mit Unternehmensinfrastrukturdienstleistungen gebündelt werden.^[2] Anyscales Veröffentlichung von Ray Data mit NVIDIA-cuDF-Unterstützung im Juni 2026 zeigte, dass selbst Kosten- und Leistungsgewinne auf der Workload-Ebene noch von einer starken Integration in breitere Betriebsumgebungen abhängen. In der Praxis deutet das schnellere Wachstum von Dienstleistungen darauf hin, dass sich der GPU-Middleware-Markt von reinen Software-Kaufentscheidungen hin zu Software plus Bereitstellungsergebnissen bewegt. Diese Verschiebung sollte dienstleistungsintensive Engagements wichtig halten, da Organisationen von Pilotclustern zu produktionsskaligen Beständen übergehen.

Cloud entfiel im Jahr 2025 auf 52,41 % des Umsatzes, während Hybrid bis 2031 voraussichtlich das schnellste Wachstum mit einem CAGR von 31,96 % verzeichnen wird. Diese Aufteilung zeigt, dass der größte Anteil der aktuellen Ausgaben noch immer auf verwalteten GPU-Zugang entfällt, der es Unternehmen ermöglicht, schnell loszulegen, ohne zuerst dedizierte Infrastruktur aufzubauen. Gleichzeitig deutet die schnellere Hybrid-Wachstumsrate darauf hin, dass sich der GPU-Middleware-Markt in Richtung gemischter Betriebsmodelle und nicht eines reinen Cloud-Standards bewegt. Dieses Muster erfüllt Unternehmensanforderungen, indem es Burst-Training, interne Datenkontrolle und unterschiedliche Latenzanforderungen über Workloads hinweg kombiniert. Es spiegelt auch die Tatsache wider, dass Cloud- und On-Premises-Umgebungen weniger als Alternativen und mehr als miteinander verbundene Teile eines einzigen Betriebsstacks behandelt werden.

Anbieterbewegungen unterstützen diese Richtung. Red Hats KI-Fabrik mit NVIDIA wurde rund um gebündelten Zugang und Orchestrierung über Unternehmensumgebungen hinweg aufgebaut, was zu Organisationen passt, die interne Kontrolle wollen, ohne auf flexible Ressourcenteilung zu verzichten. HPEs KI-Fabrik-Updates vom März 2026 hoben ebenfalls mandantenfähige Skalierung, Mission-Control-Integration und Red-Hat-OpenShift-Unterstützung für hybride KI-Bereitstellungen hervor. Microsofts Ankündigung vom April 2026 zu Japan zeigte, wie wichtig KI-Infrastruktur im Land und lokale Rechendienste dort bleiben, wo Datenspeicherung eine Rolle spielt. Der GPU-Middleware-Markt sieht daher, wie Hybrid an Zugkraft gewinnt, weil es Käufern Richtlinienkontrolle, Workload-Flexibilität und mehr Spielraum gibt, die Infrastruktur an der internen Governance auszurichten. Edge- und Embedded-Bereitstellungen bleiben kleiner, aber dieselbe Hybrid-Logik beginnt, Echtzeit-Anwendungsfälle in der Automobil- und Industriebranche zu beeinflussen.

Großunternehmen hielten im Jahr 2025 81,34 % des Umsatzes, während kleine und mittlere Unternehmen bis 2031 voraussichtlich mit einem CAGR von 31,63 % wachsen werden. Die aktuelle Umsatzkonzentration spiegelt die Kosten- und Betriebsanforderungen des Aufbaus und der Verwaltung von GPU-Clustern im großen Maßstab wider. Im Jahr 2025 führten große Organisationen noch immer den GPU-Middleware-Markt an, weil sie über stärkere Budgets, interne Ingenieurteams und klarere KI-Produktions-Roadmaps verfügten. Ihre frühe Nachfrage half auch dabei, das Produktdesign rund um Multi-Cluster-Governance, Kontingentmanagement und Unternehmensintegration zu gestalten. Deshalb sitzt ein Großteil der installierten Basis noch immer bei Käufern, die angepasste Bereitstellungs- und Betriebsmodelle unterstützen können.

Die schnellere Wachstumsrate bei kleinen und mittleren Unternehmen deutet auf eine andere Expansionsphase hin. Eine Studie aus dem Jahr 2025 in Applied Sciences ergab, dass gemeinsame Infrastrukturmodelle und öffentlich-private KI-Rechenzentren die Hürden für kleinere Unternehmen senken können, die KI-Fähigkeiten ohne hohe Kapitalinvestitionen anstreben. Diese Erkenntnis deckt sich mit der breiteren Verschiebung hin zu verwaltetem, gebündeltem und verbrauchsorientiertem GPU-Zugang im GPU-Middleware-Markt. Red Hat und HPE haben beide verpackte KI-Fabrik-Ansätze betont, die den Einrichtungsaufwand reduzieren, während Anyscales GPU-native Datenverarbeitungsveröffentlichung zeigt, dass Entwickler zunehmend einfachere Wege zur Produktionsleistung wollen. Da kleinere Unternehmen KI ernsthafter einsetzen, werden sie wahrscheinlich Bereitstellungsmodelle bevorzugen, die die Infrastrukturkomplexität verbergen und gleichzeitig den Zugang zu fortschrittlichem GPU-Scheduling und -Orchestrierung erhalten. Das hält das Wachstum bei kleinen und mittleren Unternehmen für den GPU-Middleware-Markt bedeutsam, auch wenn der Umsatz heute noch in der Großunternehmensbasis verankert ist.

Künstliche Intelligenz und maschinelles Lernen entfielen im Jahr 2025 auf 62,39 % der Nachfrage und sind damit der größte Anwendungsbereich im GPU-Middleware-Markt. Dieselbe Kategorie bleibt auch die am schnellsten wachsende Anwendungsgruppe während des gesamten Prognosezeitraums, was die Produktentwicklung auf Training, Inferenz und Effizienz bei der Modellbereitstellung fokussiert hält. Diese Doppelrolle ist wichtig, weil Anbieter Funktionsinvestitionen rechtfertigen können, wenn die größte Workload-Klasse auch die am schnellsten expandierende ist. Es bedeutet auch, dass Zuweisungslogik, Speicherverwaltung und verteilte Ausführung die kommerziell wichtigsten Fähigkeiten im aktuellen Zyklus bleiben. Der GPU-Middleware-Markt wird daher zuerst durch das Verhalten von KI- und ML-Workloads und erst danach durch angrenzende Anwendungsfälle geprägt.

Diese Führungsposition schränkt die Expansion in andere Anwendungen nicht ein. NVIDIA und Eli Lilly starteten im Januar 2026 ein gemeinsames KI-Innovationslabor, um groß angelegte Modelle auf die Arzneimittelentdeckung und Fertigungsoptimierung anzuwenden, was zeigte, wie schnell KI-zentrierte GPU-Workflows in die Biowissenschaften vordringen. NVIDIAs Vera-Rubin-Ankündigung im Juni 2026 zeigte auch, dass KI und wissenschaftliches Rechnen auf derselben Rack-Scale-Architektur positioniert werden. MORAIs Plattformstart im Juni 2026 lieferte ein weiteres Signal, wobei digitale Zwillingssimulation für die ADAS-Validierung, virtuelle Homologation und Tests autonomer Systeme eingesetzt wird. Diese Beispiele zeigen, dass angrenzende Workloads noch wachsen, aber zunehmend auf KI-zentrierte Infrastrukturmuster zurückgreifen. Infolgedessen behandelt der GPU-Middleware-Markt KI und maschinelles Lernen weiterhin als den Anker-Anwendungsfall, der das Plattformdesign im gesamten restlichen Anwendungsmix beeinflusst.

Cloud-Dienstleister, Hyperscaler und Rechenzentrumsbetreiber hielten im Jahr 2025 62,51 % des Endnutzerumsatzes, während der Automobilsektor bis 2031 voraussichtlich mit einem CAGR von 31,87 % expandieren wird. Diese Konzentration zeigt, wie stark der GPU-Middleware-Markt noch immer von Organisationen abhängt, die Rechenkapazitäten im großen Maßstab bereitstellen und gemeinsam genutzte Infrastruktur schnell monetarisieren können. Im aktuellen Zyklus bleiben diese Käufer die Hauptquelle für große Verträge, Plattformstandardisierung und schnelle Kapazitätserweiterungen. Ihre Führungsposition erklärt auch, warum Cloud-Bereitschaft, Orchestrierungstiefe und Kontrolle über gemischte Mandantenfähigkeit zentrale Produktanforderungen bleiben. Dieser Teil des GPU-Middleware-Marktes ist stabil, weil er direkt mit den größten laufenden KI-Infrastrukturausbauprogrammen verbunden ist.

Der Automobilsektor wächst jedoch schneller, weil softwaredefinierte Fahrzeugsysteme kontinuierliche Simulation, Validierung und iteratives Testen erfordern. MORAIs nächste Generation der digitalen Zwillingssimulationsplattform, die im Juni 2026 gestartet wurde, zielte direkt auf die ADAS-Validierung und regulatorisch ausgerichtete Tests autonomer Systeme ab, was diese Verschiebung unterstützt. Dasselbe Muster zeigt sich in den Biowissenschaften, wo das KI-Labor von NVIDIA und Eli Lilly demonstrierte, dass branchenspezifische GPU-Workflows dauerhafter und betrieblicher werden. CoreWeaves expandierende Zusammenarbeit mit NVIDIA unterstrich auch, wie wichtig zweckgebundene GPU-Versorgung für dienstleistungsintensive Endnutzer bleibt, die zuverlässigen Zugang im großen Maßstab wollen. Das Ergebnis ist ein GPU-Middleware-Markt, in dem Hyperscaler noch immer den Umsatz dominieren, aber neues vertikales Wachstum dauerhafter und spezialisierter wird. Das sollte das Risiko einer Überabhängigkeit von einer Käufergruppe schrittweise reduzieren, auch wenn die Cloud-geführte Nachfrage in naher Zukunft die Kernumsatzbasis bleibt.

Geografische Analyse

GPU-Middleware-Markt Amerika

Nordamerika hatte im Jahr 2025 einen Anteil von 43,72 % am globalen Umsatz und war damit der größte regionale Beitragszahler zum GPU-Middleware-Markt. Diese Führungsposition spiegelt die hohe Konzentration von Hyperscaler-Rechenzentren, KI-Softwareanbietern und unternehmensweiten GPU-Installationen in der Region wider. Microsoft kündigte im Juni 2026 einen neuen Rechenzentrumsstandort in Pecos, Texas, an, der rund 2 Gigawatt an KI- und Cloud-Kapazität hinzufügt und damit Nordamerikas Rolle als größte Infrastruktur-Ausbauzonen im aktuellen Zyklus festigt. NVIDIA investierte im Januar 2026 außerdem 2 Milliarden USD in CoreWeave im Rahmen einer erweiterten Zusammenarbeit, um bis 2030 mehr als 5 Gigawatt an KI-Fabrikkapazität zu beschleunigen.^[3] Diese Schritte stärken den Skalierungsvorteil der Region, da Infrastruktur-, Software- und Serviceschichten gemeinsam ausgebaut werden. Südamerika blieb kleiner, doch die Nachfrage wuchs weiterhin durch verwalteten Cloud-Zugang und regionale Programme zur Unternehmensmodernisierung. In der Praxis gibt Nordamerika nach wie vor das Tempo für Produktreife, Bereitstellungsumfang und Anbieterausrichtung im GPU-Middleware-Markt vor.

GPU-Middleware-Markt Europa

Europa entwickelt den GPU-Middleware-Markt auf einem anderen Weg, der stärker auf Governance, Datensouveränität und Unternehmenskontrolle ausgerichtet ist. Das Nachfragemuster der Region bevorzugt cloud-agnostische und On-Premises-Bereitstellungsmodelle bei Workloads, die compliance-sensible Daten beinhalten. Frankreichs nationale KI-Strategie hat GPU-Middleware-Innovation als prioritären Förderbereich identifiziert, was zeigt, dass die Software-Koordinationsschicht als strategisch bedeutsam und nicht als nachrangig betrachtet wird. Dieses politische Umfeld unterstützt eine stetige Nachfrage nach Orchestrierungstools, die sich an lokale Bereitstellungsentscheidungen und strengere Betriebsanforderungen anpassen lassen. Infolgedessen trägt Europa zum GPU-Middleware-Markt weniger durch schiere Größe bei, sondern vielmehr durch den Vorstoß für kontrollierbare und souveräne Betriebsmodelle.

GPU-Middleware-Markt Asien-Pazifik

Asien-Pazifik ist die am schnellsten wachsende Region, wobei die Größe des GPU-Middleware-Markts in dieser Region bis 2031 voraussichtlich mit einem CAGR von 32,15 % wachsen wird. Die Region profitiert von souveränen KI-Investitionen, wachsender Unternehmensnachfrage und einem breiteren Vorstoß für inländische Rechenkapazitäten. Microsoft kündigte im April 2026 eine Investition von 10 Milliarden USD in Japan an, einschließlich der Zusammenarbeit mit Sakura Internet und SoftBank zur Bereitstellung GPU-basierter KI-Rechendienste mit inländischer Datenhaltung. Dieses Beispiel verdeutlicht das regionale Thema klar, da das Wachstum nicht nur durch Kapazitätserweiterungen, sondern auch durch lokale Kontrollvorgaben angetrieben wird. Das schnellere Tempo Asien-Pazifiks bedeutet, dass die Region zu einer wichtigeren Quelle neuer Aufträge wird, insbesondere dort, wo Unternehmen und öffentliche Einrichtungen KI-Infrastruktur innerhalb nationaler Grenzen wünschen. Dieser Schwung dürfte den GPU-Middleware-Markt geografisch langfristig ausgewogener gestalten, auch wenn Nordamerika beim aktuellen Umsatz noch führend ist.