Wer einen KI-Partner sucht, steht selten vor der Frage, ob Künstliche Intelligenz grundsätzlich nützlich ist. Die schwierigere Frage lautet: Wer kann aus einer Idee ein belastbares industrielles System machen, das in Produktion, Qualität, Planung oder Verwaltung wirklich funktioniert?
Für mittelständische Industrieunternehmen ist diese Entscheidung besonders relevant. KI-Projekte berühren häufig sensible Prozessdaten, gewachsene IT-Landschaften, Maschinenwissen, Compliance-Anforderungen und die Akzeptanz der Mitarbeitenden. Ein Anbieter, der nur ein Modell demonstriert, reicht dafür nicht aus. Sie brauchen einen Partner, der Geschäftsziele, Datenrealität, Integration und Betrieb zusammen denkt.
Der richtige KI-Partner erkennt nicht nur technische Möglichkeiten, sondern auch Grenzen. Er fragt früh nach ROI, Datenqualität, Sicherheitsanforderungen und Verantwortlichkeiten. Und er kann erklären, warum ein klassisches Machine-Learning-Modell, ein Optimierungsalgorithmus, ein LLM, Computer Vision oder ein hybrider Ansatz für Ihren konkreten Use Case geeignet ist.
Dieser Leitfaden zeigt, worauf Entscheider im industriellen Mittelstand achten sollten, welche Fragen in die Anbieterauswahl gehören und welche Warnsignale auf oberflächliche KI-Kompetenz hindeuten.
Warum die Wahl des KI-Partners über den Projekterfolg entscheidet
KI-Projekte scheitern selten nur an der Modellqualität. Häufiger liegen die Probleme in schlecht definierten Zielen, unzureichender Datenbasis, fehlender Prozessintegration oder unklarer Verantwortung nach dem Proof of Concept. Gerade im industriellen Umfeld muss ein KI-System nicht nur gute Antworten liefern, sondern in bestehende Abläufe passen.
Ein KI-Partner übernimmt deshalb eine andere Rolle als ein klassischer Softwarelieferant. Er muss gemeinsam mit Fachbereichen, IT, Datenschutz, Qualitätssicherung und Management klären, welches Problem gelöst werden soll und welche operative Entscheidung am Ende verbessert wird. Das kann eine frühere Erkennung von Qualitätsabweichungen sein, eine robustere Produktionsplanung, eine schnellere Dokumentenprüfung oder ein Assistenzsystem für internes Wissen.
Gute Partner machen aus KI kein Selbstzweckprojekt. Sie beginnen mit der Wertfrage: Welche Kennzahl soll sich verbessern? Erst danach folgen Architektur, Modellwahl und Implementierung. Genau diese Reihenfolge schützt vor teuren Pilotprojekten, die technisch interessant sind, aber im Alltag keine messbare Wirkung entfalten.
Ergänzend lohnt sich ein Blick auf typische Kriterien für belastbare Anbieterkompetenz. Eine vertiefende Einordnung finden Sie im skillbyte-Beitrag So erkennen Mittelständler echte KI-Expertise.
Welche Art von KI-Partner brauchen Sie?
Nicht jeder Anbieter passt zu jeder Projektphase. Manche Unternehmen benötigen zunächst strategische Orientierung, andere brauchen einen technischen Umsetzungspartner, wieder andere suchen Unterstützung beim Übergang vom Prototyp in den produktiven Betrieb.
| Partner-Typ | Passt besonders gut, wenn | Stärken | Typische Risiken |
|---|---|---|---|
| Strategieberatung | Sie Use Cases priorisieren und ein Zielbild entwickeln wollen | Management-Kommunikation, Roadmaps, Business Case | Zu wenig technische Tiefe für Umsetzung und Betrieb |
| Standardsoftware-Anbieter | Ihr Problem sehr nah an einem vorhandenen Produkt liegt | Schnelle Einführung, definierter Funktionsumfang | Geringe Anpassbarkeit, Daten- und Integrationsgrenzen |
| IT-Systemintegrator | Sie bestehende Systeme verbinden und skalieren müssen | Enterprise-Integration, Schnittstellen, Betrieb | KI-Kompetenz kann je nach Team variieren |
| Spezialisierter KI-Umsetzungspartner | Ihr Use Case individuell, datengetrieben und prozessnah ist | Maßgeschneiderte Modelle, PoC, Integration, technische Tiefe | Benötigt klare fachliche Mitwirkung aus Ihrem Unternehmen |
| Forschungspartner | Sie explorative, langfristige Innovation verfolgen | Wissenschaftliche Tiefe, neue Methoden | Oft längere Wege bis zum produktiven Industrieeinsatz |
Für viele mittelständische Industrieprojekte ist ein spezialisierter KI-Umsetzungspartner besonders wertvoll, wenn es nicht um ein Standardproblem geht. Beispiele sind Predictive Quality mit individuellen Prozessdaten, KI-gestützte Planung mit Werksrestriktionen, Dokumentenautomation mit branchenspezifischer Semantik oder Wissenssysteme auf Basis eigener technischer Dokumentation.
Die wichtigsten Kriterien bei der Auswahl eines KI-Partners
Prozessverständnis vor Modellbegeisterung
Ein starker KI-Partner will verstehen, wie Ihr Prozess heute funktioniert. Er fragt nach Durchlaufzeiten, Ausschuss, Nacharbeit, Planungslogik, Maschinenrestriktionen, Freigabeschritten und Medienbrüchen. In der Industrie ist dieses Prozessverständnis oft wichtiger als die Frage, welches Modell gerade populär ist.
Wenn ein Anbieter schon im ersten Gespräch ein bestimmtes Tool verkaufen will, ohne Ihre Prozessrealität zu verstehen, ist Vorsicht angebracht. Ein seriöser Partner kann mehrere technische Wege vergleichen und begründen, warum ein bestimmter Ansatz für Ihre Ziele geeignet ist.
Klare Orientierung an Business-Zielen und ROI
Ein KI-Projekt sollte mit einer messbaren Hypothese starten. Nicht: Wir wollen KI einsetzen. Sondern: Wir wollen die manuelle Prüfzeit um einen definierten Anteil senken, Qualitätsabweichungen früher erkennen oder Planungsaufwand reduzieren.
Typische Zielgrößen in Industrieprojekten sind:
- Reduzierung von Ausschuss, Nacharbeit oder Reklamationen
- Verkürzung von Durchlaufzeiten und Planungszyklen
- Höhere Anlagenverfügbarkeit oder geringere Stillstandszeiten
- Weniger manueller Aufwand in Verwaltung, Qualität oder Reporting
- Schnellere Einarbeitung und bessere Wiederverwendung von Expertenwissen
Ein guter KI-Partner hilft, diese Kennzahlen früh zu definieren. Er kann außerdem realistisch einschätzen, welche Effekte in einem Proof of Concept sichtbar werden und welche erst im produktiven Betrieb messbar sind.
Ehrliche Bewertung der Datenqualität
Datenqualität ist kein Randthema, sondern häufig der entscheidende Engpass. Industrieunternehmen verfügen oft über viele Daten, aber nicht immer in einer Form, die unmittelbar für KI nutzbar ist. Prozessdaten liegen in MES, ERP, SCADA, Qualitätsmanagementsystemen, Excel-Dateien oder Dokumentenablagen. Zeitstempel sind nicht immer konsistent, Stammdaten unterscheiden sich, Kontextinformationen fehlen.
Der richtige KI-Partner wird deshalb keine schnellen Versprechen machen, bevor er die Daten gesehen hat. Er sollte prüfen, ob die Daten vollständig, aktuell, zugänglich, repräsentativ und fachlich interpretierbar sind. Ebenso wichtig ist die Frage, welche Daten nicht verwendet werden dürfen oder nur unter bestimmten Sicherheitsbedingungen verarbeitet werden können.
Methodische Breite statt Ein-Modell-Denken
Nicht jedes Industrieproblem ist ein LLM-Problem. Ein guter Partner kennt die Stärken und Grenzen verschiedener Methoden. Für Prognosen können Zeitreihenmodelle oder klassische Machine-Learning-Verfahren sinnvoll sein. Für Produktionsplanung können Optimierungsverfahren und Operational Research entscheidend sein. Für Dokumentenprozesse können generative KI, Retrieval-Augmented Generation und regelbasierte Prüfungen kombiniert werden. Für visuelle Qualitätsprüfung kommen Computer-Vision-Ansätze infrage.
Diese methodische Breite verhindert, dass ein Anbieter das Problem an sein Lieblingswerkzeug anpasst. Im industriellen Mittelstand ist meist ein pragmatischer Hybridansatz erfolgreicher als der Versuch, alles mit einer einzigen Technologie zu lösen.
Integrationsfähigkeit in bestehende Systeme
Ein KI-System erzeugt erst dann Wert, wenn es in den Arbeitsablauf integriert ist. Eine separate Demo-Oberfläche mag für den Pilot reichen, aber nicht für den produktiven Alltag. Entscheidend ist, ob der Partner Schnittstellen zu ERP, MES, DMS, QMS, Planungstools oder bestehenden Datenplattformen realistisch umsetzen kann.
Fragen Sie früh, wie Ergebnisse zurückgespielt werden. Wird ein Alarm im richtigen System angezeigt? Gibt es Freigabeschritte? Wird ein Vorschlag dokumentiert? Können Mitarbeitende Feedback geben? Wie werden Modellentscheidungen versioniert und überwacht? Diese Betriebsfragen unterscheiden echte Implementierungskompetenz von reiner Prototypenfähigkeit.
Mehr dazu, warum der Übergang vom Pilot in den Betrieb so kritisch ist, lesen Sie im Beitrag KI-Deployment im Unternehmen: Vom PoC in den Betrieb.
Datenschutz, Datensicherheit und IP-Schutz
Industrieunternehmen arbeiten mit sensiblen Daten: Rezepturen, Maschinendaten, Kundeninformationen, Lieferantenkonditionen, Produktionsparameter, technische Zeichnungen oder Qualitätsabweichungen. Der KI-Partner muss deshalb nachvollziehbar erklären können, wo Daten verarbeitet werden, wer Zugriff hat, wie Berechtigungen umgesetzt werden und welche Deployment-Optionen möglich sind.
Je nach Use Case kann Cloud, Private Cloud oder On-Premise sinnvoll sein. Wichtig ist nicht die pauschale Antwort, sondern die begründete Architekturentscheidung. Bei besonders sensiblen Daten kann ein On-Premise-Betrieb oder eine abgeschottete Umgebung entscheidend sein. Ebenso wichtig sind Protokollierung, Zugriffskontrolle, Datenminimierung und klare Vereinbarungen zum Umgang mit vertraulichem Know-how.
Für eine vertiefende Betrachtung dieser Themen empfiehlt sich der Beitrag KI und Datenschutz im Mittelstand sicher zusammenbringen.
Governance und regulatorische Sicherheit
Seit dem EU AI Act müssen Unternehmen stärker darauf achten, welche Risiken mit KI-Systemen verbunden sind und welche Pflichten je nach Anwendung entstehen. Der regulatorische Rahmen der EU für Künstliche Intelligenz setzt auf risikobasierte Anforderungen, Transparenz und menschliche Aufsicht.
Ein geeigneter KI-Partner sollte deshalb nicht erst am Ende über Governance sprechen. Schon in der Konzeptphase sollten Fragen geklärt werden: Welche Entscheidungen unterstützt das System? Gibt es Auswirkungen auf Personen? Welche Nachvollziehbarkeit ist notwendig? Wer darf Ergebnisse freigeben? Wie werden Fehler erkannt und dokumentiert?
Für Industrieprojekte ist Governance keine Innovationsbremse. Richtig umgesetzt schafft sie Vertrauen, reduziert Einführungsrisiken und erleichtert die Skalierung auf weitere Standorte oder Prozesse.
Zusammenarbeit mit Fachbereichen und IT
KI-Projekte sind Teamprojekte. Fachbereiche liefern Prozesswissen, IT sichert Integration und Betrieb, Datenschutz bewertet Risiken, Management priorisiert Ziele und Ressourcen. Ein guter KI-Partner moderiert diese Schnittstellen und übersetzt zwischen Business und Technologie.
Achten Sie darauf, ob der Anbieter Workshops strukturiert durchführen kann, Fachanwender ernst nimmt und technische Entscheidungen verständlich erklärt. Gerade in mittelständischen Unternehmen ist Akzeptanz entscheidend. Ein System, das an den Bedürfnissen der Mitarbeitenden vorbeientwickelt wird, wird selten produktiv genutzt.
Wenn mehrere Werke, externe Experten und die Geschäftsführung in Workshops zusammenkommen, wird auch die Projektlogistik relevant. So wie bei kritischen Kundenterminen ein verlässlicher Mobility-Partner für Geschäftstermine Ausfälle reduziert, sollte auch Ihr KI-Partner Planung, Verantwortlichkeiten und Eskalationswege professionell absichern.
Bewertungsmatrix für die Anbieterauswahl
Eine einfache Bewertungsmatrix hilft, Gespräche objektiver zu führen. Sie ersetzt nicht das Bauchgefühl, verhindert aber, dass eine beeindruckende Demo wichtiger wirkt als Integrationsfähigkeit oder Datensicherheit.
| Kriterium | Leitfrage | Empfohlene Gewichtung |
|---|---|---|
| Industrie- und Prozessverständnis | Versteht der Anbieter unsere Abläufe, Restriktionen und KPIs? | Hoch |
| Datenkompetenz | Bewertet er Datenqualität realistisch und erkennt er Lücken? | Hoch |
| Methodische Breite | Vergleicht er mehrere KI-Ansätze statt nur ein Tool zu verkaufen? | Hoch |
| Integrationsfähigkeit | Kann er mit bestehenden Systemen und Schnittstellen umgehen? | Hoch |
| Datenschutz und Sicherheit | Sind Deployment, Zugriff, Protokollierung und IP-Schutz geklärt? | Hoch |
| ROI-Orientierung | Werden Nutzen, Aufwand und Erfolgskriterien sauber definiert? | Hoch |
| Betrieb und Monitoring | Gibt es ein Konzept für Wartung, Drift, Feedback und Skalierung? | Mittel bis hoch |
| Enablement | Befähigt der Partner interne Teams und Fachbereiche? | Mittel |
| Referenzen | Gibt es vergleichbare Projekte oder nachvollziehbare Fallbeispiele? | Mittel |
| Kultureller Fit | Kommuniziert der Anbieter klar, realistisch und verbindlich? | Mittel |
Nutzen Sie die Matrix nicht nur für die Endauswahl, sondern auch zur Vorbereitung der Gespräche. Wenn ein Kriterium für Ihr Projekt besonders wichtig ist, etwa On-Premise-Betrieb oder Auditierbarkeit, sollte es bereits in der Anfrage deutlich benannt werden.
Die richtigen Fragen im Erstgespräch
Ein gutes Erstgespräch ist kein Pitch, sondern ein gegenseitiger Realitätscheck. Der Anbieter sollte nicht nur präsentieren, sondern gezielt nachfragen. Gleichzeitig sollten Sie prüfen, ob er auch unbequeme Themen offen anspricht.
| Thema | Gute Frage an den KI-Partner | Warnsignal |
|---|---|---|
| Zieldefinition | Welche KPI würden Sie für diesen Use Case als Erfolgskriterium wählen? | Es wird nur über Modellgenauigkeit gesprochen |
| Daten | Welche Daten müssten Sie vor einem PoC prüfen? | Datenqualität wird als unproblematisch abgetan |
| Methode | Welche Alternativen zum vorgeschlagenen Ansatz gibt es? | Der Anbieter empfiehlt immer dieselbe Technologie |
| Integration | Wie gelangen KI-Ergebnisse in unseren operativen Prozess? | Die Lösung bleibt eine isolierte Demo |
| Sicherheit | Wo werden Daten verarbeitet und wer hat Zugriff? | Unklare Aussagen zu Cloud, Rollen und Berechtigungen |
| Betrieb | Wie erkennen wir nach dem Go-live, dass das System schlechter wird? | Kein Konzept für Monitoring oder Feedback |
| Zusammenarbeit | Welche Rollen brauchen Sie von unserer Seite? | Der Anbieter verspricht Umsetzung ohne Fachbereichsinput |
| Skalierung | Was muss passieren, damit der PoC auf weitere Standorte übertragbar ist? | Skalierung wird erst nach dem Pilot diskutiert |
Besonders wichtig ist die Frage nach der Verantwortung nach dem PoC. Viele Anbieter können einen Prototyp bauen. Weniger Anbieter können erklären, wie daraus ein stabiler, wartbarer und wirtschaftlicher Bestandteil Ihrer IT- und Prozesslandschaft wird.
So bereiten Sie die Auswahl intern vor
Bevor Sie Anbieter vergleichen, sollten Sie intern Klarheit schaffen. Das spart Zeit und verbessert die Qualität der Angebote. Ein KI-Partner kann viel leisten, aber er sollte nicht erraten müssen, welches Geschäftsproblem Priorität hat.
Hilfreich ist ein kurzer Projektsteckbrief. Er muss nicht perfekt sein, sollte aber die wichtigsten Eckdaten enthalten: Prozessbeschreibung, aktueller Schmerzpunkt, betroffene Systeme, verfügbare Datenquellen, gewünschte KPI, Datenschutzanforderungen, Fachbereichsverantwortliche und grober Zeitrahmen.
Vor dem Erstgespräch sollten Sie außerdem folgende Punkte klären:
- Welcher Geschäftsbereich trägt den Nutzen des Projekts?
- Wer entscheidet über Budget, Priorität und Go-live?
- Welche Systeme und Datenquellen sind betroffen?
- Welche Einschränkungen gelten für Cloud, externe Zugriffe oder personenbezogene Daten?
- Welche Mitarbeitenden müssen früh eingebunden werden?
- Welche Entscheidung soll nach einem PoC getroffen werden?
Dieser Vorlauf verhindert, dass die Anbieterauswahl zur allgemeinen KI-Diskussion wird. Stattdessen entsteht ein konkreter Rahmen, in dem Partner realistisch bewertet werden können.
Typische Red Flags bei KI-Anbietern
Nicht jeder überzeugende Auftritt bedeutet belastbare Kompetenz. Gerade weil der KI-Markt dynamisch ist, sollten Entscheider klare Warnsignale kennen.
Vorsicht ist angebracht, wenn ein Anbieter pauschale Einsparungen verspricht, ohne Ihre Daten und Prozesse geprüft zu haben. Ebenso kritisch ist es, wenn Datenschutzfragen auf später verschoben werden oder der Anbieter keinen klaren Weg vom Proof of Concept in den Betrieb darstellen kann.
Weitere Red Flags sind:
- Der Anbieter spricht fast ausschließlich über Tools, nicht über Geschäftsziele.
- Es gibt keine belastbare Vorgehensweise zur Datenbewertung.
- Fachbereiche werden als nebensächlich betrachtet.
- Die Lösung erfordert vollständige Prozessanpassung, ohne Nutzenbegründung.
- Es fehlt ein Konzept für Monitoring, Wartung und Fehlerbehandlung.
- Der Anbieter kann keine Grenzen seiner Lösung benennen.
Gute KI-Partner sind nicht diejenigen, die alles versprechen. Sie sind diejenigen, die Chancen und Risiken so transparent machen, dass Sie eine belastbare Investitionsentscheidung treffen können.
Wann ein maßgeschneiderter KI-Partner sinnvoll ist
Standardlösungen können schnell und wirtschaftlich sein, wenn Ihr Problem gut zu einem bestehenden Produkt passt. In der Industrie gibt es jedoch viele Fälle, in denen Prozesse, Datenstrukturen und Fachlogik unternehmensspezifisch sind. Dann reicht Standardsoftware oft nicht aus.
Ein maßgeschneiderter KI-Partner ist besonders sinnvoll, wenn Prozesswissen tief in Ihrem Unternehmen verankert ist, wenn mehrere Datenquellen kombiniert werden müssen oder wenn die KI-Lösung direkt in bestehende Systeme integriert werden soll. Auch bei sensiblen Daten, hohen Anforderungen an Datensicherheit oder speziellen Deployment-Vorgaben ist Individualisierung häufig notwendig.
Typische Beispiele sind KI-gestützte Produktionsplanung, Predictive Quality, automatisierte ESG- oder Qualitätsberichte, intelligente Wissenssysteme und Assistenzsysteme für komplexe technische Dokumente. Welche Hebel in der Produktion besonders relevant sind, zeigt der Beitrag KI in der Produktion: 6 Hebel für mehr Effizienz.
Der Vorteil eines maßgeschneiderten Ansatzes liegt nicht darin, alles neu zu bauen. Gute Partner nutzen vorhandene Komponenten, Modelle und Standards, passen sie aber so an, dass sie zu Ihren Daten, Prozessen und Sicherheitsanforderungen passen.
Vom Auswahlgespräch zur belastbaren Entscheidung
Am Ende der Auswahl sollte nicht nur ein Angebot vorliegen, sondern ein gemeinsames Verständnis des Projektpfads. Dazu gehören ein klarer Scope für die erste Phase, definierte Erfolgskriterien, ein realistischer Datenzugang, Rollen auf beiden Seiten und eine Einschätzung, was nach einem erfolgreichen PoC für die Produktivsetzung notwendig ist.
Ein guter Entscheidungsprozess führt meist über drei Stufen. Zuerst wird der Use Case geschärft und wirtschaftlich bewertet. Danach folgt eine Daten- und Machbarkeitsprüfung. Erst dann sollte ein Proof of Concept starten, der nicht nur technische Machbarkeit, sondern auch operativen Nutzen testet.
Achten Sie darauf, dass der PoC nicht zu breit angelegt wird. Besser ist ein enger, sauber messbarer Ausschnitt mit hoher Relevanz. Wenn dort Wirkung nachgewiesen wird, können Sie Architektur, Governance und Integration gezielt für den Rollout ausbauen.
Häufige Fragen zur Auswahl eines KI-Partners
Wann sollte ein Industrieunternehmen einen externen KI-Partner einbinden? Sobald ein Use Case über einfache Automatisierung hinausgeht, sensible Daten betrifft oder in bestehende Systeme integriert werden muss. Ein externer Partner hilft besonders bei Datenbewertung, Architektur, Modellwahl, PoC und Skalierung.
Wie lange dauert die Auswahl eines KI-Partners? Das hängt von Projektumfang und internen Entscheidungswegen ab. Für einen klar umrissenen Use Case reichen oft wenige strukturierte Gespräche, eine Datenvorprüfung und ein Vergleich der Vorgehensmodelle. Wichtig ist, nicht nur Präsentationen, sondern konkrete Umsetzungskompetenz zu bewerten.
Muss ein KI-Partner Branchenerfahrung in genau unserer Nische haben? Exakte Nischenerfahrung ist hilfreich, aber nicht immer zwingend. Wichtiger sind industrielles Prozessverständnis, methodische Breite, Datenkompetenz und die Fähigkeit, Fachwissen Ihrer Mitarbeitenden schnell in eine robuste Lösung zu übersetzen.
Ist ein Proof of Concept immer notwendig? In vielen Industrieprojekten ja, weil Datenqualität, Prozessintegration und Nutzerakzeptanz praktisch geprüft werden müssen. Der PoC sollte aber kein Selbstzweck sein. Er braucht klare KPIs und eine Entscheidungsvorlage für den nächsten Schritt.
Welche Rolle spielt On-Premise-Deployment bei KI-Projekten? On-Premise kann sinnvoll sein, wenn besonders sensible Produktions-, Kunden- oder IP-Daten verarbeitet werden oder interne Sicherheitsrichtlinien dies verlangen. Ein guter KI-Partner sollte verschiedene Deployment-Optionen erklären und die Architektur an Ihr Risiko- und Sicherheitsprofil anpassen.
Woran erkennt man, dass ein KI-Partner realistisch arbeitet? Realistische Partner stellen viele Fragen, prüfen Daten früh, benennen Risiken, definieren KPIs und sprechen über Betrieb, Monitoring und Governance. Sie versprechen keine pauschalen Wunder, sondern bauen einen nachvollziehbaren Weg vom Problem zur produktiven Lösung.
Nächster Schritt: KI-Partner mit Projektfokus auswählen
Der richtige KI-Partner bringt nicht nur technisches Know-how mit. Er verbindet Prozessverständnis, Datenkompetenz, Sicherheitsbewusstsein, Integrationsfähigkeit und wirtschaftliche Priorisierung. Genau diese Kombination entscheidet darüber, ob Ihr Industrieprojekt bei einer Demo stehen bleibt oder messbaren Nutzen im Betrieb erzeugt.
skillbyte unterstützt mittelständische Industrieunternehmen von der Use-Case-Identifikation über Datenqualitätsprüfung und ROI-Einschätzung bis zum Proof of Concept und zur Integration maßgeschneiderter KI-Lösungen. Wenn Sie prüfen möchten, welcher KI-Ansatz zu Ihrem Projekt passt, können Sie auf skillbyte.de den nächsten Schritt vorbereiten.
