Jedes Mal, wenn ein neues Modell erscheint, lautet der häufigste Ratschlag immer derselbe: Aktualisiere sofort, denn der Sprung wird entscheidend sein. Dieser Ratschlag ist immer weniger hilfreich. Wenn du heute fragst, was sich mit GPT-5.6 ändert, lautet die ehrliche Antwort nicht „alles“. Sie lautet: „Einige wichtige Dinge, aber vor allem ändert sich die Art und Weise, wie du den Markt einschätzen solltest.“
Als CEO eines KI-Unternehmens finde ich, dass das Interessanteste an GPT-5.6 nicht eine einzelne Funktion ist. Es ist das Signal, das es aussendet. Die Modelle werden zwar immer besser, doch für viele Nutzer wird der wahrgenommene Unterschied von Version zu Version geringer. Andrej Karpathy hat diese schrittweisen Fortschritte besser als jeder andere beschrieben: Alles scheint ein bisschen besser zu sein – auf konkrete Weise, die sich jedoch nur schwer anhand eines einzigen anschaulichen Beispiels verdeutlichen lässt. Diese Sichtweise ist hilfreich, um sich weder vom Hype noch von der Enttäuschung mitreißen zu lassen.
Für ein Geschäftspublikum ist das von großer Bedeutung. Wenn der Fortschritt allgegenwärtig, kontinuierlich und weniger spektakulär wird, liegt der Wettbewerbsvorteil nicht mehr darin, jedem neuen Modell hinterherzulaufen. Er liegt vielmehr darin, Prozesse, Plattformen und Anwendungsfälle zu entwickeln, die ein gutes Modell in verlässliche Entscheidungen umsetzen.
Der häufigste Fehler bei der Einführung eines neuen Modells besteht darin, das Upgrade mit einem Wettbewerbsvorteil zu verwechseln. Für viele Unternehmen ist GPT-5.6 kein bahnbrechender Durchbruch, weil es keine spektakulären neuen Funktionen bietet. Es verändert vielmehr die richtige Herangehensweise an den LLM-Markt.
Es gibt Fortschritte. Es wäre falsch, dies zu leugnen. Aber wir befinden uns in einer Phase, die interessanter und weniger intuitiv ist als die, von der in den Medienberichten über neue Produktversionen die Rede ist. Karpathy beobachtet dies schon seit einiger Zeit implizit: Durch die Skalierung verbessern sich die Modelle zwar weiter, doch die marginalen Verbesserungen sind für die Käufer von Technologie immer schwerer wahrnehmbar und für die Hersteller immer schwieriger zu monetarisieren. Es handelt sich um die Dynamik abnehmender Erträge, angewandt auf die künstliche Intelligenz.
Mit GPT-5.6 ist diese Dynamik nicht mehr nur eine These. Sie ist im Produkt selbst verankert. OpenAI verzichtet auf eine Einheitsversion und präsentiert stattdessen eine Produktpalette: drei Modelle – Sol, Terra und Luna –, die sich hinsichtlich Leistung, Geschwindigkeit und Kosten unterscheiden. Die Nummer gibt die Generation an, der Name die Kategorie. Wenn ein Anbieter aufhört, „das Modell“ zu verkaufen, und stattdessen eine dreistufige Produktpalette anbietet, sagt er damit etwas ganz Bestimmtes aus: Reine Intelligenz wird zu einem Produkt von der Stange, bei dem man das Preis-Leistungs-Verhältnis so auswählt, wie man einen Cloud-Tarif auswählt.
Für einen Manager ist diese Unterscheidung wichtiger als die Bezeichnung der Version. Wenn verschiedene Modelle alle ein hohes Niveau in den Bereichen Schreiben, Programmieren, Zusammenfassung und operatives Denken erreichen, verliert das Modell allmählich seine zentrale Bedeutung für den wirtschaftlichen Wert. Es wird zu einer Komponente. Der Vorteil verlagert sich auf diejenigen, die Workflows, Schnittstellen, Kontrollmechanismen, firmeneigene Daten und Integrationen entwickeln, die ein „sehr gutes“ Modell in ein messbares Geschäftsergebnis verwandeln können.
Der Kernpunkt ist folgender: GPT-5.6 sollte nicht nur als technischer Fortschritt, sondern auch als Zeichen einer zunehmenden Kommodifizierung verstanden werden.
Deshalb ist die Frage „Was ändert sich bei GPT-5.6?“ nur dann sinnvoll, wenn sie gut formuliert ist. Es reicht nicht aus, sich zu fragen, ob das Modell bessere Antworten liefert. Man muss sich fragen, ob die eigene Plattform – oder die, die man gerade erwirbt – ein gutes Modell in einem realen Prozess sinnvoll einsetzen kann: Kundensupport, Betrieb, Vertrieb, Softwareentwicklung oder die Auswirkungen von LLMs auf die Datenanalyse. In der Praxis hängt der Unterschied zwischen denen, die einen ROI erzielen, und denen, die nur ergebnislose POCs anhäufen, immer weniger vom reinen Benchmark ab und immer mehr von dem System, das das Modell steuert.
Das ist die „B+“-Falle. Wenn viele Modelle gut genug werden, um einen Großteil der Anwendungsfälle in Unternehmen abzudecken, sorgt das Verfolgen jeder neuen Version zwar für Begeisterung, bringt aber nicht unbedingt einen Vorteil. Es gewinnt derjenige, der auch ein einfach nur gutes Modell gut einsetzt. Nicht derjenige, der als Erster das Modell wechselt.
Um GPT-5.6 richtig zu verstehen, muss man zunächst eine einfache Unterscheidung treffen. Es gibt Produktneuheiten und es gibt wirtschaftliche Auswirkungen. Erstere werden von OpenAI bekannt gegeben. Letztere hängen davon ab, wie diese Funktionen in die Unternehmensprozesse integriert werden.
Erster Punkt: die Produktpalette. GPT-5.6 ist in drei Versionen erhältlich. Sol ist das Spitzenmodell, das für komplexere Aufgaben konzipiert ist und über einen „Ultra“-Modus verfügt, der es dem System ermöglicht, länger an einer Aufgabe zu arbeiten und Teile der Arbeit an Untermodelle zu delegieren. Terra ist die ausgewogene Option für den Arbeitsalltag. Luna setzt auf Geschwindigkeit und Kosten. Die für ein Unternehmen relevanteste Information ist nicht der Benchmark von Sol. Es ist vielmehr die Tatsache, dass Terra eine mit dem Vorgänger GPT-5.5 vergleichbare Leistung zu etwa der Hälfte der Kosten bietet. Wenn die vorherige Generation der KI nach wenigen Monaten zum halben Preis erhältlich ist, lautet das Stichwort „Deflation“. Und dies ist die deutlichste Bestätigung für den Trend zur Kommodifizierung.
Zweiter Punkt: Effizienz als Verkaufsargument. OpenAI präsentiert das Modell, indem es die Effizienz pro Token bei agentenbasierten Programmieraufgaben hervorhebt, und die offizielle Botschaft dreht sich um das Verhältnis zwischen Aufwand und erzieltem Nutzen. Es lohnt sich, bei diesem Punkt etwas länger zu verweilen. Wenn der marktführende Anbieter aufhört, in erster Linie zu kommunizieren, „wie intelligent das Modell ist“, und stattdessen damit beginnt, zu vermitteln, „wie viel es kostet, ein Ergebnis zu erzielen“, bedeutet dies, dass auch er weiß, dass der Markt in die Phase der „Kosten pro Ergebnis“ eingetreten ist. Genau auf diesem Terrain entscheidet sich der geschäftliche ROI – und nicht anhand spektakulärer Benchmarks.
Dritter Punkt: die operative Integration. Zusammen mit GPT-5.6 kommt ein Agent, der Kontextinformationen aus verbundenen Anwendungen und Dateien sammelt, um Dokumente, Tabellen und Präsentationen zu erstellen, und der im Web, auf dem Desktop und auf Mobilgeräten funktioniert. Das ist kein nebensächliches Detail. Es zeigt, wo das Modell versucht, die fragmentierte Arbeit zu ersetzen, die heute manuelle Schritte, Kopieren und Einfügen, wiederholte Überprüfungen und ständige Wechsel der Benutzeroberfläche erfordert. Wie bereits bei der Vorgängergeneration entsteht der wahrgenommene Mehrwert nicht aus einer abstrakten Fähigkeit, sondern aus der Tatsache, dass die KI in die Tools integriert wird, die bereits im Arbeitsalltag eine zentrale Rolle spielen.
Vierter Punkt, der ungewöhnlichste: die Art der Veröffentlichung. GPT-5.6 wurde Ende Juni auf Wunsch der US-Regierung einer kleinen Gruppe von Partnern in einer begrenzten Vorschau vorgestellt und erst nach Tests mit Bundesbehörden öffentlich freigegeben. OpenAI hat erklärt, dass dieser Prozess nicht zur Norm werden soll. Unabhängig davon, wie sich die Situation weiterentwickelt, stellt dies einen Präzedenzfall dar: Die Veröffentlichung von State-of-the-Art-Modellen ist nicht mehr nur ein technisches oder Marketing-Ereignis. Sie ist auch zu einem regulatorischen Ereignis geworden. Wir werden noch darauf zurückkommen, was dies für die Käufer bedeutet.
Auch die Betonung der Sicherheit muss mit Bedacht betrachtet werden. Sol wird als das leistungsfähigste Modell von OpenAI im Bereich Cybersicherheit präsentiert, begleitet von mehrschichtigen Sicherheitsvorkehrungen und kontrollierten Zugriffsprogrammen für qualifizierte Abwehrmaßnahmen. Es geht nicht darum, diese Angaben als Garantien zu betrachten. Vielmehr gilt es, die Richtung zu erkennen: Das Produkt wird in Bereiche vorangetrieben, in denen Fehler und Missbrauch schwerwiegende Folgen haben, was sowohl den potenziellen Nutzen als auch den Bedarf an Kontrollen, Richtlinien und Überwachung in risikoreichen Prozessen erhöht.
Für ein KMU ist dies die nützlichste Zusammenfassung. GPT-5.6 erweitert den Anwendungsbereich des LLM auf komplexe, instrumentenbezogene berufliche Tätigkeiten und senkt die Kosten für „ausreichende“ Intelligenz. Die grundlegende wirtschaftliche Regel ändert sich dadurch jedoch nicht. Ein gutes Modell ohne Orchestrierung bleibt eine isolierte Fähigkeit. Ein gutes Modell, das in eine Plattform mit Workflows, Berechtigungen, Kontrollen und Unternehmensdaten eingebunden ist, kann Ergebnisse liefern.
Die aufschlussreichste Interpretation von GPT-5.6 geht von einer unbequemen Tatsache aus: In den fortgeschrittenen Phasen der Skalierung wächst der von den Nutzern wahrgenommene Fortschritt schneller als dessen Spektakularität. Andrej Karpathy hat dies treffend zusammengefasst, indem er feststellte, dass neue Modelle nicht unbedingt durch eine einzige sensationelle Fähigkeit vorankommen. Sie verbessern sich an vielen Stellen gleichzeitig, jeweils nur geringfügig, aber mit erheblichen kumulativen Effekten.
„Alles ist ein bisschen besser, und das ist großartig, aber auch nicht gerade auf eine Weise, die sich leicht benennen lässt.“
Für ein Geschäftspublikum sagt dieser Satz mehr aus als viele Demos. Er erklärt, warum ein Team ein neues Modell einsetzt und es fast sofort als besser bewertet, obwohl es schwierig ist, bei einer einzelnen Aufgabe einen klaren Vorher-Nachher-Vergleich aufzuzeigen. Das System interpretiert den Tonfall besser, macht weniger Fehler bei den Zwischenschritten, führt lange Gespräche konsistenter und erzeugt Texte, die weniger manuelle Nachbearbeitung erfordern. Kein einzelnes Element für sich genommen definiert das Produkt neu. Die Gesamtheit jedoch verändert die tatsächliche Produktivität.
Das ist typisch für eine Technologie, die gerade in eine Reifephase eintritt.
Die bereits erwähnten offiziellen Angaben sind vor diesem Hintergrund zu betrachten. Höhere Effizienz pro Token, bessere Leistung bei lang andauernden Aufgaben, Delegierung an Untermodelle und eine tiefere Integration mit Dokumenten und Tabellenkalkulationen sind keine rein kosmetischen Details. Sie sind Anzeichen für eine verteilte Optimierung. Mit anderen Worten: Das Modell reduziert Reibungsverluste entlang der gesamten Interaktionskette.
Für ein Unternehmen geht es nicht darum, sich zu fragen, ob es eine „Wow“-Funktion gibt. Es geht vielmehr darum, zu verstehen, wo sich der wirtschaftliche Vorteil ansammelt. In der Praxis konzentriert sich dieser auf vier Bereiche:
Das ist der Punkt, den viele unterschätzen. Der Fortschritt der LLMs zeigt sich nicht nur in den Benchmark-Ergebnissen, sondern auch darin, dass Reibungsverluste im Arbeitsalltag verschwinden.
Karpathy hilft auch dabei, eine weniger offensichtliche Schlussfolgerung zu ziehen. Wenn die Verbesserung als Summe weit verbreiteter Optimierungen zustande kommt, schwindet der Wettbewerbsvorteil des einzelnen Modells tendenziell schneller, als es das Marketing vermuten lässt. Daraus ergibt sich die Dynamik, die ich in „B Plus Trap AI Creative Spectrum“ analysiere: Wenn mehrere Modelle ein allgemein hohes Qualitätsniveau erreichen, verlagert sich der wirtschaftliche Unterschied von der „reinen“ Intelligenz hin zur Fähigkeit, diese gut in Arbeitsabläufe, Daten, Berechtigungen und operative Kennzahlen zu integrieren.
Aus diesem Grund muss GPT-5.6 mit Bedacht interpretiert werden. Es handelt sich um einen echten Fortschritt. Seine strategische Bedeutung liegt jedoch nicht nur im Modell selbst. Sie liegt vielmehr darin, dass es einen übergeordneten Trend bestätigt: Die Grenzerträge der Skalierung bleiben zwar wichtig, doch der erzielbare Wert verlagert sich zunehmend auf Plattformen, die in der Lage sind, ein gutes Modell kontinuierlich und kontrolliert auf spezifische Probleme anzuwenden.
Der am wenigsten intuitive Aspekt der Weiterentwicklung von LLMs ist folgender: Je besser die Modelle werden, desto weniger liegt der Wettbewerbsvorteil im Modell selbst.
Das ist das Paradoxon der technologischen Reifung. In den frühen Phasen verändert jeder Qualitätssprung die Spielregeln. In späteren Phasen konvergieren die Modelle hin zu einem hohen, aber ähnlichen Standard. Karpathy beobachtet seit Langem, dass Skalierung zu weitreichenden, oft inkrementellen Verbesserungen führt, die sich auf viele Aspekte der Nutzererfahrung verteilen. Die wirtschaftliche Konsequenz ist klar: Wenn mehrere Modelle ein stabil gutes Qualitätsniveau erreichen, verliert die Wahl des „besten“ Modells an Bedeutung gegenüber der Fähigkeit, es gut anzuwenden.
GPT-5.6 macht diese Dynamik in der Preisliste sichtbar. Die ausgewogene Version der neuen Generation kostet etwa die Hälfte des Spitzenmodells von vor wenigen Monaten, bei gleicher wahrgenommener Leistung für die meisten Aufgaben. Das ist die Kommodifizierung, die keine Prognose mehr ist, sondern sich in einem Preis niederschlägt.
Das bezeichne ich in meiner Arbeit als „B+-Falle“. Nicht, weil die Modelle mittelmäßig wären. Im Gegenteil, sie sind leistungsfähig genug, um viele nützliche Aufgaben zu bewältigen. Das Problem für Technologieeinkäufer besteht darin, dass sich der wahrgenommene Unterschied ab einer bestimmten Schwelle schneller verringert als der versprochene Unterschied.
GPT-5.6 passt gut in dieses Bild. Die offiziellen Verbesserungen deuten auf ein ausgereifteres, effizienteres und benutzerfreundlicheres Produkt hin. Sie bedeuten – zumindest für die meisten Unternehmen – keinen so gravierenden Umbruch, dass sich der Business Case von selbst neu schreiben müsste.
Da die durchschnittliche Leistung vieler Modelle bereits „ziemlich gut“ ist, verschiebt sich der Wettbewerbsvorteil.
Der Fokus verlagert sich auf das, was Benchmarks kaum und Gewinn- und Verlustrechnungen hingegen stark widerspiegeln:
Das ist der Punkt, den viele Manager erst spät erkennen. Wenn GPT-5.6 etwas sauberere, konsistentere oder kostengünstigere Antworten liefert, gibt es zwar einen Gewinn. Aber davon profitieren wirklich nur diejenigen, die bereits stabile Prompts, Validierungsregeln, Zugriff auf die richtigen Daten und eine Schnittstelle entwickelt haben, die menschliche Fehler reduziert. Fehlt diese Infrastruktur, liefert selbst ein besseres Modell vor allem bessere Ergebnisse, die manuell korrigiert werden müssen.
Wenn alle Modelle gut werden, gewinnt derjenige, der das nützlichste System rund um ein gutes Modell aufbaut.
Diese Schlussfolgerung hat eine praktische Konsequenz, die oft nicht intuitiv erscheint. Ein Anbieterwechsel bei jeder neuen Version bringt selten einen strukturellen Vorteil mit sich. Er ist nur dann sinnvoll, wenn das neue Modell eine kritische Aufgabe deutlich verbessert und messbare Auswirkungen auf Zeitaufwand, Qualität oder Risiko hat. In den meisten Fällen ergibt sich der am besten begründbare Vorteil aus der Anwendungsplattform. Nicht aus dem neuesten Modell, sondern aus der Art und Weise, wie ein gutes Modell in Prozesse, Daten, Berechtigungen und Betriebskennzahlen eingebettet wird.
Es gibt noch einen weiteren Aspekt, den viele Unternehmen unterschätzen. Produktveröffentlichungen sind nicht nur technische Ereignisse. Sie sind auch Maßnahmen zur Wettbewerbspositionierung.
Wenn ein Anbieter das Tempo seiner Ankündigungen erhöht, vermittelt er damit mindestens zwei Dinge. Erstens, dass der Verbesserungsprozess nun kontinuierlich verläuft. Zweitens, dass er die Marktdiskussion bestimmen will. Mit anderen Worten: Er möchte als Maßstab wahrgenommen werden, der das Tempo vorgibt.
GPT-5.6 fügt jedoch eine dritte, neue Dimension hinzu. Die öffentliche Veröffentlichung erfolgte in zwei Phasen: Zunächst gab es auf Wunsch der US-Regierung eine auf ausgewählte Partner beschränkte Vorschau, anschließend folgte die allgemeine Verfügbarkeit nach Bewertungen durch Bundesbehörden. Es ist das erste Mal, dass eine Veröffentlichung dieser Größenordnung einen solchen Prozess durchläuft, und sowohl der Anbieter als auch die Regierung haben betont, dass es sich dabei nicht um eine dauerhafte Verpflichtung handelt. Aber der Präzedenzfall ist geschaffen. Die Veröffentlichungen von State-of-the-Art-Modellen entwickeln sich zunehmend zu regulatorischen und geopolitischen Ereignissen, nicht nur zu technischen und marketingbezogenen.
Für Käufer hat dies eine konkrete Auswirkung: Die strategische Abhängigkeit vom Anbieter ist nicht mehr nur eine Frage der Preise und der technischen Bindung. Sie beinhaltet auch das Risiko, dass der Zugriff auf ein Modell aus Gründen verzögert, eingeschränkt oder geändert wird, die nichts mit Ihrem Vertrag zu tun haben. Ein Grund mehr für Architekturen, die es ermöglichen, Modelle zu ersetzen oder zu kombinieren, ohne die Workflows neu schreiben zu müssen.
Für eine Führungskraft verändert diese Lektüre die Sichtweise, mit der sie Nachrichten interpretiert. Anstatt sich sofort zu fragen: „Sollen wir das übernehmen?“, ist es sinnvoller, von anderen Fragen auszugehen:
Dieser Ansatz ist zwar nüchterner, aber auch sinnvoller. Er hilft dabei, zwei kostspielige Fehler zu vermeiden. Der erste besteht darin, jedem Release hinterherzulaufen, als wäre er zwingend notwendig. Der zweite besteht darin, Signale der Konkurrenz zu ignorieren, weil man glaubt, sie seien nur Marketing.
Management-Einblick: Eine schnelle Veröffentlichung kann sowohl ein echter technischer Fortschritt als auch gleichzeitig ein defensiver oder offensiver Schachzug auf dem Markt sein. Beides schließt sich nicht gegenseitig aus.
Unternehmen, die KI gut einsetzen, richten sich nicht nach dem Zeitplan der Anbieter. Sie bewerten die Auswirkungen auf ihre Arbeitsabläufe, die Compliance, die Betriebskosten und die strategische Abhängigkeit. Das ist zwar langwieriger als das Benchmarking in den sozialen Medien, führt aber zu besseren Entscheidungen.
Die relevante Frage für ein KMU lautet nicht, ob GPT-5.6 besser ist als die Vorgängergeneration. Das ist es. Die entscheidende Frage ist eine andere: In welchen Prozessen wirkt sich diese Verbesserung tatsächlich auf Kosten, Risiko oder Ausführungsgeschwindigkeit aus?
Hier kommt die „B+-Falle“ ins Spiel. Auch wenn viele Modelle mittlerweile für allgemeine Aufgaben gut genug sind, entsteht der Wettbewerbsvorteil nicht dadurch, dass man jeden Monat auf die neueste Version umsteigt. Er entsteht vielmehr dadurch, dass man ein gutes Modell in einen kontrollierten Arbeitsablauf einbindet – mit korrekten Daten, Überprüfungen, Berechtigungen und Tools, die das Team bereits nutzt.
GPT-5.6 verdient Beachtung, wenn die KI nicht nur Texte verfasst, sondern an einem operativen Prozess beteiligt ist.
Drei Anzeichen helfen dabei, dies zu verstehen:
Dieser Punkt wird unterschätzt. Ein etwas besseres Chat-Modell ist weniger wichtig als ein recht gutes Modell, das eine Tabelle aktualisiert, einen Vertragsentwurf mit den richtigen Daten erstellt oder einen Mitarbeiter unterstützt, ohne dass dieser zwischen fünf Systemen hin- und herkopieren muss.
Wenn Sie KI heute für E-Mails, Zusammenfassungen von Besprechungen, erste Entwürfe und allgemeine Unterstützung nutzen, rechtfertigt GPT-5.6 allein kaum einen Wechsel des Stacks, des Anbieters oder des Prozesses. In diesen Fällen ähnelt der Markt für Modelle zunehmend einem Markt für intelligente Standardprodukte. Der Unterschied besteht zwar, wird aber immer geringer. Und die Tatsache, dass die neue Produktpalette ausdrücklich eine preisgünstige Variante umfasst, bestätigt dies.
Deshalb lohnt es sich, diszipliniert zu sein.
Erfassen Sie die Anwendungsfälle, die sich auf die tatsächlichen KPIs auswirken. Trennen Sie die Aufgaben, die sich auf Zeit, Margen, Qualität oder Konversion auswirken, von denen, die lediglich ein ansprechenderes Ergebnis liefern.
Entwerfen Sie die Steuerung, nicht nur die Eingabeaufforderung. Ein gutes, stabiles Ergebnis erfordert Vorlagen, Regeln, zulässige Daten, Protokollierung und eine manuelle Überprüfung an kritischen Stellen.
Messen Sie den gesamten Prozess. Ermitteln Sie die Gesamtzeit, um ein zuverlässiges Ergebnis zu erhalten. Wenn der Engpass bei fehlerhaften Daten, Genehmigungen oder der Integration mit internen Systemen liegt, nützt ein Modellwechsel wenig.
Verringern Sie die Abhängigkeit vom jeweiligen Anbieter. Karpathy stellt seit Langem fest, dass sich der Mehrwert zunehmend auf die Produktebene verlagert. Und die zweistufige Veröffentlichung von GPT-5.6 hat gezeigt, dass der Zugang zu den modernsten Modellen auch von regulatorischen Faktoren abhängen kann. Für ein KMU bedeutet dies, eine Architektur zu wählen, die es ermöglicht, Modelle zu ersetzen oder zu kombinieren, ohne jeden Workflow neu schreiben zu müssen.
Entscheide dich für eine Plattform. Die eigentliche Entscheidung lautet nicht nur „GPT-5.6 – ja oder nein“ oder „Sol, Terra oder Luna“. Es geht vielmehr darum, welches System ein bereits sehr gutes Modell optimal auf deinen spezifischen Kontext anwendet.
Wer abwägt, ob er eine Lösung intern entwickeln oder eine vorgefertigte Lösung einsetzen soll, sollte hier ansetzen: nicht beim Modell, sondern bei dem System, das es steuert.
.svg)
.svg)
.svg)
