Copilot-Kontextverarbeitung erklärt

Von Mirko Peters · 2026-04-17

Tiefgehende Analyse der Kontextverarbeitung von GitHub Copilot im Jahr 2026. Erfahren Sie, wie VS Code Kontext aus Dateien, Kommentaren und Importen zusammenstellt, wie Sie Vorschläge optimieren, wie Multi-File-Kontext funktioniert und was Datenschutz im Unternehmen bedeutet, und

Automatisch mit KI aus dem Originalbeitrag übersetzt. Englisches Original lesen

Dieser Artikel zeigt im Detail, wie GitHub Copilot Kontext sammelt, verarbeitet und nutzt, um intelligente Codevorschläge zu erzeugen. Sie erfahren, wie Copilot Informationen aus einer einzelnen Datei, mehreren Dateien und sogar dem gesamten Workspace zusammenführt. Es geht dabei nicht nur um den Code unter Ihrem Cursor: Copilot berücksichtigt auch strukturelle Hinweise, Kommentare und dateiübergreifende Verweise, damit Sie schneller und gezielter arbeiten.

Wir gehen den Prozess Schritt für Schritt durch: von der Art, wie Visual Studio Code Kontext zusammenstellt, bis zu der Frage, wie die zugrunde liegende Architektur von Copilot diesen Kontext in präzise Code-Vervollständigungen in Echtzeit umwandelt. Dabei erhalten Sie praktische Tipps, lernen zentrale Konzepte kennen und werfen einen Blick auf die künftige Entwicklung der Kontexterkennung in Copilot.

Warum Kontext bei Copilot-Codevorschlägen entscheidend ist

Bei KI-gestützten Codevorschlägen ist Kontext alles. Copilot betrachtet nicht nur die letzten Zeilen, die Sie eingegeben haben, sondern versucht, so viel wie möglich über Ihr Projekt zu erfassen. Je besser Copilot den Kontext versteht, desto relevanter und treffender fallen die Vorschläge aus.

Kontext bedeutet für Copilot mehr als der unmittelbare Code. Die KI zieht Hinweise aus Ihrer Dateistruktur, Funktions- und Klassendefinitionen, Inline-Kommentaren und sogar aus den Namen von Variablen oder importierten Modulen. Diese Elemente helfen Copilot zu erkennen, woran Sie arbeiten und was Sie beabsichtigen. Genau dieser mehrschichtige Ansatz unterscheidet Copilot von einfachen Autovervollständigungs-Werkzeugen.

Copilot priorisiert den aussagekräftigsten Kontext, indem es die räumliche Nähe im Code, die syntaktische Struktur und sogar Code-Kommentare auswertet, um Ihren nächsten Schritt vorherzusagen. Wenn Sie beispielsweise gerade eine Funktion definieren, die einer anderen Funktion im selben Projekt stark ähnelt, versucht Copilot, bereits vorhandene Logik und Muster wiederzuverwenden. So sparen Sie Zeit und vermeiden wiederholten Boilerplate-Code.

Wenn Copilot das Gesamtbild versteht, also wozu Ihr Projekt dient, wie Dateien zusammenhängen und was Ihr Code bedeutet, kann es Vorschläge erzeugen, die nicht nur syntaktisch korrekt, sondern auch inhaltlich passend sind. Deshalb steht Kontext im Mittelpunkt jeder Copilot-Empfehlung und hilft Ihnen, sicherer und effizienter zu programmieren.

Wie VS Code Kontext für Copilot zusammenstellt

Visual Studio Code fungiert als Augen und Ohren von Copilot. Sobald Sie zu tippen beginnen, schickt VS Code nicht einfach einen beliebigen Ausschnitt der Datei an Copilot. Stattdessen stellt der Editor gezielt Informationen für die KI zusammen. Dazu gehören die aktive Datei, die umgebenden Zeilen sowie Ausschnitte aus Dateien, die Sie kürzlich geöffnet oder bearbeitet haben.

Der Sammelprozess konzentriert sich vor allem auf Ihr aktives Editorfenster, bezieht aber auch Funktionen, Klassen und Kommentare oberhalb der Cursorposition ein. Je reichhaltiger die lokalen Informationen sind, desto intelligenter fallen die Vorschläge von Copilot aus. Der Zustand des Editors, etwa welche Datei Sie bearbeiten, was Sie zuletzt kopiert haben und welche Dateien geöffnet sind, bestimmt mit, welcher Kontext bereitgestellt wird.

VS Code meldet außerdem, wenn Sie zwischen Dateien wechseln oder zu einer Definition springen, sodass Copilot seinen Kontext sofort anpasst. Arbeiten Sie innerhalb eines Ordners, erhält Copilot Informationen zur Projektstruktur, zu relevanten Importen und zu Abhängigkeiten zwischen Dateien. Diese Übergabe sorgt dafür, dass die KI stets Ihren aktuellen Fokus versteht, und ebnet den Weg für hochwertige, passende Code-Vervollständigungen.

Diese Echtzeit-Zusammenstellung des Kontexts befähigt Copilot, über generische Codeerzeugung hinauszugehen. Die Vorschläge passen dann tatsächlich in Ihr aktuelles Projekt und berücksichtigen sowohl dessen interne Logik als auch die Organisation Ihres Workspaces.

Kontextverarbeitung bei GitHub Copilot über mehrere Dateien und auf Workspace-Ebene

GitHub Copilot beschränkt sich nicht auf eine einzelne Datei. Mit wachsenden Codebasen und zunehmend miteinander verknüpften Dateien greift Copilot auf Ihren gesamten Workspace zu, um umfassendere, projektbezogene Vorschläge zu liefern. Es betrachtet also nicht nur die Datei vor Ihnen, sondern nimmt Kontext aus verwandten Dateien, Modulen und Ausschnitten auf, die über Ihr Projekt verteilt sind.

Diese projektübergreifende Sicht ermöglicht es Copilot, wiederkehrende Muster, einheitliche Namenskonventionen und häufig verwendete Hilfsfunktionen überall in Ihrem Workspace zu erkennen. Die KI kann Zusammenhänge zwischen Dateien herstellen und so bei komplexen Codebasen zu klügeren und konsistenteren Codevorschlägen führen.

Um all das zu leisten, erstellt Copilot eine gedankliche „Landkarte“ Ihres Arbeitsbereichs, indiziert relevante Code-Elemente und blendet sie bei Bedarf ein. Der Nutzen: Sie erhalten Vervollständigungen, die die Logik, Bibliotheken und Architektur Ihres tatsächlichen Projekts widerspiegeln, und nicht nur generischen Standardcode. Wie Copilot das erreicht – durch Indizierung, Nachverfolgung von Referenzen und das Erfassen impliziten Kontexts – wird in den folgenden Abschnitten ausführlich erläutert.

Multi-File-Awareness in GitHub Copilot verstehen

Die Multi-File-Awareness von Copilot bedeutet, dass das Tool über die aktuelle Datei hinausblicken kann. Es sieht Funktionen, Variablen und Klassen, die in anderen Dateien innerhalb Ihres Arbeitsbereichs definiert sind. So kann es bei der Codegenerierung auf relevante, reale Beispiele zurückgreifen und Vorschläge erstellen, die zur Struktur und Zielsetzung des gesamten Projekts passen.

Wenn Sie zum Beispiel eine Funktion schreiben, die eine andernorts definierte Funktion aufruft, erkennt Copilot diesen Zusammenhang und schlägt Vervollständigungen vor, die zu Signaturen und Verwendungsmustern aus den anderen Dateien passen. Für Entwickler, die große Projekte oder modular aufgebaute Codebasen bearbeiten, ist das ein echter Fortschritt: Copilot wird zu einem wirklich projektbewussten Assistenten. Dafür sind allerdings eine saubere Governance und gut konfigurierte Zugriffskontrollen erforderlich. Mehr dazu erfahren Sie in unserem Beitrag zu Copilot-Governance und Datenexposition.

Workspace-Indizierung und Erkennung impliziten Kontexts in Copilot

Im Hintergrund erstellt Copilot während des Codierens einen Index Ihres Arbeitsbereichs. Dabei werden Ordnerstrukturen, Referenzen zwischen Dateien und Code-Komponenten erfasst, ohne dass Sie etwas angeben müssen. Dieser automatische Indizierungsprozess ermöglicht es Copilot, Ihre gesamte Codebasis zu „sehen“ und bei Bedarf jederzeit den passenden Kontext abzurufen.

Die Erkennung impliziten Kontexts ist besonders hilfreich, wenn Sie auf eine Klasse, Funktion oder Variable verweisen, die an anderer Stelle definiert ist. Anstatt dass Sie Code manuell angeben oder kopieren müssen, sucht Copilot die relevanten Informationen selbstständig und blendet sie sofort ein. Das ist vor allem bei größeren Projekten von Vorteil: Sie können sich aufs Programmieren konzentrieren, ohne sich Gedanken darüber zu machen, ob Copilot über den nötigen Hintergrund verfügt, um fundierte Vorschläge zu machen.

End-to-End-Architekturüberblick und Visualisierung des Kontextflusses in Copilot

Wer verstehen will, wie Copilot kontextbezogene Codevorschläge erzeugt, sollte einen Blick unter die Haube werfen. Vereinfacht gesagt bewegt sich der Kontext von Ihrem Editor über Schichten zur Kontextaufbereitung hin zum KI-Modell und liefert von dort intelligente Codevervollständigungen zurück in Ihren Arbeitsbereich.

Der Ablauf beginnt damit, dass VS Code Codeausschnitte, Dateistruktur und letzte Änderungen erfasst. Diese Daten durchlaufen ein System aus Filterung und Rangfolge, in dem Copilot entscheidet, was für den jeweiligen Vorschlag am relevantesten ist. Sobald der passende Kontext zusammengestellt ist, wird er in einen Prompt verpackt und an das Sprachmodell gesendet, das auf Basis dieser maßgeschneiderten Informationen Codeoptionen erzeugt.

Der gesamte Prozess ist dynamisch angelegt. Ob Sie neue Dateien hinzufügen, Code umstrukturieren oder Kommentare bearbeiten: Die Kontext-Pipeline von Copilot hält Schritt. Zentrale Architekturmerkmale wie Kontext-Ranking und Multi-Source-Abruf sorgen dafür, dass Copilot auch in umfangreichen Projekten Genauigkeit und Leistung ausbalancieren kann.

Als Nächstes sehen Sie, wie Copilot entscheidet, welche Kontextquellen in welcher Reihenfolge genutzt werden, bevor eine Anfrage an das Sprachmodell gesendet wird.

Abruf und Rangfolge der Kontextquellen

• Aktive Datei: Copilot priorisiert immer den Kontext aus der Datei, die Sie gerade bearbeiten, und konzentriert sich dabei auf den Bereich rund um Ihren Cursor, um die größtmögliche Relevanz zu erzielen.
• Geöffnete Dateien: Kürzlich angezeigte oder aktiv geöffnete Dateien liefern zusätzlichen Kontext. So erkennt Copilot Zusammenhänge und kann auf früheren Code verweisen, ohne dass Sie den Tab wechseln müssen.
• Projekt-Arbeitsbereich: Die gesamte Projektstruktur, einschließlich importierter Module und Unterordner, verschafft Copilot einen ganzheitlichen Überblick und macht global relevante Funktionen oder Muster sichtbar.
• Zwischenablage-Ausschnitte: Gelegentlich können Inhalte in Ihrer Zwischenablage Vorschläge beeinflussen, wenn Sie Code kopieren und einfügen. Das gibt Copilot eine weitere Perspektive auf den Kontext.
• Relevanz-Ranking: Copilot bewertet diese Quellen anhand von Code-Nähe, letzter Nutzung, syntaktischen Hinweisen und semantischer Ähnlichkeit. Ziel ist es, in jedem Prompt an das KI-Modell immer den wertvollsten Kontext zu liefern.

Prompt-Aufbau und Token-Optimierung in Copilot

Copilot arbeitet mit strikten Token-Limits. Das bedeutet, dass nur eine begrenzte Menge an Code und Kontext in eine einzelne Anfrage an die KI passt. Daher zählt jede Information, die gesendet wird. Dieser Abschnitt legt die Grundlage für das Verständnis, wie Copilot diese Prompts zusammenstellt und abwägt, welche Code-Snippets, Dokumentationen oder Kommentare es in die Anfrage schaffen.

Die Herausforderung besteht darin, genügend Details einzubeziehen, etwa Funktionssignaturen oder wichtige Kommentare, ohne das Kontextfenster zu überschreiten, das das zugrunde liegende Modell verarbeiten kann. Dieser sorgfältige Balanceakt ist entscheidend für qualitativ hochwertige, passgenaue Empfehlungen, die sowohl korrekt sind als auch zur Logik Ihres Projekts passen.

Wie Copilot Informationen priorisiert, Snippets einstuft und sich dynamisch an Ihre Programmiergewohnheiten anpasst, spielt eine wichtige Rolle dabei, bei begrenztem Token-Budget maximale Relevanz herauszuholen. Als Nächstes sehen wir uns genauer an, wie Copilot diese Ranking-Entscheidungen intern trifft, damit jeder Vorschlag den aktuellen Projektkontext optimal ausnutzt.

Interne Snippet-Rangfolge und dynamische Priorisierung

Bevor Copilot einen Prompt an die KI sendet, wählt es mithilfe von Ranking-Algorithmen die relevantesten Snippets aus. Dabei gewichtet es Code, Dokumentation und Funktionssignaturen aus Ihrem Arbeitsbereich und filtert weniger nützliche oder redundante Informationen heraus. Diese dynamische Priorisierung sorgt dafür, dass auch bei fortschreitender Projektentwicklung die Snippets, die den Vorschlag am ehesten beeinflussen, zuerst berücksichtigt werden. So erzielen Sie die besten Ergebnisse.

Echtzeit-Anpassungsfähigkeit und effektiver Umgang mit dem Copilot-Kontext

Copilot bleibt nie stehen, sondern passt sich mit jedem Tastenanschlag an. Während Sie tippen, prüft Copilot laufend die aktuelle Datei, den umgebenden Code und alle neuen Änderungen, um seine Vorschläge in Echtzeit zu verfeinern. Wenn Sie zwischen Dateien wechseln, einen Variablennamen ändern oder eine Methode umstrukturieren, aktualisiert sich die Kontext-Engine von Copilot sofort. Dabei geht es nicht nur um Geschwindigkeit, sondern vor allem um Genauigkeit: Das Verständnis der KI bleibt jederzeit am aktuellen Stand Ihres Arbeitsbereichs.

Diese dynamische Anpassungsfähigkeit ermöglicht es Ihnen, flüssig zu arbeiten, ohne befürchten zu müssen, dass Copilot an veraltetem Code festhält. Ob Sie ein neues Modul beginnen oder ein altes überarbeiten: Der Kontext richtet sich auf Ihren Fokus aus, sodass stets frische, relevante Vervollständigungen verfügbar sind. Wenn Sie das Projekt oder den Branch wechseln, kalibriert Copilot die neue Umgebung neu und indexiert sie, um eine Vermischung von Vorschlägen aus unterschiedlichen Kontexten zu verhindern.

Sie können den Kontext von Copilot auch aktiv steuern, um das Beste herauszuholen. Organisieren Sie Code logisch, ergänzen Sie aussagekräftige Kommentare und legen Sie zusammengehörige Dateien an vorhersehbaren Orten ab. Wenn Sie vertrauliche Dateien haben, sollten Sie in Erwägung ziehen, sie vom Arbeitsbereich auszuschließen oder datenschutzbewusste Einstellungen zu nutzen, damit ihr Inhalt nicht in die Cloud gesendet wird. Das schützt nicht nur Daten, sondern schärft auch die Genauigkeit von Copilot, indem der Kontext auf das Wesentliche beschränkt wird.

Denken Sie daran: Copilot speichert keine Informationen zwischen Sitzungen. Wenn Sie VS Code schließen, geht ein großer Teil des sitzungsspezifischen Kontexts verloren. Bei länger laufenden Aufgaben sorgen Sie für Kontinuität, indem Sie Ihren Arbeitsbereich geöffnet lassen oder die relevanten Dateien beim Zurückkehren erneut laden. So kann Copilot das Wichtige schnell neu indexieren, und Sie verlieren keine Zeit, die KI wieder einzuarbeiten.

Zusätzliche Erkenntnisse, Praxisbeispiele und die Zukunft der Kontextverarbeitung

Lassen Sie uns alles zusammenführen. Der praktische Einsatz zeigt, wie Copilot den Kontext verarbeitet: Wenn Sie etwa eine Klasse refaktorisieren, erkennt Copilot zusammenhängende Änderungen über mehrere Dateien hinweg und passt seine Vorschläge an, während Sie zwischen den Dateien wechseln. Oder Sie programmieren einen neuen API-Endpunkt, und Copilot übernimmt Funktionssignaturen und Namenskonventionen, die es an anderer Stelle in Ihrem Projekt entdeckt hat. Diese Beispiele zeigen, warum reichhaltiger Kontext zu besseren und schnelleren Ergebnissen führt.

Natürlich ist die aktuelle Technik nicht perfekt. Copilot löst logische und semantische Zusammenhänge oft sehr gut, kann aber trotzdem ins Straucheln geraten, wenn die Dokumentation dünn ist oder die Beziehungen komplex sind. Deshalb sind Governance, Compliance und gut aufgebaute Lernzentren so wichtig. Ein Beispiel ist Microsofts Entwicklung hin zu gesteuerten Copilot-Lernzentren, wie sie auf dieser Seite zu sehen ist. Sie unterstützen Teams mit bewährten Methoden und messbarer Akzeptanz, was einfache Dokumentation nicht leisten kann.

Ausblick: Copilot wird künftig noch besser darin, Beziehungen zwischen mehreren Dateien, die Personalisierung von Code und semantisches Verständnis zu erfassen. Das bedeutet persönlichere Empfehlungen und besseren Schutz für sensiblen Code und schließt die Lücke zwischen lokalem Kontext und verantwortungsvoller KI-Nutzung. Sichere Implementierung und strenge Berechtigungskontrollen – die auf Copilot-Compliance-Frameworks gut beschrieben sind – werden zum Standard, je größer die Anforderungen von Unternehmen werden.

Kurz gesagt: Bei Copilot geht es künftig vor allem um ein tieferes Verständnis des Arbeitsbereichs, benutzergesteuerte Datenschutzeinstellungen und verbesserte Echtzeit-Intelligenz. Wenn Sie informiert und proaktiv bleiben, holen Sie das Beste aus jedem Codevorschlag heraus, den Copilot anbietet, und behalten Produktivität und Sicherheitsgefühl im Blick, während sich das Umfeld weiterentwickelt.

Copilot-Kontextverarbeitung: Wichtige Statistiken und Fakten

Wie GitHub Copilot Kontext aufbaut: Kurzübersicht nach Quelle

GitHub Copilot im Vergleich zu anderen KI-Code-Assistenten: Vergleich der Kontextverarbeitung

Häufige Fragen: Kontextverarbeitung bei Copilot

Wie viele Dateien verwendet GitHub Copilot als Kontext bei der Erstellung von Vorschlägen?

Für Inline-Vervollständigungen (Ghost Text) nutzt GitHub Copilot in erster Linie die aktive Datei und benachbarte geöffnete Tabs als Kontext und verarbeitet dabei in der Regel die semantisch relevantesten Inhalte innerhalb seines Token-Budgets. Für Copilot Chat mit dem Agenten @workspace kann es auf Dateien im gesamten Projekt-Workspace zugreifen und wählt anhand Ihrer Anfrage gezielt die relevantesten aus.

Speichert GitHub Copilot meinen Code, um seine KI-Modelle zu trainieren?

Bei GitHub Copilot Individual (persönliche Konten) können Codeausschnitte zur Modellverbesserung verwendet werden, sofern Sie dies nicht in Ihren Einstellungen deaktivieren. Bei GitHub Copilot Business und Enterprise werden Codeeingaben und Vorschläge standardmäßig niemals gespeichert oder zum Trainieren der Foundation Models von GitHub verwendet. Enterprise-Kunden verfügen über zusätzliche Kontrollmöglichkeiten für die Datenverarbeitung über ihre Organisationseinstellungen.

Warum liefert Copilot bessere Vorschläge, wenn ich Kommentare hinzufüge?

Kommentare sind eines der stärksten Kontextsignale, die Copilot nutzt. Wenn Sie Ihre Absicht in einem Kommentar beschreiben, etwa // Parse the JSON response and extract the user ID and email, geben Sie Copilot eine klare Beschreibung in natürlicher Sprache, was der nächste Codeblock leisten soll. Das reduziert Mehrdeutigkeiten deutlich und stimmt die Vorhersage der KI auf Ihr tatsächliches Ziel ab. Das Ergebnis sind genauere und nützlichere Vervollständigungen.

Worin unterscheiden sich die Inline-Vervollständigungen von GitHub Copilot und Copilot Chat?

Inline-Vervollständigungen (Ghost Text) sind Echtzeitvorschläge, die sich am Cursor orientieren und beim Tippen erscheinen. Sie verwenden ein kleineres, schnelleres Kontextfenster, das sich auf die unmittelbare Umgebung des Codes konzentriert. Copilot Chat ist eine dialogorientierte Oberfläche, in der Sie Fragen stellen, Refactoring anfordern, Code erklären lassen oder neue Funktionen generieren lassen können. Dafür nutzt er ein größeres Kontextfenster, das auch Dateien des Arbeitsbereichs umfassen kann. Beide greifen auf dasselbe zugrunde liegende GitHub Copilot-Modell zurück, unterstützen aber unterschiedliche Interaktionsmuster.

Wie geht Copilot mit vertraulichem oder proprietärem Code in seinem Kontextfenster um?

GitHub Copilot Business und Enterprise verarbeiten Code in einer gesicherten Pipeline und speichern ihn nicht über die aktuelle Sitzung hinaus. Der Kontext wird zur Inferenz an die KI-Infrastruktur von GitHub (auf Basis von OpenAI) gesendet und danach sofort verworfen. Mit Vertraulichkeitsbezeichnungen und Organisationsrichtlinien in GitHub Enterprise lässt sich steuern, für welche Repositorys Copilot aktiviert ist. So bleibt KI-Unterstützung in Codebasen mit dem sensibelsten geistigen Eigentum ausgeschlossen.

Kann ich den Kontext für Copilot verbessern, indem ich meine Projektstruktur anders organisiere?

Ja. Copilot arbeitet besser in gut strukturierten Codebasen mit klarer Trennung der Zuständigkeiten, aussagekräftigen Datei- und Funktionsnamen, einheitlichen Namenskonventionen und ausführlicher Inline-Dokumentation. Monolithische Dateien mit gemischten Verantwortlichkeiten verwässern die Kontextsignale. Große Dateien in fokussierte Module aufzuteilen, TypeScript-Typen oder JSDoc-Kommentare zu verwenden und saubere Importstrukturen zu pflegen, verbessert die Relevanz der Copilot-Vorschläge unmittelbar.

Verwandte Ressourcen zu Microsoft Copilot und KI-Entwicklung

• Der Lebenszyklus einer Copilot-Antwort im Detail — Verstehen Sie die vollständige technische Pipeline vom Prompt bis zur Antwort über alle Copilot-Produkte hinweg.
• Halluzinationsrisiken bei Copilot im Detail — Warum die Kontextqualität die Halluzinationsrate bei KI-Codevorschlägen direkt beeinflusst.
• Leistungsprobleme bei Copilot im Detail — Finden Sie heraus, warum Copilot-Vorschläge in Ihrer Entwicklungsumgebung langsam oder unpassend sein können.
• Vertrauen in Copilot-Ergebnisse steuern — Verantwortungsvolle KI-Governance für Teams, die GitHub Copilot mit proprietärem Code einsetzen.

Fazit: Kontext ist der Schlüssel zum vollen Potenzial von Copilot

Der Unterschied zwischen einer mittelmäßigen und einer außergewöhnlichen GitHub Copilot-Erfahrung hängt fast immer von der Qualität des Kontexts ab. Entwickler, die verstehen, wie Copilot den Kontext zusammensetzt, und die ihre Code-Kommentare, die Dateiorganisation und die Struktur des Arbeitsbereichs gezielt optimieren, um Copilot klarere Signale zu geben, erhalten durchweg bessere und genauere Vorschläge.

Betrachten Sie Copilot nicht als Autovervollständigung, sondern als äußerst leistungsfähigen Mitarbeiter, dessen Qualität vom Kontext abhängt, den Sie ihm liefern. Je klarer Sie Ihre Absicht durch Kommentare, strukturierten Code und aussagekräftige Benennungen vermitteln, desto zuverlässiger kann Copilot Ihren nächsten Schritt vorwegnehmen und Sie in dem Flow halten, der großartige Software möglich macht.

Für weiterführende Fachinhalte zu Microsoft 365 Copilot, GitHub Copilot und KI-gestützten Entwicklungswerkzeugen empfehlen wir den M365 Show Podcast – Ihre erste Anlaufstelle für Microsoft-365-Profis.