L2-H Ergebnis — Markt- & Wissenschaftsanalyse

Status

• Ausgeführt als: vorbereitender Markt-/Wissenschafts-Drilldown mit internem Passungsrahmen aus L2-A–G.
• Einschränkung: Keine vollständige systematische Literaturrecherche; es wurden jedoch einzelne live erreichbare Primär-/Projektquellen geprüft. Aussagen bleiben vorläufig und müssen vor Antragseinreichung durch gezielte Quellenarbeit validiert werden.
• Scope-Schärfung: Interne Dokumente wurden nur zur Passung/Abgrenzung genutzt, nicht für neues AP-Mining.

Externe Suchfelder für finale Recherche

Feld	Relevante APs	Warum relevant	Such-/Quellenhinweise
Machine Unlearning / Consent-aware ML	AP22	Widerruf vs. Modellintegrität	IEEE/ACM, Bourtoule et al., Datenschutz-ML
Privacy Sandbox / Attribution Reporting / Storage Partitioning	AP23	iFrame-Widget-Analytics ohne Third-Party-Cookies	W3C, Chrome Privacy Sandbox, WebKit ITP
Generative Engine Optimization / LLM Retrieval Visibility	AP21	klassische Crawler vs. LLM-Zitierbarkeit	arXiv/SEO-Forschung, schema.org, Google AI Overviews
Offline-first consistency / local-first apps	AP2/AP19	Offline-Validierung, Sync-Konflikte	CRDT/local-first Literatur, RxDB/PouchDB Muster
Constraint Satisfaction in transport dispatch	AP3/AP11/AP15	Crew, Seat, Dispatch Optimierung	Operations Research, Vehicle Routing, Crew Scheduling
Edge ML in PWAs	AP24	On-Device Quality Scoring	TensorFlow.js/ONNX Runtime Web, mobile inference
Agentic workflows / AI governance	AP9/AP27	agentische Unternehmensführung, Blast Radius	AI safety/evals, workflow agents, MCP/security

Wettbewerbs-/Markthypothesen

Bereich	Marktstandard	Busflow-Forschungsdifferenzierung
Touristik-/Bus-ERP	Buchung, Disposition, Rechnungen	integrierte F&E über Tax, Dispatch, Offline, Commerce, AI-Governance
CDP/CRM	Customer Profiles und Campaigns	Privacy-first Aggregation über Multi-Tenant-Eventstreams mit Löschsemantik
SEO/Marketing Tools	Content-Optimierung	technische Dual-Indizierung für Crawler und LLM-Retrieval aus strukturierten Tourdaten
Dispatch Systeme	Ressourcenplanung	Cross-Tenant EU-561 und Offline/Realtime-Konfliktauflösung
Workflow Engines	n8n/Temporal-ähnliche Orchestrierung	domänenspezifische Cross-Context-Triggersemantik mit Audit- und Tenant-Grenzen

Wissenschaftliche Anschlussfähigkeit

AP-Gruppe	Anschlussfähige Disziplin	Antragssprache
AP1/AP6/AP10	Informationssysteme, Accounting Systems, temporal data consistency	„zeitlich entkoppelte Berechnungsgrundlagen“ statt Steuerberatung
AP2/AP8/AP14/AP19	Distributed Systems, Offline-first, Concurrency Control	konkrete Race-/Conflict-Szenarien
AP3/AP15	Operations Research, Constraint Satisfaction, Compliance Systems	Multi-Source-/Cross-Tenant-Constraints
AP5/AP9/AP27	AI Systems, RAG, Agent Governance	Validierung, Blast Radius, Kontextpriorisierung
AP20/AP22/AP23	Privacy Engineering, ML, Web Privacy	Datenminimierung vs. analytische Nutzbarkeit
AP21	Information Retrieval	Crawler-/LLM-Retrieval-Konflikt
AP24/AP25/AP26	Edge AI, HCI/Communications, Event Orchestration	nur technisch, nicht Marketing/Kommunikation framen

Vorläufig geprüfte externe Quellen

Feld	Quellenstatus	Relevanz für Busflow
Machine Unlearning	live erreichbar: Bourtoule et al., „Machine Unlearning“, arXiv https://arxiv.org/abs/1912.03817; ACM-DOI-Seite war im Worker-Kontext per 403 nicht abrufbar	Stützt AP22 nur als wissenschaftliches Feld; Busflow braucht trotzdem eigenes Consent-/Widerrufs-Experiment.
Privacy Sandbox / Attribution Reporting	live erreichbar: Google Privacy Sandbox Attribution Reporting https://privacysandbox.google.com/private-advertising/attribution-reporting	Stützt AP23 als dynamisches Browser-/Web-Privacy-Problem; keine direkte Förderfähigkeit ohne eigenes Widget-Experiment.
WebKit ITP / Third-Party-Cookie-Blocking	live erreichbar: WebKit Blog „Full Third-Party Cookie Blocking and More“ https://webkit.org/blog/10218/full-third-party-cookie-blocking-and-more/	Stützt AP23/iFrame-Tracking-Unsicherheit und Abgrenzung von Marketing-KPIs.
Edge ML im Browser	live erreichbar: TensorFlow.js https://www.tensorflow.org/js, ONNX Runtime Web https://onnxruntime.ai/docs/get-started/with-javascript/web.html, W3C WebNN https://www.w3.org/TR/webnn/	Stützt AP24 als technisch mögliches Feld; Förderkern bleibt On-Device-Modellgüte/Performance/Consent-Kopplung.
Strukturierte Daten / Retrieval-Oberfläche	live erreichbar: schema.org https://www.schema.org/	Stützt AP21 nur als Standard-/Referenzbasis; konkrete Neuartigkeit muss aus Crawler-vs.-LLM-Konflikt und Messdesign kommen.
Agentic/MCP-Kontext	live erreichbar: Model Context Protocol Specification https://modelcontextprotocol.io/specification/2025-06-18	Stützt AP9/AP27 als aktuelles Integrationsfeld; Busflow-Forschung muss Blast-Radius, Tool-Gates und Domain-State-Priorisierung eigenständig belegen.

Top-5 Folgejahreschancen — vorläufig evidenzbewertet

Rang	Chance	Aufwand	Ertrag / strategischer Nutzen	Risiko	Quellen	Sofortmaßnahme vs. Folgejahr
1	Consent-aware Recommendation / Machine Unlearning (AP22)	mittel-hoch: Modell-/Widerrufsprototyp, Testdaten, Lösch-/Unlearning-Metriken	hoher F&E-Nutzen für V4; klare Privacy-Differenzierung	mittel: Recommendation Engines sind bekannt; eigener Widerrufs-/Mandantenkonflikt muss nachweisbar sein	Bourtoule et al. arXiv 1912.03817; interne Quellen ADR-021/ADR-028	Sofort: Experimentdesign und Metriken. Folgejahr: Modellvergleich/Unlearning-Prototyp.
2	Privacy-preserving Widget Analytics (AP23)	mittel: Browser-Testmatrix, iFrame-/Storage-Experimente	hoher Markt- und Techniknutzen wegen Cookie-/Privacy-Sandbox-Änderungen	mittel: darf nicht als Conversion-Marketing erscheinen	Google Privacy Sandbox Attribution Reporting; WebKit ITP Blog	Sofort: Testmatrix und technische Risikoformulierung. Jahr 1 möglich, wenn Browserbelege konkret.
3	Edge Field Media Pipeline (AP24)	hoch: Edge-Modell, PWA-Performance, Consent-UX, Fehlklassifikationsaudit	guter Operations→Commerce-Brückennutzen; starke Abgrenzung zu Upload-Standard	hoch: ohne On-Device-ML No-Go	TensorFlow.js; ONNX Runtime Web; W3C WebNN	Folgejahr bevorzugt. Sofort nur Gate-Entscheidung On-Device-ML treffen.
4	Domain-State PARA Derivation (AP27)	mittel: Entity-Lifecycle-Formalismus, Evaluationsmetrik für Kontextpriorisierung	strategisch stark für Agentic Governance und Context Engine	mittel: PARA kann als Organisationsmethodik wirken	MCP Specification; interne Quellen ADR-020, ADR-028, bsfz-antrag-vorhaben.md:201-253	Sofort: technische Formalisierung und Metrik; Jahr 1 nur AP9-nah und eng begrenzt.
5	Passenger Offline Validation (AP19, CBOR/CWT/COSE)	mittel-hoch: CWT-Claim-Schema, QR-Kapazitäts-Spike, AP2-Manifest-Erweiterung	stärkt V2/Offline-Forschung als passagierseitiges Gegenstück zu AP2	mittel: CWT-JS-Ökosystem dünn; ADR + Spike ausstehend	IETF RFC 8392/9052/8949; EU DCC Architektur; interne Quelle ADR-017, offline-sync-protocol.md	Folgejahr; Forschungsrichtung CBOR/CWT/COSE identifiziert, ADR + Spike als nächste Schritte.

Förderlandschaft / Doppelförderung — Vorprüfung

• FZulG bleibt primäre Basis für interne F&E-Personalkosten.
• Externe Programme (z.B. KI, Digitalisierung, EU) dürfen nicht dieselben Kosten doppelt fördern.
• Für Folgejahre kann separate Förderrecherche sinnvoll sein, aber nur mit sauberer Kosten-/Arbeitspaket-Trennung.

Empfehlungen für H-Nacharbeit

1. Vor finaler Einreichung gezielte Quellenrecherche mit zitierfähigen Primärquellen durchführen.
2. Pro externem Forschungsfeld maximal 2–3 starke Quellen als Anlage/Argumentationsstütze auswählen.
3. Marktquellen nicht als Hauptbeleg verwenden; technische Standards, Papers und Browser-/API-Dokumentationen sind stärker.
4. AP21/AP23 besonders mit aktuellen Browser-/Retrieval-Quellen validieren, da diese Felder dynamisch sind.

Validierungsbedarf

• Live-Recherche mit aktuellen Quellen und Links.
• Prüfung, ob externe Förderprogramme geplant sind und Doppelförderung ausschließen.
• Steuerberater/FZulG-Berater: ob externe Literatur als Anlage sinnvoll oder eher störend ist.