Kurze Antwort: Im Jahr 2026 ist der Speicher nicht mehr nur ein passiver Ort, an dem Daten abgelegt werden. Da KI-Agenten Tausende von Anfragen gleichzeitig ausführen und Modelle mit immer größeren Kontextfenstern arbeiten, liegt die eigentliche Grenze für KI in Unternehmen nicht mehr nur in der Verfügbarkeit von GPUs – entscheidend ist vielmehr, wie schnell, sicher und zuverlässig Daten zwischen Speicher und Recheninstanz übertragen werden können. Unternehmen, die den Speicher als strategische Ebene ihres KI-Stacks betrachten, skalieren ihre KI erfolgreich. Diejenigen, die dies nicht tun, stoßen auf versteckte Engpässe, die Projekte zum Stillstand bringen, lange bevor jemand den „Speicher“ für die Verzögerung verantwortlich macht.
Die wichtigsten Erkenntnisse
Der Speicher hat sich von einer passiven Backend-Komponente zu einem aktiven, in Echtzeit arbeitenden Bestandteil der KI-Datenpipeline gewandelt.
Ein struktureller Speicherengpass (HBM und DRAM) zwingt Unternehmen dazu, die Art und Weise, wie Daten gespeichert, übertragen und zwischengespeichert werden, zu überdenken.
Neue Technologien ermöglichen es GPUs, direkt auf den Speicher zu lesen und zu schreiben, wodurch langsame, CPU-gebundene Datenpfade umgangen werden.
Sicherheit kann nicht mehr nachträglich angefügt werden – sie muss in die Speicherschicht selbst integriert sein.
Analysten gehen davon aus, dass die Mehrheit der Unternehmen bis Ende 2026 KI in der Produktion einsetzen wird, wodurch KI-fähiger Speicher zu einer kurzfristigen Anforderung und nicht zu einem Zukunftsthema wird.
Unternehmen, die ihre Speicherarchitektur jetzt überprüfen und modernisieren, werden einen messbaren Kosten- und Geschwindigkeitsvorteil gegenüber Wettbewerbern haben, die abwarten.
Was ist KI-Infrastruktur – und warum spielt Speicherplatz plötzlich eine so große Rolle?
Die KI-Infrastruktur umfasst die gesamte Palette an Hardware und Software, die es einem Unternehmen ermöglicht, KI-Modelle zu trainieren, zu optimieren und in der Produktion einzusetzen: GPUs und Beschleuniger, Netzwerkkomponenten, Arbeitsspeicher, Speicher, Orchestrierungssoftware und Sicherheitskontrollen. Jahrelang konzentrierte sich die öffentliche Debatte hauptsächlich auf einen Teil dieses Stacks – die Rechenleistung. Wer die meisten GPUs besitze, so die gängige Meinung, werde das KI-Rennen gewinnen.
Diese Annahme bröckelt im Jahr 2026. Moderne KI-Workloads, insbesondere agentische KI-Systeme, die über mehrere Schritte hinweg planen, Schlussfolgerungen ziehen und Maßnahmen ergreifen, benötigen nicht nur reine Rechenleistung. Sie benötigen einen ständigen Zugriff mit geringer Latenz auf riesige, sich ständig ändernde Datensätze – Dokumente, Embeddings, Protokolle, Transaktionsdatensätze und lange Konversationsverläufe. Jede dieser Datenanfragen muss den Speicher durchlaufen. Wenn der Speicher nicht mithalten kann, steht selbst der leistungsstärkste GPU-Cluster der Welt untätig da und wartet auf Daten.
Branchenanalysten bezeichnen dies mittlerweile als grundlegenden Wandel in der Art und Weise, wie Speicher konzipiert und bewertet wird. Gartners „Hype Cycle for Storage Technologies 2026“ betrachtet Speicher nicht mehr als bloßen Aufbewahrungsort für Daten, sondern als aktiven Teilnehmer an der Erzeugung von KI-Ergebnissen und geht davon aus, dass in den nächsten Jahren ein rasch wachsender Anteil von Unternehmen eine autonome, KI-gesteuerte Speicherinfrastruktur einsetzen wird. Das ist eine bedeutende Veränderung sowohl in der Terminologie als auch bei den Budgetprioritäten.
Der wahre Engpass: Warum Rechenleistung allein nicht mehr ausreicht
Während des größten Teils der 2020er Jahre gingen Unternehmen davon aus, dass der Kauf weiterer GPUs ihre Probleme bei der Skalierung von KI-Anwendungen lösen würde. Im Jahr 2026 stößt diese Logik an ihre Grenzen – in der Branche wird dies buchstäblich als „Speicherwand“ bezeichnet.
Drei Entwicklungen laufen zusammen:
Ein struktureller Speicherengpass. Samsung, SK Hynix und Micron – die drei größten Speicherhersteller der Welt – verlagern ihre Produktionskapazitäten weg von herkömmlichem DRAM und NAND hin zu High-Bandwidth-Memory (HBM) und DDR5 für den Unternehmensbereich, da HBM weitaus höhere Margen erzielt. Einige Prognosen für 2026 gehen davon aus, dass Rechenzentren bis zu 70 % der weltweiten High-End-Speicherproduktion verbrauchen werden, wodurch das Angebot an herkömmlichen Speichern für alle anderen Bereiche – einschließlich vieler Speichersysteme – strukturell eingeschränkt bleibt.
Preis- und Lieferzeitdruck. Die Vertragspreise für DRAM und NAND sind bis 2026 stark gestiegen, wobei mehrere Analystenberichte auf zweistellige und in einigen Quartalen sogar dreistellige Preissteigerungen hinweisen, da sich die Kapazitäten in Richtung KI-optimierter Speicher verlagern. Die meisten Branchenbeobachter rechnen frühestens 2027 mit einer Normalisierung der Preise.
Explodierende Datenlast. KI-Agenten generieren und verbrauchen mittlerweile pro Aufgabe weitaus mehr Daten als es jemals eine einfache Chatbot-Anfrage tat – mehrstufige Schlussfolgerungsketten, Tool-Aufrufe, abgerufene Dokumente und lang andauernde Kontexte müssen alle nahezu in Echtzeit gespeichert, indexiert und abgerufen werden.
Das praktische Ergebnis: Selbst Unternehmen mit reichlich GPU-Kapazität stellen fest, dass ihre Speicher- und Datenpipelines diese GPUs nicht schnell genug versorgen können. Ungenutzte, unterversorgte Beschleuniger sind ein kostspieliger, unsichtbarer Verlust für den KI-ROI – und die meisten Finanzteams erkennen dies nie auf einem Dashboard, da es nicht wie ein „Speicherproblem“ aussieht. Es sieht vielmehr nach einem langsamen KI-Projekt aus.
Vom passiven Speicher zu einem aktiven Bestandteil der KI-Pipeline
Die bedeutendste technische Veränderung im Jahr 2026 ist architektonischer Natur: Der Speicher wird so umgestaltet, dass er nun innerhalb des KI-Datenpfads liegt und nicht mehr dahinter.
Bisher lief die Datenanforderung einer GPU über die CPU: Diese holte die Daten aus dem Speicher, speicherte sie vorübergehend im Systemspeicher und übergab sie dann an die GPU – ein zusätzlicher Schritt, der bei jedem Vorgang Latenz verursacht. Neue Ansätze ermöglichen es GPUs, Daten direkt vom Speicher anzufordern und so den CPU-Engpass vollständig zu umgehen.
Die GPUDirect-Storage-Technologie von NVIDIA und die dazugehörigen Open-Source-cuFile-APIs sind ein deutliches Beispiel für diesen Trend. Indem GPU-Threads direkt auf den Speicher lesen und schreiben können – unter Nutzung von Speicher mit hoher Bandbreite und massiv-paralleler Verarbeitung –, kann diese Art von Architektur die Datenzugriffszeit von Millisekunden auf Mikrosekunden verkürzen und damit eine Lücke schließen, die laut einer Ankündigung von NVIDIA vor vierzig Jahren noch in Minuten gemessen wurde. NVIDIA hat diese APIs kürzlich gemeinsam mit Google, Intel und Meta als Gründungsmitgliedern als Open-Source-Software veröffentlicht und damit signalisiert, dass der direkte Zugriff von der GPU auf den Speicher zunehmend zu einem Industriestandard und nicht mehr nur zu einer proprietären Funktion wird.
Für Unternehmen ist dies aus einem ganz praktischen Grund von Bedeutung: Die Technologie, die früher Hyperscaler von anderen unterschied, wird nun als offener, interoperabler Standard verfügbar, den Speicheranbieter in ihre eigenen Produkte integrieren können – einschließlich der Systeme, die mittelständische Unternehmen bereits betreiben.
Der Aufstieg der KI-nativen Speicherarchitektur
Neben dem direkten Datenzugriff zeichnet sich im Jahr 2026 das Aufkommen dessen ab, was Analysten und Anbieter mittlerweile als „AI-native“ Speicher bezeichnen – eine Architektur, die speziell für KI-Workloads entwickelt wurde und nicht aus herkömmlichen Unternehmensspeichern abgeleitet ist.
Dieser Wandel wird durch mehrere Trends geprägt:
Skalierbare Frameworks für beschleunigten Datenzugriff. Anstatt ganze Datensätze in den Arbeitsspeicher zu laden, ermöglichen Initiativen wie das SCADA-Framework von NVIDIA den GPUs, nur den spezifischen Teil der Daten, den eine Anwendung tatsächlich benötigt, direkt vom Speicher in den Hochgeschwindigkeitsspeicher abzurufen – wodurch die verschwendete Bandbreite drastisch reduziert wird.
Branchenweite Standardisierungsbemühungen. Breite Bündnisse aus Speicheranbietern, Controller-Herstellern, Anbietern von Kühl- und Orchestrierungslösungen sowie Normungsgremien arbeiten nun im Rahmen von Initiativen wie „Storage-Next“ zusammen, um zu definieren, wie sich GPU-gestützter Speicher verhalten soll, damit Systeme verschiedener Anbieter miteinander kompatibel sind und Unternehmen nicht an einen einzigen Stack gebunden sind.
Kontext-Speicherebenen für agentenbasierte KI. Da KI-Agenten längere Konversationen führen und längere Aufgabenhistorien speichern, entsteht eine neue Speicherebene – wie beispielsweise der CMX Context Memory Storage von NVIDIA –, die speziell dafür ausgelegt ist, diesen „Kontext“ zu speichern, getrennt sowohl vom schnellen Arbeitsspeicher als auch vom herkömmlichen Cold Storage, und die entwickelt wurde, um lang andauernde KI-Inferenzprozesse mit mehreren Interaktionsrunden zu unterstützen.
Konsolidierung hin zu einheitlichen Plattformen. Gartner prognostiziert, dass bis 2029 mehr als 60 % der Unternehmen separate Speicherprodukte durch eine einzige Plattform ersetzen werden, die sowohl strukturierte als auch unstrukturierte Daten bedient – ein Anstieg gegenüber weniger als 25 % Anfang 2026. Dies ist ein Zeichen dafür, dass fragmentierte Speicher-Stacks zunehmend zu einer Belastung werden und nicht mehr nur eine Unannehmlichkeit darstellen.
Wachstum der KI vor Ort. Es wird erwartet, dass bis 2028 mehr als 20 % der Unternehmen KI-Trainings- oder Inferenz-Workloads vor Ort ausführen werden – ein Anstieg gegenüber weniger als 2 % zu Beginn des Jahres 2026. Das bedeutet, dass viele Unternehmen intern KI-fähigen Speicher aufbauen müssen, anstatt sich ausschließlich auf die Cloud zu verlassen.
Für IT-Verantwortliche in Unternehmen lautet die Erkenntnis nicht, dass sie über Nacht ausgefallene neue Hardware anschaffen müssen. Vielmehr geht es darum, dass Kaufentscheidungen im Bereich Speicher, die noch vor zwölf Monaten getroffen wurden, möglicherweise bereits heute nicht mehr mit dem tatsächlichen Verhalten von KI-Workloads im Jahr 2026 übereinstimmen.
Sicherheit darf kein nachträglicher Einfall sein: Schutz der KI-Datenpipeline
Ein schnellerer Datenzugriff birgt ein neues Risiko: Wenn eine Anwendung direkt mit einem Laufwerk kommunizieren kann, kann ein schlecht konzipiertes System auch Daten lesen oder überschreiben, auf die es eigentlich keinen Zugriff haben sollte. Da Speichermedien immer schneller werden und immer direkter mit den Rechenressourcen verbunden sind, vergrößert sich auch ihre Angriffsfläche – und sie werden zu einem attraktiveren Ziel.
Die branchenweit sich abzeichnende Antwort lautet „Security by Design“ statt nachträglicher Sicherheitsmaßnahmen nach der Bereitstellung – ein Ansatz, den NVIDIA als Kernstück seiner SCADA-Architektur beschreibt, die auf dem einheitlichen NVIDIA DOCA-Sicherheitsstack basiert. Dies beinhaltet in der Regel die Aufteilung der Workloads in zwei Zonen: Die leistungsintensiven Teile einer Anwendung werden außerhalb der Trusted Computing Base ausgeführt, während eine separate, privilegierte Komponente die Zugriffsrichtlinien bereits bei der Einrichtung durchsetzt und dabei durchgehend Standard-Sicherheitsprotokolle befolgt. Die kontinuierliche Durchsetzung von Richtlinien direkt im Datenpfad – und nicht nur am Netzwerkperimeter – wird zunehmend zur Grundvoraussetzung für KI-fähige Speichersysteme.
Die Dringlichkeit ist hier keineswegs rein theoretischer Natur. Laut der von Intelligent CIO zitierten Umfrage „2026 Global Digital Trust Insights“ von PwC zählen mittlerweile 60 % der Führungskräfte aus Wirtschaft und Technologie Investitionen in den Schutz vor Cyberrisiken zu ihren drei wichtigsten strategischen Prioritäten, und Angreifer setzen zunehmend selbst KI ein, um ihre Angriffe schwerer nachweisbar zu machen. Gartner prognostiziert, dass bis 2029 100 % der Speicherprodukte für Unternehmen über „Cyberstorage“-Funktionen zur aktiven Abwehr verfügen werden, die über einfache Datensicherung und -wiederherstellung hinausgehen – gegenüber etwa 20 % Anfang 2026. Mit anderen Worten: Speicher, der sich nicht in Echtzeit verteidigen kann, wird schnell zur Ausnahme und nicht mehr zur Norm.
Für jedes Unternehmen, das KI-Systeme aufbaut oder skaliert, bedeutet dies, dass Entscheidungen zur Speichersicherheit nicht mehr ausschließlich beim Infrastrukturteam liegen dürfen. Sie müssen Teil derselben Diskussion sein wie die KI-Strategie selbst – und genau hier liefert eine spezialisierte Cybersicherheitsberatung für KI-Umgebungen in der Regel schon frühzeitig den größten Mehrwert.
Marktwachstum: Die Zahlen hinter dem KI-Speicherboom
Das Ausmaß der Investitionen in KI-Speicher spiegelt wider, wie zentral diese Ebene mittlerweile geworden ist. Mehrere Marktforschungsunternehmen schätzen den weltweiten Markt für KI-gestützte Speicherlösungen im Jahr 2026 auf etwa 30 bis 36 Milliarden US-Dollar, wobei die Wachstumsprognosen von einer stabilen mittleren einstelligen CAGR in konservativeren Schätzungen bis zu über 24 % jährlich in optimistischeren Prognosen reichen, die bis Mitte der 2030er Jahre reichen. Der breiter gefasste Markt für Rechenzentrumsspeicher wird für das Jahr 2026 auf fast 89 Milliarden US-Dollar geschätzt und soll bis 2032 auf rund 143 Milliarden US-Dollar ansteigen, was vor allem auf hyperskalierte KI-Implementierungen zurückzuführen ist. Die weltweiten IT-Ausgaben insgesamt werden im Jahr 2026 voraussichtlich die Marke von 6 Billionen US-Dollar überschreiten, wobei die KI-Infrastruktur als einer der wichtigsten Wachstumstreiber genannt wird.
Hinter diesen Zahlen verbirgt sich eine weniger erfreuliche Realität: Der gleiche KI-Boom, der die Investitionen in Speichersysteme antreibt, belastet auch das Angebot an Speicherbausteinen, auf die diese Systeme angewiesen sind. Analysten bezeichnen das Jahr 2026 weitgehend als den Beginn eines mehrjährigen Speicher-„Superzyklus“, bei dem die HBM-Produktion bis weit ins Jahr hinein ausverkauft ist und die Preise für herkömmlichen DRAM und NAND stark ansteigen, da die Hersteller ihre Kapazitäten auf KI-optimierte Chips umstellen. Für Unternehmen bedeutet dies, dass Beschaffungsentscheidungen für Speicher und Arbeitsspeicher zunehmend Monate und nicht mehr nur Wochen im Voraus geplant werden müssen.
Was das für Ihr Unternehmen bedeutet: Eine praktische Checkliste
Unternehmen müssen keine Infrastruktur auf Hyperscaler-Niveau nachbauen, um von diesen Trends zu profitieren. Was sie hingegen benötigen, ist eine nüchterne Einschätzung, ob ihre derzeitige Speicherlösung tatsächlich die Ziele ihrer KI-Roadmap unterstützen kann. Hier sind einige hilfreiche Fragen, die sie sich stellen sollten:
Kann Ihr Speichersystem mit Ihren GPUs Schritt halten? Wenn KI-Workloads regelmäßig ins Stocken geraten, weil sie auf Daten warten müssen, liegt der Engpass sehr oft in der Speicherarchitektur und nicht in der Rechenkapazität.
Wird der Datenzugriff bei Ihnen immer noch vollständig über die CPU geleitet? Wenn ja, zahlen Sie wahrscheinlich einen Latenzpreis, den neuere, direktere Architekturen beseitigen sollen.
Verfügen Sie über eine einheitliche Übersicht über strukturierte und unstrukturierte Daten, oder müssen KI-Teams Daten aus mehreren voneinander getrennten Systemen zusammenführen?
Wird die Sicherheit auf der Speicherebene selbst durchgesetzt oder nur am Netzwerkperimeter – wodurch genau dort eine Lücke entsteht, wo KI-Agenten heute tätig sind?
Haben Sie in Ihrer KI-Roadmap angesichts der aktuellen Lieferengpässe Schwankungen bei den Speicher- und Speicherpreisen einkalkuliert?
Planen Sie die Speicherkapazität auf der Grundlage der aktuellen KI-Pilotprojekte oder auf der Grundlage des Umfangs, den Sie in 18 bis 24 Monaten erwarten?
Diese Fragen ehrlich zu beantworten – idealerweise im Rahmen eines externen Audits der technischen Infrastruktur – ist in der Regel weitaus kostengünstiger, als die Lücken erst mitten in der Einführungsphase zu entdecken, wenn ein Vorzeigeprojekt im Bereich KI bereits hinter dem Zeitplan zurückliegt.
Der Weg in die Zukunft: Was uns nach 2026 erwartet
Die Entwicklungstendenz ist in den Prognosen der Analysten weitgehend einheitlich. Es wird erwartet, dass sich Speicher und Sicherheit weiter annähern und sich der Schwerpunkt von reaktiven Backups hin zu aktiven, integrierten Schutzmaßnahmen verlagert. Der Einsatz von KI vor Ort dürfte bis 2028 erheblich zunehmen, da Unternehmen eher auf Kostenkontrolle und Datenhoheit setzen, anstatt sich ausschließlich auf KI-Dienste in der Cloud zu verlassen. Standardisierungsbemühungen rund um den direkten Zugriff von GPUs auf Speicher werden wahrscheinlich dazu führen, dass fortschrittliche Leistungsfunktionen bei einer größeren Bandbreite von Anbietern verfügbar werden, nicht nur bei den größten Cloud-Anbietern. Und einheitliche Speicherplattformen, die sowohl strukturierte als auch unstrukturierte Daten verarbeiten, werden bis zum Ende des Jahrzehnts voraussichtlich eher die Regel als die Ausnahme sein.
Das bedeutet jedoch nicht, dass jedes Unternehmen seine Infrastruktur sofort grundlegend umgestalten muss. Es bedeutet vielmehr, dass die Speicherstrategie bei der KI-Strategie und -Beratung dieselbe Aufmerksamkeit verdient wie die Modellauswahl und die Beschaffung von Rechenleistung – denn zunehmend ist es diese Ebene, die darüber entscheidet, ob eine KI-Initiative tatsächlich in die Produktion gelangt.
Fazit
Der Erfolg der KI im Jahr 2026 hängt weniger davon ab, wer über die meisten GPUs verfügt, sondern vielmehr davon, wer diese GPUs schnell genug, sicher genug und zuverlässig genug mit Daten versorgen kann, damit sie kontinuierlich arbeiten. Die Speicherung hat sich still und leise vom Backoffice ins Zentrum der KI-Strategie von Unternehmen verlagert. Unternehmen, die diesen Wandel erkennen – und ihre Infrastruktur entsprechend überprüfen –, sind in der Lage, KI souverän zu skalieren. Diejenigen, die dies nicht tun, werden sich wahrscheinlich weiterhin fragen, warum ihre KI-Projekte langsamer und teurer sind, als sie eigentlich sein sollten.
Sind Sie sich nicht sicher, ob Ihre derzeitige Infrastruktur Ihre KI-Roadmap tatsächlich unterstützen kann?
Das Team von TechNow unterstützt mittelständische Unternehmen dabei, ihre Daten- und Speicherbereitschaft vor der Einführung von KI zu bewerten – kontaktieren Sie uns für eine kostenlose Erstberatung.
FAQs
Warum ist Speicher plötzlich so wichtig für KI, wo er doch früher eher eine Nebensache war?
Weil KI-Workloads – insbesondere KI-Agenten – Daten mittlerweile kontinuierlich und nicht mehr nur gelegentlich generieren und abrufen. Wenn der Speicher die Daten nicht so schnell bereitstellen kann, wie GPUs sie verarbeiten können, bleibt teure Rechenleistung ungenutzt, was KI-Projekte unbemerkt verlangsamt – eine Entwicklung, die leicht übersehen wird, bis Kosten oder Zeitpläne aus dem Ruder laufen.
Was ist KI-nativer Speicher?
KI-nativer Speicher bezeichnet Systeme, die speziell für KI-Workloads entwickelt wurden – sie ermöglichen einen direkten Zugriff mit geringer Latenz zwischen GPUs und Daten, unterstützen KI-Agenten mit langem Kontext und setzen Sicherheitsrichtlinien direkt im Datenpfad durch, anstatt sich auf Speicherarchitekturen zu verlassen, die ursprünglich für traditionelle Unternehmensanwendungen konzipiert wurden.
Was ist GPUDirect Storage oder direkter Zugriff von der GPU auf den Speicher?
Es handelt sich um einen Ansatz, bei dem GPUs Daten direkt vom Speicher lesen und in diesen schreiben können, wobei der herkömmliche, von der CPU vermittelte Pfad umgangen wird. Dies reduziert die Latenz drastisch – oft auf Mikrosekunden – und entwickelt sich zunehmend zu einem offenen, interoperablen Standard, anstatt eine proprietäre Funktion eines einzelnen Anbieters zu bleiben.
Wird sich die Knappheit an Speicher und Speichermedien für KI auch auf kleinere Unternehmen auswirken?
Ja. Da große Speicherhersteller den Schwerpunkt auf margenstarke, für KI optimierte Chips legen, verschärfen sich Angebot und Preise für herkömmliche Speicher- und Speicherkomponenten auf breiter Front – nicht nur für Hyperscale-KI-Labore. Unternehmen jeder Größe sollten bei der Planung von Infrastruktur-Upgrades in naher Zukunft mit längeren Vorlaufzeiten und höheren Kosten rechnen.
Benötigen wir hochmodernen Speicher auf Hyperscaler-Niveau, um KI im Unternehmen erfolgreich einzusetzen?
Nein. Die meisten Unternehmen benötigen keine Infrastruktur im Hyperscaler-Maßstab – sie benötigen Speicher, der richtig dimensioniert, von Grund auf sicher und architektonisch auf die Art und Weise abgestimmt ist, wie ihre spezifischen KI-Workloads tatsächlich auf Daten zugreifen. Ein gezieltes Infrastruktur-Audit ist in der Regel weitaus wertvoller als der Kauf der fortschrittlichsten verfügbaren Hardware.
Inwiefern hängt Speichersicherheit mit der KI-Sicherheit insgesamt zusammen?
Direkter, schneller Datenzugriff schafft eine größere Angriffsfläche, wenn er nicht sorgfältig konzipiert ist. Da KI-Agenten Daten zunehmend automatisch lesen und schreiben, ohne dass bei jeder Anfrage ein Mensch involviert ist, sind Zugriffskontrollen auf Speicherebene und die kontinuierliche Durchsetzung von Richtlinien zu einem zentralen Bestandteil der gesamten KI-Sicherheit geworden – und nicht mehr nur ein separates IT-Anliegen.