Decision Engine: Anwendungsfälle

Private Preview. Die Vorlagen sind hinterlegt und per API, im Chat und per MCP nutzbar. Fragen und Optionen können sich während der Preview noch ändern; jede Vorlage trägt deshalb eine Versionsnummer, die in jeder Antwort mitkommt.

Die Decision Engine beantwortet keine Frage mit einem Text, sondern mit Wahrscheinlichkeiten über feste Antwortmöglichkeiten. Diese Seite zeigt, wofür das im Alltag taugt — anhand der neun Vorlagen, die SovrGPT mitbringt.

Was eine Vorlage ist

Eine Vorlage (englisch preset) ist ein serverseitig hinterlegtes Fragenpaket: ein bis mehrere Fragen mit festen Optionen, Stufen oder Ja/Nein, dazu eine kurze Anweisung je Frage. Sie schicken nur die Kennung der Vorlage und den Zustand — den Text, das Dokument oder das JSON-Objekt, über das entschieden werden soll. Die Fragen liegen bei uns, damit sie bei jedem Aufruf und bei jedem Kunden gleich lauten. Das ist die Voraussetzung dafür, dass wir sie später kalibrieren und Qualitätsberichte je Vorlage liefern können.

So rufen Sie eine Vorlage auf

curl https://sovrgpt.com/api/v1/decisions \
  -H "Authorization: Bearer $SOVR_KEY" -H "content-type: application/json" \
  -d '{
    "preset": "ticket-routing-v1",
    "state": "Seit heute früh kann ich mich nicht mehr anmelden."
  }'

Drei Dinge gelten für jede Vorlage auf dieser Seite:

• Antworten sind Empfehlungen. Jede Antwort trägt abstain — in der Vorgabe review_only immer true. Ihr Workflow entscheidet, was daraus folgt; die Engine handelt nicht. Wie Sie stattdessen eine Schwellenregel setzen, steht unter Freigabe.
• Jede Auswahlfrage hat eine fachliche Enthaltung — eine Option wie unclear oder other, immer die letzte. Wählt das Modell sie, bleibt abstain auch mit Schwellenregel true. Für „unsicher → Mensch prüft“ ist das der verlässlichere Weg als eine Prozentzahl.
• Zwei Vorlagen erwarten ein JSON-Objekt als Zustand (Antrag vollständig? und Quellentreue-Prüfung). Dort schicken Sie das Objekt direkt als state, nicht als Zeichenkette — die Fragen nehmen auf seine Felder Bezug.

Die vollständige Liste mit allen Fragen und Beispielzuständen liefert GET /v1/decisions/presets.

Ticket-Routing

Kennung: ticket-routing-v1 · Für: Kundenservice, Helpdesk, Shared-Service-Center

Ein Support-Postfach oder Ticketsystem bekommt Nachrichten, die jemand lesen, einem Team zuweisen und nach Dringlichkeit ordnen muss, bevor überhaupt jemand antwortet. Das Ticketsystem schickt den Nachrichtentext als Zustand; zurück kommen Team, Dringlichkeitsstufe, Prüfbedarf und Sprache als Felder, nach denen sich die Warteschlange direkt sortieren lässt. Eine Chat-Antwort wäre hier eine Erklärung, die niemand liest — gebraucht wird je Ticket eine Zuordnung in Millisekunden, mit Wahrscheinlichkeit.

curl https://sovrgpt.com/api/v1/decisions \
  -H "Authorization: Bearer $SOVR_KEY" -H "content-type: application/json" \
  -d '{
    "preset": "ticket-routing-v1",
    "state": "Seit heute früh kann ich mich nicht mehr anmelden. Außerdem wurde meine Rechnung für September doppelt abgebucht — bitte prüfen Sie das dringend."
  }'

So nutzen Sie die Antwort. team bestimmt die Warteschlange, urgency die Position darin, language die Vorlage der Erstantwort. unclear und jedes Ticket mit needs_human: true sieht eine Person, bevor eine Antwort rausgeht — die Engine leitet weiter, sie antwortet nicht.

Zum Selberbauen. Ersetzen Sie die drei Teams durch Ihre eigenen — die Beschreibung je Option ist der Text, den das Modell liest, also lieber „Rechnungen, Zahlungen, Erstattungen“ als nur „Buchhaltung“. Die Enthaltung unclear bleibt an letzter Stelle.

Posteingang-Klassifikation

Kennung: inbox-document-v1 · Für: Verwaltung, Backoffice, Poststelle, Buchhaltung

Eine zentrale Postadresse oder ein Scan-Postfach erhält täglich Dutzende Schreiben: Lieferantenrechnungen, Mahnungen, Verträge, Bewerbungen, Behördenpost, Werbung. Bisher öffnet eine Person jedes Dokument, liest es an und leitet es weiter — die Frist steht oft erst auf Seite zwei. Das DMS oder der Mailserver liefert den OCR-Text als Zustand; danach setzt ein Workflow Ablagefach, Zuständigkeit und Fristen-Flag, und Dokumente mit hohem Handlungsbedarf stehen sofort oben in der Liste. Gebraucht wird je Dokument ein Feld mit Wahrscheinlichkeit, in Millisekunden und zu Bruchteilen eines Cents.

curl https://sovrgpt.com/api/v1/decisions \
  -H "Authorization: Bearer $SOVR_KEY" -H "content-type: application/json" \
  -d '{
    "preset": "inbox-document-v1",
    "state": "Sehr geehrte Damen und Herren,\n\nzu unserer Rechnung Nr. 2026-0871 vom 12.08.2026 über 1.845,20 € haben wir bislang keinen Zahlungseingang festgestellt. Wir bitten um Ausgleich bis spätestens 30.09.2026. Sollte die Zahlung bereits erfolgt sein, betrachten Sie dieses Schreiben als gegenstandslos.\n\nMit freundlichen Grüßen\nBuchhaltung Müller & Sohn GmbH"
  }'

So nutzen Sie die Antwort. doc_type wählt das Ablagefach und die zuständige Stelle, has_deadline setzt die Wiedervorlage, action_level sortiert die Liste. Alles, was other ist, eine Frist trägt oder Handlungsbedarf 3–4 hat, geht an eine Person — die Engine sortiert vor, sie erledigt nichts.

Zum Selberbauen. Der Zustand ist der OCR-Text; Kopf- und Fußzeilen dürfen drin bleiben. Wer eigene Dokumentarten braucht (Lieferschein, Auftragsbestätigung), fügt sie als Optionen mit einer klaren Abgrenzung hinzu und behält other am Ende.

Kundenfeedback-Analyse

Kennung: customer-feedback-v1 · Für: Kundenservice, Customer Success, Produktmanagement

Nach Kauf, Support-Kontakt oder Vertragsjahr sammeln Unternehmen Freitext-Feedback über Umfragen, Shop-Bewertungen und Social Media — oft tausende Einträge, die niemand vollständig liest. Der Text (optional mit NPS-Wert oder Quelle als JSON) ist der Zustand; danach wandern vier Werte ins CRM oder BI-System: hohes Abwanderungsrisiko löst eine Aufgabe für Customer Success aus, Themenverteilungen füttern das Produkt-Dashboard, und nur Feedback mit „Antwort nötig“ landet in der Bearbeitungs-Queue. Ein Chat-Modell könnte jede Bewertung zusammenfassen — gebraucht werden aber vier vergleichbare Felder je Eintrag, an denen sich Schwellen setzen lassen.

curl https://sovrgpt.com/api/v1/decisions \
  -H "Authorization: Bearer $SOVR_KEY" -H "content-type: application/json" \
  -d '{
    "preset": "customer-feedback-v1",
    "state": "Die Kamera macht bei Tageslicht wirklich gute Bilder, aber nachts ist alles verrauscht, da hilft auch der Nachtmodus nicht. Der Support hat freundlich geantwortet, konnte aber nichts ändern. Für 349 € hätte ich mehr erwartet. Wenn das angekündigte Firmware-Update nichts bringt, geht sie zurück."
  }'

So nutzen Sie die Antwort. Abwanderungsrisiko 2–3 und jede needs_response: true-Einstufung bearbeitet eine Person; topic und sentiment gehen aggregiert ins Dashboard. Die Engine entscheidet, wer zuerst drankommt — nie, was geantwortet wird.

Zum Selberbauen. Für sentiment und churn_risk liefert expected_index einen feineren Wert als die gewählte Stufe — nützlich, wenn Sie Verläufe über Monate zeichnen. Nehmen Sie dafür sovr-decision-v2, dessen Wahrscheinlichkeiten feiner aufgelöst sind.

Lead-Qualifizierung

Kennung: lead-qualification-v1 · Für: Vertrieb, Inside Sales, Marketing-Automation

Über Website-Formular, Messe und E-Mail kommen täglich Anfragen, von der Bachelorarbeit bis zur Ausschreibung eines Konzerns. Der Vertrieb sollte die wenigen heißen Leads innerhalb einer Stunde anrufen, arbeitet die Liste aber chronologisch ab. Der Anfragetext (plus Formularfelder wie Firma oder Mitarbeiterzahl) ist der Zustand; danach bildet das CRM aus Passung und Zeithorizont eine Priorität: hoher Fit mit kurzem Horizont geht sofort an einen Account Manager, schwacher Fit ohne Zeitrahmen in die Nurturing-Strecke. Der Vertrieb braucht vier Felder, die in jedem Datensatz gleich heißen und sich nach Schwelle sortieren lassen.

curl https://sovrgpt.com/api/v1/decisions \
  -H "Authorization: Bearer $SOVR_KEY" -H "content-type: application/json" \
  -d '{
    "preset": "lead-qualification-v1",
    "state": "Betreff: Anfrage KI-Assistent\n\nGuten Tag, ich bin IT-Leiterin eines Maschinenbauunternehmens mit rund 850 Mitarbeitenden an drei Standorten. Wir suchen bis Ende Oktober eine DSGVO-konforme KI-Lösung für unsere 120 Konstrukteure, da unser bisheriger Anbieter zum 31.12. den Dienst einstellt. Das Budget für 2027 ist freigegeben. Können wir nächste Woche telefonieren?\n\nViele Grüße\nDr. Karin Vogt"
  }'

So nutzen Sie die Antwort. Aus fit und timeline wird eine Priorität; hoher Fit mit timeline 3–4 geht sofort an eine Person. Die Engine priorisiert, sie disqualifiziert nicht — jede Anfrage bleibt sichtbar, und über Angebot und Kontakt entscheidet der Vertrieb.

Zum Selberbauen. Formularfelder gehören mit in den Zustand, am einfachsten als JSON-Objekt mit dem Freitext als einem Feld. Wer eine Branchen-Frage braucht, fügt sie als Auswahl mit einer other-Option hinzu.

Behörden-Posteingang

Kennung: behoerden-posteingang-v1 · Für: Verwaltung

Die Poststelle einer Stadtverwaltung erhält täglich hunderte E-Mails und gescannte Briefe — Anträge, Widersprüche, Beschwerden, Hinweise, Werbung. Bisher liest eine Mitarbeiterin jede Nachricht und verteilt sie von Hand; bei fristgebundenen Widersprüchen ist jeder Tag Liegezeit ein Haftungsrisiko. Die Engine liefert je Nachricht vier maschinenlesbare Werte, mit denen das Dokumentenmanagement die Nachricht in den richtigen Eingangskorb legt, Fristsachen mit Wiedervorlage versieht und Eskalationen der Amtsleitung vorlegt — mit einer Regel wie „unclear oder Prüfbedarf → Poststelle, sonst Eingangskorb“.

curl https://sovrgpt.com/api/v1/decisions \
  -H "Authorization: Bearer $SOVR_KEY" -H "content-type: application/json" \
  -d '{
    "preset": "behoerden-posteingang-v1",
    "state": "Sehr geehrte Damen und Herren, gegen den Bußgeldbescheid vom 3. September 2026 (Az. 0815/26, Parken im eingeschränkten Halteverbot) lege ich hiermit fristgerecht Widerspruch ein. Mein Fahrzeug stand zum genannten Zeitpunkt nachweislich in der Werkstatt, die Rechnung liegt bei. Ich bitte um Aufhebung des Bescheids. Mit freundlichen Grüßen, Katrin Vogel"
  }'

So nutzen Sie die Antwort. zustaendigkeit wählt den Eingangskorb, fristrelevant setzt die Wiedervorlage, eskalation legt den Vorgang der Amtsleitung vor. unclear und alles unter der Schwelle bleibt in der Poststelle; Widersprüche und Eskalationen werden nie ohne Sichtung durch eine Sachbearbeiterin abgelegt, und die Engine antwortet niemals selbst.

Zum Selberbauen. Die fünf Bereiche sind eine typische, keine vollständige Verwaltungsgliederung. Passen Sie die Optionen an Ihren Organisationsplan an — je Option eine Aufzählung der Aufgaben, wie oben, damit das Modell „Hundesteuer“ der Kämmerei zuordnet und nicht dem Ordnungsamt.

Antrag vollständig?

Kennung: antrag-vollstaendigkeit-v1 · Für: Verwaltung · Zustand: JSON-Objekt

Ein Online-Antragsportal (Wohngeld, Kita-Platz, Grundsicherung) speichert jeden Antrag als strukturierten Datensatz mit Pflichtfeldern, Unterlagenliste und Scan-Status. Nach dem Eingang muss jemand prüfen, ob überhaupt bearbeitet werden kann oder zuerst nachgefordert werden muss — heute eine manuelle Sichtung, die Tage dauert und die Bearbeitungsfrist auffrisst. Die Engine beantwortet die Vorprüfung sofort: vollständig oder nicht, was fehlt, ob die Angaben in sich stimmig sind und welcher Schritt folgt. Weil die Antwort strukturiert ist, kann das Fachverfahren daraus direkt ein Nachforderungsschreiben mit der richtigen Unterlagenliste vorbereiten oder den Antrag in die Sachbearbeitung geben.

Der Zustand ist ein Objekt mit den Feldern antragsart, eingangsdatum, pflichtfelder (Objekt), erforderliche_unterlagen (Liste von Namen), eingereichte_unterlagen (Liste mit name und lesbar), unterschrift_vorhanden und anmerkung.

curl https://sovrgpt.com/api/v1/decisions \
  -H "Authorization: Bearer $SOVR_KEY" -H "content-type: application/json" \
  -d '{
    "preset": "antrag-vollstaendigkeit-v1",
    "state": {
      "antragsart": "Wohngeld (Mietzuschuss)",
      "eingangsdatum": "2026-09-18",
      "pflichtfelder": { "name": "Anna Berger", "geburtsdatum": "1987-04-12", "anschrift": "Lutherstraße 4, 07743 Jena", "haushaltsmitglieder": 2, "iban": "DE89370400440532013000" },
      "erforderliche_unterlagen": ["Mietvertrag", "Einkommensnachweis", "Mietbescheinigung"],
      "eingereichte_unterlagen": [ { "name": "Mietvertrag", "lesbar": true }, { "name": "Einkommensnachweis", "lesbar": false } ],
      "unterschrift_vorhanden": true,
      "anmerkung": "Einkommensnachweis ist ein unscharfes Handyfoto."
    }
  }'

So nutzen Sie die Antwort. naechster_schritt steuert das Fachverfahren: nachfordern bereitet das Schreiben mit der Unterlagenliste vor, bearbeiten gibt den Antrag frei. Jedes Nachforderungsschreiben wird vor dem Versand freigegeben, ruecksprache und unclear landen immer bei einer Sachbearbeiterin, und über die Bewilligung entscheidet die Engine nie.

Zum Selberbauen. Die Feldnamen sind Teil der Frage — wer andere Feldnamen im Portal hat, bildet sie vor dem Aufruf auf diese ab oder schreibt eigene Fragen, die die eigenen Namen nennen. Nicht den Zustand als Zeichenkette schicken: das Objekt wird kanonisch serialisiert, damit derselbe Antrag immer denselben Zustand ergibt.

Freigabe-Check Veröffentlichung

Kennung: veroeffentlichung-check-v1 · Für: Kommunikation, Datenschutz und Compliance, Verwaltung

Pressestelle, Social-Media-Team und Fachbereiche einer Behörde oder eines Unternehmens veröffentlichen täglich Texte — Pressemitteilungen, Posts, FAQ-Antworten, Newsletter, öffentliche Ratsvorlagen. Ein typischer Datenschutzvorfall ist kein Angriff, sondern ein gut gemeinter Text, der Namen, Adressen, Kennzeichen oder Gesundheitsangaben Dritter nennt. Die Engine prüft jeden Entwurf vor dem Klick auf „Veröffentlichen“ und liefert eine Freigabeempfehlung, die das Redaktionssystem als Ampel anzeigen oder als Sperre durchsetzen kann — für jeden Entwurf, nicht nur für die, bei denen jemand Zweifel hat.

Der Zustand ist der zu prüfende Text; eine erste Zeile Kanal: … beschreibt nur das Medium und gehört nicht zum Text.

curl https://sovrgpt.com/api/v1/decisions \
  -H "Authorization: Bearer $SOVR_KEY" -H "content-type: application/json" \
  -d '{
    "preset": "veroeffentlichung-check-v1",
    "state": "Kanal: Facebook-Seite der Stadt\n\nWas für ein Fest! Über 2.000 Gäste haben gestern mit uns den Marktplatz gefüllt. Ein besonderer Dank geht an Familie Schmidt aus der Goethestraße 12, die den Kuchenstand organisiert hat, und an die Freiwillige Feuerwehr für die Absicherung. Oberbürgermeisterin Dr. Müller eröffnete das Fest um 14 Uhr."
  }'

So nutzen Sie die Antwort. freigeben ist eine Empfehlung an die Redaktion, keine Freigabe. nicht_freigeben und unclear gehen immer an Datenschutzbeauftragte oder Rechtsabteilung; ueberarbeiten geht mit den beiden Ja/Nein-Werten als Hinweis an die Verfasserin zurück. Kein Text wird durch die Engine verändert.

Zum Selberbauen. Die Kanal-Zeile ist der Platz für Kontext, den das Modell kennen soll, ohne dass er geprüft wird — etwa die Zielgruppe oder ob Humor zum Kanal passt. Eine Rechtsprüfung ersetzt die Vorlage nicht.

Agenten-Weiche

Kennung: agent-handoff-v1 · Für: KI-Agenten, Plattform-Entwicklung

Ein Assistent, der Websuche, Firmenwissen und menschliche Übergabe kennt, muss vor jeder Antwort entscheiden, welchen Weg er nimmt — heute meist ein Nebensatz im Prompt, den das Antwortmodell mal beachtet und mal nicht. Die Agenten-Weiche trifft diese Entscheidung als eigenen, messbaren Schritt, bevor das teure Antwortmodell überhaupt läuft: nur was die Websuche braucht, geht ins Netz; nur was interne Regeln betrifft, durchsucht die Wissensbasis; nur was ein Mensch entscheiden muss, landet in der Warteschlange. Mit dem Datenschutz-Flag kann der Workflow eine Anfrage vor der Websuche zurückhalten.

curl https://sovrgpt.com/api/v1/decisions \
  -H "Authorization: Bearer $SOVR_KEY" -H "content-type: application/json" \
  -d '{
    "preset": "agent-handoff-v1",
    "state": "Wie viele Urlaubstage habe ich laut unserer Betriebsvereinbarung im ersten Beschäftigungsjahr? Ich bin seit März dabei."
  }'

So nutzen Sie die Antwort. action wählt das Werkzeug, sensitive_data: true sperrt die Websuche für diese Anfrage. Bei human, bei unclear und ab risk 2 wird nicht automatisch geantwortet — ein Mensch sieht den Vorgang zuerst.

Zum Selberbauen. Statt eines einzelnen Textes können Sie den bisherigen Gesprächsverlauf als messages schicken ([{role, content}]), dann entscheidet die Weiche im Kontext. Eigene Werkzeuge werden eigene Optionen — mit dem Namen, den Ihr Agent intern benutzt.

Quellentreue-Prüfung

Kennung: grounding-check-v1 · Für: KI-Agenten, IT, Qualitätssicherung · Zustand: JSON-Objekt

Ein RAG-System liefert Antworten mit Quellen — aber im Betrieb prüft niemand, ob die Antwort die Quellen wirklich wiedergibt oder Vorwissen dazuerfindet. Die Quellentreue-Prüfung ist der Wächter nach der Antworterzeugung: sie bekommt Frage, Quellen und Antwort als einen Zustand und liefert Deckungsgrad, Erfindungs- und Widerspruchs-Flag sowie ein Freigabeurteil, bevor die Antwort an die fragende Person geht. Als Entscheidung statt Chat-Antwort ist das in Millisekunden erledigt und lässt sich als harte Regel in die Pipeline einbauen — ohne dass ein zweites Modell eine Erklärung schreibt, die wieder jemand parsen müsste.

Der Zustand ist ein Objekt mit question, sources (Liste von Texten) und answer.

curl https://sovrgpt.com/api/v1/decisions \
  -H "Authorization: Bearer $SOVR_KEY" -H "content-type: application/json" \
  -d '{
    "preset": "grounding-check-v1",
    "state": {
      "question": "Wie lange gilt die Garantie auf das Modell X200?",
      "sources": ["Produktblatt X200: Herstellergarantie 24 Monate ab Kaufdatum. Akkus sind von der Garantie ausgenommen."],
      "answer": "Die Garantie auf das X200 beträgt 24 Monate ab Kaufdatum; Akkus sind von der Garantie ausgenommen."
    }
  }'

So nutzen Sie die Antwort. release geht automatisch raus, revise und unclear landen in der Nachbearbeitung, block wird nie ausgeliefert. Jede Enthaltung wird mit Frage und Quellen protokolliert — das ist Ihr Prüfsatz für später.

Zum Selberbauen. Die Prüfung sieht nur, was in sources steht. Schicken Sie genau die Passagen mit, die das Antwortmodell bekommen hat — nicht mehr, nicht weniger — sonst bewertet der Wächter eine andere Grundlage als die Antwort.

Eigene Fragen entwerfen

Die Vorlagen sind Beispiele, keine Grenze: mit questions statt preset definieren Sie eigene Fragen. Was sich beim Bau der neun Vorlagen bewährt hat:

• Die Enthaltung ist die letzte Option. Jede Auswahlfrage über freien Text bekommt ein unclear oder other am Ende. Das Modell braucht einen erlaubten Ausweg, sonst zwingt die Frage es zu einer Zuordnung, die keiner will.
• Höchstens 26 Optionen, höchstens 10 Stufen. Jede Option bekommt einen Buchstaben, jede Stufe eine Ziffer. Mehr Trennschärfe bringt ohnehin keine längere Liste, sondern eine bessere Beschreibung je Option.
• Stufen sind geordnet, niedrigste zuerst. Eine Bewertung ist eine Skala, kein Sortiment — expected_index und normalized_score ergeben nur dann einen Sinn.
• Der Zustand ist Daten. Er wird nie als Anweisung gelesen; alles, was das Modell tun soll, steht in instructions. Ein „ignoriere alle Regeln“ im Zustand bleibt Text.
• Die Reihenfolge zählt. Optionen und Fragen werden in Quellreihenfolge bewertet, und ein Modell kann auf die Reihenfolge reagieren. Wer das ausschließen will, prüft mit vertauschten Optionen.
• Anweisungen kurz und entschieden. Sagen Sie, wonach entschieden wird („nach dem Hauptzweck, nicht nach Nebensätzen“) und wann die Enthaltung richtig ist. Beispiele helfen, Ausnahmen von Ausnahmen nicht.
• v2 für abgestufte Wahrscheinlichkeiten. sovr-decision-v1 ist sehr entschieden — meist 1,0 oder 0. Wenn Sie an max_probability oder expected_index Schwellen setzen wollen, nehmen Sie sovr-decision-v2.

Die Grenzen (Fragen, Zeichen, Bilder) und die Bedeutung der Antwortfelder stehen in der API-Referenz.

Im Produkt testen

• Playground: eingeloggt über die Seitenleiste → Decision Engine. Jede Vorlage lässt sich dort mit ihrem Beispielzustand oder eigenem Text ausführen — mit echter Inferenz und der vollständigen Antwort, inklusive Wahrscheinlichkeiten und abstain-Gründen.
• Im Chat als Werkzeug „Entscheiden“: aktivieren Sie die Pille Entscheiden im Eingabefeld. Das Sprachmodell ruft dann das Werkzeug decision_engine auf — mit einer Vorlage oder mit eigenen Fragen, die es aus Ihrer Bitte ableitet — und fasst die Entscheidung mit Wahrscheinlichkeiten zusammen. Praktisch, um eine Vorlage an echten Texten auszuprobieren, bevor Sie sie in einen Workflow einbauen.
• Per MCP: der authentifizierte MCP-Server bietet sovrgpt_decide (eine Entscheidung mit Vorlage oder eigenen Fragen) und sovrgpt_list_decision_presets (die Vorlagen mit Beispielzuständen). Der Schlüssel braucht den Scope decisions.

In allen drei Wegen läuft dieselbe Engine mit denselben Vorlagen — was im Playground funktioniert, verhält sich per API genauso.