Ergebnisse der Python-Entwickler-Umfrage 2024
Dies ist die achte jährliche Python-Entwicklerumfrage, die von der Python Software Foundation und JetBrains PyCharm gemeinsam durchgeführt wird.
Im Zeitraum zwischen Oktober und November 2024 nahmen mehr als 30.000 Python-Entwickler*innen und Python-Fans aus fast 200 Ländern und Regionen an der Umfrage teil, um zu einer Bestandsaufnahme rund um die Sprache und das dazugehörige Ökosystem beizutragen.
Sehen Sie sich auch die Ergebnisse der Python-Entwicklerumfrage aus den Jahren 2023, 2022, 2021, 2020, 2019, 2018 und 2017 an.
Teilen:
Python-Nutzung allgemein
Python als Haupt- und Nebensprache
Hauptsprache
Nebensprache
Verwendung von Python mit anderen Sprachen100+
Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.
Sprachen für Data Science und Web100+
45%
46%
SQL
34%
64%
JavaScript
32%
54%
HTML/CSS
31%
35%
Bash/Shell
29%
16%
C/C++
19%
13%
Java
14%
29%
TypeScript
11%
2%
R
10%
8%
C#
„Webentwicklung“ bezeichnet Personen, die bei der Frage „Wofür verwenden Sie Python am meisten?“ die Antwort Webentwicklung auswählten.
„Data Science“ bezeichnet Personen, die bei derselben Frage Datenanalyse oder Maschinelles Lernen auswählten.
Verwendung von Python mit anderen Sprachen100+
40%
43%
JavaScript
37%
35%
HTML/CSS
37%
30%
SQL
32%
25%
Bash/Shell
26%
37%
C/C++
17%
28%
Java
15%
24%
TypeScript
9%
18%
C#
8%
12%
Go
der befragten Python-Entwickler*innen üben eine kollaborative Entwicklung aus – 7 Prozentpunkte weniger als im Vorjahr.
Dieser Rückgang könnte auf die Erschöpfung im Home-Office zurückzuführen sein, wodurch Entwickler*innen individuelle Arbeitsabläufe bevorzugen, oder auf die Rückkehr ins Büro, wo die Zusammenarbeit anders verläuft.
Wie lange sind Sie schon in der IT-Branche tätig?
Weniger als 1 Jahr
1–2 Jahre
3–5 Jahre
6–10 Jahre
Mehr als 11 Jahre
Wie lange programmieren Sie schon in Python?
Weniger als 1 Jahr
1–2 Jahre
3–5 Jahre
6–10 Jahre
Mehr als 11 Jahre
Wussten Sie, dass Python die beliebteste Sprache ist, um Programmieren zu lernen?
Eine von fünf befragten Personen hat weniger als ein Jahr in Python programmiert, und über zwei Drittel der Informatik-Lernenden weltweit berichteten, dass sie Python im vergangenen Jahr sowohl zum Lernen als auch für die Arbeit verwendet haben.
In unserem Umfragebericht zur Lernkurve in der Informatik 2024 finden Sie aktuelle Trends, von Lernformaten und -tools bis hin zu Motivationen, Karrierezielen und häufigen Herausforderungen.
der Python-Nutzer*innen gaben an, im vergangenen Jahr zu Open-Source-Projekten beigetragen zu haben.
Wie würden Sie Ihre im vergangenen Jahr erfolgten Open-Source-Beiträge beschreiben?100+
Wo informieren Sie sich normalerweise über neue Tools und Technologien, die für Ihre Python-Entwicklung relevant sind?100+
55%
58%
Dokumentationen und APIs
45%
51%
YouTube
44%
41%
Python.org
42%
43%
Stack Overflow
41%
38%
Blogs
28%
22%
Bücher
19%
27%
KI-Tools
14%
13%
Online-Schulen für Programmierung und MOOCs
KI wird immer beliebter als Methode, um neue Tools und Technologien in Python zu lernen. Von 2023 bis 2024 stieg der Anteil der Lernenden, die KI zu diesem Zweck nutzen, von 19 % auf 27 %.
Verwendungszwecke von Python
Mit den Fragen in diesem Abschnitt wollten wir herausfinden, wofür die Befragten Python verwenden, an welchen Arten von Projekten sie beteiligt sind und wie sie die verschiedenen Verwendungszwecke kombinieren.
Für welchen Zweck verwenden Sie Python hauptsächlich?
Sowohl beruflich als auch privat
Für persönliche, bildungsbezogene oder Nebenprojekte
Für die Arbeit
Wofür verwenden Sie Python?100+
Verwendung von Python als Haupt- und Nebensprache100+
49%
42%
Datenanalyse
48%
34%
Webentwicklung
42%
33%
Maschinelles Lernen
33%
22%
Data Engineering
28%
23%
Web-Scraping und Parsing
28%
23%
Wissenschaftliche Forschung
26%
25%
DevOps / Systemadministration
Wofür verwenden Sie Python am meisten?
21%
23%
Webentwicklung
10%
13%
Maschinelles Lernen
10%
10%
Datenanalyse
9%
8%
Wissenschaftliche Forschung
9%
8%
Aus-/Weiterbildung, Unterricht
7%
6%
DevOps / Systemadministration / Schreiben von Automatisierungsskripten
6%
7%
Data Engineering
Bei dieser Frage durften die Befragten nur eine Haupttätigkeit auswählen.
Inwieweit sind Sie an folgenden Aktivitäten beteiligt?
Webentwicklung
Datenanalyse
Maschinelles Lernen
Data Engineering
Wissenschaftliche Forschung
DevOps / Systemadministration / Schreiben von Automatisierungsskripten
Aus-/Weiterbildung, Unterricht
Software-Tests, Schreiben von automatisierten Tests
Software-Prototyping
Design / Datenvisualisierung
Programmierung von Web-Parsern/-Scrapern/-Crawlern
Desktop-Entwicklung
Netzwerkprogrammierung
Python-Versionen
der befragten Python-Entwickler*innen nutzen weiterhin Python 2.
Python-3-Versionen
Installation und Upgrade von Python100+
Warum haben Sie kein Update auf die neueste Version vorgenommen?100+
Frameworks und Bibliotheken
Web-Frameworks100+
Prozentsätze werden innerhalb jeder Spalte berechnet.
| 2021 | 2022 | 2023 | 2024 | |
|---|---|---|---|---|
| 21% | 25% | 29% | 38% | FastAPI |
| 40% | 39% | 33% | 35% | Django |
| 41% | 39% | 33% | 34% | Flask |
| – | – | 30% | 33% | Requests |
| – | – | 20% | 23% | Asyncio |
| – | – | 18% | 20% | Django REST Framework |
| – | – | 12% | 15% | httpx |
| – | – | 12% | 13% | aiohttp |
| – | – | 8% | 12% | Streamlit |
| – | – | 6% | 8% | Starlette |
| 3% | 4% | 3% | 3% | web2py |
| 4% | 4% | 3% | 2% | Tornado |
| 3% | 3% | 3% | 2% | Bottle |
| 3% | 4% | 3% | 2% | CherryPy |
| 3% | 3% | 3% | 2% | Pyramid |
| 2% | 2% | 2% | 1% | Falcon |
| 1% | 2% | 1% | 1% | Hug |
| – | – | 2% | 1% | Quart |
| – | – | 2% | 1% | Twisted |
| 5% | 5% | 5% | 7% | Sonstiges |
| 29% | 27% | 23% | 19% | Keine |
Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.
Web-Frameworks100+
41%
56%
FastAPI
37%
39%
Flask
33%
42%
Requests
28%
61%
Django
22%
33%
Asyncio
22%
7%
Streamlit
13%
44%
Django REST Framework
Kreuznutzung von Web-Frameworks100+
Prozentsätze werden innerhalb jeder Spalte berechnet.
| Asyncio | Django | Django REST Framework | FastAPI | Requests | Starlette | Streamlit | aiohttp | httpx | |
|---|---|---|---|---|---|---|---|---|---|
| – | 26% | 33% | 42% | 45% | 69% | 37% | 81% | 56% | Asyncio |
| 38% | – | 93% | 42% | 41% | 37% | 38% | 39% | 38% | Django |
| 27% | 53% | – | 29% | 28% | 27% | 23% | 28% | 26% | Django REST Framework |
| 68% | 45% | 55% | – | 55% | 92% | 65% | 67% | 69% | FastAPI |
| 43% | 47% | 47% | 45% | 47% | 35% | 51% | 42% | 36% | Flask |
| 62% | 39% | 47% | 48% | – | 67% | 54% | 64% | 56% | Requests |
| 23% | 8% | 11% | 19% | 16% | – | 15% | 24% | 27% | Starlette |
| 19% | 13% | 14% | 21% | 19% | 22% | – | 17% | 17% | Streamlit |
| 45% | 15% | 19% | 23% | 25% | 41% | 19% | – | 35% | aiohttp |
| 35% | 16% | 20% | 27% | 25% | 52% | 21% | 40% | – | httpx |
| 21% | 18% | 18% | 18% | 20% | 22% | 20% | 24% | 27% | Sonstiges |
Detailliertere Informationen zum Django-Universum finden Sie in der Django-Entwicklerumfrage 2023, die in Zusammenarbeit mit der Django Software Foundation durchgeführt wurde.
Andere Frameworks und Bibliotheken100+
31%
34%
BeautifulSoup
28%
32%
Pillow
22%
30%
Pydantic
22%
26%
OpenCV-Python
17%
21%
Tkinter
12%
13%
PyQT
11%
12%
Scrapy
10%
11%
Pygame
Unit-Test-Frameworks100+
pytest
unittest
mock
doctest
tox
Hypothesis
nose
Sonstiges
Keine
Für welche Frameworks wünschen Sie sich eine umfangreiche Unterstützung in Ihrem Editor bzw. Ihrer IDE?100+
PyCharm
PyCharm bietet erweiterte Unterstützung für die Backend-Entwicklung, einschließlich Unterstützung für Django, FastAPI und Flask.
Cloud-Plattformen
Nutzung von Cloudplattformen100+
Bitte beachten Sie, dass die Liste 2023 um neue Optionen erweitert wurde.
Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.
Wie führen Sie Code in der Cloud aus?100+
In Containern
In virtuellen Maschinen
Serverless
Auf einer Platform-as-a-Service
Sonstiges
Keine
der befragten Entwickler*innen nutzen Kubernetes, um Code in Containern auszuführen.
Welche der folgenden Services verwenden Sie?100+
Amazon Elastic Kubernetes Service
Google Kubernetes Engine
Azure Kubernetes Service
RedHat OpenShift
Sonstiges
Wie entwickeln Sie für die Cloud?100+
49%
51%
Lokal mit virtualenv
38%
44%
In Docker-Containern
23%
23%
In virtuellen Maschinen
20%
19%
Mit dem Interpreter des lokalen Systems
16%
16%
In Remote-Entwicklungsumgebungen
14%
15%
Mittels WSL
10%
9%
Direkt in der Produktionsumgebung
2%
2%
Sonstiges
Data Science
aller befragten Python-Entwickler*innen sind an Datenexploration und -verarbeitung beteiligt. Die am häufigsten verwendeten Tools sind pandas und NumPy.
Tools für Datenexploration und -verarbeitung
Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.
Tools für Datenversionierung
Eine firmeninterne Lösung
Delta Lake
DVC
Pachyderm
Sonstiges
Keine
der befragten Python-Nutzer*innen berichteten, dass sie an der Erstellung von Dashboards arbeiten. Die bevorzugten Tools für solche Aufgaben sind Streamlit und Plotly Dash.
Bibliotheken für die Erstellung von Dashboards100+
Streamlit
Plotly Dash
TensorBoard
Gradio
Panel
Voila
Sonstiges
Keine
BI-Lösungen100+
PowerBI
Ich weiß es nicht
Tableau
Looker
Metabase
QlikView
Sonstiges
Keine
Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.
unserer Befragten trainieren oder generieren Vorhersagen mit ML-Modellen – sechs Prozentpunkte mehr als im vergangenen Jahr. Unter ihnen verwenden mehr als zwei Drittel scikit-learn und PyTorch.
Frameworks für ML-Modelltraining und -Prädiktion100+
67%
68%
SciKit-Learn
60%
66%
PyTorch
48%
49%
TensorFlow
44%
42%
SciPy
30%
30%
Keras
22%
28%
Hugging Face Transformers
22%
23%
XGBoost
Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.
Kreuznutzung von Frameworks für ML-Modelltraining oder Vorhersagen100+
Prozentsätze werden innerhalb jeder Spalte berechnet.
| Hugging Face Diffusers | Hugging Face Transformers | Keras | NLTK | PyTorch | PyTorch Lightning | SciKit-Learn | SciPy | TensorFlow | XGBoost | spaCy | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| – | 38% | 18% | 22% | 16% | 25% | 14% | 16% | 17% | 17% | 25% | Hugging Face Diffusers |
| 90% | – | 38% | 53% | 37% | 46% | 33% | 34% | 34% | 42% | 62% | Hugging Face Transformers |
| 47% | 40% | – | 50% | 36% | 37% | 41% | 42% | 52% | 50% | 46% | Keras |
| 36% | 36% | 33% | – | 24% | 28% | 27% | 29% | 27% | 35% | 59% | NLTK |
| 88% | 86% | 78% | 80% | – | 94% | 72 % | 77% | 76% | 75% | 82% | PyTorch |
| 31% | 24% | 18% | 21% | 21% | – | 18% | 21% | 16% | 21% | 25% | PyTorch Lightning |
| 74% | 78% | 89% | 90% | 73% | 79% | – | 91% | 80% | 94% | 88% | SciKit-Learn |
| 57% | 50% | 59% | 62% | 49% | 61% | 58% | – | 52% | 62% | 68% | SciPy |
| 69% | 59% | 85% | 68% | 57% | 55% | 59% | 61% | – | 63% | 63% | TensorFlow |
| 33% | 34% | 38% | 42% | 26% | 34% | 34% | 34% | 30% | – | 43% | XGBoost |
| 30% | 31% | 22% | 43% | 18% | 24% | 19% | 23% | 18% | 26% | – | spaCy |
Tools zur Experimentverfolgung100+
TensorBoard
MLFlow
Weights & Biases
Eine firmeninterne Lösung
NeptuneML
CometML
Sonstiges
Keine
TensorBoard.dev ist veraltet, aber TensorBoard bleibt die erste Wahl für Experiment-Tracking. Seine tiefe Integration mit großen ML-Frameworks, reichhaltige Visualisierungen und flexible lokale Einrichtung tragen zu seiner weit verbreiteten Nutzung durch Entwickler*innen und Forscher*innen bei.
Training-Plattformen100+
der befragten Python-Entwickler*innen arbeiten an ML-Deployment und -Inferenz. Interessanterweise sind die beliebtesten Tools für diese Aufgabe interne Lösungen.
Plattformen für Deployment und Inferenz100+
Verwenden Sie oder Ihr Unternehmen Tools/Plattformen für ML-Workloads in der Cloud?
Wie beeinflussen die Rechenzeitkosten Ihre Wahl von Tools oder Plattformen für ML-Workloads in der Cloud?
Sie sind wichtig, aber ich wäge die Kosten gegen Leistung und Funktionen ab
Sie sind der wichtigste Faktor; ich versuche stets, die Kosten zu minimieren
Sie sind nachrangig gegenüber anderen Faktoren wie Benutzerfreundlichkeit und Integration
Die Kosten sind kein wesentlicher Faktor
Wie hoch ist Ihr typisches monatliches Budget für Cloud-basierte ML-Rechenressourcen?
Unter 1.000 USD
1.000–5.000 USD
5.000–10.000 USD
10.000–25.000 USD
Über 25.000 USD
Ich weiß es nicht
der Befragten arbeiten mit Big Data. Die Mehrheit bevorzugt Cloud-Lösungen. Unter den Big-Data-Tools ist PySpark das beliebteste, das von 40 % der Befragten genutzt wird.
Big-Data-Tools100+
36%
40%
PySpark
8%
7%
Great Expectations
6%
6%
PyFlink
3%
4%
PyDeequ
5%
4%
Sonstiges
50%
49%
Keine
Lösungen für die Arbeit mit Big Data100+
Cloud
Eigenhosting
Beide
Keine
Tools für Games
Betriebssystem100+
Linux
Windows
macOS
BSD
Sonstiges
100+
ORMs100+
41%
59%
SQLAlchemy
15%
56%
Django ORM
12%
14%
Reines SQL
10%
14%
SQLModel
Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.
Der Anteil der in der Datenbankentwicklung engagierten Data Scientists ist seit dem vergangenen Jahr um vier Prozentpunkte gestiegen.
Könnte diese Veränderung auf die wachsende Nutzung von Vektordatenbanken in LLM-Anwendungen zurückzuführen sein?
ORMs100+
34%
39%
SQLAlchemy
25%
26%
Django ORM
13%
12%
Reines SQL
7%
10%
SQLModel
Datenbanken100+
43%
49%
PostgreSQL
34%
37%
SQLite
30%
31%
MySQL
17%
18%
Redis
17%
19%
MongoDB
10%
11%
MariaDB
10%
12%
MS SQL Server
Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.
Continuous-Integration-Systeme (CI)100+
Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.
Zwei Drittel der Python-Entwickler*innen verwenden regelmäßig Systeme zur kontinuierlichen Integration.
GitHub Actions ist führend, gefolgt von GitLab CI/CD und Jenkins/Hudson.
Konfigurationsmanagement-Tools100+
Ansible
Eine Custom-Lösung
Puppet
Chef
Salt
Sonstiges
Keine
Dokumentationstools100+
43%
44%
Markdown
25%
29%
Swagger
16%
15%
Sphinx
14%
15%
Postman
13%
11%
Wiki
Wie arbeiten Sie typischerweise mit einer einzelnen Python-Datei?100+
Ich öffne das gesamte Projekt, das die Datei enthält, in einer IDE
Ich verwende einen Kommandozeilen-Editor
Ich öffne nur diese eine Datei in einer IDE
Ich verwende einen leichtgewichtigen Texteditor
Sonstiges
Ich muss normalerweise keine Python-Dateien einzeln öffnen oder bearbeiten
Haupt-IDE/Editor
Um die beliebtesten Editoren und IDEs zu identifizieren, haben wir eine Frage mit Einfachnennung gestellt: „Was ist Ihr Haupteditor für Ihre aktuelle Python-Entwicklung?“
Alle Optionen mit einem Anteil unter 1 % wurden unter „Sonstige“ zusammengefasst.
Data Science und Webentwicklung im Vergleich
44%
46%
Visual Studio Code
27%
37%
PyCharm
7%
0%
Jupyter Notebook
2%
0%
Spyder
Unter VS-Code-Nutzer*innen verwenden 11% die Data-Wrangler-Erweiterung, und 53% nutzen die Jupyter-Unterstützung der IDE.
PyCharm
Zum Vergleich: 33% der IntelliJ-IDEA-Nutzer*innen und 37% der PyCharm-Nutzer*innen verwenden die Jupyter-Unterstützung.
Weitere Informationen zur Jupyter-Notebook-Unterstützung und zu anderen Funktionen von PyCharm für Datenprofis.
der befragten Python-Entwickler*innen nutzen zusätzliche IDEs oder Editoren neben ihrem Haupteditor, und 42 % verwenden gleichzeitig drei oder mehr.
IDEs/Editoren, die zusätzlich zur Haupt-IDE/zum Haupteditor verwendet werden100+
Alle Optionen mit einem Anteil unter 1 % wurden unter „Sonstige“ zusammengefasst.
Anzahl der verwendeten IDEs/Editoren
1
2
3
>3
Python-Packaging
Welche der folgenden Tools verwenden Sie, um die Python-Umgebungen von Projekten zu isolieren?100+
55%
62%
venv
28%
25%
virtualenv
20%
19%
Conda
18%
18%
Poetry
9%
8%
Pipenv
–
11%
uv
PyCharm
PyCharm bietet uv-Integration, mit der Sie neue Umgebungen von Grund auf erstellen und uv auf bestehende Umgebungen anwenden können.
Welche Tools verwenden Sie für die Verwaltung von Abhängigkeiten?100+
77%
74%
pip
19%
20%
Poetry
19%
18%
Conda
–
12%
uv
9%
8%
Pipenv
9%
9%
pip-tools
In welchen Formaten werden die Abhängigkeitsinformationen Ihrer Anwendung gespeichert?100+
63%
59%
requirements.txt
32%
36%
pyproject.toml
17%
16%
setup.py
11%
12%
Ich speichere keine Abhängigkeitsinformationen
Aus welchen Quellen installieren Sie Pakete?100
80%
75%
PyPI
28%
29%
GitHub
16%
16%
Anaconda
14%
14%
Lokale Quelle
10%
10%
Privater Python-Package-Index
10%
11%
Linux-Distribution
10%
11%
Interner PyPI-Mirror
Aus welchen Quellen installieren Sie Pakete?100
73%
83%
PyPI
29%
25%
GitHub
27%
6%
Anaconda
15%
10%
Lokale Quelle
13%
11%
Interner PyPI-Mirror
11%
12%
Privater Python-Package-Index
10%
2%
Andere Conda-Channels
der Befragten haben eine Python-Anwendung, die sie entwickelt haben, paketiert und in einem Paket-Repository veröffentlicht.
Welche Tools verwenden Sie, um aus Ihren Python-Bibliotheken Pakete zu erstellen?100
Twine
PyPI Publish GitHub Action
Poetry
Hatch
Flit
PDM
Sonstiges
Wie gut kennen Sie Trusted Publishers?
Ich habe noch nie davon gehört
Ich habe eine vage Idee davon
Ich habe es ausprobiert, nutze es aber nicht mehr
Ich verwende es aktuell
der befragten Python-Entwickler*innen arbeiten mit einem monolithischen Repository, in dem mehrere Pakete oder Dienste in einem einzigen Repository gespeichert sind, wobei jedes seine eigenen unabhängig verwalteten Abhängigkeiten hat.
Verwenden Sie in Containern eine virtuelle Umgebung?
Ja
Nein
Sonstiges
Ich verwende keine Container für die Python-Entwicklung
der Befragten bauen Python-Binärmodule mit anderen Sprachen, hauptsächlich C++, C und Rust. Interessanterweise hat Rust seit dem vergangenen Jahr 6 Prozentpunkte zugelegt.
Sprachen zur Kompilierung von Binärmodulen für Python100+
55%
54%
C++
44%
45%
C
27%
33%
Der Rust
9%
10%
Go
Demografie
Geschlecht
Diese Frage war optional.
Altersgruppe
Bitte wählen Sie Ihr Land oder Ihre Region aus.
Alle Optionen mit einem Anteil unter 1 % wurden unter „Sonstige“ zusammengefasst.
Teamarbeiter und Einzelkämpfer
Arbeit an Projekten
Haupterwerbsstatus
Arbeitsrollen100+
Firmengröße
Teamgröße
Unternehmensbranche
Alle Optionen mit einem Anteil unter 1 % wurden unter „Sonstige“ zusammengefasst.
Methodik und Rohdaten
Sie möchten tiefer in die Daten eintauchen? Laden Sie die anonymisierten Umfrageantworten herunter und führen Sie Ihre eigenen Analysen durch! Teilen Sie Ihre Erkenntnisse auf X unter dem Hashtag #pythondevsurvey und erwähnen Sie dabei @jetbrains und @ThePSF.
Vor Beginn Ihrer Datenanalyse sollten Sie die folgenden wichtigen Punkte berücksichtigen:
Im Namen der Python Software Foundation und von JetBrains möchten wir uns noch einmal bei allen bedanken, die an dieser Umfrage teilgenommen haben. Mit Ihrer Hilfe können wir die Landschaft der Python-Community viel genauer abbilden!
Spenden Sie für die regelmäßige Unterstützungskampagne der PSF. Die PSF ist eine gemeinnützige Organisation, die ausschließlich von ihren Sponsoren, Mitgliedern und der Öffentlichkeit finanziert wird.
Wir hoffen, dass Sie unseren Bericht nützlich fanden. Sie können ihn gerne mit Bekannten und Kolleg*innen teilen!