Inkonsistente Fehlersuche mit ChatGPT-gestützten Support-Flows beheben
Wenn jeder Agent dasselbe Problem anders analysiert, erhalten Kundinnen und Kunden widersprüchliche Antworten – und Fälle kommen immer wieder zurück. Dieser Artikel zeigt, wie Sie ChatGPT nutzen, um die Fehlersuche zu standardisieren, Agents Schritt für Schritt anzuleiten und die Lösung beim Erstkontakt in Ihrem Kundenservice-Team deutlich zu verbessern.
Inhalt
Die Herausforderung: Inkonsistente Schritte in der Fehlersuche
In vielen Kundenservice-Teams hängt die Fehlersuche stärker davon ab, welcher Agent das Ticket übernimmt, als von Ihrem offiziellen Prozess. Einige Agents kennen alle versteckten Prüfungen und bewährten Workarounds, andere überspringen Diagnosen, raten oder liefern nur Teil-Lösungen. Das Ergebnis: Zwei Kundinnen oder Kunden mit demselben Problem erhalten oft zwei sehr unterschiedliche Antworten.
Traditionelle Ansätze wie statische Wissensdatenbank-Artikel, PDF-Playbooks oder selten aktualisierte Intranet-Wikis halten mit der Komplexität und Geschwindigkeit des modernen Supports nicht mehr Schritt. Agents haben keine Zeit, während eines Anrufs lange Dokumente zu suchen und zu lesen. Selbst wenn sie es versuchen, ist der Großteil der Wissensinhalte als Nachschlagewerk geschrieben – nicht als geführte, schrittweise Fehlersuche-Flows. Qualitative Trainings helfen eine Zeit lang, aber Wissen baut schnell ab und lässt sich nur schwer über Schichten, Standorte und externe Partner hinweg konsistent halten.
Die geschäftlichen Auswirkungen, wenn Sie dieses Problem nicht lösen, sind erheblich. Inkonsistente Fehlersuche führt zu Folgekontakten, unnötigen Eskalationen und längeren Bearbeitungszeiten. Kundinnen und Kunden erleben temporäre Lösungen, die wieder kaputtgehen, verlangen nach „jemandem, der dieses Produkt besser kennt“ und verlieren das Vertrauen in Ihre Marke. Operativ zahlen Sie mehrfach für dasselbe Problem, verbrennen Agent-Kapazität mit Nacharbeit und haben Schwierigkeiten, zu skalieren, weil hochwertiger Support an einige wenige Expertinnen und Experten gebunden ist – statt an ein verlässliches, wiederholbares System.
Die gute Nachricht: Diese Inkonsistenz ist kein unvermeidbarer Preis für Wachstum. Mit dem richtigen Einsatz von KI-gestützter Guidance können Sie verstreutes Know-how in standardisierte Fehlersuche-Flows übersetzen, denen jeder Agent in Echtzeit folgen kann. Bei Reruption haben wir gesehen, wie KI-Tools wie ChatGPT Diagnose auf Expertenniveau für jeden Arbeitsplatz verfügbar machen. Im weiteren Verlauf dieser Seite finden Sie konkrete Hinweise, wie Sie dorthin kommen – ohne auf einen umfangreichen IT-Umbau warten zu müssen.
Brauchen Sie einen Sparring-Partner für diese Herausforderung?
Lassen Sie uns unverbindlich sprechen und brainstormen.
Innovatoren bei diesen Unternehmen vertrauen uns:
Unsere Einschätzung
Eine strategische Einschätzung der Herausforderung und High-Level-Tipps, wie Sie sie angehen können.
Aus Reruption’s Arbeit beim Aufbau von KI-Assistenten und Automatisierung für komplexe Betriebsabläufe kennen wir ein klares Muster: Der schnellste Weg, die Lösung beim Erstkontakt zu verbessern, besteht nicht darin, mehr Wissen hinzuzufügen, sondern das vorhandene Wissen im Arbeitsfluss nutzbar zu machen. Tools wie ChatGPT sind so leistungsfähig, weil sie statische Inhalte zur Fehlersuche in interaktive, geführte Dialoge verwandeln können, die Agents dabei helfen, jedes Mal die richtigen Fragen in der richtigen Reihenfolge zu stellen.
Definieren Sie, was „gute Fehlersuche“ tatsächlich bedeutet
Bevor Sie ChatGPT in Ihren Kundenservice-Stack einbinden, benötigen Sie eine klare, gemeinsame Definition davon, wie „gute Fehlersuche“ aussieht. Das bedeutet Einigkeit über verpflichtende Diagnoseschritte, zulässige Workarounds und klare Entscheidungspunkte für Eskalationen. Ohne diese Grundlage spiegelt ein KI-Assistent Ihre aktuelle Inkonsistenz nur schneller wider – er behebt sie nicht.
In der Praxis heißt das: Bringen Sie Ihre besten Agents, Teamleads und Produktexpertinnen und -experten zusammen, um den idealen Pfad für Ihre 20–30 wichtigsten Problemtypen zu skizzieren. Konzentrieren Sie sich auf die konkreten Fragen, die gestellt werden müssen, typische Ursachen und die Kriterien, um einen Fall mit gutem Gewissen zu schließen. Dies wird das Rückgrat Ihrer standardisierten Fehlersuche-Flows, die ChatGPT anschließend operationalisieren kann.
Behandeln Sie ChatGPT als geführte Workflow-Schicht, nicht nur als Chatbot
Strategisch liegt der eigentliche Mehrwert nicht darin, „einen Chatbot“ zu haben, sondern ChatGPT als Workflow-Engine zu nutzen, die Entscheidungsbäume und konsistente Schritte durchsetzt. Das bedeutet, es so zu gestalten, dass Rückfragen gestellt werden, der nächste Diagnoseschritt abhängig von den bisherigen Antworten vorgeschlagen wird und Agents daran gehindert werden, wichtige Prüfungen zu überspringen.
Wenn Sie ChatGPT so einrahmen, entwickeln Sie Prompts, Systemanweisungen und Integrationen automatisch rund um Prozessdisziplin – statt um generische Fragen-und-Antworten. Der Mindset-Wechsel lautet: Dies ist ein geführtes Support-Cockpit für Agents, kein Suchfeld mit besserem Sprachverständnis.
Starten Sie mit häufigen, wirkungsstarken Problemtypen
Um intern Akzeptanz zu gewinnen und Risiken zu steuern, sollten Sie nicht mit den seltensten oder komplexesten Fällen beginnen. Identifizieren Sie stattdessen 5–10 häufige, gut verstandene Problemtypen, die ein hohes Ticketvolumen erzeugen und derzeit inkonsistent bearbeitet werden. Diese eignen sich ideal für ChatGPT-gestützte Fehlersuche-Flows.
Durch diesen Fokus können Sie den Nutzen schnell belegen: kürzere Bearbeitungszeiten, höhere Lösung beim Erstkontakt und weniger Eskalationen für einen messbaren Teil Ihres Arbeitsvolumens. Sobald dieser Mehrwert sichtbar ist, wird es deutlich leichter, strukturierte Guidance auf den Rest Ihres Servicekatalogs auszuweiten.
Gestalten Sie für Agent-Akzeptanz, nicht nur für technische Machbarkeit
Selbst der beste KI-Flow scheitert, wenn Agents ihn nicht nutzen. Strategisch sollten Sie dies als Change-Projekt in Ihren Kundenservice-Operationen betrachten – nicht nur als Tech-Rollout. Beziehen Sie Mitarbeitende an der Frontline in die Gestaltung und das Testen der Flows ein, zeigen Sie explizit, wie ChatGPT die kognitive Belastung reduziert, und positionieren Sie es als Unterstützungstool, nicht als Kontrollinstrument.
Praktische Maßnahmen sind unter anderem: Integration von ChatGPT dort, wo die Agents bereits arbeiten (CRM, Ticketing, Call-Handling-Tools), minimale Zusatzklicks und sicherstellen, dass Erklärungen der KI transparent genug sind, damit Agents den Empfehlungen vertrauen. Je stärker Ihr Team das Gefühl hat, das System mitgestaltet zu haben, desto höher ist die Nutzung – und desto besser werden Ihre Kennzahlen zur Lösung beim Erstkontakt.
Reduzieren Sie Risiken mit Leitplanken und klarer Verantwortung
Der Einsatz von ChatGPT im Kundenservice erfordert klare Leitplanken. Entscheiden Sie strategisch, zu welchen Themen die KI eigenständig agieren darf und wo menschliches Urteil zwingend ist. Für die Fehlersuche bedeutet dies häufig, dass ChatGPT Schritte und Formulierungen vorschlägt, die Agents aber für die finale Entscheidung und alle Zusagen gegenüber Kundinnen und Kunden verantwortlich bleiben.
Legen Sie Content-Verantwortung fest: Wer pflegt die Logik der Fehlersuche, wer prüft KI-Ausgaben und wie werden Produkt- oder Policy-Änderungen in die Flows übernommen? Mit expliziter Governance können Sie KI-gestützten Support sicher nutzen, Compliance wahren und vermeiden, dass veraltete oder falsche Anweisungen wieder in Ihren standardisierten Prozess einsickern.
Durchdacht eingesetzt kann ChatGPT inkonsistente Fehlersuche in einen geführten, wiederholbaren Prozess verwandeln, dem jeder Agent folgen kann – und auf den sich Ihre Kundinnen und Kunden verlassen können. Entscheidend ist, es als intelligente Workflow-Schicht über Ihrem Wissen zu behandeln, nicht nur als smartere Suchbox. Bei Reruption sind wir darauf spezialisiert, unstrukturierte, reale Supportprozesse in KI-gestützte Assistenten zu übersetzen, die auf der Fläche funktionieren – nicht nur in Demos. Wenn Sie erkunden möchten, wie standardisierte, KI-geführte Fehlersuche in Ihrer Umgebung aussehen könnte, helfen wir Ihnen gerne, sie fokussiert und risikoarm zu konzipieren und zu testen.
Hilfe bei der Umsetzung dieser Ideen?
Nehmen Sie gerne unverbindlich Kontakt zu uns auf.
Fallbeispiele aus der Praxis
Von Gesundheitswesen bis Nachrichtenmedien: Erfahren Sie, wie Unternehmen ChatGPT erfolgreich einsetzen.
Best Practices
Erfolgreiche Implementierungen folgen bewährten Mustern. Werfen Sie einen Blick auf unsere taktischen Ratschläge für den Einstieg.
Verwandeln Sie Ihre Wissensdatenbank in Entscheidungsbäume für ChatGPT
Die meisten Kundenservice-Organisationen verfügen bereits über eine Wissensdatenbank, aber sie besteht aus langen Artikeln statt aus handlungsorientierten Flows. Der erste taktische Schritt besteht darin, Ihre wichtigsten Artikel zu Top-Themen in klare Entscheidungsbäume umzustrukturieren: geordnete Fragen, verzweigte Ergebnisse und die entsprechenden Maßnahmen.
Dokumentieren Sie diese Logik in strukturierter Form (Tabellen, einfaches JSON oder ein Decision-Tree-Tool). Betten Sie diese Struktur dann in den System-Prompt von ChatGPT ein oder binden Sie sie programmatisch per API an, sodass das Modell die definierten Schritte befolgen muss. So stellen Sie sicher, dass bei einem bestimmten Problemtyp Agents und Kundinnen bzw. Kunden denselben konsistenten Fehlersuche-Pfad sehen.
Beispiel für einen System-Prompt-Ausschnitt für ChatGPT:
Sie sind ein Fehlersuche-Assistent für unsere Kundenservice-Agents.
Für jeden Fall MÜSSEN Sie den untenstehenden Entscheidungsbaum Schritt für Schritt befolgen.
Überspringen Sie keinen verpflichtenden Diagnoseschritt.
Entscheidungsbaum (vereinfacht):
1. Identität der Kundin / des Kunden verifizieren.
2. Produktmodell und Version bestätigen.
3. Fragen, ob das Gerät in den letzten 24 Stunden neu gestartet wurde.
- Wenn nein, führen Sie die Person durch einen Neustart und prüfen Sie erneut.
- Wenn ja, fahren Sie mit Schritt 4 fort.
4. Konnektivitätsprüfungen durchführen ...
Stellen Sie immer nur eine Frage gleichzeitig und warten Sie auf die Eingabe des Agents.Diese Struktur lenkt ChatGPT dazu, sich wie eine geführte Flow-Engine und nicht wie ein frei formulierender Chatbot zu verhalten und verringert das Risiko ausgelassener Schritte.
Stellen Sie Agents einen „Fehlersuche-Co-Piloten“ in ihren bestehenden Tools bereit
Statt von Agents zu verlangen, ein weiteres Fenster zu öffnen, integrieren Sie ChatGPT direkt dort, wo sie arbeiten: in Ihrem CRM, Ticketingsystem oder Ihrer Contact-Center-Plattform. Technisch bedeutet dies, die ChatGPT-API zu nutzen und ein Seitenpanel einzubetten, das den Kontext der Konversation (Kategorie des Problems, bereits durchgeführte Schritte, Kundenreaktionen) an das Modell übergibt und den jeweils nächsten empfohlenen Schritt zurückliefert.
Konfigurieren Sie die Integration so, dass ChatGPT stets die aktuellen Ticket-Notizen und relevanten Metadaten erhält und sowohl den nächsten Diagnoseschritt als auch eine kurze Begründung zurückgibt. Dadurch fällt es Agents leichter, der Guidance zu vertrauen und ihr zu folgen.
Beispiel für eine Prompt-Vorlage für den Co-Piloten:
Sie unterstützen Kundenservice-Agents bei der Fehlersuche.
Eingabe:
- Problemkategorie: {{issue_category}}
- Produkt: {{product_name}}
- Bereits durchgeführte Schritte: {{steps_done}}
- Letzte Nachricht der Kundin / des Kunden: {{customer_message}}
Aufgabe:
1) Schlagen Sie den einen nächsten Fehlersuche-Schritt vor.
2) Geben Sie die exakte Formulierung an, die der Agent verwenden kann.
3) Erklären Sie kurz (max. 2 Sätze), warum dieser Schritt als nächstes folgt.Mit diesem Muster erhalten Sie konsistente, schrittweise Guidance, ohne dass Agents ein neues Tool erlernen müssen.
Nutzen Sie ChatGPT, um verpflichtende Diagnosen und Checklisten durchzusetzen
Um inkonsistente Fehlersuche anzugehen, konfigurieren Sie ChatGPT als Gatekeeper: Bestimmte Schritte müssen abgeschlossen oder explizit als nicht anwendbar markiert sein, bevor ein Vorgang geschlossen oder eskaliert werden kann. Sie können dies über strukturierte Nachrichten zwischen Ihrem Ticketingsystem und dem Modell umsetzen.
Beispielsweise senden Sie die Liste der verpflichtenden Prüfungen für den erkannten Problemtyp und lassen ChatGPT nachverfolgen, welche Punkte erledigt sind. Erst wenn alle Pflichtpunkte bearbeitet wurden, sollte das Modell Formulierungen für Abschluss oder Eskalation vorschlagen.
Beispiel-Prompt für verpflichtende Prüfungen:
Hier sind die verpflichtenden Prüfungen für diesen Problemtyp:
1. Seriennummer des Produkts bestätigen
2. Gewährleistungsstatus prüfen
3. Konnektivitätstest durchführen
Der Agent hat abgeschlossen: {{completed_checks}}.
Aufgaben:
- Listen Sie die verbleibenden verpflichtenden Prüfungen auf.
- Geben Sie die nächste Frage an, die der Agent stellen sollte.
- Wenn alle erledigt sind, fassen Sie die Ergebnisse zusammen und schlagen Sie einen Text für Abschluss oder Eskalation vor.Dieses Muster verhindert aktiv, dass Agents unter Zeitdruck kritische Diagnoseschritte überspringen.
Erzeugen Sie konsistente, richtlinienkonforme Antworten und Zusammenfassungen
Neben den Schritten zur Fehlersuche kann ChatGPT sicherstellen, dass Abschlussnachrichten und Fallnotizen konsistent und compliant sind. Konfigurieren Sie Prompts so, dass das Modell Ihre Tonality-Guidelines, rechtlichen Hinweise und spezifischen Produkt-Policies beachtet, wenn Nachrichten erstellt werden.
Geben Sie dem Modell Ihre Stilrichtlinien und typische Do-/Don’t-Beispiele. Binden Sie es dann an Ihr Ticketingsystem an, sodass die Agentin oder der Agent nach abgeschlossener Fehlersuche per Klick eine Abschlussnachricht und eine strukturierte Fallzusammenfassung generieren lassen kann.
Beispiel-Prompt für eine Abschlussnachricht:
Sie sind ein Assistent für das Verfassen von Kundenservice-Nachrichten.
Erstellen Sie auf Basis der untenstehenden Gesprächsnotizen eine Abschlussnachricht, die:
- bestätigt, was wir geprüft haben und was wir festgestellt haben.
- die angewendete Lösung klar benennt.
- etwaige nächste Schritte für die Kundin / den Kunden erwähnt.
- unseren Tonrichtlinien folgt (freundlich, prägnant, ohne Fachjargon).
Gesprächsnotizen: {{conversation_summary}}Mit der Zeit verbessert diese Standardisierung das Vertrauen der Kundinnen und Kunden und macht zukünftige Tickets leichter handhabbar, da die bisherige Fehlersuche klar dokumentiert ist.
Verbessern Sie Flows kontinuierlich mit ChatGPT auf Basis historischer Tickets
Sobald Ihre ersten Flows live sind, nutzen Sie ChatGPT offline, um historische Tickets zu analysieren und Ihre Fehlersuche-Logik zu verfeinern. Exportieren Sie gelöste Fälle zu einem bestimmten Thema und lassen Sie das Modell häufige Ursachen clustern, Abkürzungen von Top-Performern identifizieren und wiederkehrende Schritte hervorheben, die in Ihrem offiziellen Entscheidungsbaum fehlen.
So entwickeln Sie Ihre standardisierte Fehlersuche auf Basis realen Verhaltens weiter – statt auf Annahmen. Führen Sie diese Analysen regelmäßig durch und speisen Sie die Verbesserungen zurück in die Live-Guidance.
Beispiel-Prompt für die Analyse historischer Tickets:
Sie analysieren vergangene Supportfälle, um Fehlersuche-Flows zu verbessern.
Ermitteln Sie anhand der untenstehenden Ticket-Texte:
1) Die häufigsten Ursachen.
2) Schritte, die Top-Agents genutzt haben, die in unserem aktuellen Flow fehlen.
3) Vorschläge, wie man Schritte vereinfachen oder neu anordnen kann, um Probleme schneller zu lösen.
Tickets:
{{ticket_corpus}}Durch diese Feedbackschleife wird Ihr KI-gestützter Support im Zeitverlauf genauer und effizienter.
Definieren Sie klare KPIs und überwachen Sie die Auswirkungen auf die Lösung beim Erstkontakt
Um den Impact sichtbar zu machen, richten Sie vor dem Rollout ein einfaches KPI-Framework ein. Verfolgen Sie die Quote der Lösung beim Erstkontakt, die Rate der Folgekontakte für die adressierten Problemtypen, die durchschnittliche Bearbeitungszeit und die Eskalationsrate. Vergleichen Sie einen Basiszeitraum mit dem Zeitraum nach Einführung der ChatGPT-geführten Flows.
Realistische Erwartungen: Für klar definierte, sich häufig wiederholende Probleme sehen Unternehmen oft Verbesserungen der FCR im Bereich von 10–25 % und merklich weniger Folgekontakte innerhalb weniger Wochen stabiler Nutzung. Selbst kleinere Verbesserungen zahlen sich deutlich aus, wenn sie auf Tausende Tickets pro Monat angewendet werden. Mit disziplinierter Umsetzung und iterativer Optimierung wird KI-geführte Fehlersuche zu einem zentralen Hebel, um die Servicequalität zu skalieren, ohne die Anzahl der Mitarbeitenden linear erhöhen zu müssen.
Brauchen Sie jetzt Umsetzungskompetenz?
Lassen Sie uns über Ihre Ideen sprechen!
Häufig gestellte Fragen
ChatGPT hilft, indem es Ihr vorhandenes Fehlersuche-Know-how in geführte, schrittweise Flows übersetzt, denen Agents in Echtzeit folgen. Statt dass jede Person improvisiert, setzt das Modell eine definierte Abfolge von Diagnoseschritten durch, basierend auf den von Ihnen bereitgestellten Entscheidungsbäumen.
Agents sehen die nächste empfohlene Frage, die Begründung dafür und einen Formulierungsvorschlag für die Kundin bzw. den Kunden. Verpflichtende Prüfungen werden nachverfolgt, sodass sie nicht übersprungen werden können, und Abschlussantworten werden konsistent generiert. Im Zeitverlauf können Sie diese Flows mithilfe von Erkenntnissen aus historischen Tickets verfeinern und Ihre Fehlersuche so verlässlicher und effizienter machen.
Sie benötigen kein großes KI-Forschungsteam, aber drei Kompetenzen sind wichtig: Prozessexpertise, grundlegendes Engineering und Change Management. Prozessexpertinnen und -experten (Teamleads, Senior Agents) definieren, wie „gute Fehlersuche“ für Ihre wichtigsten Themen aussieht. Engineers oder technische Mitarbeitende verbinden ChatGPT dann per API mit Ihrem CRM oder Ihren Ticketing-Tools und codieren Ihre Entscheidungsbäume in Prompts oder einfache Datenstrukturen.
Außerdem braucht es eine verantwortliche Person für Rollout und Adoption: Schulung der Agents, Einholung von Feedback und Aktualisierung der Flows, wenn sich Produkte oder Richtlinien ändern. Reruption kann die Engineering- und KI-Design-Aspekte übernehmen und mit Ihren internen Fachleuten zusammenarbeiten, um die richtige Fehlersuche-Logik zu erfassen und zu operationalisieren.
Für einen fokussierten Piloten mit einigen wenigen häufigen Problemtypen können Sie meist innerhalb weniger Wochen einen funktionierenden Prototyp aufsetzen und kurz nach dem Rollout erste Effekte auf die Lösung beim Erstkontakt beobachten. Die größten Zeitaufwände liegen darin, ideale Fehlersuche-Flows zu definieren und ChatGPT in Ihre bestehenden Tools zu integrieren – nicht im Training der KI selbst.
Viele Organisationen planen ein Zeitfenster von 6–8 Wochen: Wochen 1–3 für das Design der Flows und den Aufbau des initialen KI-Assistenten, Wochen 4–5 für einen Piloten mit einem Teil der Agents und Wochen 6–8 für die Verfeinerung auf Basis der realen Nutzung und die Messung der KPI-Veränderungen. Der flächendeckende Rollout auf weitere Problemtypen verläuft anschließend deutlich schneller, da Muster und Infrastruktur bereits vorhanden sind.
Die Hauptkostenblöcke sind der Implementierungsaufwand (Flow-Design, Integrationsarbeit) und die laufende API-Nutzung. In vielen Kundenservice-Umgebungen bleiben die API-Kosten im Vergleich zu Personalkosten moderat, da ein einziger ChatGPT-Call mehrere Fehlersuche-Schritte innerhalb einer Interaktion anleiten kann.
Der ROI ergibt sich typischerweise aus drei Hebeln: höherer Lösung beim Erstkontakt, weniger Folgekontakte und kürzeren durchschnittlichen Bearbeitungszeiten. Schon eine Verbesserung der FCR um 5–10 % bei volumenstarken Themen kann zu erheblichen Einsparungen und besserer Kundenzufriedenheit führen. Unser Ansatz bei Reruption ist es, den ROI schnell über ein fokussiertes KI Proof of Concept zu validieren, sodass Sie Investitionsentscheidungen auf Basis realer Leistungskennzahlen statt auf Schätzungen treffen können.
Reruption unterstützt Sie End-to-End – von der Idee bis zur funktionierenden Lösung. Mit unserem KI-PoC-Angebot (9.900€) validieren wir zunächst, ob ChatGPT Ihre Agents für ausgewählte Problemtypen zuverlässig durch standardisierte Fehlersuche führen kann. Dazu gehören Use-Case-Scoping, Modell- und Architekturentscheidungen, Rapid Prototyping und Performance-Bewertung auf Basis Ihrer realen Daten.
Über den PoC hinaus bedeutet unser Co-Preneur-Ansatz, dass wir gemeinsam mit Ihrem Team die Lösung tatsächlich in den Betrieb bringen: Strukturierung Ihres Fehlersuche-Wissens, Design von Prompts und Entscheidungsbäumen, Integration in Ihr CRM- oder Ticketingsystem sowie Schulung der Agents. Wir bringen Engineering-Tiefe und KI-First-Mindset ein, Sie Ihre Fachexpertise – gemeinsam bauen wir einen Kundenservice-Assistenten, der inkonsistente Fehlersuche wirklich behebt, statt nur ein weiteres Tool hinzuzufügen.
Kontaktieren Sie uns!
Direkt Kontaktieren
Philipp M. W. Hoffmann
Founder & Partner
Adresse
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Kontakt
Telefon