Generisches L&D beheben: Mit Gemini wirklich persönliche Lernpfade aufbauen
HR- und L&D-Teams wissen, dass Training von der Stange nicht funktioniert, aber Fähigkeiten, Ziele und Inhalte für jede einzelne Person zuzuordnen, ist manuell unmöglich. Dieser Leitfaden zeigt, wie Sie Gemini zusammen mit Ihrem HRIS und LMS nutzen, um automatisch personalisierte Lernpfade zu erstellen, adaptive Inhalte zu generieren und echten Fähigkeitsfortschritt zu verfolgen. Sie erfahren, wo Sie starten, worauf Sie achten sollten und wie Reruption Ihnen hilft, den Wert schnell nachzuweisen.
Inhalt
Die Herausforderung: Keine personalisierten Lernpfade
HR- und L&D-Teams stehen unter Druck, kontinuierliches Upskilling zu unterstützen, trotzdem erhalten die meisten Mitarbeitenden weiterhin generische Trainingspläne. Individuelle Fähigkeiten, Karrierezielsetzungen und verfügbare Lerninhalte zu einem kohärenten Pfad für jede einzelne Person zu verknüpfen, ist manuell schlicht zu zeitaufwendig. In der Folge fallen Entwicklungsprogramme auf Curricula nach dem Prinzip „One-Size-fits-all“ zurück, die auf dem Papier gut aussehen, aber die tatsächliche Fähigkeitserweiterung kaum voranbringen.
Traditionelle Ansätze verlassen sich auf statische Kompetenzmatrizen, jährliche Trainingskataloge und managergetriebene Nominierungen. Sie gehen davon aus, dass Fähigkeiten stabil sind, Rollen vorhersehbar bleiben und Content-Bibliotheken klein genug sind, um sie von Hand zu kuratieren. In der Realität ändern sich Skill-Anforderungen schnell, Content-Bibliotheken explodieren im Umfang, und Mitarbeitende erwarten eine Personalisierung auf Consumer-Niveau. Tabellen, manuelle Skill-Assessments und generische E-Learning-Kampagnen können mit der erforderlichen Komplexität und Geschwindigkeit nicht Schritt halten.
Die geschäftlichen Auswirkungen sind erheblich. Mitarbeitende sitzen in irrelevanten Kursen, wodurch sowohl Zeit als auch Trainingsbudget verschwendet wird. High-Potentials können den Eindruck gewinnen, dass ihre Entwicklung vernachlässigt wird, und sich anderweitig umsehen – das erhöht das Fluktuationsrisiko. Gleichzeitig bleiben kritische Skill-Gaps in Bereichen wie Datenkompetenz, KI-Fitness oder neuen Tools ungelöst und bremsen Transformationsinitiativen aus. Ohne personalisierte Lernpfade fehlt HR der klare Nachweis, dass L&D-Investitionen tatsächlich in Leistungssteigerungen übersetzt werden – Budgets zu verteidigen und die richtigen Programme zu priorisieren wird so deutlich schwieriger.
Diese Herausforderung ist real, aber lösbar. Moderne KI und insbesondere Gemini, integriert in HRIS- und LMS-Systeme, kann die Schwerstarbeit übernehmen, Profile in großem Maßstab mit Skills, Inhalten und Karrierepfaden zu verknüpfen. Bei Reruption haben wir gesehen, wie KI-gestützte Erlebnisse Relevanz und Engagement in Lernumgebungen radikal verbessern können. Im weiteren Verlauf dieser Seite finden Sie praxisnahe Hinweise, wie Sie Gemini nutzen, um von generischen Trainingsplänen zu adaptiven, personalisierten Lernreisen zu wechseln, die sowohl das Wachstum der Mitarbeitenden als auch Ihre Geschäftsstrategie unterstützen.
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 Reruptions Sicht liegt der Wendepunkt zur Lösung des Problems keine personalisierten Lernpfade darin, Gemini als Intelligenzschicht über Ihrem HRIS, LMS und Content-Ökosystem zu verstehen – nicht als weiteres isoliertes Tool. Unsere praktische Erfahrung im Aufbau von KI-Produkten und Lernplattformen zeigt: Wenn Sie Skill-Daten, Rollenprofile und tatsächliches Lernverhalten verbinden, können Modelle wie Gemini zuverlässig maßgeschneiderte Pfade empfehlen und adaptive Inhalte erzeugen, die wirklich zur Realität Ihrer Organisation passen.
Personalisierung an geschäftskritischen Fähigkeiten ausrichten – nicht nur am Kurskatalog
Bevor Sie Gemini konfigurieren, klären Sie, welche Fähigkeiten für Ihre Strategie tatsächlich entscheidend sind: digitale Kompetenzen, KI-Literacy, Führungsverhalten, Compliance im Bereich Sicherheit oder Vertriebseffektivität. Viele HR-Teams starten vom Trainingskatalog aus („Was können wir anbieten?“) statt vom Geschäftsproblem („Was müssen unsere Leute tatsächlich können?“). Gemini erkennt Muster und spricht Empfehlungen auf Basis der Daten aus, die Sie einspeisen; wenn diese generisch sind, werden es Ihre Lernpfade ebenfalls sein.
Definieren Sie ein schlankes, geschäftsorientiertes Skill-Framework und verknüpfen Sie es mit Rollen, Projekten und KPIs. Weisen Sie Gemini dann an, dieses Framework als Rückgrat für die Generierung personalisierter Lernpfade zu verwenden. So stellen Sie sicher, dass die Personalisierung des Modells über Vorlieben und Jobtitel hinausgeht und auf Fähigkeiten verankert bleibt, die Performance- und Transformationsinitiativen wirklich voranbringen.
Gemini als Copilot für HR und L&D nutzen, nicht als Autopilot
Organisationen neigen dazu, von vollständig manueller Kuration zu dem Wunsch nach einer vollautomatisierten KI-Lösung zu schwingen. Für kritische Themen wie Karriereentwicklung ist das riskant. Behandeln Sie Gemini als Copilot, der Lernpfade, Skill-Maps und Microlearning-Sequenzen entwirft, während HR, L&D und Führungskräfte die Governance behalten. Ziel ist es, 70–80 % der manuellen Arbeit zu eliminieren, nicht das menschliche Urteil.
Entwerfen Sie Review-Workflows, in denen Gemini einen Entwurf für einen Lernpfad auf Basis des Profils, der Leistungsdaten und der Präferenzen einer Person erstellt und HR oder Führungskräfte die letzten 20–30 % anpassen. Dieser „Human-in-the-Loop“-Ansatz sichert Vertrauen, hilft Ihnen, Modellblinde Flecken früh zu erkennen, und erleichtert die Zustimmung von Betriebsrat und Führung zu KI in Learning & Development.
Datenfundament vorbereiten, bevor Sie Personalisierung skalieren
Wirksame Personalisierung hängt von sauberen, verknüpften Daten ab. Wenn HRIS-Datensätze veraltet sind, Rollendefinitionen inkonsistent und LMS-Metadaten schwach, wird Gemini Schwierigkeiten haben, nützliche Lernpfade zu erstellen. Versuchen Sie nicht, alle Altthemen auf einmal zu beheben, sondern wählen Sie gezielt einen Ausschnitt an Rollen, Regionen oder Business Units, in denen die Daten „gut genug“ sind, um zu starten.
Nutzen Sie diesen Pilot dann, um Standards festzulegen: welche HRIS-Felder zwingend korrekt sein müssen, wie Kurse mit Skills und Schwierigkeitsstufen getaggt werden und wie Lernergebnisse (z. B. Assessments, Abschlüsse, On-the-Job-Performance) erfasst werden. So kann Gemini auf einer solideren Basis operieren, und Sie können die Abdeckung schrittweise ausweiten, während Sie die Datenqualität in der gesamten Organisation verbessern.
Multimodal denken: Text, Video und Interaktionen kombinieren für mehr Wirkung
Die multimodalen Fähigkeiten von Gemini sind im L&D-Kontext besonders stark. Statt nur textbasierte Kurse zu empfehlen, können Sie kurze Videos, interaktive Assessments und reale Arbeitsartefakte mischen. So kann Gemini beispielsweise eine Aufzeichnung eines Verkaufsgesprächs oder einer Präsentation analysieren und den Lernpfad basierend auf erkannten Stärken und Schwächen anpassen.
Strategisch bedeutet das, Lernerlebnisse von statischen Modulen hin zu dynamischen, feedbackgetriebenen Lernreisen neu zu denken. Entscheiden Sie, welche Rollen oder Themen besonders von multimodaler Analyse profitieren (z. B. Vertrieb, Customer Support, Führungskommunikation) und designen Sie Lernpfade, bei denen Gemini sowohl Content-Metadaten als auch Leistungsartefakte nutzt, um den jeweils nächsten sinnvollen Lernschritt zu empfehlen.
Governance, Transparenz und Change Management frühzeitig antizipieren
Die Einführung von KI-gestützter Personalisierung im HR-Bereich löst berechtigte Fragen aus: Fairness, Datenschutz, Bias und Transparenz. Gehen Sie diese Themen strategisch von Tag eins an an. Definieren Sie klare Regeln dazu, auf welche Mitarbeiterdaten Gemini zugreifen darf, wie Empfehlungen generiert werden und wer letztlich für Entwicklungsentscheidungen verantwortlich ist.
Kommunizieren Sie offen gegenüber Mitarbeitenden und Führungskräften, dass KI im HR eingesetzt wird, um individuellere Entwicklungsmöglichkeiten anzubieten – nicht, um versteckte Karriereentscheidungen zu treffen. Bieten Sie einfache Erklärungen innerhalb der Tools (z. B. „Dieser Lernpfad wurde empfohlen, weil…“), damit Menschen verstehen, wie Gemini arbeitet. Diese Form radikaler Klarheit ist entscheidend für die Akzeptanz und steht im Einklang mit Reruptions KI-first, aber menschenzentriertem Ansatz.
Bewusst eingesetzt kann Gemini „Click-through-Compliance-Kurse“ in personalisierte Lernpfade verwandeln, die Ihre Rollen, Skills und Strategie widerspiegeln. Es wird HR oder L&D nicht ersetzen, kann aber die repetitive Zuordnungsarbeit übernehmen, die derzeit echte Personalisierung und skillorientierte Entwicklung blockiert. Wenn Sie Unterstützung brauchen, um von der Idee zu einem funktionierenden KI-gestützten Learning-Pilot zu kommen, hilft Ihnen Reruption dabei, einen fokussierten Use Case zu definieren, einen Gemini-basierten Prototyp zu bauen und diesen mit unserem Co-Preneur-Ansatz in Ihr HRIS und LMS einzubetten. Melden Sie sich, wenn Sie testen möchten, wie das in Ihrer eigenen Umgebung aussehen kann.
Hilfe bei der Umsetzung dieser Ideen?
Nehmen Sie gerne unverbindlich Kontakt zu uns auf.
Fallbeispiele aus der Praxis
Von Gesundheitswesen bis Telekommunikation: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.
Best Practices
Erfolgreiche Implementierungen folgen bewährten Mustern. Werfen Sie einen Blick auf unsere taktischen Ratschläge für den Einstieg.
HRIS und LMS verbinden, um ein einheitliches Skill-Profil aufzubauen
Beginnen Sie damit, Ihr HRIS (Rollen, Betriebszugehörigkeit, Performance-Indikatoren, Karrierezielsetzungen) und Ihr LMS (Kurse, Abschlüsse, Assessments) in einem einheitlichen Profil zu integrieren, auf das Gemini über APIs oder eine Datenebene zugreifen kann. Das Modell benötigt ein holistisches Bild jeder Person, um relevante Lernpfade empfehlen zu können.
Mappen Sie mindestens folgende Datenpunkte: aktuelle Rolle, Zielrolle oder Entwicklungsinteressen, vorhandene Zertifizierungen, absolvierte Kurse, Indikatoren aus Manager-Feedback (wo vorhanden) und Sprachpräferenzen. Stellen Sie diese Informationen dann als strukturierte Kontexte in Prompts oder Systemanweisungen für Gemini bereit, wenn Lernpfade generiert werden.
Systemanweisung an Gemini:
Sie sind ein L&D-Copilot für HR.
Nutzen Sie die folgenden strukturierten Daten, um einen 12-wöchigen Lernpfad vorzuschlagen:
- Aktuelle Rolle: {role}
- Zielrolle / Entwicklungsfokus: {goal}
- Benötigte Kernfähigkeiten: {skills_from_framework}
- Abgeschlossene Trainings: {completed_trainings}
- Performance-Signale: {performance_data}
Erzeugen Sie einen sequenzierten Plan mit:
- 2–3 Kernthemen pro Woche
- Inhalts-Empfehlungen aus dem LMS per ID
- Kurzbegründung pro Empfehlung
- 1 messbarem Ergebnis pro Woche.
Erwartetes Ergebnis: HR kann konsistente, rollen- und skillbasierte Lernpfade in Sekunden erzeugen, statt Inhalte für jede Person manuell zusammenzustellen.
Gemini nutzen, um Inhalte automatisch mit Skills und Levels zu taggen
Personalisierung scheitert, wenn Ihre Content-Bibliothek schlecht getaggt ist. Nutzen Sie Gemini, um bestehende E-Learning-Module, PDFs, Foliensätze und Videos zu analysieren und Tags für Skills, Kompetenzniveaus, Dauer und Format vorzuschlagen. So erhält das Modell eine wesentlich bessere Grundlage, um Inhalte mit individuellen Bedarfen zu matchen.
Für textbasierte oder transkriptbasierte Inhalte können Sie Batch-Verarbeitungen mit Prompts wie diesem nutzen:
Prompt an Gemini:
Sie sind ein Learning-Content-Analyst.
Geben Sie für die folgende Kursbeschreibung und das Transkript JSON mit folgenden Feldern aus:
- primary_skills (max. 3)
- secondary_skills (max. 5)
- difficulty_level (beginner/intermediate/advanced)
- estimated_duration_minutes
- recommended_audience_roles
Kursinhalt:
{course_text_or_transcript}
Schreiben Sie diese Tags anschließend in Ihre LMS-Metadaten zurück. Erwartetes Ergebnis: deutlich hochwertigere Content-Metadaten, die die Genauigkeit von Geminis Empfehlungen für Lernpfade massiv verbessern.
Adaptive Microlearning- und Quiz-Einheiten aus Kerninhalten generieren
Sobald Kernpfade definiert sind, nutzen Sie Geminis Content-Generierungsfähigkeiten, um Microlearning-Einheiten und Quizze zu erstellen, die auf das Niveau der einzelnen Lernenden zugeschnitten sind. So können Sie z. B. unterschiedliche Fragen-Sets für Einsteiger vs. Fortgeschrittene zum selben Thema erzeugen – basierend auf vorherigen Assessment-Ergebnissen, die im LMS gespeichert sind.
Nutzen Sie Prompts wie diesen, wenn eine Person ein Modul abgeschlossen hat:
Prompt an Gemini:
Sie sind Assessment-Designer.
Erstellen Sie 8 Quizfragen zum Thema: {topic}.
Passen Sie den Schwierigkeitsgrad an dieses Lernniveau an: {beginner|intermediate|advanced}.
Anforderungen:
- Mischung aus Multiple-Choice- und szenariobasierten Fragen
- richtige Antwort markieren
- 1–2 Fragen müssen auf diese Rolle anwendbar sein: {role}
Geben Sie das Ergebnis als JSON zurück, das das LMS rendern kann.
Erwartetes Ergebnis: Mitarbeitende erhalten passend schwierige Herausforderungen, und Führungskräfte sehen aussagekräftigere Indikatoren für tatsächliches Verständnis und Skill-Fortschritt.
„Next Best Step“-Empfehlungen direkt im LMS implementieren
Verstecken Sie KI-Empfehlungen nicht in einem separaten Dashboard, sondern spielen Sie Geminis nächsten besten Lernschritt direkt in Ihrem LMS oder Intranet aus. Nach jedem absolvierten Kurs können Sie Gemini mit dem aktualisierten Profil und der Kurs-Historie der Person aufrufen, um den nächsten Kurs, eine Praxisaufgabe oder einen Reflexionsimpuls vorzuschlagen.
Konfigurationssequenz: 1) Lösen Sie einen Backend-Call an Gemini aus, sobald eine Person einen Kurs abschließt. 2) Übergeben Sie: die aktualisierte Liste der abgeschlossenen Kurse, Assessment-Scores, deklarierte Karrierezielsetzungen und die für die Rolle erforderlichen Skills. 3) Bitten Sie Gemini, eine primäre Empfehlung, zwei Alternativen und eine kurze Begründung pro Option zurückzugeben. 4) Zeigen Sie diese Empfehlungen in einem einfachen Widget auf der LMS-Startseite an.
Beispiel für eine (vereinfachte) Gemini-Request-Payload:
{
"role": "Team Lead Customer Service",
"goals": ["coaching skills verbessern"],
"required_skills": ["coaching", "konfliktmanagement"],
"completed_courses": ["coaching_basics_101"],
"assessment_scores": {"coaching_basics_101": 0.78}
}
Erwartetes Ergebnis: kontinuierliche, reibungsarme Personalisierung, die Lernende bei der Stange hält und voranbringt – ohne dass HR die nächsten Schritte manuell kuratieren muss.
Skill-Progress und Feedback-Loops mit Gemini-Analytics verfolgen
Nutzen Sie Gemini nicht nur zur Inhaltsempfehlung, sondern auch zur Analyse von Ergebnissen und zur Verfeinerung Ihrer Lernstrategie. Kombinieren Sie LMS-Daten (Abschlüsse, Quiz-Ergebnisse), HR-Daten (Beförderungen, interne Mobilität) und – wo sinnvoll – Manager-Feedback, um den Skill-Fortschritt über die Zeit auf Team- und Rollenebene abzuschätzen.
Bitten Sie Gemini regelmäßig, Muster und Risiken zuzusammenzufassen:
Prompt an Gemini:
Sie sind ein L&D-Analytics-Assistent.
Identifizieren Sie anhand der aggregierten Daten unten:
- 3 Skills, bei denen Mitarbeitende langsamer als erwartet vorankommen
- 3 Lernpfade mit dem stärksten Einfluss auf Beförderungen oder Performance
- Inhalte, die häufig empfohlen, aber selten abgeschlossen werden.
Schlagen Sie Anpassungen an Pfaden und Content-Mix vor.
Daten:
{aggregated_anonymized_metrics}
Erwartetes Ergebnis: eine dateninformierte L&D-Roadmap, in der Sie Lernpfade iterativ auf Basis realen Verhaltens und realer Ergebnisse verbessern – statt sich nur auf Intuition zu stützen.
Einen fokussierten Pilot konzipieren, bevor Sie unternehmensweit ausrollen
Starten Sie Personalisierung nicht sofort für alle Rollen. Wählen Sie 1–3 kritische Zielgruppen (z. B. Frontline-Führungskräfte, Vertriebsmitarbeitende oder Neueinsteiger) und designen Sie einen Gemini-gestützten Pilot, den Sie über 8–12 Wochen laufen lassen können. Begrenzen Sie den Umfang: ein definiertes Skill-Set, ein kuratierter Content-Ausschnitt und klare KPIs wie Pfad-Abschlussrate, Time-to-Proficiency oder interne Mobilität.
Nutzen Sie den Pilot, um folgende Punkte zu validieren: Integrationsfähigkeit mit Ihrem HRIS/LMS, Qualität der von Gemini generierten Pfade, Zufriedenheit von Mitarbeitenden und Führungskräften sowie messbare Performancesignale. Reruptions AI-PoC-Angebot ist genau darauf ausgerichtet: schnell einen funktionierenden Prototypen mit echten Daten und Nutzenden aufzubauen und zu testen – und anschließend bewährte Elemente in eine skalierbare Lösung zu überführen.
Erwartete Ergebnisse bei guter Umsetzung: 30–50 % weniger manueller L&D-Kurationsaufwand für die Pilotgruppe, höhere Kursabschlussraten und deutlich bessere Sichtbarkeit, welche Lernerlebnisse am stärksten zu Rollenreife und interner Mobilität beitragen – eine solide Basis für den breiteren Rollout.
Brauchen Sie jetzt Umsetzungskompetenz?
Lassen Sie uns über Ihre Ideen sprechen!
Häufig gestellte Fragen
Gemini erstellt personalisierte Lernpfade, indem es Daten aus Ihrem HRIS (Rolle, Betriebszugehörigkeit, Standort, Karrierezielsetzungen) und Ihrem LMS (abgeschlossene Kurse, Quiz-Ergebnisse, Content-Metadaten) mit Ihrem internen Skill-Framework kombiniert. Auf Basis dieses Kontexts kann Gemini einen sequenzierten Entwicklungsplan pro Person vorschlagen – inklusive konkreter Kurse, Microlearning-Einheiten und Praxisaufgaben.
Technisch „entscheidet“ Gemini nicht über Karrieren; es verarbeitet strukturierte Eingaben und generiert Entwürfe für Lernpfade, die HR, L&D und Führungskräfte prüfen und anpassen können. Im Zeitverlauf können Sie aggregierte Performance-Daten zurückspielen, sodass Geminis Empfehlungen immer besser zur Realität Ihrer Organisation passen.
In der Regel benötigen Sie drei Bausteine: Zugriff auf Ihre HRIS- und LMS-Daten (per API oder Export), grundlegende Engineering-Kapazität, um Gemini in Ihre bestehenden Systeme zu integrieren, und L&D-Expertise, um das Skill-Framework zu definieren und Empfehlungen zu validieren.
Aus Kompetenzsicht brauchen Sie kein großes KI-Forschungsteam. Ein kleines, cross-funktionales Squad – HR/L&D-Lead, Product-/IT-Verantwortliche:r und 1–2 Engineers mit API-Erfahrung – reicht, um einen fokussierten Pilot zu starten. Reruption schließt häufig die Lücke bei KI-Engineering und Produkt, während Ihr HR-Team Domänenwissen, Governance und Change Management beisteuert.
Für einen gut abgegrenzten Pilot sehen Sie in der Regel innerhalb von 8–12 Wochen konkrete Ergebnisse. Die ersten 2–4 Wochen entfallen meist auf Scoping, Datenzugriff und grundlegende Integration. Die darauffolgenden 4–8 Wochen konzentrieren sich auf die Durchführung des Pilots mit einer definierten Zielgruppe, das Sammeln von Feedback und die Verfeinerung der Lernpfade.
Sichtbare Kennzahlen – etwa höhere Kursabschlussquoten, weniger Zeit in irrelevanten Trainings oder schnelleres Onboarding für eine bestimmte Rolle – tauchen häufig bereits im ersten Quartal auf. Tiefere Business-Effekte (z. B. interne Mobilität, Beförderungsreife) werden über mehrere Quartale hinweg sichtbar, wenn mehr Daten vorliegen.
Die Hauptkostentreiber sind der Integrationsaufwand (Engineering-Zeit) und die laufende API-Nutzung – nicht das Modell selbst. Wenn Sie den Umfang anfangs auf einige kritische Rollen und einen Ausschnitt der Inhalte begrenzen, können Sie sowohl Implementierungs- als auch Betriebskosten gut steuern. Viele Organisationen stellen fest, dass die eingesparte Zeit bei manueller Kuration und generischen Trainings diese Investitionen schnell kompensiert.
Typische ROI-Signale sind: weniger HR- und L&D-Zeit für individuelle Entwicklungspläne, höhere Nutzung bestehender Content-Bibliotheken (statt immer mehr generische Inhalte zuzukaufen), bessere Abschluss- und Assessment-Ergebnisse sowie eine engere Kopplung von Lernen und tatsächlichen Rollenanforderungen. Langfristig kann dies zu geringerer Fluktuation unter Schlüsselpersonen und schnellerer Einsatzfähigkeit in neuen Rollen beitragen – beides mit erheblichem finanziellen Effekt.
Reruption unterstützt Sie End-to-End – von der Schärfung des Use Cases bis zum laufenden Pilot. Mit unserem AI-PoC-Angebot (9.900€) definieren wir ein konkretes L&D-Personalisierungsszenario, prüfen die technische Machbarkeit, prototypisieren eine Gemini-basierte Lösung auf Ihren HRIS-/LMS-Daten und bewerten Performance, Kosten pro Run und Nutzerfeedback.
Über den PoC hinaus bedeutet unser Co-Preneur-Ansatz, dass wir uns wie Co-Founder an Ihre HR-, L&D- und IT-Teams andocken: Wir helfen beim Design Ihres Skill-Frameworks, bauen und härten Integrationen, adressieren Sicherheits- und Compliance-Fragen und unterstützen Rollout und Enablement – damit die Lösung Teil Ihres Operating Models wird und nicht nur ein Konzept auf Folien bleibt.
Kontaktieren Sie uns!
Direkt Kontaktieren
Philipp M. W. Hoffmann
Founder & Partner
Adresse
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Kontakt
Telefon