Warum braucht die Fertigung in Leipzig ein spezialisiertes KI-Engineering?
Innovatoren dieser Unternehmen vertrauen uns
Die Herausforderung vor Ort
Fertiger in Leipzig stehen unter Druck: steigende Qualitätserwartungen, komplexe Lieferketten und der Bedarf an automatisierten Workflows bei gleichzeitiger Fachkräftelücke. Ohne gezieltes KI-Engineering bleiben viele Effizienzpotenziale ungenutzt und Fehlerkosten bleiben hoch.
Warum wir die lokale Expertise haben
Reruption ist in Stuttgart beheimatet, reist regelmäßig nach Leipzig und arbeitet vor Ort mit Fertigungs- und Automobilzulieferern. Wir kennen die regionale Dynamik: die Nähe zu Automobilwerken, großen Logistik-Hubs und einem wachsenden Tech-Ökosystem schafft spezifische Anforderungen an Dateninfrastruktur, Compliance und operative Integration.
Unsere Teams arbeiten in Kunden-P&Ls, nicht in Slide-Decks: Wir bauen Prototypen, testen in Produktionsumgebungen und liefern Roadmaps, die direkt in bestehende Prozesse greifen. Geschwindigkeit, technische Tiefe und unternehmerische Verantwortung sind unser Handwerkszeug.
Unsere Referenzen
Im Fertigungsumfeld haben wir mehrfach bewiesen, dass komplexe Produktionsanforderungen mit KI lösbar sind. Für STIHL begleiteten wir langfristige Projekte von Sägentraining über ProTools bis hin zu Sägensimulatoren und Produktlösungen — immer mit Fokus auf Produkt-Market-Fit und technisch belastbare Umsetzungen.
Mit Eberspächer arbeiteten wir an KI-gestützten Lösungen zur Geräuschreduktion in Fertigungsprozessen und lieferten Analysen sowie Optimierungskonzepte für Produktionslinien, die direkt messbare Qualitätsverbesserungen erzielten.
Unser Projekt mit Mercedes Benz zeigt die Breite unseres Ansatzes: Hier realisierten wir einen NLP-basierten Recruiting-Chatbot für skalierbare Kommunikation und automatische Vorklassifikation — ein Beispiel dafür, wie KI Prozesse in Automotive-Ökosystemen end-to-end unterstützen kann.
Über Reruption
Reruption wurde mit der Philosophie gegründet, Organisationen nicht nur zu beraten, sondern zu "rerupten" — also proaktiv neue, bessere Systeme anstelle des Status quo zu bauen. Unsere Co-Preneur-Mentalität bedeutet: Wir handeln wie Mitgründer, übernehmen Verantwortung und liefern greifbare Produkte.
Unser Fokus liegt auf vier Säulen: AI Strategy, AI Engineering, Security & Compliance sowie Enablement. In Kombination mit schnellem Prototyping und klaren Produktionsplänen ermöglichen wir Fertigern in Leipzig echte, messbare Transformationen.
Wie starten wir mit einem pragmatischen KI-PoC in Leipzig?
Wir definieren einen klaren Use Case, prüfen Datenlage vor Ort und liefern einen funktionsfähigen Prototyp innerhalb weniger Wochen. Wir reisen nach Leipzig, arbeiten on-site und liefern einen umsetzbaren Produktionsplan.
Was unsere Kunden sagen
Hans Dohrmann
CEO bei internetstores GmbH 2018-2021
Das ist die systematischste und nachvollziehbarste Go-to-Market Strategie, die ich bezüglich Corporate Startups je gesehen habe.
Kai Blisch
Director Venture Development bei STIHL, 2018-2022
Extrem wertvoll ist dabei Reruptions starker Fokus auf die Nutzer*innen, deren Bedürfnisse und das kritische Hinterfragen von Vorgaben. ... und nicht zuletzt macht die Zusammenarbeit riesige Freude.
Marco Pfeiffer
Head of Business Center Digital & Smart Products bei Festool, 2022-
Reruption evaluierte systematisch ein neues Geschäftsmodell mit uns: besonders beeindruckend fanden wir die Fähigkeit auch komplexe Sachverhalte nachvollziehbar darzustellen.
KI-Engineering für die Fertigung in Leipzig: Ein umfassender Leitfaden
Leipzigs Fertigungslandschaft braucht keine theoretischen Konzepte, sondern produktionsreife KI-Lösungen, die Tag 1 im Shopfloor funktionieren. Dabei geht es nicht nur um Modelle, sondern um Datenpipelines, Integrationen mit MES/ERP, Security und Change-Management. Dieser Deep Dive erläutert Markttrends, konkrete Use Cases, technische Ansätze und praktische Umsetzungspläne.
Marktanalyse und regionaler Kontext
Leipzig hat sich in den letzten Jahren vom ostdeutschen Industriestandort zu einem diversifizierten Produktions- und Logistikzentrum entwickelt. Automotive-Zulieferer, Logistikzentren und Energieprojekte sorgen für eine dichte Wertschöpfungskette, in der Fertiger zunehmend datengetriebene Entscheidungen benötigen. Diese Nachfrage schafft ein fruchtbares Umfeld für KI-Innovationen, insbesondere bei Qualitätsoptimierung und Supply-Chain-Resilienz.
Gleichzeitig bringt die regionale Struktur spezifische Herausforderungen: heterogene IT-Landschaften, ältere Maschinen mit begrenzten Schnittstellen und strikte Compliance-Anforderungen bei sensiblen Produktionsdaten. Ein erfolgreiches KI-Projekt berücksichtigt diese Rahmenbedingungen von Anfang an.
Konkrete Use Cases für Metall-, Kunststoff- und Komponentenfertiger
Quality Control Insights: Bild- und Sensordaten aus Prüfstationen können in LLM-gestützte Analysepipelines eingespeist oder mit Computer-Vision-Modulen kombiniert werden, um Ausschuss frühzeitig zu erkennen und Root-Cause-Analysen zu beschleunigen.
Workflow-Automatisierung: Multi-Step-Copilots begleiten Mitarbeitende durch komplexe Tasks – vom Rüsten über Prüfprotokoll-Erstellung bis zur Abweichungsbehebung. Solche Agenten reduzieren Einarbeitungszeiten und minimieren menschliche Fehler.
Einkaufs-Copilots: KI unterstützt beim Einkauf durch automatisierte Spezifikationsabgleiche, Lieferantenbewertung basierend auf historischen Daten und Vorhersagen zu Lieferzeiten und Preisen. Damit lassen sich Bestände schlanker halten und Beschaffungsprozesse resilienter gestalten.
Produktionsdokumentation: Programmatic Content Engines erzeugen und aktualisieren Bedienungsanleitungen, Prüfprotokolle und technische Dokumentationen automatisch, angepasst an Varianten und Änderungen in der Fertigung.
Implementationsansatz: Von PoC zum production-ready System
Unsere typische Vorgehensweise beginnt mit einem fokussierten AI PoC (9.900€), um technische Machbarkeit und konkrete KPIs zu validieren. Ein schlanker Scope definiert Input, Output, Akzeptanzkriterien und Metriken. In dieser Phase bewerten wir Modelloptionen (OpenAI, Anthropic, Groq), Datenverfügbarkeit und Integrationspunkte.
Gelingt der PoC, entwickeln wir die Lösung produktionsreif: robuste ETL-Pipelines, Logging, Observability, Skalierung und CI/CD für Modelle und Backends. Für On-Prem- oder Self-Hosted-Anforderungen bauen wir Infrastruktur mit Tools wie Coolify, MinIO und Traefik, oft gehostet bei Partnern wie Hetzner, um Compliance und Latenzanforderungen zu erfüllen.
Technologie-Stack und Architekturüberlegungen
Wesentliche Komponenten sind: Datenaufnahme (Sensor-Streams, Bilddaten, Logs), Data Lake / Objekt-Store (MinIO), Vektordatenbanken (Postgres + pgvector) für Knowledge Systems, Modell-Serving (self-hosted oder via API), und Backend-Integrationen (APIs zu ERP/MES). Das Zusammenspiel dieser Komponenten entscheidet über Stabilität und Wartbarkeit.
Für LLM-Anwendungen wählen wir je nach Anforderungen zwischen managed APIs und selbst gehosteten Modellen. Private Chatbots ohne Retrieval-Augmented-Generation (no-RAG) eignen sich, wenn deterministische Antworten aus kontrollierten Dokumenten benötigt werden. Für komplexe, kontextreiche Aufgaben kombinieren wir Retrieval-, Retrieval-Augmented-Generation- und Agenten-Architekturen.
Sicherheits- und Compliance-Perspektive
Datensicherheit ist in der Fertigung nicht optional. Unsere Architekturprinzipien folgen dem Prinzip der Datensparsamkeit: nur notwendige Daten werden verarbeitet, sensible Daten werden lokal gehalten und verschlüsselt gespeichert. Bei Self-Hosted-Lösungen reduzieren wir Exfiltrationsrisiken und gewährleisten Auditierbarkeit.
Außerdem definieren wir klare Rollen- und Rechtekonzepte, Logging für Modellentscheidungen und Prozesse zur Datenretention, um regulatorische Anforderungen und interne Richtlinien einzuhalten.
Change Management und Skill-Building
Technische Implementierung allein reicht nicht. Erfolg braucht Akzeptanz: Wir arbeiten mit operativen Teams, Teamleads und IT, um Use Cases in Arbeitsabläufe zu integrieren, Bedienkonzepte zu entwickeln und Schulungen durchzuführen. Unsere Enablement-Module richten sich an Entwickler, Data Engineers und Endanwender und sorgen für nachhaltige Nutzung.
Außerdem empfehlen wir hybride Teams: lokale Fachanwender als Domänenexpert:innen gepaart mit unseren Co-Preneur-Ingenieur:innen bis zur Übergabe. So bleiben Wissen und Ownership im Unternehmen.
Erfolgsfaktoren, ROI und typische Zeitpläne
Realistische Zeitrahmen: Ein PoC kann in Tagen bis wenigen Wochen stehen; die Produktionseinführung dauert je nach Umfang 3–9 Monate. Frühe Wins bei Qualitätsmetriken, Durchlaufzeit und Reduktion von Ausschuss erzeugen das notwendige Momentum für größere Rollouts.
ROI-Kennzahlen sind meist klar messbar: Reduzierte Fehlerraten, kürzere Rüstzeiten, geringere Nacharbeit und verbesserte Lieferzuverlässigkeit. Wir strukturieren Projekte so, dass diese KPIs von Anfang an messbar sind.
Häufige Stolperfallen
Unklare Ziele, fehlende Datenqualität, mangelnde Integrationsfähigkeit mit Industrie-IT und zu frühes Vertrauen in ungetestete Modelle sind typische Risiken. Unser methodischer Aufbau — von Use-Case-Scoping über Feasibility bis zum Produktionsplan — minimiert diese Gefahren.
Abschließend: KI-Engineering für die Fertigung in Leipzig ist keine Blackbox. Mit klaren Zielen, robusten Pipelines, geeigneter Infrastruktur und einem Change-Management-Plan lassen sich signifikante betriebliche Verbesserungen erzielen.
Bereit, ein produktionsreifes KI-Projekt zu realisieren?
Kontaktieren Sie uns für ein erstes Scoping-Meeting. Wir bringen Engineering, Strategie und operative Erfahrung mit — und reisen nach Leipzig, um Ihr Team vor Ort zu unterstützen.
Schlüsselbranchen in Leipzig
Leipzigs industrielle Geschichte reicht zurück bis ins 19. Jahrhundert, doch die letzten Dekaden haben einen tiefgreifenden Wandel gebracht. Aus einem regionalen Produktionsknoten ist ein breit diversifiziertes Wirtschaftsnetz geworden, in dem moderne Fertigung, Logistik und Energieprojekte miteinander verwoben sind. Diese Entwicklung hat Platz geschaffen für spezialisierte Zulieferer in Metall, Kunststoff und Komponentenfertigung.
Der Automotive-Sektor prägt die Region maßgeblich. Werke und Zulieferer benötigen flexible Fertigungsprozesse, schnelle Anpassung an Modellwechsel und höchste Qualitätsstandards. Für Metall- und Komponentenfertiger sind Predictive Maintenance, Qualitätsprüfungen und Fertigungsoptimierung zentrale Handlungsfelder.
Logistik ist ein weiterer Anker: mit großen Hubs wie dem DHL-Standort und niederschwelligen Knotenpunkten für nationale Distributionen müssen Fertiger ihre Lieferketten resilient organisieren. KI-gestützte Prognosen und Bestandsoptimierung sind hier unmittelbar wertstiftend.
Im Energiesektor bietet Leipzig Chancen für Komponentenfertigung und Maschinenbauleistungen. Projekte rund um erneuerbare Energie und Versorgungstechnik verlangen präzise, zertifizierte Komponenten, für die automatisierte Prüfprozesse und Dokumentationspipelines entscheidend sind.
Die IT- und Tech-Community der Stadt liefert die Talentbasis. Startups und etablierte IT-Dienstleister treiben Digitalisierung und bieten Know-how für Edge-Computing, IIoT und Cloud-Integration. Diese Vernetzung erleichtert die Einführung von datengetriebenen Produktionssystemen.
Gleichzeitig stellt der Fachkräftemangel Fertiger vor Herausforderungen. KI-Engineering kann hier als Hebel dienen: Copilots, Assistenzsysteme und automatisierte Dokumentation entlasten Mitarbeitende und steigern die Produktivität, ohne kurzfristig große Neueinstellungen zu erfordern.
Für Metall- und Kunststoffbetriebe sind besonders folgende Chancen sichtbar: automatisierte Qualitätskontrolle per Bildverarbeitung, adaptive Produktionssteuerung durch Forecasting, intelligente Einkaufsassistenten und programmgesteuerte Dokumentationssysteme, die die Zertifizierung und Nachverfolgbarkeit vereinfachen.
Abschließend ist Leipzig ein Ort, an dem Fertigung und Logistik sich ideal ergänzen. Wer hier KI-Engineering pragmatisch und mit Produktionsfokus einsetzt, kann nicht nur Kosten senken, sondern sich langfristig als zuverlässiger Zulieferer in regionalen Wertschöpfungsketten positionieren.
Wie starten wir mit einem pragmatischen KI-PoC in Leipzig?
Wir definieren einen klaren Use Case, prüfen Datenlage vor Ort und liefern einen funktionsfähigen Prototyp innerhalb weniger Wochen. Wir reisen nach Leipzig, arbeiten on-site und liefern einen umsetzbaren Produktionsplan.
Wichtige Akteure in Leipzig
BMW hat in der Region eine starke Präsenz und beeinflusst das gesamte Zuliefer-Ökosystem. Zulieferer für Karosserie, Antriebsstrang und Innenausstattung orientieren ihre Produktions- und Qualitätsstandards an den Anforderungen der OEMs. Das erzeugt einen hohen Bedarf an skalierbaren, nachvollziehbaren KI-Lösungen in Montage und Qualitätssicherung.
Porsche treibt im weiteren Umkreis Premiumfertigung und Prozessinnovation voran. Die Anforderungen an Toleranzen und Dokumentation sind hier besonders hoch, weshalb KI-gestützte Prüfverfahren und automatisierte Dokumentationspipelines stark nachgefragt sind.
DHL Hub Leipzig ist ein logistisches Rückgrat der Region. Für Fertiger bedeutet das: kurze Wege zu Distributionsnetzwerken, aber auch die Notwendigkeit, Lieferprozesse präzise zu planen. Predictive Logistics und dynamische Bestandssteuerung sind hier zentrale Themen.
Amazon als Logistik- und E‑Commerce-Akteur sorgt für Anforderungen an schnelle Supply-Chain-Integration und standardisierte Schnittstellen. Fertiger, die schnell digital anbinden können, gewinnen Wettbewerbsvorteile in der Distribution ihrer Komponenten.
Siemens Energy steht für industrielle Großprojekte und komplexe Komponentenfertigung. Die Zusammenarbeit mit solchen Akteuren erfordert zertifizierte Prozesse, lückenlose Dokumentation und oft strikte IT-Sicherheitsanforderungen — Bereiche, in denen KI-Engineering maßgeblich unterstützen kann.
Daneben formiert sich ein Netzwerk aus Maschinenbauern, Werkzeugherstellern und spezialisierten Zulieferern, die lokale Innovationskraft bündeln. Viele dieser Unternehmen experimentieren bereits mit IIoT, Sensorik und datengetriebenen Optimierungen — eine ideale Ausgangslage für produktionsreife KI-Szenarien.
Regionale Hochschulen und Forschungsinstitute liefern zusätzliches Know-how und Talente. Die Verbindung von Wissenschaft, Fertigung und Logistik schafft einen fruchtbaren Nährboden für KI-Lösungen, die nicht nur prototypisch, sondern echt produktionsreif gedacht und getestet sind.
Insgesamt zeichnet sich Leipzig durch ein dichtes Netzwerk aus OEMs, Logistikgiganten und Technologieanbietern aus, das Fertigern einzigartige Möglichkeiten bietet, KI-Lösungen entlang der gesamten Wertschöpfungskette zu implementieren und zu skalieren.
Bereit, ein produktionsreifes KI-Projekt zu realisieren?
Kontaktieren Sie uns für ein erstes Scoping-Meeting. Wir bringen Engineering, Strategie und operative Erfahrung mit — und reisen nach Leipzig, um Ihr Team vor Ort zu unterstützen.
Häufig gestellte Fragen
Ein typischer PoC beginnt mit klarer Scope-Definition: Input-/Output-Beispiele, Qualitätskriterien und Erfolgsmessung. Bei einem fokussierten Use Case — etwa automatisierte Sichtprüfung oder ein Einkaufs-Copilot — können wir einen ersten funktionsfähigen Prototyp innerhalb von wenigen Arbeitstagen bis zu zwei Wochen liefern. Der Vorteil liegt in der Konzentration auf messbare, geringe Komplexität.
Wichtig für die Geschwindigkeit ist die Datenverfügbarkeit: Sind Prüfbilddaten, Sensordaten oder ERP-Logs sauber zugänglich, dann beschleunigt das die Modellierung und Validierung deutlich. Fehlt diese Basis, braucht es zusätzliche Zeit für Datenaufbereitung und ETL-Design.
Ein PoC ist bewusst klein gehalten, um technische Machbarkeit und Business-Impact schnell zu prüfen. Wir definieren klare Metriken (z. B. Erkennungsrate, False-Positive-Reduktion, Zeitersparnis), damit die Entscheidung für einen Produktionsrollout datengetrieben getroffen werden kann.
Nach erfolgreichem PoC folgt der Produktionsplan: Entwicklung von stabilen Pipelines, Monitoring, Sicherheitsprüfungen und Integration in MES/ERP. Diese Phase dauert typischerweise 3–9 Monate, abhängig von Umfang und Integrationsaufwand.
Für Self-Hosted-Setups empfehlen wir eine modulare Architektur: Objekt-Storage (z. B. MinIO) für Rohdaten und Artefakte, eine relationale Datenbank mit pgvector für Embeddings und Knowledge Systems, sowie containerisierte Deployments für Modell-Serving (z. B. über Coolify oder Kubernetes). Hetzner ist für viele unserer Kunden eine pragmatische Hosting-Option mit gutem Preis-Leistungs-Verhältnis.
Wichtig ist, dass Infrastruktur nicht monolithisch wird. Trennung von Storage, Compute und Serving ermöglicht skalierbare, wartbare Systeme. Zudem sollten Backup-, Restore- und Disaster-Recovery-Prozesse früh geplant werden, gerade wenn Produktionsprozesse von KI-Services abhängen.
Sicherheit ist zentral: Verschlüsselung in Transit und at-rest, Netzwerksegmentierung und Rollenmanagement sind Pflicht. Wir bauen Audit-Logs und explainability-Features ein, damit Entscheidungen nachvollziehbar bleiben und regulatorische Anforderungen erfüllt werden können.
Schließlich gilt: nicht jede Komponente muss sofort on-premise sein. Hybride Modelle erlauben es, latency-kritische Teile lokal zu hosten und andere Workloads sicher in vertrauenswürdige Cloud-Umgebungen auszulagern.
Integration beginnt mit einer präzisen Schnittstellenanalyse: Welche Daten werden wo erzeugt, in welchem Format und in welcher Frequenz benötigt die KI-Anwendung? Auf Basis dieser Analyse entwerfen wir API-Adapters, die Daten transformieren und zuverlässig liefern. Ziel ist, die KI-Lösung als weiteren Dienst im Produktions-Ökosystem zu betreiben, ohne die bestehenden Prozesse zu destabilisieren.
Technisch nutzen wir standardisierte Schnittstellen (REST/gRPC), Message-Broker für asynchrone Verarbeitung (z. B. Kafka) und leichte ETL-Layer für die Datenvorbereitung. Wichtig ist eine klare Versionierung der Daten und Modelle, damit Rückrollen möglich sind, falls etwas nicht wie erwartet läuft.
Operativ arbeiten wir eng mit IT/OT-Teams zusammen und führen Integrationstests in abgesicherten Staging-Umgebungen durch. Change-Management umfasst Trainings für Bediener sowie klare Runbooks, damit Support und Incident-Management funktionieren.
Unser Ziel ist immer: minimale Friktion im Tagesgeschäft. Die KI soll Prozesse unterstützen, nicht zusätzliche Komplexität schaffen.
Die Effekte variieren nach Use Case, aber häufige und schnell messbare Verbesserungen sind: geringere Ausschussraten durch automatisierte Prüfverfahren, kürzere Rüst- und Durchlaufzeiten durch Copilots, weniger Nacharbeit dank frühzeitiger Fehlerdetektion und effizientere Einkaufsprozesse durch prädiktive Preis- und Lieferantenanalyse.
Beispielsweise reduziert eine gut trainierte visuelle Inspektion signifikant menschliche Fehler und erhöht die Konsistenz von Qualitätsentscheidungen. Einkaufs-Copilots wiederum beschleunigen Ausschreibungen und erlauben bessere Verhandlungsstrategien basierend auf historischen Daten.
Langfristig entstehen Effekte wie bessere Planbarkeit, geringere Lagerkosten und erhöhte Lieferzuverlässigkeit. Der tatsächliche ROI sollte immer projektbezogen quantifiziert werden — wir legen von Anfang an Metriken fest und messen die Verbesserungen kontinuierlich.
Ein weiterer oft unterschätzter Nutzen ist Talentbindung: Mitarbeiter schätzen unterstützende Systeme, die Routineaufgaben übernehmen und Raum für anspruchsvollere Tätigkeiten schaffen.
Datenschutz und -sicherheit sind integrale Bestandteile unserer Architekturplanung. Wir beginnen mit einer Datenklassifizierung: Welche Daten sind kritisch, welche sind intern, welche können anonymisiert werden? Basierend darauf definieren wir Zugriffskontrollen, Verschlüsselungsanforderungen und Audit-Mechanismen.
Bei sensiblen Inhalten bevorzugen wir Self-Hosted-Optionen, weil sie bessere Kontrolle über Datenexfiltration ermöglichen. Zusätzlich implementieren wir strikte Netzwerksegmentierung zwischen Produktionsnetzwerken und administrativen Netzwerken sowie Monitoring für ungewöhnliche Datenbewegungen.
Rechtliche Anforderungen, etwa zur Datenspeicherung oder zu Exportkontrollen, prüfen wir gemeinsam mit internen Compliance-Teams und, falls nötig, externen Rechtsberatern. Technische Maßnahmen werden mit organisatorischen Prozessen kombiniert: Rollen, Freigabeworkflows und regelmäßige Audits.
Transparenz ist wichtig: Wir dokumentieren Datenflüsse, Modellentscheidungen und Tests, sodass Stakeholder nachvollziehen können, wie Daten verwendet werden und welche Maßnahmen gegen Risiken ergriffen wurden.
Eine effiziente Struktur kombiniert Domänenexpertise mit technischen Kompetenzen: Operative Fachleute (Produktion, Qualität, Einkauf) definieren Anforderungen und validieren Ergebnisse; Data Engineers und ML-Engineers bauen Pipelines und Modelle; DevOps/Infra-Teams betreiben die Infrastruktur; und ein Product Owner steuert die Roadmap und den Business-Impact.
Wir empfehlen ein kleines Kernteam, das eng mit unseren Co-Preneur-Ingenieur:innen arbeitet, bis die Lösung stabil läuft. Danach erfolgt schrittweise Knowledge-Transfer und Upskilling, sodass das Team selbstständig weiterentwickeln kann.
Rollen für Monitoring und Incident-Management sind essentiell: automatische Alerts, Performance-Dashboards und definierte Eskalationspfade sorgen dafür, dass Produktionsausfälle vermieden werden. Ebenso wichtig ist ein Prozess für regelmäßige Modell-Re-Training-Zyklen.
Schließlich braucht es Führungsunterstützung: Change-Management und Governance werden nur nachhaltig, wenn obere Ebenen das Vorhaben sichtbar unterstützen und Ressourcen bereitstellen.
Kontaktieren Sie uns!
Direkt Kontaktieren
Philipp M. W. Hoffmann
Founder & Partner
Adresse
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Kontakt
Telefon