Warum brauchen Finanz- und Versicherungsunternehmen in Berlin KI-Engineering?
Innovatoren dieser Unternehmen vertrauen uns
Die Herausforderung für Finanz- und Versicherungsfirmen in Berlin
Berliner Finanz- und Versicherungsanbieter stehen unter dem Druck, Innovation schnell und zugleich regulatorisch sicher umzusetzen. Die Versuchung, KI-Projekte als bloße Proofs zu betreiben, führt oft zu Systemen, die im Live-Betrieb nicht den Compliance-, Sicherheits- oder Skalierungsanforderungen genügen.
Ohne eine klare Engineering-Disziplin entstehen teure Insellösungen: Modelle, die in Tests gut aussehen, aber im Tagesgeschäft versagen — oder Prozesse, die regulatorische Risiken erhöhen statt sie zu reduzieren. Hier braucht es Produktions- und Risiko-First-KI, nicht Experimente ohne Verantwortung.
Warum wir die lokale Expertise haben
Wir sind in Stuttgart beheimatet und reisen regelmäßig nach Berlin, um direkt mit Ihren Teams vor Ort zu arbeiten. Diese Präsenz kombiniert mit einem tiefen Verständnis für die Berliner Start-up-Szene und das Finanz-Ökosystem ermöglicht uns, technische Lösungen zu bauen, die kulturell und organisatorisch funktionieren.
Unsere Co-Preneur-Arbeitsweise bedeutet, dass wir nicht bloß beraten: Wir übernehmen unternehmerische Verantwortung, arbeiten in Ihrem P&L-Kontext und liefern lauffähige, getestete Systeme, die Compliance- und Risikoforderungen berücksichtigen. Geschwindigkeit, technische Tiefe und klare Entscheidungsarchitektur sind unsere Hebel.
Unsere Referenzen
In Projekten wie der Zusammenarbeit mit FMG haben wir dokumentenzentrierte Recherche- und Analysewerkzeuge implementiert, die genau jene Automatisierungsanforderungen abdecken, die Finanzdienstleister bei KYC- und Compliance-Prozessen benötigen. Diese Arbeit zeigt unsere Erfahrung mit sensiblen Datensätzen und regulatorischen Anforderungen.
Für Flamro haben wir einen intelligenten Kundenservice-Chatbot gebaut; dieses Projekt liefert direkte Transferables für Versicherer, die skalierbare, sichere und modell-agnostische Chatlösungen brauchen. Die Lernkurven aus Nutzerführung und Fallback-Design sind für Finanzprozesse unmittelbar verwertbar.
Das Projekt mit Mercedes Benz demonstriert unsere Kompetenz in NLP-gestützter Kandidatenkommunikation — ein Beispiel dafür, wie automatisierte, 24/7-Kommunikation in sensiblen Geschäftsprozessen funktioniert und wie wir dialogorientierte Copilots gestalten, testen und in Betrieb nehmen.
Über Reruption
Reruption wurde mit der Idee gegründet, Unternehmen nicht nur zu verändern, sondern ihnen die Fähigkeit zu geben, sich proaktiv neu zu erfinden. Wir kombinieren schnelle Engineering-Sprints, strategische Klarheit und unternehmerische Umsetzungskraft, um KI-Lösungen in Produktion zu bringen — nicht Konzepte in PowerPoint.
Unser Angebot deckt die vier Säulen AI Strategy, AI Engineering, Security & Compliance sowie Enablement ab; in Berlin arbeiten wir mit lokalen Teams zusammen, um Compliance-sichere, produktionsreife Systeme zu entwickeln, die realen Geschäftswert liefern.
Interessiert an einem kurzfristigen PoC für KYC oder einen Risiko-Copilot?
Wir reisen regelmäßig nach Berlin, um vor Ort mit Ihren Teams einen zielgerichteten Proof of Concept umzusetzen. Kurze Laufzeiten, klare Erfolgskriterien, produktionsnahe Ergebnisse.
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 Finanz & Versicherung in Berlin: Ein Deep Dive
Berlin ist der Nährboden für FinTech-Innovationen, gleichzeitig aber streng reguliert und risikobewusst. Für Finanz- und Versicherungsunternehmen bedeutet das: KI muss nicht nur performant sein, sondern vor allem rechtskonform, auditierbar und robust gegen Manipulation. KI-Engineering in diesem Umfeld erfordert eine Kombination aus Software-Engineering, ML-Ops, Compliance-Architektur und produktbezogener Produktentwicklung.
Technisch beginnt alles mit der Auswahl der richtigen Architektur. Für LLM-basierte Systeme wie Advisory-Copilots oder Risikoassessments empfehlen wir modulare Architekturen: klar getrennte Komponenten für Inferenz, Kontext-Verwaltung, Auditing und Zugriffskontrolle. Diese Trennung erlaubt es, jeden Bereich unabhängig zu testen, zu skalieren und zu überwachen.
Marktanalyse und konkrete Use Cases
Der Berliner Markt verlangt Lösungen für KYC/AML-Automatisierung, Compliance-sichere Beratungsassistenten, Risiko-Copilots für Underwriting und automatisierte Claims-Analyse. Diese Use Cases teilen zwei Anforderungen: Nachvollziehbarkeit der Entscheidungen und minimale Angriffsflächen für Data Leakage. Die Marktreife hängt davon ab, ob man beides technisch absichern kann.
Ein typischer Use Case ist ein KYC-Workflow, in dem Dokumente automatisiert analysiert, relevante Entitäten extrahiert und konsolidierte Risikoprofile erstellt werden. Hier sind robuste ETL-Pipelines, feingranulare Rollen- und Zugriffskontrollen sowie Audit-Logs essenziell. Ohne diese Elemente ist ein otherwise leistungsfähiger NLP-Stack für Banken nicht einsetzbar.
Implementierungsansatz und Technologie-Stack
Erfolgreiches KI-Engineering kombiniert Cloud- oder On-Prem-Infrastruktur, MLOps-Pipelines und sichere Datenhaltung. In Berlin bevorzugen viele Unternehmen hybride oder selbstgehostete Optionen aus Datenschutz- und Kostenüberlegungen. Wir bauen self-hosted Deployments auf Hetzner mit MinIO, Traefik und Coolify, integrieren pgvector für Enterprise Knowledge Systems und orchestrieren CI/CD sowie Modell-Deployment automatisiert.
Für APIs integrieren wir OpenAI-, Anthropic- oder groq-basierte Backends je nach Anforderungen — stets mit Gateway-Schichten, die Token- und Kostenmanagement, Anfrageratebegrenzung und Response-Sanitization übernehmen. Für sensible Daten setzen wir auf private Chatbots ohne RAG, also ohne externe Knowledge-Retrievals, wenn Datenschutz das verlangt.
Produktionsreife: Tests, Monitoring, Sicherheit
Produktionsreife heißt, ein System über Monate robust zu halten. Dazu gehören umfangreiche Test-Suites (unit, integration, adversarial), Performance- und Kosten-Tests sowie kontinuierliches Monitoring von Drift, Latenz und Fehlerraten. In regulierten Umgebungen ergänzt ein Audit-Log jeder Entscheidungseinheit die Nachvollziehbarkeit.
Sicherheitsmaßnahmen umfassen Verschlüsselung-at-rest und -in-transit, feingranulare IAM-Policies, Secrets-Management und regelmäßige Penetrationstests. Dazu kommen Datenschutz-Workflows wie Data Minimization, Pseudonymisierung und definierte Datenretentionsperioden — alles Elemente, die Regulatoren in Deutschland und der EU erwarten.
Change Management und Organisation
Technik allein reicht nicht. Organisationen müssen Prozesse anpassen: Wer validiert Modell-Outputs? Wer ist für das Monitoring verantwortlich? Wer trifft Eskalationsentscheidungen bei Fehlverhalten? Wir setzen strukturierte Governance-Boards auf, etablieren SLOs und Schnittstellen zwischen Data Science, IT-Security und Fachabteilungen, damit Systeme nicht nur laufen, sondern verantwortungsvoll betrieben werden.
Training und Enablement sind Teil des Lieferumfangs: von Hands-on-Workshops für Entwickler bis zu Governance-Trainings für Compliance-Teams. Das erhöht die Akzeptanz und reduziert die Betriebsrisiken, weil Entscheidungen nicht mehr nur bei wenigen Spezialisten liegen.
Erfolgsfaktoren und ROI
Der finanzielle Wert zeigt sich in schnellerer Bearbeitung von Fällen (z. B. KYC), reduzierten Fallkosten bei Claims, effizienterer Kundenkommunikation und besseren Underwriting-Entscheidungen. Ein realistischer Rollout von Proof-of-Concept zur Produktion dauert typischerweise 3–6 Monate mit einem klaren Stufenplan für Pilot, Skalierung und Betrieb.
ROI-Messungen kombinieren direkte Kosteneinsparungen (Automatisierung von Prüf- und Dokumentenaufgaben) und indirekte Effekte (bessere Kundenzufriedenheit, schnellere Markteinführung neuer Produkte). Entscheidend ist, Metriken von Anfang an zu definieren und mit echten Geschäftszahlen zu verknüpfen.
Häufige Stolperfallen
Zu den typischen Fehlern gehören fehlende Datengovernance, unvollständige Test- und Monitoringstrategie, und die Annahme, dass ein Modell ‚out of the box‘ compliant ist. Viele Projekte scheitern, weil sie nicht von Anfang an auf Auditierbarkeit, Explainability und rollenbasierte Berechtigungen ausgelegt sind.
Ein weiteres Risiko ist die lockere Integration in Legacy-Systeme. Schnittstellen müssen transaktional und fehlertolerant sein; jede API-Anfrage, die einen Geschäftsprozess startet, muss atomar rückgängig gemacht werden können. Sonst erzeugt Automation neue Betriebsrisiken statt sie zu vermindern.
Fahrplan und Teamanforderungen
Ein pragmatischer Fahrplan beginnt mit einem AI PoC (Proof of Concept), gefolgt von einem stabilen MVP und einem gestaffelten Rollout. Kernteam-Rollen sind: Product Owner mit Domänenexpertise, ML-Ingenieur, Backend-Entwickler, Security/Compliance-Engineer und ein Data-Engineer für Pipelines. Diese Kombination deckt sowohl Produkt- als auch Betriebserfordernisse ab.
Wir empfehlen kurze Iterationen mit klaren Erfolgskriterien und regelmäßigen Demo- und Review-Zyklen. So lassen sich regulatorische Fragen früh klären, und Anpassungen erfolgen bevor teure Integrationen entstehen.
Bereit den nächsten Schritt zu gehen?
Vereinbaren Sie ein unverbindliches Gespräch. Wir skizzieren in 48 Stunden einen Machbarkeitsplan, inkl. Zeitrahmen, Risiken und Budgetabschätzung.
Schlüsselbranchen in Berlin
Berlin hat sich in den letzten zwei Jahrzehnten vom hippen Kulturzentrum zur europäischen Start-up-Hauptstadt entwickelt. Die Stadt zieht Gründer, Entwickler, Designer und Investorengelder an — ein Nährboden, in dem FinTechs besonders stark wachsen. Diese Unternehmerdichte schafft einen konstanten Bedarf an technischen Lösungen für Zahlungsabwicklung, Risikomanagement und Kundenansprache.
Die Tech- und Start-up-Szene in Berlin ist eng verzahnt mit FinTech-Innovationen: von neobanking bis zu automatisierten Investmentplattformen. Dieser enge Austausch zwischen Branchen begünstigt cross-sektorale Lösungen — etwa die Übertragung von Conversational AI aus der Customer-Service-Welt in den Versicherungsbereich.
FinTech-Unternehmen haben in Berlin die Erwartung, schnell zu skalieren. Das erzeugt Druck auf Engineering-Teams, Systeme nicht nur funktional zu bauen, sondern auch performant, kosteneffizient und rechtskonform. KI-Engineering muss diesen dualen Anspruch erfüllen: Innovationsgeschwindigkeit und regulatorische Robustheit.
Die E-Commerce- und Kreativwirtschaft fordern ebenfalls datengetriebene Lösungen: Predictive Analytics für Nachfrageprognosen, automatisierte Content-Generierung und Personalisierung. Diese Anwendungsfelder bieten Versicherern und Finanzdienstleistern wertvolle Blaupausen — etwa beim autonomen Handling von Schadenfällen oder personalisierten Beratungsangeboten.
Darüber hinaus ist die Berliner Investorenlandschaft aktiv in der Finanzierung von skalierbaren Plattformen. Für Anbieter bedeutet das: Wer KI-Engineering anbietet, muss nicht nur ein technisches Proof liefern, sondern auch eine klare Vorstellung vom Go-to-Market und Monetarisierungsmodell haben.
Schließlich prägt die Regulierung auf EU- und Bundesebene die Prioritäten der Branche. Berliner Firmen kombinieren Innovationsfreude mit großer Sensibilität gegenüber Datenschutz und Compliance. Das macht den Markt anspruchsvoll, schafft aber auch klare Chancen für Anbieter, die Produktionsreife und regulatorische Expertise verbinden.
Interessiert an einem kurzfristigen PoC für KYC oder einen Risiko-Copilot?
Wir reisen regelmäßig nach Berlin, um vor Ort mit Ihren Teams einen zielgerichteten Proof of Concept umzusetzen. Kurze Laufzeiten, klare Erfolgskriterien, produktionsnahe Ergebnisse.
Wichtige Akteure in Berlin
Zalando begann als Online-Schuhhändler und ist zu einem der größten Technologie- und Logistikplayer Deutschlands gewachsen. Zalando investiert stark in Data Science, Personalisierung und automatisierte Prozesse — Technologien, deren Architektur und Lessons Learned für Versicherer nützlich sind, etwa wenn es um personalisierte Angebote oder dynamische Pricing-Modelle geht.
Delivery Hero hat Berlin zur globalen Drehscheibe für Lieferplattformen gemacht. Die Art und Weise, wie Delivery Hero Echtzeit-Entscheidungen, Routing und Nachfrageprognosen skaliert hat, liefert verwertbare Ansätze für unter anderem Betrugserkennung und automatisiertes Claims-Handling in Versicherungen.
N26 steht als Leuchtturm für Neobanking in Berlin. Das Unternehmen hat frühzeitig automatisierte Kundensupport-Workflows und Risk-Scoring-Mechanismen eingeführt. Die Erfahrungen von N26 mit regulatorischen Anforderungen, Skalierung von ML-Modellen und sicheren API-Architekturen sind direkt auf traditionelle Banken und Versicherer übertragbar.
HelloFresh transformierte die Lebensmittelbranche mit datengetriebenen Lieferketten und Personalisierung. Für Versicherer sind die Prozesse bei Lieferkettenoptimierung und Vorhersageinstrumenten Vorbilder, insbesondere wenn es um Risikoabschätzung oder parametrisierte Versicherungsprodukte geht.
Trade Republic hat das Trading demokratisiert und steht für eine neue Generation digitaler Finanzprodukte. Die Plattform zeigt, wie kundennahe Interfaces und automatisierte Beratung (Robo-Advisors) im Massenmarkt funktionieren — ein Referenzmodell für digitale Beratungs-Copilots im Versicherungsbereich.
Über diese großen Namen hinaus existiert in Berlin ein dichtes Netz von mittelgroßen FinTechs, B2B-Startups und spezialisierten Technologieanbietern. Dieses Ökosystem fördert Wissenstransfer, Fachkräftebewegungen und Partnerschaften, die den Transfer von KI-Lösungen zwischen Branchen beschleunigen.
Für Anbieter von KI-Engineering bedeutet das: Wer in Berlin erfolgreich sein will, muss technisch exzellent arbeiten und gleichzeitig die lokale Kultur, die schnellen Iterationszyklen und die regulatorische Sensibilität verstehen. Präsenz vor Ort, regelmäßiger Austausch und gemeinsame Pilotprojekte sind daher entscheidend.
Bereit den nächsten Schritt zu gehen?
Vereinbaren Sie ein unverbindliches Gespräch. Wir skizzieren in 48 Stunden einen Machbarkeitsplan, inkl. Zeitrahmen, Risiken und Budgetabschätzung.
Häufig gestellte Fragen
Compliance beginnt nicht erst bei der Modellwahl, sondern bereits bei der Datenaufnahme. Relevante Daten müssen klassifiziert, minimiert und pseudonymisiert werden, bevor sie für Trainings- oder Inferenzzwecke genutzt werden. Eine klare Datenherkunft (Data Lineage) und dokumentierte Zustimmungsprozesse sorgen dafür, dass Auditoren den Weg jeder Entscheidung nachvollziehen können.
Auf technischer Ebene sind Audit-Logs, Explainability-Module und Versionierung zentral: Jedes Modell-Deployment sollte eine nachvollziehbare Historie haben, zwischen Train-, Test- und Produktionsversionen unterschieden werden und über dokumentierte Metriken verfügen. So lässt sich im Zweifel jederzeit erklären, warum ein Modell eine bestimmte Empfehlung gegeben hat.
Organisatorisch sind Governance-Boards mit Compliance-, Security- und Fachvertretern notwendig. Diese Boards definieren SLOs, Escalation-Prozesse und regelmäßige Review-Termine. Die Einbindung der Rechts- und Compliance-Abteilung von Anfang an verhindert spätere Nachbesserungen und teure Rückrufe.
Praktische Maßnahmen umfassen regelmäßige Penetrationstests, Datenschutz-Folgenabschätzungen (DSFA) und die Implementierung von Data Minimization. Für hochregulierte Use Cases empfehlen wir oft Self-Hosted- oder On-Prem-Deployments, um die Kontrolle über Datenflüsse und Speicherorte vollständig zu behalten.
Sensible Daten können genutzt werden, aber nur mit einem stringenten Sicherheits- und Governance-Framework. Das beginnt mit Zugriffssteuerung, Verschlüsselung-at-rest und -in-transit sowie separaten Umgebungen für Entwicklung, Testing und Produktion. Nicht alle LLM-Interaktionen müssen externe Modelle verwenden — private, hostbare Modelle sind eine Option.
Für viele Insurance-Use-Cases empfehlen wir No-RAG-Designs oder streng kontrollierte Retrieval-Pipelines. Damit verhindern Sie, dass sensibler Kontext unkontrolliert in Modellprompts gelangt oder in externen Systemen persistiert. Wenn Retrieval nötig ist, dann mit lokalem Vector-Store wie pgvector hinter kontrollierten Firewalls.
Ein weiterer Hebel ist die Input-Sanitization und Redaction: Vor der Inferenz werden personenbezogene Daten maskiert oder pseudonymisiert. Zusätzlich helfen query-level policies, damit bestimmte Fragestellungen überhaupt nicht an Modellinstanzen weitergeleitet werden können.
Schließlich sind Vertrags- und Prozessmechanismen wichtig: Data Processing Agreements, klare SLAs mit Cloud- oder Modellanbietern und regelmäßige Audits stellen sicher, dass technische Maßnahmen auch vertraglich und organisatorisch abgesichert sind.
Ein klarer, realistischer Zeitrahmen gliedert sich meist in drei Phasen: PoC (4–6 Wochen), MVP/Pilot (2–3 Monate) und gestaffelter Produktionsrollout (weitere 2–6 Monate). Die tatsächliche Dauer hängt von Datenverfügbarkeit, Integrationskomplexität und regulatorischen Prüfungen ab. Für KYC- oder AML-Prozesse ist oft zusätzliche Prüfzeit für Compliance nötig.
Wir empfehlen mit einem fokussierten PoC zu starten, der eine Kernhypothese prüft: Funktioniert das Modell technisch? Lässt sich die Integration technisch realisieren? Ist der Mehrwert messbar? Ein schlanker PoC reduziert Risiko und Kosten, bevor größere Integrationen erfolgen.
Der MVP sollte produktionsnahe Bedingungen simulieren: echte Datenströme, Lasttests und Monitoring-Baselines. In dieser Phase werden Produktionsaspekte wie Rollback-Strategien, Kostenmanagement und Alerting implementiert. Erst wenn diese Grundlage steht, ist ein gestaffelter Rollout vertretbar.
Wichtig ist, dass Zeitpläne Puffer für Governance-Reviews und externe Prüfungen enthalten. Frühzeitige Abstimmung mit Compliance verkürzt spätere Wartezeiten und schützt vor Nacharbeiten, die das Projekt deutlich verlängern könnten.
Für Unternehmen mit strengen Datenschutzanforderungen sind hybride oder vollständig selbstgehostete Deployments empfehlenswert. Eine bewährte Kombination ist die Nutzung von Hetzner als kosteneffiziente Infrastruktur, kombiniert mit MinIO für objektbasierten Storage und Traefik für das Ingress-Management. Coolify erleichtert Deployment und Service-Orchestrierung.
Wichtig ist die Orchestrierung von Batch- und Echtzeit-Workloads: Modelle müssen performant inferiert werden, während Data-Pipelines ETL-Aufgaben erledigen. Wir setzen auf Kubernetes für Skalierbarkeit, gepaart mit MLOps-Tools für Modellversionierung, Monitoring und automatisierte Tests.
Für Knowledge-Systeme verwenden wir Postgres + pgvector als zuverlässige, performant skalierende Lösung für Vektor-Speicherung. Das erlaubt schnelle, lokale Retrievals ohne externe Abfragen und ist ideal für sensitive Knowledge-Workloads.
Schließlich ist das Kostenmanagement entscheidend: GPU-Instanzen sollten gezielt für Inferenzspitzen genutzt werden, während CPU-basierte Workloads günstiger laufen können. Auto-Scaling, Spot-Instanzen und ein striktes Quota-Management vermeiden unerwartete Kostenexplosionen.
KYC/AML-Prozesse eignen sich hervorragend für Automatisierung, weil viele Schritte regelbasiert oder dokumentenbasiert sind. KI kann Dokumentenanalyse, Entity-Extraction und erste Scoring-Stufen übernehmen. Das reduziert manuelle Prüfungslasten und beschleunigt Onboarding-Zeiten.
Wichtig ist die Kombination aus heuristischen Regeln und probabilistischen Modellen: Ein regelbasiertes Front-End filtert klar definierte Fälle, während Modelle ambivalente Fälle an menschliche Prüfer eskalieren. So bleibt die Entscheidungsverantwortung in kritischen Fällen beim Menschen.
Ein weiterer Hebel ist die kontinuierliche Rückkopplung: Fälle, die Menschen korrigieren, müssen zurück in Trainings- und Monitoring-Pipelines fließen, um Drift zu reduzieren und Präzision zu steigern. Nur so bleibt das System über längere Zeit zuverlässig.
Praktische Umsetzung erfordert enge Abstimmung mit Compliance-Teams, definierte Schwellenwerte für Eskalation und transparente Dokumentation aller Modellentscheidungen — ein Framework, das regulatorische Prüfungen vereinfacht und gleichzeitig Effizienzgewinne realisiert.
Die Integration beginnt mit einer klaren API-Strategie: KI-Komponenten sollten über definierte, versionierte Schnittstellen angesprochen werden. Transaktionale Prozesse erfordern idempotente Operationen und klare Fehlerpfade, damit Automatisierung keine Inkonsistenzen in Core-Systemen erzeugt.
Ein weiterer Aspekt ist asynchrone Verarbeitung: Nicht alle KI-Aufgaben müssen synchron laufen. Batch-Verarbeitung oder Event-getriebene Architekturen reduzieren Latenzanforderungen an Core-Systeme und erlauben robuste Retry-Strategien.
Bei Legacy-Systemen sind Adapter-Schichten oft notwendig. Diese Translators kapseln alte Schnittstellen und übersetzen sie in moderne API-Calls, sodass KI-Services unabhängig weiterentwickelt werden können. Zusätzlich helfen Feature-Stores und Message-Broker bei der Entkopplung von Systemen.
Für den Betrieb sind Monitoring, End-to-End-Tests und SLOs essenziell. Nur so lässt sich sicherstellen, dass ein KI-Service nicht nur technisch funktioniert, sondern im Tandem mit den kritischen Geschäftssystemen zuverlässig bleibt.
Kontaktieren Sie uns!
Direkt Kontaktieren
Philipp M. W. Hoffmann
Founder & Partner
Adresse
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Kontakt
Telefon