Wie kann KI-Engineering den Maschinen- & Anlagenbau in Dortmund produktiver und resilienter machen?
Innovatoren dieser Unternehmen vertrauen uns
Die lokale Herausforderung
Der Maschinen- und Anlagenbau in Dortmund steht zwischen dem Druck, traditionelle Fertigungsprozesse zu digitalisieren, und der Notwendigkeit, zuverlässige, sichere KI-Systeme zu betreiben. Viele Unternehmen spüren die Lücke: Ideen für KI-gestützte Services und Ersatzteilprognosen existieren, aber die Umsetzung in produktionsfähige Systeme bleibt schwierig.
Warum wir die lokale Expertise haben
Wir reisen regelmäßig nach Dortmund und arbeiten vor Ort mit Kunden – wir behaupten nicht, dort ein Büro zu haben, aber wir sind vertraut mit den lokalen Netzwerken und kommen für Workshops, Integrationsphasen und Go-Lives direkt zu Ihnen. Das gibt uns den Blick für die Besonderheiten von NRW-Fertigungsstätten: Schichtbetrieb, strenge Sicherheitsprozesse und verzahnte Lieferketten.
Unsere Arbeit ist geprägt von direkter Zusammenarbeit mit Engineering- und IT-Teams: Wir sitzen mit Elektrotechnikern an Steuerungspults, mit Plant-Managern in der Schichtplanung und mit Datenverantwortlichen an der Datenbereitstellung. So entstehen Lösungen, die nicht nur in der Demo funktionieren, sondern in der Schichthalle.
Wir kombinieren schnelle Prototypen mit klaren Produktionsplänen: In frühen Tagen bauen wir lauffähige Prototypen, testen Modelle gegen reale Sensor- und Logistikdaten und liefern anschließend die Architektur für den stabilen Betrieb — inklusive Metriken, Kostenabschätzung und Rollout-Plan.
Unsere Referenzen
Im Manufacturing-Umfeld haben wir mehrfach mit Kunden zusammengearbeitet, die ähnliche Herausforderungen wie Dortmunder Maschinenbauer haben. Für STIHL begleiteten wir mehrere Projekte von Kundenforschung bis Produkt-Market-Fit, darunter technische Trainingssysteme und Simulationstools, die den Produktentwicklungsprozess beschleunigen. Bei Eberspächer arbeiteten wir an AI-basierten Lösungen zur Lärmreduzierung in der Fertigung, die Qualität und Durchsatz verbesserten.
Für industrielle Technologieprojekte unterstützten wir außerdem BOSCH beim Go-to-Market neuer Display-Technologie und Festo Didactic beim Aufbau digitaler Lernplattformen für industrielle Weiterbildung — beides Beispiele, wie technische Produkte und Bildungsangebote durch KI und digitale Plattformen enger mit Produktionsprozessen verknüpft werden können.
Über Reruption
Reruption wurde auf der Idee gegründet, dass Unternehmen nicht nur gestört werden sollten, sondern sich selbst neu erfinden müssen. Unsere Co-Preneur-Methode bedeutet: Wir arbeiten als temporäre Mitgründer im Unternehmen, übernehmen Verantwortung für Ergebnisse und liefern technische Lösungen — keine PowerPoint-Folien.
Unser Fokus liegt auf vier Säulen: AI Strategy, AI Engineering, Security & Compliance und Enablement. Das Ergebnis ist nicht bloß ein Prototyp, sondern ein klarer Weg in den produktiven Betrieb — gerade in anspruchsvollen Maschinenbau-Umgebungen wie denen in und um Dortmund.
Sie wollen wissen, ob Ihr Use Case technisch machbar ist?
Vereinbaren Sie ein kurzes Scoping: Wir prüfen Datenlage, Machbarkeit und nennen erste technische Lösungen sowie ein realistisches Zeitfenster. Wir kommen gern nach Dortmund für ein Vor-Ort-Review.
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 Maschinen- & Anlagenbau in Dortmund: Ein tiefer Blick
Der Maschinen- und Anlagenbau verlangt von KI-Lösungen mehr als gute Vorhersagen: Modelle müssen deterministisch, auditierbar und leicht in bestehende Steuerungs- und ERP-Systeme integrierbar sein. In Dortmund, wo Fertigung, Logistik und IT eng verzahnt sind, ist diese Integrationsfähigkeit zentral.
Marktanalyse und regionale Treiber
Dortmunds Wandel von Stahl zu Software hat eine dichte Infrastruktur aus Logistikdienstleistern, IT-Firmen und industriellen Zulieferern geschaffen. Diese regionale Mischung treibt die Nachfrage nach KI-Lösungen, die Produktion, Versandplanung und After-Sales-Services miteinander verbinden.
Für lokale Maschinenbauer sind vor allem drei Marktkräfte relevant: zunehmender Fachkräftemangel, steigender Kostendruck in der Produktion und der Bedarf nach schnelleren Entwicklungszyklen. KI kann hier als Multiplikator wirken, wenn sie richtig eingesetzt wird.
Spezifische Anwendungsfälle für Maschinen- & Anlagenbau
1) Predictive Maintenance und Ersatzteil-Vorhersage: Mit passenden Sensor- und Betriebsdaten lassen sich Ausfälle vorhersagen und Lagerbestände für Ersatzteile optimieren. Für Dortmunder Anlagen, die oft in internationalen Lieferketten hängen, reduziert das Stillstandszeiten erheblich.
2) Interne Copilots & Planungs-Agents: Multi-Step-Workflow-Agenten unterstützen Planer bei Schichtplanung, Materialdisposition und Feinplanung. Solche Copilots integrieren Daten aus ERP, MES und IoT-Streams und bieten Handlungsempfehlungen statt nur Prognosen.
3) Enterprise Knowledge Systems & Handbuch-Digitalisierung: Maschinenbauer besitzen oft umfangreiche, unhygienische Dokumentenbestände. Ein Enterprise-Knowledge-System mit vektorisierten Texten (z. B. Postgres + pgvector) legt eine verlässliche Wissensbasis, die Service-Techniker, Konstrukteure und Support-Teams produktiv macht.
Implementierungsansätze und Architekturprinzipien
Wir empfehlen eine modulare Architektur: leichte Datenpipelines (ETL), klare API-Schichten für Modelle und dedizierte Infrastruktur für Inferenz und Monitoring. Das trennt Forschung von Produktion und erlaubt sichere Updates ohne Produktionsunterbrechung.
Für LLM-basierte Anwendungen ist die Frage „Self-hosted oder Cloud?“ entscheidend. In Dortmund sind hybride Modelle oft sinnvoll: Sensible Betriebsdaten bleiben on-premise oder in privaten Clouds (z. B. Hetzner), während weniger kritische Komponenten in Managed-Services laufen. Wir bauen Integrationen zu OpenAI, Anthropic oder model-agnostischen Backends, je nach Compliance-Anforderungen.
Technologie-Stack und Infrastruktur
Ein praxistauglicher Stack umfasst: Datenlake/MinIO, orchestrierte ETL-Jobs, Vector-Datenbanken auf Postgres + pgvector, Container-Orchestrierung mit Coolify/Traefik für Deployments, sowie spezialisierte Inferenz-Runtime für LLMs. Monitoring, Observability und Cost-Tracking sind obligatorisch, um Modelle zuverlässig zu betreiben.
Für On-Prem- oder Self-Hosted-Szenarien setzen wir bewährte Komponenten ein, die in Fertigungsumgebungen betrieben werden können, einschließlich Backup-Strategien und Disaster-Recovery-Plänen, die mit Schichtbetrieb und Wartungsfenstern kompatibel sind.
Erfolgsfaktoren und häufige Stolperfallen
Datenqualität ist der häufigste Engpass: unvollständige Stücklisten, inkonsistente Sensor-Samplings und verstreute Dokumente verhindern effektive Modellierung. Investitionen in Datenclearing und einheitliche Schemas zahlen sich schneller aus als frühe Modellversuche.
Organisatorisch ist die Einbindung der Werksebene entscheidend. Erfolgreiche Deployments entstehen dort, wo Instandhalter, Produktionsleiter und IT gemeinsam Validierungsprozesse definieren und kontinuierliches Feedback in Modelle speisen.
ROI, Zeitplan und Teamaufwand
Ein typischer Fahrplan: 2–4 Wochen Scoping und PoC (mit unserem 9.900€ AI PoC-Angebot), 3–6 Monate bis zu einem ersten produktiven Minimal-Live, 6–12 Monate für vollständige Integration und Skalierung. ROI hängt stark vom Anwendungsfall: Predictive Maintenance kann Stillstandkosten binnen Monaten reduzieren, während Knowledge Systems langfristig Servicekosten senken.
Das Kernteam sollte Data Engineers, ein DevOps/Infrastructure-Engineer, ein ML-Engineer und Domain-Experten aus Fertigung/Service umfassen. Reruption bringt zusätzlich produktorientierte Software-Ingenieurskraft und Co-Preneur-Verantwortung für Ergebnisorientierung.
Change Management und Betrieb
Schließlich ist Change Management kein Nebenposten: Wir begleiten Schulungen, erstellen Playbooks für Modell-Driftszenarien und richten Dashboards ein, die Entscheider in Echtzeit zeigen, wenn Modelle nachtrainiert oder Rollen angepasst werden müssen. Nur so werden KI-Projekte in Produktionskontexte dauerhaft aufgenommen.
In Dortmund arbeiten wir eng mit lokalen IT- und Logistikpartnern zusammen, um Übergaben in den Regelbetrieb reibungslos zu gestalten — von der Workbench bis zur Werkshalle.
Bereit für den nächsten Schritt?
Buchen Sie unseren 9.900€ AI PoC, erhalten Sie einen lauffähigen Prototyp, Performance-Metriken und einen konkreten Produktionsplan. Schnell, praxisorientiert, vor Ort begleitbar.
Schlüsselbranchen in Dortmund
Dortmunds Geschichte ist eine Geschichte des Wandels: einst Zentrum der Stahl- und Kohleindustrie, heute ein Knotenpunkt für Logistik, IT-Dienstleistungen, Versicherungen und Energie. Dieser Strukturwandel hat nicht nur neue Branchen angezogen, sondern auch eine Kultur geschaffen, die technische Transformation annimmt – ein fruchtbarer Boden für KI-Initiativen im Maschinen- und Anlagenbau.
Die Logistikbranche profitiert unmittelbar von KI-Anwendungen, die Transport- und Lagerprozesse optimieren. Dortmunds Lage im Herzen des Ruhrgebiets macht schnelle Materialflüsse möglich; gleichzeitig erfordert die hohe Durchsatzdichte intelligente Planungssysteme, die Produktionszyklen und Versandfenster synchronisieren.
Im IT-Sektor haben sich zahlreiche Systemintegratoren und Softwarehäuser etabliert, die als Brücke zwischen Fertigung und digitalen Plattformen fungieren. Diese lokale IT-Kompetenz erleichtert Maschinenbauern den Zugang zu Cloud-Lösungen, API-Integrationen und modernen Data-Pipelines.
Der Versicherungssektor, repräsentiert durch große regionale Akteure, treibt datenbasierte Risikomodelle und industrielle Versicherungsprodukte voran. Für Maschinenbauer entstehen dadurch neue Service- und Business-Modelle, etwa leistungsabhängige Versicherungslösungen, die durch Predictive Maintenance Daten gestützt werden.
Im Energiesektor, mit Unternehmen wie RWE, wird die Verzahnung von Produktion und Energieversorgung immer wichtiger. Energieeffizienz, Lastverschiebung und die Abstimmung von Fertigungsprozessen mit variabler Energieproduktion sind Bereiche, in denen KI konkrete Einsparungen und Effizienzgewinne liefert.
Auch die industrielle Zulieferkette hat sich professionalisiert: Maschinenbauer sind heute Teil komplexer Wertschöpfungsnetzwerke, in denen Transparenz über Teileverfügbarkeit und Lieferzeiten entscheidend ist. KI-basierte Lageroptimierung und Vorhersagemodelle sind hier klare Hebel.
Insgesamt ergeben sich für Dortmunder Maschinenbauer Chancen in Service-Erweiterungen, digitaler Produktdokumentation und Automatisierung von Planungsprozessen. Der lokale Mix aus Logistik, IT und Energie schafft ideale Voraussetzungen, um KI-Projekte von der Pilotphase in den stabilen Betrieb zu überführen.
Die Herausforderung bleibt, technische Innovation mit betriebsspezifischen Anforderungen wie Sicherheit, Normenkonformität und Schichtlogik zu verbinden — genau hier setzen produktionstaugliche KI-Engineering-Projekte an.
Sie wollen wissen, ob Ihr Use Case technisch machbar ist?
Vereinbaren Sie ein kurzes Scoping: Wir prüfen Datenlage, Machbarkeit und nennen erste technische Lösungen sowie ein realistisches Zeitfenster. Wir kommen gern nach Dortmund für ein Vor-Ort-Review.
Wichtige Akteure in Dortmund
Signal Iduna ist eine feste Größe im Dortmunder Wirtschaftsleben: als großer Versicherer prägt das Unternehmen nicht nur den lokalen Arbeitsmarkt, sondern treibt auch datengetriebene Produkte voran. Für Maschinenbauer sind Partnerschaften mit Versicherern interessant, wenn es um risk-basierte Serviceverträge und datengetriebene Versicherungsmodelle geht.
Wilo ist ein typisches Beispiel für einen regional verwurzelten Mittelständler mit globaler Reichweite. Als Pumpenhersteller hat Wilo schon früh in Digitalisierung investiert; die Nähe zu solchen Zulieferern bietet Dortmunder Maschinenbauern Chancen für gemeinsame IoT- und Predictive-Maintenance-Projekte.
ThyssenKrupp hat als traditioneller Industriestandort den Wandel im Ruhrgebiet mitgeprägt. Zwar sind Teile des Konzerns global organisiert, doch die industrielle Nähe und die vorhandene Expertise zu großen Anlagen zeigen, wie wichtig robuste, skalierbare KI-Lösungen in der Region sind.
RWE ist als Energieversorger ein zentraler Player für die industrielle Energiebilanz. Kooperationen zwischen Maschinenbauern und Energieversorgern eröffnen Potenziale für Lastmanagement und Effizienzoptimierung durch KI-gesteuerte Steuerung von Produktionsprozessen.
Materna ist ein Beispiel für die lokale IT-Kompetenz: Als IT-Dienstleister unterstützt Materna zahlreiche öffentliche und private Projekte und bringt Know-how in Systemintegration und digitalen Plattformen mit — Fähigkeiten, die für KI-Integrationen in Fertigungsumgebungen benötigt werden.
Darüber hinaus prägen zahlreiche mittelständische Zulieferer, Logistikdienstleister und Softwarefirmen das Ökosystem. Diese lokale Dichte erleichtert Kooperationen: Maschinenbauer in Dortmund verlassen sich auf ein Netzwerk aus Spezialisten, das schnelle Pilotierung und skalierte Rollouts ermöglicht.
Viele dieser Akteure investieren in Weiterbildung und digitale Bildungsangebote — ein Umfeld, das die Akzeptanz für Copilots, digitale Handbücher und intelligente Assistenzsysteme fördert. Die Kombination aus industrieller Tradition und moderner IT macht Dortmund zu einem spannenden Standort für KI-Engineering im Maschinenbau.
Reruption arbeitet regelmäßig mit Partnern in der Region zusammen und bringt dabei die technische Tiefe für produktionsreife KI-Lösungen ein, ohne dabei lokale Gegebenheiten zu übergehen.
Bereit für den nächsten Schritt?
Buchen Sie unseren 9.900€ AI PoC, erhalten Sie einen lauffähigen Prototyp, Performance-Metriken und einen konkreten Produktionsplan. Schnell, praxisorientiert, vor Ort begleitbar.
Häufig gestellte Fragen
Der beste Einstieg ist ein klar abgegrenzter Use Case mit messbaren Zielen: Will man Ausfallzeiten reduzieren, Dokumentensuche beschleunigen oder Serviceprozesse automatisieren? Ein begrenzter Scope ermöglicht schnelle Erkenntnisse und minimiert Risiko. Wir empfehlen, interne Stakeholder aus Produktion, Instandhaltung und IT früh einzubinden, um Machbarkeit und Datenverfügbarkeit zu prüfen.
Technisch beginnt der Start mit einer Bestandsaufnahme der Datenlandschaft: Welche Sensoren sind vorhanden, wie werden Stücklisten und Handbücher verwaltet, existieren strukturierte Log-Dateien? Ohne saubere Datenbasis sind auch die besten Modelle nur begrenzt einsetzbar. Oft zahlt sich ein kurzer Data-Engineering-Aufwand aus, bevor das Modelltraining beginnt.
Methodisch ist ein PoC in zwei Stufen sinnvoll: Zuerst ein technischer Proof-of-Concept, der zeigt, dass ein Modell mit realen Daten funktioniert; dann ein klares Produktionsdesign, das Operationalisierung, Monitoring und Rollout-Terminologie enthält. Unser AI PoC-Angebot (9.900€) ist darauf ausgerichtet, die erste technische Machbarkeit in Tagen bis Wochen zu zeigen.
Organisatorisch sollten Verantwortlichkeiten geklärt sein: Wer ist Product Owner, wer verantwortet Datenqualität, und wie sehen Wartung und Updates aus? Frühe Entscheidungen zu Ownership und SLI/SLO helfen, spätere Reibungsverluste zu vermeiden. Praktische Takeaway: klein beginnen, schnell validieren, dann skalieren — und die Werksebene immer beteiligen.
Gute Predictive-Maintenance-Modelle benötigen zwei Datenklassen: Betriebsdaten (Sensoren, Laufzeiten, Temperaturen, Vibrationen) und Kontextdaten (Maschinenhistorie, Wartungslogs, Ersatzteil-Records). In Dortmund finden sich oft gute Kontextdaten in ERP- und MES-Systemen, die mit Sensorstreams verknüpft werden müssen.
Wichtig ist die Granularität: Für manche Maschinen genügen Betriebskonditionen und Stundenzähler, für andere sind hochfrequente Vibrationsdaten nötig. Die Auswahl hängt vom Ausfallmechanismus ab — deshalb ist eine erste Fehleranalyse gemeinsam mit Instandhaltern wichtig, bevor man die Datensammlung skaliert.
Datensilos sind eine häufige Hürde: Sensor-Daten liegen beim Anlagenbauer, Wartungsdaten bei der IT, und Ersatzteil-Informationen im ERP. Ein Teil der Arbeit besteht darin, diese Datenquellen zusammenzuführen, Schema-Konflikte zu beheben und eine verlässliche Zeitbasis zu schaffen.
Praktisch empfehlen wir ein iteratives Vorgehen: Zuerst eine greifbare Datenauswahl für einen Maschinen-Typ testen, dann Aufzeichnungen erweitern und Modelle verfeinern. So lassen sich schnelle Wins erzielen, ohne die gesamte Datenlandschaft auf einmal umzugestalten.
Die Antwort ist selten absolut: Self-Hosting bietet Kontrolle über Daten und Latenzvorteile, was in sicherheitskritischen Fertigungsprozessen wichtig sein kann. In Dortmund, wo viele Unternehmen strenge Compliance- und Geheimhaltungsanforderungen haben, ist Self-Hosting oft attraktiv. Gleichzeitig erfordert es Infrastruktur, Betriebskompetenz und klare Backup-/Disaster-Recovery-Konzepte.
Cloud-Services bieten dagegen schnelle Skalierbarkeit, Maintenance-Entlastung und Zugang zu State-of-the-Art-Modellen. Für nicht-sensible Teile eines Workflows, etwa aggregierte Analysen oder Modelltraining auf anonymisierten Datensätzen, sind Cloud-Angebote oft kosteneffizienter.
Ein hybrider Ansatz ist in der Praxis sehr verbreitet: Sensible Inferenzprozesse bleiben on-premise (oder auf privaten VPCs), während Trainingsjobs, die große GPU-Ressourcen brauchen, zeitweise in die Cloud ausgelagert werden. Wir bauen Architekturen, die beide Welten sinnvoll verbinden, etwa mit MinIO für lokale Objektstores und orchestrierten Sync-Prozessen für Trainingsdaten.
Entscheidend ist, frühzeitig Compliance-, Latenz- und Kostenfragen zu klären und die richtige Balance aus Kontrolle und Agilität zu finden. Vor-Ort-Workshops in Dortmund helfen uns, die passende Architektur gemeinsam zu skizzieren.
Die Dauer variiert mit Komplexität und Datenlage. Ein initialer Proof-of-Concept lässt sich oft in 2–4 Wochen erreichen — das ist unser Standard-Engagement für technische Machbarkeitsprüfungen. In dieser Phase zeigen wir, ob Modelle mit realen Daten funktionieren und liefern einen konkreten Produktionsplan.
Für einen ersten produktiven Minimal-Live sind in der Regel 3–6 Monate realistisch, inklusive stabiler Datenpipelines, API-Backends und ersten Integrationen ins MES/ERP. Die vollständige Integration, Skalierung und Organisation des Betriebs können 6–12 Monate in Anspruch nehmen, abhängig von der Anzahl der betroffenen Maschinentypen und Schnittstellen.
Wichtig ist die Parallelität von Entwicklung und Betriebsvorbereitung: Wenn Monitoring, Rollback-Strategien und Security-Prüfungen früh mitgebaut werden, reduziert das späteren Rework und beschleunigt den Live-Gang.
Unsere Erfahrung zeigt: kluge Priorisierung von Use Cases, eine modulare Architektur und die Einbindung der Werksebene reduzieren die Time-to-Value deutlich. Ein realistischer Plan mit Meilensteinen und klaren Verantwortlichkeiten ist entscheidend.
Sicherheitsanforderungen beginnen bei physischer Sicherheit und reichen bis zu Datenzugriffsrechten, Protokollierung und Auditierbarkeit von Modellen. Maschinenbauer müssen sicherstellen, dass KI-Entscheidungen nachvollziehbar sind — besonders wenn sie operative Entscheidungen beeinflussen. Das bedeutet Logging, Versionskontrolle für Modelle und erklärbare Metriken.
Datenschutz ist ein weiterer Aspekt: Auch wenn viele Produktionsdaten nicht personenbezogen sind, können Metadaten Rückschlüsse auf Mitarbeitende zulassen. Hier sind klare Policies und, wo notwendig, Datenanonymisierung oder Zugriffsbeschränkungen wichtig.
Außerdem müssen Qualifikationsanforderungen und Zertifizierungen für sicherheitsrelevante Software in Produktionsumgebungen berücksichtigt werden. Wir arbeiten mit standardisierten Abläufen für Penetration-Testing, Sicherheitsaudits und Deployment-Gates, die in Fertigungsumgebungen akzeptiert werden.
Praktisch empfehlen wir, Compliance-Checks in jedem Release-Zyklus zu verankern und Verantwortlichkeiten klar zu definieren. Bei Bedarf binden wir lokale Prüfer und Betriebsräte ein, um transparente, akzeptierte Prozesse zu schaffen.
Interne Copilots und Knowledge Systems können Serviceprozesse radikal beschleunigen: Techniker finden relevante Handbuchpassagen, Fehlerfälle und Reparaturanleitungen direkt in einem assistierenden System, statt lange in Akten oder PDFs zu suchen. Für Dortmunder Maschinenbauer mit regionalen Service-Teams reduziert das Anfahrts- und Suchzeiten und erhöht die Erstfix-Rate.
Solche Systeme verbinden strukturierte Informationen (Stücklisten, Wartungsintervalle) mit unstrukturierten Daten (Handbücher, Reparaturberichte) und bieten kontextbezogene Antworten. Vektorbasierte Suche und QA-Modelle ermöglichen präzise Antworten, während Audit-Logs nachvollziehbar machen, welche Informationen zugrunde lagen.
Die Implementierung verlangt sorgfältige Datenaufbereitung: Dokumente müssen standardisiert, Metadaten ergänzt und veraltete Versionen bereinigt werden. Wir empfehlen, mit einem Piloten für einen bestimmten Maschinentyp zu starten und den Umfang schrittweise zu erweitern.
Langfristig schaffen solche Systeme auch Wissenssilos ab, helfen beim Onboarding neuer Techniker und sind ein Baustein für neue Service-Geschäftsmodelle, etwa remote-assistierte Reparaturen oder subscription-basierte Wartungsverträge.
Kontaktieren Sie uns!
Direkt Kontaktieren
Philipp M. W. Hoffmann
Founder & Partner
Adresse
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Kontakt
Telefon