Warum braucht die Fertigung (Metall, Kunststoff, Komponenten) in Frankfurt am Main eine maßgeschneiderte KI-Strategie?
Innovatoren dieser Unternehmen vertrauen uns
Herausforderung: Effizienz bei steigender Komplexität
Fertigungsbetriebe in der Region kämpfen mit fragmentierten Daten, ineffizienten Workflows und hohem Qualitätsdruck bei gleichzeitigem Kostendruck. Ohne klare KI-Strategie verpuffen Pilotprojekte, Investitionen bleiben unklar und Potenziale für Automatisierung, Qualitätsinspektion oder Einkaufs-Copilots werden nicht gehoben.
Warum wir die lokale Expertise haben
Reruption hat seine Zentrale in Stuttgart und reist regelmäßig nach Frankfurt am Main, um direkt vor Ort mit Führungsteams, Produktionsleitern und IT-Abteilungen zu arbeiten. Wir verstehen die Dynamik Hessens: die Nähe zu Finanzinstituten, die Bedeutung globaler Lieferketten und die Anforderungen strenger Compliance- sowie Audit-Prozesse, die jede KI-Initiative begleiten müssen.
Unsere Arbeit ist operativ: Wir steigen in Ihre P&L ein, arbeiten in Sprints und liefern belastbare Prototypen statt PowerPoint-Szenarien. Für Fertiger bedeutet das: schnelle Identifikation von Impact-Use-Cases, technische Validierung und ein umsetzbarer Fahrplan — vom Proof of Concept bis zur Produktionsreife.
Unsere Referenzen
Im Fertigungsumfeld haben wir mit STIHL mehrere Projekte durchgeführt, darunter Sägentraining, ProTools und Sägensimulatoren: Projekte, die von Nutzerforschung bis Produkt-Market-Fit über zwei Jahre skalierten. Diese Erfahrung zeigt, wie wichtig kundenzentrierte Produktentwicklung und technische Robustheit in Produktionskontexten sind.
Für Eberspächer implementierten wir KI-gestützte Lösungen zur Geräuschreduktion in Fertigungsprozessen, mit Fokus auf Datenerfassung, Modellierung und konkreten Maßnahmen zur Qualitätserhöhung — eine Blaupause für Qualitätsinspektion und Prozessoptimierung in metall- und komponentenorientierten Betrieben.
Über Reruption
Reruption baut keine Berichte, wir bauen Produkte. Unsere Co-Preneur-Mentalität bedeutet, dass wir wie Mitgründer agieren: wir nehmen Verantwortung, bewegen uns schnell und liefern technische Prototypen, die tatsächlich in Produktion gehen können. Unsere vier Säulen — KI-Strategie, AI Engineering, Security & Compliance, Enablement — sind speziell auf den Bedarf von Industrieunternehmen zugeschnitten.
Wir kommen nicht aus der Theorie: unser Ansatz kombiniert strategische Klarheit mit Engineering-Tiefe. In Frankfurt am Main arbeiten wir vor Ort mit Kunden zusammen, um Use Cases zu priorisieren, Governance zu definieren und Business Cases zu erstellen — immer mit einem realistischen Fahrplan zur Skalierung.
Wollen Sie Ihr nächstes KI-Projekt priorisieren?
Wir besuchen Sie in Frankfurt am Main, analysieren Use Cases und liefern einen priorisierten Fahrplan mit Business Case — ohne Bürovorwand, direkt bei Ihnen vor Ort.
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 für die Fertigung in Frankfurt am Main: Ein tiefer Blick
Frankfurt am Main ist mehr als eine Finanzmetropole: die Stadt und die angrenzende Region sind Drehkreuz für Logistik, Produktionsnetzwerke und Zulieferer. Für Fertiger in Metall, Kunststoff und Komponenten eröffnet sich hier die Möglichkeit, KI nicht nur punktuell, sondern als strategische Hebelgröße für Qualität, Effizienz und Einkaufstransparenz zu nutzen.
Eine erfolgreiche KI-Strategie beginnt mit einem ehrlichen Zustandstest: Welche Daten existieren, wie sind sie strukturiert, welche Silos bremsen Entscheidungen? Unser Modul 'AI Readiness Assessment' schafft in wenigen Tagen Klarheit über Datenqualität, Integrationsaufwand und erste technische Hürden.
Marktanalyse und Relevanz für Frankfurt
Die Nähe zu Banken, Logistikern und Pharmakonzernen verändert Anforderungen an Lieferketten und Qualitätsstandards: Compliance, Nachverfolgbarkeit und Geschwindigkeit werden zum Differenzierer. Gleichzeitig erzeugen lokale Zuliefernetzwerke heterogene IT-Landschaften mit vielen ERP-Instanzen und Insellösungen — Herausforderungen, die wir beim Scoping berücksichtigen.
Für Fertiger in Hessen ergeben sich dadurch spezifische Use-Case-Kategorien: Produktionsdokumentation zur Audit-Sicherheit, KI-gestützte Qualitätsinspektion, Einkaufs-Copilots zur Beschaffungsoptimierung und Automatisierung repetitiver Workflows. Diese Use Cases können Kosten senken, Durchlaufzeiten reduzieren und Ausfallraten minimieren.
Konkrete Use Cases und ihre Umsetzung
Quality Control Insights: Bild- und Sensordaten aus Prüfstationen lassen sich mit modernen Computer-Vision-Architekturen in Kombination mit industriellen Kameras und Edge-Inferenz in Echtzeit auswerten. Der Weg von Proof of Concept zur Produktion umfasst Datenpipelines, Labeling-Prozesse, Performance-Metriken und eine Governance für false positives/negatives — wir begleiten jede Stufe.
Einkaufs-Copilots: Für Beschaffungsabteilungen in Komponentenfertigung bauen wir Assistenzsysteme, die Angebotspreise, Lieferzeiten und Verfügbarkeiten automatisch vergleichen, Entscheidungsvorschläge generieren und Vertragsklauseln hinsichtlich Risikokennzahlen bewerten. Solche Systeme reduzieren Verhandlungszeit und schaffen Kostenkontrolle.
Workflow-Automatisierung: Viele Produktionsdokumentationen und Prüfberichte sind papierbasiert oder in Free-Text-Form in unterschiedlichsten Systemen hinterlegt. Durch NLP-basierte Klassifikation, Extraktion und automatisches Routing lassen sich manuelle Tätigkeiten drastisch reduzieren — mit klaren KPIs für Zeitersparnis und Fehlerreduktion.
Technische Architektur & Modellauswahl
Die Wahl zwischen Edge, On-Premise und Cloud hängt von Latenz, Datenschutz und vorhandener Infrastruktur ab. In Frankfurt sind besonders hybride Architekturen sinnvoll: Sensordaten lokal aggregieren und vorverarbeiten, Modelle für schnelle Entscheidungen am Edge ausführen, und aggregierte Daten für Analytics sicher in der Cloud speichern.
Modellauswahl richtet sich nach Use Case: Klassische Bildklassifizierer, Anomalie-Detection-Modelle, zeitserienbasierte Vorhersagemodelle und Retrieval-Augmented-Generation für Dokumentenassistenten. Wir evaluieren Modelle systematisch nach Genauigkeit, Laufzeit, Kosten pro Inferenz und Robustheit gegen Drift.
Erfolgsfaktoren und häufige Fallstricke
Erfolgsfaktoren sind klar definierte Metriken, saubere Datenpipelines, interdisziplinäre Teams und eine Governance, die Verantwortlichkeiten klärt. Oft scheitern Projekte an unklaren Ownership-Strukturen, fehlender Datenqualität und unrealistischen Erwartungen an die Modellleistung.
Ein weiterer häufiger Fehler ist die Überautomatisierung ohne Menschen im Loop: Prozesse sollten so gestaltet sein, dass KI Empfehlungen liefert und Menschen validieren — besonders bei kritischen Qualitätsentscheidungen in der Fertigung.
ROI, Zeitplan und Skalierungserwartungen
Ein realistischer PoC für einen High-Impact Use Case lässt sich in wenigen Wochen bis Monaten realisieren. Unsere AI PoC-Offering (9.900€) liefert einen funktionierenden Prototyp, Performance-Metriken und einen Produktionsplan. Typische ROI-Szenarien in Fertigung ergeben sich durch Verringerung von Ausschuss, geringere Stillstandszeiten und Zeitersparnis in der Dokumentation.
Skalierung erfordert zusätzliches Engineering: robuste CI/CD-Pipelines für Modelle, Monitoring gegen Daten-Drift, und eine Betriebsorganisation für Model Ops. Die Investitionshöhe und Time-to-Value variieren je nach Use Case, von Monaten für Assistenzsysteme bis zu einem Jahr für tiefe Integrationen in Produktionssteuerungssysteme.
Team, Kompetenzen und Change Management
Operationalisierung verlangt interdisziplinäre Teams: Data Engineers, Machine Learning Engineers, Produktionsingenieure, Qualitätsmanager, Procurement-Owners und Change-Experten. Unsere Module 'Use Case Discovery (20+ Abteilungen)' und 'Change & Adoption Planung' sorgen dafür, dass Stakeholder von Anfang an eingebunden und Verantwortlichkeiten geklärt sind.
Change Management ist kein Add-on, sondern Kernaufgabe: Wir definieren Schulungspläne, Rollout-Stufen und Akzeptanzmetriken. Gerade in Frankfurt, mit stark regulierten Kunden und Lieferanten, ist transparente Kommunikation über Datenflüsse und Governance essentiell.
Integration und Compliance
Technische Integration betrifft ERP-, MES- und PLM-Systeme — häufig heterogen in mittelständischen Fertigern. Wir legen Integrationsmuster fest, bauen API-Schichten und sorgen für Datenmapping. Compliance-Anforderungen, Audit-Trails und Nachvollziehbarkeit sind ebenfalls Teil des Delivery-Scopes.
Security & Privacy sind besonders wichtig, wenn Daten über Lieferketten und finanznahe Partner fließen. Wir spezifizieren Sicherheitsanforderungen, Verschlüsselung, Zugriffskontrollen und Protokollierung als festen Bestandteil der Architektur.
Abschluss: Von Strategie zur Praxis
Eine belastbare KI-Strategie für Fertiger in Frankfurt am Main ist pragmatisch, messbar und auf Skalierung ausgelegt. Sie beginnt mit einem Readiness-Check, identifiziert High-Impact-Use-Cases, priorisiert nach Wert und Umsetzbarkeit, und liefert einen detaillierten Fahrplan inklusive Governance, Budget und Timeline.
Reruption begleitet Sie von der Idee bis zur Produktion: Governance-Frameworks, Pilotdesigns, Business Cases und die technische Roadmap sind unsere Kernmodule — immer mit dem Ziel, dass Investitionen in KI echten Mehrwert liefern und nicht nur Prototypen bleiben.
Bereit für einen schnellen Proof of Concept?
Starten Sie mit unserem AI PoC (9.900€): funktionierender Prototyp, Performance-Metriken und ein Produktionsplan. Wir begleiten Sie vor Ort in Frankfurt am Main.
Schlüsselbranchen in Frankfurt am Main
Frankfurt ist historisch als Finanzzentrum gewachsen, doch hinter den Bankentürmen steht eine umfangreiche Industrie- und Logistikwelt, die eng mit der Fertigung verzahnt ist. Banken, Börsen und Finanzdienstleister formen Nachfrageprofile, Zahlungsströme und Versicherungsanforderungen, die Zulieferer und Komponentenhersteller direkt betreffen.
Die Logistikbranche ist ein entscheidender Hebel für die Fertigung: Das nahegelegene Frachtaufkommen und der Flughafen als Hub schaffen Anreize für just-in-time-Fertigung und international orientierte Lieferketten. Für metall- und kunststoffverarbeitende Betriebe bedeutet das: hohe Anforderungen an Lieferzuverlässigkeit und Transparenz entlang der Supply Chain.
Pharma und Life-Sciences sind starke Branchen in Hessen, die spezifische regulatorische und Qualitätsanforderungen mit sich bringen. Fertiger, die Komponenten für pharmazeutische Anlagen liefern, müssen GMP-ähnliche Dokumentationen und Nachverfolgbarkeit sicherstellen — ideale Anwendungsfälle für KI-unterstützte Produktionsdokumentation und Qualitätskontrollen.
FinTech und Banken treiben eine datengetriebene Kultur voran, die auch auf industrielle Partner ausstrahlt. Lieferanten werden zunehmend an KPIs gemessen, die über Kosten hinausgehen: Nachhaltigkeit, Lieferperformance und digitale Schnittstellen sind Wettbewerbsfaktoren, in denen KI Systeme zur Entscheidungsunterstützung liefern können.
Der Mittelstand rund um Frankfurt hat eine starke Tradition in spezialisierten Maschinenbau- und Komponentenfertigungen. Diese Firmen verfügen oft über tiefes Domänenwissen, aber nicht immer über moderne Dateninfrastrukturen — ein fruchtbarer Boden für gezielte KI-Strategien, die erstmal geringe Eingriffe mit hohem Impact kombinieren.
Sicherheit und Compliance sind branchenübergreifend Thema: Ob Banken, Logistik oder Pharma — die Anforderungen an Auditierbarkeit und Transparenz machen robuste Governance-Modelle und dokumentierte KI-Pipelines zur Voraussetzung für jede Produktionsintegration.
Die Kombination aus internationaler Vernetzung, hohen regulatorischen Anforderungen und einem starken Mittelstand macht Frankfurt zu einem Ort, an dem KI-Strategien nicht nur Effizienz, sondern auch Resilienz und Marktzugang schaffen können.
Wollen Sie Ihr nächstes KI-Projekt priorisieren?
Wir besuchen Sie in Frankfurt am Main, analysieren Use Cases und liefern einen priorisierten Fahrplan mit Business Case — ohne Bürovorwand, direkt bei Ihnen vor Ort.
Wichtige Akteure in Frankfurt am Main
Deutsche Bank ist als Global Player und Finanzdienstleister ein Treiber für digitale Transformation in der Region. Zwar kein Fertiger, aber die Ansprüche an Compliance, Datenqualität und Reporting, die von Banken vorgegeben werden, wirken sich auf die gesamte Lieferkette aus. Fertigungsunternehmen, die für Bankensektoren liefern, müssen diese Standards erfüllen — ein Grund mehr für eine stringente KI-Governance.
Commerzbank treibt ebenfalls digitale Initiativen voran und kooperiert intensiv mit FinTechs. Diese Innovationsdynamik erzeugt Nachfrage nach spezialisierten Komponenten und digital integrierten Dienstleistungen, wovon Zulieferer in der Region profitieren können, wenn sie ihre Prozesse und Datenlandschaften modernisieren.
DZ Bank und andere Genossenschaftsbanken bieten Finanzierungslösungen, die für industrielle Investitionen wichtig sind. Bei größeren KI-Projekten unterstützen regionale Finanzakteure oft Investitionsentscheidungen, weshalb belastbare Business Cases und nachvollziehbare Kostennutzen-Rechnungen entscheidend sind.
Helaba als Landesbank ist ein weiterer Akteur mit starkem regionalem Einfluss. Sie finanziert Infrastruktur- und Technologieprojekte und ist damit ein wichtiger Partner für mittelständische Fertiger, die in Digitalisierung und Automatisierung investieren möchten. Eine klare KI-Strategie erhöht in solchen Fällen die Finanzierbarkeit.
Deutsche Börse ist als Technologiedienstleister und Marktbetreiber ein Indikator für hohe Anforderungen an Stabilität und Datenintegrität. Fertigungsunternehmen, die datengetriebene Services anbieten, müssen denselben Standard an Verlässlichkeit und Reporting liefern — ein Treiber für robuste Data Foundations.
Fraport verbindet Logistik, Infrastruktur und internationale Verbindungen. Für Fertiger in der Region ist der Flughafen nicht nur Kunde, sondern auch Infrastrukturpartner: schnelle Logistik, internationale Zulieferer und hohe Sicherheitsanforderungen schaffen spezielle Use-Cases für Predictive Maintenance, Materialflussoptimierung und Echtzeit-Datenintegration.
Bereit für einen schnellen Proof of Concept?
Starten Sie mit unserem AI PoC (9.900€): funktionierender Prototyp, Performance-Metriken und ein Produktionsplan. Wir begleiten Sie vor Ort in Frankfurt am Main.
Häufig gestellte Fragen
Der Einstieg beginnt mit einer Bestandsaufnahme: Daten, Systeme, Organisation und Ziele. Ein strukturierter AI Readiness Assessment analysiert, welche Daten vorhanden sind, welche Silos existieren und welche technischen Hürden zu überwinden sind. In Frankfurt lohnt es sich, auch die externen Anforderungen von Kunden wie Banken oder Logistikpartnern früh mitzudenken, weil diese oft Compliance- und Reporting-Standards vorgeben.
Im nächsten Schritt identifizieren wir konkrete Use Cases in einem Discovery-Workshop über verschiedene Abteilungen — bei uns ist das das Modul 'Use Case Discovery (20+ Abteilungen)'. Ziel ist ein Portfolio aus Low-Hanging-Fruit-Use-Cases mit schnellem Wert sowie strategischen Fällen mit höherer Komplexität.
Wichtig ist die Priorisierung: Wir bewerten Use Cases nach Impact, Umsetzbarkeit und Datenreife. Nur so entstehen realistische Roadmaps. Business Cases werden dann mit konkreten KPIs modelliert (z. B. Ausschussreduktion, Zeitersparnis, Kosteneinsparung), damit Entscheider Investitionen bewerten können.
Abschließend definieren wir Governance, Ownership und einen Pilotplan. In Frankfurt legen wir zusätzlich besonderen Wert auf Dokumentation und Auditfähigkeit, um späteren Nachweis gegenüber regulatorischen Partnern zu erleichtern.
Typischerweise liefern Quality Control Insights und Anomalieerkennung in Prüfprozessen den schnellsten ROI: Reduzierte Ausschussquoten und weniger Nacharbeit haben direkte Kosteneffekte. Insbesondere in Metall- und Komponentenfertigung, wo Nacharbeit teuer ist, amortisieren sich solche Projekte oft schnell.
Workflow-Automatisierung in der Produktionsdokumentation ist ein weiterer Bereich mit hohem Hebel. Wenn manuelle Dokumentationsprozesse durch NLP und strukturierte Datenpipelines ersetzt, sparen Teams Zeit und reduzieren Fehler, was sich in besseren Audit- und Qualitätskennzahlen zeigt.
Einkaufs-Copilots zur Optimierung von Bestellungen und Lieferantenauswahl können Beschaffungskosten senken und Lieferrisiken verringern. In Verknüpfung mit Predictive Analytics für Lieferzeiten entsteht eine verbesserte Resilienz in der Supply Chain.
Die Auswahl hängt immer vom konkreten Kontext ab: Datenlage, Kostenstruktur, Produktionsvolumen. Ein kleines Pilotprojekt zur Validierung ist daher empfehlenswert, bevor man groß skaliert.
Die Zeitspanne variiert stark je nach Use Case und Ausgangszustand. Ein Proof of Concept für einen klar umrissenen Use Case kann in wenigen Wochen bis drei Monaten realisiert werden. Unser AI PoC-Angebot ist genau dafür konzipiert: schnelles Prototyping, Performance-Analyse und ein konkreter Produktionsplan.
Für die Produktionseinführung inklusive Integration in MES/ERP-Systeme, End-to-End-Tests und Compliance-Freigaben rechnen viele Unternehmen mit drei bis zwölf Monaten. Komplexere Integrationen, die Hardware-Änderungen oder umfangreiche Prozessanpassungen erfordern, können länger dauern.
Wesentlich für die Timeline sind verfügbare Daten, Entscheidungswege im Unternehmen und Ressourcenverfügbarkeit. Deshalb sind klare Governance- und Ownership-Strukturen sowie ein engagiertes interdisziplinäres Team entscheidend für Geschwindigkeit.
Unsere Erfahrung zeigt, dass iterative Roadmaps mit klaren Meilensteinen und regelmäßigen Demos die Time-to-Value deutlich verkürzen.
Architekturen sind abhängig von Latenzanforderungen, Datenschutz und vorhandener Infrastruktur. Hybride Architekturen sind oft die beste Wahl: Edge-Processing für Latenz-kritische Entscheidungen, lokale Gateways für Vorverarbeitung und eine zentrale Cloud für Langzeit-Analyse und Modelltraining.
Bei sensiblen Produktionsdaten sollten Unternehmen On-Premise-Optionen oder private Cloud-Setups in Erwägung ziehen. In Frankfurt, mit vielen datensensitiven Partnern, bieten solche Setups Vorteile für Compliance und Vertrauensbildung.
Wichtige Komponenten sind robuste Data Pipelines, Feature Stores, Model-Serving-Layer und Monitoring für Performance und Drift. Ebenso unerlässlich sind Schnittstellen zu MES/ERP-Systemen, um Ergebnisse operational nutzbar zu machen.
Unsere Arbeit umfasst Architektur-Blueprints, Modellauswahl und Kostenabschätzung für Cloud vs. Edge, damit Entscheidungsträger fundiert wählen können.
Compliance beginnt mit Transparenz: Datenherkunft, Modellentscheidungen und Versionierung müssen nachvollziehbar dokumentiert werden. Wir implementieren Audit-Trails, Version-Control für Daten und Modelle sowie Explainability-Mechanismen, wo notwendig, um Entscheidungen zu begründen.
In Fertigungsumgebungen mit pharma- oder banknahen Kunden sind Nachweisbarkeit und Revisionssicherheit besonders wichtig. Wir entwerfen Governance-Frameworks, die Rollen, Verantwortlichkeiten und Freigabeprozesse klar regeln — von Data Steward bis zum Produktionsverantwortlichen.
Technisch setzen wir auf verschlüsselte Datenübertragung, Zugriffskontrollen und Monitoring, um Data-Leaks und unautorisierte Änderungen zu verhindern. Darüber hinaus definieren wir Compliance-Checks für Modelle vor dem Go-Live.
Ein iterativer Ansatz mit regelmäßigen Reviews und klaren Dokumentationsstandards vereinfacht spätere Audits und erhöht die Akzeptanz bei Kunden und Prüfinstanzen.
Ein erfolgreiches KI-Programm braucht interdisziplinäre Kompetenz: Data Engineers zur Datenaufbereitung, ML Engineers für Modellentwicklung und Produktion, DevOps/ModelOps für Deployment und Monitoring sowie Domänenexperten aus Produktion und Qualität für Problemverständnis und Validierung.
Zudem sind Change-Manager und Trainingsverantwortliche wichtig, um Akzeptanz bei Operators und Fachabteilungen zu schaffen. Procurement- und Legal-Rollen müssen früh eingebunden werden, wenn Einkaufs-Copilots oder Lieferantendaten involviert sind.
Viele Unternehmen setzen auf hybride Modelle: ein kleines, zentrales Data-Science-Team arbeitet mit eingebetteten Domänenexperten in den Werken zusammen. Wir unterstützen beim Aufbau dieser Teamstrukturen und bieten Enablement-Programme für nachhaltige Kompetenzentwicklung.
Externes Co-Preneuring kann Lücken kurzfristig schließen: Reruption bringt Technik- und Umsetzungsstärke ein, bis interne Teams das Know-how übernommen haben.
Pilotitis entsteht, wenn Projekte keine klaren Erfolgskriterien, Verantwortlichkeiten oder Skalierungspläne haben. Gegenmaßnahmen sind präzise KPIs, ein klarer Business Case und ein definierter Go/No-Go-Prozess bereits in der Pilotphase.
Ein weiterer Hebel ist die Einbettung der KI-Lösung in bestehende Prozesse: Wenn ein Prototyp manuell weitergeführt werden muss, ist die Wahrscheinlichkeit hoch, dass er nicht skaliert. Frühzeitige Integration in MES/ERP und automatisierte Workflows erhöht die Chance auf Produktionseinführung.
Governance und Budgetplanung sind essenziell: Skalierung darf nicht von ungesicherten Folgeinvestitionen abhängig sein. Wir liefern deshalb nicht nur Prototypen, sondern auch Produktionspläne mit Budget- und Zeitabschätzungen.
Schließlich ist Führung gefragt: Ein Sponsor auf Geschäftsführungsebene und klare Ownership-Strukturen stellen sicher, dass erfolgreiche Piloten den Weg in die operative Welt finden.
Kontaktieren Sie uns!
Direkt Kontaktieren
Philipp M. W. Hoffmann
Founder & Partner
Adresse
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Kontakt
Telefon