Warum brauchen Medizintechnik & Healthcare Devices in Berlin eine klare KI-Strategie?
Innovatoren dieser Unternehmen vertrauen uns
Die Herausforderung in Berlin
Berliner Medizintechnikunternehmen stehen heute zwischen Innovationsdruck und strenger Regulierung: Klinische Prozesse müssen effizienter werden, Dokumentationsanforderungen wachsen und Patientensicherheit darf niemals hinter Geschwindigkeit zurückstehen. Eine diffuse KI-Agenda führt schnell zu Risiken statt zu Mehrwert.
Warum wir die lokale Expertise haben
Reruption bringt eine praxisorientierte, technische Perspektive in jede KI-Strategie. Wir reisen regelmäßig nach Berlin und arbeiten vor Ort mit Kunden, um Use Cases nicht nur zu besprechen, sondern gemeinsam zu validieren und zu priorisieren. Unsere Teams kombinieren schnelles Engineering mit strategischer Entscheidungsfindung — genau das, was Medizintechnikprojekte brauchen.
Unsere Arbeitsweise ist pragmatisch: Wir starten mit einer AI Readiness Assessment, kartieren Datenquellen, binden regulatorische Stakeholder ein und entwerfen Pilotpläne, die in klinischen oder Produktionsumgebungen realistisch sind. In Berlin, wo Tech- und Startup-Kultur auf regulierte Gesundheitsmärkte trifft, hilft dieses Vorgehen, Innovationskraft und Compliance zu verbinden.
Unsere Referenzen
Für medizinnahe Herausforderungen ziehen wir Erfahrung aus mehreren Technologie- und Industrieprojekten: Die Zusammenarbeit mit AMERIA zeigte, wie berührungsfreie Steuerungskonzepte in Hardware integriert werden — eine Erkenntnis, die sich direkt auf Bedienoberflächen und Assistenzsysteme in Medizinprodukten übertragen lässt. Projekte mit BOSCH demonstrierten die Go-to-Market-Disziplin für neue Display- und Interface-Technologien, relevant für medizintechnische Gerätefrontends.
Im Bereich datengetriebener Analyse und Dokumentenarbeit haben wir mit FMG an Lösungen für KI-gestützte Dokumentenrecherche gearbeitet — ein Transfer, der sich direkt auf regulatorische Dossier-Erstellung, klinische Studienunterlagen und interne Qualitätsdokumentation in Medizintechnikunternehmen anwenden lässt. Fertigungs- und Qualitätsprozesse profiterten zudem von Projekten wie Eberspächer und STIHL, die zeigen, wie KI in Produktionsumgebungen für Lärmreduktion, Prozessoptimierung und Trainingssimulationen eingesetzt werden kann.
Über Reruption
Reruption wurde gegründet, um Unternehmen nicht passiv zu beraten, sondern als Co-Preneure mit unternehmerischer Verantwortung zu begleiten. Unser Kernversprechen ist, dass wir nicht nur Empfehlungen abgeben, sondern mit Ihnen in die Umsetzung gehen: schnelle Prototypen, belastbare Business Cases und eine klare Umsetzungsschiene zur Produktion.
Unsere Co-Preneur-Mentalität kombiniert technische Tiefe mit Entscheidungsfreude: Wir bringen Data Engineers, Product Owner, Compliance-Experten und Design-Thinking-Praxis zusammen, um in kurzer Zeit praktikable, regulierungskonforme und skalierbare KI-Lösungen für die Medizintechnik zu entwickeln.
Wie starten wir gemeinsam in Berlin?
Kontaktieren Sie uns für eine schnelle Readiness-Analyse und eine erste Use-Case-Discovery — wir reisen regelmäßig nach Berlin und arbeiten vor Ort mit Kunden.
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-Strategie für Medizintechnik & Healthcare Devices in Berlin: Ein tiefgehender Fahrplan
Berlin ist Deutschlands Technologie-Hotspot: Startups, starke Investorennetzwerke und talentierte Teams treffen hier auf etablierte MedTech-Anforderungen. Eine robuste KI-Strategie muss diese Dynamik nutzen, ohne Compliance, Patientensicherheit und Datenintegrität zu gefährden. Im Kern geht es um Priorisierung: Welche Use Cases liefern klinischen Mehrwert, welche sparen Kosten, und welche unterstützen regulatorische Konformität?
Marktanalyse und Standortvorteile
Die Berliner Szene bietet schnellen Zugang zu Entwickler*innen, Forschungseinrichtungen und digitalen Krankenhäusern als Pilotpartner. Gleichzeitig drängen internationale Wettbewerber in denselben Raum. Das bedeutet für Medizintechnikunternehmen: Schnelle Validierung und klare Business Cases sind entscheidend, um Investitionen zu rechtfertigen. Eine fundierte Marktanalyse identifiziert Bereiche wie Dokumentationsautomatisierung, Clinical Workflow Assistants oder intelligente Überwachungsgeräte als besonders reife Felder.
Wichtig ist, die lokale Ökonomie zu verstehen: Tech- und Health-Startups arbeiten oft agil, während regulatorische Zulieferer konservativer agieren. Eine erfolgreiche Strategie schafft Schnittstellen zwischen beiden Welten — flexible Piloten und belastbare Datenpipelines, die später in regulierte Umgebungen überführt werden können.
Spezifische Use Cases mit hohem Impact
Use Case 1: Dokumentations-Copilots für klinische Dokumentation. Automatisierte Protokolle, Zusammenfassungen von Arzt-Patient-Interaktionen und standardisierte Berichte reduzieren Dokumentationsaufwand und verbessern Datenqualität. Durch Integration in existierende Klinikinformationssysteme lassen sich sofort messbare Zeitersparnisse erzielen.
Use Case 2: Clinical Workflow Assistants, die Pflege- und Ärztegruppen in Echtzeit unterstützen — z. B. Priorisierung von Tasks, Fehlererkennung bei Medikationsabläufen oder Assistenz bei komplexen Prozeduren. Diese Assistenten verbessern Behandlungskontinuität und Patientensicherheit.
Use Case 3: Regulatory Alignment Tools: Automatisierte Klassifikation und Zusammenstellung von Zulassungsunterlagen, Traceability von Trainingsdaten und auditierbare Modelldokumentation reduzieren regulatorische Risiken und verkürzen Time-to-Market.
Implementierungsansatz und Module
Unsere KI-Strategie gliedert sich in klar definierte Module: AI Readiness Assessment als Ausgangspunkt, umfangreiche Use Case Discovery über 20+ Abteilungen, gefolgt von Priorisierung & Business Case Modellierung. Technische Architektur und Modellauswahl werden unter dem Gesichtspunkt regulatorischer Erklärbarkeit und Datensouveränität geplant.
Ein pragmatisches Pilot-Design umfasst klar definierte KPIs: Qualität, Latenz, Fehlerquote, Aufwand pro Dokument und Compliance-Metriken. Parallel entwickeln wir ein AI Governance Framework und planen Change & Adoption, damit klinische Teams die Lösungen akzeptieren und effektiv nutzen.
Technologie-Stack und Integrationsstrategien
Der technologische Kern einer MedTech-KI-Strategie besteht aus sicheren Datenplattformen, versionierter Model-Infrastruktur, Monitoring und Audit-Logs. Wir empfehlen eine modulare Architektur mit klaren Schnittstellen zu EMR/KIS-Systemen, HL7/FHIR-Konnektoren und zertifizierten Hosting-Optionen. Privacy-by-Design und Pseudonymisierung sind hier keine Extras, sondern Standardanforderungen.
Bei Modellwahl priorisieren wir nach Erklärbarkeit, Robustheit und Wartbarkeit: Gewicht auf Modelle, die Prüfpfade für regulatorische Prüfungen bieten, und auf MLOps-Prozesse, die Retraining, Drift-Detection und Revalidation unterstützen.
Erfolgsfaktoren und häufige Fallstricke
Erfolgsfaktoren sind cross-funktionale Teams, frühe Einbindung von Compliance und klinischen Stakeholdern sowie eine klare Definition messbarer Outcomes. Häufige Fehler sind mangelnde Datenqualität, unrealistische Zeitpläne und unklare Ownership nach dem Proof-of-Concept.
Ein weiterer Fallstrick ist die Isolation technischer Teams: KI-Projekte brauchen Nutzereinbindung von Anfang an, sonst entstehen Lösungen, die nicht in den klinischen Alltag passen. Change-Management, Trainings und ein iterativer Rollout sind daher unverzichtbar.
ROI, Zeitplan und Teamaufbau
Realistische ROI-Betrachtungen kombinieren direkte Einsparungen (z. B. reduzierte Dokumentationszeit) mit indirektem Wert (bessere Outcomes, kürzere Time-to-Market). Ein typischer Fahrplan reicht von einer 4-wöchigen Readiness-Analyse über einen 6–12-wöchigen PoC bis zu einer 6–18-monatigen Skalierungsphase, abhängig von Zulassungsanforderungen.
Das Kernteam sollte Produkt Owner, Data Scientists, ML-Ingenieure, Compliance-Experten, klinische Fachkollegen und DevOps enthalten. Reruption arbeitet in Co-Preneur-Teams, die diese Rollen ergänzen, bis die Organisation die Verantwortung vollständig übernimmt.
Change Management und Adoption
Adoption braucht greifbare Mehrwerte: Reduzierte Dokumentationszeit, bessere Daten für Qualitätsmanagement oder schnellere Prüfungen durch Regulatoren. Wir begleiten Rollouts mit maßgeschneiderten Trainings, Monitoring-Dashboards und regelmäßigen Feedback-Loops mit klinischen Nutzern.
Langfristige Akzeptanz entsteht, wenn KI-Features die tägliche Arbeit erleichtern, nicht komplizierter machen. Deshalb messen wir neben technischen KPIs auch Nutzerzufriedenheit und Arbeitszeitersparnis.
Skalierung und operative Exzellenz
Skalierung erfordert MLOps-Disziplin: Automatisierte Tests, CI/CD für Modelle, strukturierte Datenpipelines und Governance-Prozesse für Change-Requests. Nur so lassen sich Piloterfolge in regulierte Serienprodukte überführen ohne regulatorische Rückschläge.
Abschließend ist zu sagen: Eine erfolgreiche KI-Strategie in Berlin verknüpft lokale Agilität mit regulatorischer Reife. Wer schnell prototypisiert, aber von Anfang an Compliance und klinische Akzeptanz einplant, gewinnt nachhaltig.
Bereit für den nächsten Schritt?
Buchen Sie einen Workshop zur Priorisierung und Business Case Modellierung oder starten Sie direkt mit unserem AI PoC-Angebot zu 9.900€.
Schlüsselbranchen in Berlin
Berlin hat sich in den letzten zwei Jahrzehnten von einer postindustriellen Metropole zu einem europäischen Innovationszentrum gewandelt. Die Stadt zieht Gründer*innen, Entwickler*innen und Investoren an, die neue Geschäftsmodelle und Technologien vorantreiben. Besonders stark ausgeprägt sind die Bereiche Tech & Startups, Fintech, E‑Commerce und die Kreativwirtschaft — Sektoren, die sich gegenseitig befruchten und ein dichtes Ökosystem für digitale Produktentwicklung schaffen.
Die Tech- und Startup-Szene ist das Rückgrat der Berliner Innovationskraft. Co‑Working Spaces, Acceleratoren und ein aktives Angel-Investor-Umfeld ermöglichen frühe Produktvalidierung und schnelles Wachstum. Diese Kultur fördert Experimente mit KI, schnellen Prototypen und datengetriebenen Geschäftsmodellen.
Fintech ist in Berlin besonders dynamisch: Unternehmen wie N26 und Trade Republic haben gezeigt, wie schnell digitale Produkte Massennutzung erreichen können. Die Finanzbranche bringt dabei strenge Compliance‑ und Sicherheitsanforderungen mit, die wiederum Best Practices für regulierte Industrien wie Medizintechnik liefern.
E‑Commerce, angeführt von Playern wie Zalando, prägt datengetriebene Logistik, Personalisierung und skalierbare Plattformarchitekturen. Diese Expertise ist für Medizintechnikunternehmen interessant, wenn es um Supply-Chain-Optimierung, Lagerlogistik oder After-Sales-Services geht.
Die Kreativwirtschaft trägt zur Innovationsdynamik bei, indem sie Designkompetenz und Nutzerzentrierung in technische Projekte einbringt. Gerade im Health-Tech-Bereich ist gutes Produktdesign entscheidend für Akzeptanz und Usability — von Patientenschnittstellen bis zu medizinischen Bedienpanels.
Zusammengenommen ergibt sich in Berlin ein Ökosystem, das schnellen Zugang zu Talenten und Technologien bietet, aber auch die Notwendigkeit, regulatorische und qualitativ hohe Standards zu integrieren. Für Medizintechnikfirmen schafft das Chancen: bessere Talentpools, Kooperationen mit digitalen Startups und ein Umfeld, das frühe Adoption fördert.
Gleichzeitig stehen Branchen wie die Logistik der Hauptstadt vor spezifischen Herausforderungen: Fachkräftemangel, regulatorische Komplexität und der Druck zur schnellen Skalierung. Diese Rahmenbedingungen beeinflussen, wie schnell neue KI-Lösungen eingeführt und skaliert werden können.
Für Unternehmen in der Medizintechnik bedeutet das: Berlin bietet den richtigen Nährboden für Innovationsprojekte, verlangt aber methodische Strenge bei Datenqualität, Governance und der Übersetzung von Pilotprojekten in zertifizierbare Produkte.
Wie starten wir gemeinsam in Berlin?
Kontaktieren Sie uns für eine schnelle Readiness-Analyse und eine erste Use-Case-Discovery — wir reisen regelmäßig nach Berlin und arbeiten vor Ort mit Kunden.
Wichtige Akteure in Berlin
Zalando begann als Online-Schuhhändler und ist heute ein führender Fashion‑Tech-Player in Europa. Zalando hat datengetriebene Personalisierung, Recommendation-Engines und skalierbare Logistikprozesse etabliert. Für die Medizintechnik bedeutet das: Verfahren zur Personalisierung, A/B-Testing und robuste Datenpipelines sind in Berlin leicht adaptierbar.
Delivery Hero hat in Berlin eine Plattform für extrem skalierbare Logistik und Echtzeit-Dispatch aufgebaut. Die Herausforderung, Lieferketten, Verfügbarkeit und dynamische Entscheidungsfindung zu orchestrieren, bietet direkte Parallelen zu medizintechnischen Liefer- und Servicemodellen, die jederzeit zuverlässig funktionieren müssen.
N26 hat Banking neu gedacht und dabei Sicherheit, Compliance und digitales Onboarding in den Mittelpunkt gestellt. Die Lessons Learned in puncto regulatorische Prozesse, KYC‑Mechanismen und sichere Datenhaltung sind für MedTech-Firmen relevant, die mit sensiblen Patientendaten umgehen.
HelloFresh ist ein Beispiel für operational excellence im Produkt- und Supply-Chain-Management. Personalisierung, Abonnementsysteme und Qualitätskontrolle sind Elemente, die sich auch in After-Sales-Services von Medizinprodukten wiederfinden lassen.
Trade Republic hat Low‑Cost, hohe Skalierbarkeit und regulatorische Compliance in einem digital-nativen Produkt kombiniert. Die Art, wie Trade Republic Prozesse automatisiert und gleichzeitig sicherstellt, dass regulatorische Anforderungen eingehalten werden, ist eine Blaupause für medizintechnische Dienste, die ähnliche Balance brauchen.
Über diese großen Player hinaus existiert in Berlin ein dichtes Netz an Startups, Forschungsinstituten und spezialisierten Dienstleistern. Universitäten und Kliniken arbeiten zunehmend mit Tech-Startups zusammen, wodurch Testumgebungen für Health-Tech-Lösungen entstehen. Dieses Zusammenspiel ist für Medizintechnikfirmen Gold wert, weil es schnelle Validierung und Talentakquise ermöglicht.
Insgesamt formen diese Akteure eine Kultur: schnell, datengetrieben und risikobereit, aber auch mit einer wachsenden Professionalität in Compliance und Skalierung. Für Medizintechnikunternehmen in Berlin heißt das: Wer lokale Partnerschaften nutzt, kann schneller zu marktfähigen, regulierungskonformen Lösungen gelangen.
Bereit für den nächsten Schritt?
Buchen Sie einen Workshop zur Priorisierung und Business Case Modellierung oder starten Sie direkt mit unserem AI PoC-Angebot zu 9.900€.
Häufig gestellte Fragen
Der ideale Startpunkt ist eine strukturierte AI Readiness Assessment. Dabei prüfen wir Datenverfügbarkeit, bestehende IT-Architektur, organisatorische Reife und Compliance-Vorgaben. In Berlin ist es wichtig, lokale Partner, Forschungsinstitute und potenzielle Pilotanwender früh zu identifizieren, um schnelle Validierung zu ermöglichen.
Als nächstes folgt die Use-Case-Discovery: Über 20+ Abteilungen hinweg identifizieren wir konkrete Problempunkte, priorisieren sie nach klinischem Wert, Umsetzbarkeit und regulatorischem Risiko und definieren erste Erfolgskriterien. Die Vielfalt in Berliner Teams hilft, diverse Ideen zu sammeln — von Dokumentations-Copilots bis zu Workflow-Assistants.
Ein Proof-of-Concept (PoC) liefert technische Machbarkeit und erste Messwerte. Wir bevorzugen kurze, fokussierte PoCs, die innerhalb von Wochen reale Daten zeigen und nicht erst Monate später. Die Ergebnisse fließen direkt in die Business Case Modellierung und Roadmap.
Schließlich ist Governance frühzeitig zu definieren: Rollen, Verantwortlichkeiten, Audit-Trails und Datenhoheit. Ohne diese Strukturen lassen sich Piloten kaum in regulierte Produkte überführen. Vor Ort in Berlin arbeiten wir eng mit Compliance- und klinischen Stakeholdern, um diese Fragen praxisnah zu lösen.
Dokumentations-Copilots stehen ganz oben: Automatisierte Erstellung und Standardisierung von Protokollen und Berichten reduziert Arbeitsaufwand, erhöht Datenqualität und unterstützt regulatorische Nachweise. Gerade in Kliniken und Prüfeinrichtungen senkt das Kosten und Fehlerquellen.
Clinical Workflow Assistants, die Pflegepersonal und Ärzte in Echtzeit unterstützen, liefern direkten Patientennutzen durch bessere Priorisierung und Fehlervermeidung. Solche Assistenten verbessern Prozesssicherheit und können die Behandlungsqualität messbar erhöhen.
Regulatory Alignment und automatisierte Dossier‑Tools sind besonders wertvoll für MedTech-Firmen mit häufigen Zulassungsprozessen. Automatisierte Klassifikation von Dokumenten, Traceability von Trainingsdaten und standardisierte Reporting‑Pipelines verkürzen Time-to-Market und reduzieren Compliance‑Risiken.
Weitere hohe Mehrwerte entstehen in Fertigung und Qualitätssicherung: KI-gestützte Inspektion, Predictive Maintenance und Prozessoptimierung reduzieren Ausschussraten und erhöhen Durchsatz. In Berlin können solche Lösungen schnell mit lokalen Fertigungspartnern validiert werden.
Regulatorische Konformität beginnt mit Designentscheidungen: Privacy-by-Design, erklärbare Modelle und nachverfolgbare Datenpipelines. Bereits in der Architekturphase legen wir Audit-Logs, Datenversionierung und Modell-Dokumentation fest, um Prüfungen zu erleichtern.
Wir binden Compliance-Verantwortliche früh in die Projektstruktur ein und spezifizieren Anforderungen wie Dokumentationspflichten, Validierungsstrategien und Risikobewertungen. In Berlin nutzen wir oft lokale regulatorische Expertise und klinische Partner, um Tests in realen Umgebungen durchzuführen.
Validierung und Revalidierung sind Kernaufgaben: Testdatensets, klinische Validationsstudien und Performance-Monitoring im Feld sind nötig, um die Konformität und Sicherheit dauerhaft zu gewährleisten. Zusätzlich implementieren wir Prozesse für Change-Control, damit Modellupdates prüfbar bleiben.
Abschließend empfehlen wir die Implementierung eines formalen AI Governance Frameworks: Verantwortlichkeiten, Entscheidungswege und Eskalationsmechanismen, die sowohl technische als auch regulatorische Anforderungen abdecken.
Die Zeit bis zu greifbaren Ergebnissen variiert je nach Use Case und Datenlage. Eine initiale Readiness-Analyse dauert typischerweise 2–4 Wochen. Ein fokussierter PoC, der technische Machbarkeit und erste Metriken demonstriert, kann in 6–12 Wochen realisiert werden, wenn Datenzugang und Stakeholder verfügbar sind.
Die Übergangsphase von PoC zu reguliertem Produkt kann deutlich länger dauern: Validierungsstudien, regulatorische Dokumentation und Integrationsarbeiten führen häufig zu einer Skalierungszeit von 6–18 Monaten. Komplexere Medizinprodukte oder solche mit invasiven Komponenten benötigen entsprechend mehr Zeit.
Wichtig ist, Meilensteine klar zu definieren: technische Validierung, klinische Validierung und regulatorische Zulassungsreife. So entstehen sichtbare Erfolge früh im Projekt und die Organisation bleibt engagiert.
In Berlin hilft die Nähe zu Forschungseinrichtungen und digitalen Kliniken oft, Validierungszyklen zu beschleunigen, weil Testpartner und Expertise lokal verfügbar sind. Wir nutzen dieses Umfeld gezielt für kurzfristige, belastbare Validierungen.
Ein multidisziplinäres Kernteam ist zentral: Product Owner für Geschäftsziele, Data Engineers für Datenintegration, ML-Engineers für Modellierung, DevOps/MLOps für Produktion und Compliance-Experten für regulatorische Anforderungen. Klinische Anwender oder Pflegepersonal sollten von Anfang an eingebunden sein, um Nutzbarkeit sicherzustellen.
Zusätzlich sind Change-Management-Rollen wichtig, die Schulungen, Rollout-Planung und Nutzerakzeptanz steuern. UX-Designer sorgen dafür, dass Lösungen tatsächlich im klinischen Alltag funktionieren und nicht nur technisch elegant sind.
Extern können spezialisierte Partner wie Reruption Co-Preneur-Teams ergänzen, um initial Geschwindigkeit, technische Tiefe und Governance-Design bereitzustellen. Unser Ansatz ist, diese Rollen so lange zu unterstützen, bis die Organisation die Verantwortung vollständig übernimmt.
Schließlich braucht es eine klare Owner-Strategie nach dem Rollout: Wer pflegt Modelle, wer bewertet Performance-Daten und wer entscheidet über Retraining oder Rollback? Klare Verantwortlichkeiten verhindern Betriebsrisiken.
Kosten variieren stark nach Use Case: Ein reiner Dokumentations-Copilot mit vorhandenen digitalen Daten kann mit einem Proof-of-Concept um 9.900€ begonnen werden, um technische Machbarkeit und erste Metriken zu liefern. Vollständige Produktion inklusive Integration, Validierung und Governance bewegt sich in einer deutlich höheren Größenordnung.
Einsparungen kommen oft als Summe kleinerer Effekte: Zeitersparnis bei Dokumentation, weniger Fehler, geringere Nacharbeiten und effizientere Prüfprozesse. Beispielsweise kann eine Reduktion der Dokumentationszeit pro Fall zu erheblichen Personalkosteneinsparungen führen, die innerhalb von 12–24 Monaten amortisiert werden können.
ROI-Rechnungen sollten direkte Einsparungen und indirekten Wert (z. B. schnellere Markteinführung, bessere Outcomes, weniger regulatorische Rückfragen) berücksichtigen. Wir modellieren Business Cases konservativ, mit Szenarien für Best-, Base- und Worst-Case, um realistische Erwartungen zu setzen.
Für Berliner Unternehmen ist ein gestaffelter Ansatz sinnvoll: Kleine, schnelle PoCs (niedrige Anfangsinvestition), gefolgt von gezielten Skalierungen mit klarer Metrikgetriebenheit, um Investitionen sukzessive zu erhöhen, wenn Value nachgewiesen ist.
Kontaktieren Sie uns!
Direkt Kontaktieren
Philipp M. W. Hoffmann
Founder & Partner
Adresse
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Kontakt
Telefon