KI im Unternehmen: 3 Wege, wie man LLMs heute einsetzen kann

Drei Wege führen von einem Unternehmen zu Public Cloud, EU-Plattform und Self-Hosting

Update zum 13.11.2026: Was sich seit Mai geändert hat

Der Artikel unten zeigt den Stand vom 23.05.2026. Seitdem hat sich einiges bewegt:

  • Frontier-Modelle: Alle drei US-Anbieter haben eine neue Generation veröffentlicht. OpenAI ist über GPT-5.6 bei der GPT-6-Familie angekommen (seit September), Anthropic bei der Claude-5-Familie (Opus 5.5 seit dem 22. September), Google hat im Herbst Gemini 4 vorgestellt.
  • Open-Source-Modelle: Auch hier gibt es Nachfolger, etwa Qwen 3.8 (August) und DeepSeek V4 (allgemein verfügbar seit August). Der Abstand zu den Frontier-Modellen bleibt.
  • IONOS AI Model Hub: Die Llama-3.1-Modelle und Mistral Nemo wurden im September und Oktober abgeschaltet, neu dabei sind Qwen 3.5 (Juli) und Qwen 3.8 (August). Seit August läuft ein zusätzliches Rechenzentrum in Frankfurt.
  • Aleph Alpha: Der Zusammenschluss mit Cohere ist seit dem 16. September vertraglich fixiert. Die Freigabe der Behörden steht noch aus, das gemeinsame Unternehmen soll unter dem Namen Cohere auftreten.
  • EU AI Act: Der „Digital Omnibus“ ist seit dem 27. Juli in Kraft. Die Pflichten für Hochrisiko-Systeme greifen damit erst ab dem 2. Dezember 2027 (eigenständige Systeme) bzw. dem 2. August 2028 (KI in regulierten Produkten).
  • Kosten: Hetzner hat die Preise für GPU-Server angehoben. Ein GEX44 liegt bei rund 232 €, ein GEX131 bei rund 1.200 € pro Monat aufwärts.

Was bleibt: Die drei Wege und unsere Empfehlung gelten unverändert. Modellnamen altern in Monaten, die Architekturfrage nicht.

Wenn wir mit Kunden über KI im Unternehmen sprechen, läuft die Diskussion fast immer auf dieselben drei Fragen hinaus: Welches Modell ist gut genug für unsere Aufgabe? Was passiert mit unseren Daten – landen unsere Angebote, Verträge und Konstruktionsdaten am Ende im Training des nächsten Modells? Und wer betreibt das Ganze eigentlich am Ende? Diese drei Fragen führen zu drei sehr unterschiedlichen Architekturen.

Da ist erstens der direkte Weg zu den großen US-Anbietern: OpenAI, Google, Anthropic. Maximal leistungsfähig, in Minuten angebunden, aber mit Datenschutz-Hausaufgaben. Zweitens der pragmatische Mittelweg über DSGVO-konforme EU-Plattformen wie den IONOS AI Model Hub. Und drittens die vollständig autarke Lösung mit selbst betriebenen Open-Source-Modellen – egal ob auf eigener Hardware oder auf einem dedizierten Cloud-Server. Volle Kontrolle, dafür mit echtem Betriebsaufwand.

Dieser Artikel zeigt, was die drei Optionen wirklich können, wo sie haken und welcher Weg zu welchem Unternehmen passt.

Ein Artikel von Markus Ritter, Software-Architekt bei der SI Code GmbH, erstmalig veröffentlicht am 23.05.2026, aktualisiert am 13.11.2026

Kurzer Rückblick: Wie aus „KI-Spielerei“ Geschäftsrealität wurde

Bevor wir in die Architekturen einsteigen, ein Blick zurück:

  • November 2022: OpenAI veröffentlicht ChatGPT auf Basis von GPT-3.5. Generative KI wird massentauglich.
  • März 2023: GPT-4 erscheint – die erste Version, die in vielen Aufgaben wirklich produktionsreif ist. Erste Pilotprojekte in deutschen Firmen starten.
  • 2024: Open-Source-Modelle (Llama, Mistral, Qwen) holen rasant auf. Selbst-Hosting wird realistisch.
  • 2025: Erste Pflichten des EU AI Act werden wirksam. Plattformen wie IONOS AI Model Hub, STACKIT AI und OVHcloud AI Endpoints positionieren sich als DSGVO-konforme Alternative.
  • 2026: KI ist in Vertrieb, Marketing, Service, HR und Engineering angekommen – nicht mehr als Pilot, sondern als Werkzeug im Alltag.

Drei Jahre, ein klarer Befund: Wer heute noch wartet, wartet nicht auf bessere Modelle. Die sind da. Wer wartet, verliert pro Quartal Produktivitätsvorsprung.

Wo KI im Alltag wirklich hilft – und wo (noch) nicht

Bevor wir über Anbieter reden, ein Realitätscheck: Wofür setzt man Large Language Models (LLMs) im Unternehmen ein? Die Antwort ist erstaunlich unspektakulär – und genau das ist der Punkt.

Die produktivsten Einsatzfelder sind selten die spektakulären. Es geht um Textentwürfe für E-Mails und Angebote, das Zusammenfassen von Meeting-Protokollen oder PDFs, die automatische Klassifizierung eingehender Tickets, das Übersetzen von Dokumenten, das Erstellen von Stellenanzeigen aus drei Stichpunkten, Recherche-Assistenz, Code-Reviews, Chatbots für die interne Wissensdatenbank, Datenextraktion aus Rechnungen, Lieferscheinen oder Lebensläufen.

Wer sich morgen früh fragt, welche der eigenen wiederkehrenden Aufgaben eigentlich „Text rein, Text raus“ sind, hat die Liste der KI-Kandidaten schon im Kopf.

Bei einem unserer Kunden – der tts GmbH – haben wir aus genau dieser Logik „Dr. Enable“ entwickelt, einen KI-Berater, der Interessenten durch ein Sales-Gespräch führt und qualifizierte Leads samt PDF-Briefing an HubSpot übergibt. Klingt unspektakulär – spart der Vertriebsmannschaft aber jede Woche viele Stunden.

Die Frage ist jetzt nur: Welches Modell macht das? Und wo läuft es?

Weg 1: Die Bequemen – OpenAI, Google Gemini, Anthropic Claude

Der einfachste Einstieg ist der direkte Weg zu den großen US-Anbietern. Man bucht einen API-Zugang bei OpenAI (GPT-5.5), Google (Gemini 3.1 Pro) oder Anthropic (Claude Opus, Sonnet, Haiku), bekommt einen API-Key und ist in 30 Minuten produktiv. Oder man nimmt die Business-Versionen von ChatGPT, Microsoft Copilot oder Gemini for Workspace und lässt das Team direkt damit arbeiten.

Was dafür spricht

Diese Modelle sind aktuell die leistungsfähigsten am Markt. Reasoning, Code, multimodale Eingaben (Bilder, Audio, Video) – hier spielt die Musik. Die Anbindung ist trivial, die Dokumentation gut, das Ökosystem riesig. Wer schnell ausprobieren will, ob KI im eigenen Prozess überhaupt etwas bringt, ist hier richtig.

Was dagegen spricht

Datenschutz – und das Bauchgefühl beim Thema Betriebsgeheimnisse. Wichtig zur Einordnung: OpenAI (Business/Team/Enterprise und API), Anthropic (Claude API und Enterprise) und Google (Gemini API, Workspace) sagen vertraglich zu, dass Eingaben aus Business-Tarifen nicht zum Training ihrer Modelle verwendet werden. In den Consumer-Versionen (Free-ChatGPT, Gemini Consumer, Claude Free, Pro und Max) sieht das anders aus – dort muss Training aktiv abgewählt werden, sofern es überhaupt möglich ist. Heißt: Wenn Vertriebsmitarbeiter heimlich die kostenlose ChatGPT-App nutzen, um die Konkurrenzanalyse zu schreiben, wandern die Unternehmensdaten möglicherweise direkt ins Training.

Wohin gehen Ihre Daten? Weg 1, Public Cloud: Anfragen gehen über das Internet in ein US-Rechenzentrum, Schutz nur per Vertrag. Weg 2, EU-Plattform: Anfragen bleiben in einem EU-Rechenzentrum, Schutz per Vertrag plus EU-Recht. Weg 3, Self-Hosting: Anfragen gehen nur an den eigenen Server, technischer Schutz ohne externen Empfänger.

Aber selbst mit korrekt konfiguriertem Business-Tarif bleibt ein Vertrauensproblem: Man verlässt sich auf eine vertragliche Zusage eines US-Unternehmens, das US-Recht unterliegt (Stichwort CLOUD Act). Für Marketing-Texte, generischen Code oder öffentliche Informationen ist das okay. Sobald aber personenbezogene Daten, Konstruktionsunterlagen, Margen, Verträge oder mandatsbezogene Inhalte (Anwalt, Steuerberater, Arzt) ins Spiel kommen, braucht es mindestens einen sauberen Auftragsverarbeitungsvertrag, je nach Risiko eine Datenschutz-Folgenabschätzung, klare interne Richtlinien – und ein paar ruhige Nächte.

Faustregel: Solange keine schützenswerten Daten ins Modell wandern, ist das der schnellste Hebel. Echte Betriebsgeheimnisse haben hier nichts verloren – dafür ist Weg 2 oder 3 da.

Weg 2: Der pragmatische Mittelweg – DSGVO-konform über EU-Anbieter

Hier kommen Plattformen ins Spiel wie der IONOS AI Model Hub, STACKIT AI von der Schwarz-Gruppe, OVHcloud AI Endpoints, PhariaAI von Aleph Alpha (Heidelberg, Zusammenschluss mit Cohere im April 2026 angekündigt) oder die Modelle von Mistral (Paris, mit EU-Hosting-Optionen). Das Prinzip: Man bekommt einen API-Zugang, der sich anfühlt wie OpenAI – nur dass die Server in Deutschland oder der EU stehen, der Anbieter europäischem Recht unterliegt und ein sauberer AV-Vertrag Standardbestandteil ist.

Konkret beim IONOS AI Model Hub heißt das: Dort lassen sich Open-Source-Modelle wie Llama 3.3 (Meta), Mistral Small oder gpt-oss (OpenAI) ansprechen – alles über eine OpenAI-kompatible API, mit Rechenzentren in Deutschland. Die Daten verlassen den EU-Wirtschaftsraum nicht, werden vertraglich nicht für Training verwendet, und es gibt einen Vertragspartner, dem sich im Zweifel eine ganz normale Mahnung schicken lässt. Ein entscheidender struktureller Vorteil: Da hier ohnehin Open-Source-Modelle gehostet werden, hat der Anbieter gar kein eigenes wirtschaftliches Interesse daran, die Eingaben in Training zu stecken – anders als bei den Frontier-Anbietern, die ihr Geschäftsmodell auf immer besser werdenden eigenen Modellen aufbauen.

Was dafür spricht

DSGVO-Konformität ist deutlich einfacher zu erreichen. Die Wege sind kurz (Server in Deutschland statt in Iowa). Die Modellauswahl ist inzwischen erstaunlich gut – Llama 3.3 70B oder Mistral Small sind in vielen Alltagsaufgaben kaum von den US-Spitzenmodellen zu unterscheiden. Und das europäische KI-Ökosystem wird unterstützt, falls das wichtig ist.

Was dagegen spricht

Bei den absoluten Spitzenmodellen (komplexes Reasoning, sehr lange Kontextfenster, multimodale Premium-Features wie Voice-to-Voice) hinken die Open-Source-Modelle den Frontier-Modellen aus den USA noch etwas hinterher. Der Funktionsumfang (etwa Bildgenerierung, Realtime-Audio) ist oft schmaler.

Faustregel: Für die meisten Mittelständler ist das der richtige Dauerzustand. Auch bei DSGVO-konformen Websites mit KI-Funktionen ist das in 9 von 10 Fällen der saubere Weg.

Weg 3: Die Autarken – Open Source in eigener Verantwortung

Der dritte Weg ist der ambitionierteste: Man betreibt den kompletten Modell-Stack selbst. Wo die Hardware steht, ist dabei zweitrangig – wichtig ist, dass das Unternehmen sie kontrolliert. In der Praxis sehen wir drei Varianten: eigene Hardware im Serverraum (eine GPU-Workstation oder ein dedizierter Server), gemietete dedizierte GPU-Server bei deutschen oder europäischen Anbietern (etwa GPU-Server von Hetzner, OVH Bare Metal, IONOS) oder Hyperscaler-Instanzen (AWS, Azure, GCP) mit zugewiesener GPU. Der entscheidende Unterschied zu Weg 2: Es läuft das eigene Modell auf der eigenen Maschine – niemand sonst hat technischen Zugriff auf die Inferenz. Bei US-Hyperscalern gilt allerdings wieder US-Recht, volle Souveränität gibt es nur auf eigener Hardware oder bei europäischen Anbietern. Die Werkzeuge dafür sind erstaunlich ausgereift.

Der Stack in der Praxis

Als Modell-Runtime nimmt man Ollama oder LM Studio für den Einstieg, vLLM oder llama.cpp für die professionelle Variante. Als Modelle stehen die üblichen Verdächtigen bereit: Llama 3.3 (Meta), Mistral Small, Qwen 3.5 (Alibaba), DeepSeek, Gemma 4 (Google) – alles frei verfügbar, viele auch kommerziell nutzbar. Drumherum: OpenWebUI als Chat-Oberfläche für die Mitarbeiter, LangChain oder LlamaIndex für RAG (also das Verheiraten des Modells mit den eigenen Dokumenten), eine Vektordatenbank wie Qdrant oder Chroma. Sauber containerisiert mit Docker und Kubernetes – und damit problemlos zwischen eigener Hardware, Hetzner-GPU-Server und Hyperscaler-Cloud verschiebbar, falls sich die Anforderungen ändern.

Drei Wege im Vergleich, mehr Punkte sind besser, jeweils Public Cloud, EU-Plattform, Self-Hosting. Modellleistung: 5, 4, 4. Datenschutz (DSGVO): 2, 4, 5. Schutz vor Training: 3, 4, 5. Schneller Start: 5, 4, 2. Kosten bei hohem Volumen: 2, 3, 5. Geringer Betriebsaufwand: 5, 5, 2.

Was dafür spricht

Volle Kontrolle – und zwar nicht nur vertraglich, sondern technisch. Das Unternehmen bestimmt, welches Modell läuft, wo es läuft und wer Zugriff hat. Die Frage „Werden die eigenen Eingaben zum Training fremder Modelle verwendet?“ stellt sich gar nicht erst, weil es schlicht keinen externen Empfänger der Inferenz gibt. Man ist unabhängig von Preiserhöhungen, von API-Änderungen, von politischen Verwerfungen. Modelle lassen sich auf die eigenen Daten finetunen, ohne dass diese Daten jemals ein fremdes Netz sehen.

Die Kostenstruktur ist nach Variante unterschiedlich, aber durchgehend planbar: Eigene Hardware bedeutet eine Anschaffungsinvestition (für ein flüssiges 30–70B-Setup typischerweise 5.000–15.000 €) plus Strom – ein dedizierter GPU-Server bei einem deutschen Cloud-Anbieter liegt aktuell je nach Ausstattung zwischen 200 und 1.500 € pro Monat. Ab einem gewissen Anfragevolumen unterbietet das die Public-Cloud-Token-Kosten deutlich.

Was dagegen spricht

Es braucht jemanden, der das aufsetzt und betreibt. Modelle wollen aktualisiert werden, GPUs wollen gekühlt werden, Skalierung will geplant sein. Und: Selbst die besten frei verfügbaren Open-Source-Modelle erreichen aktuell nicht ganz das Niveau eines GPT-5.5 oder Claude Opus 4.7 – bei einfachen Aufgaben fällt das nie auf, bei komplexen Analysen schon.

Faustregel: Wenn die Daten so sensibel sind, dass es keinen anderen Weg gibt – oder das Volumen so groß, dass API-Kosten ins Geld gehen – dann ja. Sonst: zu früh.

Fazit: Welcher Weg passt zu welchem Unternehmen?

KI 2026 ist kein technisches Problem mehr – es ist eine Architekturfrage. Die Modelle sind da, die Anbieter sind da, die Werkzeuge sind da. Die Frage ist, welche Kombination zum eigenen Unternehmen passt. Aus unseren Projekten lässt sich das überraschend klar zusammenfassen:

  • Mit Weg 1 anfangen, um zu verstehen, was KI im eigenen Unternehmen leisten kann – aber ausschließlich mit unkritischen Daten. Marketing-Texte, allgemeine Recherche, Code-Reviews. Niemals Kundendaten, niemals Personalakten.
  • Auf Weg 2 wechseln, sobald die ersten echten Use Cases stehen. Sobald klar ist, wofür KI genutzt werden soll, lohnt sich der Aufwand für eine DSGVO-konforme Plattform – und damit fahren 80 % der KMU dauerhaft gut.
  • Auf Weg 3 nur gehen, wenn es sein muss. Echte Datensouveränität (Verteidigung, Forschung, hochsensible Branchen) oder hohe Volumen, bei denen API-Kosten ins Gewicht fallen – sonst bleibt Eigenbetrieb teurer und langsamer.
  • Nicht vergessen: Das Modell ist nur die halbe Miete. Die andere Hälfte ist die saubere Anbindung an die eigenen Systeme (CRM, ERP, Wissensdatenbank, Website), eine durchdachte UX und ein vernünftiger Prozess für Pflege und Weiterentwicklung. Genau hier liegt der Unterschied zwischen einem KI-Prototyp, der nach drei Monaten in der Schublade verschwindet, und einer Lösung, die jeden Tag Stunden spart.
  • Den Erfolg messen, nicht die Technik. Wie viele Minuten spart das Tool pro Vorgang? Wie viele Leads kommen mehr rein? Wie viele Tickets werden automatisch korrekt klassifiziert? Wer das nicht misst, weiß auch nicht, ob sich Aus- oder Rückbau lohnt.
Entscheidungsbaum: Arbeiten Sie mit schützenswerten Daten? Nein: Weg 1, Public Cloud, nur mit unkritischen Daten. Ja: Brauchen Sie volle Datensouveränität oder haben Sie sehr hohes Volumen? Nein: Weg 2, EU-Plattform, für die meisten KMU richtig. Ja: Weg 3, Self-Hosting, nur wenn es sein muss.

Und der wichtigste Punkt zum Schluss: Das größere Risiko liegt nicht in der Technik, sondern darin, gar nicht anzufangen. Das Modell, das morgen die eigenen Angebote schreibt, schreibt heute schon die Angebote der Konkurrenz.

Wenn Sie Unterstützung suchen: Wir bei SI Code haben alle drei Wege in Kundenprojekten umgesetzt – von der schnellen ChatGPT-Integration über DSGVO-konforme LLM-Anbindungen bis zur vollständig autarken On-Premise-Lösung. Sprechen Sie uns an, wir prüfen gemeinsam, welcher Weg zu Ihrem Unternehmen passt.

Markus Ritter, Software-Architekt bei SI Code

Über den Autor

Markus Ritter
Software-Architekt

KI im Unternehmen – eine FAQ

Werden meine Eingaben zum Training fremder KI-Modelle verwendet?

Das kommt auf den Anbieter und den Tarif an. OpenAI (Business, Team, Enterprise und API), Anthropic (Claude API und Enterprise) und Google (Gemini API, Workspace) sagen vertraglich zu, dass Eingaben aus Business-Tarifen nicht zum Training verwendet werden. In den Consumer-Versionen (Free-ChatGPT, Consumer-Gemini, Claude Free, Pro und Max) sieht das anders aus – dort gehen Eingaben standardmäßig oder per Voreinstellung ins Training ein. Bei EU-Plattformen wie dem IONOS AI Model Hub ist „No Training“ Standard, weil dort ohnehin Open-Source-Modelle gehostet werden. Die einzige technisch garantierte Lösung – also unabhängig von vertraglichen Zusagen – ist eine selbst gehostete Open-Source-Variante. Wer mit echten Betriebsgeheimnissen arbeitet, sollte mindestens auf einen Business-Tarif mit explizitem No-Training-Vertrag wechseln, besser auf eine EU-Plattform oder Self-Hosting.

Welche KI-Lösung ist DSGVO-konform?

Am einfachsten DSGVO-konform umsetzen lassen sich zwei Wege: Erstens API-Plattformen mit Sitz und Rechenzentren in der EU (z. B. IONOS AI Model Hub, STACKIT AI, OVHcloud AI Endpoints, Mistral mit EU-Hosting). Zweitens vollständig selbst gehostete Open-Source-Modelle im eigenen Rechenzentrum. Die Business-Tarife von OpenAI, Google und Anthropic können bei korrekter Vertragsgestaltung ebenfalls eingesetzt werden, erfordern aber einen Auftragsverarbeitungsvertrag und je nach Risiko eine Datenschutz-Folgenabschätzung. Ob ein Einsatz konform ist, hängt immer auch davon ab, welche Daten verarbeitet werden.

Was ist der IONOS AI Model Hub?

Der IONOS AI Model Hub ist eine deutsche KI-Plattform, über die Open-Source-LLMs wie Llama, Mistral oder gpt-oss per OpenAI-kompatibler API angesprochen werden können. Rechenzentren stehen in Deutschland, die Daten werden nicht für Training verwendet, und es gilt deutsches bzw. europäisches Recht. Der Hub ist eine der gängigsten Optionen für DSGVO-konforme KI-Integration im deutschen Mittelstand.

Kann man ChatGPT, Claude oder Gemini in Unternehmen DSGVO-konform einsetzen?

Mit Einschränkungen ja. OpenAI, Anthropic und Google bieten Business- und Enterprise-Tarife mit vertraglicher Zusage zu „No-Training-on-Data“ und Auftragsverarbeitungsverträgen. EU-Datenresidenz gibt es bei OpenAI und Google direkt, bei Anthropic über die Cloud-Plattformen von AWS und Google. Für die DSGVO-Konformität braucht es zusätzlich je nach Risiko eine Datenschutz-Folgenabschätzung, klare Prozesse bezüglich Eingabedaten und Mitarbeiter-Schulungen. Bei besonders sensiblen Daten (Patientenakten, mandatsbezogene Inhalte) ist ein EU-Anbieter oder Self-Hosting in der Regel die sauberere Lösung.

Was kostet eine eigene, selbst gehostete LLM-Lösung?

Das hängt vor allem davon ab, ob eigene Hardware gekauft oder Cloud-Kapazität gemietet wird. Eigene Hardware: Die einmaligen Anschaffungskosten für ein Setup, das ein 30–70B-Modell flüssig bedienen kann, liegen typischerweise zwischen 5.000 und 15.000 €, dazu kommen Strom und Wartung. Gemieteter GPU-Server bei einem deutschen oder europäischen Cloud-Anbieter (z. B. Hetzner, IONOS, OVH): je nach Ausstattung etwa 200 bis 1.500 € pro Monat, ohne Anfangsinvestition und mit Skalierbarkeit nach oben. Bei hohem Volumen wird Self-Hosting (egal in welcher Variante) günstiger als API-Kosten – die genaue Schwelle hängt vom Use Case ab. Beratung, Setup und Betrieb durch eine Agentur kommen abhängig von der Komplexität hinzu.

Welche Open-Source-LLMs sind kommerziell nutzbar?

Frei verfügbar und kommerziell nutzbar sind unter anderem Llama 3.3 (Meta), Mistral Small, Qwen 3.5 (Alibaba), DeepSeek und Gemma 4 (Google). Die genauen Lizenzbedingungen unterscheiden sich – bei Llama gilt z. B. eine Sonderregel für Unternehmen mit über 700 Millionen monatlich aktiven Nutzern. Für die meisten KMU sind alle gängigen Open-Source-Modelle problemlos einsetzbar.

Was ist RAG und brauche ich das?

RAG steht für Retrieval Augmented Generation. Dabei werden dem LLM zur Laufzeit relevante Auszüge aus den eigenen Dokumenten (Handbücher, Produktinfos, Wissensdatenbank) mitgegeben, bevor es antwortet. Nötig ist das immer dann, wenn das Modell auf interne, aktuelle oder spezifische Informationen zugreifen soll – also bei den allermeisten Unternehmens-Use-Cases (Mitarbeiter-Assistenten, Kunden-Chatbots, automatische Recherche, Vertriebsassistenten).

Wie fange ich am besten mit KI im Unternehmen an?

Mit einem konkreten Use Case, nicht mit einer Plattform. Zunächst einen wiederkehrenden „Text rein, Text raus“-Prozess im eigenen Unternehmen identifizieren (Angebotserstellung, Ticket-Klassifizierung, Newsletter-Texte, FAQ-Beantwortung), den aktuellen Zeitaufwand messen, einen kleinen Prototyp bauen und vergleichen. Erst wenn der Nutzen klar ist, lohnt sich die Diskussion über Anbieterwahl, DSGVO und Skalierung.

Lust auf ein Kennenlernen?

Vielleicht ist Ihnen noch unklar, wie wir arbeiten oder Sie möchten sich einfach mit uns austauschen? Dann klicken Sie hier und vereinbaren direkt mit uns einen Termin!