AI-strategi: De 4 spørgsmål, der afgør mellem profit og stagnation

Meget tid sparet, ingen gevinst? ROI-fælden i kunstig intelligens

Hvorfor 93% af virksomheder fejler med AI ROI (og hvad de øverste 7% gør anderledes)

Kunstig intelligens er kommet ind i hverdagen – men for de fleste venter det store økonomiske gennembrud stadig. Mens næsten tre fjerdedele af alle organisationer tjener deres AI-investeringer hjem inden for seks måneder, forbliver de håbede drømmeafkast en sjældenhed. Den barske virkelighed: Blot at spare medarbejdernes tid fører ikke automatisk til øget omsætning eller mærkbart lavere omkostninger. De, der blot bruger AI som en digital assistent, sidder ofte fast på et ROI-plateau på 10 til 20 %.

Det afgørende skridt er derfor at bevæge sig væk fra overfladiske effektivitetsgevinster og hen imod ægte økonomisk transformation. Men hvordan kan dette spring opnås? En nylig benchmarkundersøgelse af 255 ledere fra store virksomheder afslører, at kun 7 % af organisationerne opnår et AI-ROI på over 40 %. Deres hemmelighed bag succes ligger ikke i bedre algoritmer, men i deres konsekvente implementering – de bygger bro mellem genereret indsigt og konkrete forretningsresultater.

Denne guide giver en felttestet diagnostisk ramme for virksomhedsledere. Baseret på fire nøglespørgsmål vil du lære, hvor dit AI-program står i øjeblikket, hvorfor sparet arbejdstid ofte går til spilde, og hvilke redskaber du kan bruge til at omdanne din AI til en ægte værdiskabelsesmotor.

4 spørgsmål, virksomhedsledere bør stille for at forbedre AI-ROI

AI hyldes universelt som revolutionerende. Så hvorfor opnår så få virksomheder enestående afkast?

Det korte svar er: fordi teknologien ikke er problemet. De fleste virksomheder har fungerende AI-værktøjer på plads. Udfordringen ligger i eksekveringsinfrastrukturen – de mekanismer, der omsætter AI-ydeevne til økonomiske resultater.

Benchmarken gør dette klart: 70 % af virksomhederne når deres break-even-punkt inden for seks måneder, hvilket viser, at AI-investeringer fundamentalt set er levedygtige. Imidlertid overstiger kun 7 % ROI-tærsklen på 40 %. De resterende 93 % stagnerer – ikke på grund af dårlig teknologi, men på grund af manglende konverteringsmekanismer, ufuldstændig automatisering, utilstrækkelig kvalitetsmåling og utilstrækkelig integration i driftssystemer.

De fire eksekveringsdiscipliner, der kendetegner topudøvere, kan kondenseres til fire diagnostiske spørgsmål:

• Hvor meget af den sparede tid omsættes til målbar forretningsværdi?
• Hvor stor en procentdel af arbejdsgangene er fuldt automatiserede?
• Måles kvalitet og pålidelighed systematisk – ikke kun hastighed?
• Er AI-output direkte integreret i operativsystemer?

De, der ærligt kan besvare disse fire spørgsmål og adressere hullerne, vil positionere deres virksomhed til et bæredygtigt, akkumuleret AI-ROI – i stedet for et komfortabelt, men stagnerende plateau.

Mere information her:

• UNFRAME.AI: 4 spørgsmål, virksomhedsledere bør stille for at forbedre AI-ROI i 2026

Hvor meget af den tid, der spares gennem AI, omdannes til målbar forretningsværdi?

Vores AI-program sparer påviseligt adskillige timer pr. medarbejder pr. uge. Hvorfor afspejles dette ikke i vores økonomiske tal?

Dette er det mest diagnostisk indsigtsfulde spørgsmål, et lederteam kan stille. Tidsbesparelser er en ledende indikator – ikke et forretningsresultat. Den afgørende variabel er ikke, hvor meget tid AI genvinder, men hvad der sker med den tid bagefter.

Benchmarken er klar: 49 % af virksomhederne rapporterer besparelser på to til fire timer pr. medarbejder om ugen, og yderligere 29 % rapporterer besparelser på fire til seks timer. Dette lyder som et betydeligt potentiale. Analysen afslører dog, at i gennemsnit kun omkring 41 % af den sparede tid omdannes til målbar forretningsværdi – selvevalueringerne ligger på omkring 50 %, hvilket indikerer en systematisk overvurdering.

Fordelingen er afslørende: Kun 5,1 % af virksomhederne omdanner 75 % eller mere af deres sparede tid til håndgribelig værdi. Yderligere 46,3 % ligger inden for intervallet 50 % til 75 %. Størstedelen – 43,5 % – ligger i intervallet 25 % til 50 %. Det betyder, at den gennemsnitlige virksomhed mister omkring 1,8 timer pr. medarbejder om ugen på grund af organisatoriske friktioner, uden at disse timer nogensinde omsættes til resultater.

Hvor forsvinder disse tabte timer hen?

De forsvinder i tre typiske tabsmønstre:

For det første er der den manuelle validering af AI-resultater. Teams bruger betydelig tid på at gennemgå, korrigere eller formatere outputtet fra AI-værktøjer, før de overhovedet kan bruges. Den tid, der spares ved oprettelsen, opvejes delvist af den indsats, der kræves til gennemgang.

For det andet i dashboards uden integration af beslutningstagning. Mange virksomheder har synliggjort indsigter – i rapporter, visualiseringer og opsummeringer – men disse indsigter er ikke forbundet med operationelle beslutningsflows. En analytiker ser den AI-genererede anbefaling, men skal manuelt fortolke, videresende og implementere den. Skridtet fra indsigt til handling forbliver menneskeligt og tidskrævende.

For det tredje, i godkendelsescyklusser mellem AI-anbefaling og udførelse. Arbejdsgange, der inkorporerer flere godkendelsesfaser mellem en AI-understøttet beslutningsanbefaling og den faktiske handling, eliminerer en stor del af hastighedsfordelen. Beslutningslatenstiderne forbliver høje, selvom den analytiske ydeevne er steget.

Hvad adskiller de øverste 7% på dette område?

De bedste medarbejdere konverterer cirka 71 % af den sparede tid til målbar forretningsværdi. Dette svarer til cirka 4,25 værdiskabende timer pr. medarbejder pr. uge – sammenlignet med 1,82 timer for de sænkede. Forskellen ligger ikke i den anvendte AI-teknologi, men i konverteringsmekanismen.

De praktiske implikationer: Enhver AI-implementering bør have et defineret mål for geninvestering af kapacitet, før den går live. Hvor går de genvundne timer hen? Flere sager pr. medarbejder pr. dag? Højere afslutningsrater? Hurtigere udviklingscyklusser? Kortere tilbudstider? Uden eksplicitte mål opløses sparet tid i usynlig omfordeling.

Den primære succesmåling skal skifte fra paradigmet om tidsbesparelser til resultatmålinger. Timer optræder ikke i resultatopgørelsen. Resultater gør. Virksomheder, der ønsker at opnå succesfulde afkast på AI-investeringer, skal lære at måle ikke hvor meget hurtigere deres teams arbejder, men hvad denne hastighed i sidste ende opnår: højere gennemløb, bedre konverteringsrater, lavere behandlingsomkostninger, kortere cyklustider.

Hvor stor en procentdel af vores arbejdsgange er fuldt automatiserede – fra start til slut?

Vi har implementeret AI-værktøjer i mange teams. På trods af dette stagnerer vores ROI. Hvad måler vi forkert?

Du måler sandsynligvis ren brugeraccept (tilpasning), når du burde måle automatisering. Dette er den mest almindelige diagnosticeringsfejl i AI-programmer på mellemniveau.

Hvis der er én metrik, der forudsiger en virksomheds AI-ROI mere pålideligt end nogen anden, er det procentdelen af ​​fuldt automatiserede arbejdsgange. Korrelationen er stærk i benchmarks – både for værdiskabelse og omkostningsreduktion. Begge sammenhænge er stærkere end dem med implementeringsrater, antal værktøjer eller budgetstørrelse.

Hvad er forskellen mellem AI som assistent og AI som automatisering?

Dette er den konceptuelt vigtigste forskel inden for hele feltet for ROI for virksomheds-AI.

AI-assistenter gør folk hurtigere. En copilot hjælper analytikere med at skrive hurtigere. Resuméværktøjer komprimerer researchtiden. Anbefalingsmotorer giver muligheder for menneskelig gennemgang. Disse implementeringer genererer reelle produktivitetsgevinster. Men de ændrer ikke selve arbejdets omkostningsstruktur. Processen forbliver fundamentalt den samme – bare med en hurtigere menneskelig aktør.

Automatisering AI ændrer processtrukturen. Den udfører arbejdsgangstrin, håndterer undtagelser og udløser handlinger downstream uden at vente på, at et menneske omsætter output til handling. Forskellen er ikke gradvis, men strukturel: assistance gør virksomheder hurtigere, automatisering gør dem økonomisk anderledes.

Denne kløft mellem assistance og automatisering forklarer det ROI-plateau, som de fleste programmer oplever efter den indledende succes. De tidlige gevinster kommer fra implementeringer af assistance – de er hurtige at implementere, nemme at retfærdiggøre og leverer håndgribelige fordele. Men de går til sidst deres vej. Det næste spring kræver automatisering.

Hvor er det kritiske vendepunkt?

Benchmarken identificerer et klart vendepunkt: omkring 40% automatisering af arbejdsgange. Under denne tærskel er AI en accelerator – den fremskynder eksisterende arbejde. Over denne tærskel bliver AI en økonomisk kraft, der ændrer selve arbejdets struktur.

De 7% største virksomheder automatiserer i gennemsnit 63% af deres arbejdsgange. Deres AI-systemer informerer ikke kun beslutninger – de udfører arbejdsgangstrin, håndterer undtagelser og udløser efterfølgende handlinger. Mennesker forbliver involveret i regelsættet, men ikke i den direkte data- og udførelsessti.

Hvordan identificerer en virksomhed, hvor automatisering er mulig?

Det første trin er en ensartet revisionsklassificering. Enhver eksisterende AI-implementering klassificeres som enten "assistance" eller "automatisering". For alle assistanceimplementeringer opstår derefter det efterfølgende spørgsmål: Hvilke fortolkende trin i arbejdsgangen kunne erstattes af agenter eller regelsæt?

Særligt lovende kandidater til automatisering er gentagne fortolkningsopgaver – rutinemæssige beslutninger, der følger et klart mønster, men som i øjeblikket stadig kræver menneskelig indgriben. Eskalering og undtagelsesrouting, hvor AI genkender og videresender exceptionelle tilfælde uden at kræve menneskelig indgriben, er lige så lovende. Triggerbaserede handlingskæder, hvor et AI-output direkte udløser en systemhændelse (en notifikation, en booking, en statusændring eller opfølgende kommunikation), er også ideelle udgangspunkter.

Målet er ikke at eliminere al menneskelig involvering. Det handler om at fokusere menneskeligt tilsyn på undtagelserne, ikke standardmetoden. Virksomheder, der foretager denne overgang fra en assistancedomineret til en automatiseringsdomineret AI-arkitektur, forlader ROI-plateauet.

Her lærer du, hvordan din virksomhed kan implementere skræddersyede AI-løsninger hurtigt, sikkert og uden høje adgangsbarrierer.

En administreret AI-platform er din altomfattende og bekymringsfri løsning til kunstig intelligens. I stedet for at skulle håndtere kompleks teknologi, dyr infrastruktur og langvarige udviklingsprocesser, får du en færdiglavet løsning skræddersyet til dine behov fra en specialiseret partner – ofte inden for få dage.

De vigtigste fordele på et overblik:

⚡ Hurtig implementering: Fra idé til brugsklar applikation på dage, ikke måneder. Vi leverer praktiske løsninger, der skaber øjeblikkelig merværdi.

🔒 Maksimal datasikkerhed: Dine følsomme data forbliver hos dig. Vi garanterer sikker og kompatibel behandling uden at dele data med tredjeparter.

💸 Ingen økonomisk risiko: Du betaler kun for resultater. Store forudgående investeringer i hardware, software eller personale elimineres fuldstændigt.

🎯 Fokuser på din kerneforretning: Koncentrer dig om det, du er bedst til. Vi tager os af hele den tekniske implementering, drift og vedligeholdelse af din AI-løsning.

📈 Fremtidssikret og skalerbar: Din AI vokser med dig. Vi sikrer løbende optimering og skalerbarhed og tilpasser modellerne fleksibelt til nye krav.

Mere information her:

• Administreret AI-platform

Måler vi systematisk kvalitet og pålidelighed – ikke kun hastighed og gennemløb?

Vores ledelse spørger altid om tidsbesparelser og omkostningsreduktion som nøgleindikatorer for AI. Er det de rigtige målinger?

Ikke som primære målepunkter – i hvert fald ikke når det kommer til at overbevise beslutningstagere på lang sigt. For ifølge benchmarks er den stærkeste drivkraft for ledelsestilfredshed med AI ikke hastighed, ikke gennemløbshastighed og ikke engang omkostningsreduktion. Det er forbedringen af ​​kvaliteten.

Dette har vidtrækkende konsekvenser. De, der kontrollerer AI-budgetter, er mest bekymrede over, om AI gør organisationen mere pålidelig – ikke bare hurtigere. Og pålidelighed undervurderes systematisk i de fleste programmer.

Hvilke specifikke oplysninger giver benchmarket vedrørende kvalitetsmåling?

Den gennemsnitlige kvalitetsforbedringsvurdering i benchmarken er 7,6 ud af 10 point. Kun 56,9 % af virksomhederne vurderer deres kvalitetsforbedring til 8 eller højere. Det betyder, at der er betydelig plads til forbedring – og endnu mere plads til systematisk at måle kvalitet i første omgang.

Særligt afslørende er manglen på sammenhæng mellem hurtig amortisering og ledelsestilfredshed. Hurtig refinansiering viser ringe sammenhæng med det tilfredshedsniveau, som ledelsesteams udtrykker med deres AI-programmer. Tillid, konsistens og pålidelighed værdsættes højere end hurtige resultater. Det betyder, at et program, der amortiserer hurtigt, men producerer upålidelige output, er mindre succesfuldt i ledelsens øjne end et program, der skalerer langsommere, men konsekvent leverer pålidelig kvalitet.

Hvordan adskiller de bedst præsterende grupper sig med hensyn til kvalitet?

De øverste 7% opretholder kvalitetsvurderinger på 9 eller højere og en samlet tilfredshedsscore på 9 til 10. Dette er ikke organisationer, der har ofret kvalitet for hastighed. De indbygger kvalitet i deres evalueringsarkitektur fra starten – som en primær KPI, ikke som et sekundært compliancekrav.

I praksis betyder dette løbende evaluering – både offline i testmiljøer og under produktion – for modeldrift, hallucinationsrisiko og overholdelse af retningslinjer. Kvalitetsbenchmarking er ikke et engangskontrolpunkt under implementering, men en kontinuerlig proces, der kører parallelt med driften. Kvalitetssignaler fungerer som tidlige advarselsindikatorer, før fejl resulterer i omkostninger eller negative kundeoplevelser.

Hvorfor er kvalitetsmåling så ofte underudviklet?

Fordi det er vanskeligere at instrumentalisere end hastighed. Hvor hurtigt en opgave udføres, er let at måle. Om resultatet er korrekt, konsistent og troværdigt kræver evalueringsrammer, testdatasæt, menneskelig dømmekraft og løbende overvågningsprocesser. Dette betyder en højere opsætningsindsats, som ofte nedprioriteres, når fokus er på hurtig implementering.

Virksomheder, der viger tilbage fra denne indsats, betaler en højere pris i det lange løb: svindende ledelsestillid, stigende fejlomkostninger, nedlukning af dårligt fungerende implementeringer og risikoen for, at en enkelt, meget synlig AI-fejl politisk kan bringe hele programmet i fare. Investering i kvalitetsmåling er ikke en overheadkost – det er risikostyring og opbygning af tillid til budgetholdere.

Er vores AI-output direkte integreret i operationelle handlingssystemer?

Vores AI producerer anbefalinger og indsigter af høj kvalitet. Hvorfor bidrager de så ikke til forretningstransformation?

Fordi anbefalinger og indsigt alene ikke genererer forretningsresultater. Værdiskabelse sker kun, når et AI-output udløser en systemhandling – og denne handling resulterer i en målbar ændring i en central forretningsmåling. Det er den lukkede værdicyklus. Og de fleste AI-programmer bryder den på dens mest kritiske punkt.

Det lukkede kredsløb fungerer som følger: AI'en genererer et output. Dette output udløser en systemhandling. Handlingen resulterer i en målbar ændring i en central forretningsmåling – højere omsætning pr. kunde, lavere behandlingsomkostninger pr. transaktion, kortere compliance-cyklustider. Målingen ændrer sig, fordi kredsløbet er lukket.

Hvor bryder denne cyklus op i de fleste virksomheder?

Problemet opstår i trin to. AI'en producerer et output – og dette ender i et dashboard, en rapport eller en e-mail, hvor den venter på, at et menneske fortolker det, beslutter, hvad der skal gøres, og manuelt igangsætter handlingen. Dette oversættelsestrin er det strukturelle problem.

Mennesker, der fungerer som oversættere mellem AI-output og systemhandlinger, er ikke kun langsomme – de introducerer variabilitet. Forskellige medarbejdere fortolker identiske AI-anbefalinger forskelligt. Handlinger udføres på forskellige tidspunkter. Kvaliteten af ​​responsen afhænger af individuelle færdigheder, arbejdsbyrde og prioriteter. Virksomheden skalerer med AI, men den sidste operationelle mil forbliver manuel.

Hvad gør de øverste 7% for at lukke denne cirkel?

De bedste performere har elimineret kløften mellem AI-output og systemhandling. Deres AI-resultater flyder direkte ind i eksekveringslaget i forretningsworkflows. Det betyder:

AI-genererede anbefalinger udløser automatisk systemhandlinger – en prisjustering, en kampagneændring, en eskaleringsworkflow, en ressourceallokering – altid inden for definerede parametre. Menneskelig kontrol (governance) fokuserer på undtagelser og parameterovervågning, ikke på standardhandlingen. Hver systemhandling kan spores tilbage til en AI-beslutning, hvilket garanterer fuldstændig revisionsbarhed og gennemsigtighed i styringen.

Dette er forskellen mellem et AI-system, der fungerer som beslutningsstøtte, og et AI-system, der fungerer som beslutningsudførelse. Førstnævnte fremskynder menneskelige processer. Sidstnævnte ændrer fundamentalt omkostningsstrukturen for arbejdskraft.

Hvilken infrastruktur er nødvendig for at lukke denne cyklus på tværs af hele porteføljen?

At lukke løkken i en enkelt applikation er et integrationsprojekt. At lukke løkken i en hel AI-portefølje er et governance-projekt. Forskellen er afgørende.

Førende virksomheder investerer i genanvendelige komponenter, der deles på tværs af hele deres portefølje: standardiserede dataforbindelser, evalueringsrammer, sikkerhedsbeskyttelse og en infrastruktur til revisionslogning. Dette eliminerer behovet for at bygge hver ny use case fra bunden. Implementeringshastigheden øges, mens styringsstandarder forbliver ensartede på tværs af alle implementeringer.

Det er også her, valget af AI-virksomhedsplatform bliver strategisk. Platforme, der leverer en fælles infrastruktur til implementering, overvågning, styring og integration, muliggør implementeringshastigheder på dage i stedet for måneder – samtidig med at der opretholdes ensartede standarder på tværs af hele porteføljen.

Den praktiske test for enhver igangværende implementering er simpel: Kræver AI-outputtet menneskelig indgriben for at omsætte det til handling? Hvis det er tilfældet, fungerer implementeringen som en accelerator. Hvis outputtet direkte udløser handlingen – med menneskelig indgriben kun i ekstraordinære tilfælde – leverer implementeringen et strukturelt afkast. Kun strukturelle afkast forbedrer en virksomheds rentabilitet bæredygtigt.

Fra effektivitetsgevinster til økonomisk transformation

Hvad er den overordnede konklusion for virksomhedsledere ud fra disse fire spørgsmål?

De fire spørgsmål har en fællesnævner. De spørger ikke, om AI virker – det gør den. De spørger, om virksomheden har opbygget den nødvendige eksekveringsinfrastruktur til at omsætte AI-præstationer til reelle økonomiske resultater.

Dette er den virkelige udfordring for investeringsafkastet for virksomheders AI i 2026. Teknologispørgsmålet er i vid udstrækning blevet besvaret. Udførelsesspørgsmålet er fortsat åbent. Og kløften mellem dem, der har besvaret det, og dem, der ikke har, vil materialisere sig i barske økonomiske termer i de kommende måneder.

Hvad kendetegner de 7% største virksomheder som helhed?

Den ledende gruppe har udviklet en integreret eksekveringsmodel, der adresserer alle fire dimensioner samtidigt:

De konverterer 71 % af AI-genereret værdi til målbare resultater – sammenlignet med et gennemsnit på godt under 50 %. De automatiserer fuldt ud 63 % af deres arbejdsgange – et godt stykke over vippepunktet på 40 %, hvor AI bliver en forretningsmæssig drivkraft. De behandler kvalitet som en primær KPI og opretholder kvalitetsscorer på 9 eller højere, hvilket direkte påvirker ledelsesstøtte og budgetgennemførelse. Og de driver AI som en portefølje med delt infrastruktur, der leverer kumulative afkast med hver ny use case.

Dette er ikke en teknologisk fordel. Det er en eksekveringsfordel. Værktøjerne er tilgængelige. Spørgsmålet er, om virksomheden har opbygget det organisatoriske og infrastrukturelle rammeværk til at omsætte dem til systematiske forretningsresultater.

Hvilke specifikke handlingstrin er et resultat af denne ramme?

Der er et klart indgangspunkt for hver af de fire dimensioner:

Tidskonvertering

For hver aktiv AI-implementering skal du definere et eksplicit mål for geninvestering af kapacitet. Hvor går de genvundne timer hen? Mål ikke tidsbesparelser, men snarere resultatmålinger (antal sager, færdiggørelsesrater, gennemløb, cyklustider). Eliminer de organisatoriske friktionspunkter, der absorberer den sparede tid: valideringsindsats, godkendelsescyklusser, mediepauser.

Angående automatiseringsniveauet

Udfør en ensartet revisionsklassificering af alle AI-implementeringer. Assistance eller automatisering? Identificer de bedste kandidater til at omdanne ren assistance til ægte automatisering. Sæt en intern målkorridor for automatiseringsniveauet – og mål det kvartalsvis.

Til kvalitetsmåling

Implementer en løbende evalueringsramme: offlinetestning før implementeringsopdateringer og løbende overvågning under produktion for modeldrift og hallucinationsrisici. Integrer kvalitets-KPI'er i regelmæssige ledelsesvurderinger – ikke som en byrdefuld complianceforpligtelse, men som en nøgleindikator for ledelsestilfredshed og budgetbeslutninger.

Til lukket kredsløbsintegration

Revidér hver implementering med det centrale spørgsmål: Kræver outputtet menneskelig omsætning til handling? Prioritér lukning af kredsløbet, hvor handlingsfrekvensen er høj, og risikoen er håndterbar. Investér i en delt infrastruktur (dataforbindelser, beskyttelsesrækværk, revisionslogning), der kan genbruges på tværs af alle implementeringer og fremskynder implementeringshastigheden af ​​nye use cases.

Hvad sker der med virksomheder, der ikke stiller disse spørgsmål?

De forbliver fastlåst på det komfortable plateau på 10 til 20% ROI. Dette er ikke en fiasko i strengeste forstand – det er nok til at retfærdiggøre og fortsætte med at finansiere AI-investeringer internt. Men det er ikke en succesfuld transformation. Virksomhedens grundlæggende rentabilitet forbliver uændret.

Konkurrenter, der har gennemført overgangen til eksekveringsinfrastrukturen, vil i mellemtiden akkumulere omkostnings-, kapacitets- og hastighedsfordele. Disse er meget vanskelige at overvinde, når der først er opstået strukturelle konkurrenceforskelle.

Forskellen mellem 2025 og 2026 i virksomhedens AI-landskab er denne: 2025 var året for adoption. Næsten alle virksomheder implementerede noget. 2026 er året for differentiering. De, der har opbygget en reel eksekveringsinfrastruktur, vil se forretningsresultater, som dem uden denne infrastruktur ikke kan replikere – helt uafhængigt af de anvendte AI-modeller eller de anvendte budgetter.

Dette er det absolutte mandat for virksomhedsledere i 2026: Stop med bare at introducere nye værktøjer. Begynd at lukke de fire eksekveringshuller, der forhindrer jeres eksisterende AI-kapaciteter i at omsættes til målbar, akkumuleret forretningsværdi.

Jeg vil med glæde fungere som din personlige rådgiver.

Du kan kontakte mig på wolfenstein∂xpert.digital eller

Bare ring til mig på +49 7348 4088 965 .

LinkedIn