Nieuwe studie van de LMU toont aan: hoe kunstmatige intelligentie artsen echt beter maakt | Ludwig Maximilian Universiteit van München – Afbeelding: Xpert.Digital
Levensredder of risico? Hoe 'denkende' AI het dagelijks leven in ziekenhuizen volledig verandert
EU-wetgeving dwingt tot heroverweging: AI in ziekenhuizen zal in de toekomst "hardop moeten denken"
Kunstmatige intelligentie wordt al lange tijd geprezen als een redder in nood in de gezondheidszorg, die chronische tijdsdruk en acute personeelstekorten bestrijdt. Een baanbrekende nieuwe studie uit Duitsland onthult echter dat of een algoritme levens redt of, in het ergste geval, zelfs tot verkeerde diagnoses leidt, afhangt van een cruciaal detail dat tot nu toe weinig aandacht heeft gekregen. Het is simpelweg niet voldoende dat een AI accurate resultaten levert – het moet ook in staat zijn om zijn redeneringsproces stap voor stap aan de arts uit te leggen. Een fascinerend experiment met meer dan 100 radiologen laat zien waarom zogenaamde 'gedachtenketen'-modellen de diagnostische foutenmarge drastisch verlagen, waarom klassieke differentiële diagnoses plotseling cognitieve valkuilen worden en waarom deze bevindingen niet alleen de medische praktijk, maar ook de wereldwijde AI-markt en toekomstige EU-regelgeving radicaal zouden kunnen veranderen.
Dit is hiermee gerelateerd:
Wanneer AI zelf denkt: Hoe uitlegbare kunstmatige intelligentie medische diagnostiek verandert
Een aannemelijk antwoord is niet genoeg – wie blindelings op AI vertrouwt, brengt het leven van patiënten in gevaar
Grote taalmodellen zijn niet langer beperkt tot laboratoriumexperimenten. Ze zijn te vinden in advocatenkantoren, nieuwsredacties, managementadviesbureaus – en steeds vaker in ziekenhuizen. Maar terwijl het publieke debat vaak draait om de vraag of kunstmatige intelligentie ooit artsen zal vervangen, stellen onderzoekers van de LMU München, het LMU Universitair Ziekenhuis, het Karlsruhe Institute of Technology en de Universiteit van Bayreuth een veel genuanceerdere vraag die direct relevant is voor de dagelijkse klinische praktijk: onder welke omstandigheden verbetert AI-ondersteuning de diagnostische kwaliteit daadwerkelijk – en wanneer is het in het ergste geval zelfs schadelijk?
Het antwoord, gepubliceerd in het tijdschrift npj Digital Medicine door het onderzoeksteam onder leiding van Stefan Feuerriegel, hoogleraar aan de LMU Munich School of Management, en Boj Friedrich Hoppe van het LMU Universitair Ziekenhuis, is even helder als ontnuchterend: de belangrijkste vraag is niet of een AI een correcte diagnose stelt, maar hoe die diagnose wordt uitgelegd. Deze bevinding is significant omdat ze het hele debat over AI in de gezondheidszorg naar een hoger niveau tilt – weg van de binaire vraag "AI ja of nee?" naar de meer genuanceerde vraag hoe de interactie tussen mens en machine vormgegeven moet worden.
Het experiment: 101 radiologen en vier omstandigheden
De studie is methodologisch opmerkelijk. In een gerandomiseerd experiment kregen 101 radiologen echte klinische casussen voorgelegd met radiologische beeldvorming – inclusief bevindingen van computertomografie en magnetische resonantiebeeldvorming. De deelnemers werd gevraagd een diagnose in vrije tekst te formuleren, wat aanzienlijk uitdagender is dan simpelweg een meerkeuzeoptie selecteren en de klinische realiteit veel nauwkeuriger weergeeft.
De deelnemers werden willekeurig verdeeld over vier groepen. De eerste groep werkte volledig zonder AI-ondersteuning en fungeerde als controlegroep. De tweede groep ontving slechts één diagnostische aanbeveling van het multimodale taalmodel. De derde groep ontving een differentiële diagnose, oftewel een lijst met mogelijke ziekten en bijbehorende waarschijnlijkheden. Ten slotte ontving de vierde groep een zogenaamde gedachtegangverklaring: het model onthulde zijn redenering stap voor stap – het benoemde relevante beeldkenmerken, legde klinische indicaties uit, besprak uitsluitingscriteria en maakte zijn redenering begrijpelijk voor de arts.
Het resultaat: een verschil van twaalf procentpunten en wat daarachter zit
De resultaten zijn duidelijk. Radiologen die de stapsgewijze uitleg van het denkproces gebruikten, behaalden een diagnostische nauwkeurigheid die 12,2 procentpunten hoger lag dan die van de controlegroep zonder AI. Dit is geen marginaal effect. In de dagelijkse klinische praktijk, waar dagelijks duizenden rapporten worden gegenereerd, komt dit verschil overeen met een aanzienlijk aantal misdiagnoses dat voorkomen had kunnen worden.
Eenvoudige diagnostische uitkomsten en differentiële diagnoses presteerden daarentegen aanzienlijk slechter. De bevinding met betrekking tot de differentiële diagnose is bijzonder veelzeggend: in gevallen waarin het AI-model een onjuiste beoordeling gaf, volgden artsen de lijst vaker dan ze zouden hebben gedaan bij een eenvoudige, enkele diagnose. De differentiële diagnose wekt de indruk van volledigheid. Het presenteert meerdere mogelijkheden en creëert zo het gevoel dat de diagnostische ruimte al volledig is bestreken. Dit leidt ertoe dat artsen hun eigen kritisch denkvermogen verminderen – vooral in het geval van zeldzame of complexe aandoeningen die niet eens in de gepresenteerde lijst voorkomen.
Automatiseringsbias: het onderschatte risico in de dagelijkse klinische praktijk
Het fenomeen dat de LMU-studie zo indrukwekkend illustreert, staat in de wetenschappelijke literatuur bekend als automatiseringsbias. Het beschrijft de neiging van mensen om de aanbevelingen van geautomatiseerde systemen op te volgen, zelfs wanneer hun eigen waarneming of expertise deze tegenspreekt. Automatiseringsbias is geen teken van incompetentie. Het is een diepgeworteld menselijk cognitief patroon dat voortkomt uit evolutionaire heuristieken: wie efficiënte systemen vertrouwt, spaart cognitieve hulpbronnen. In de meeste alledaagse situaties is dit functioneel. In de geneeskunde kan het echter fataal zijn.
Eerdere studies hebben aangetoond dat automatiseringsbias aanzienlijk sterker aanwezig is onder tijdsdruk. Een onderzoek naar AI-ondersteunde klinische besluitvorming in de pathologie toonde aan dat AI-integratie weliswaar leidde tot een statistisch significante algehele verbetering van de prestaties, maar tegelijkertijd een automatiseringsbias van 7 procent genereerde – oftewel gevallen waarin aanvankelijk correcte beoordelingen werden gewijzigd door foutieve AI-aanbevelingen. Tijdsdruk verhoogde de frequentie van de bias niet, maar wel de intensiteit ervan. De parallellen met de radiologische praktijk, waar radiologen in sommige ziekenhuizen meer dan honderd rapporten per dienst moeten produceren, liggen voor de hand.
De LMU-studie toont nu aan dat de manier waarop AI wordt uitgelegd een cruciale factor is bij het beperken van dit risico. Stapsgewijze uitleg maakt de redenering van het model transparant en stelt de arts in staat deze te vergelijken met zijn of haar eigen expertise – een proces dat fouten in het model gemakkelijker te identificeren maakt en tegelijkertijd actieve cognitieve betrokkenheid stimuleert in plaats van passieve acceptatie.
De economie van verklaarbaarheid: wat goede AI nu echt kost
Vanuit economisch perspectief opent de LMU-studie een belangrijk debat dat vaak over het hoofd wordt gezien in marktgerichte groeiprognoses voor AI in de gezondheidszorg. De wereldwijde markt voor kunstmatige intelligentie in de gezondheidszorg werd voor 2025 geschat op ongeveer 28 tot 39 miljard dollar en zal naar verwachting groeien tot meer dan 500 miljard dollar in 2034, met een jaarlijkse groei van meer dan 34 procent. Deze cijfers beschrijven echter voornamelijk de markt voor AI-producten – niet de daadwerkelijke economische waarde die deze producten genereren bij klinisch gebruik.
Precies hier ligt het probleem. Een systematische review uit 2025 over de economische evaluatie van AI in de radiologie analyseerde meer dan 1800 publicaties en vond slechts 21 studies die de kosten, besparingen of kosteneffectiviteit van AI-tools daadwerkelijk kwantificeerden. Het overgrote deel van het bewijsmateriaal is gebaseerd op gemodelleerde scenario's, niet op daadwerkelijke klinische implementaties. Nog ernstiger is dat de werkelijke gegevens aantonen dat AI in de radiologie niet automatisch kosten bespaart. De economische waarde is sterk contextafhankelijk: deze is doorgaans positief bij een hoog volume, een tekort aan radiologen of resource-intensieve taken. De waarde kan echter ook negatief zijn – als onvoldoende specificiteit leidt tot meer vervolgonderzoeken, of als op gebruik gebaseerde licentiemodellen de efficiëntiewinsten tenietdoen die bij een hoog casusvolume worden behaald.
De verklaarbaarheid van AI-uitgaven is niet zomaar een academisch luxeprobleem – het is een tastbare economische variabele. Een AI die een 12,2 procentpunt hogeresegennauwkeurigheid behaalt wanneer de uitgaven worden verklaard aan de hand van een gedachtegang, genereert aanzienlijk meer klinische en economische waarde dan een AI die simpelweg een diagnose stelt, uitgaande van dezelfde modelkwaliteit. Vertaald naar kosten betekent dit: vermeden verkeerde diagnoses, minder vervolgonderzoeken, kortere behandelduur en een lager foutenpercentage. De voordelen zijn reëel, ook al zijn ze moeilijk in euro's te kwantificeren – omdat verkeerde diagnoses directe medische kosten met zich meebrengen, evenals indirecte kosten als gevolg van langere ziekenhuisopnames, juridische risico's en een verlies aan vertrouwen in de gezondheidszorg.
Verklaarbare AI als strategische noodzaak binnen het regelgevingskader
De EU-wetgeving inzake kunstmatige intelligentie (AI), die sinds augustus 2024 van kracht is, classificeert vrijwel alle klinische AI-toepassingen – diagnostische hulpmiddelen, therapieplanningssystemen en digitale monitoringstoepassingen – als toepassingen met een hoog risico. Dit brengt uitgebreide verplichtingen met zich mee: technische documentatie, risico- en kwaliteitsbeheer, continue monitoring en expliciete transparantie-eisen. Vanaf augustus 2028, na de herziening van het digitale omnibuspakket waarover de EU-Raad en het Europees Parlement op 7 mei 2026 voorlopig overeenstemming hebben bereikt, gelden alle eisen voor fabrikanten van medische hulpmiddelen.
De kern van deze regelgeving is zeer nauwkeurig geformuleerd: AI met een hoog risico moet begrijpelijk zijn voor gebruikers. Besluitvormingsprocessen moeten transparant zijn en aanbevelingen moeten betwistbaar zijn. Wat de EU-AI-wet normatief vereist, wordt empirisch bevestigd door de LMU-studie: uitlegbaarheid is niet slechts een wettelijke vereiste. Het is een voorwaarde voor het veilige gebruik van AI in risicovolle klinische situaties. De nieuwe regelgeving verplicht fabrikanten van AI-systemen in de gezondheidszorg dan ook om aandacht te besteden aan de aard en kwaliteit van hun output – en niet alleen aan de technische nauwkeurigheid van hun modellen.
Vanuit strategisch oogpunt creëert dit een interessante marktdynamiek. Aanbieders die hun verklarende kracht serieus nemen en investeren in transparante, gedachtegang-achtige outputformaten, zullen vanuit regelgevend oogpunt beter gepositioneerd zijn. Tegelijkertijd zullen ze aantoonbaar betere klinische resultaten behalen. De concurrentie om AI-oplossingen in de gezondheidszorg zal zich in de toekomst dan ook verschuiven van de vraag naar de technische nauwkeurigheid van modellen naar de vraag naar klinische bruikbaarheid – een paradigmaverschuiving met aanzienlijke gevolgen voor de hele sector.
Een nieuwe dimensie van digitale transformatie met 'Managed AI' (kunstmatige intelligentie) - Platform- en B2B-oplossing | Xpert Consulting
Een nieuwe dimensie van digitale transformatie met 'Managed AI' (kunstmatige intelligentie) – Platform- en B2B-oplossing | Xpert Consulting - Afbeelding: Xpert.Digital
Hier leert u hoe uw bedrijf snel, veilig en zonder hoge drempels AI-oplossingen op maat kan implementeren.
Een beheerd AI-platform is uw allesomvattende, zorgeloze oplossing voor kunstmatige intelligentie. In plaats van te worstelen met complexe technologie, dure infrastructuur en langdurige ontwikkelprocessen, ontvangt u een kant-en-klare oplossing op maat van een gespecialiseerde partner – vaak al binnen enkele dagen.
De belangrijkste voordelen in één oogopslag:
⚡ Snelle implementatie: Van idee tot gebruiksklare applicatie in dagen, niet maanden. Wij leveren praktische oplossingen die direct toegevoegde waarde creëren.
🔒 Maximale gegevensbeveiliging: Uw gevoelige gegevens blijven bij u. Wij garanderen een veilige en conforme verwerking zonder gegevens met derden te delen.
💸 Geen financieel risico: u betaalt alleen voor de resultaten. Hoge investeringen vooraf in hardware, software of personeel zijn volledig uitgesloten.
🎯 Focus op uw kernactiviteiten: concentreer u op waar u het beste in bent. Wij zorgen voor de volledige technische implementatie, werking en het onderhoud van uw AI-oplossing.
📈 Toekomstbestendig en schaalbaar: Uw AI groeit met u mee. Wij garanderen continue optimalisatie en schaalbaarheid en passen de modellen flexibel aan nieuwe eisen aan.
Meer informatie vindt u hier:
Wanneer AI overtuigend is: Hoe "plausibele fouten" gevaarlijk kunnen worden voor artsen
Tekort aan geschoolde arbeidskrachten als katalysator voor onkritische acceptatie van AI
De bevindingen van de LMU-studie zijn van bijzonder belang gezien het structurele tekort aan gekwalificeerde professionals in de Duitse gezondheidszorg. Radiologie is een specialisme dat in Duitsland – net als in veel andere Europese landen – onder aanzienlijke personeelsdruk staat. Tegelijkertijd neemt het aantal beeldvormende bevindingen explosief toe door het steeds toenemende gebruik van CT-, MRI- en andere beeldvormingstechnieken. Deze druk creëert een context waarin de verleiding groot is om AI-aanbevelingen snel over te nemen in plaats van ze kritisch te onderzoeken.
Automatiseringsbias is in deze context bijzonder gevaarlijk. Wanneer een radioloog onder tijdsdruk staat en de AI een lijst met plausibel klinkende diagnoses presenteert, is de weg naar kritiekloze acceptatie kort. De LMU-studie toont aan dat goed ontworpen, verklarende AI-output dit kan tegengaan – maar alleen als artsen de uitleg actief lezen en beoordelen. Dit vereist dat AI-systemen zodanig in klinische workflows worden geïntegreerd dat er voldoende tijd overblijft voor deze kritische evaluatie. Wie AI louter als versnellingsinstrument introduceert, zonder rekening te houden met de kwaliteit van de interactie, loopt het risico het tegenovergestelde te bereiken: snellere, maar foutgevoeligere diagnoses.
De Bertelsmann Foundation schat dat Duitsland tot wel 16 procent aan productiviteitswinst misloopt door een gebrek aan AI-expertise – wat neerkomt op miljarden aan verloren inkomsten. In de gezondheidszorg is dit effect nog lastiger te meten, omdat de waarde niet in inkomsten, maar in gezondheidsresultaten wordt uitgedrukt. De onderliggende logica is echter dezelfde: het potentieel van AI kan alleen worden benut als gebruikers competent genoeg zijn om AI-uitgaven kritisch te evalueren – en als de AI-systemen zelf zo zijn ontworpen dat kritische evaluatie mogelijk én gestimuleerd wordt.
Differentiële diagnoses en het misleidende gevoel van veiligheid
Een van de meest subtiele bevindingen van het LMU-onderzoek verdient speciale aandacht, omdat deze in tegenspraak is met de klinische intuïtie. Differentiële diagnoses worden in de geneeskunde beschouwd als een teken van klinische zorgvuldigheid. Ze tonen aan dat een arts meerdere mogelijkheden overweegt en niet voortijdig tot een diagnose komt. In interactie met een AI-systeem kan juist dit soort output echter problematisch zijn.
Het onderliggende mechanisme is psychologisch eenvoudig te verklaren: een lijst met differentiële diagnoses wekt de indruk dat het probleem al grondig is onderzocht. De informatiedichtheid van deze output is hoog, wat duidt op cognitieve opluchting. Daardoor zijn artsen geneigd minder verder te denken dan de vermelde diagnoses en minder zelfevaluatie uit te voeren. Als het model op dit moment onjuiste of onvolledige differentiële diagnoses produceert – wat taalmodellen zeker doen – is de kans groter dat fouten worden overgenomen dan bij een enkele diagnose die duidelijk als voorlopig is gemarkeerd.
Verklaringen gebaseerd op een gedachtegang gaan dit tegen, omdat ze expliciet onzekerheden benoemen, uitsluitende factoren blootleggen en zo de epistemische openheid van het model communiceren. Artsen worden uitgenodigd om het model te bevragen – en zijn daardoor beter in staat om het te corrigeren waar het gebreken vertoont.
Generaliseerbaarheid: Wat de bevinding betekent buiten de radiologie
Stefan Feuerriegel, hoofdauteur van de studie, benadrukt expliciet dat de bevindingen veel verder reiken dan de radiologie. Grote taalmodellen worden steeds vaker gebruikt voor beslissingen in het dagelijks leven en op het werk – in de juridische wereld, de financiële sector, managementadvies en het onderwijs. Overal waar mensen AI-output gebruiken als basis voor belangrijke beslissingen, komen dezelfde vragen naar voren: Onderzoek ik de aanbeveling kritisch, of neem ik die over omwille van de efficiëntie? Begrijp ik de redenering, of vertrouw ik op de AI omdat het resultaat plausibel klinkt?
De waarschuwing tegen "overtuigend klinkende fouten" is bijzonder belangrijk. Taalmodellen kunnen verklaringen produceren die structureel correct en retorisch overtuigend lijken, maar feitelijk onjuist zijn. Dit is een bekend fenomeen, in de wetenschappelijke literatuur aangeduid als "hallucinatie", en kan niet volledig worden geëlimineerd door simpelweg de prestaties van de modellen te optimaliseren. Hoewel stapsgewijze verklaringen een betere mogelijkheid bieden voor kritische beoordeling, bieden ze geen volledige bescherming tegen dit risico. De uiteindelijke beslissing blijft altijd bij de mens.
Vanuit economisch perspectief kan dit worden geïnterpreteerd als een pleidooi voor gedifferentieerde gebruikerscompetenties: wie duurzaam wil profiteren van AI-tools – of het nu in de geneeskunde, de juridische sector of managementadvies is – moet niet alleen weten hoe ze te bedienen, maar ook hoe de kosten ervan te beoordelen. Deze competentie kan worden aangeleerd, maar vereist gerichte training en professionele ontwikkeling. Instellingen die in deze competentie investeren, zullen AI-systemen effectiever inzetten dan instellingen die AI beschouwen als een autonoom hulpmiddel voor besluitvorming.
Verklaarbare AI en het vertrouwensprobleem: een systemisch perspectief
Vertrouwen is in de geneeskunde geen onbelangrijke factor, maar een concrete economische waarde. Patiënten die hun arts vertrouwen, volgen eerder behandeladviezen op, melden symptomen eerder en behalen aantoonbaar betere behandelresultaten. Dit vertrouwen is nu uitgebreid met een nieuwe dimensie: het omvat steeds vaker ook vertrouwen in de AI-systemen die betrokken zijn bij de diagnose en behandelplanning.
Het concept van uitlegbare AI – in de literatuur aangeduid als XAI, Explainable Artificial Intelligence – pakt precies dit vertrouwensprobleem aan. Het gaat er niet om modellen minder complex te maken, maar om hun besluitvormingsprocessen begrijpelijk te maken voor relevante gebruikersgroepen. "Begrijpelijk" is geen absolute term: wat een nuttige stapsgewijze uitleg is voor een ervaren radioloog, kan te gedetailleerd of misleidend zijn voor een huisarts zonder specialisatie in medische beeldvorming. Daarom moet XAI niet alleen vanuit een technisch perspectief worden bekeken, maar ook met de gebruiker en de context in gedachten.
Vanuit het perspectief van de fabrikanten betekent dit dat het ontwikkelen van effectieve AI-uitleg geen eenvoudige opgave is. Het vereist een diepgaand begrip van klinische werkprocessen en de cognitieve behoeften van de betreffende gebruikersgroepen. Uitleg die de gedachtegang weergeeft, en die in het onderzoek superieur presteerde, is niet zomaar een technisch uitvoerformaat – het is het resultaat van een zorgvuldig ontworpen interactie. Dit ontwerp vergt middelen, maar het creëert aantoonbaar waarde – voor patiënten, artsen en de maatschappij.
Wettelijke verplichtingen en klinische realiteit: een pragmatische kijk
De overgangsperioden van de EU-wetgeving inzake kunstmatige intelligentie geven fabrikanten en gebruikers van AI-systemen in de gezondheidszorg de tijd om zich aan te passen. Volgens de nieuwe regelgeving van het Digital Omnibus Package is de definitieve deadline voor fabrikanten van medische hulpmiddelen augustus 2028. Deze periode moet echter niet worden opgevat als een uitstel, maar eerder als een gestructureerde overgang waarin de bevindingen van klinisch onderzoek – zoals die van de LMU-studie – kunnen worden geïntegreerd in de productontwikkeling.
Concreet betekent dit voor ziekenhuizen en ziekenhuispersoneel: de evaluatie van AI-systemen moet niet alleen de technischesegennauwkeurigheid meten, maar ook de kwaliteit van de output bij klinisch gebruik. Verklaringen van de gedachtegang en vergelijkbare transparante outputformaten moeten als selectiecriteria worden meegenomen bij de aanschaf. Trainingen voor artsen die AI-tools gebruiken, moeten expliciet aandacht besteden aan automatiseringsbias en het kritisch beoordelen van AI-aanbevelingen. Ten slotte moeten systemen voor kwaliteitsborging in de klinische praktijk de implementatie van AI-aanbevelingen documenteren om systematische fouten vroegtijdig te kunnen opsporen.
Voor ontwikkelaars en aanbieders van AI-oplossingen in de gezondheidszorg is de boodschap duidelijk: investeren in verklaarbaarheid is geen optionele extra. Het is de cruciale factor die een technisch degelijk model transformeert in een klinisch effectief en wettelijk conform instrument.
Het overkoepelende thema: Hoe mens en machine samen slimmer kunnen worden
De LMU-studie draagt uiteindelijk bij aan een grotere vraag die veel verder reikt dan radiologie en geneeskunde: hoe moeten AI-systemen worden ontworpen zodat ze het menselijk denken aanvullen in plaats van het te vervangen of – erger nog – te ondermijnen? Het antwoord is: door middel van transparantie, traceerbaarheid en het actief aanmoedigen van kritisch onderzoek.
Dit is geen technisch romantisch ideaal. Het is een empirisch bewezen, economisch verantwoord en ethisch noodzakelijk ontwerpprincipe. In een gezondheidszorgsysteem dat steeds meer onder prestatiedruk staat, afhankelijk is van digitale hulpmiddelen en tegelijkertijd aan de hoogste kwaliteitsnormen moet voldoen, zou de vraag "Hoe legt uw AI zijn aanbevelingen uit?" wel eens de belangrijkste inkoopvraag in klinische omgevingen kunnen worden.
Een goede AI-respons is niet alleen correct, maar ook verifieerbaar. Degenen die dit principe consequent toepassen bij de ontwikkeling, aanschaf en implementatie van AI-systemen zullen niet alleen betere medische resultaten behalen, maar ook het vertrouwen winnen dat de ingrijpende digitalisering van de gezondheidszorg zo hard nodig heeft: het vertrouwen van artsen, patiënten en de maatschappij als geheel.
🎯🎯🎯 Datagestuurd B2B-brancheplatform als quasi-interne oplossing
De quasi-interne oplossing: Hoe Xpert.Digital operationele hiaten in B2B-marketing en -verkoop dicht – Slimme, contentgedreven bedrijfsvoering - Afbeelding: Xpert.Digital
Xpert.Digital is een datagedreven B2B-branchehub onder leiding van Konrad Wolfenstein . Het bedrijf fungeert als een externe, quasi-interne oplossing voor industriële partners en dicht operationele lacunes in marketing, content en sales – zonder dat de klant extra middelen nodig heeft.
Meer informatie vindt u hier:
Uw wereldwijde partner voor marketing en bedrijfsontwikkeling
☑️ Onze zakelijke voertaal is Engels of Duits
☑️ NIEUW: Correspondentie in uw moedertaal!
Konrad Wolfenstein
Mijn team en ik staan graag tot uw beschikking als uw persoonlijke adviseur.
U kunt contact met mij opnemen door hier het contactformulier in te vullen wolfenstein@xpert.digital:of door mij te bellen op +49 7348 4088 965. Mijn e-mailadres is
Ik kijk uit naar ons gezamenlijke project.
