Jalapeño: OpenAI's eerste AI-chip verslaat Nvidia in efficiëntie – Wanneer de klant plotseling de concurrent wordt – Afbeelding: Xpert.Digital
22 keer efficiënter: OpenAI's eerste eigen AI-chip presteert aanzienlijk beter dan die van Nvidia
Bespaar energie, verdubbel de prestaties: wat de nieuwe AI-chip van OpenAI betekent voor de industrie
AI bouwt AI-chips: OpenAI's "Jalapeño" overtreft de concurrentie in recordtijd
Een chip die de kaarten in de miljardenmarkt voor AI volledig herschikt: Met "Jalapeño" heeft OpenAI in recordtijd zijn allereerste eigen AI-accelerator ontwikkeld – en daagt daarmee niemand minder uit dan zijn belangrijkste hardwarepartner tot nu toe, Nvidia. Eerste onafhankelijke tests tonen aan dat de nieuwe chip een indrukwekkende energie-efficiëntie heeft en op bepaalde punten de huidige Blackwell-generatie van Nvidia aanzienlijk overtreft. De ware genialiteit achter deze ontwikkeling: OpenAI gebruikte zijn eigen geavanceerde AI-modellen om het chipontwerp drastisch te versnellen. Wat betekent deze strategische zet voor de toch al onder druk staande stroomvoorziening van datacenters, de operationele kosten van ChatGPT en de marktmacht van Nvidia? Een gedetailleerde analyse onthult waarom de hardware-introductie van OpenAI veel meer is dan alleen een technologische upgrade – het zou het verdienmodel van de hele industrie fundamenteel kunnen veranderen.
Van klant naar concurrent: OpenAI valt Nvidia aan met zijn eigen wonderchip
In minder dan anderhalf jaar tijd heeft OpenAI een eigen AI-chip ontwikkeld die, volgens eerste onafhankelijke tests, aanzienlijk efficiënter is dan de huidige referentiehardware van Nvidia. Dit is opmerkelijk, omdat OpenAI voorheen een van Nvidia's grootste klanten was en nu een segment betreedt dat bijna volledig gedomineerd werd door één enkele leverancier. Nadat het bedrijf in juni 2026 zijn eerste eigen AI-accelerator, met de codenaam Jalapeño, onthulde, zijn er nu betrouwbare prestatiegegevens beschikbaar, verzameld door het onafhankelijke analysebureau SemiAnalysis. Deze gegevens tonen aan dat OpenAI, mede dankzij de actieve ondersteuning van halfgeleiderspecialist Broadcom, een krachtige AI-chip van de grond af heeft ontwikkeld die de huidige Blackwell-generatie van Nvidia op bepaalde punten aanzienlijk overtreft en bovendien een goede uitgangspositie lijkt te hebben ten opzichte van het aankomende Rubin-platform.
De economische implicaties van deze ontwikkeling kunnen nauwelijks worden overschat, aangezien het een van de centrale kostenproblemen van de hele AI-industrie raakt: de enorme discrepantie tussen de uitgaven aan computerinfrastructuur en de inkomsten die met AI-diensten kunnen worden gegenereerd. OpenAI verbruikt naar verluidt ongeveer 3,7 miljard dollar per kwartaal, waarbij inferentiekosten – de kosten voor het continu inzetten van voorgeïnstalleerde modellen in de dagelijkse bedrijfsvoering – de grootste kostenpost vormen. Een chip die deze kosten aanzienlijk verlaagt, verandert niet alleen een technische maatstaf, maar ook het gehele verdienmodel van een bedrijf dat ChatGPT beheert met meer dan 400 miljoen actieve gebruikers.
Een onafhankelijke testbank zonder carte blanche
De tests werden uitgevoerd met behulp van SemiAnalysis' eigen testomgeving, InferenceX. De analisten zelf mochten de tests echter niet uitvoeren, niet alle scenario's werden getest en de meer informatieve testomgeving, AgentX, werd niet gebruikt, aldus SemiAnalysis. Deze beperking is economisch significant, omdat het betekent dat, hoewel de beschikbare gegevens afkomstig zijn van een gerenommeerd bedrijf dat gespecialiseerd is in chipanalyse, ze zijn verzameld binnen een door OpenAI beheerd kader. Iedereen die op basis van dergelijke gegevens gefundeerde investeringsbeslissingen wil nemen, moet met deze context rekening houden, zelfs als de algemene richting van de resultaten plausibel lijkt.
InferenceX gebruikt de OpenWeights-modellen GPT-OSS, DeepSeek R1 en Kimi K2.5, wat erop wijst dat Jalapeño niet alleen is ontworpen voor de eigen modellen van OpenAI, maar ook geschikt is als algemeen inferentieplatform voor andere architecturen. Als anekdotisch bewijs van de flexibiliteit van de hardware noemt SemiAnalysis de demonstratie van de ontwikkelaars dat het spel Doom, geporteerd vanuit OpenAI's eigen programmeerassistent Codex, zelfs op de chip draaide. Hoewel dergelijke demonstraties weinig economische waarde hebben, geven ze wel aan dat de architectuur niet beperkt is tot een smal toepassingsgebied, maar meer algemene computertaken aankan.
Efficiëntiewinsten die zich vertalen in concrete financiële voordelen
De resultaten bevestigen de bijzonder hoge efficiëntie van Jalapeño. In sommige scenario's behaalt de chip van OpenAI een 22 keer hogere token rate per watt vergeleken met Nvidia's B300, een uitzonderlijk resultaat voor een eerste eigen chip van een bedrijf zonder decennialange ervaring in de halfgeleiderindustrie. Jalapeño kan ook concurreren met het nieuwe Vera Rubin-systeem, dat momenteel wordt uitgerold naar grote klanten, hoewel er momenteel weinig betrouwbare gegevens beschikbaar zijn voor deze vergelijking en een definitieve beoordeling nog moet plaatsvinden.
SemiAnalysis wijst echter op methodologische beperkingen die de betekenis van de cijfers in perspectief plaatsen. Er werden slechts relatief kleine promptgroottes getest met 8.192 invoer- en 1.024 uitvoertokens, terwijl grotere prompts, zoals gebruikelijk in veel productie-agentapplicaties, de resultaten aanzienlijk zouden kunnen beïnvloeden. Bovendien draaide de geteste versie op een vroege A0-stepping, terwijl een geoptimaliseerde B0-stepping momenteel in productie is, die volgens OpenAI ongeveer 25 procent efficiënter zal zijn. Economisch gezien betekent dit dat de reeds indrukwekkende cijfers waarschijnlijk een ondergrens vertegenwoordigen in plaats van een bovengrens van het werkelijke potentieel, ervan uitgaande dat de aankondigingen met betrekking tot de B0-stepping worden bevestigd.
De werkelijke kracht schuilt niet in de chip, maar in het elektriciteitsnet
De chip van OpenAI zou zelfs kosteneffectiever kunnen zijn dan Vera-Rubin, omdat het systeem van Nvidia in de tests profiteerde van speculatieve decodering, een techniek om tekstgeneratie te versnellen, terwijl Jalapeño het zonder deze optimalisatie moest stellen. Over het geheel genomen zou interne hardware-inferentie OpenAI aanzienlijk goedkoper moeten maken, omdat het bedrijf geen handelsmarges meer hoeft te betalen aan een externe leverancier en de architectuur precies kan worden afgestemd op de eigen dienstverleningspatronen.
Het werkelijke strategische voordeel schuilt echter niet zozeer in de pure kostenbesparing per chip, maar in de energie-efficiëntie. Dankzij de verhoogde efficiëntie kunnen aanzienlijk meer chips met hetzelfde stroomverbruik worden gebruikt. Dit vormt het echte concurrentievoordeel in een sector waar de beschikbaarheid van elektriciteit en de capaciteit van het elektriciteitsnet de beperkende factor voor groei is geworden. OpenAI heeft zelf al contracten getekend voor meer dan tien gigawatt aan rekenkracht in de VS, een doel dat oorspronkelijk voor 2029 was gesteld, maar nu al jaren eerder is bereikt. In een omgeving waar nieuwe energiecentrales en netwerkaansluitingen vaak de grootste belemmering vormen voor de uitbreiding van datacenters, vertaalt elke efficiënter gebruikte watt zich direct in extra beschikbare rekenkracht, zonder dat er extra energiecentrales hoeven te worden gebouwd.
Een ontwikkelingstempo dat de chipindustrie op de proef stelt
De ontwikkeltijd van het project is bijzonder opmerkelijk. Volgens OpenAI verliepen er slechts 16 maanden tussen de samenstelling van het ontwikkelingsteam en de tape-out van de chip – dat wil zeggen, de voltooiing van het ontwerp voor goedkeuring door de fabrikant – waarbij het eerste complete ontwerp naar verluidt negen maanden vóór de tape-out klaar was. In de traditionele halfgeleiderindustrie worden ontwikkelingscycli van drie tot vijf jaar als standaard beschouwd voor vergelijkbaar complexe chips. Een dergelijk tempo, mocht het in toekomstige generaties worden bevestigd, zou de gevestigde kostenstructuur van de hele industrie onder druk kunnen zetten.
Volgens OpenAI werd dit mogelijk gemaakt door het intensieve gebruik van eigen AI-systemen in het ontwerpproces zelf. Dit maakte een snellere evaluatie van ontwerpbeslissingen mogelijk en hielp tegelijkertijd bij het optimaliseren van de rekeneenheden, waardoor traditionele iteratiecycli in chipontwerp aanzienlijk werden verkort. Dit creëert een zelfversterkend effect: hoe krachtiger de AI-modellen van het bedrijf worden, hoe sneller en kosteneffectiever nieuwe chipgeneraties kunnen worden ontwikkeld, die deze modellen vervolgens nog efficiënter uitvoeren. Een dergelijk feedbackmechanisme, mits reproduceerbaar, zou een structureel voordeel kunnen worden voor bedrijven die beschikken over zowel toonaangevende AI-modellen als eigen chipontwikkelingscapaciteiten.
Wanneer je eigen AI de gereedschapskist van de engineer wordt
Astra, de volgende geplande versie van GPT, wordt bij OpenAI al gebruikt om geoptimaliseerde rekenkernen, ofwel processorkernen, voor nieuwe modellen te ontwikkelen. Volgens berichten was de code die door Astra in GPT-OSS werd ontwikkeld 50 tot 80 procent sneller dan vergelijkbare programma's die door teams van menselijke experts waren ontwikkeld. Deze bevinding heeft verdergaande economische implicaties dan op het eerste gezicht lijkt, omdat het suggereert dat het knelpunt van softwareoptimalisatie, dat tot nu toe sterk afhankelijk was van de beschikbaarheid van hooggespecialiseerde ingenieurs, steeds vaker kan worden opgelost door geautomatiseerde systemen.
Voor de halfgeleiderindustrie als geheel betekent dit een mogelijke verschuiving in de concurrentiefactoren. Tot nu toe werden decennialange ervaring, diepgaande technische kennis en een gevestigd software-ecosysteem zoals Nvidia's CUDA beschouwd als vrijwel onoverkomelijke toetredingsdrempels voor nieuwe aanbieders. Als AI-gestuurde tools dit ervaringsvoordeel gedeeltelijk kunnen compenseren, zal de toetredingsdrempel voor nieuwe concurrenten dalen, wat op de lange termijn zou kunnen leiden tot een fragmentatie van de momenteel sterk geconcentreerde markt voor AI-acceleratoren.
🎯🎯🎯 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:
De Jalapeno-chip van OpenAI: waarom architectuur belangrijker is dan pure rekenkracht
Architectuur als kostenberekening in silicium
OpenAI heeft met Jalapeño een aantal interessante en economisch verantwoorde ontwerpkeuzes gemaakt. Zo ondersteunen de matrixeenheden van de chip geen berekeningen met het 16-bits FP16-zwevendekommaformaat, wat de interne logica aanzienlijk vereenvoudigt en aansluit bij de trend in de industrie naar meer gekwantiseerde modellen, oftewel modellen met een lagere numerieke precisie. 64-bits en 32-bits gegevenstypen worden alleen ondersteund door de extra scalaire en vectoreenheden, waarbij de laatstgenoemde ook beperkt is tot 32-bits berekeningen. Elk transistoroppervlak dat wordt bespaard door het weglaten van zelden gebruikte rekenformaten, kan in plaats daarvan worden geïnvesteerd in meer geheugenbandbreedte of meer processorkernen voor de formaten die daadwerkelijk nodig zijn, waardoor de kostenefficiëntie per geproduceerde chip toeneemt.
Wat betreft pure FP8- en FP4-rekenkracht – de getalformaten die met name relevant zijn voor moderne, gekwantiseerde taalmodellen – blijft de chip van OpenAI, met respectievelijk 3,4 en 13,4 petaFLOPS, formeel achter bij Nvidia's Blackwell met 5 en 15 petaFLOPS. Dit ogenschijnlijk nadelige cijfer wordt echter gecompenseerd door het daadwerkelijke systeemgebruik, aangezien chips in de praktijk zelden hun theoretische piekprestaties bereiken. Volgens experts in de sector werken huidige accelerators onder realistische inferentieworkloads vaak slechts op 30 tot 50 procent van hun theoretische efficiëntie. Een chip die dichter bij zijn eigen piekprestaties komt, kan daarom concurrerend blijven of deze in de praktijk zelfs overtreffen, ondanks dat de ruwe prestaties op papier lager lijken.
Geheugenbandbreedte in plaats van pure rekenkracht als strategische keuze
De chip is uitgerust met zes HBM4-geheugenstacks, waardoor de geheugenbandbreedte bijna twee keer zo hoog is als die van Blackwell: 15,4 TB per seconde vergeleken met 8 TB per seconde. Deze keuze weerspiegelt een bewuste prioriteitstelling, omdat bij het infereren van grote taalmodellen de beperkende factor vaak niet de pure rekenkracht is, maar de snelheid waarmee modelgewichten en tussenresultaten tussen het geheugen en de rekenkundige logische eenheid (ALU) kunnen worden verplaatst. Een chip die specifiek inspeelt op dit zogenaamde knelpunt in de geheugenbandbreedte kan in praktijktoepassingen efficiënter werken dan een concurrent met een hogere nominale rekenkracht maar een relatief beperktere geheugentoegang.
Dankzij acht geheugenmodules bieden Blackwell en de aankomende Rubin-generatie een hogere totale geheugencapaciteit van 288 GB, terwijl Jalapeño slechts 216 GB beschikbaar heeft. Voor zeer grote modellen met bijbehorende uitgebreide contextvensters kan deze lagere capaciteit een beperkende factor worden, vooral als toekomstige modelgeneraties nog groter en geheugenintensiever zijn. De TDP (Maximum Thermal Design Power) van de chip bedraagt 700 watt, hoewel OpenAI aangeeft dat de chip in de praktijk gemiddeld slechts ongeveer 550 watt verbruikt. Dit is een economisch relevantere waarde voor de dagelijkse werking van datacenters dan de theoretische piekwaarde.
Latentie versus flexibiliteit: een bewuste compromisoplossing
De geheugenhiërarchie van de chip is interessant. OpenAI verdeelt de chip in talrijke rekengroepen, of slices, elk met een vaste toewijzing van HBM-geheugen. Deze nauwe, vaste koppeling tussen de processorkern en het lokale geheugen reduceert de toegangslatentie aanzienlijk, omdat elke rekengroep directe toegang met lage latentie heeft tot zijn eigen geheugenpartitie, in plaats van een meerlagig, gedeeld geheugensysteem te moeten doorlopen zoals in traditionele GPU-architecturen. De prijs voor dit snelheidsvoordeel is een beperkte flexibiliteit in geheugentoewijzing, aangezien de capaciteit niet willekeurig kan worden herverdeeld tussen rekengroepen zodra een partitie zijn limiet bereikt.
De groepen zijn met elkaar verbonden via twee afzonderlijke netwerklagen: een gespecialiseerd collectief netwerk met een bijzonder lage latentie voor veelvoorkomende, duidelijk gedefinieerde communicatiepatronen zoals synchronisatie tijdens parallelle verwerking, en een meer algemeen netwerk-on-chip voor andere communicatie en toegang tot het schaalbare netwerk op hoger niveau tussen meerdere chips. Deze architectonische scheiding maakt het mogelijk om het grootste deel van het interne dataverkeer via het snellere, dedicated pad af te handelen, terwijl het algemene netwerk alleen gereserveerd blijft voor minder frequente, minder tijdskritische toegang. Vanuit economisch oogpunt is dit een klassieke afweging tussen specialisatie en algemeen gebruik, typisch voor speciaal ontworpen inferentiechips en fundamenteel anders dan de meer generalistische architectuur van klassieke grafische processors.
De systolische array als erfenis van de TPU-filosofie
Net als veel andere gespecialiseerde AI-acceleratoren maakt Jalapeño gebruik van een systolische array, waarbij tussenresultaten direct tussen aangrenzende verwerkingseenheden worden doorgegeven in plaats van constant te pendelen tussen het geheugen en de rekenkundige logische eenheid. Dit concept is zeker niet nieuw, maar volgt een architectuurfilosofie die al jaren succesvol in de praktijk is getest, met name door Google's Tensor Processing Units, waar het al vergelijkbare efficiëntiewinsten heeft opgeleverd bij gespecialiseerde AI-taken.
In tegenstelling tot traditionele, zeer grote systolische array-ontwerpen, ondersteunt Jalapeño volgens SemiAnalysis ook kleinere matrixafmetingen, waardoor de typische prestatieverminderingen die optreden wanneer batchgroottes of matrixafmetingen niet exact overeenkomen met de vaste arraygrootte, worden vermeden. Bovendien beschikt de chip over dedicated 64-bit scalaire cores, evenals FP32- en INT32-compatibele vector-eenheden, en maakt gebruik van een out-of-order-uitvoeringsbenadering met een klassieke L1-cache op elke processorkern, in plaats van te vertrouwen op softwaregestuurd scratchpad-geheugen zoals veel andere accelerators. Deze combinatie van een gespecialiseerde matrix-eenheid en flexibelere scalaire en vectorlogica suggereert dat OpenAI bewust een middenweg heeft gezocht tussen pure specialisatie en algemene programmeerbaarheid.
Waarom lagere kosten niet direct bij de klant terechtkomen
Vanuit het perspectief van zakelijke klanten en ontwikkelaars is de directe vraag of de beloofde efficiëntiewinsten ook zullen leiden tot lagere API-prijzen. Volgens verschillende brancheanalisten is dit op korte termijn onwaarschijnlijk, aangezien OpenAI momenteel voornamelijk te maken heeft met capaciteitsbeperkingen in plaats van kostenbeperkingen. Dit betekent dat lagere eenheidskosten in eerste instantie zullen resulteren in een groter beschikbaar volume in plaats van lagere prijzen. Historische voorbeelden, zoals de introductie van Google's eigen TPU's of Amazon's Trainium-chips, laten zien dat de prijzen voor eindklanten doorgaans pas 12 tot 24 maanden na de grootschalige introductie van nieuwe, propriëtaire hardware dalen, meestal als gevolg van toegenomen concurrentiedruk van rivaliserende leveranciers.
Daarnaast moet OpenAI eerst de aanzienlijke investeringen in ontwerp, productie en infrastructuur terugverdienen via inkomsten uit inferentie over een periode van enkele kwartalen, voordat de kostenbesparingen zich daadwerkelijk vertalen in hogere marges. Tot die tijd zal de chip waarschijnlijk vooral helpen bij het verlichten van bestaande capaciteitsknelpunten, zoals het verkorten van lange wachttijden of het beperken van API-toegangslimieten, in plaats van te leiden tot onmiddellijke prijsverlagingen. Niettemin lijkt het voor bedrijven die budgetten voor de middellange termijn opstellen voor het gebruik van AI-diensten redelijk om rekening te houden met een geleidelijke kostenverlaging van mogelijk 30 tot 50 procent over een periode van twee tot drie jaar als een realistisch planningsscenario.
Een strijd om marktmacht, niet alleen om watt
De diepere strategische reden achter deze ontwikkeling ligt in de strijd om onafhankelijkheid van één enkele, marktdominante leverancier. Jarenlang beheerste Nvidia het overgrote deel van de markt voor hardware voor AI-training en -inferentie, waardoor het aanzienlijke brutomarges behaalde die uiteindelijk door de klanten moesten worden gedragen. Als OpenAI, net als Google, Amazon en Microsoft met hun respectievelijke chipprogramma's, een aanzienlijk deel van zijn inferentiewerk naar eigen hardware verplaatst, zal Nvidia's onderhandelingspositie ten opzichte van zijn grootste klanten afnemen, zelfs als Nvidia de belangrijkste partner blijft voor het trainen van nieuwe modellen.
Het is in deze context opmerkelijk dat Nvidia tegelijkertijd enorme financiële toezeggingen doet voor de uitbreiding van het datacenter van OpenAI, bijvoorbeeld via een lening van meerdere miljarden dollars voor een nieuw datacenter in Ohio, terwijl OpenAI tegelijkertijd werkt aan een eigen, mogelijk concurrerend chipplatform. Deze schijnbaar tegenstrijdige situatie kan economisch gezien worden geïnterpreteerd als rationeel gedrag van beide partijen: Nvidia verzekert zich van langetermijnkoopovereenkomsten en kapitaalverplichtingen van zijn grootste klant, terwijl OpenAI tegelijkertijd strategische onafhankelijkheid ontwikkelt voor een groeiend deel van zijn inferentiewerklast zonder de relatie met zijn belangrijkste trainingspartner volledig te belasten.
Van aankondiging tot massaproductie
De eerste kleinschalige leveringen van Jalapeño staan gepland voor eind 2026, terwijl de grootschalige productie en een brede uitrol naar verwachting in de loop van 2027 zullen plaatsvinden. Tot die tijd blijft Nvidia, met name door het voortdurende gebruik van zijn Vera Rubin-systemen, een centrale component van de OpenAI-infrastructuur. Dit betekent dat een volledige afschaffing van Nvidia-hardware niet aan de orde is. In plaats daarvan ontstaat er een hybride model waarbij verschillende hardwaregeneraties en -leveranciers parallel worden gebruikt voor verschillende workloadprofielen.
Op de lange termijn schuilt de ware betekenis van Jalapeño waarschijnlijk minder in de specifieke efficiëntiecijfers van de eerste generatie dan in het aangetoonde ontwikkelingstempo en het daarmee samenhangende vermogen om AI-gestuurde tools in te zetten voor de eigen hardwareontwikkeling. Mocht deze zichzelf versterkende cyclus van krachtigere modellen en snellere chipontwikkelingscycli reproduceerbaar blijken, dan zou dit niet alleen de concurrentiepositie van OpenAI ten opzichte van Nvidia veranderen, maar ook de tijdlijn waarbinnen nieuwe halfgeleidergeneraties voor AI-toepassingen kunnen worden ontwikkeld fundamenteel verschuiven.
📈🚀 Van zichtbaarheid naar vertrouwen 👀🤝 Jouw schaalbare traject met Xpert.Digital
Van inzicht naar vertrouwen: uw schaalbare traject met Xpert.Digital - Afbeelding: Xpert.Digital
In de industriële B2B-sector ontstaan duurzame zakelijke relaties zelden van de ene op de andere dag. Ze ontwikkelen zich stap voor stap – door zichtbaarheid, professionele relevantie, terugkerende contactmomenten en groeiend vertrouwen. Het 4-stappenmodel van Xpert.Digital speelt hier precies op in: het biedt een gestructureerd traject dat begint met een beheersbaar instapmoment en, indien nodig, kan uitgroeien tot een diepere samenwerking in de bedrijfsontwikkeling.
In plaats van te vertrouwen op luide marketingbeloftes, plaatst dit model de relatie centraal. Bedrijven beginnen met duidelijk gedefinieerde, eenvoudig meetbare indicatoren en bepalen vervolgens, op basis van hun eigen ervaring, hoe ver ze de samenwerking willen uitbreiden. Een belangrijke factor voor dit ongestoorde proces van vertrouwensopbouw: het platform vermijdt volledig storende advertenties, waardoor de redactionele focus volledig op de expertise van de bedrijven blijft.
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.
