“Tokenmaxing” – Was het Amazon? Waarom een ​​bedrijf een half miljard dollar aan tokens heeft verspild: Beheerde AI als beschermingsmechanisme

De valkuil van 500 miljoen dollar: waarom autonome AI-systemen de budgetten van bedrijven opblazen

Eén maand, onbeperkte toegang tot AI-modellen en een ongelooflijke rekening van 500 miljoen dollar: een recent onthuld incident uit het bedrijfsleven laat de enorme financiële risico's zien van kunstmatige intelligentie wanneer deze zonder duidelijke richtlijnen wordt gebruikt. Terwijl zogenaamde "agentische AI" steeds vaker complexe taken autonoom overneemt, zorgen fenomenen zoals "token maxing" ervoor dat de kosten achter de schermen exponentieel stijgen – vaak zonder tastbare toegevoegde waarde voor het bedrijf. Zelfs techreuzen zoals Amazon, Uber en Meta hebben al op de harde manier ondervonden dat ongecontroleerde AI-implementatie budgetten in recordtijd opslokt. Deze casus werpt licht op wat wellicht de duurste AI-mislukking in de bedrijfsgeschiedenis is en illustreert op treffende wijze waarom "managed AI" – de systematische controle, het beheer en de beperking van AI-workflows – niet langer een optionele IT-functie is, maar een absolute strategische noodzaak voor elk bedrijf.

Wanneer een gebrek aan goed bestuur duurder wordt dan het AI-model zelf

Ergens op de boekhoudafdeling van een groot bedrijf is een financieel team nog steeds bezig met het verwerken van de gebeurtenissen van één enkele maand. Geen kwartaalverslag, geen jaarplan – één maand was genoeg om zo'n 500 miljoen dollar over te maken naar het Claude-platform van Anthropic, zonder dat iemand een bestedingsstop kon instellen. Niet omdat het bedrijf geen limiet kon instellen, maar simpelweg omdat niemand dat had gedaan.

Dit geval, dat op 28 mei 2026 voor het eerst werd gemeld door Axios en bevestigd door een AI-consultant, wordt nu beschouwd als het grootste publiekelijk bekende maandverlies als gevolg van overschrijdingen van AI-kosten in de bedrijfsgeschiedenis. Het is geen geïsoleerd incident aan de rand van de sector, maar een symptoom van een structurele zwakte die momenteel veel grote bedrijven teistert: de combinatie van ongebreideld gebruik van AI en de bijna volledige afwezigheid van beheerde AI-structuren.

De zaak in detail: 500 miljoen dollar zonder maximumbedrag

Het betreffende bedrijf werd niet bij naam genoemd door Axios of de geciteerde consultant. Op platform X circuleerden speculaties over Amazon, maar zonder enig bewijs. Wat wel bekend is, is dat het bedrijf zijn werknemers onbeperkte toegang gaf tot het Claude-platform van Anthropic – zonder bestedingslimieten, zonder gebruiksquota en zonder realtime dashboards om het tokenverbruik te monitoren.

Het resultaat was een exponentiële stijging van de kosten. Medewerkers maakten veelvuldig gebruik van AI-codeeragenten, workflows met lange contextvensters en meerlaagse AI-systemen die taken autonoom aan elkaar koppelden. Noch de financiële afdeling, noch de IT-governance-structuren grepen in. Toen de rekening kwam, bleek er in één maand tijd 500 miljoen dollar te zijn uitgegeven.

Anthropic biedt beheermechanismen op bedrijfsniveau: beheerdersdashboards, gebruikerslimieten en compliance-tools. Deze functies vereisen echter proactieve configuratie. In dit geval werd die configuratie volledig verwaarloosd. Het resultaat: Anthropic genereerde maandelijks inkomsten van één enkele klant op een niveau waar durfkapitalisten doorgaans alleen maar van kunnen dromen.

Agentische AI: De stille kostenvermenigvuldiger

Om te begrijpen hoe 500 miljoen dollar in 30 dagen mogelijk is, moet men de aard van zogenaamde agentische AI-systemen begrijpen. Een typische vraag aan een taalmodel – je typt een vraag, je krijgt een antwoord – verbruikt een beheersbaar aantal tokens. Een AI-agent werkt daarentegen fundamenteel anders.

Agentische AI-systemen plannen autonoom, voeren meerdere taken sequentieel uit, evalueren hun eigen tussenresultaten, corrigeren zichzelf, roepen externe tools aan en hercontextualiseren de volledige eerdere gespreksgeschiedenis bij elke stap. Elke nieuwe actie vereist dat het model niet alleen de huidige prompt verwerkt, maar de volledige opgebouwde gespreksgeschiedenis – een sneeuwbaleffect dat ervoor zorgt dat de tokenkosten exponentieel stijgen. Een recente studie van het Stanford Digital Economy Lab, waaraan Erik Brynjolfsson deelnam, toonde empirisch aan dat agentische AI-taken gemiddeld tot wel 1000 keer meer tokens verbruiken dan eenvoudige code-redeneertaken of codechat.

Het artikel bracht een bijzonder belangrijke bevinding aan het licht: modellen zijn structureel niet in staat om hun eigen tokenkosten te voorspellen. Voor identieke taken kan het werkelijke tokenverbruik van dezelfde agent tot wel 30 keer zo hoog zijn. En een hoger tokenverbruik betekent niet per se betere resultaten – de nauwkeurigheid bereikt vaak zijn maximum bij een gemiddeld tokenverbruik en stabiliseert zich bij een hoger verbruik.

Deze inherente stochasticiteit maakt tokenbudgettering volgens klassieke financiële logica's vrijwel onmogelijk – tenzij men structurele kaders creëert via beheerde AI-systemen die de kostenstroom onafhankelijk van het modelgedrag controleren.

Tokenisering: Wanneer prestatiebonussen pervers worden

De zaak met de 500 miljoen tokens is geen op zichzelf staand incident. Het is ingebed in een breder fenomeen dat nu een eigen naam heeft: token maxing. Dit verwijst naar het opzettelijk opblazen van het tokenverbruik – niet uit wezenlijke behoefte, maar om interne prestatie-indicatoren te halen, carrière te maken of simpelweg de onnauwkeurigheid van door AI gestuurde productiviteitsmetingen uit te buiten.

Amazon introduceerde een intern rangschikkingssysteem genaamd "KiroRank" voor zijn Kiro-ontwikkelaarsplatform, waarmee medewerkers werden beoordeeld op hun gebruik van AI. Het oorspronkelijke doel was lovenswaardig: de adoptie van AI bevorderen en best practices in de schijnwerpers zetten. Het onbedoelde gevolg: medewerkers begonnen nutteloze taken aan AI-agenten toe te wijzen, puur om hun tokenaantal te verhogen en hoger in de ranglijst te komen. Dave Treadwell, Senior Vice President bij Amazon, legde vervolgens aan medewerkers uit dat, hoewel het scorebord met goede bedoelingen was ontwikkeld, het had geleid tot onnodige extra kosten. Zijn boodschap was ondubbelzinnig: "Gebruik AI niet zomaar om het te gebruiken." Het systeem werd stopgezet. Als nieuw evaluatiecriterium introduceerde Amazon "genormaliseerde implementaties"—een meetwaarde die niet het tokenaantal meet, maar het daadwerkelijke aantal nuttige code-implementaties dat is gegenereerd.

Meta had een paar weken eerder een soortgelijk leiderschapsplatform voor medewerkers gelanceerd, genaamd "Claudeonomics". Het patroon herhaalt zich systematisch: zodra tokenverbruik een meetbare indicator wordt, optimaliseren medewerkers voor tokenverbruik – niet voor waardecreatie.

Uber leverde verder bewijs voor de omvang van het probleem. CTO Praveen Neppalli Naga bevestigde aan The Information dat Uber in april – slechts vier maanden na het begin van het jaar – het volledige AI-budget voor 2026 al had opgebruikt. Dit werd veroorzaakt door de snelle groei van Claude Code tot ongeveer 5.000 engineers, een dynamiek die de interne financiële modellen van het bedrijf volledig overbelastte. Uber had in 2025 al $3,4 miljard uitgegeven aan onderzoek en ontwikkeling – een stijging van negen procent ten opzichte van het voorgaande jaar. De budgettaire catastrofe was daarom geen kwestie van middelen, maar van bestuur.

De COO van Uber, Andrew Macdonald, verklaarde publiekelijk wat veel bedrijfsleiders intern bespreken maar zelden zo direct uitspreken: een hoog tokenverbruik heeft geen aantoonbare correlatie met positieve resultaten voor klanten. Ook Uber had interne ranglijsten gebruikt om de adoptie van AI te bevorderen – met hetzelfde perverse resultaat als Amazon.

Een sector onder kostendruk: meer spectaculaire voorbeelden

De zaak van Claude, met een schadeclaim van 500 miljoen dollar, is het meest spectaculaire individuele geval, maar zeker niet het enige. Alleen al in mei 2026 vonden er een reeks sensationele kostenrampen plaats die samen een structureel beeld schetsen.

Ontwikkelaar Peter Steinberger, de maker van de virale AI-agenttool OpenClaw, publiceerde een screenshot van zijn OpenAI API-dashboard: $ 1.305.088,81 aan tokenverbruik in 30 dagen, verdeeld over 603 miljard tokens via 7,6 miljoen API-aanvragen, gegenereerd door ongeveer 100 Codex-instanties die werden beheerd door een team van drie personen. Steinberger werkt nu rechtstreeks bij OpenAI en heeft dit bedrag niet persoonlijk betaald – OpenAI dekte de kosten als onderdeel van een financieringsovereenkomst. Desondanks illustreert dit geval de omvang van de kosten die agentgestuurde ontwikkelomgevingen kunnen bereiken.

In april 2026 ontving de Australische AI-consultant Jesse Davies een Google Cloud-rekening van 25.672,86 Australische dollar (ongeveer 18.391 Amerikaanse dollar) – ondanks een budget van slechts 10 Australische dollar op zijn account. De aanval werd uitgevoerd met behulp van een openbaar beschikbare API-sleutel die als platte tekstvariabele in een containeromgeving was opgeslagen. Negen beveiligingsfuncties van Google Cloud hadden dit incident kunnen voorkomen, maar deze waren standaard allemaal uitgeschakeld. Erger nog, Google had het account automatisch geüpgraded naar een hogere tier met een bestedingslimiet van 20.000 tot 100.000 Amerikaanse dollar, zonder voorafgaande kennisgeving, zodra de limiet van 1.000 dollar was overschreden.

Microsoft is begonnen met het verlagen van de interne Claude-codelicenties nadat de maandelijkse kosten per engineer waren gestegen tot tussen de $500 en $2000. Het bedrijf migreert zijn engineers naar GitHub Copilot CLI als een kosteneffectiever alternatief.

OpenAI-CEO Sam Altman heeft publiekelijk toegegeven dat hij regelmatig van bedrijfsleiders hoort: "Onze uitgaven blijven stijgen, mensen voelen zich productief, maar waar blijven de inkomsten, waar zijn de daadwerkelijke productiviteitswinsten?"

Beheerd AI-platform - 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:

• Beheerd AI-platform

Wat Managed AI inhoudt – en waarom het deze schade had kunnen voorkomen

In een zakelijke context verwijst de term 'Managed AI' naar een gestructureerde, platformgebaseerde aanpak voor het beheren, monitoren en reguleren van alle AI-activiteiten binnen een organisatie. In tegenstelling tot ongecontroleerde directe API-toegang, plaatst Managed AI een administratieve controlelaag tussen medewerkers en de onderliggende taalmodellen.

In een volledig geïmplementeerd en beheerd AI-systeem had het scenario van 500 miljoen dollar zich om diverse technische en organisatorische redenen nooit kunnen voordoen.

Ten eerste maken op uitgaven gebaseerde limieten op project-, team- of gebruikersniveau automatische beperking of volledige stopzetting van API-verkeer mogelijk zodra vooraf gedefinieerde budgetlimieten zijn bereikt. Google Cloud erkende dit en kondigde tijdens de Next-conferentie in april 2026 de introductie van 'uitgavenlimieten' aan voor Gemini, Cloud Run en andere services. Deze limieten waarschuwen gebruikers niet alleen, maar pauzeren het verkeer ook actief.

Ten tweede biedt gedetailleerde realtime monitoring op gebruikers-, team- en workflowniveau vroegtijdige signalen van afwijkingen, voordat de kosten kunnen oplopen. Akshat Bubna, CTO van Modal, schat dat ongeveer 50 procent van het interne tokengebruik binnen bedrijven volkomen nutteloos is. Het probleem is momenteel dat men de waardeloze helft niet kan onderscheiden van de productieve helft. Beheerde AI-systemen bieden precies deze differentiatie door middel van gedetailleerde gebruiksattributie.

Ten derde maakt op rollen gebaseerd toegangsbeheer differentiatie tussen gebruikersgroepen mogelijk: routinetaken worden doorgestuurd naar minder kostbare modellen (zoals Claude Haiku), terwijl rekenintensieve workflows worden uitgevoerd op krachtigere, maar duurdere modellen. Anthropic zelf beveelt modelgevoelige taaktoewijzing expliciet aan als kostenstrategie in de officiële prijsdocumentatie: Haiku voor eenvoudige taken, Sonnet voor de meeste productieworkloads en Opus alleen voor de meest complexe redeneertaken.

Ten vierde beschermen prompt-cachingmechanismen tegen overbodige tokenverbruikslussen: terugkerende contextblokken, zoals systeemprompts of bedrijfsbeleid, hoeven niet bij elk verzoek opnieuw te worden geladen. Voor Agentic-workflows die dezelfde context honderden keren per dag laden, kan dit de tokenkosten met 60 tot 80 procent verlagen.

Ten vijfde levert batchverwerking enorme kostenbesparingen op voor taken die niet tijdskritisch zijn: de Batch API van Anthropic biedt kortingen tot wel 50 procent ten opzichte van synchrone verzoeken. In een beheerd AI-systeem worden dergelijke optimalisaties automatisch toegepast, waardoor individuele ontwikkelaars geen handmatige beslissingen meer hoeven te nemen.

De structurele governancekloof: waarom bedrijven er niet op voorbereid zijn

De vraag die zich opdringt is niet technisch, maar organisatorisch: waarom zijn bedrijven met duizenden werknemers, IT-budgetten van miljarden dollars en geavanceerde cloudbeheerstructuren er niet in geslaagd om de meest eenvoudige kostenbeheersingsmechanismen voor AI te implementeren?

Het antwoord ligt in een structurele vertraging. Cloudgovernanceconcepten zoals FinOps – de gedisciplineerde, cross-functionele aanpak voor het beheren van clouduitgaven – zijn in de loop der jaren geëvolueerd, toen computerkosten voorspelbaar en lineair schaalbaar waren. Prijsmodellen voor AI-tokens gedragen zich fundamenteel anders: ze zijn niet-lineair, niet-deterministisch en agentgestuurde workflows genereren kosten die noch voorspelbaar, noch intuïtief zijn.

Het State of FinOps 2026-rapport bevestigt dat de uitgaven aan AI zijn geëvolueerd van experimentele budgetten naar kerninfrastructuur, en dat bijna alle FinOps-teams nu verantwoordelijkheid delen voor AI-workloads. Tegelijkertijd ontbreken er vastgestelde meetinstrumenten voor het rendement op investeringen: volgens een live enquête tijdens de FinOps Foundation Summit is het grootste probleem voor bedrijfsleiders niet de hoogte van de AI-kosten, maar het onvermogen om de waarde ervan aan te tonen.

De prijsstructuur van Anthropic heeft de zaken verder gecompliceerd. In april 2026 heeft Anthropic zijn bedrijfsmodel fundamenteel hervormd: in plaats van vaste abonnementskosten per gebruiker, zijn er nu lagere nominale prijzen per gebruiker (bijvoorbeeld $ 20 per maand voor technische gebruikers van Claude Code), gecombineerd met verplichte, vooraf vastgestelde verbruiksafspraken. De eerdere API-kortingen van 10 tot 15 procent voor bulkinkopers zijn komen te vervallen. Deze structuur verschuift het verbruiksrisico volledig naar de onderneming: bedrijven betalen voor de afgesproken hoeveelheden, ongeacht het werkelijke verbruik, terwijl ongecontroleerd verbruik dat de afspraak overschrijdt, tegen de volledige prijs wordt gefactureerd.

Gartner voorspelt dat meer dan 40 procent van alle Agentic AI-projecten tegen eind 2027 zal worden stopgezet, voornamelijk vanwege ontoereikende bestuursstructuren.

AI-governance als strategische bedrijfsnoodzaak

De gevolgen van deze gevallen zijn duidelijk: AI-governance is niet langer een overheadklus voor de IT-afdeling, maar een strategische bedrijfsverantwoordelijkheid. Bedrijven die beheerde AI-structuren implementeren, behalen diverse cruciale voordelen ten opzichte van ongereguleerde implementaties.

Kostentransparantie en uitgavenbeheersing vormen de basis. Toonaangevende organisaties vertrouwen al op strikte uitgavenlimieten, op rollen gebaseerd toegangsbeheer, realtime monitoringdashboards en beleid dat voorschrijft dat er kosteneffectievere modellen moeten worden gebruikt voor routinetaken. Databricks beveelt in zijn governance-richtlijnen expliciet ontwerp- en runtime-beveiligingsmaatregelen aan: vooraf gedefinieerde tokenlimieten, beperkingen op de contextlengte, cachingregels en systemen voor anomaliedetectie die ingrijpen voordat workflows onbeheersbaar escaleren.

Waardegebaseerde metingen vervangen op tokens gebaseerde meetmethoden. Amazons overstap van KiroRank naar 'genormaliseerde implementaties' – waarbij betekenisvolle code-implementaties worden gemeten in plaats van de hoeveelheid tokens – wijst de weg vooruit: niet het verbruik, maar het geproduceerde resultaat is de relevante meeteenheid. Deze verschuiving in meetmethoden is geen technische voetnoot, maar een fundamentele herwaardering van wat AI-productiviteit inhoudt.

Gespecialiseerde tools, in plaats van algemene systemen, maken aanzienlijke kostenbesparingen mogelijk zonder dat dit ten koste gaat van de kwaliteit. Voor gedefinieerde, repetitieve taken zijn gespecialiseerde, taakgeoptimaliseerde oplossingen vaak 10 tot 100 keer goedkoper dan een universeel grensmodel. De FinOps Foundation Summit formuleerde dit als een belangrijk principe: bepaal eerst of de taak überhaupt AI vereist; bepaal vervolgens welk model het meest kosteneffectief is; en pas daarna optimaliseer.

AI-gatewayarchitecturen centraliseren de controle. Platformen zoals Bifrost (Maxim AI) fungeren als centrale gateways die al het AI-verkeer van een organisatie routeren, monitoren en beleidscontroles erop afdwingen. Dergelijke architecturen stellen organisaties in staat om bestedingslimieten, modelroutering, privacyfilters en compliancevereisten op één centrale locatie te beheren – en alle AI-activiteiten volledig te registreren voor auditdoeleinden.

De economie van het token-tijdperk: nieuwe regels voor bedrijfsfinanciering

De zaak van 500 miljoen dollar markeert een keerpunt in de manier waarop bedrijfsfinanciering en AI-infrastructuur samen moeten worden beschouwd. Op tokens gebaseerde prijsmodellen gedragen zich niet zoals traditionele softwarelicenties: er is geen vaste jaarlijkse vergoeding, geen duidelijk omschreven toepassingsgebied en geen natuurlijke gebruikslimiet.

Dit fundamentele verschil overstijgt de traditionele budgetteringsprocessen van bedrijven. CFO's, die gewend zijn softwarekosten als vaste uitgaven te modelleren, worden geconfronteerd met een variabel kostenmodel dat exponentieel kan groeien. De wereldwijde uitgaven aan AI zullen naar verwachting $2,52 biljoen bereiken in 2026 – een stijging van 44 procent ten opzichte van het voorgaande jaar. Deze schaal maakt ongecontroleerde implementaties binnen bedrijven tot een systemisch risico.

Michael Burry, bekend om zijn vroege waarschuwingen voor marktcrisissen, omschreef het maximaliseren van tokens als "door quota, ranglijsten en management gedreven overconsumptie" en een "gekke, gehaaste, tijdelijke fase". Hij voorspelt dat deze fase niet houdbaar is. Of zijn timing nu juist blijkt of niet, de structurele druk om zich aan te passen is al voelbaar.

Het paradigma van ongecontroleerde, gedemocratiseerde toegang tot AI als innovatieversneller wordt momenteel gecorrigeerd door de realiteit van enorme kostenoverschrijdingen. Wat overblijft is een meer volwassen model: brede toegang, maar met afgebakende grenzen, meetbare doelen en institutionele controlemechanismen – kortom, beheerde AI in de meest volledige zin van het woord.

Wat bedrijven nu moeten doen

De beschreven voorbeelden maken het mogelijk om direct operationele conclusies te trekken voor bedrijven die AI op bedrijfsniveau inzetten.

De eerste prioriteit is de onmiddellijke invoering van strikte bestedingslimieten op gebruikers-, team- en projectniveau. Anthropic, Google Cloud en OpenAI bieden beheermechanismen voor bedrijven die geconfigureerd moeten worden. Het grootste probleem in vrijwel alle bekende gevallen was niet de afwezigheid ervan in het productportfolio, maar het niet correct configureren ervan.

Parallel daaraan moet een basislijn van het daadwerkelijke tokenverbruik worden gemeten over een periode van 30 dagen voordat Agentic-workflows worden uitgerold of opgeschaald. Zonder deze basislijn is er geen referentiepunt voor afwijkingen. Anomaliedetectiesystemen die automatisch waarschuwingen activeren bij 25, 50 en 75 procent van het maandelijkse budget, bieden de tweede beveiligingslaag.

De definitie van AI-productiviteit moet verschuiven van kwantitatieve metingen naar resultaatgerichte metingen. Amazon heeft een haalbaar model gepresenteerd met "genormaliseerde implementaties". Investeringen in AI die niet aantoonbaar zijn aan de hand van meetbare bedrijfsresultaten, moeten opnieuw worden beoordeeld.

Het inzetten van AI met een agent vereist expliciet, gefaseerd beheer: pilotgroepen, duidelijk gedefinieerde gebruiksscenario's, kostenlimieten per workflow en regelmatige evaluaties vóór een bredere uitrol. De schaalbaarheid van AI met een agent is een sterk punt, maar brengt ook kosten met zich mee als deze zonder vangrails wordt ingezet.

Conclusie: 500 miljoen dollar voor een les die gratis beschikbaar was

De zaak van 500 miljoen dollar is spectaculair qua omvang, maar de oorzaak is banaal: niemand had een schakelaar omgezet. De technische infrastructuur voor kostenbeheersing was aanwezig, maar de configuratie ontbrak. Wat ontbrak was een beheerde AI-strategie – een institutioneel kader dat toegang tot AI combineert met AI-governance.

De boodschap aan bedrijfsleiders is duidelijk: ruime toegang tot AI-tools zonder een degelijk governancekader is geen teken van vertrouwen in werknemers, maar financiële nalatigheid. De gevallen van Uber, Amazon, Microsoft en het anonieme bedrijf met de investering van een half miljard dollar beschrijven niet alleen de kinderziektes van een nieuwe technologie. Ze illustreren het systemische falen om nieuwe technologie te integreren met beproefde principes van corporate governance.

Managed AI is het antwoord op deze lacune. Niet als een beperking van innovatie, maar als een voorwaarde voor de duurzaamheid ervan.

Konrad Wolfenstein

Ik sta graag tot uw beschikking als uw persoonlijke adviseur.

met mij opnemen via wolfenstein∂xpert.digital contact

U kunt me bellen op +49 7348 4088 965 .

LinkedIn