Soofi S: Tysklands första seriösa AI-modell – Den säkra AI-lösningen för små och medelstora företag?

Tysklands nya AI-modell Soofi S: Ett riktigt genombrott eller bara "bra för Europa"?

Soofi S recension: Hur står sig den nya tyska språkmodellen mot den globala AI-eliten?

Länge verkade kapplöpningen om den tekniska överlägsenheten inom artificiell intelligens vara avgjord – en kamp som uteslutande utkämpades mellan amerikanska teknikjättar och statligt subventionerade kinesiska initiativ. Europa riskerade att förpassas till rollen som ren konsument och regulator. Men nu gör Tysklands AI-sektor en triumferande återkomst till den internationella scenen: Det offentlig-privata konsortiet bakom SOOFI-projektet presenterar "Soofi S 30B-A3B", en språkmodell som är bland världens ledande helt öppna system.

Baserad på lokal infrastruktur i München och utformad med ett radikalt fokus på absolut datatransparens och GDPR-efterlevnad, syftar den till att erbjuda ett suveränt alternativ, särskilt för små och medelstora företag (SMF) och hårt reglerade branscher. Men står sig modellen mot den hårda verkligheten? En närmare titt på jämförelseresultaten, den innovativa hybridarkitekturen och den allvarliga marknadsverkligheten avslöjar att Soofi S är en anmärkningsvärd milstolpe och ett bevis på att Europa kan bygga konkurrenskraftig AI – men det är långt ifrån slutet på en lång, mödosam väg till verkligt digitalt oberoende. En omfattande analys.

Mellan riktmärkesberömmelse och verklighet i gränslandet – varför ”bra för Europa” inte är ett tillräckligt svar

Det tyska AI-konsortiet har släppt Soofi S 30B-A3B, en språkmodell som är världsledande bland helt öppna modeller – men som fortfarande ligger efter den kinesiska Qwen3.5. Denna samtidiga förekomst av genuina framsteg och allvarlig relativisering är nyckeln till att förstå vad som för närvarande händer i det tyska AI-landskapet.

Vad gör Soofi S tekniskt speciell

Modellen har den officiella beteckningen 30B-A3B, vilket exakt beskriver dess arkitektur: 31,6 miljarder parametrar totalt, men endast cirka 3,2 miljarder av dem är aktiva per bearbetad token. Denna skillnad är inte en brist, utan snarare kärnan i en intelligent arkitekturprincip. Soofi S bygger på en hybrid Mixture of Experts-struktur som kombinerar Mamba 2-lager med klassiska Transformer Attention-lager – ett koncept som konsortiet direkt anammat från Nvidias Nemotron 3 Nano och vidareutvecklat.

Fördelarna med denna arkitektur blir bara uppenbara under verkliga förhållanden. Medan täta modeller kräver alltmer datorkraft med växande kontextlängd, vilket resulterar i en betydande minskning av dataflödet, förblir Soofi S nästan konstant effektiv. Med en kontextlängd på 40 000 tokens och 32 samtidiga förfrågningar genererar den ungefär åtta gånger fler tokens per sekund per GPU än jämförbara täta modeller med mellan 14 och 24 miljarder parametrar. Endast 6 av de 52 lagren upprätthåller en kv-cache, vilket håller minnestrycket lågt även med mycket långa dokument. Kontextfönstret sträcker sig upp till en miljon tokens – en storlek som gör applikationer med massiva dokumentvolymer eller långa konversationshistoriker praktiskt genomförbara.

Själva beräkningsinsatsen för utbildningen, som pågick mellan 24 mars och 13 maj 2026, på upp till 512 NVIDIA B200-kort i Deutsche Telekoms Industrial AI Cloud i München, uppgick till totalt 253 000 GPU-timmar. Enligt projektrapporten använder anläggningen helt förnybar el, kyls med vatten från Eisbach-strömmen och matar tillbaka spillvärmen till industriparken Tucherpark – en detalj som i en bransch med orimligt höga energibehov är mer än bara ekomarknadsföring.

Hur utbildning omvärderar det tyska språket

Utbildningsmaterialet omfattar ungefär 27 biljoner tokens – en datamängd som verkligen kan mäta sig med Frontiers erbjudanden och förklarar det betydande kvalitativa språnget jämfört med tidigare europeiska försök. Den som vill förstå varför föregångare som Apertus, EuroLLM, Teuken och Salamandra låg så långt efter internationella standarder i jämförelser hittar det tydligaste svaret här: de tränade helt enkelt med för lite data. Skalbarhet och datavolym är inte valfri lyx i språkmodellutveckling, utan snarare avgörande förutsättningar för prestanda.

Inom denna samling överbetonade konsortiet medvetet det tyska språket. I den första träningsfasen står tyska för 7,2 procent av den totala träningsmixen, och i den andra fasen ökar denna andel till 15,3 procent. Som jämförelse står alla icke-engelska språk tillsammans för cirka 5 procent i Nvidias Nemotron-recept. Denna avsiktliga partiskhet förklarar varför modellen presterar så bra på tyska riktmärken.

Datakällorna är ovanligt transparent dokumenterade. Förutom HPLT-webbtexter och den tyska Commons-korpusen införlivades en kommersiellt licensierad Genios-databas innehållande 193 miljoner tidningsartiklar från 916 tyska publikationer i utbildningen. Enligt konsortiet är cirka 99 procent av hela utbildningsmixen spårbar och offentligt tillgänglig – vilket representerar ett paradigmskifte i en bransch där även stora amerikanska företag behandlar utbildningsdata som affärshemligheter. Detta inkluderar utvalda mellanliggande tillstånd i modellen, hyperparametrar, komplett utbildningskod och utvärderingskod.

Var Soofi S står sig i jämförelsefältet

En nykter bedömning kräver att man förenar två sanningar. Å ena sidan, enligt konsortiets rapport, leder Soofi S alla helt öppna modeller i ett aggregerat tyskt benchmarkresultat med 79,1 poäng – före Olmo 3 32B från Allen Institute och Apertus 70B från Schweiz. I engelskspråkiga benchmarks är modellen också den starkaste bland de helt öppna alternativen. För kodningsuppgifter uppnår den 73,8 procent på HumanEval och 70,2 procent på MBPP.

Å andra sidan är detta ledande område en underkategori, inte en global ranking. Qwen3.5 35B-A3B, Alibabas kinesiska modell, uppnår 76,5 poäng i tyskspråkig konkurrensmatematik, medan Soofi S får 56 poäng. Detta är inte ett marginellt underskott, utan ett betydande gap just där abstrakt resonemang krävs. Soofi S hamnar också efter i internationella jämförelser med modeller som Qwen3.6 27B eller GLM 5.2, och dessa konkurrenter anses med rätta vara riktmärken inom yrkesvärlden.

Även riktmärkena i sig är föremål för kritisk granskning. Jenia Jitsev från LAION-konsortiet beskrev konsortiets självdefinierade kapacitetsindexmått som överdrivet. Och en professor i data mining tog upp den avgörande frågan om huruvida de presenterade siffrorna utvärderades oberoende eller om de helt enkelt var självrapporterade data som inte hade reproducerats oberoende. Denna metodologiska skepticism är berättigad och kan inte avfärdas: Riktmärkesresultat vinner endast trovärdighet genom oberoende reproduktion, inte genom självrapportering.

Konsortiet och infrastrukturen bakom det

Soofi är inte ett privat startupprojekt, utan ett offentlig-privat konsortiumprojekt som Tyskland har integrerat inom ett europeiskt ramverk. Det koordineras av Tyska AI-föreningen, den tyska branschorganisationen för artificiell intelligens. Den federala regeringen har tillhandahållit cirka 20 miljoner euro i finansiering genom det federala ministeriet för ekonomi och klimatåtgärder, inom det europeiska IPCEI-CIS-ramverket. Förkortningen SOOFI står för "Sovereign Open Source Foundation Models for European Intelligence" – själva namnet är programmatiskt.

På forskningssidan har konsortiet ett anmärkningsvärt institutionellt djup: Fraunhofer IAIS och Fraunhofer IIS, det tyska forskningscentret för artificiell intelligens (DFKI), TU Darmstadt, universitetet i Würzburg, Leibniz-universitetet i Hannover och forskningscentret L3S bidrar med akademisk expertis. AI-företagen Ellamind och Merantix Momentum deltar från industrin. Dr. Nicolas Flores-Herr från Fraunhofer IAIS ansvarar för den tekniska projektledningen.

Den underliggande infrastrukturen är resultatet av ett partnerskap värt en miljard euro mellan Deutsche Telekom och NVIDIA: Industrial AI Cloud i München driver över tiotusen GPU:er, inklusive, från och med mars 2026, ett nätverk av cirka 130 NVIDIA DGX B200-system med totalt över 1 000 GPU:er, vilka uteslutande kommer att användas för europeiska språkmodelleringsprojekt. Kontraktet för denna infrastruktur tilldelades Telekom via Leibniz-universitetet i Hannover – en process som avsiktligt placerats i Tyskland med en tydlig motivering: ingen utbildning i amerikansk molninfrastruktur.

Vad sann öppenhet innebär – och varför det är viktigt

Termen "öppen källkod" har blivit överanvänd och ofta vilseledande inom AI-branschen. Många modeller marknadsförs som "öppna" trots att endast de färdiga vikterna är tillgängliga för nedladdning – utan träningsdata, utan kod och utan insikt i datasammansättningen. Denna form av öppenhet är tillräcklig för vardagligt affärsbruk, men den skapar inte verklig kontroll eller möjliggör oberoende verifiering.

Soofi S går strukturellt längre. Publikationen inkluderar modellviktningar, utvalda träningskontrollpunkter, den kompletta träningskoden, alla utvärderingsskript och en fullständig uppdelning av träningsdatakällorna med exakt blandningsstatistik. Där källdata är under tillåtande licenser släpps även konstruktionsartefakterna; kommersiellt licensierade källor dokumenteras med aggregerad statistik. Dessa är de förutsättningar som reglerade industrier behöver för granskningsbarhet och som EU:s AI-lag ändå kommer att kräva i framtiden.

För sektorer som finansiella tjänster, medicinsk teknik eller offentlig förvaltning är denna spårbarhet inte bara en estetisk fördel, utan ett rättsligt krav. En bank eller ett försäkringsbolag som använder en AI-modell i en granskningsbar process måste kunna dokumentera vilka data som har matats in i modellen och vem som behåller den tekniska kontrollen över dem. USA-baserade Frontier-modeller kan inte strukturellt besvara denna fråga – inte för att de är ovilliga att göra det, utan för att träningsdatan anses vara en central affärshemlighet.

Denna styrka begränsas av en olöst fråga: den slutliga kommersiella licensen är fortfarande olöst vid tidpunkten för lanseringen. Den som planerar en produktionsdriftsättning idag måste vänta på att denna fråga ska lösas. Detta är ett verkligt hinder för tidiga användare och bör utelämnas från alla ärliga bedömningar.

Argumentet om digital suveränitet

Frågan om huruvida "suverän AI" är mer än bara ett modeord kan besvaras konkret för första gången med Soofi S – åtminstone delvis. Träning på tysk infrastruktur, utanför amerikanska moln, är inte bara symbolisk: den förhindrar att NVIDIA eller hyperscaler-villkor tillämpas på träningsdata och undviker den extraterritoriella räckvidden för US Cloud Act, som i princip ger amerikanska myndigheter tillgång till data som behandlas på amerikansk infrastruktur, oavsett serverplats.

För många företag baserade i Tyskland är denna kontroll en verklig och affärsrelevant fråga. De som använder en språkmodell som innehåller interna designplaner, konfidentiell kunddata eller medicinsk information står inför ett grundläggande förtroendeproblem med amerikanska tjänster – inte på grund av paranoia, utan på grund av risker som inte är helt klargjorda juridiskt. En modell som körs helt på tyska servrar, har fullt dokumenterade träningsdata och är tillåtligt licensierad eliminerar strukturellt denna juridiska gråzon.

KPMG-studien om AI Geopolitics Index 2026 bekräftar det strukturella ramverket: Europa uppnår endast 48,8 poäng i Strategic AI Capability Index, jämfört med 75,2 för USA. DACH-regionen, med 54 poäng, ligger något under Västeuropa och kämpar med fragmenterade kapitalmarknader, höga energipriser och begränsad datorkapacitet för tillväxtföretag. I detta sammanhang är Soofi S inte ett genombrott i sig, men det är en konkret motvikt till det annars fullständiga tekniska beroendet av icke-europeiska leverantörer.

Branschfokusområden: B2B, digitalisering (från AI till XR), maskinteknik, logistik, förnybar energi och industri

Mer information här:

• Expertföretagsnav

Ett tematiskt nav som erbjuder insikter och expertis:

• Kunskapsplattform som täcker globala och regionala ekonomier, innovation och branschspecifika trender
• En samling analyser, insikter och bakgrundsinformation från våra viktigaste fokusområden
• En plats för expertis och information om aktuell utveckling inom näringsliv och teknologi
• En knutpunkt för företag som söker information om marknader, digitalisering och branschinnovationer

Var modellen får sin plats – och var den inte får sin plats

Debatten kring Soofi S riskerar att blanda ihop två fundamentalt olika frågor: Är det en frontmodell som konkurrerar med GPT-5 eller Gemini 2.5? Och är det ett användbart, praktiskt tillämpligt verktyg för specifika användningsfall? Den första frågan kan helt klart besvaras med ett nej. Den andra är mer komplex.

För komplexa resonemangsuppgifter, storskalig mjukvaruutveckling, djupgående vetenskaplig analys eller storskaliga kreativa projekt når Soofi S inte upp till de stora proprietära modellerna. De som söker den bästa tillgängliga AI-assistenten för krävande generativa uppgifter kommer för närvarande bättre att betjänas av Qwen3.5, Claude eller GPT-5. Detta resultat är varken förvånande eller en skam – det är den logiska konsekvensen av resursskillnaden mellan ett konsortiumforskningsprojekt värt 20 miljoner euro och de amerikanska och kinesiska AI-laboratorierna värda flera miljarder dollar.

Bilden är helt annorlunda där modellen faktiskt är avsedd att användas: i industriella processer, inom tysk offentlig förvaltning, on-edge-hårdvara i produktionsmiljöer eller på företagsservrar med GDPR-krav. Soofi S utformades uttryckligen för just detta tillämpningsområde. Maskinövervakning i realtid, kvalitetskontroll, operatörsassistans i produktionslinjen, förhandskontroller av efterlevnad, ärendesortering, lokal feldiagnos på CNC-maskiner, prediktiva underhållsvarningar – det här är uppgifter där en modell med 3,2 miljarder aktiva parametrar och konstanta minneskrav över långa sammanhang erbjuder strukturella fördelar. För dessa scenarier är latens viktigare än vältalighet, och dataflöde är viktigare än litterär rikedom.

Expertmixarkitekturen med genomgående låga KV-cachekrav är optimerad för dessa scenarier. Med 40 000 kontexttokens och 32 parallella frågor överträffar Soofi S täta modeller med en faktor åtta i dataflöde. Detta är inte ett abstrakt akademiskt riktmärke, utan en nyckelprestandaindikator som avgör kostnadseffektiviteten för en lokal, lokal distribution.

Medelklassen som den faktiska målgruppen

I konsortiets pressmeddelande beskrivs Soofi S uttryckligen som en modell för små och medelstora företag – och denna positionering är mer konsekvent än den först verkar. Små och medelstora företag (SMF) i Tyskland står inför en specifik uppsättning utmaningar: De saknar vanligtvis dedikerade maskininlärningsteam som kan finjustera proprietära frontiermodeller. De behandlar ofta känsliga kunddata eller affärshemligheter, för vilka molnbaserade amerikanska modeller är problematiska på grund av efterlevnadsproblem. Och de söker lösningar som är lokalt användarvänliga, dokumenterbara och hanterbara under drift.

För denna profil är en tillåtande licensierad, helt transparent, medelstor modell med starka tyska språkkunskaper verkligen mer attraktiv än en mer högpresterande modell vars träningsdata, viktningar och licensstruktur förblir ogenomskinlig. Bitkoms siffror stöder denna bedömning: Två tredjedelar av tyskarna uttrycker en önskan att använda AI från Tyskland – detta är inte en teknisk preferens, utan snarare en preferens för datasekretess och förtroende, vilket återspeglas i upphandlingsprocesser och kundkrav.

Samtidigt är medelstora företag inte en homogen kategori. En fordonsleverantör med globala leveranskedjor, engelskspråkig kommunikation och komplexa designuppgifter står inför andra krav än en regional förvaltningsmyndighet eller en advokatbyrå med konfidentiell korrespondens. Den första gruppen kommer inte att hitta en komplett lösning i Soofi S. Den andra gruppen kan dock upptäcka en värdefull kärnkomponent i en suverän AI-stack i den.

Vad modellen avslöjar om Tyskland som en AI-plats

Expertkommissionen för forskning och innovation (EFI) målade upp en allvarlig bild i sin årsrapport för 2026: stark grundforskning, men knappt några proprietära modeller, otillräcklig datorkapacitet och en GDPR som hämmar europeiska utvecklare medan amerikanska modeller fungerar obehindrat på EU-marknaden. Soofi S är ett direkt svar på just denna diagnos – och samtidigt dess bästa bevis på att förändring är möjlig.

PwC AI Fitness Index 2026-rankningen vittnar om Tysklands styrka inom styrning och data, men denna styrka leder inte till affärsmässig påverkan. Det är just detta som är kärnproblemet: Tyskland utmärker sig inom reglering och dokumentation, men kämpar med skalning och kommersialisering. Soofi S replikerar detta mönster: full transparens, en tydlig efterlevnadsarkitektur, akademiskt djup – men ingen säljbar produkt som kommer att köras i ett medelstort företags produktionslinje imorgon. Vid tidpunkten för publiceringen är modellen fortfarande i sluten beta, endast tillgänglig för utvalda branschpartners.

Förvärvet av Aleph Alpha av Cohere i april 2026 är avslöjande i detta sammanhang. Det visar på ett alternativt tillvägagångssätt: istället för att bygga sin egen toppnivåplattform förlitar sig vissa leverantörer på suveräna drifts- och efterlevnadslager byggda ovanpå utländska modeller. Detta tillvägagångssätt är mer realistiskt för många medelstora företag än att vänta på en konsortiummodell. Det löser dock inte suveränitetsproblemet helt – det flyttar det bara till operatörsnivå.

Vad som saknas mellan forskningsprojekt och marknadsprodukt

Ett av de mest produktiva missförstånden kring Soofi S är förvirringen mellan forskningsframgång och marknadsframgång. Konsortiet med Fraunhofer, DFKI, universitet och startups har verkligen uppnått något som ingen i Europa har lyckats med tidigare: att utbilda en språkmodell på frontier data-nivå med fullständig transparens och en europeisk infrastruktur. Att detta krävde ett konsortium av forskningsinstitutioner snarare än vinstdrivna privata företag är inte ett tecken på styrka, utan snarare en indikation på en strukturell svaghet i det europeiska AI-ekosystemet.

Marknadsberedskap är inte en självklarhet. En modell behöver fungerande licenser, produktionsstabilitet, distributionsverktyg, supportstrukturer, finjusterade pipelines och integrerbara API:er innan den verkligen kan användas i ett företag. Den slutliga licensen väntar fortfarande vid publiceringstillfället. Modellen är i sluten beta med branschpartners som testar den för teknisk dokumentation, kodgenerering och agentbaserade system. Detta är rätt steg, men det understryker hur långt det fortfarande är kvar från ett imponerande forskningsresultat till ett produktionsklart företagsverktyg.

Dessutom finns det licensproblemet för själva träningsmodellen. En kommentar från expertgruppen pekar på de olika varianterna inom modellfamiljen – Isar och Rhen – och varnar för att börja använda den innan den kommersiella licensfrågan är slutgiltigt löst. Denna försiktighet är berättigad, eftersom en modell som integreras i kritiska affärsprocesser och senare visar sig vara icke-kommersiellt användbar kommer att generera avsevärda tekniska och juridiska kostnader för att reversera processen.

Det verkliga riktmärket: skalbarhet och ekosystem

Vad som slutligen händer med Soofi S beror mindre på kvaliteten på den nuvarande modellen än på konsortiets och det tyska AI-landskapets förmåga att bygga vidare på den. Projektet har uttryckligen aviserat en modellfamilj, inte bara en enda. Det ursprungliga målet på 100 miljarder parametrar kommunicerades i december 2025 – Soofi S, med sina 30 miljarder, är den första byggstenen.

Om denna första byggsten utvecklas till en komplett modellfamilj som regelbundet uppdateras, skalas upp med Telekoms datorinfrastruktur och attraherar ett genuint industriellt ekosystem av finjusterande leverantörer, integratörer och applikationstillverkare, då kommer det att vara ett verkligt genombrott. Om det förblir ett proof of concept – en akademisk framgång utan kommersiell framgång – då kommer Soofi S att ansluta sig till en lång lista av europeiska projekt som började med stor pompa och ståhej och misslyckades i drift.

De avgörande indikatorerna för framtida utvecklingar är därför inte dagens riktmärken, utan snarare licensieringshastigheten, bredden av betapartners och deras offentliga feedback, huruvida ett uppföljningsprojekt för den större modellen redan är finansierat, och slutligen, huruvida privata företag med vinstmotiv deltar i vidareutvecklingen eller om modellen förblir permanent beroende av offentlig finansiering. AI-suveränitet uppnås inte genom etiketter, utan genom prestanda, skalbarhet och en marknad som tillåter och belönar innovation.

Europeisk kontext och geopolitisk dimension

Soofi S är inte ett isolerat tyskt projekt, utan snarare en del av en större europeisk rörelse. IPCEI-CIS-programmet, som samlar 1,2 miljarder euro i statligt stöd från sju medlemsstater för moln- och edge computing-teknik, tillhandahåller den politiska och finansiella infrastrukturen för liknande projekt. Jämförbara konsortiummodeller finns i Frankrike med Lucie-modellen och på paneuropeisk nivå med OpenGPT-X-projektet. Gemensamheten för dessa initiativ är strukturell: de kombinerar offentlig finansiering, akademisk kapacitet och privat infrastruktur.

Sammanhanget gör skillnaden tydligare. Den som förväntar sig att europeiskt utvecklad AI ska konkurrera med mångmiljardinvesteringarna från OpenAI, Google, Anthropic eller det statligt sponsrade kinesiska modellekosystemet ställer fel fråga. Den mer relevanta frågan är om Europa är kapabelt att bygga ett eget fullt kontrollerbart lager av grundläggande AI-modeller som kan tjäna som grund för europeisk applikationsutveckling – utan fullständigt beroende av icke-europeisk infrastruktur, licensvillkor och geopolitik.

EU:s AI-lag, som håller på att fasas in helt, tillför ytterligare en juridisk dimension till denna fråga. För generella modeller föreskriver den transparensskyldigheter som strukturellt sett är enklare för helt öppna modeller med dokumenterad träningsdata att uppfylla än för proprietära black-box-modeller. Detta är ingen slump: europeisk reglering är delvis utformad för att ge europeiska metoder med öppen källkod en komparativ fördel jämfört med proprietära arkitekturer. Soofi S passar perfekt in i denna regleringsdesign.

En ärlig bedömning av ett första steg

Soofi S är den första europeiska språkmodellen med öppen källkod som inte bara skryter i pressmeddelanden utan också presterar i nivå med internationella konkurrenter i verifierbara riktmärken – åtminstone inom kategorin helt öppna modeller. Detta är ingen liten bedrift. Dess europeiska föregångare spelade i en annan liga, och gapet var fundamentalt, inte marginellt.

Samtidigt vore det intellektuellt oärligt att omtolka dessa framsteg som ett AI-genombrott, vilket det inte är. En modell med 30 miljarder parametrar som ligger efter Qwen3.5 och fortfarande är i betafasen är en lovande början, inte ett slutpunkt. Konsortiets forskningskvalitet är genuin. De arkitektoniska besluten är väl genomtänkta. Transparensen är exemplarisk. Men gapet till den globala frontlinjen är fortfarande betydande, och det kan inte täppas med bara 20 miljoner euro i offentlig finansiering.

Det som skiljer Soofi S från alla tidigare tillkännagivanden om suverän europeisk AI är en enda, avgörande detalj: modellen existerar faktiskt, med publicerade vikter, dokumenterad utbildning och mätbara resultat. Detta låter självklart, men det finns fortfarande inte i det europeiska AI-landskapet. För de som behandlar datasuveränitet, granskningsbarhet och GDPR-efterlevnad som genuina beslutskriterier – och inte bara efterlevnadsretorik – börjar en ny ekvation här.

☑️ Vårt affärsspråk är engelska eller tyska

☑️ NYTT: Korrespondens på ditt modersmål!

 

Jag och mitt team står gärna till er förfogande som er personliga rådgivare.

Du kan kontakta mig genom att fylla i kontaktformuläret här wolfenstein@xpert.digital:eller helt enkelt ringa mig på +49 7348 4088 965. Min e-postadress är

Jag ser fram emot vårt gemensamma projekt.

 

 

☑️ Stöd till små och medelstora företag inom strategi, konsultation, planering och implementering

☑️ Skapande eller omstrukturering av den digitala strategin och digitaliseringen

☑️ Utökning och optimering av internationella säljprocesser

☑️ Globala och digitala B2B-handelsplattformar

☑️ Pionjär inom affärsutveckling / marknadsföring / PR / mässor

Xpert.Digital är en datadriven B2B-branschhubb som leds av Konrad Wolfenstein . Företaget fungerar som en extern, nästan intern lösning för industriella partners och täcker operativa luckor inom marknadsföring, innehåll och försäljning – utan att kräva ytterligare resurser från kundsidan.

Mer information här:

• Den kvasi-interna lösningen: Hur Xpert.Digital stänger operativa luckor inom B2B-marknadsföring och -försäljning – Smart Content-Driven Business