Habsburg AI: Wenn künstliche Intelligenz an ihrem eigenen Output erstickt
Was passiert, wenn KI-Modelle auf KI-generierte Daten trainiert werden? Die Antwort ist beunruhigend – und erinnert an die Habsburger Monarchie. Eine Geschichte über genetische Verarmung, digitale Inzucht und warum echte menschliche Daten gerade zum wertvollsten Rohstoff der Welt werden.
Der Fluch der Selbstbezüglichkeit
Stellen Sie sich vor, ein Maler kopiert ein Gemälde. Dann kopiert ein zweiter Maler die Kopie. Ein dritter kopiert die Kopie der Kopie. Nach zwanzig Generationen hängt an der Wand ein verschwommener Farbklecks, der mit dem Original nichts mehr zu tun hat. Die Proportionen stimmen nicht, die Farben sind verzerrt, Details sind verschwunden.
Genau das passiert gerade mit künstlicher Intelligenz – nur schneller, größer und mit weitreichenderen Konsequenzen.
Im Juli 2024 veröffentlichte ein Forschungsteam um Ilia Shumailov von der University of Oxford eine bahnbrechende Studie in Nature: „AI models collapse when trained on recursively generated data.“ Die Ergebnisse waren ernüchternd: Wenn generative KI-Modelle auf Daten trainiert werden, die von früheren KI-Generationen erzeugt wurden, kollabieren sie. Sie verlieren Vielfalt, Präzision und am Ende jeden Bezug zur Realität.
Willkommen in der Welt des Model Collapse – oder, wie es der Technologiekritiker Jathan Sadowski so bildgewaltig nannte: „Habsburg AI.“
Die Habsburger Analogie: Warum sie so treffend ist
Das Haus Habsburg ist berühmt für vieles: das Heilige Römische Reich, die spanische Krone, die österreichisch-ungarische Doppelmonarchie. Aber auch für etwas anderes: jahrhundertelange Inzucht. Um Macht und Territorien innerhalb der Dynastie zu halten, heirateten Habsburger bevorzugt andere Habsburger. Onkel heirateten Nichten, Cousins heirateten Cousinen – über Generationen hinweg.
Das Ergebnis war verheerend. Karl II. von Spanien – der letzte Habsburger auf dem spanischen Thron – konnte kaum kauen, kaum sprechen und war unfruchtbar. Sein Inzuchtkoeffizient lag höher als der eines Kindes aus einer Geschwisterehe. Die genetische Vielfalt war so weit erodiert, dass der Körper schlicht nicht mehr funktionierte.
Die Parallele zur KI ist früchterlich präzise: Wenn ein KI-Modell auf den Outputs eines anderen KI-Modells trainiert wird, ist das wie genetische Inzucht. Jede Generation verliert ein Stück Diversität. Seltene Muster – Minderheitensprachen, unübliche Formulierungen, Randfälle – verschwinden zuerst. Was bleibt, ist ein Durchschnittsbrei: grammatisch korrekt, aber inhaltlich leer. Formal fehlerfrei, aber kreativ tot.
Was genau ist Model Collapse? Die Wissenschaft dahinter
Shumailov und sein Team identifizierten in ihrer Nature-Studie zwei Phasen des Modellkollapses:
Phase 1 – Früher Kollaps (Early Model Collapse): Das Modell verliert zunächst Informationen an den Rändern der Verteilung. Minderheitendaten verschwinden. Das Tückische: Die Gesamtperformance kann sogar zunächst besser aussehen, weil das Modell „aufgeräumter“ wirkt. Aber unter der Oberfläche verarmt die Vielfalt bereits.
Phase 2 – Später Kollaps (Late Model Collapse): Das Modell verliert signifikante Leistung. Konzepte verschwimmen, die Varianz bricht ein, die Outputs werden repetitiv und inhaltsleer. Im Extremfall produziert das Modell nur noch Kauderwelsch.
Das Team demonstrierte dies eindrucksvoll an Metas OPT-125M-Sprachmodell, trainiert auf WikiText-2. Nach nur wenigen Generationen rekursiven Trainings war der Output kaum noch von zufälligem Text zu unterscheiden.
Und es betrifft nicht nur Sprachmodelle. Auch Bildgeneratoren wie Stable Diffusion zeigen den Effekt: Bilder von Gesichtern werden über Generationen hinweg zu grotesken Karikaturen – überzeichnete Züge, verwaschene Details, unmögliche Anatomie. Ein Forschungsteam des Inria Lyon Centre unter Quentin Bertrand zeigte, dass selbst geringe Anteile synthetischer Daten im Trainingsset den Kollaps beschleunigen können.
Warum das Problem gerade explodiert
Hier kommt die unbequeme Wahrheit: Das Internet, auf dem KI-Modelle trainiert werden, besteht zunehmend aus KI-generiertem Content.
Stand April 2025: 74,2 Prozent aller neu erstellten Webseiten enthielten KI-generierten Text. Das ist kein Tippfehler. Drei von vier neuen Webseiten. Das bedeutet: Jedes neue Sprachmodell, das auf Internet-Daten trainiert wird, trainiert mit hoher Wahrscheinlichkeit auf dem Output seiner Vorgänger.
2018 stammten die meisten Trainingsdaten noch von Menschen: Fotografien von echten Fotografen, Texte von Autor:innen mit echten Gedanken, Code von Entwickler:innen, die reale Probleme lösten. Bis Ende 2025 hatte sich dieses Verhältnis dramatisch verschoben. Das Communications of the ACM beschrieb es als einen schleichenden Paradigmenwechsel – und als tickende Zeitbombe.
Der Forscher Quentin Bertrand vom SDU fasst es so zusammen: „Sprachmodelle wissen nicht, dass Nilpferde keine Babys aufheben und zu Menschen tragen. Sie können das Wahre nicht vom Plausiblen unterscheiden.“ Wenn diese Modelle dann auf ihrem eigenen fehlerhaften Output trainiert werden, potenzieren sich die Fehler – Generation für Generation.
Das Drei-Fehler-Modell: Warum Kollaps unvermeidlich scheint
Die Forschung identifiziert drei grundlegende Fehlerquellen, die den Model Collapse antreiben:
- Funktionale Approximationsfehler: Kein Modell bildet die reale Datenverteilung perfekt ab. Es gibt immer eine Diskrepanz zwischen der gelernten und der tatsächlichen Verteilung.
- Stichprobenfehler (Sampling Errors): Aus einer kontinuierlichen Verteilung werden nur endlich viele Datenpunkte gezogen. Seltene Ereignisse werden systematisch unterrepräsentiert.
- Lernfehler: Der Trainingsalgorithmus selbst führt zu Verzerrungen – durch Regularisierung, begrenzte Modellkapazität oder suboptimale Hyperparameter.
Das Entscheidende: Diese Fehler addieren sich nicht einfach – sie multiplizieren sich über Generationen. Selbst bei den einfachsten Modellen (eindimensionale Gauß-Verteilungen!) lässt sich mathematisch zeigen, dass die Varianz der Schätzung mit jeder Generation wächst – wie bei einem Random Walk. Um die Qualität zu halten, müsste die Datenmenge superlinear wachsen – idealerweise quadratisch. Eine ICLR 2025 Spotlight-Studie über „Strong Model Collapse“ bestätigte: Selbst unter dem Scaling-Laws-Paradigma ist die Degradation ein robustes statistisches Phänomen – möglicherweise unvermeidlich.
Die Echokammer des Internets: Model Collapse in der Praxis
Model Collapse ist kein rein akademisches Problem. Es hat ganz konkrete Auswirkungen:
Medizin: Eine Telehealth-KI, die auf ihren eigenen klinischen Notizen trainiert wird, beginnt seltene Symptome zu übersehen. Ein Hautausschlag, der bei 0,3 % der Patienten auftritt, verschwindet aus dem trainierten Wissen – mit potenziell fatalen Folgen.
Recruiting: Forrester berichtet, dass 2025 bereits 70 % der befragten Entwickler:innen verstärkte Fehler in KI-Pilotprojekten beobachteten. Ein Recruiting-Bot, der auf von KI bewerteten Bewerbungen trainiert wird, verstärkt bestehende Biases – bis er systematisch diskriminiert.
Content-Erstellung: KI-generierte Texte werden homogener, repetitiver und weniger informativ. Das Ada Lovelace Institute warnt: „Wenn KI-generierter Inhalt zurück in KI-Modelle gefüttert wird, dauert es nicht lange, bis wir in Unsinn ertrinken.“
Bildgenerierung: Ein abstrahiertes Bild von Dwayne „The Rock“ Johnson, das über Generationen so grundlegend und charakterlos wird, dass sich die Kubisten im Grab umdrehen würden – so die bildhafte Beschreibung des Ada Lovelace Institute.
Exkurs: Model Collapse im Anforderungsmanagement – die unsichtbare Gefahr
Dieser Abschnitt verknüpft Model Collapse direkt mit den Erkenntnissen aus unserem Artikel „Anforderungsmanagement 2026: Wenn die KI deine User Stories schreibt – wer denkt dann noch mit?“
Halluzinationen sind der Anfang – Model Collapse ist das Ende
In unserem Artikel zum Anforderungsmanagement 2026 haben wir ausführlich beschrieben, wie KI-generierte Anforderungen „überzeugend klingen – auch wenn sie falsch sind“. Das Fraunhofer IESE warnt dort: Generative KI füllt Lücken in Anforderungen mit plausibel erscheinenden, aber fachlich fatalen Annahmen. Das ist die erste Stufe des Problems.
Model Collapse ist die zweite Stufe – und die gefährlichere. Denn wenn diese fehlerhaften, halluzinierten Anforderungen nicht als solche markiert werden und anschließend in Trainingsdaten, Wissensdatenbanken oder Retrieval-Systeme (RAG) zurückfließen, entsteht genau die rekursive Feedbackschleife, die Shumailov beschreibt. Die KI trainiert auf ihren eigenen Fehlern – und die Fehler werden mit jeder Iteration subtiler, aber gravierender.
Konkretes Szenario: Wie Model Collapse ein RE-Team trifft
Stellen Sie sich ein Projektteam vor, das KI-gestützt Anforderungen erhebt – so, wie wir es in unserem RE-Artikel als Zukunftsszenario beschrieben haben:
Schritt 1: Das Team nutzt ein LLM, um aus Workshop-Protokollen User Stories zu generieren. Einige sind fachlich korrekt, andere enthalten subtile Fehler – etwa eine Anforderung, die eine nicht existierende Schnittstelle voraussetzt.
Schritt 2: Die Stories werden ohne gründliches menschliches Review in ein Anforderungsmanagement-Tool übernommen und dort als „validiert“ markiert.
Schritt 3: Sechs Monate später nutzt ein anderes Team denselben Anforderungsbestand als Trainingsgrundlage für ein internes Fine-Tuning oder als Knowledge Base für RAG. Die fehlerhafte Schnittstellenanforderung ist jetzt „Wahrheit“ im Modell.
Schritt 4: Neue Anforderungen, die auf Basis dieser Knowledge Base generiert werden, bauen auf dem Fehler auf. Die nicht existierende Schnittstelle taucht jetzt in fünf weiteren Stories auf. Kein Stakeholder hat sie je erwähnt. Aber das Modell ist sich sicher.
Das ist Model Collapse im Requirements Engineering. Nicht als abstraktes Forschungsergebnis – sondern als konkretes Projektrisiko.
Warum der KI-Halluzinationscheck aus dem RE-Artikel jetzt doppelt wichtig wird
In unserem RE-Artikel haben wir einen konkreten Tipp gegeben: „Führe einen KI-Halluzinationscheck ein. Jede KI-generierte Anforderung bekommt ein Label: KI-generiert – fachlich geprüft: ja/nein.“ Dieser Tipp war als Qualitätssicherungsmaßnahme gemeint.
Im Licht von Model Collapse wird er zur Überlebensstrategie. Denn das Label ist nicht nur ein Review-Werkzeug – es ist ein Data-Provenance-Marker. Es dokumentiert, welche Anforderungen menschlich validiert wurden und welche nicht. Und genau diese Unterscheidung ist der Schlüssel, um die Feedbackschleife zu unterbrechen, die zum Kollaps führt.
Der hybride RE-Prozess als Anti-Kollaps-Architektur
Die Prozess-Tabelle aus unserem Anforderungsmanagement-Artikel – in der wir sechs RE-Phasen in „Mensch“ und „KI“ aufgeteilt haben – lässt sich auch als Anti-Kollaps-Architektur lesen:
RE-Phase | Kollaps-Risiko ohne menschliches Review | Schutz durch hybriden Prozess |
Erhebung | KI transkribiert Interviews, interpretiert aber Kontext falsch. Fehlinterpretationen fließen als „Fakten“ in die Wissensbasis. | Mensch führt Interview, validiert Transkript. KI-Output wird als „ungeprüft“ markiert. |
Analyse | KI clustert Anforderungen und erfindet dabei Zusammenhänge, die nicht existieren. Nächste Generation übernimmt die Cluster. | Mensch bewertet Machbarkeit und Zielkonflikte. KI-Cluster werden als Vorschlag behandelt, nicht als Ergebnis. |
Dokumentation | KI generiert User Stories mit halluzinierten Akzeptanzkriterien. Diese werden als Trainingsmaterial wiederverwendet. | Mensch validiert fachliche Korrektheit. Nur geprüfte Stories erhalten das Label „fachlich freigegeben“. |
Prüfung | Automatische Qualitätsprüfung erkennt formale Fehler, aber keine inhaltlichen Halluzinationen. | Review im Stakeholder-Dialog. Fachliche Abnahme durch Domänenexperten – nicht durch die Maschine. |
Verwaltung | Automatische Versionierung übernimmt fehlerhafte Versionen kommentarlos. „Wahrheit“ driftet. | Strategische Priorisierung durch Menschen. Provenance-Tracking: Welche Version ist KI-generiert, welche menschlich geprüft? |
Validierung | Automatisiertes Testen prüft gegen fehlerhafte Akzeptanzkriterien – und bestätigt damit die Halluzination. | Finaler Abgleich mit echten Stakeholder-Erwartungen. Automatisierte Tests nur gegen menschlich freigegebene Kriterien. |
Fazit: Der hybride Prozess, den wir im RE-Artikel beschrieben haben, ist nicht nur eine Best Practice für bessere Anforderungen. Er ist die strukturelle Antwort auf Model Collapse. Jeder menschliche Review-Schritt ist ein Firewall gegen die rekursive Degradation der Datenqualität.
Domänenwissen als Gegengift
Eine der stärksten Thesen aus unserem Anforderungsmanagement-Artikel lautet: „KI wird Commodity – Domänenwissen wird zum Differenzierer.“ Im Kontext von Model Collapse bekommt diese These eine zusätzliche, fast existenzielle Bedeutung:
Wenn KI-generierte Inhalte durch rekursives Training immer generischer, durchschnittlicher und fehlerhafter werden, dann ist tiefes, menschliches Domänenwissen das Einzige, was den Output noch verankern kann. Wer versteht, dass die Schnittstelle nicht existiert, wer weiß, dass die Regulatorik sich geändert hat, wer spürt, dass der Stakeholder etwas anderes meinte als das, was die KI daraus gemacht hat – der ist nicht ersetzbar. Im Gegenteil: Je mächtiger die KI wird, desto wertvoller wird genau dieser Mensch.
Oder, wie wir es im RE-Artikel formuliert haben: „Die KI schreibt die User Story. Aber der Mensch versteht den User.“ Model Collapse zeigt: Ohne diesen Menschen fällt die ganze Architektur zusammen – nicht mit einem Knall, sondern mit einem schleichenden Qualitätsverlust, den niemand bemerkt, bis es zu spät ist.
Ist die Lage hoffnungslos? Was die Gegenforschung sagt
Nicht alle Forscher teilen den Alarmismus. Eine wichtige Gegenposition kommt von Matthias Gerstgrasser und Kolleg:innen (Stanford/Cornell, 2024), die zeigen: Wenn synthetische Daten sich über die Zeit zusammen mit menschlichen Daten akkumulieren – statt die alten Daten zu ersetzen – lässt sich der Kollaps vermeiden.
Ihr Argument: Das Szenario, in dem jede Generation alle vorherigen Daten löscht und nur auf dem Output der letzten Generation trainiert, ist unrealistisch. In der Praxis werden Trainingsdaten ergänzt, nicht ersetzt. Das ist eine wichtige Nuance.
Aber – und das ist ein großes Aber – dafür muss man wissen, welche Daten menschlich und welche synthetisch sind. Und genau hier liegt das Problem: Die Unterscheidung wird immer schwieriger. Die Wasserzeichen-Forschung (etwa von Kirchenbauer et al., 2023) arbeitet an Lösungen, aber ein Standard existiert noch nicht.
Übertragen auf das Anforderungsmanagement: Das Akkumulationsargument funktioniert nur, wenn Organisationen ihre menschlich validierten Anforderungen als solche kennzeichnen und dauerhaft vorhalten – nicht als „alte Version“ überschreiben. Das klingt trivial, ist es in der Praxis aber nicht. Wie viele RE-Teams dokumentieren sauber, welche Anforderung von einem Menschen und welche von einer KI stammt? Genau.
Die fünf Säulen gegen den Kollaps
Was können Unternehmen und Organisationen tun, um sich gegen Model Collapse zu schützen? Die aktuelle Forschung empfiehlt fünf zentrale Maßnahmen – und jede hat einen direkten Bezug zum Anforderungsmanagement:
Nr. | Maßnahme | Was das konkret bedeutet | Bezug zum Anforderungsmanagement |
1 | Data Provenance | Jeder Trainingsdatenpunkt braucht eine Herkunftsdokumentation: Woher stammt er? Menschlich oder synthetisch? | Jede Anforderung braucht das Label „KI-generiert – fachlich geprüft: ja/nein“ aus dem RE-Artikel. |
2 | Synthetik-Quoten | Den Anteil synthetischer Daten im Training bewusst begrenzen und gewichten. | Nicht alle Anforderungen von KI generieren lassen. Menschliche Erhebung (Interviews, Workshops) bleibt Pflicht. |
3 | Diversitäts-Monitoring | Messen, ob Modell-Outputs an Vielfalt verlieren – besonders bei Randfällen. | Prüfen, ob KI-generierte Anforderungen immer ähnlicher werden – ein Frühwarnsignal für Qualitätsverlust. |
4 | Slice-Based Evaluation | Performance auf spezifischen Daten-Slices messen: seltene Sprachen, Nischen, Edge Cases. | Anforderungsqualität nicht nur insgesamt bewerten, sondern gezielt für Randgruppen, seltene Nutzertypen, Compliance-Fälle. |
5 | Menschliche Daten schützen | Kuratierte, menschlich erstellte Datensätze werden zum strategischen Asset. | Domänenwissen der Requirements Engineers ist der wertvollste Rohstoff – nicht der KI-Output. |
Was das für die Digitalisierung in Unternehmen bedeutet
Model Collapse ist kein abstraktes Forschungsproblem. Es hat direkte Relevanz für jedes Unternehmen, das KI einsetzt oder einsetzen will:
Für KI-Strategie: Wer Modelle auf unkuratierte Daten trainiert oder Fine-Tuning mit unreflektiert zusammengescrapteten Daten betreibt, riskiert schleichende Qualitätsverluste, die erst auffallen, wenn es zu spät ist.
Für Content-Teams: KI-generierter Content, der als Trainingsdaten für die nächste KI-Generation dient, erzeugt eine Abwärtsspirale der Qualität. Die Lösung: menschliche Kuratierung und redaktionelle Qualitätskontrolle – nicht als „nice to have“, sondern als Pflicht.
Für Requirements Engineering: Wer KI-generierte Anforderungen unkritisch übernimmt und diese als Trainingsmaterial für interne Modelle verwendet, erschafft genau die Feedbackschleife, die zum Kollaps führt. Wie wir in unserem Artikel zum Anforderungsmanagement 2026 zeigen: Domänenwissen und menschliches Review sind kein Luxus – sie sind die letzte Verteidigungslinie.
Was GPI dazu beiträgt
Bei GPI beschäftigen wir uns täglich mit der Frage, wie KI sinnvoll, verantwortungsvoll und nachhaltig in Organisationen eingesetzt wird. Model Collapse ist eines der Phänomene, die zeigen, warum „KI einführen“ allein nicht reicht. Es braucht:
- KI-Readiness-Assessments (KI-RA): Bevor KI in Prozesse integriert wird, muss klar sein: Stimmt die Datenqualität? Gibt es Feedback-Schleifen? Werden Outputs kritisch hinterfragt? KI-RA prüft genau das – auch und gerade im Anforderungsmanagement, wie wir in unserem RE-Artikel beschrieben haben.
- Den hybriden RE-Prozess: Unser Sechs-Phasen-Modell für KI-gestütztes Anforderungsmanagement ist so konzipiert, dass in jeder Phase ein menschlicher Validierungsschritt die Feedbackschleife unterbricht. Das ist kein Overhead – das ist Model-Collapse-Prävention by Design.
- Die GPI Transformation Academy: Weiterbildung in Domänenwissen, Prompt-Kompetenz und kritischem KI-Einsatz. Denn wie wir im RE-Artikel argumentieren: Die beste KI hilft nichts, wenn niemand im Team die Branche, den Kunden oder die Regulatorik versteht.
- IREB-konforme Qualitätssicherung: Ali Sasmaz und sein Analytics-Team beraten nach den Standards des International Requirements Engineering Boards – inklusive des neuen AI4RE Micro-Credentials, das KI-Kompetenz als zertifizierbare Fähigkeit etabliert.
Fazit: Die wertvollste Ressource der KI-Ära ist der Mensch
Model Collapse lehrt uns eine paradoxe Lektion: Je mächtiger KI wird, desto wertvoller werden echte menschliche Daten, echtes menschliches Urteilsvermögen und echte menschliche Kreativität.
Die Habsburger dachten, sie könnten Qualität erhalten, indem sie nur innerhalb der eigenen Blutlinie heirateten. Das Ergebnis war das Gegenteil: Degeneration, Krankheit, Aussterben. KI-Modelle, die nur auf ihren eigenen Outputs trainiert werden, droht dasselbe Schicksal.
Die Lösung liegt nicht im Zurückdrehen der Technologie. Sie liegt im klugen Zusammenspiel von Mensch und Maschine. In kuratierter Datenqualität. In menschlicher Überprüfung. In der Erkenntnis, dass KI ein Werkzeug ist – nicht ein Ersatz für Denken.
Oder, um es mit den Worten aus unserem Anforderungsmanagement-Artikel zu sagen: Die KI schreibt die User Story. Aber der Mensch versteht den User. Und Model Collapse zeigt: Ohne dieses Verständnis schreibt die KI bald gar nichts Brauchbares mehr.
Die GPI Consulting GmbH begleitet Unternehmen und Organisationen bei der verantwortungsvollen Einführung und Nutzung von KI – von der Strategie über das Anforderungsmanagement bis zur nachhaltigen Implementierung.
➡ Anforderungsmanagement & KI: Den ganzen Artikel lesen
➡ Mehr über unsere Analytics-Leistungen
➡ KI-Readiness prüfen mit KI-RA
➡ Weiterbilden in der GPI Transformation Academy
Quellenverzeichnis
1 Shumailov, I. et al. – „AI models collapse when trained on recursively generated data“, Nature 631, 755–759 (Juli 2024)
2 Nature News – „AI models fed AI-generated data quickly spew nonsense“ (2024)
3 Borji, A. – „A Note on Shumailov et al.“, arXiv:2410.12954 (2024)
4 Strong Model Collapse – ICLR 2025 Spotlight Paper
5 Gerstgrasser, M. et al. – „Is Model Collapse Inevitable?“, arXiv:2404.01413 (2024)
6 Wikipedia – „Model collapse“
7 Ada Lovelace Institute – „Synthetic data, real harm“
8 CACM – „When AI Tools Train on AI Output: Model Collapse in Daily Workflows“
9 WINS Solutions – „The AI Model Collapse Risk is Not Solved in 2025“
10 Inria Lyon – Quentin Bertrand: „Could we see the collapse of generative AI?“
11 SDU – „Synthetic Data: A Potential Time Bomb Under the Internet“
12 Deepgram – „Echo Chamber of AI: Model Collapse Risks“
13 PanKri – „The AI Inbreeding Crisis“ (2025)
14 Kirchenbauer, J. et al. – „A Watermark for Large Language Models“, ICML 2023
15 GPI Consulting – „Anforderungsmanagement 2026: Wenn die KI deine User Stories schreibt“
16 Einsatz von LLMs
Bist du bereit, euer Unternehmen zu transformieren?
Lass uns gemeinsam eure digitale Transformation gestalten und maßgeschneiderte Lösungen für eure Herausforderungen entwickeln.
Unsere Strategie-Expert:innen analysieren deine bestehenden Prozesse und Strukturen, um eine erfolgreiche Transformation zu ermöglichen.
Mit unserer Technologieberatung triffst du die richtigen IT-Entscheidungen und implementierst neueste Technologien.
Durch unsere Analytics-Dienstleistungen optimieren wir deine Geschäftsprozesse für höhere Effizienz.
Und mit unseren agilen Methoden sorgen wir für eine flexible und effiziente Projektarbeit.
Vereinbare jetzt ein unverbindliches Erstgespräch und starte deine Reise in die Zukunft!
AutorIn
Sarah Ickert
Senior Beraterin bei GPI Consulting GmbH