Max Nardit

Max Nardit

Data & AI Systems Engineer mit Fokus auf Sichtbarkeit, Messung und agentische Systeme.

KI sitzt heute zwischen den Menschen und dem, was sie suchen, und zwischen der Arbeit und der Software, auf der sie läuft. Sie antwortet, leitet weiter, erinnert sich, vergisst und handelt inzwischen von selbst. Meist, bevor jemand prüfen kann, ob das Ergebnis stimmt. Ich untersuche diese Schicht mit Originaldaten und baue die Tools, um darin zu arbeiten. Mein Hintergrund ist die Angebotsseite des Digital Marketing: das Crawling, die Analytics, die Automatisierung und das Reporting, die Leitungen unter dem, was nach Marketing aussah. Das Marketing war nie das eigentliche Problem. Sichtbarkeit, Messung und Kontrolle waren es. KI hat dieses Problem nicht kleiner gemacht. Sie hat es dorthin verschoben, wo man es nicht sieht.

Ausgewählte Zusammenarbeit →Über mich →

Beetroot vorgestellt in 窓の杜 (Japan) · Forschung mit Originaldaten · veröffentlichte Open-Source-Tools

die Systeme, die entscheiden:

was wird gefunden,

bekommt Vertrauen, wird genutzt

These

Operating Thesis

KI verändert zwei Dinge gleichzeitig: wie Menschen Informationen finden und wie Arbeit durch Software läuft.

Dieser Wandel ist nicht nur ein Suchproblem. Er betrifft Tracking, Attribution, Kontext, Memory, Handoff und Vertrauen: die Systeme, die entscheiden, was eine Person sieht, bevor sie eine Wahl trifft.

An dieser Schicht arbeite ich. Ein Teil davon ist Forschung: messen, was sich ändert, und veröffentlichen, was standhält. Ein Teil ist Engineering: Tools und Workflows bauen, die Kontext halten, Fehler sichtbar machen und KI-gestützte Arbeit überprüfbar halten.

Fokus

Aktuelle Bereiche

Sichtbarkeit & Discovery
Wie Menschen, Unternehmen und Tools auffindbar bleiben, wenn KI-Systeme antworten, zusammenfassen, routen und handeln.
Messung & Tracking
Wie man weiß, was funktioniert, wenn Klicks, Cookies, Referrals und Dashboards nicht mehr die ganze Geschichte erzählen.
Agentische Systeme
Memory, Handoff, Orchestrierung, Tool-Grenzen und Recovery für Agenten, die reale Workflows berühren.
Operative Evidenz
Forschung mit Originaldaten, Field Notes und veröffentlichte Tools. Befunde statt Prognosen.

Texte

Neuere Texte

Alle Artikel →

Weck mich für die Entscheidung, nicht für den Tastendruck

Genehmigungsabfragen pro Befehl trainieren die Person am Steuer darauf, im Reflex zuzustimmen, und ungefähr eine von drei absichtlich gefährlichen Anfragen wird einfach durchgewunken. Die Unterbrechungen, die sich noch lohnen, sind die seltenen, lesbaren: eine Aktion, die sich nicht rückgängig machen lässt, eine, die aus der Sandbox hinausreicht, oder ein Ansatz, der schon dreimal gescheitert ist.

Die Injection, gegen die kein Review hilft

Code-Injection wird an der Naht gestoppt, an der Daten zu Code werden, indem man eine ganze syntaktische Klasse ablehnt statt jeden Einzelfall abzuwägen. Das trägt überall dort, wo diese Grenze entscheidbar ist, also genau die Eigenschaft, die Prompt-Injection in natürlicher Sprache nie besitzt.

Setz das agentischere Modell auf den Review-Platz

Die Eigenschaften, die ein Modell agentischer machen (es erweitert den Scope, prüft sich ungefragt, schreibt länger), sind in einem eng begrenzten unbeaufsichtigten Worker ein Nachteil und in einem Reviewer ein Vorteil. Also laufen die Worker der Flotte auf Claude Opus 4.8, während Opus 5 das Review macht. Eine Notiz darüber, die Disposition eines Modells auf seine Rolle abzustimmen, nicht auf den Benchmark.

Kontakt

Kontakt

E-Mail und Telegram funktionieren beide. Telegram ist schneller.

max@nardit.com