Technischer Berater für Deep-Tech-Startups in der Frühphase
Wenn Geld, Leute und Zeit knapp sind, helfe ich Gründern trotzdem, Produkt, Team und Strategie aufzubauen. Unkonventionelle Wege, wo sie sich auszahlen, keine Abkürzungen bei Kunden oder Compliance.
Vier Wege der Zusammenarbeit. Jeder folgt demselben Ansatz: weiter kommen mit den Leuten, dem Geld und der Zeit, die Sie tatsächlich haben.
Fractional CTO für die Phase, bevor Sie einen einstellen können. Produkt- und Architekturentscheidungen, Aufbau des Engineering-Teams, die technische Geschichte für Ihre nächste Runde.
Mehr lesenFür Investoren und Gründer vor einer Runde oder Übernahme. Code, Architektur, Team und Behauptungen, geprüft von jemandem, der die Art Produkt selbst gebaut hat. Drei Tiefen.
Mehr lesenVor dem Product-Market-Fit: Was zuerst bauen, was kaufen, was weglassen, wen einstellen. Kurze Sprints mit einer Entscheidung am Ende.
Mehr lesenMachbarkeit und System-Design für agentische KI- und Robotikprodukte, mit Sicherheit und regulatorischer Reife von Anfang an eingebaut statt nachträglich angeschraubt.
Mehr lesenDer Plan ist für die Runway gebaut, die Sie haben, nicht für die, die Sie sich wünschen.
Wenn der gerade Weg gesperrt ist, gibt es meist einen anderen. Ihn zu finden ist die Aufgabe.
Abkürzungen, die beim Kunden ankommen, sind keine Abkürzungen. Alles andere ist erlaubt.
CE-, ISO- und EU-AI-Act-Reife früh im Entwurf, damit es Wochen kostet und keinen Neubau.
Ich bin Abhishek Nair, Maschinenbauingenieur, der Robotik und KI baut, in Berlin. Ich habe zwei Startups mitgegründet, Engineering und Compliance in regulierter Robotik geleitet und KI-Systeme in Produktion gebracht. Ich führe Padawanabhi, eine kleine Beratung für Gründer, die mit wenig viel erreichen müssen.
Mehr über mich
KI/ML
Im Juli erschienen innerhalb von siebzehn Tagen vier Frontier-KI-Modelle, und mein Stack brauchte eine einzige Konfigurationsänderung. Was den Wechsel abgefedert hat, warum das Gefühl von Produktivität täuscht und wann eine Modellveröffentlichung trotzdem Beachtung verdient.
AI/ML
Nachdem Metriken weiterhin degenerierte Gänge übersahen und LLM-iterierte Belohnungen an der Überlebensklippe scheiterten, haben wir ein Vision-Language-Modell als Fitness-Scorer ausprobiert. Das VLM war strenger als Metriken und lieferte umsetzbare Fehlerbeschreibungen — und es bewertete einen zusammenbrechenden Roboter mit 62/100. Eine Fallstudie zur ehrlichen Bewertung, plus dem vierschichtigen Evaluierungsstack, auf den wir uns geeinigt haben.
AI/ML
Wir haben die Eureka-Methodik von NVIDIA — ein LLM, das iterativ Belohnungsfunktionen für einen RL-Agenten vorschlägt — auf humanoides Kaltstart-Gehen angewendet. 24 Kandidaten in zwei Runden, alle fielen bis Schritt 70. Das LLM war durchdacht; die Überlebensklippe war Zustandsraumabdeckung, kein Belohnungsdesign.
Erzählen Sie mir, was Sie bauen und was im Weg steht. Ich antworte innerhalb eines Werktags, meist mit einem ersten Gedanken, nicht mit einem Verkaufsgespräch.