66 Theoreme · 3 Säulen · MIT
Proof Layer.
Mathematisch verifizierte Marketing-Architektur.
Drei mathematisch unabhängige Beweis-Säulen unter den Produkten der opua-Brand-Family. Lean-4-Theoreme als formaler Beweis kritischer Eigenschaften, KAN-Shadow-Modelle als Cross-Validation, AMDP-Audit-Hashes als reproduzierbare Signatur jeder Entscheidung. Gebaut für regulierte Industrien, in denen Compliance-Erklärbarkeit nicht verhandelbar ist.
Warum mathematischer Beweis statt nur Tests
Tests prüfen Stichproben. Beweise prüfen alle möglichen Inputs.
Ein klassischer Unit-Test prüft die Frage: funktioniert mein Code bei diesen tausend Beispielen. Ein formales Theorem prüft die Frage: funktioniert mein Code für alle möglichen Inputs, die in der Produktion auftauchen können.
Diese Unterscheidung wird zur Schlüsselfrage, sobald ein Marketing-Agent autonom Budgets im sechs- oder siebenstelligen Bereich allokiert. nDSG Art. 22 und DSGVO Art. 22 verlangen erklärbare automatisierte Entscheidungen. Ein machine-checked Beweis ist die belastbarste Form von Erklärbarkeit, die heute lieferbar ist.
Drei Säulen
Mathematisch unabhängig, organisatorisch verbunden.
01
Lean 4 Theorem-Beweise
66 Theoreme produktiv verifiziert
Wir verifizieren kritische Eigenschaften unserer Auction-Engine und MMM-Pipeline formal mit Lean 4, einem Theorem-Prover aus Microsoft Research. Siebenundvierzig Theoreme decken die Nexbid-Auktionen ab (Truthfulness, Pareto-Effizienz, Manipulation-Resistance, Revenue-Equivalence), neunzehn weitere Theoreme adressieren das Marketing-Mix-Modeling (Budget-Konservierung, Non-Negativity, Determinismus, Monotonie). Der Lean-Compiler prüft diese Beweise in jeder Continuous-Integration-Pipeline neu.
Repository: github.com/nexbid-dev/protocol-commerce · Lizenz: MIT
02
KAN Shadow-Modelle
Interpretable ML als Cross-Check
Parallel zu jedem Bayesian-Modell läuft ein Kolmogorov-Arnold-Network als alternative, interpretierbare Architektur auf denselben Daten. Liegt die KAN-Empfehlung um mehr als fünfzehn Prozent vom Hauptmodell ab, flaggt das System eine Diskrepanz und blockiert die Auslieferung. Das ist Black-Box-Vermeidung mit zwei mathematisch unabhängigen Modellen — nicht mit einem rhetorischen Versprechen.
Implementiert in mmm-wizard und Nexbid · Open-Source-Implementierung folgt 2026
03
AMDP Audit-Hash-Standard
Kanonische Signatur jeder Entscheidung
Jede Agent-Entscheidung in unserem Stack wird über die kanonisch serialisierte JSON-Repräsentation des gesamten Decision-Kontexts gehasht — SHA-256, Ed25519-signiert, mit Hybrid-Migration zu ML-DSA-65 für post-quanten-Resistenz ab Sprint sechs. Diese Hash-Kette ist drei Monate später bit-identisch reproduzierbar und steht jeder Compliance-Officer-Anfrage als Beweis zur Verfügung. AMDP — Agent Marketing Data Protocol — ist das Bindeglied zwischen DCM, Nexbid, MMM-Wizard und AiCMO.
Standardisiert innerhalb der opua-Brand-Family · Spezifikation öffentlich
Branchen-Stufung
Drei Sicherheits-Stufen — wir arbeiten auf Stufe 2.
Stufe 0
Wir testen nicht.
In der Marketing-Tech-Branche überraschend häufig — besonders bei AI-Features, die schnell ausgerollt werden.
Stufe 1
Wir testen mit Unit- und Integration-Tests.
Industrielles Mindestmass. Prüft Stichproben, nicht alle möglichen Inputs. Edge-Cases können durchrutschen.
Stufe 2
Wir prüfen kritische Eigenschaften formal mit einem Theorem-Prover.
Auf dieser Stufe arbeiten wir. Die Beweise sind in der CI-Pipeline integriert, blockieren bei Bruch automatisch jeden Merge.
In welchen Produkten
Drei Produkte, gleiches Verification-Pattern.
Agentische Auctions
Nexbid
47 Theoreme
Truthfulness im Sinne von Vickrey-Inzentiven, Pareto-Effizienz der Allokation, Manipulations-Resistenz gegen koordinierte Bid-Strategien, Konservierung der Bietbudgets, Determinismus der Ranking-Funktion.
Budget-Allokation
MMM-Wizard
19 Theoreme
Budget-Konservierung über die gesamte Channel-Allokation, Non-Negativity der Empfehlungen, Determinismus bei identischem Seed, Monotonie der Channel-Empfehlung.
Equity-Recommendation
Mineralis
in Vorbereitung
Monotonie gegenüber fundamentalen Bewertungs-Kennzahlen, Determinismus der Ranking-Funktion, keine zyklischen Empfehlungs-Schleifen. Mineralis ist unser drittes Produkt, das das Pattern übernimmt — Lean 4 als Brand-Family-Standard.
Für wen
Gebaut für Industrien, in denen Beweisbarkeit Eintrittskarte ist.
Banken
nDSG Art. 22 und DSGVO Art. 22 verlangen erklärbare automatisierte Entscheidungen. Ein machine-checked Lean-4-Beweis ist die belastbarste Form von Erklärbarkeit, die ein Software-Anbieter heute liefern kann.
Versicherungen
FINMA-Anforderungen an Algorithmen-Transparenz im Brand- und Customer-Communications-Bereich. Reproduzierbarkeits-Token erlaubt drei Monate nachträglich bit-identische Rekonstruktion.
Pharma
Off-Label-Risiken in agentischer Werbung, Patient-Communication-Mandate, EMA/Swissmedic-relevante Audit-Trails. Beweisbarkeit als Eintrittskarte in den Audit-Prozess.
Public Sector
Öffentliche Auftraggeber verlangen zunehmend Open-Source-Komponenten mit nachvollziehbarer Sicherheit. MIT-lizensierte Theoreme als Antwort auf diese Anforderung.
Häufige Fragen
Warum Lean 4 und nicht ein anderer Theorem-Prover?
Lean 4 vereint mathematische Beweise und Software-Verifikation in einer einzigen Sprache. Es ist seit etwa 2021 produktiv, hat sich in der akademischen Mathematik schnell etabliert (Liquid Tensor Experiment, Scholze-Theorem), und ist in der industriellen Anwendung von Cloudflare, AWS, Linux-Kernel-Komponenten und Smart-Contract-Verifikation in den letzten zwei Jahren ankommen. Coq und Isabelle wären methodisch gleichwertig, aber das Tooling und die Community-Dynamik sprechen heute für Lean 4.Warum MIT statt proprietär?
Drei Gründe. Erstens Trust-Signal: ein Compliance-Officer kann die Theoreme direkt im Repository einsehen statt unseren Marketing-Aussagen zu vertrauen. Zweitens Cross-Brand-Effizienz: dieselbe Methodik wird in Nexbid, MMM-Wizard und Mineralis wiederverwendet — Open-Source-Lizenz erleichtert die interne Wiederverwendung. Drittens Ökosystem-Beitrag: wir sind nicht der erste Player, der Lean 4 industriell nutzt, aber wir sind der erste in der Marketing-Tech — und wir wollen das Pattern auch in der Branche anschlussfähig halten.Warum KAN als Shadow-Modell statt einfach mehr Tests?
Tests prüfen Stichproben gegen erwartete Outputs. Sie erkennen nicht, wenn ein Modell innerhalb der Test-Stichproben gut, aber zwischen den Stichproben strukturell falsch entscheidet. KAN bietet hier eine zweite, mathematisch unabhängige Architektur, die parallel rechnet und bei Modell-Divergenz aktiv flaggt. Es ist nicht 'mehr Tests', es ist 'eine zweite Antwort aus einer anderen mathematischen Familie'.Werden Lean-4-Beweise von realen Compliance-Officern akzeptiert?
In den Branchen, in denen wir aktiv sind — Banking, Pharma, Versicherung — ja. Compliance-Officer kennen die Methodik aus der Crypto- und Security-Welt. Was neu ist, ist die Anwendung auf Marketing- und Allokations-Algorithmen. Wir liefern bei jedem Mandat die Theorem-IDs, die CI-Run-IDs und die Repository-Commits, sodass eine externe Validierung ohne Vendor-Lock-in möglich ist.Wie sieht ein konkreter Beweis-Nachweis im Audit aus?
Drei Artefakte. Erstens das Theorem-File im öffentlichen Repository mit Datum, Commit-SHA und Beweis-Skript in Lean 4. Zweitens die Continuous-Integration-Run-ID des letzten erfolgreichen Beweis-Laufs, abrufbar über github.com/nexbid-dev. Drittens der Reproducibility-Token jeder konkreten Entscheidung — eine Kombination aus Input-Data-Hash, Config-Hash und Output-Hash, mit der jeder Run drei Monate später bit-identisch wiederholbar ist. Diese drei Artefakte zusammen sind das, was wir einem internen Audit liefern.
Beweis statt Bauchgefühl. Offen einsehbar.
Alle 66 Theoreme sind im öffentlichen Repository unter MIT-Lizenz einsehbar. Für CTOs, Compliance-Officer und Tech-Investoren bieten wir vertiefte Theorem-Walkthroughs.