Butterfly Sciences

Hinweis: Diese Analyse basiert ausschließlich auf der vom Autor bereitgestellten, selbstberichteten Projektdescription. Es sind keine externen Verifizierungen, archivierten Historien oder Drittanbieterquellen verfügbar. Alle Behauptungen in diesem Bericht sind als entweder "belegt" oder "abgeleitet" gekennzeichnet, und jede Aussage muss auf die ursprüngliche Beschreibung zurückverfolgt werden.

Die Beschreibung besagt, dass Butterfly Sciences ein Forschungsarbeitsumfeld ist, das vollständig im Browser läuft und API-Schlüssel von Anbietern wie OpenAI, Anthropic, OpenRouter und NVIDIA NIM nutzt. Es unterstützt:

• Literaturrecherche über Semantic Scholar, OpenAlex, CrossRef und arXiv.
• Grounded Generation, bei der jede Aussage einen Zitationsmarker [n] enthält, der auf echte Papers verweist.
• Ein Multi-Model-"LLM Council", das Fragen unabhängig beantwortet, Antworten anonym bewertet und finale Ausgaben synthetisiert.
• Agent-Modus für autonome Literaturrecherchen und Code-Suchen.
• Reviewer-Agent, der Zitate gegen Quellen prüft.
• Papers-Modus mit lokalem RAG über persönliche PDFs.
• Dokument-Artefakte, exportierbar nach Word, LaTeX, Excel, Markdown.
• Code Lab zur Implementierung und Ausführung wissenschaftlicher Methoden im Browser über Pyodide.
• Browser-native Ausführung von Python, Embeddings und 3D-Tiefenschätzung.

Belegt aus: Der Projektbeschreibung.

Der Autor positioniert Butterfly Sciences als ein Tool, das aktuelle KI-Forschungsassistenten verbessert, indem es drei Kernprobleme adressiert:

1. Halluzination – Modelle zitieren fiktive Referenzen.
2. Fehlende Peer-Review – Antworten kommen ohne zweite Meinung.
3. Vergängliche Ausgaben – Ergebnisse sterben in Chat-Fenstern, anstatt zu Papers oder Datensätzen zu werden.

Das Projekt entwickelte sich aus drei Ideen:

• Andrej Karpathys llm-council-Experiment.
• Grounding von Modellen in echter Literatur.
• Ergebnisse, die sich in wissenschaftliche Berichte kompilieren lassen.

Belegt aus: Dem "Inspiration"-Abschnitt der Projektbeschreibung.

Die Beschreibung benennt keinen expliziten Zielkunden oder definiert ein ideales Kundenprofil (ICP). Es wird jedoch impliziert, dass das Tool an Forscher gerichtet ist, die KI für Literaturrecherchen und wissenschaftliches Schreiben nutzen. Es ist darauf ausgelegt, Workflows zu unterstützen, die sich mit reproduzierbarer Wissenschaft, Zitationsintegrität und der Erstellung von Ausarbeitungen befassen.

Abgeleitet aus: Den genannten Zielen der Verankerung, Peer-Review und Reproduzierbarkeit in der Forschung.

In der Beschreibung gibt es keine Hinweise auf ein Geschäftsmodell oder eine Preisstrategie. Der Autor stellt fest, dass das Tool lokal läuft und keine serverseitige Speicherung erfolgt, und dass die Nutzer ihre eigenen API-Schlüssel bereitstellen – was darauf hindeutet, dass kein direkter Monetarisierungsmechanismus beschrieben wird.

nicht belegt.

Das Projekt wird mit folgenden Technologien erstellt:

• Frontend: Next.js 15, React 19, TypeScript, Tailwind
• Backend (nur clientseitig): IndexedDB für Persistenz, Pyodide für Python-Ausführung, transformers.js für Embeddings, pdf.js für PDF-Parsing
• Streaming-Protokoll: normalisierte SSE-Events von mehreren Anbietern (OpenAI, Anthropic, OpenRouter, NVIDIA NIM)
• Exportformate: Word, LaTeX, Excel, Markdown
• UI-Funktionen: Live-Dokumentvorschau, Audit-Trails, einklappbare Panels, viewport-bewusste Menüs

Belegt durch: Den Abschnitt "How I built it".

Es gibt keine Hinweise auf Traction, Umsatz oder Kundenakzeptanz. Der Autor beschreibt die persönliche Nutzung des Tools und den Aufbau einer funktionierenden Pipeline, erwähnt jedoch keine Nutzer, Kunden oder Indikatoren für Product-Market-Fit.

nicht belegt.

Die Beschreibung benennt keine Wettbewerber oder beschreibt, wie Butterfly Sciences in bestehende KI-Forschungstools oder -plattformen eingebettet ist. Es wird impliziert, dass aktuelle Tools an Strenge in Bezug auf Zitation und Reproduzierbarkeit mangeln, es werden jedoch keine spezifischen Alternativen referenziert.

nicht belegt.

• Keine Traction oder Akzeptanz — das Tool wird nur als persönliche Nutzung beschrieben.
• Hohe technische Komplexität — die Ausführung komplexer Berechnungen (Python, Embeddings) im Browser kann die Skalierbarkeit oder Benutzerfreundlichkeit einschränken.
• Keine Monetarisierungsstrategie — stützt sich auf nutzerbereitgestellte API-Schlüssel und hat kein Umsatzmodell.
• Begrenzter Umfang — für einzelne Forscher entwickelt; unklar, ob es auf Teams oder Institutionen skaliert.
• Selbstberichtete Reife — der Autor gibt an, stolz auf eine "working pipeline" zu sein, dies ist jedoch nicht unabhängig verifiziert.

Abgeleitet aus: Dem Fehlen externer Validierung, eines Geschäftsmodells und von Nutzerdaten.

1. Was ist Ihr tatsächliches Nutzungsmuster? Nutzen Sie es für persönliche Forschung oder in Zusammenarbeit mit anderen?
2. Wie planen Sie, dieses Tool zu monetarisieren, wenn es clientseitig bleibt und sich auf API-Schlüssel stützt?
3. Haben Sie das Tool mit anderen Forschern getestet, oder ist es rein experimentell?
4. Was sind die Leistungsgrenzen bei der Ausführung von Python und Embeddings im Browser?
5. Gibt es Pläne für Kollaborationsfunktionen oder teambasierte Workflows?

Abgeleitet aus: Dem Fehlen externer Belege und Product-Market-Fit.