CardScope

Was das Unternehmen zu sein scheint: CardScope ist eine selbstberichtete plattformübergreifende mobile Anwendung, die entwickelt wurde, um Pokémon-Karten in Echtzeit mithilfe von On-Device-Machine-Learning (ML) zu scannen, mit dem Ziel, Kartennachweise schnell zu identifizieren und einen effizienten Handel auf Kartenausstellungen zu ermöglichen. Die App verwendet eine destillierte Version eines größeren ML-Modells (Google SigLip), das so trainiert wurde, dass es lokal auf Smartphones läuft und keine Abhängigkeit von Internetverbindung oder Cloud-Verarbeitung besteht.

Was sich geändert hat: Das Projekt wurde als Einreichung für den OpenAI 2026 Hackathon erstellt. Es wird als Proof-of-Concept beschrieben, ohne Hinweise auf kommerzielle Traction, Umsatz oder Nutzerakzeptanz. Das Team behauptet, ein ML-Modell entwickelt zu haben, das On-Device laufen kann und Kartenerkennung sowie Wertabfrage in Echtzeit durchführt.

Wichtigste offene Frage: Gibt es Hinweise darauf, dass die App über das lokale Netzwerk der Gründer hinaus an Nutzer veröffentlicht wurde, oder dass sie eine bedeutende Nutzung oder Rückmeldungen von externen Nutzern erzielt hat?

Die Beschreibung besagt, dass CardScope eine mobile Anwendung ist, die:

• Pokémon-Karten in Echtzeit mithilfe von On-Device-Machine-Learning scannt.
• Bounding-Boxes von Karten erkennt und diese für die Verarbeitung zuschneidet.
• Ein Embedding-Modell verwendet, um in einer Datenbank japanischer und englischer Pokémon-Karten zu suchen.
• Preisinformationen von großen Seiten bereitstellt.
• Nutzern ermöglicht, Sammlungen zu verwalten, Untersammlungen zu erstellen und den Gesamtwert anzuzeigen.

Es wird beschrieben, dass die App vollständig On-Device läuft, um auch bei schlechter Internetverbindung, wie etwa auf Kartenausstellungen, zu funktionieren.

Evidenz: Selbstberichtet durch die Autoren. Keine unabhängige Verifizierung oder Demonstration vorhanden.

Die Projektbeschreibung besagt, dass CardScope entwickelt wurde, um Probleme zu lösen, mit denen Pokémon-Kartenhändler konfrontiert sind:

• Manuelle Preisabfragen sind mühsam.
• Bestehende Apps unterstützen nur den US-Markt.
• Das Scannen einzelner Karten ist ineffizient.
• Cloud-basiertes Scannen funktioniert in Gebieten mit schlechtem Internet nicht.

Es positioniert sich als Lösung für schnelles, plattformübergreifendes, On-Device-Scannen und Wertabfrage von Karten.

Schlussfolgerung: Die Positionierung spiegelt die persönliche Erfahrung der Autoren wider, anstatt auf Marktforschung oder Nutzervalidierung zu beruhen. Es ist nicht klar, ob dies einen breiteren Marktbedarf über den eigenen Anwendungsfall hinaus adressiert.

Die Beschreibung besagt, dass die App Pokémon-Kartenhändler anspricht, die lokale Ligen und Kartenausstellungen besuchen, wo die Internetverbindung möglicherweise unzuverlässig ist.

Evidenz: Selbstberichtet durch die Autoren. Es werden keine Daten zu Kundensegmenten oder Personas bereitgestellt.

In der Beschreibung gibt es keine Hinweise auf ein Geschäftsmodell oder eine Preisstrategie. Das Projekt wird als Hackathon-Einreichung beschrieben, ohne Hinweise auf Monetarisierungspläne, Abonnements oder kostenpflichtige Funktionen.

Evidenz: Nicht belegt.

Die App wird mit folgenden Komponenten erstellt:

• Plattformübergreifende Tools (Expo.io)
• On-Device-ML-Modelle (RepViT, destilliert aus Google SigLip)
• Mobile Entwicklungsframeworks (Swift, Android)
• KI-Experimente über Codex und GPT-5.6 Sol Pro
• Backend-Komponenten wie Drizzle, Turso, CoreML

Das Team berichtet, dass es einen Teacher-Student-Modellansatz verwendet hat, um die Leistung für mobile Geräte zu optimieren.

Beleg: Selbstgemeldet von den Autoren. Es liegt keine unabhängige technische Überprüfung oder Produktvorführung vor.

Es gibt keine Hinweise auf Traction, Umsatz, Kunden oder Nutzerakzeptanz über die lokalen Tests der Gründer und das Feedback von Freunden in einer Pokémon League hinaus.

Das Projekt wurde einem Hackathon vorgelegt und ist noch nicht in öffentlichen App-Stores veröffentlicht worden.

Beleg: Nicht belegt.

Die Beschreibung erwähnt, dass bestehende Apps den europäischen Markt nicht unterstützen und nur das Scannen einzelner Karten erlauben. Es gibt jedoch keine Erwähnung von Wettbewerbern oder einer Marktanalyse über diese Aussagen hinaus.

Beleg: Selbstgemeldet von den Autoren. Keine Daten zur Wettbewerbslandschaft angegeben.

• Ungeprüfte Behauptungen: Alle Beschreibungen sind selbstgemeldet und ungeprüft.
• Keine kommerzielle Traction: Keine Hinweise auf Nutzer, Umsatz oder Akzeptanz.
• Begrenzter Umfang: Die App scheint ein Prototyp zu sein, der für einen Hackathon erstellt wurde, ohne Hinweise auf Skalierbarkeit oder langfristige Tragfähigkeit.
• Gründerabhängigkeit: Nur ein Teammitglied (Gaden) wird erwähnt; es werden keine weiteren Teamstrukturen oder Rollen beschrieben.
• Unklarer Monetarisierungsweg: Keine Hinweise darauf, wie das Produkt Einnahmen generieren wird.

Schlussfolgerung: Das Fehlen jeglicher externer Validierung, Nutzerfeedbacks oder kommerzieller Aktivitäten wirft Fragen auf, ob dies eine tragfähige Geschäftsmöglichkeit darstellt.

1. Ist die App an Nutzer außerhalb Ihres lokalen Netzwerks veröffentlicht worden?
2. Wie ist der aktuelle Stand des On-Device-ML-Modells in Bezug auf Genauigkeit und Leistung?
3. Gibt es Pläne zur Monetarisierung oder Nutzerakquise über die ersten Tests hinaus?
4. Wie planen Sie, die Kartendatenbank und die Preisdatenquellen zu skalieren?
5. Haben Sie in Betracht gezogen, wie Randfälle wie Scans schlechter Qualität, beschädigte Karten oder Nicht-Pokémon-Karten behandelt werden sollen?