Archivposition — gemessen, nicht Modell-Ausgabe
Likes auf Devpost: 1
Platz #1.055 von 7.848 Projekten in diesem Archiv, nach Community-Likes.
Projekte (Log-Skala)
Likes auf Devpost. ▲ markiert die Gruppe dieses Projekts.
Diagramme anzeigen
| Likes | Projekte | Anteil des Archivs |
|---|---|---|
| 0 | 5.585 | 71,2% |
| 1 | 1.758 | 22,4% |
| 2 | 284 | 3,6% |
| 3–4 | 132 | 1,7% |
| 5–9 | 75 | 1,0% |
| 10+ | 14 | 0,2% |
User Stories BotA demo video on every pull request
Get a demo video on every new feature
GitHub App that watches your pull requests and records a narrated, captioned demo.
Save time on demo prep and make informed decisions faster with a video walkthrough of every new feature.
Executive Summary
Wofür das Unternehmen offenbar steht
Fibber ist eine adversäre Plattform für klinisches Reasoning, die für die medizinische Ausbildung konzipiert ist. Sie nutzt ein Large Language Model (GPT-5.6), um schwierige Patienten zu simulieren, die lügen, Symptome minimieren, Informationen verbergen oder während simulierter Patientengespräche in die Irre führen. Das System basiert auf einer deterministischen Engine, die Regeln und Scoring durchsetzt, während das LLM die Rolle eines täuschenden Patienten spielt.
Was sich geändert hat
Das Projekt entwickelte sich aus der Idee, ein Werkzeug für die Lehre am Krankenbett in der Notfallmedizin zu erstellen, zu einer Plattform, die adversäre klinische Interaktionen mithilfe von KI simuliert. Es wurde im Rahmen des OpenAI 2026 Hackathons eingereicht.
Wichtigste offene Frage
Gibt es für diese Plattform Belege für Traction, Umsatz oder Adoption durch medizinische Institutionen? Die Beschreibung ist vollständig selbst gemeldet und enthält keine Daten zu Nutzung, Kunden oder kommerzieller Tragfähigkeit über die Aussage des Autors hinaus.
Was das Produkt tatsächlich ist
Die Beschreibung besagt, dass Fibber ein adversäres Spiel für klinisches Reasoning ist. Es simuliert schwierige Patienten mit GPT-5.6, die Täuschungsmuster (Minimizer, Concealer, Misdirector) befolgen. Das System umfasst:
- Eine Verschlechterungsuhr, die an skizzierte Vitalparameter gekoppelt ist
- Fragelimits pro Begegnung
- Ein simuliertes Stewardship-Budget
- CTF-ähnliche Flag-Scoring für extrahierte Wahrheiten
- Ein sokratischer Prüfer, der das Reasoning nach der Diagnose neu aufbaut
- Ein deterministischer Fallback für offline-Judging
Die Plattform nutzt eine regelbasierte Engine, in der das Modell handeln, aber nie entscheiden darf, was wahr ist. Die klinische Wahrheit liegt in verfassten JSON-Fällen, die beim Start durch Zod validiert werden.
Positionierung & Claim-Entwicklung
Der Autor behauptet, dass Fibber diagnostische Fehler in der Medizin adressiert, die seiner Aussage zufolge jährlich 371,000 Menschen in den USA töten. Er positioniert es als Lösung für das Problem, dass standardisierte Patientendarsteller teuer und schwer skalierbar sind, insbesondere da der USMLE 2021 Step 2 CS eingestellt hat.
Die Plattform wird als Alternative zu traditionellen Methoden der medizinischen Ausbildung positioniert, die das Verhalten echter Patienten nicht simulieren. Der Autor gibt an, dass er Fibber mit seinen eigenen Studenten gegen den Standard-Vignetten-Unterricht pilotieren möchte, um zu messen, ob die Flag-Extraktion auf die Leistung bei standardisierten Patienten übertragbar ist.
Zielkunde & ICP
Die Beschreibung gibt an, dass die Zielkunden Medizinstudenten und in Ausbildung befindliche Kliniker sind, insbesondere solche in Notaufnahmen. Der Autor arbeitet in einer Notaufnahme und bildet Medizinstudenten am Krankenbett aus.
Die Plattform scheint konzipiert zu sein für:
- Medizinische Ausbilder
- Trainees in der Notfallmedizin
- Institutionen, die skalierbare Schulungen im klinischen Reasoning suchen
Es gibt jedoch keine Belege für eine spezifische institutionelle Adoption oder Kundendaten.
Business Model & Preisbelege
Nicht belegt. Die Beschreibung enthält keine Informationen zu Preisen, Umsatzquellen oder Geschäftsmodell.
Technische & Auslieferungs-Signale
Die Plattform wird mit folgenden Komponenten erstellt:
- GPT-5.6 (aufgerufen über die offizielle Responses API)
- TypeScript-Engine
- React-Oberfläche
- Express API mit Rate Limits und Session-Serialisierung
- Codex für Schema, Engine, API und Test-Suite
- JSON-basierte Fallvalidierung mit Zod
- Deterministischer Fallback für den Offline-Betrieb
Das System umfasst:
- Regeldurchsetzung über eine deterministische Engine
- Faktenzitierprotokoll mit serverseitiger Ablehnung
- 48 automatisierte Tests zur Spielbalance
- Konfigurierbare Modell-ID (Standardwert: gpt-5.6-sol)
- Schemavalidierung und Testsuite erstellt von Codex
Traction & Reifegrad-Signale
Nicht belegt. Die Beschreibung enthält keine Informationen zu:
- Umsatz oder Finanzierung
- Kundenbasis oder Verbreitung
- Nutzungsdaten
- Produktreife über den Prototypen-Stadium hinaus
- Marktdurchdringung
Der Autor erwähnt Live-Tests mit eigenen Studierenden, diese sind jedoch nicht quantifiziert.
Wettbewerbskontext
Nicht belegt. Die Beschreibung enthält keine Informationen zu Wettbewerbern, Marktpositionierung oder Wettbewerbslandschaft.
Offene Fragen & Risiken
Wesentliche Risiken
- Keine Belege für kommerzielle Tragfähigkeit oder Marktdurchdringung
- Die Plattform scheint ein für einen Hackathon entwickelter Prototyp zu sein
- Abhängigkeit von GPT-5.6, das möglicherweise nicht in großem Maßstab verfügbar ist
- Begrenzt auf ein Teammitglied (Rifqi Haikal)
- Keine Belege für institutionelle Übernahme oder Marktvalidierung
Offene Fragen
- Nur selbst gemeldet, keine unabhängige Verifizierung
- Keine Daten zu Umsatz, Kunden oder Marktdurchdringung angegeben
- Plattform von einem einzelnen Entwickler erstellt, ohne erkennbaren Kommerzialisierungsplan
- Begrenzt auf drei Fallbeispiele (inferiorer STEMI, okkultes GI-Blutungsereignis, spinaler Epiduralabszess)
- Keine Belege für Skalierbarkeit über den Prototypen hinaus
Fragen, die die Beschreibung offenlässt
- Was ist der tatsächliche Marktbedarf für diese Plattform? Wie viele medizinische Fakultäten oder Ausbildungsinstitutionen sind an einer Übernahme interessiert?
- Haben Sie Pilotstudien mit tatsächlichen Studierenden oder Dozenten durchgeführt?
- Was sind Ihre Pläne zur Skalierung über den aktuellen Prototypen hinaus?
- Wie planen Sie, diese Plattform zu monetarisieren?
- Welches spezifisches Feedback haben Sie von medizinischen Dozenten über die Nützlichkeit der Plattform erhalten?
- Gibt es institutionelle Partnerschaften oder laufende Pilotprogramme?
- Was ist der Zeitplan für den Übergang vom Prototypen zum kommerziellen Produkt?
- Wie planen Sie, regulatorische und ethische Aspekte im Umgang mit KI in der medizinischen Ausbildung zu handhaben?
Gesamtbewertung
Nicht belegt. Die Beschreibung liefert keine Informationen zu:
- Finanzielle Leistung
- Kundenbasis oder Verbreitung
- Umsatzquellen
- Marktdurchdringung
- Kommerzielle Tragfähigkeit
- Finanzierungsstatus
Die Plattform scheint ein von einem einzelnen Entwickler (Rifqi Haikal) für einen Hackathon entwickelter Prototyp zu sein. Es gibt keine Belege für Kommerzialisierung, institutionelle Übernahme oder Marktvalidierung über die eigene Darstellung des Autors hinaus. Die Beschreibung stellt fest, dass es sich um einen nicht verifizierten Selbstbericht handelt, der keine Daten zu Umsatz, Kunden oder Marktdurchdringung enthält.
User Stories BotA demo video on every pull request
Get a demo video on every new feature
GitHub App that watches your pull requests and records a narrated, captioned demo.
Save time on demo prep and make informed decisions faster with a video walkthrough of every new feature.
Quelle
Eingereicht bei der OpenAI 2026 Hackathon auf Devpost. Projektseite auf Devpost. Zurück zur vollständigen Galerie auf Devpost.
Diese Wettbewerbsanalyse wurde von
top-founders.com erstellt (wird in einem neuen Tab geöffnet)
Von einem Sprachmodell erzeugt aus der öffentlichen Devpost-Seite dieses Projekts — deren Kurzbeschreibung, dem Projektbericht des Autors und den dort gegebenenfalls angegebenen Built-with-Tags — erfasst im August 2026. Kurze Zitate sind die Worte des Autors. Es ist eine Einschätzung der Idee als Geschäft, nicht der Menschen dahinter, und sie gibt die Beschreibung so wieder, wie sie damals veröffentlicht war. Wenn sich das Projekt weiterentwickelt hat, fordern Sie unten eine Korrektur an. Die Analyse ist keine unabhängige Forschung und enthält keine verifizierten Daten zu Wachstum, Umsatz oder Kunden.
Ein unabhängiger Leitfaden von KFG International LLC — weder mit Devpost noch mit OpenAI verbunden, von ihnen unterstützt oder autorisiert.