Ghost Core

Das Unternehmen scheint ein Solo-Projekt namens Ghost Core zu sein, das sich selbst als persönliches KI-System beschreibt, das einen nutzergebilligten kognitiven Kern aufbaut, Schlussfolgerungen vor dem Speichern validiert und erklärt, warum jede Antwort wirklich persönlich ist. Der Autor gibt an, dass das System das Gedächtnis in überprüfbare Datensätze mit Herkunft, Lebenszyklusstatus, Sensibilität und Nutzerfreigabe aufteilt, sodass Nutzer KI-generierte Schlussfolgerungen überprüfen, genehmigen, bearbeiten, ablehnen oder verschieben können.

Was sich geändert hat: Dieses Projekt stellt eine Erweiterung früherer Forschungen zu einem "persönlichen kognitiven Spiegel" in einen testbaren Prototypen dar, der sich auf Zustimmung, Transparenz und Nutzerkontrolle konzentriert. Es wurde im Rahmen der OpenAI 2026 Hackathon-Einreichung erstellt.

Die wichtigste offene Frage: Gibt es Belege dafür, dass dieses System mit echten Nutzern über die eigene Nutzung des Autors hinaus getestet wurde, oder ob es über einen Proof-of-Concept-Stadium hinausgegangen ist?

Analysegrundlage: Dieser Bericht basiert ausschließlich auf der vom Autor bereitgestellten, selbstberichteten Projektbeschreibung. Es liegen keine externen Verifizierungen, Traction-Daten, Umsatzangaben, Kundennamen oder Drittquellen vor.

• Die Beschreibung gibt an, dass Ghost Core eine Python- und Streamlit-Anwendung mit lokaler persistenter Speicherung ist.
• Es verwendet GPT-5.6, Gemini und Codex für seine Funktionalität.
• Es implementiert ein System, in dem:
  • Das Gedächtnis in überprüfbare Datensätze mit Herkunft, Lebenszyklusstatus und Sensibilität aufgeteilt wird.
  • Nutzer können direkte Aussagen bewusst speichern.
  • KI-generierte Schlussfolgerungen werden vor der Aktivierung überprüft.
  • Nutzer können diese Schlussfolgerungen genehmigen, bearbeiten, ablehnen oder verschieben.
  • Nutzer können Erinnerungen inspizieren, deaktivieren, reaktivieren oder dauerhaft löschen.
  • Das System zeigt an, welche Datensätze eine KI-Antwort beeinflusst haben.
  • Sensible Erinnerungen können aus einer Anfrage herausgehalten werden, es sei denn, sie werden explizit ausgewählt.

Schlussfolgerung: Basierend auf der Beschreibung ist Ghost Core ein Prototyp, der es Nutzern ermöglicht, die Kontrolle darüber zu behalten, wie ihre persönlichen Daten von KI-Systemen verwendet werden. Es handelt sich nicht um ein kommerzielles Produkt, sondern um eine Demonstration eines Konzepts.

• Der Autor gibt an, dass die meisten KI-Systeme Informationen über einen Nutzer speichern können, aber Gedächtnis ist nicht Identität.
• Ghost Core zielt darauf ab, ein transparenter, nutzerkontrollierter kognitiver und relationaler Spiegel zu sein, in dem:
  • Erinnerungen, Interpretationen und Schlussfolgerungen sichtbar, korrigierbar, umkehrbar und demjenigen gehören, den sie beschreiben.
  • Keine Schlussfolgerung wird ohne eine explizite Nutzerentscheidung zur Identität.

Behauptung: Das System wird als Weg positioniert, um zu vermeiden, dass KI still entscheidet, was eine Person ist, und stattdessen den Nutzern die Kontrolle über ihre eigene kognitive Repräsentation gibt.

• Nicht belegt. Die Beschreibung identifiziert keine spezifischen Kundensegmente oder Personas.
• Der Autor beschreibt das System als für Einzelpersonen, die die Kontrolle darüber behalten möchten, wie KI-Systeme sie verstehen, aber es wird keine explizite Zielnutzergruppe benannt.

Fehlen von Belegen: Es gibt keinen Hinweis darauf, wer die beabsichtigten Nutzer sind, abgesehen von einem allgemeinen Publikum, das sich für verantwortungsvolle KI interessiert.

• Nicht belegt. Es gibt keine Erwähnung von Preisen, Monetarisierungsstrategie oder Geschäftsmodell.
• Das System scheint ein Prototyp zu sein, der zu Demonstrationszwecken erstellt wurde, und kein kommerzielles Angebot.

Fehlen von Belegen: Es gibt keine Hinweise darauf, wie das Produkt Einnahmen generieren würde oder ob es zum Verkauf bestimmt ist.

• Entwickelt mit:
  • Python
  • Streamlit
  • SQLite (für lokale persistente Speicherung)
  • APIs: OpenAI, Codex, Google Gemini API
• Das System unterstützt:
  • Drei unabhängige und zustandslose Compare-Aufrufe.
  • Eine Transparente Kontextmatrix, die zeigt, was jede Antwort erhält.
  • Getrennte Council-Berater- und Synthesestufen.
  • Prüfbare Speicherherkunft und Lebenszyklus-Steuerungen.
  • Validierungs- und Sicherheitsprüfungen für ausgewählte und sensible Datensätze.

Schlussfolgerung: Die Architektur ist so konzipiert, dass sie überprüfbar, testbar und transparent ist. Sie verwendet lokale Speicherung und explizite Governance-Regeln zur Verwaltung personenbezogener Daten.

• Nicht belegt. Es gibt keine Erwähnung von:
  • Kunden
  • Einnahmen
  • Nutzungsdaten
  • Produktakzeptanz
  • Markttests oder Feedback

Fehlen von Belegen: Keine Anzeichen von Traction, Produktreife oder einer realen Implementierung über den Prototyp hinaus.

• Nicht belegt. Die Beschreibung verweist nicht auf bestehende Wettbewerber oder ähnliche Produkte.
• Es ist unklar, ob andere Systeme existieren, die versuchen, benutzergesteuertes KI-Gedächtnis oder Personalisierung anzubieten.

Fehlen von Belegen: Es wird keine Wettbewerbslandschaft oder ein Vergleich mit bestehenden Tools angegeben.

• Einzelprojekt: Nur ein Teammitglied (Silvia Contarelli) ist aufgeführt.
• Nur Prototyp: Das System wird als Prototyp beschrieben, der für einen Hackathon erstellt wurde, nicht als kommerzielles Produkt.
• Keine Benutzertests: Keine Belege für reale Nutzung oder Feedback von Benutzern über den Autor hinaus.
• Begrenzter Umfang: Das System scheint eine Demonstration von Prinzipien zu sein, nicht eine skalierbare Lösung.
• Ungeprüfte Behauptungen: Die Beschreibung enthält starke Behauptungen zu Kontrolle und Transparenz, aber es fehlen Belege für die Wirksamkeit der Implementierung.

Schlussfolgerung: Das Projekt befindet sich in einem frühen Stadium, ohne einen klaren Weg zur Kommerzialisierung oder zur Benutzernutzung.

1. Welches spezifische Benutzerfeedback wurde während der Entwicklung gesammelt?
2. Wurde das System mit mehr als einem Benutzer getestet?
3. Wie behandelt das System Grenzfälle oder mehrdeutige Eingaben?
4. Gibt es einen Plan zur Skalierung über die lokale Speicherung und die Einzelbenutzer-Nutzung hinaus?
5. Gibt es technische Einschränkungen bei der Implementierung vollständiger Verschlüsselung oder Portabilität?
6. Was sind die langfristigen Ziele für dieses Projekt über den Hackathon hinaus?