Machinable

• Die Beschreibung gibt an, dass Machinable eine Desktop-Web-App ist, die mit Next.js, React, TypeScript, Python und FastAPI entwickelt wurde.
• Es verarbeitet digital erstellte PDF-Zeichnungen und identifiziert Material, Materialform, fertige Teilgröße, Einheiten, Teilenummer und vorhandene Materialangaben.
• Es fügt Zerspanungstoleranzen hinzu und sucht nach Standardmaterialstärken, die funktionieren.
• Es kann Schnittlänge, Abfalllänge, Sägekerf, Endabschnitt und Ausbeute berechnen, wenn ausreichende Daten vorliegen.
• Die App zeigt das PDF neben den Ergebnissen an, damit ein Zerspaner die Ergebnisse prüfen, Felder korrigieren und neu berechnen kann, ohne die Modelle erneut auszuführen.
• Das Tool nutzt zwei GPT-5.6-Modelle (Sol High und Terra High), um Zeichnungen separat zu lesen und ihre Ausgaben Feld für Feld zu vergleichen.
• Wenn sich die Modelle in einer Dimension nicht einig sind, sich aber in Material/Form einig sind, werden dennoch die übereinstimmenden Felder angezeigt.
• Python übernimmt alle mathematischen Berechnungen, einschließlich Toleranzen, Umrechnung von Einheiten, Auswahl der Materialstärke und Ausbeute.

Schlussfolgerung Das Produkt wird als Proof-of-Concept oder Pilottool beschrieben, das noch nicht in einen kommerziellen Workflow oder ein Vendor-System integriert ist.

• Die Beschreibung gibt an, dass Machinable CNC-Zerspanern helfen soll, schneller zu einer Materialentscheidung zu gelangen.
• Es wird als KI-gestützte Lösung für Vorproduktionsprozesse in der Zerspanung positioniert.
• Der Autor behauptet, dass es einen häufigen Schmerzpunkt adressiert, der durch das Scraping von Foren wie Practical Machinist und Reddit identifiziert wurde.
• Es wird beschrieben, dass es nicht dazu gedacht ist, ohne menschliche Prüfung finale Entscheidungen zu treffen.
• Das Tool wird als Lösung für Ineffizienzen in der "Vorproduktions"-Phase der Fertigung dargestellt, insbesondere im Bereich der Materialauswahl.
• Der Autor merkt an, dass dies für einen Hackathon eingereicht wurde, was darauf hindeutet, dass es sich um einen Prototyp in einer frühen Phase handelt.

Schlussfolgerung Die Positionierung ist eng und auf einen bestimmten Anwendungsfall innerhalb der CNC-Zerspanung fokussiert. Es behauptet nicht, ein CAD- oder CAM-Tool für allgemeine Zwecke zu sein.

• Die Beschreibung gibt an, dass Machinable für CNC-Zerspaner konzipiert ist.
• Es richtet sich an Nutzer, die Teilezeichnungen verarbeiten und schnell die Größen des Rohmaterialbestands bestimmen müssen.
• Der Autor identifiziert einen spezifischen Schmerzpunkt in Zerspanungsbetrieben: die Zeit, die für Vorproduktionsaufgaben wie die Verarbeitung von Zeichnungen und die Bestellung von Materialien verloren geht.
• Es ist für die Nutzung durch Einzelpersonen in Maschinenbaubetrieben vorgesehen, insbesondere für solche, die 2D-PDF-Zeichnungen verwenden.

Schlussfolgerung Die Zielkundengruppe scheint aus Betreibern kleiner oder mittelgroßer Maschinenbaubetriebe zu bestehen, die für die Materialplanung manuelle Prozesse nutzen. Es gibt keine Hinweise auf eine weitergehende Segmentierung.

• Nicht belegt.
• In der Beschreibung werden keine Angaben zu Preisen, Lizenzen, Abonnementmodellen oder Monetarisierungsstrategien gemacht.
• Das Projekt wird als Einreichung für einen Hackathon und als Pilotprojekt beschrieben, nicht als kommerzielles Produkt.
• Es gibt keine Hinweise darauf, ob es an Endnutzer verkauft oder in größere Plattformen integriert werden soll.

• Entwickelt mit Next.js, React, TypeScript, Python und FastAPI.
• Verwendet zwei GPT-5.6-Modelle (Sol High und Terra High) zum Lesen von PDF-Zeichnungen.
• Die Modelle werden unabhängig voneinander ausgeführt und die Ergebnisse werden Feld für Feld verglichen.
• Wenn sich die Modelle bei den Maßen uneinig sind, aber bei Material/Form übereinstimmen, werden diese Felder angezeigt.
• Python übernimmt alle mathematischen Berechnungen, einschließlich Zerspanungszuschlag, Umrechnung von Einheiten, Auswahl der Rohmaterialgröße und Berechnung der Ausbeute.
• Die Oberfläche hält das PDF neben den Ergebnissen für die Überprüfung und Korrektur bereit.
• Die App ermöglicht es Nutzern, ein Feld zu korrigieren und neu zu berechnen, ohne die Modelle erneut auszuführen.
• Als Herausforderungen werden Verwechslungen mit Maß- und Hilfslinien sowie Kettenmaße genannt.
• Der Autor erwähnt die Verwendung von Codex zum Aufbau früherer Versionen und zur Hinzufügung von Funktionen.

Schlussfolgerung Der technische Stack deutet auf eine moderne, vollstack Webanwendung hin. Die Abhängigkeit von zwei KI-Modellen zum Lesen von Zeichnungen impliziert einen Versuch, Robustheit durch Kreuzvalidierung zu erreichen.

• Nicht belegt.
• Es werden keine Umsatzzahlen, Kundenstämme oder Adoptionsmetriken angegeben.
• Das Projekt wird als Pilotprojekt und Hackathon-Einreichung beschrieben.
• Es gibt keine Hinweise auf aktive Nutzer, Feedback-Schleifen oder iterative Verbesserungen über die erste Version hinaus.
• Der Autor gibt an, dass das Tool noch nicht mit Lieferanten wie McMaster-Carr verbunden ist.

• Nicht belegt.
• Es gibt keine Erwähnung von bestehenden Tools auf dem Markt zum Parsen von CNC-Zeichnungen oder zur Automatisierung der Materialauswahl.
• Es gibt keine Wettbewerbsanalyse oder Differenzierung von anderen KI-basierten CAD/CAM-Tools.
• Die Beschreibung verweist nicht auf Wettbewerber oder eine Marktpositionierung im Verhältnis zu ihnen.

• Nicht verifizierte Aussagen: Alle Angaben sind selbst gemeldet und nicht verifiziert. Es gibt keine Validierung durch Dritte hinsichtlich Leistung, Genauigkeit oder Nutzen.
• Keine Traction oder Umsätze: Es gibt keine Hinweise auf Kunden, Nutzer oder Monetarisierung.
• Begrenzter Umfang: Das Tool wird als Pilotprojekt mit zukünftigen Plänen zur Anbindung an Lieferanten beschrieben – es ist noch nicht in echte Workflows integriert.
• Erkannte KI-Limitationen: Der Autor räumt ein, dass Vision-Modelle mit komplexen Zeichnungen (z. B. Kettenmaßen) Schwierigkeiten haben, was den praktischen Nutzen einschränken könnte.
• Ein-Personen-Team: Es ist nur ein Entwickler aufgeführt, was Fragen zur Skalierbarkeit und langfristigen Wartung aufwirft.
• Unklarer Weg zum Markt: Es gibt keine Hinweise auf eine Go-to-Market-Strategie oder Geschäftsentwicklungspläne.

1. Welches spezifische Feedback haben Sie von Mechanikern erhalten, die das Tool getestet haben?
2. Wie behandelt das Tool mehrdeutige oder unvollständige Zeichnungen? Gibt es einen Mechanismus zum Markieren unklarer Elemente?
3. Gibt es derzeit Pilotkunden oder Partner, die das System testen?
4. Welche Einschränkungen haben die KI-Modelle derzeit im praktischen Einsatz?
5. Wie planen Sie, dieses Tool zu monetarisieren, und was ist Ihre Go-to-Market-Strategie?
6. Haben Sie eine Integration mit bestehenden ERP- oder Beschaffungssystemen, die von Maschinenbaubetrieben verwendet werden, in Betracht gezogen?
7. Was ist der Zeitplan für die Anbindung an Lieferanten wie McMaster-Carr?