Many Pasts

Die Beschreibung besagt, dass Many Pasts eine KI-gestützte visuelle Geschichtsplattform ist. Sie ermöglicht es Benutzern, historische Fragen zu stellen oder Erzählungen bereitzustellen, die dann mit GPT-5.6 in strukturierte visuelle Programme umgewandelt werden. Diese Programme umfassen Erzählungen, Untertitel, Daten, Kameraperspektiven, Kartenaktionen, Routen, Umweltlagen, Bilder, Diagramme, Belege und Unsicherheitskennzeichnungen.

Es umfasst zwei Hauptoberflächen:

• Ein Viewer für Lernen und Erkundung.
• Ein Director-Arbeitsbereich zum Bearbeiten von Shots, Erzählungen, visuellen Hinweisen, Medien und Ton vor der Produktion eines Videos.

Das System wird mit Technologien wie Next.js, React, TypeScript, MapLibre, PostgreSQL, PostGIS und der OpenAI Responses API gebaut. Es bietet:

• Eine historische Ontologie und einen evidenzbewussten Knowledge Graph
• Zeitliche Kartenebenen für Geographie, Klima, Eis, Hydrologie, Zivilisationen, Ressourcen und Bewegung
• Eine gemeinsame Frame-Uhr, die Karten, Erzählungen, Untertitel, Medien und Kamerabewegungen synchronisiert
• Eine local-first räumliche Datenbank und einen Datenimport-Pipeline
• Erzählungen, Untertitel, Audio-Bearbeitung und deterministische Video-Rendering

Nicht belegt: Keine Informationen zur tatsächlichen Nutzerbasis, Nutzungsmetriken oder Details zur produktiven Bereitstellung.

Der Autor behauptet, dass Many Pasts darauf abzielt, visuellen Lernenden zu helfen, Geschichte zu verstehen, indem es zeigt, wie Ereignisse über Zeit, Ort, Personen und Ideen hinweg verbunden sind. Es positioniert sich als Alternative zu traditionellen Zeitleisten (die Geschichte auf eine Abfolge von Daten reduzieren) und statischen Karten (die nur einen eingefrorenen Moment zeigen).

Es wird auch angegeben, dass die Plattform mehrere Formen der Inhaltskreation unterstützt:

• Lektionen
• Fragen
• Dokumentationen

Das Projekt entwickelte sich von einer langgehegten Idee zu einem funktionsfähigen Prototyp während OpenAI Build Week. Der Autor merkt an, dass GPT-5.6 die Workflows für die Unterrichtsplanung antreibt, betont aber, dass die Kontrolle über Belege, Geometrie, Timing, Sicherheit und Präsentation bei der Anwendung bleibt.

Schlussfolgerung: Die Positionierung deutet auf eine Nischenzielgruppe hin, die sich auf Bildung, Forschung und Storytelling in der Geschichte konzentriert. Es werden jedoch keine Aussagen zur Marktgröße oder zur Wettbewerbsdifferenzierung über die Selbstbeschreibung hinaus getroffen.

Die Beschreibung gibt an, dass Many Pasts für folgende Zielgruppen vorgesehen ist:

• Studenten
• Lehrkräfte
• Visuelle Lernende
• Geschichtsinteressierte
• Content Creators

Darüber hinaus werden spezifische Anwendungsfälle genannt, wie zum Beispiel:

• Erkundung historischer Erzählungen
• Erstellung von Bildungsvideos
• Prüfung der Beweise hinter Geschichten

Nicht belegt: Es liegen keine Daten zu tatsächlichen Nutzern, Kundensegmenten oder Buyer Personas vor. Es gibt keinen Hinweis darauf, wie viele Personen das Produkt nutzen oder wie sich ihr Verhalten darstellt.

Die Beschreibung enthält keine Informationen zu Preismodellen, Monetarisierungsstrategien oder Annahmen zum Geschäftsmodell. Der Autor konzentriert sich ausschließlich auf die technischen und kreativen Aspekte der Plattformentwicklung.

Schlussfolgerung: Da es sich um eine Hackathon-Einreichung handelt, in der weder Einnahmen, Kunden noch Verkäufe erwähnt werden, handelt es sich offenbar um ein experimentelles Projekt, das derzeit keinen definierten kommerziellen Weg aufweist.

Das System nutzt:

• Next.js
• React
• TypeScript
• MapLibre
• PostgreSQL
• PostGIS
• OpenAI Responses API
• Docker und Docker Compose
• Faster Whisper für die Audioverarbeitung
• Playwright für Tests
• HTML5, WebGL, GeoJSON, GeoTIFF

Zu den wichtigsten technischen Funktionen gehören:

• Historische Ontologie und evidenzbewusster Knowledge Graph
• Zeitliche Kartenebenen mit sich ändernden Umgebungen
• Strenges strukturiertes Format für KI-generierte visuelle Lektionen
• Gemeinsame Frame-Uhr zur Synchronisation
• Viewer- und Director-Schnittstellen
• Local-first räumliche Datenbank und Datenimport-Pipeline
• Deterministische Video-Rendering

Nicht belegt: Es gibt keine Angaben zu Skalierbarkeit, Infrastruktur oder Deployment-Praktiken über den Prototyp hinaus.

Das Projekt wird als ein in drei Tagen während eines Hackathons erstellter Prototyp beschrieben. Es umfasst:

• Eine Flaggschiff-Erfahrung zu Mesopotamien
• Beispiele, die globale Tiefenzeit, Doggerland, Paläoküste, Klima, Tektonik, Mythologie, Linguistik, Handel und militärische Themen abdecken

Es gibt jedoch keine Belege für:

• Nutzer oder Kunden
• Einnahmen oder Monetarisierung
• Produktakzeptanz oder -bindung
• Marktrückmeldungen oder Iterationshistorie

Schlussfolgerung: Das Projekt befindet sich in einem sehr frühen Stadium – wahrscheinlich vor dem Product-Market-Fit – und weist keine messbare Traction auf.

Die Beschreibung verweist nicht auf bestehende Wettbewerber oder die Marktpositionierung. Es wird nicht angegeben, ob ähnliche Plattformen existieren, noch wie sich Many Pasts von diesen abhebt.

Nicht belegt: Es werden keine Wettbewerbsanalysen, Benchmarks oder Marktlage bereitgestellt.

• Einzelne Person in der Entwicklung: Die Teamgröße ist mit einer Person (Dax Riven) angegeben, was Bedenken hinsichtlich der Skalierbarkeit und der langfristigen Wartung aufwirft.
• Nur Prototyp-Status: Das gesamte Produkt scheint ein Hackathon-Prototyp zu sein, ohne Hinweise auf Produktionsreife oder Nutzerengagement.
• Unklare kommerzielle Tragfähigkeit: Es werden keine Preise, Monetarisierung oder Kundenstämme beschrieben.
• KI-Abhängigkeit ohne Kontrolle: Obwohl GPT-5.6 für die Planung verwendet wird, behält das System eine strenge Kontrolle über Validierung und Präsentation – dies könnte seine Fähigkeit zur Skalierung ohne weitere Entwicklung einschränken.
• Komplexität der Integration historischer Daten: Die Handhabung von Datensätzen mit unterschiedlichen Projektionen, Auflösungen, Zeitskalen und Evidenzstandards stellt eine erhebliche Herausforderung dar.

1. Wie ist der aktuelle Status des Produkts? Wird es von Lehrkräften oder Schülern genutzt?
2. Wie planen Sie, die Plattform zu monetarisieren?
3. Haben Sie die Nachfrage nach diesem Werkzeugtyp bei Ihren Zielnutzern validiert?
4. Was sind die zentralen Herausforderungen bei der Skalierung des historischen Wissensgraphen und der Datenintegration?
5. Wie behandelt das System widersprüchliche Interpretationen der Geschichte?
6. Gibt es laufende Partnerschaften oder institutionelle Kooperationen?
7. Wie sieht der Roadmap über den aktuellen Prototyp hinaus aus?