Ozulon Privacy Shield

Company: Ozulon Privacy Shield

Selbstauskunft: Von der Autorin/dem Autor bereitgestellte Projektbeschreibung aus einer Devpost-Einreichung für den OpenAI 2026 Hackathon

Kommerzielle Due-Diligence-Einschätzung: Dies ist eine selbstberichtete, vor dem Launch stehende, KI-native Desktop-Anwendung, die dazu konzipiert ist, sensible Daten in Screenshots und Video-Screen-Captures lokal zu erkennen und zu redigieren. Das Produkt wird als Proof-of-Concept oder Prototyp in einer frühen Phase beschrieben, ohne Hinweise auf Umsatz, Kunden oder Marktdurchdringung. Es nutzt lokale KI-Inferenz mit einem feinjustierten DeBERTa-Modell und gibt Leistungsindikatoren für Recall, Precision und Latenz an. Die Autorin/der Autor gibt an, dass das System noch nicht produktionsreif ist und an realen Anwendungsszenarien iteriert wird.

Offene Kernfrage: Gibt es Anhaltspunkte dafür, dass dieses Produkt zu einem tragfähigen kommerziellen Angebot werden wird, oder hat es den Status eines Hackathon-Prototyps bereits verlassen?

Die Beschreibung besagt, dass Ozulon Privacy Shield eine Desktop-Anwendung ist, die sensible Daten in Screenshots und Video-Screen-Captures erkennt. Sie läuft lokal auf dem Gerät der Nutzerin/des Nutzers und schlägt Redaktionspfade für Videos vor.

• Screenshot-Funktionalität: Erkennt sensible Informationen, ermöglicht es Nutzerinnen und Nutzern, die Ergebnisse zu prüfen, und wendet Schutzmaßnahmen an (Mosaic, Blur, Solid).
• Video-Funktionalität: Analysiert das Quellvideo mittels adaptiver Stichprobenziehung, schlägt zeitlich begrenzte Redaktionspfade vor und ermöglicht die Prüfung durch die Nutzerinnen und Nutzer vor dem Export.
• Feedback-Schleife: Nutzerinnen und Nutzer können lokales Feedback geben, das die zukünftige Erkennung verbessert, ohne dass Daten hochgeladen werden; das Feedback wird mit DPAPI geschützt.
• Modell & Tech-Stack: Nutzt ein feinjustiertes DeBERTa-v3-xsmall v6 INT8-Modell (~87 MB), ONNX Runtime, OCR und Microsoft DeBERTa.
• Laufzeitumgebung: Läuft lokal, nicht in der Cloud. GPT-5.6 wurde für die Recherche verwendet, ist aber nicht Teil der ausgelieferten Laufzeit.

Inferenz: Das Produkt scheint ein Desktop-Tool zu sein, das für Entwicklerinnen und Entwickler oder Teams entwickelt wurde, die Screen-Captures teilen, mit einem Schwerpunkt auf Datenschutz und lokaler Verarbeitung.

Die Autorin/der Autor positioniert Ozulon Privacy Shield als einen Weg, „lokale KI-Redaktion auf Screen-Captures zum Standard“ zu machen, um die Sicherheit in Screen-Sharing-Workflows zu verbessern.

• Ursprüngliche Inspiration: Screen-Captures exponieren sensible Daten (Namen, Zugangsdaten, Adressen) und werden für Lehre, Erklärung und die Auslieferung von Arbeit verwendet.
• Entwicklung der Aussage: Das Produkt entwickelte sich von einem früheren Deep-Scan-Ansatz, der zu ressourcenintensiv war, zu einer schnelleren, lokalen Lösung, die für den täglichen Gebrauch geeignet ist.
• Kernaussage: Sie macht den Datenschutzschutz „zu einem natürlichen Bestandteil der Erstellung und des Teilens von screenbasierten Arbeiten“, ohne dass Nutzerinnen und Nutzer sensible Inhalte in die Cloud senden müssen.

Inferenz: Die Positionierung ist auf Entwickler- oder Team-Workflows fokussiert, in denen Screen-Sharing üblich ist und Datenschutz eine Rolle spielt. Das Produkt wird als ein Tool dargestellt, das das Standardverhalten verbessert, nicht als ein eigenständiger Dienst.

Die Beschreibung identifiziert kein spezifisches Kundensegment oder ein ideales Kundenprofil (ICP) eindeutig.

• Impliziter Anwendungsfall: Teams oder Einzelpersonen, die in Arbeitsumgebungen häufig Screenshots teilen.
• Mögliche Nutzer:
  • Entwickler oder Ingenieure, die Code oder UI-Designs teilen
  • Teams, die Prozesse oder Schulungsmaterialien dokumentieren
  • Jeder, der Screen-Capture-Tools für interne oder externe Kommunikation nutzt

Schlussfolgerung: Die Zielgruppe ist wahrscheinlich eine Nische von Fachkräften oder Teams, die sensibel gegenüber Datenschutz sind und Screen-Sharing als Teil ihres Arbeitsablaufs nutzen.

In der Beschreibung gibt es keine Hinweise auf ein Geschäftsmodell, eine Preisstrategie, einen Monetarisierungsplan oder einen Ansatz zur Kundenakquise.

• Selbstberichtet: Das Produkt wird als vor dem Launch beschrieben.
• Keine Umsatzdaten, Preistufen oder Kundenverträge werden erwähnt.
• Kein Hinweis darauf, ob es als SaaS, Freemium oder Einmalkauf verkauft werden soll.

Schlussfolgerung: Ein Geschäftsmodell ist nicht erkennbar. Es könnte sich um einen Prototyp oder ein Produkt in einer frühen Phase handeln, für das noch keine Kommerzialisierungsstrategie definiert wurde.

Der Autor gibt technische Details darüber an, wie das Produkt entwickelt wurde und was es tut:

• Modell: Feinjustiertes DeBERTa-v3-xsmall v6, INT8, ~87 MB
• Leistungsindikatoren:
  • 95,87 % End-to-End-Recall
  • 94,73 % strikte Präzision
  • ~100 ms mittlere Detektor-Latenz nach OCR
  • ~300 MB Spitzen-Speicherbedarf
• Reduktion der Video-Scan-Zeit: 85,2 % Reduktion von 178 auf 26,33 Sekunden für ein zwei Minuten langes Video
• Delivery-Stack:
  • Entwickelt mit .NET 8, C#, FFmpeg, GitHub Actions, Inno Setup
  • Nutzt ONNX Runtime, Microsoft DeBERTa, OCR, OpenAI Codex (nur für Forschungszwecke)
  • Das Installationsprogramm enthält ein verifiziertes lokales Modell, Tokenizer, Konfiguration, FFmpeg, FFprobe und Desktop-Runtime

Schlussfolgerung: Der technische Stack ist für eine Desktop-Anwendung ausgereift. Das Produkt zeigt ingenieurstechnische Raffinesse bei der Modellauswahl, der Leistungsoptimierung und der lokalen Verarbeitung.

Es gibt keine Hinweise auf Traction oder Reife über den Hackathon-Prototyp hinaus:

• Status vor dem Launch: Wird als „pre-launch“ und „just beginning“ beschrieben.
• Keine Kunden, Umsätze oder Adoptionsdaten.
• Bugs anerkannt: Der Autor gibt an, dass es Bugs gibt und dass die Bewertungen noch keine realen Szenarien abbilden.
• Iteration basierend auf Feedback: Das Team plant, die Abdeckung zu erweitern, die Video-Leistung zu verbessern und die Steuerungsoptionen zu verfeinern.

Schlussfolgerung: Das Produkt befindet sich in einer frühen Entwicklungsphase und hat noch keinen marktreifen oder kundenorientierten Zustand erreicht.

Die Beschreibung erwähnt keine Wettbewerber oder die breitere Wettbewerbslandschaft.

• Keine direkten Wettbewerber werden aufgeführt.
• Keine Positionierung im Verhältnis zu bestehenden Tools für Screen-Redaktion oder Datenschutz.
• Kein Hinweis darauf, wie sich dies im Vergleich zu anderen lokalen oder cloudbasierten Lösungen verhält.

Schlussfolgerung: Keine Hinweise auf eine Wettbewerbsanalyse oder Marktbewusstsein. Das Produkt wird isoliert beschrieben, ohne Bezug zu ähnlichen Angeboten.

Aus der selbstberichteten Beschreibung sind mehrere Risiken und offene Fragen erkennbar:

• Status vor dem Launch: Das Produkt ist noch nicht kommerzialisiert oder mit echten Nutzern getestet.
• Keine Umsatz- oder Kundendaten: Keine Hinweise auf Traction oder eine Monetarisierungsstrategie.
• Nicht verifizierte Leistungsangaben: Metriken wie Recall, Precision und Latenz werden ohne unabhängige Validierung selbst gemeldet.
• Begrenzte Teamgröße: Nur ein Mitglied (der Gründer).
• GPT-5.6 nur für Forschung verwendet: Es gibt keine Hinweise darauf, dass KI in der Produktion oder im großen Maßstab eingesetzt wird.
• Kein klarer Marktzugang: Es wird keine Go-to-Market-Strategie, keine Vertriebskanäle und keine Nutzerakquise erwähnt.

Schlussfolgerung: Das Produkt ist ein Prototyp, für den keine kommerzielle Tragfähigkeit nachgewiesen wurde. Es fehlen die Beweise, die erforderlich wären, um zu beurteilen, ob es zu einem tragfähigen Geschäft wird.

1. Welche konkreten Anwendungsfälle haben Sie getestet?
2. Wie planen Sie, dieses Produkt über den Hackathon-Prototyp hinaus zu monetarisieren oder zu skalieren?
3. Haben Sie die Leistungsangaben (Recall, Precision, Latenz) im realen Einsatz validiert?
4. Was ist Ihre Go-to-Market-Strategie, um Nutzer zu erreichen, die regelmäßig Screenshots teilen?
5. Gibt es rechtliche oder compliance-bezogene Aspekte in Bezug auf die lokale Datenverarbeitung und Feedback-Schleifen?
6. Wie planen Sie, die Internationalisierung und kulturelle Unterschiede in sensiblen Daten zu handhaben?
7. Welche zentralen technischen Herausforderungen bleiben vor dem Produktivstart ungelöst?