Paper Orbit

Was das Unternehmen zu sein scheint: Paper Orbit ist ein selbstberichteter täglicher Begleiter zum Lesen wissenschaftlicher Papers für Forschende, der arXiv-Paper-Empfehlungen personalisiert, indem er ein hybrides lokales/öffentliches Empfehlungssystem nutzt, mit OpenAI-kompatiblen APIs für das Lesen und die Analyse von PDFs integriert ist und behauptet, alle Nutzerdaten lokal auf dem Gerät zu speichern. Es wurde als Einreichung für den OpenAI 2026 Hackathon erstellt.

Was sich geändert hat: Das Projekt wird als persönliche Lösung für das Problem der Informationsüberlastung in der Forschung beschrieben, bei der Nutzer von hunderten neuen arXiv-Papers pro Tag überfordert sind. Es führt ein System ein, das traditionelle Kompromisse bei Empfehlungen (z. B. Keyword-Benachrichtigungen oder zentralisierte Empfehlungsdienste) vermeidet, indem es einen öffentlichen Kandidatenpool und eine lokale Rangfolge nutzt.

Wichtigste offene Frage: Gibt es Belege für eine Nutzerakzeptanz, Einnahmen oder Traction über die Hackathon-Einreichung hinaus?

Die Beschreibung besagt, dass Paper Orbit eine tägliche Seite zum Lesen von Papers für Forschende ist. Es bietet:

• Zehn personalisierte Paper-Empfehlungen pro Tag.
• Strukturierte arXiv-Suche.
• Einen "Paper Copilot", der Fragen beantwortet, die auf dem vollständigen PDF basieren.
• Automatisch generierte Leseberichte.
• Eine persönliche Bibliothek mit Leseverlauf.

Es erfordert, dass sich Nutzer über ChatGPT anmelden und ihren eigenen OpenAI-kompatiblen API-Schlüssel verbinden. Das System wird mit Next.js + TypeScript erstellt, auf Sites bereitgestellt und nutzt ein zweistufiges Empfehlungssystem: öffentliche Kandidatengenerierung und lokale Rangfolge.

Beleg: Der Autor gibt an, dass dies die Funktion des Produkts ist.

Schlussfolgerung: Es scheint sich um ein Tool in einer frühen Phase für akademische Forschende zu handeln, das noch nicht kommerzialisiert oder monetarisiert ist. Es werden keine Einnahmen oder Kundendaten angegeben.

Die Beschreibung positioniert Paper Orbit als persönliche, datenschutzfreundliche Alternative zu bestehenden arXiv-Tools. Die zentralen Behauptungen sind:

• Es vermeidet Keyword-Benachrichtigungen, die den Nutzer nicht kennen.
• Es vermeidet Empfehlungsdienste, die zu viel wissen (d. h. zentralisierte Systeme).
• Es liest vollständige PDFs, nicht nur Abstracts.
• Es speichert das Forschungsprofil vollständig auf dem Gerät des Nutzers.

Das Projekt entwickelte sich aus der Frage: „Kann ein täglicher Paper-Begleiter wirklich persönlich sein, das tatsächliche PDF lesen und dennoch das Forschungsprofil vollständig auf dem eigenen Gerät speichern?“

Beleg: Der Autor gibt an, dass dies die Positionierung und Entwicklung des Produkts ist.

Schlussfolgerung: Dies deutet auf einen starken Fokus auf Datenschutz und Nutzerkontrolle hin, aber es gibt keine Belege dafür, wie sich dies auf dem Markt abhebt oder ob Nutzer diese Funktionen schätzen.

Die Beschreibung besagt, dass Paper Orbit für „jeden, der sich mit ChatGPT anmeldet“ gedacht ist und Forschende anspricht. Es ist für Menschen konzipiert, die von der täglichen Liste von hunderten neuen Papers auf arXiv überfordert sind.

Beleg: Der Autor beschreibt die Zielgruppe als Forschende und Nutzer von arXiv.

Schlussfolgerung: Das ICP (Ideal Customer Profile) scheint akademische oder forschende Fachkräfte zu umfassen, aber es werden keine Segmentierungen oder Nutzerdaten angegeben.

Die Beschreibung nennt kein Geschäftsmodell oder eine Preisstruktur. Es wird lediglich erwähnt, dass Nutzer ihren eigenen OpenAI-kompatiblen API-Schlüssel verbinden und dass das System einen zweistufigen Recommender mit öffentlichen Kandidaten und lokaler Rangfolge verwendet.

Beleg: Kein ausdrücklicher Hinweis auf Monetarisierung, Abonnements oder Preise.

Schlussfolgerung: Das Projekt wird selbst als Hackathon-Einreichung angegeben, was darauf hindeutet, dass es noch kein kommerzielles Modell gibt.

Das System wird mit folgenden Komponenten erstellt:

• Next.js + TypeScript
• Deployment auf Sites
• Identität über „Sign in with ChatGPT“

Zu den wichtigsten technischen Funktionen gehören:

• Ein zweistufiger Recommender: Generierung öffentlicher Kandidaten und lokale Rangfolge.
• Ein PDF-basierter Copilot, der Dateien unabhängig verifiziert, bevor Modellaufrufe erfolgen.
• API-Schlüsselverwaltung über AES-GCM-verschlüsselte HttpOnly-Cookies.
• Daten werden nur in localStorage gespeichert, benamensraumweise pro angemeldetem Konto.
• Fehldiagnose mit Korrelations-IDs, aber ohne Ausgabe von Geheimnissen.

Beleg: Der Autor beschreibt die Architektur und die technische Implementierung.

Schlussfolgerung: Das System ist auf Datenschutz und Robustheit ausgelegt, es gibt jedoch keine Hinweise auf eine Produktivumgebung oder Skalierung.

Es gibt keine Hinweise auf Nutzerakzeptanz, Umsatz oder Verbreitung über die Hackathon-Einreichung hinaus. Das Projekt wird als Arbeit eines Zwei-Personen-Teams beschrieben, ohne Erwähnung von Nutzern, Kunden oder Wachstumsmetriken.

Beleg: Keine Daten zu Nutzern, Kunden oder Geschäftsentwicklung.

Schlussfolgerung: Dies ist ein Prototyp in einer frühen Phase, noch kein Produkt, das von echten Nutzern verwendet wird.

Die Beschreibung nennt keine spezifischen Wettbewerber. Positioniert sich Paper Orbit jedoch als Alternative zu:

• Schlüsselwortbenachrichtigungen (z. B. E-Mail-Benachrichtigungen von arXiv)
• Zentralisierten Recommender-Diensten (z. B. solchen, die Nutzerdaten speichern)

Es stellt sich auch im Gegensatz zu LLMs, die nur Abstracts lesen, nicht aber vollständige Papiere.

Beleg: Der Autor beschreibt den Problembereich und wie Paper Orbit ihn adressiert.

Schlussfolgerung: Keine Hinweise auf Wettbewerbsanalyse oder Marktpositionierung über die Selbstauskunft hinaus.

• Keine kommerzielle Akzeptanz oder Umsatz: Das Projekt wird als Hackathon-Einreichung beschrieben, ohne Hinweise auf Monetarisierung.
• Unbewiesene Nachfrage der Nutzer: Keine Daten darüber, wie viele Nutzer das Produkt tatsächlich nutzen oder seine Datenschutzfunktionen schätzen würden.
• Begrenzte Skalierbarkeitsannahmen: Das System verwendet lokale Rangfolge und gerätebasierte Speicherung, was möglicherweise nicht auf ein breiteres Publikum skalierbar ist.
• Keine Verifizierung durch Dritte: Alle Angaben sind selbst gemeldet, ohne unabhängige Validierung.

Beleg: Das Projekt wird als Hackathon-Einreichung beschrieben; es gibt keine Hinweise auf reale Nutzung oder kommerzielle Machbarkeit.

1. Wie lautet das tatsächliche Feedback von Frühnutzern, falls vorhanden?
2. Wie planen Sie, dieses Produkt über den aktuellen Prototyp hinaus zu monetarisieren?
3. Haben Sie die Datenschutzansprüche mit Nutzern oder Sicherheitsexperten validiert?
4. Welche technischen Einschränkungen hat die lokale Rangfolge bei Skalierung?
5. Gibt es Pläne für eine kostenpflichtige Version oder Premium-Funktionen?