SupplAI

Die Beschreibung besagt, dass SupplAI eine Plattform ist, die:

• Marktsignale in priorisierte, erklärte Lieferentscheidungen umwandelt
• Nachfrageintelligenz über interaktive Diagramme mit Konfidenzintervallen bereitstellt
• Szenariosimulationen mit einem beschränkten Optimierer (OR-Tools) anbietet
• Einen Entscheidungsworkflow mit Genehmigungs- und Ablehnungsfunktionen enthält
• Freitext-Marktnachrichten in strukturierte Signale verarbeitet, die die Planung beeinflussen
• Die Datenimportierung aus CSV-Dateien mit Validierungs- und Commit-Flow ermöglicht

Die Plattform wird wie folgt beschrieben:

• Eine Web-Oberfläche, die mit Angular 19 gebaut wurde
• Eine API-Schicht mit Express 5 + Zod-Validierung + JWT/RBAC
• Ein Optimierer-Service, der mit FastAPI + Google OR-Tools (CBC) erstellt wurde
• Eine KI-Schicht, die Erklärungen und die Extraktion von Nachrichten zu Signalen bereitstellt
• Datenspeicherung über PostgreSQL mittels Prisma

Das System wird als vollständig funktionsfähig von Anfang bis Ende beschrieben, mit einem ausführbaren vertikalen Slice, der Login → Prognose → Optimierung → Erklärung → Entscheidung → Audit umfasst.

Evidenzstärke Selbstberichtete Angaben. Keine unabhängige Verifizierung der Funktionalität oder Leistung.

Die Beschreibung nennt die Positionierung von SupplAI:

• Es ist kein weiteres Dashboard, das beschreibt, was passiert ist
• Es ist ein präsripter Entscheidungs-Copilot, der Nachfrage erkennt, den Markt liest und Planern genau sagt, was zu tun ist
• Es bietet mathematisch gestützte Empfehlungen mit menschlicher Kontrolle über Verpflichtungen
• Es nutzt KI, um Entscheidungen zu erklären und Nachrichten zu strukturieren, erfindet aber nie Zahlen

Die Entwicklung der Behauptungen zeigt:

• Anfangliche Inspiration: Petrochemische Produzenten benötigen bessere Allokationsentscheidungen als Tabellenkalkulationen und Bauchgefühl
• Kernwertversprechen: Präsriptive Entscheidungsfindung, die Prognose, Optimierung und Erklärung kombiniert
• Wesentlicher Differenzierungsmerkmal: Human-in-the-loop-Ansatz, bei dem die KI erklärt, aber keine Allokationen berechnet

Evidenzstärke Selbstberichtete Behauptungen zur Positionierung und Entwicklung.

Die Beschreibung besagt:

• Der primäre Kunde sind petrochemische Produzenten (insbesondere solche, die PE- und PP-Grade verkaufen)
• Diese Produzenten agieren auf den Märkten Südostasiens
• Die Zielgruppe sind Lieferplaner, die tägliche Allokationsentscheidungen treffen
• Die Plattform ist für nicht-technische Planer konzipiert, die das Command Centre tatsächlich lesen können

Evidenzstärke Selbstberichtete Kundenpositionierung.

Nicht belegt. Es werden keine Informationen zu Preisen, Lizenzierung oder dem Umsatzmodell bereitgestellt.

Die Beschreibung besagt:

• Entwickelt mit Angular 19 (standalone components, Signals, strict TypeScript)
• API entwickelt mit Express 5 + Zod-Validierung + JWT/RBAC
• Optimierungsdienst mit FastAPI + Google OR-Tools (CBC)
• KI-Ebene mit Claude Opus 4-8 oder deterministischem Fallback
• Datenspeicherung über PostgreSQL mittels Prisma
• Die Plattform funktioniert ohne API-Schlüssel
• End-to-End-Vertikalschnitt in einem echten Browser und gegenüber live Postgres + OR-Tools verifiziert
• 69 bestanden API-Tests, saubere Produktionsbuild, einbefehls docker compose up

Evidenzstärke Selbstberichtete technische Implementierungsdetails.

Nicht belegt. Keine Informationen zu:

• Umsatz oder Kunden
• Produktnutzungsmetriken
• Marktdurchdringung
• Wachstumstrajektorie
• Jegliche kommerzielle Aktivität über die Hackathon-Einreichung hinaus

Nicht belegt. Keine Informationen zu:

• Konkurrenten im Bereich der Beschaffungsplanung
• Marktvolumen oder Wettbewerbslandschaft
• Abgrenzung von bestehenden Lösungen

Schlussfolgerungen auf Basis selbstberichteter Belege:

1. Nicht bewiesene kommerzielle Tragfähigkeit: Das Projekt wird als Hackathon-Einreichung beschrieben, ohne Belege für Traction, Umsatz oder Kunden.
2. Begrenzte Teamgröße: Nur ein Teammitglied (alson-how Elson) wird erwähnt, was Fragen zur Ausführungsfähigkeit aufwirft.
3. Keine externe Validierung: Es werden keine Bewertungen Dritter, Nutzerfeedback oder Pilotdaten vorgelegt.
4. KI-Grenzdisziplin: Obwohl als Kernfunktion beschrieben, ist unklar, wie sich dies in Zuverlässigkeit und Vertrauen im großen Maßstab übersetzen lässt.
5. Annahmen zur Datenqualität: Die Plattform ist auf den Import echter historischer Daten für die Prognose angewiesen, es werden jedoch keine Belege für Datenquellen oder Bereinigungsprozesse vorgelegt.

Evidenzstärke Schlussfolgerungen aus selbstberichteten Informationen.

1. Welche spezifischen Margeverbesserungen wurden in Pilottests im Vergleich zu aktuellen Tabellenkalkulationsmethoden beobachtet?
2. Wie geht die Plattform mit der Integration in bestehende ERP-Systeme um, die von petrochemischen Produzenten genutzt werden?
3. Was ist der Zeitplan, um über den Hackathon-Prototypen zu einer produktionsreifen Lösung zu gelangen?
4. Wie planen Sie, die KI-Ebene so zu skalieren, dass komplexere Szenarien ohne Verlust der deterministischen Kontrolle bewältigt werden können?
5. Welche sind die zentralen Annahmen in Ihrem Nachfrageprognosemodell und wie wurden diese validiert?
6. Können Sie tatsächliche Leistungskennzahlen des eingeschränkten Optimierers im Vergleich zur manuellen Planung demonstrieren?
7. Wie stellen Sie die Datenqualität beim Import aus CSV-Quellen mit potenziellen Formatierungsproblemen sicher?
8. Was ist Ihre Go-to-Market-Strategie, um petrochemische Produzenten in Südostasien zu erreichen?