Tacit: Automating Uber's "Agentic Pods" with Codex & GPT-5.6

Was das Unternehmen offenbar ist: Tacit ist ein selbst gemeldetes Tool, das behauptet, die Erstellung von KI-Agenten aus Expertenwissen zu automatisieren, unter Verwendung multimodaler Eingaben (Dokumente, Videos, Audio) und KI-Modellen wie Codex und GPT-5.6. Es positioniert sich als Enabler für Organisationen, um operatives Wissen in überwachte, testbare KI-Agenten zu überführen, während Nachverfolgbarkeit und menschliche Aufsicht erhalten bleiben.

Was sich geändert hat: Die Projektbeschreibung deutet einen Wandel von der manuellen Entwicklung von KI-Agenten (wie bei Ubers Agentic Pods) zu einem automatisierten Prozess hin, bei dem Domänenexperten Belege hochladen und Tacit Workflows und Agenten mit integrierten Sicherheits- und Auditierbarkeitseigenschaften generiert.

Wichtigste offene Frage: Funktioniert Tacit tatsächlich wie beschrieben, oder handelt es sich um einen konzeptionellen Prototyp, der noch keine reale Nützlichkeit nachgewiesen hat?

Hinweis: Diese Analyse basiert ausschließlich auf der vom Autor bereitgestellten, selbst gemeldeten Projektbeschreibung. Es liegen keine unabhängigen Verifizierungen, Traction-Daten, Umsatzangaben, Kundennamen oder Belege von Dritten vor.

Die Beschreibung besagt, dass Tacit eine Full-Stack-Anwendung ist, die:

• Belege aus mehreren Formaten (Dokumente, Tabellenkalkulationen, Bilder, Audio, Video) verarbeitet
• Diese Belege analysiert, um Prozessschritte, Entscheidungsregeln, Ausnahmen und Urteilsentscheidungen zu extrahieren
• Visuelle Workflows mit zitierten Quellen generiert
• Genehmigte Workflows in eingeschränkte Python-Agenten umwandelt
• Diese Agenten in isolierten Docker-Umgebungen ausführt
• Die menschliche Überprüfung und Klärung unsicherer Entscheidungen unterstützt

Es verwendet Next.js 15, React 19, TypeScript, Supabase (für die Speicherung), FastAPI, Python, Codex, GPT-5.6, Terra, Luna und andere Tools.

Schlussfolgerung: Das Produkt scheint ein Prototyp oder ein Proof-of-Concept zu sein, der für einen Hackathon erstellt wurde und noch nicht in Produktion eingesetzt ist.

Der Autor behauptet, Tacit automatisiere Uber-ähnliche Agentic Pods, indem er Domänenexperten ermöglicht, Materialien hochzuladen, anstatt Ingenieure zu zwingen, Agenten manuell zu bauen. Es positioniert sich als Weg, um:

• Operatives Wissen in KI-Agenten zu übertragen
• Nachverfolgbarkeit und Audit-Verlauf zu erhalten
• Die überwachte Bereitstellung von KI-Agenten mit Sicherheitskontrollen zu ermöglichen

Es betont auch, dass das System keine Informationen annimmt, bei Bedarf Klärungsfragen stellt und eine menschliche Überprüfung vor der Agentenausführung zulässt.

Behauptung: Tacit ist so konzipiert, dass die Abhängigkeit von Ingenieuren bei der Erstellung von KI-Agenten reduziert wird, während Kontrolle und Transparenz aufrechterhalten werden.

Die Beschreibung impliziert, dass Tacit Organisationen mit Domänenexperten anspricht, die Workflows automatisieren müssen, aber über keine Engineering-Ressourcen verfügen. Dies könnte umfassen:

• Finance, Legal, HR, Operations-Teams
• Unternehmen, die komplexe Prozesse verwalten, die Expertenurteil erfordern
• Teams, die die Entwicklung von KI-Agenten skalieren möchten, ohne weitere Ingenieure einzustellen

Schlussfolgerung: Die ICP umfasst wahrscheinlich mittel- bis große Unternehmen oder Abteilungen mit vorhandener Dokumentation und Domänenexpertise.

In der Beschreibung gibt es keine Hinweise auf Preismodelle, Monetisierungsstrategien oder Geschäftsmodelle. Da das Projekt als Einreichung für einen Hackathon eingereicht wurde, gibt es keine Anzeichen für kommerzielle Tragfähigkeit oder Einnahmequellen.

nicht belegt

Das System wird mit folgenden Komponenten erstellt:

• Frontend: Next.js 15, React 19, TypeScript, React Flow
• Backend: FastAPI, Python
• Speicher: Supabase (PostgreSQL, privater Dateispeicher)
• KI-Modelle: Codex, GPT-5.6, Terra, Luna
• Ausführungssicherheit: Docker-Container mit eingeschränkten Umgebungen

Es unterstützt:

• Multimodale Eingabeverarbeitung
• Workflow-Generierung und -Versionierung
• Kompilierung von Agenten-Code und isolierte Ausführung
• Human-in-the-loop-Klärung und -Genehmigung

Schlussfolgerung: Dies ist ein Full-Stack-Prototyp mit einer starken technischen Architektur zur Handhabung der Erstellung von KI-Agenten, jedoch ohne Daten zur realen Bereitstellung.

Es gibt keine Hinweise auf Traction, Kunden oder Nutzungsdaten. Das Projekt wurde einem Hackathon eingereicht und wird als Prototyp beschrieben.

nicht belegt

Die Beschreibung verweist auf Ubers Agentic Pods als Präzedenzfall, erwähnt aber keine direkten Wettbewerber. Tacit scheint darauf abzuzielen, die Lücke zwischen Expertenwissen und KI-Automatisierung zu schließen, und könnte potenziell mit folgenden Anbietern konkurrieren:

• Workflow-Automatisierungsplattformen (z. B. UiPath, Automation Anywhere)
• Low-Code-/No-Code-KI-Agenten-Baukästen
• Unternehmensweite Wissensmanagementsysteme

Schlussfolgerung: Tacit könnte als Nischenwerkzeug für die Konvertierung von Unternehmenswissen in Agenten positioniert sein, jedoch wird keine Wettbewerbslandschaft beschrieben.

• Das Projekt wird selbst gemeldet und ist nicht verifiziert; es gibt keine Hinweise auf tatsächliche Funktionalität oder Leistung.
• Es stützt sich stark auf proprietäre KI-Modelle (Codex, GPT-5.6), die möglicherweise nicht öffentlich zugänglich oder skalierbar sind.
• Die Behauptung, aus Rohdokumenten ausführbare Agenten zu generieren, wirft Fragen zur Genauigkeit, Sicherheit und Skalierbarkeit auf.
• Es gibt keine Erwähnung von Unternehmenssicherheitsfunktionen, Compliance oder Integrationen mit bestehenden Tools, abgesehen von für die Zukunft geplanten Integrationen.
• Das System wird als Hackathon-Projekt beschrieben, was darauf hindeutet, dass es nicht in Produktivumgebungen getestet wurde.

Schlussfolgerung: Risiko des Überversprechens hinsichtlich der Funktionalität, ohne den Nutzen in der realen Welt zu demonstrieren.

1. Mit welchen spezifischen Workflows oder Domänen haben Sie Tacit getestet?
2. Wie behandelt Tacit Mehrdeutigkeiten oder widersprüchliche Anweisungen aus hochgeladenen Dokumenten?
3. Können Sie einen funktionierenden Prototyp oder einen Proof-of-Concept demonstrieren?
4. Was sind die Einschränkungen von Codex und GPT-5.6 bei der Generierung genauer Agenten?
5. Haben Sie die Sicherheit und Genauigkeit der generierten Agenten in kontrollierten Umgebungen validiert?
6. Wie planen Sie, über die Hackathon-Umgebung hinaus zu skalieren?
7. Gibt es bestehende Partnerschaften oder frühe Nutzer?