Teach

Die Beschreibung besagt, dass Teach ist:

• Ein quelloffenes, plattformübergreifendes Codex-Plugin.
• Ein Werkzeug zum Erlernen von von Menschen demonstrierten Workflows.
• Entwickelt, um begrenzte Demonstrationen aufzuzeichnen, Frames zu extrahieren und Codex zu veranlassen, ein strukturiertes Prozessmodell zu erzeugen.
• Nicht stillschweigend automatisiert – der Benutzer prüft und bearbeitet den Entwurf vor der Veröffentlichung.
• Erzeugt eine Standard-Codex-Fähigkeit, keine versteckte Makro- oder pixelbasierte Automatisierung.

Es wird als Plugin beschrieben, das:

• Native Recorder-Adapter für GNOME Wayland, macOS und Windows 11 verwendet.
• Eine in Codex eingebettete MCP Apps-Schnittstelle enthält.
• Über einen lokalen Session-Store mit atomarem JSON und append-only JSONL verfügt.
• FFmpeg-Validierung und begrenzte Frame-Extraktion verwendet.
• Schema-beschränkte Analysen über sandboxed Codex exec anwendet.
• Deterministische Capability- und Policy-Checks vor der Veröffentlichung durchsetzt.

Schlussfolgerung Das Produkt ist ein für Entwickler ausgerichtetes Werkzeug zur Erfassung und Dokumentation von Workflows, nicht eine Automatisierungsplattform für Endbenutzer. Es wurde mit einem Fokus auf Transparenz, Datenschutz und strukturierte Ausgabe entwickelt.

Die Beschreibung besagt, dass Teach:

• Als Differenzierungsmerkmal zu OpenAI Record & Replay positioniert ist.
• Offenheit (Apache-2.0), plattformübergreifende Unterstützung und strukturierte Beschriftung von Workflows betont.
• Sich auf die Generierung von Prozessmodellen statt auf einfaches Replay konzentriert.
• Datenschutz-orientiert ist, mit sichtbarer Aufzeichnung, begrenzter Erfassung und lokaler Speicherung.

Schlussfolgerung Die Positionierung ist, dass Teach ein Werkzeug für Entwickler oder Workflow-Ingenieure ist, die von Menschen demonstrierte Prozesse auf strukturierte, wiederverwendbare Weise dokumentieren und teilen möchten – nicht für allgemeine Automatisierung oder Endbenutzer-Workflows.

Die Beschreibung nennt nicht den Zielkunden oder das ideale Kundenprofil (ICP). Sie impliziert ein Entwicklerpublikum aufgrund des Fokus auf Codex, der Plugin-Architektur und der technischen Implementierung. Es wird jedoch kein expliziter Kundensegment genannt.

Nicht belegt Es gibt keine Informationen darüber, wer es nutzt, welche Jobfunktion diese Personen haben oder ob es bekannte Nutzer oder Personas gibt.

Die Beschreibung sagt nichts über ein Geschäftsmodell oder Preise aus. Sie beschreibt das Werkzeug als quelloffen und für Entwickler entwickelt, um es in der Workflow-Dokumentation und Automatisierungserfassung zu nutzen.

Nicht belegt Keine Erwähnung von Monetarisierung, Lizenzierung oder Preismodellen.

Die Beschreibung besagt:

• Entwickelt mit bun, Codex, ffmpeg, GNOME Wayland, GPT-5.6, MCP Apps, Next.js, Screencapturekit, TypeScript, Windows 11.
• Beinhaltet native Recorder-Adapter für Linux (GNOME Wayland), macOS und Windows 11.
• Verwendet einen lokalen, dateibasierten Session-Store mit atomarem JSON und append-only JSONL.
• Setzt FFmpeg-Validierung und begrenzte Frame-Extraktion ein.
• Wendet schemabasierte Analysen über sandboxed Codex exec an.
• Führt deterministische Capability- und Policy-Checks vor der Veröffentlichung durch.
• Beinhaltet eigenständige Plattform-Runtimes für eine einfache Installation.

Schlussfolgerung Das Tool ist technisch anspruchsvoll, plattformübergreifend und mit Blick auf Entwickler-Tools entwickelt. Es betont lokale Ausführung, Datenschutz und strukturierte Ausgaben.

Die Beschreibung lautet:

• Es wurde beim OpenAI 2026 Hackathon eingereicht.
• Beinhaltet ein Demovideo (https://youtu.be/1xKRY7CZj8A).
• Bietet einen deterministischen Judge-Pfad ohne Anmeldedaten für Installation und Testen.
• Das Repository bewahrt Prompt-Historie und Engineering-Entscheidungen in seiner Prompt-Bibliothek und im Devlog.

Nicht belegt Keine Hinweise auf Nutzer, Kunden, Umsatz oder Adoption über die eigene Entwicklung und das Demo des Autors hinaus. Keine Erwähnung von Nutzungsmetriken, Produktreleases oder Marktdurchdringung.

Die Beschreibung lautet:

• Teach wird als anders als OpenAI Record & Replay positioniert.
• Es erkundet eine andere Produktgrenze, indem es sich auf strukturierte Labeling, Output-Verträge, Risiken und Verifikationskriterien konzentriert.
• Es ist unabhängig implementiert und nicht mit OpenAI Record & Replay verbunden oder ein Ersatz dafür.

Schlussfolgerung Der Wettbewerbskontext liegt im Bereich der Workflow-Automatisierungstools und Codex-Plugins. Es werden jedoch keine Informationen über andere Akteure in diesem Bereich oder darüber gegeben, wie Teach im Vergleich zu ihnen abschneidet.

• Keine kommerzielle Traction oder Adoption: Das Projekt wird als Hackathon-Einreichung beschrieben, ohne Hinweise auf reale Nutzung.
• Nur auf Entwickler ausgerichtet: Keine Hinweise auf Endnutzer- oder geschäftliche Funktionen, was den potenziellen Marktzugang einschränkt.
• Nur selbst gemeldet: Alle Aussagen sind unbestätigt und basieren auf der eigenen Beschreibung des Autors.
• Keine Preisgestaltung oder Monetarisierungsstrategie: Das Tool ist Open Source, aber es ist kein Weg zu Einnahmen erkennbar.
• Begrenzte Hinweise auf Produktreife: Keine Erwähnung von Produktivnutzung, Nutzerfeedback oder Iteration über ein Demo hinaus.

1. Was ist der tatsächliche Anwendungsfall für dieses Tool? Wer sind die Nutzer?
2. Wurde es in realen Workflows über das Demo hinaus getestet?
3. Gibt es Pläne, das Tool zu monetarisieren oder zu kommerzialisieren?
4. Wie behandelt Teach Grenzfälle bei der Workflow-Erfassung, insbesondere in komplexen oder nicht standardmäßigen Umgebungen?
5. Was ist die langfristige Vision für Teach – ist es ein eigenständiges Produkt oder Teil eines größeren Ökosystems?