UnAI Evidence — Explainable Portrait Analysis

Die Beschreibung besagt, dass UnAI Evidence ein Tool zur Analyse von Porträtbildern ist, das sichtbare, mit Bearbeitung zusammenhängende Signale auf eine nachvollziehbare Weise darstellt. Es funktioniert wie folgt:

• Annahme von von Nutzern hochgeladenen Porträts mit ausdrücklicher Einwilligung;
• lokale Validierung des Bildes und Erstellung einer kostenbegrenzten Analysekopie mit 1024 px;
• Messung leichter deterministischer Signale wie Kanten-Dichte, Luminanz-Verteilung, Sättigung und Kompressionshinweisen;
• Übermittlung dieser Daten an GPT-5.6 Sol zur strukturierten Berichtserstellung;
• visuelle Darstellung der Ergebnisse mit dünnen Pfeilen, die auf Evidenzstandorte zeigen, und erweiterbaren Erklärungen;
• optionales Angebot einer separat einwilligungsbasierten GPT Image 2-Bearbeitung, die eine klar gekennzeichnete naturalisierte Interpretation erstellt.

Das Tool wird als bewusst nicht behauptend beschrieben, das wahre Original wiederherzustellen, oder zu beweisen, dass ein Bild gefälscht ist. Es ist ein Erklärungs-Tool nur für sichtbare Signale.

Der Autor stellt fest, dass das Tool eine nützlichere Frage stellt als traditionelle Detektions-Tools: „Welche sichtbaren, mit Bearbeitung zusammenhängenden Signale sind vorhanden, wo befinden sie sich und welche gewöhnlichen Kamera- oder Verarbeitungseffekte könnten sie erklären?“

Es positioniert sich als Alternative zu Systemen, die Unsicherheit auf einen unerklärten Prozentsatz reduzieren, und zielt stattdessen auf Transparenz in seinen Befunden ab.

Die Beschreibung benennt keine Zielkunden explizit und definiert kein ideales Kundenprofil (ICP). Es wird jedoch eine Nutzung durch Einzelpersonen impliziert, die Porträts hochladen und Klarheit über Bearbeitungssignale suchen.

In der Beschreibung gibt es keine Hinweise auf Preise, Monetarisierungsstrategie oder Geschäftsmodell. Das Tool scheint ein Prototyp zu sein, der für einen Hackathon erstellt wurde, und weist keinerlei Anzeichen einer kommerziellen Nutzung auf.

Das Tool wird mit folgenden Komponenten erstellt:

• TypeScript/React mit TanStack Start und Tailwind CSS;
• Serverfunktionen über die OpenAI Responses API;
• GPT-5.6 Sol für strukturiertes Reasoning;
• GPT Image 2 für optionale Neuinterpretation;
• Codex als primäre Entwicklungsumgebung.

Es verwendet deterministische Messungen und ein strenges JSON-Schema, um GPT-Ausgaben zu steuern, Beweise von Konfidenz zu trennen und sicherzustellen, dass alternative Erklärungen enthalten sind.

Es gibt keine Hinweise auf Traction oder Adoption über die eigene Entwicklung des Autors hinaus. Es werden keine Kundendaten, Nutzungsmetriken oder Nutzerfeedbacks bereitgestellt.

Die Beschreibung liefert keine Informationen über Wettbewerber oder die Wettbewerbslandschaft. Sie stellt UnAI Evidence lediglich bestehenden Tools gegenüber, die „Unsicherheit auf einen unerklärten Prozentsatz reduzieren“.

1. Keine kommerzielle Traction oder Adoption: Das Tool scheint ein Prototyp zu sein, für den es keine Hinweise auf eine Nutzung in der Praxis gibt.
2. Nicht verifizierte Aussagen zur Genauigkeit: Der Autor gibt an, dass die Bearbeitungshistorie nicht rekonstruiert oder der Nachweis einer Fälschung eines Bildes erbracht werden kann, es gibt jedoch keine Validierung der Qualität oder Zuverlässigkeit der Ausgabe.
3. Begrenzte Skalierbarkeit: Die Architektur ist kostenlimitiert und verwendet pro Bericht nur eine GPT-5.6-Analyse.
4. Abhängigkeit von proprietären APIs: Die starke Abhängigkeit von OpenAI-Modellen (GPT-5.6 Sol, GPT Image 2) kann Risiken mit sich bringen, falls sich diese Dienste ändern oder nicht verfügbar werden.

1. Welche konkreten Anwendungsfälle verfolgen Sie über den Hackathon-Prototyp hinaus?
2. Haben Sie die Genauigkeit der strukturierten Ausgaben von GPT-5.6 Sol in realen Szenarien getestet?
3. Wie planen Sie, dieses Produkt zu skalieren oder zu monetarisieren, falls es Traction gewinnt?
4. Gibt es bekannte Einschränkungen oder Verzerrungen bei der Interpretation der deterministischen Messungen?
5. Was ist Ihre Roadmap für die Integration mehrerer Spezialmodelle und deren Kalibrierung?
6. Haben Sie rechtliche oder ethische Implikationen der Kennzeichnung von Bildern als „edited“ oder „synthetic“ berücksichtigt?