Whetstone

Was das Unternehmen zu sein scheint: Whetstone ist ein selbst gemeldetes, von KI angetriebenes Werkzeug für den Denkprozess, das für die persönliche Ideenentwicklung und Introspektion entwickelt wurde. Der Autor beschreibt es als eine Anwendung, die Nutzer auf strukturierte Weise befragt, GPT-5.6 verwendet, um Annahmen ohne Schmeichelei in Frage zu stellen, und nutzergenerierte Inhalte den Nutzern selbst zurückgibt. Es umfasst Funktionen wie einen "Mirror" (ein reflektierender Brief basierend auf dem Gespräch) und einen "Workshop" (strukturierte Ideenkritik), mit einem Fokus auf Anti-Sycophancy als zentrales Engineering-Prinzip.

Was sich geändert hat: Das Projekt wurde von Grund auf neu aufgebaut, wobei Codex für die Codegenerierung verwendet wurde, mit einem Schwerpunkt auf spezifikationsgetriebener Entwicklung, testbaren Prompts und deterministischem Verhalten. Es wurde von no-code-Ansätzen zu einem rigoroseren Engineering-Prozess übergegangen, der Guardrails, Eval-Suites und Deployment-Pipelines umfasst.

Die wichtigste offene Frage: Gibt es Belege für eine tatsächliche Nutzerakzeptanz oder Traction über die eigenen Anwendungsfälle des Autors hinaus? Die Beschreibung enthält keine Daten zu Nutzern, Umsatz oder Kundenbindung – nur Behauptungen über die Produktfunktionalität und interne Tests.

• Die Beschreibung besagt, dass Whetstone ein KI-Werkzeug ist, das als Denkpartner fungieren soll.
• Es führt Discovery-Interviews durch, eine Frage nach der anderen, beginnend mit einer Stimmungsprüfung, die durch die eigenen Worte des Nutzers geprägt ist.
• Es erstellt einen "Mirror" – einen Brief, der zusammenfasst, wo die Energie des Nutzers angestiegen oder abgeflacht ist, indem es den Nutzer zitiert und unbenannte Muster aufzeigt.
• Es umfasst eine "Workshop"-Funktion zur Verfeinerung roher Ideen durch strukturierte Challenge-Response-Zyklen, wobei in jeder Interaktion der eigene Mirror des Nutzers zitiert wird.
• Das System erzwingt Anti-Sycophancy über Code und Prompt-Engineering, um Lob zu vermeiden und sicheres Gegenwind auf der Grundlage von selbst zitierten Inhalten sicherzustellen.
• Das Produkt wird mit Technologien entwickelt, darunter Next.js, TypeScript, PostgreSQL, Supabase, Clerk, OpenAI (GPT-5.6) und Codex.

Hinweis: Es werden keine Belege für tatsächliche Nutzer oder Kunden über die eigenen Anwendungsfälle des Autors hinaus vorgelegt.

• Die Beschreibung behauptet, Whetstone biete einen „ehrlichen Denkpartner“ – im Gegensatz zu typischen KI-Werkzeugen, die nur positive Verstärkung bieten.
• Es positioniert sich als Werkzeug, um Menschen zu helfen, blinde Flecken in ihrem Denken zu entdecken, indem es Annahmen ohne Schmeichelei in Frage stellt.
• Der Autor betont, dass die System-Prompts so gestaltet sind, dass sie Nutzer auf sich selbst zurückverweisen, und dass dieses Verhalten programmatisch erzwungen wird, anstatt sich ausschließlich auf Prompt-Tuning zu verlassen.
• Die zentrale Behauptung des Produkts – Anti-Sycophancy – wird als widerlegbar und über eine Eval-Suite testbar beschrieben.
• Es gibt keine Hinweise auf eine breitere Marktpositionierung jenseits der persönlichen Entwicklung oder Ideenverfeinerung.

Schlussfolgerung: Die Positionierung scheint von Nischencharakter zu sein und richtet sich an introspektive oder kreative Individuen, die ehrliches Feedback von KI-Werkzeugen suchen. Es scheint nicht auf Enterprise- oder B2B-Anwendungsfälle abzielen.

• Nicht belegt.
• Die Beschreibung identifiziert keine spezifischen Personas, Segmente oder Kundentypen über die persönliche Erfahrung des Autors hinaus.
• Es wird nicht erwähnt, ob Whetstone Kreative, Unternehmer, Studierende oder Fachkräfte in einem bestimmten Bereich anspricht.

Fehlen von Belegen: Es gibt keine klare Identifizierung der Zielkunden oder des idealen Kundenprofils (ICP).

• Nicht belegt.
• Die Beschreibung enthält keine Informationen zu Preismodellen, Monetarisierungsstrategien oder Umsatzquellen.
• Es gibt keinen Hinweis darauf, ob das Tool kostenlos, abonnementbasiert oder als kostenpflichtiger Dienst angeboten wird.

Fehlen von Belegen: Es wird kein Geschäftsmodell oder keine Preisstruktur beschrieben.

• Das Produkt wurde mit Codex für die Codegenerierung auf Basis einer gesperrten Build-Spezifikation und einer Guardrails-Datei erstellt.
• Die Authentifizierung durchlief mehrere Iterationen (magic-link PKCE → token-hash-Verifizierung → OTP-Codes → Clerk).
• Eine Test-Suite bewertet die Anti-Sycophancy-Funktion anhand von sechs eingebetteten fehlerhaften Ideen und prüft, dass keine lobenden Einleitungen verwendet werden und in den ersten Antworten auf Mirrors verwiesen wird.
• Das System erzwingt das Verhalten über Code, wo Prompts allein nicht ausreichten – wie etwa stimmungsbasierte Kursänderungen und Interview-Limits.
• Die Deployment-Pipeline umfasst Vercel-Logs, die 25+ Deployments am ersten Tag zeigen, wobei acht aufeinanderfolgende Fehler auftraten, bevor ein erfolgreicher Deployment stattfand.
• Die Architektur nutzt Next.js, TypeScript, PostgreSQL, Supabase, Clerk, Tailwind, Zod und OpenAI.

Schlussfolgerung: Der Engineering-Ansatz ist hochgradig diszipliniert und betont spec-getriebene Entwicklung sowie automatisiertes Testing. Dies impliziert jedoch keine kommerzielle Tragfähigkeit oder Skalierbarkeit über den eigenen Anwendungsfall des Autors hinaus.

• Nicht belegt.
• Es gibt keine Erwähnung tatsächlicher Nutzer, Registrierungen, Retention-Metriken oder Nutzungsdaten.
• Der einzige Beleg für Traction stammt aus internen Sitzungen, die vom Autor und einigen Fremden durchgeführt wurden, die sich innerhalb von sechs Minuten registrierten.
• Es liegen keine Daten zur Kundenakquise, zum Engagement oder zur Produktadoption über die eigenen Tests des Entwicklers hinaus vor.

Fehlen von Belegen: Es werden keine messbare Traction oder Nutzerdaten bereitgestellt.

• Nicht belegt.
• Die Beschreibung verweist nicht auf Wettbewerber oder ähnliche Tools auf dem Markt.
• Es gibt keine Diskussion darüber, wie Whetstone im Vergleich zu bestehenden KI-Denkpartnern, Ideenentwicklungsplattformen oder introspektiven Tools abschneidet.

Fehlen von Belegen: Es wird keine Wettbewerbslandschaft oder Positionierung im Verhältnis zu anderen Tools beschrieben.

• Das Produkt wird als Einzelprojekt (Teamgröße: 1) beschrieben, ohne externe Validierung oder Nutzerfeedback.
• Es stützt sich stark auf GPT-5.6, das möglicherweise nicht öffentlich verfügbar oder stabil ist – insbesondere wenn es sich um eine proprietäre Version handelt.
• Die Anti-Sycophancy-Erzwingung des Systems ist in Code und Evals integriert, aber es gibt keine Belege für die Leistung in der realen Welt außerhalb der kontrollierten Tests des Autors.
• Das Produkt wurde nicht mit externen Nutzern oder Kunden validiert, was Fragen zu seiner Nützlichkeit über die Bedürfnisse des Erfinders hinaus aufwirft.
• Es gibt keinen klaren Weg zur Monetarisierung oder Skalierung.

Schlussfolgerung: Das Risiko einer Fehlausrichtung zwischen der Vision des Erfinders und den tatsächlichen Nutzerbedürfnissen ist hoch, da es an externer Validierung mangelt.

1. Welche spezifischen Probleme lösen Sie für Nutzer, und wie wissen Sie, dass diese Probleme real sind?
2. Wie planen Sie, Nutzer außerhalb Ihres eigenen Netzwerks oder Ihrer persönlichen Testphase zu gewinnen?
3. Gibt es externe Nutzer oder Beta-Tester, die Feedback zum Produkt gegeben haben?
4. Wie lautet Ihre langfristige Vision zur Monetarisierung oder Skalierung des Produkts?
5. Können Sie uns erläutern, wie der Anti-Sycophancy-Mechanismus in der Praxis funktioniert und was geschieht, wenn er versagt?
6. Wie planen Sie, die Qualitätskontrolle aufrechtzuerhalten, während sich das System über den anfänglichen Prototyp hinaus weiterentwickelt?