Owner-led SMB
10 bis 200 Mitarbeiter, hohe operative Dichte, viele Signale außerhalb sauberer SaaS-Tabellen.
These
Company Brain ist Kategorie. Raumdeuter ist die Version für physische, inhabergeführte Betriebe.
Glean startet bei Enterprise Search. Hebbia startet bei Research. GBrain startet bei Founder Memory. Raumdeuter startet dort, wo normale SaaS-Datenmodelle brechen: Werkstattfoto, WhatsApp-Zusage, Kundenupdate-Lücke, Rechnungsfenster, Bauchgefühl des Inhabers.
Operational Radar
Radar Cards mit Signal, Beleg, Vorschlag und Approval-Gate. Das ist der MVP-Surface, nicht ein Multi-Feature-Mischpaket.
Betriebsphysik
Das Labor ist schwer, fragmentiert und reguliert. Genau diese Härte wird zur Produkt-Substanz.
Sechs Differenzierungsanker
Nicht besserer Glean. Andere Kategorie.
Owner-led SMB
Was geht heute kaputt, wenn der Chef es nicht im Kopf behält?
Physische Evidenz
Ein Foto kann Beweis, Risiko, Arbeitsanweisung, Kundenkommunikation, Rechnungsgrundlage und Story-Material sein.
Proaktiver Radar
Raumdeuter wartet nicht auf Suche. Es bringt operative Knoten hoch, bevor Schaden entsteht.
Sovereignty
Rohdaten bleiben im Storage des Kunden. Raumdeuter speichert Pointer und schmale Evidence-Slices.
Failure-to-Rule
Operative Fehlläufe werden zu Regeln, Eval-Cases und Karten. Der Harvest läuft, externe Zählbehauptung erst nach Tabellenstand.
Operator-Founder
Marc ist Betreiber und Builder. Raumdeuter entsteht aus täglicher Betriebsreibung, nicht aus Marktfolien.
Landkarte
Wie Raumdeuter gegen Company-Brain-Wettbewerber steht.
| Dimension | Glean / Hebbia / GBrain | Raumdeuter |
|---|---|---|
| Ursprung | Enterprise Search, Finance Research, Founder Brain | Echter Inhaberbetrieb |
| Zielnutzer | Knowledge Worker, Analyst, Founder-Builder | Überlasteter Betriebsinhaber |
| Datenrealität | Docs, Apps, Meetings, Slack, CRM | WhatsApp, Fotos, Videos, Rechnungen, Werkstattnotizen, Zusagen |
| Hauptmodus | Suche, Analyse, Agent Memory | Proaktiver Radar |
| Output | Antwort, Analyse, Agent-Aktion | Fünf Card-Typen mit Beleg und Approval |
| Moat | Distribution, Datenintegration, Scale | Operator-Founder, schwieriger Markt, echte Failure-Loops |
Founder leverage
AI-native Workbench ist Teil des Proofs, nicht Teil des MVP-Heros.
Marc betreibt heute ein File-basiertes AI-Arbeitssystem: Claude/Cowork als Strategie-, Coaching- und Freigabe-Layer, Codex als Worker-Layer für Recherche, Systematisierung und Execution. Der Kundensurface bleibt trotzdem schmal: Operational Radar mit fünf Card-Typen.
HandoffsYAML-Header, Statusmarker, Review-Gates, klare Ordnerdisziplin.
Worker LayerCodex erledigt Recherche, ETL, Bulk-Operationen, QA und Website-Builds.
ApprovalExterne Wirkung bleibt Marc- und Review-Gate. Keine Auto-Publish-These.
Investor Q&A
Kurze Antworten auf die ersten harten Fragen.
Was baut ihr?
Raumdeuter ist ein AI Operating System für inhabergeführte Mittelständler, bei denen der Inhaber der Engpass ist. Es zieht verstreute Daten in einen Evidence Graph, lässt versionierte Skills laufen und liefert Radar Cards mit Beleg und Freigabe.
Wie unterscheidet ihr euch von GBrain, Glean und Hebbia?
Wir hosten nicht den gesamten Datenbestand. Raumdeuter ist als Index auf dem Dateisystem des Kunden gedacht, plus Operator Memory und Eval-Library aus echten Betriebsfehlern.
Warum jetzt?
LLMs sind für eingezäunte Skill-Aufgaben zuverlässig genug, owner-led SMBs stehen unter Arbeits- und Regulierungsdruck, und AI-native Founder-Building macht Pre-Seed-Leverage ohne klassisches CTO-Setup realistisch.
Warum Classic-Car-Restauration als Labor?
Weil der Markt schwer ist: lange Laufzeiten, fragmentierte Kommunikation, physische Evidenz, emotionale Kunden, Teileketten, Zahlungen und Regulierung. Wenn Raumdeuter dort funktioniert, ist die Übertragung auf andere Servicebetriebe plausibel.
Wie wird aus Concierge ein Produkt?
Erst drei Pilotbetriebe mit wöchentlichem Radar stabilisieren, dann Multi-Tenant-Substrate, Skill-Manifest und Eval-Log produktisieren. Der Concierge-MVP ist Lernmaschine, nicht Endzustand.