Aletheia: Ihre Kaufhistorie war bereits der Beweis

„Gerechtigkeit ist Wahrheit in Aktion.“ — Benjamin Disraeli

Jedes Jahr bleiben Milliarden von Dollar an Sammelklage-Vergleichen unbeansprucht. Nicht, weil die Klagen nicht real wären. Nicht, weil die betroffenen Personen nicht anspruchsberechtigt wären. Sondern weil das Einreichen des Anspruchs erfordert, eine Frist zu finden, von der man noch nie gehört hat, einen Kauf nachzuweisen, den man vor drei Jahren getätigt hat, und ein Antragsformular auszufüllen, das sich anfühlt, als wäre es darauf ausgelegt, abgebrochen zu werden.

Das Muster ist konsistent. Eine Schlagzeile taucht auf — ein Benzol-Vergleich über 3,6 Millionen Dollar, ein Fall von Talk-Kontamination, eine PFAS-Sammelklage — und die Leute sehen es, erkennen, dass sie das Produkt wahrscheinlich benutzt haben, und scrollen weiter. Nicht, weil es ihnen egal ist. Sondern weil der Aufwand, von „Ich könnte anspruchsberechtigt sein“ zu „Ich habe den Antrag eingereicht und wurde bezahlt“ zu gelangen, für die meisten Menschen zu hoch ist.

Zuvor haben wir unsere Erfahrungen beim HackPrinceton 2026 x Enter.pro: Die Zukunft bauen | Enter geteilt. Dieser Artikel handelte von der Energie, der Mission und dem großen Ganzen. Dieser Artikel taucht tief in ein Team ein, das während des Wettbewerbs mit Enter gebaut hat und einen Preis gewonnen hat: Aletheia.

Was das Team hinter Aletheia bemerkte, ist, dass der Aufwand fast vollständig künstlich erzeugt ist. Die Beweise existieren bereits. Kaufhistorien von großen Einzelhändlern, Liefer-Apps und Zahlungsplattformen enthalten SKU-basierte Aufzeichnungen darüber, was die Leute genau gekauft haben, wann und bei wem. Die Daten, die die Anspruchsberechtigung belegen, sind bereits vorhanden. Sie liegen nur auf der falschen Seite eines Logins.

Was Aletheia tut

Aletheia verwandelt Kaufhistorien in drei Schritten in ein einreichungsbereites Antragspaket.

Konten verknüpfen. Benutzer verbinden ihre Einkaufs- und Lieferkonten, und Aletheia zieht die Transaktionsdaten — jeden Produktnamen, Händler, Datum und Einzelpostenpreis. Nicht Kategorien. Tatsächliche Produkte.

Nach Exposition scannen. Eine KI-gestützte Analyse vergleicht jedes gekaufte Produkt mit einem kuratierten Katalog von Chemikalien, die mit Rechtsstreitigkeiten in Verbindung stehen: Benzol, Talk, Parabene, PFAS, Formaldehydabspalter und andere. Benutzer erhalten einen Expositionsbericht mit einem Wert von 0–100, ein Perzentil-Ranking und eine Aufschlüsselung nach Chemikalie und markiertem Produkt. Es ist keine Warnung. Es ist ein Bild dessen, was tatsächlich aufgenommen wurde, basierend auf dem, was tatsächlich gekauft wurde.

Mit Vergleichen abgleichen. Die erkannten Chemikalien und Produkte werden mit einem Live-Katalog aktiver Sammelklage-Vergleiche abgeglichen, der stündlich aus öffentlichen Rechtsdatenbanken aktualisiert wird. Jeder Treffer wird klassifiziert: Entweder hat der Benutzer das spezifische anspruchsberechtigte Produkt gekauft, oder seine Exposition überschneidet sich mit der betroffenen Chemikalie. Abgelaufene Vergleiche werden herausgefiltert. Duplikate werden zusammengefasst. Für jeden Treffer generiert Aletheia eine fünfstufige Einreichungsanleitung und ein PDF-Beweispaket — erstellt aus den Kaufunterlagen — bereit zum Absenden.

Die Lücke, die Aletheia schließt, hat nichts mit rechtlicher Komplexität zu tun. Es geht um Informationen und Reibungsverluste. Die Verwalter der Ansprüche akzeptieren bereits Kaufunterlagen als Beweismittel. Die Unterlagen existieren bereits. Die Lücke war ein Werkzeug, das sie automatisch verbinden konnte.

Der Aufbau — und das Problem, auf das er stieß

Das Team baute Aletheia während der HackPrinceton im Frühjahr 2026; und ihr Arbeitsablauf bewegte sich von der Forschung über Produktanforderungen bis hin zu Enter — unter Verwendung von Enters MCP-Integrationen und Skills, um die externen Datenquellen zu verbinden und die Intelligenzebene aufzubauen — bis hin zu einem vollständig bereitgestellten Produkt. Enter übernahm die Backend-Infrastruktur: die Authentifizierungsebene, die Datenbank und die Edge-Funktionen, die die Expositionsanalyse, das Scrapen der Vergleiche und die Abgleichlogik antreiben.

Das schwierigste Problem war nicht die technische Infrastruktur. Es war Vertrauen.

Die erste Version der Expositions- und Abgleichlogik ließ die KI sowohl den Vergleichskatalog als auch die Trefferwerte synthetisieren. Es war schnell zu bauen und in der Ausgabe plausibel — bis es das nicht mehr war. Das Modell erfand Vergleichsbeträge. Es generierte Ansprüche für Klagen, die nicht existierten. Es produzierte Berechtigungsurteile, die keinerlei Grundlage in einem echten Gerichtsverfahren hatten.

Für ein Verbraucherfinanzprodukt ist das kein Fehler. Es ist ein disqualifizierendes Versagen. Man kann niemandem sagen, dass er einen Anspruch im Wert von 4.200 $ hat, wenn diese Zahl von einem Modell stammt, das Lücken füllte, anstatt verifizierte Daten zu lesen.

Die Lösung erforderte die Trennung dessen, was KI gut kann, von dem, was man ihr allein nicht anvertrauen kann. Echte Vergleichsdaten werden nun direkt aus öffentlichen Rechtsdatenbanken gescraped, kanonisch gespeichert und mit verifizierten Auszahlungen, Fristen und Antrags-URLs angereichert. Die Rolle der KI beim Abgleich ist darauf beschränkt, nur das zu zitieren, was bereits im Katalog vorhanden ist — keine Synthese, keine Extrapolation. Die Ausgabe ist fundiert, weil die Datenbank fundiert ist.

Drei Deduplizierungsebenen bewältigen die Tatsache, dass derselbe Vergleich häufig unter leicht unterschiedlichen URLs und Titeln in verschiedenen Quellen erscheint. Die Fristenlogik unterscheidet zwischen Vergleichen, die tatsächlich geschlossen sind, und solchen mit nicht analysierbaren oder ausstehenden Daten — erstere werden aggressiv herausgefiltert, letztere als noch offen behandelt. Der PDF-Beleg wurde so lange überarbeitet, bis er wie etwas aussah, das ein Anspruchsverwalter tatsächlich akzeptieren würde: Händlerkopfzeilen, Tabellen für Einzelposten, Verifizierungsfußzeilen.

Jeder Pfad hat einen Fallback. Die Demo erreicht niemals einen defekten Zustand.

Worauf sie am stolzesten sind

Die gesamte Pipeline, von Anfang bis Ende. Ein Benutzer verknüpft seine Konten, erhält einen Expositionsbericht, sieht seine passenden Vergleiche und lädt ein einreichungsbereites PDF herunter — alles aus Kaufdaten, die er bereits hatte, verarbeitet auf eine Weise, über die er nie nachdenken musste.

Und der Beleg. Ein generiertes Dokument so aussehen zu lassen wie einen rechtlichen Beweis und nicht wie ein Hackathon-Ergebnis erforderte Iteration. Dass dies gelungen ist, ist das Detail, auf das das Team immer wieder zurückkommt.

Was als Nächstes kommt

Webhook-gesteuerte Benachrichtigungen: Benachrichtigen Sie Benutzer in dem Moment, in dem ein neuer Kauf mit einem bestehenden Vergleich übereinstimmt, ohne dass ein manueller Scan erforderlich ist. Formulare automatisch ausfüllen: Standardfelder aus Kaufunterlagen und Expositionsdaten vorausfüllen und im Namen des Benutzers einreichen, wo Verwalter dies zulassen. Historische Rückschau per Kontoauszugs-OCR, wo das langfristige Vergleichsgeld liegt — Ansprüche auf Produkte, die Jahre vor Beginn der SKU-Verfolgung auf irgendeiner Plattform gekauft wurden. Und echte Auszahlungs-Integration: Akzeptieren Sie Vergleichsgelder direkt, mit einer kleinen Erfolgsgebühr.

Die Infrastruktur für all das ist bereits vorhanden. Die Pipeline, die für aktive Vergleiche funktioniert, funktioniert für jeden Vergleich. Die Beweisabfrage, die für verknüpfte Konten funktioniert, funktioniert für hochgeladene Kontoauszüge. Der Umfang dessen, was Aletheia tun kann, erweitert sich mit jeder Datenquelle, die sie erreichen kann.

Das Geld war schon immer da. Der Weg dorthin hat gefehlt.

Das Team hinter diesem Produkt: Haoran Xu | Anish Yenduri | Brian Li | Adarsh Danda

Die früheren Ausgaben verpasst? → Vol. 1 — Heritage in Pixels → Vol. 2 — Terra Zone AI *→ Vol. 3: *reAgent *→ Vol. 4: *TaleTailor *→ Vol. 5: *LEGR *→ Vol. 6: *PolyPath *→ Vol. 7: *EcoThread