Aletheia: La tua cronologia acquisti era già la prova

"La giustizia è la verità in azione." — Benjamin Disraeli

Ogni anno, miliardi di dollari in denaro proveniente da transazioni di class action rimangono non reclamati. Non perché le cause non siano reali. Non perché le persone colpite non ne abbiano diritto. Ma perché presentare la richiesta richiede di rintracciare una scadenza di cui non hai mai sentito parlare, dimostrare un acquisto fatto tre anni fa e districarsi in un modulo di richiesta che sembra progettato per essere abbandonato.

Lo schema è costante. Appare un titolo — una transazione da 3,6 milioni di dollari per il benzene, un caso di contaminazione da talco, una class action sui PFAS — e le persone lo vedono, riconoscono di aver probabilmente usato il prodotto e scorrono oltre. Non perché non gli importi. Perché lo sforzo necessario per passare da "potrei averne diritto" a "ho presentato la richiesta e sono stato pagato" è troppo alto per la maggior parte delle persone.

In precedenza abbiamo condiviso la nostra esperienza a HackPrinceton 2026 x Enter.pro: Costruire il Futuro | Enter . Quell'articolo riguardava l'energia, la missione, il quadro generale. Questo articolo è un approfondimento su un team che ha costruito con Enter durante la competizione e ha vinto un premio: Aletheia.

Ciò che il team dietro Aletheia ha notato è che lo sforzo è quasi interamente artificiale. Le prove esistono già. Le cronologie degli acquisti dei principali rivenditori, delle app di consegna e delle piattaforme di pagamento contengono record a livello di SKU di esattamente cosa hanno comprato le persone, quando e da chi. I dati che provano l'idoneità ci sono già. Si trovano solo dal lato sbagliato di un login.

Cosa fa Aletheia

Aletheia trasforma lo storico degli acquisti in un pacchetto di richiesta pronto per l'invio in tre passaggi.

Collega gli account. Gli utenti connettono i loro account di shopping e consegna, e Aletheia estrae i dati delle transazioni — ogni nome di prodotto, esercente, data e prezzo per singola voce. Non categorie. Prodotti reali.

Scansiona per l'esposizione. Un'analisi basata sull'IA incrocia ogni prodotto acquistato con un catalogo curato di sostanze chimiche legate a contenziosi: benzene, talco, parabeni, PFAS, rilasciatori di formaldeide e altri. Gli utenti ricevono un rapporto sull'esposizione con un punteggio da 0 a 100, una classificazione percentile e un riepilogo per sostanza chimica e prodotto segnalato. Non è un avvertimento. È un'immagine di ciò a cui sei stato effettivamente esposto, basata su ciò che hai effettivamente acquistato.

Corrispondenza con le transazioni. Le sostanze chimiche e i prodotti rilevati vengono confrontati con un catalogo live di transazioni di class action attive, aggiornato ogni ora dai database legali pubblici. Ogni corrispondenza viene classificata: o l'utente ha acquistato lo specifico prodotto idoneo, o la sua esposizione si sovrappone alla sostanza chimica in questione. Le transazioni scadute vengono filtrate. I duplicati vengono rimossi. Per ogni corrispondenza, Aletheia genera una guida alla presentazione in cinque fasi e un pacchetto di prove in PDF — costruito dai record di acquisto — pronto per essere inviato.

Il disallineamento che Aletheia sta colmando non riguarda la complessità legale. Riguarda le informazioni e l'attrito. Gli amministratori delle richieste accettano già i documenti d'acquisto come prova. I documenti esistono già. Il divario era uno strumento in grado di collegarli automaticamente.

La costruzione — e il problema incontrato

Il team ha costruito Aletheia durante l'HackPrinceton della primavera 2026; il loro flusso di lavoro è passato dalla ricerca ai requisiti del prodotto fino a Enter — utilizzando le integrazioni MCP e le Skill di Enter per connettere le fonti di dati esterne e costruire lo strato di intelligenza — fino a un prodotto completamente distribuito. Enter ha gestito l'infrastruttura backend: lo strato di autenticazione, il database e le funzioni edge che alimentano l'analisi dell'esposizione, lo scraping delle transazioni e la logica di corrispondenza.

Il problema più difficile non è stata l'infrastruttura tecnica. È stata la fiducia.

La prima versione della logica di esposizione e corrispondenza permetteva all'IA di sintetizzare sia il catalogo delle transazioni che i punteggi di corrispondenza. Era veloce da costruire e plausibile nei risultati — finché non ha smesso di esserlo. Il modello ha inventato importi di transazione. Ha generato richieste per cause legali inesistenti. Ha prodotto verdetti di idoneità che non avevano alcuna base in nessun procedimento legale reale.

Per un prodotto di finanza consumer, questo non è un bug. È un fallimento invalidante. Non puoi dire a qualcuno che ha una richiesta del valore di 4.200 dollari se quel numero proviene da un modello che stava colmando le lacune invece di leggere dati verificati.

La correzione ha richiesto di separare ciò che l'IA fa bene da ciò di cui non ci si può fidare che faccia da sola. I dati reali sulle transazioni vengono ora estratti direttamente dai database legali pubblici, archiviati in modo canonico e arricchiti con pagamenti, scadenze e URL di richiesta verificati. Il ruolo dell'IA al momento della corrispondenza è limitato alla citazione di ciò che è già presente nel catalogo — nessuna sintesi, nessuna estrapolazione. L'output è fondato perché il database è fondato.

Tre strati di de-duplicazione gestiscono il fatto che la stessa transazione appare frequentemente sotto URL e titoli leggermente diversi tra fonti diverse. La logica delle scadenze distingue tra le transazioni che sono effettivamente chiuse e quelle con date non analizzabili o in sospeso — le prime filtrate in modo aggressivo, le seconde trattate come ancora aperte. La ricevuta in PDF è stata perfezionata finché non ha assunto l'aspetto di qualcosa che un amministratore delle richieste accetterebbe davvero: intestazioni degli esercenti, tabelle delle singole voci, piè di pagina di verifica.

Ogni percorso ha un fallback. La demo non raggiunge mai uno stato di errore.

Di cosa sono più orgogliosi

L'intera pipeline, da un capo all'altro. Un utente collega i propri account, riceve un rapporto sull'esposizione, vede le transazioni corrispondenti e scarica un PDF pronto per l'invio — tutto dai dati di acquisto che già possedeva, elaborati in un modo a cui non ha mai dovuto pensare.

E la ricevuta. Far sì che un documento generato sembri una prova legale, non un output da hackathon, ha richiesto molta iterazione. Il fatto che ci siano riusciti è il dettaglio su cui il team continua a tornare.

Cosa succederà

Avvisi basati su webhook: notificare agli utenti il momento in cui un nuovo acquisto corrisponde a una transazione esistente, senza richiedere una scansione manuale. Moduli di richiesta con riempimento automatico: pre-compilare i campi standard dai record di acquisto e dai dati di esposizione, e inviare per conto dell'utente dove gli amministratori lo consentono. Analisi storica tramite OCR degli estratti conto bancari, che è dove risiede il denaro a lungo termine delle transazioni — richieste su prodotti acquistati anni prima che qualsiasi piattaforma iniziasse a tracciare gli SKU. E integrazione dei pagamenti reali: accettare i fondi delle transazioni direttamente, con una piccola commissione di successo.

L'infrastruttura per tutto questo è già in atto. La pipeline che funziona per le transazioni attive funziona per qualsiasi transazione. Il recupero delle prove che funziona per gli account collegati funziona per gli estratti conto caricati. L'ambito di ciò che Aletheia può fare si espande con ogni fonte di dati a cui può accedere.

Il denaro è sempre stato lì. Era il percorso per raggiungerlo che mancava.

Il team dietro questo progetto è formato da: Haoran Xu | Anish Yenduri | Brian Li | Adarsh Danda

Ti sei perso i volumi precedenti? → 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