# SAPIENTBLOCK — ShapeNeural Projekt

> Wie wird aus einer abstrakten Technologiefrage ein belastbarer Entscheidungs- und Innovationsprozess?

- **Projekttyp:** Partnerprojekt
- **Status:** LIVE
- **Kategorie:** BLOCKCHAIN
- **Jahr:** 2024
- **Zusammenarbeit:** BLOCKCHAIN REALLABOR
- **Kanonische Seite:** https://www.shapeneural.com/studio/projekte/sapientblock
- **Live-Projekt:** https://sapientblock.com

## Kontext

SAPIENTBLOCK ist eine wachsende Intelligence-Plattform für Blockchain-Anwendungen. Sie analysiert den Kontext eines Unternehmens, gleicht ihn mit hunderten veröffentlichten Use Cases aus 74 Branchen ab und übersetzt das Ergebnis in relevante Beispiele, neue Ideen und nächste Schritte.

## Aufgabe

### Nicht mehr Technologie erklären. Relevanz für ein konkretes Unternehmen beweisen.

Mittelständische Unternehmen brauchen keine weitere Liste möglicher Blockchain-Anwendungen. Sie müssen erkennen, welche Muster zu ihrem Geschäft, ihren Prozessen und ihrem Reifegrad passen. SAPIENTBLOCK verbindet deshalb kuratierte Evidenz, Unternehmenskontext und mehrere KI-Funktionen zu einem durchgängigen Produktsystem.

## System

### Sechs Bausteine arbeiten als ein System.

#### Unternehmensanalyse

Website und Eingaben werden in ein strukturiertes Unternehmensprofil mit Branche, Wertschöpfung und Herausforderungen übersetzt.

#### Semantisches Matching

Ein RAG-gestützter Abgleich priorisiert passende Anwendungen aus dem kuratierten Use-Case-Bestand – nachvollziehbar statt zufällig.

#### Ideengenerator

Cross-Industry-Muster und passende Fälle werden zu neuen, unternehmensspezifischen Produkt- und Prozessideen kombiniert.

#### Insights & Benchmarks

Der Bestand wird nach Branchen, Reifegraden und Mustern auswertbar. So entsteht aus einzelnen Cases ein strategischer Vergleichsraum.

#### Content Operations

Eine redaktionelle Pipeline erzeugt aus strukturierten Daten neue Inhalte und bereitet deren Veröffentlichung für Website und Social Media vor.

#### LLM-Lesbarkeit

Use Cases werden zusätzlich als Markdown, JSON-LD, llms.txt und statische Seiten publiziert, damit Suchmaschinen und KI-Systeme sie zuverlässig verstehen.

## Was ShapeNeural gebaut hat

Nicht nur die Oberfläche, sondern den zusammenhängenden Produkt- und Publikationsprozess von der Datenstruktur bis zur Ausspielung.

- Strukturiertes Wissensmodell für 326 veröffentlichte Anwendungen
- 90-Sekunden-Unternehmensanalyse und semantisches RAG-Matching
- Cross-Industry-Ideengenerator für neue Produkt- und Prozessansätze
- Redaktionelle Pipeline für Website- und Social-Media-Inhalte
- Maschinenlesbare Veröffentlichung über statische Seiten, Markdown, JSON-LD und llms.txt

## Validierung

SAPIENTBLOCK behandelt KI-Ausgaben als prüfbare Vorschläge. Relevanz entsteht aus realen Fällen, sichtbaren Quellen und redaktioneller Kontrolle – nicht aus einer unbelegten Modellantwort.

- Matching-Ergebnisse bleiben mit veröffentlichten Use Cases verbunden
- 74 Branchen testen, ob das Modell über unterschiedliche Kontexte trägt
- Öffentliche Produktoberflächen machen Ergebnisse und Grenzen inspizierbar
- Inhalte werden vor Veröffentlichung redaktionell geprüft

## Heutige Nutzung

Explorer und Unternehmensanalyse sind öffentlich erreichbar. Die Plattform dient zugleich als belastbarer Demonstrator dafür, wie ein wissensintensiver Bestand zu Analyse, Empfehlungen und Content Operations wird.

- Öffentlicher Explorer mit 326 Fällen und Filterung nach Branchen
- Live-Unternehmensanalyse als Einstieg in passende Anwendungen
- Die genannten Zahlen beschreiben den veröffentlichten Bestand – nicht Kunden- oder Nutzerzahlen

## Übertragbarkeit

### Was ein Kunde daraus für sein eigenes Geschäft ableiten kann.

SAPIENTBLOCK ist kein Template für Blockchain. Es zeigt ein übertragbares Muster für wissensintensive Produkte: Daten sammeln, Kontext verstehen, Relevanz berechnen, Inhalte erzeugen und laufend lernen.

#### Verteiltes Wissen nutzbar machen

Interne Dokumente, Cases oder Richtlinien können in eine kuratierte Wissensbasis mit kontextbezogener Suche und Empfehlungen übersetzt werden.

#### Leads qualifizieren

Eine Website kann den Bedarf eines Besuchers erfassen und sofort passende Angebote, Beispiele oder nächste Schritte ausspielen.

#### Content skalieren

Strukturierte Produkt- oder Fachdaten können automatisiert in hochwertige Web-, Social- und maschinenlesbare Inhalte überführt werden.

## Wert und Erkenntnis

- **Value:** Aus einer unübersichtlichen Technologielandschaft wird eine verständliche, individuelle Entscheidungsgrundlage – und aus statischem Content ein lernendes Produkt.
- **Learning:** Die stärkste KI-Funktion ist nicht die einzelne Antwort. Entscheidend ist die Verbindung aus verlässlichen Daten, Kontext, nachvollziehbarem Matching und einem redaktionell kontrollierten Betrieb.

## Fakten

- **veröffentlichte Use Cases:** 326
- **abgedeckte Branchen:** 74
- **verknüpfte Systembausteine:** 6

## Technologie

React, TypeScript, Supabase, OpenAI GPT-4, Perplexity, Pinecone, RAG, Tailwind CSS

## English summary

**Question:** How can an abstract technology question become a robust decision and innovation process?

SAPIENTBLOCK is a growing intelligence platform for blockchain applications. It analyses a company’s context, matches it with hundreds of published use cases across 74 industries and translates the result into relevant examples, new ideas and concrete next steps.

**Challenge:** Stop explaining technology. Prove its relevance to one specific company. SMEs do not need another list of possible blockchain applications. They need to understand which patterns fit their business, processes and maturity. SAPIENTBLOCK therefore connects curated evidence, company context and multiple AI capabilities in one coherent product system.

**Transfer:** What a client can take from this for their own business. SAPIENTBLOCK is not a blockchain template. It demonstrates a reusable pattern for knowledge-heavy products: collect evidence, understand context, calculate relevance, produce content and keep learning.

**Value:** A confusing technology landscape becomes a clear, individual basis for decision-making — while static content becomes a learning product.