# Businessplan Plappi — aws Preseed Deep Tech

> **Programm:** aws Preseed – Deep Tech (Austria Wirtschaftsservice GmbH)
> **Antragsteller:** Nemanja Klincov (natürliche Person, „in Gründung" — Plappi FlexCo nach aws-Zustimmung)
> **Vorhaben:** Technisch-wirtschaftliche Validierung des Proof-of-Concept des Hardware-Arbeitspakets (Geräteentwicklung) eines bildschirmfreien, mehrsprachigen KI-Sprachlernbegleiters für Kinder
> **Beantragt:** ~364.000 EUR förderbare Kosten → 300.000 EUR Zuschuss (Gender-Bonus, Höchstbetrag; effektiv ~82 %); Eigenmittel ~64.000 EUR (~18 %, Cash)
> **Stand:** 2026-06-09
>
> `[TODO]` = von Nemanja vor Einreichung zu bestätigen (echte Stammdaten).

---

## Executive Summary

**Plappi** ist ein displayloses, sprachgesteuertes KI-Hardware-Lerngerät für Kinder von 2 bis 15 Jahren, das mehrsprachige Sprachentwicklung durch personalisierte, adaptive Dialoge und Geschichten fördert — vollständig bildschirmfrei und auf einer datenschutzkonformen, privaten Inferenz-Architektur, bei der kindliche Sprachdaten architektonisch vom KI-Training ausgeschlossen sind (DSGVO- und EU-AI-Act-konform „by design").

**Deep-Tech-Kern.** Plappi ist kein App-Wrapper und kein bloßes Fine-tuning eines vorhandenen Modells. Der technologische Vorsprung ruht auf drei eng verzahnten, international neuartigen und technisch riskanten Bausteinen: (a) eine eigene **mehrsprachige Kinder-Spracherkennung** — Kinderstimmen sind ein international ungelöstes, datenarmes, akustisch hartes ASR-Problem; (b) eine **private On-Device-/EU-Inferenz-Architektur** quelloffener Modelle mit *architektonischem* Trainingsausschluss kindlicher Daten; (c) ein **Hardware-Software-Co-Design**, bei dem Fernfeld-Mikrofonarray, eingebettete Recheneinheit und Audio-Pipeline gemeinsam mit dem KI-Stack ausgelegt werden. Der Vorsprung wird **nicht über Patente**, sondern über Wortmarke, Geschäftsgeheimnis-/Know-how-Schutz und einen datengetriebenen Lead-Time-Burggraben abgesichert (siehe Kapitel 1.4) — dies ist für ein Software-/Daten-/Hardware-Startup die wirtschaftlich überlegene Schutzstrategie und wird ausführlich begründet.

**Abgrenzung gegen Doppelförderung.** Der vorliegende aws-Antrag betrifft **ausschließlich das Hardware-Arbeitspaket** (Industriedesign, Elektronik/Mikrofonarray, Firmware, Vorserien-Prototyp, Zertifizierungs-Vorbereitung). Der KI-Software-Forschungskern (Kinder-ASR-Algorithmik, private Inferenz, Pädagogik-Engine) läuft auf einem disjunkten Arbeitspaket über das **FFG-Basisprogramm** (Antrag 71545616, eingereicht 2026-06-09); die volle Produktzertifizierung ist für die **Wirtschaftsagentur Wien** vorgesehen. Kosten, Belege und Personalstunden sind zwischen den Programmen vollständig trennscharf — keine Position wird doppelt gefördert (Kapitel 6.4).

**Geschäftsmodell.** Razor-and-Blade: Gerät zu ~90 EUR plus wiederkehrendes Abo zu ~9,90 EUR/Monat (Content, Updates, private Inferenz). Hohe Abo-Bruttomarge, international skalierbar (DACH → EU → USA, Vorbild Tonies SE: FY2024 ~480 Mio. EUR Umsatz, >8 Mio. verkaufte Boxen). Bottom-up-Hochlauf: Jahr 1 ~250.000 EUR → Jahr 3 ~1,6 Mio. EUR → Jahr 5 ~5–7 Mio. EUR.

**Markt.** EU ~65,6 Mio. Kinder (0–14 J., Eurostat 2024); EdTech-Sprachlernmarkt ~11,7 Mrd. USD bei CAGR ~27 %; bildschirmfreier Audio-Lernspielzeug-Massenmarkt durch Tonies validiert. Plappi besetzt die bisher unbesetzte Schnittmenge: bildschirmfrei **und** mehrsprachig-aktiv **und** datensouverän.

**Gesellschaftlicher Mehrwert (aws-förderbar, Bereich Bildung).** Bildungsgerechtigkeit (mehrsprachige Sprachförderung unabhängig vom Familien-Bildungsbudget), Inklusion (Kinder nicht-deutscher Erstsprache, Erhalt von Herkunftssprachen), kindersicher/werbefrei/datenschutzkonform sowie aktive Gender-Bias-Reduktion in der Spracherkennung.

**Team & Status.** Komplementäres Gründungsteam: Gründer/GF **Nemanja Klincov** (KI/ML, Technik; Track-Record BReact) + Mitgründerin/GF **Katharina Klincov** (Marketing/Vertrieb/kaufm. Leitung; MSc Marketing & BWM; 30 % Anteile, vorhabensrelevant qualifiziert – Gender-Bonus). Ein **funktionsfähiger, eigenfinanzierter Prototyp** ist bereits realisiert (Hardware-/Software-Demonstrator mit bildschirmfreiem Zwei-Wege-Sprachdialog) und de-riskt das Vorhaben erheblich. Geplante Schlüsselrollen: Embedded-/Hardware-Engineer und ML-/Speech-Engineer; optional Forschungskooperation mit Fraunhofer (KI4LIFE).

**Finanzierung.** Förderbare Vorhabenskosten ~364.000 EUR. Mit aktiviertem **Gender-Bonus** (Mitgründerin/GF Katharina Klincov, 30 % Anteile): Förderintensität 90 %, gedeckelt auf den **Höchstbetrag 300.000 EUR** → **300.000 EUR nicht rückzahlbarer Zuschuss** (effektiv ~82 %) zzgl. ~11.000 EUR kostenloser Innovationsberatung. **Eigenmittel ~64.000 EUR (~18 %)** — über dem 10 %-Minimum, zwingend Cash (keine Eigenleistung), Einzahlung der Gesellschafter aufs Projektkonto. Folgefinanzierung: Kickstarter (Launch 24.06.2026, Ziel 115.000 EUR), aws Seedfinancing (nach Gründung), EIC sowie Eigenkapital.

---

## 1. Produkt / Technologie

### 1.1 Produkt- und Leistungsbeschreibung

Plappi ist ein bildschirmfreies, kindgerechtes Gerät mit einem **Fernfeld-Mikrofonarray** und einer **eingebetteten Recheneinheit**, das mit Kindern freie, adaptive **bilinguale Dialoge und Geschichten** führt. Im Gegensatz zu passivem Audio-Spielzeug versteht und beantwortet Plappi gesprochene Sprache des Kindes in Echtzeit, korrigiert die Aussprache sanft, wiederholt zu festigende Wörter nach dem Spaced-Repetition-Prinzip, nutzt Kognaten (zwischen Sprachen verwandte Wörter) und personalisiert Inhalte auf Interessen, Bezugspersonen und Altersstufe.

Kernmerkmale:
- **Bildschirmfrei** — keine Screen-Time, erschließt auch die Altersgruppe unter 6 Jahren, für die App-Lösungen pädagogisch wie regulatorisch ungeeignet sind.
- **Mehrsprachig-adaptiv inkl. Echtzeit-Code-Switching** — natürliche Mischsätze zwischen Erst- und Zweitsprache; Start mit 3–5 Sprachen, perspektivisch bis 27.
- **Datensouverän** — Verarbeitung ausschließlich auf EU-Infrastruktur; kindliche Sprachdaten fließen architektonisch nicht in KI-Training.
- **Eltern-Dashboard** — transparente Fortschrittskontrolle, Personalisierung, datenschutzkonforme Auffälligkeits-Flags ohne Sprachaufzeichnung.
- **Curricular-Sync (B2B)** — Lehrkräfte geben über eine begleitende App einen Vokabel-/Themenkanon vor („Hausaufgaben-Modus"), ohne dass kindliche Sprachdaten an die Lehrkraft übertragen werden.

Geschäftsmodell: einmaliger Hardware-Verkauf (~90 EUR) plus wiederkehrendes Abo (~9,90 EUR/Monat) für Content, Updates und private Inferenz.

### 1.2 Deep-Tech-Charakter und Technologievorsprung

aws Preseed Deep Tech fördert ausdrücklich nur Vorhaben mit einem **international neuen, technologisch anspruchsvollen Vorsprung**; „inkrementelle Innovation" ist ausgeschlossen. Der Deep-Tech-Charakter von Plappi liegt nicht in einer einzelnen Komponente, sondern in der **technisch riskanten Integration von drei harten, je für sich forschungsintensiven Bausteinen** auf einer bildschirmfreien, ressourcenbeschränkten Hardware. Entscheidend für die Bewertung: jeder dieser Bausteine geht über den verfügbaren Stand der Technik hinaus, und keiner ist durch reines Fine-tuning vorhandener Modelle oder durch das Verdrahten fremder Cloud-APIs lösbar.

**Baustein A — Mehrsprachige Kinder-Spracherkennung (ASR/TTS).**
Kinderstimmen sind für die automatische Spracherkennung notorisch schwer: kurze Vokaltrakte, hohe Grundfrequenz, instabile Artikulation, Aussprachefehler, Dialekte und insgesamt sehr wenig verfügbare Trainingsdaten. Generische, auf Erwachsenenstimmen optimierte Modelle (z. B. die Whisper-Familie und vergleichbare quelloffene Modelle) zeigen auf Kindersprache **deutlich erhöhte Wortfehlerraten**; in mehrsprachigen Mischsätzen mit Echtzeit-Code-Switching verschärft sich das Problem. Es ist international ein offenes Forschungsproblem, ob über kontrollierte Datenerhebung, Daten-Augmentation und gezieltes Finetuning eine **dialogtaugliche Wortfehlerrate über die gesamte Altersspanne 2–15 und über Dialekte/Mehrsprachigkeit hinweg** erreicht werden kann. Plappi adressiert dies mit einer eigenen, datenschutzkonformen Kinder-Sprachdatenpipeline und einer eigenen Trainings-/Evaluierungsmethodik — ein **datengetriebener Vorsprung, der nicht öffentlich verfügbar ist** (Zielwert: relative WER-Reduktion ≥ 30 % gegenüber einer generischen Open-Source-Baseline auf einem kindgerecht-mehrsprachigen Evaluationsset).

**Baustein B — Private On-Device-/EU-Inferenz-Architektur mit architektonischem Trainingsausschluss.**
Das datenschutzgetriebene Kernversprechen verlangt, dass quelloffene Sprachmodelle **privat auf gemieteter EU-GPU-Infrastruktur** betrieben werden, statt Public-Cloud-LLM-APIs zu nutzen — und dass kindliche Gesprächsdaten **architektonisch** (nicht nur per AGB-Zusage) vom Modelltraining ausgeschlossen sind. Quelloffene Modelle sind kleiner bzw. anders trainiert als die größten proprietären Modelle; ob ihre dialogische, erzählerische und pädagogische Qualität bei **dialogtauglicher Latenz** (Ziel: niedriger Sekundenbereich) und vertretbaren Compute-Kosten ein kindgerechtes, sicheres Erlebnis liefert, ist nicht abschließend belegt und Gegenstand der Entwicklung. Die Architektur — welche Verarbeitungsschritte am Edge/Gerät, welche serverseitig laufen; Quantisierung, Caching, Batching; Latenz-/Kosten-Optimierung — ist eine eigenständige, nicht-triviale technische Leistung und ein wiederverwendbares, datensouveränes Inferenz-Asset („made in EU").

**Baustein C — Hardware-Software-Co-Design.**
Der KI-Stack läuft nicht auf einem Standard-Smartphone, sondern auf einem eigens entwickelten, kindgerechten, bildschirmfreien Gerät. Fernfeld-Audioerfassung im realen, lauten Kinderzimmer (Beamforming, Mikrofonarray-Geometrie, Echo-/Halls-Unterdrückung), die Wahl und Auslegung der eingebetteten Recheneinheit, das Latenzbudget zwischen Gerät und EU-Inferenz sowie die Audio-/Firmware-Pipeline müssen **gemeinsam mit den ASR-/Inferenz-Anforderungen** ausgelegt werden. Genau dieses Co-Design ist Gegenstand des hier beantragten Hardware-Arbeitspakets. Die Hardware ist nicht „Beiwerk", sondern die physische Voraussetzung dafür, dass der KI-Kern überhaupt unter realen akustischen Bedingungen kindgerecht funktioniert.

**Warum das Deep Tech und kein inkrementelles Produkt ist.** Tonies/tiptoi lösen die Hardware (bildschirmfreies Audio), aber ohne jede Sprach-KI. Sprachlern-Apps und Smart Speaker lösen Teile der Software, aber bildschirm-/cloudgebunden und nicht kindzentriert. **Niemand** kombiniert kindzentrierte mehrsprachige ASR + private EU-Inferenz + bildschirmfreie Co-Design-Hardware. Die technologische Tiefe und das **explizite technische Risiko** (Kinder-ASR-Genauigkeit, private-Inferenz-Qualität vs. Cloud, Fernfeld-Audio, Latenz auf ressourcenbeschränkter Hardware) heben das Vorhaben klar über inkrementelle Produktanpassung hinaus.

### 1.3 Abgrenzung zum Stand der Technik

Im Projektumfeld existieren drei Kategorien etablierter Lösungen, die jeweils zentrale Anforderungen **nicht** erfüllen:

| Lösungskategorie | Beispiele | Bildschirmfrei | Freier Dialog / Spracherkennung | Mehrsprachig-adaptiv (Code-Switching) | Kindzentrierte ASR | Datensouverän (kein Kinderdaten-Training) |
|---|---|---|---|---|---|---|
| Audio-Lernspielzeug | Tonies, Ravensburger tiptoi | Ja | Nein (passiv, vorproduziert) | Nein | Nein | n/a (keine Sprach-KI) |
| Sprachlern-Apps | Duolingo, Lingokids, Gus on the Go | Nein (Screen) | Teilweise | Teilweise | Nein | Nein (Public-Cloud, Daten-Sharing) |
| Smart Speaker | Alexa, Google | Ja | Ja | Nein | Nein (Erwachsenen-ASR) | Nein (Cloud/datengetrieben) |
| **Plappi** | — | **Ja** | **Ja (frei, kindgerecht)** | **Ja** | **Ja** | **Ja (EU, Trainingsausschluss)** |

Zusätzlich ist der **Stand der Technik bei der Output-Sicherheit** für Kinder lückenhaft: Cloud-LLM-Apps liefern keine deterministisch kontrollierbare Output-Sicherheit (probabilistische Outputs, dokumentierte Jailbreaks); klassisches Audio-Spielzeug ist zwar sicher, aber statisch/nicht generativ. Plappi adressiert genau diese Lücke mit einem mehrschichtigen Guardrail-Stack (Prompt-Hardening, Constrained Decoding/Allowlists je Altersstufe, Output-Klassifizierer, deterministische Antwort-Templates für sensible Themen, Red-Teaming). Dieser Guardrail-Stack ist eigenständiges, vertraulich behandeltes Know-how.

**Wissenschaftlicher Stand des Wissens.** Die Pädagogik ruht auf über 75 peer-reviewten Studien zur bilingualen Sprachentwicklung, u. a.: Hoff et al. (2012) — ≥ ~30 % Sprachexposition nötig für aktiven Zweitspracherwerb; Romeo et al. (2018) — Konversationsqualität schlägt reine Sprachmenge (neuronal nachweisbar); Roediger & Karpicke (2006) — Testing-Effekt/Spaced Repetition; Mitchell et al. (2024) — Kognaten erleichtern den Erwerb messbar.

### 1.4 Schutzrechte und IP-Strategie

Deep-Tech-Förderungen erwarten einen **schutzrechtlich abgesicherten Vorsprung**. Plappi setzt diesen bewusst und begründet **nicht primär über Patente**, sondern über eine mehrschichtige Schutzarchitektur, die für ein Software-/Daten-/Hardware-Startup wirtschaftlich überlegen ist.

**Die Schutz-Architektur (vier Schichten):**

1. **Markenschutz — Wortmarke „Plappi".** Anmeldung geplant (über aws Innovationsschutz). Sichert Marke, Wiedererkennung und Vertriebsbindung in einem Konsumgütermarkt, in dem die Marke (vgl. Tonies) ein zentraler Wert ist. `[TODO: Marken-Status / Klasse / Anmeldedatum]`
2. **Technologischer Vorsprung / Know-how-Schutz.** Auf Kinderstimmen feinabgestimmte ASR/TTS-Modelle, kuratierte mehrsprachige Trainings- und Annotationsdaten für Kinder, die private Inferenz-Architektur sowie die adaptive Pädagogik-Engine bilden zusammen einen **schwer kopierbaren, datengetriebenen Vorsprung (Lead-Time-Advantage)**. Diese Assets sind nicht öffentlich verfügbar und nur mit erheblichem Daten- und Engineering-Aufwand reproduzierbar.
3. **Geschäftsgeheimnis-Schutz.** Modelle, Datensätze, Trainingsrezepte, Architektur und Guardrail-Stack werden vertraulich behandelt; vertragliche NDAs mit allen Dienstleistern (Speech-Daten, EE-Design, Fertigung). Geschäftsgeheimnisschutz nach UWG/Geschäftsgeheimnis-RL greift ohne Offenlegungszwang und ohne Befristung, solange Geheimhaltung gewahrt bleibt.
4. **Datensouveränität als Vertrauens-/Reputations-Asset.** Der „by design"-Trainingsausschluss ist zugleich regulatorischer (DSGVO, EU-AI-Act) und reputativer Burggraben — ein für Wettbewerber schwer einholbares Positionierungs-Asset, das Kaufentscheidungen von Eltern und Bildungseinrichtungen treibt.

**Begründung: Warum Lead-Time / Geschäftsgeheimnis statt Patente?**
Dies ist die heikelste Deep-Tech-Hürde, daher die Argumentation explizit:

- **Der Wertkern ist Software, Modelle, Daten und Systemintegration** — nicht ein neuartiges physikalisches Verfahren. In diesem Feld ist Patentschutz schwer durchsetzbar (Verletzungen kaum nachweisbar, da Modelle/Trainingsdaten im Inneren des Produkts verborgen bleiben) und schnell überholt.
- **Patente erzwingen Offenlegung.** Eine Patentschrift veröffentlicht die Lehre und liefert Wettbewerbern eine Bauanleitung. Für einen datengetriebenen Vorsprung, der gerade aus **nicht-öffentlichem Wissen** besteht, ist Offenlegung kontraproduktiv — der Lead-Time-Vorteil ginge verloren.
- **Iterationsgeschwindigkeit.** ASR-/LLM-Stacks iterieren in Monaten; ein 2–4-jähriges Patenterteilungsverfahren ist langsamer als der Technologiezyklus. Das geschützte Verfahren wäre bei Erteilung oft schon abgelöst.
- **Kosten-/Nutzen für ein Startup.** Internationale Patentfamilien binden mittleren sechsstelligen Aufwand über die Laufzeit — Kapital, das in der Vorgründungsphase besser in Datenaufbau und Engineering (= den eigentlichen Burggraben) fließt.
- **Datengetriebener Burggraben ist selbstverstärkend.** Mit wachsender Installationsbasis und einwilligungsbasierter, datenschutzkonformer Datengrundlage vertieft sich der Modell-/Datenvorsprung kontinuierlich — ein Vorsprung, der schneller wächst, als ihn ein Nachahmer einholen kann (Lead-Time-Advantage).

**Freedom-to-Operate (FTO).** Eine orientierende Patent-/Marktrecherche zu vergleichbaren bildschirmfreien Sprach-/Lerngeräten und Kinder-ASR-Verfahren hat keine blockierenden Schutzrechte ergeben. Eine **vertiefte FTO-Recherche vor Markteintritt** (im Zuge der Markenanmeldung über aws Innovationsschutz) ist fest vorgesehen. Eine spätere, selektive Patentierung einzelner **Hardware-/Verfahrensaspekte** (z. B. eine konkrete Mikrofonarray-/Audio-Pipeline-Lösung aus dem Hardware-WP) bleibt ausdrücklich offen, falls sich dort ein patentwürdiger, durchsetzbarer Vorsprung herauskristallisiert.

**Eigentümer der Schutzrechte:** Plappi FlexCo (nach Gründung).

### 1.5 USP, Stärken und Schwächen

**USP:** Kein anderes Produkt vereint bildschirmfreien, mehrsprachigen, aktiven Kinder-Dialog mit privater EU-Inferenz, kindzentrierter Spracherkennung und adaptiver, wissenschaftlich fundierter Pädagogik in einem Gerät.

**Stärken:** regulatorisch zukunftssicher (DSGVO/EU-AI-Act by design); unbesetzte Nische bilingualer/mehrsprachiger Familien; einschlägige KI-/Hardware-Kompetenz (BReact-Track-Record); funktionsfähiger Prototyp als De-Risking-Beleg; datengetriebener Burggraben.

**Schwächen:** Marktneuling ohne Markenbekanntheit; hoher Kapitalbedarf der Hardware-Industrialisierung; Team im Aufbau; technisches Restrisiko (Kinder-ASR-Genauigkeit, private-Inferenz-Qualität) — adressiert über Förder-Stack, Prototyp-De-Risking und definierte Rückfallebenen (Kapitel 8).

### 1.6 Wertschöpfungskette und Leistungserstellung

F&E (KI + Hardware) erfolgt in Wien. Die Elektronik-/Gehäusefertigung wird an spezialisierte Auftragsfertiger (EU-nah, soweit möglich) vergeben; Endmontage/QA und Distribution erfolgen D2C plus Abo. Die **Wertschöpfung verbleibt überwiegend in Österreich** (F&E, Software, IP, Modelle/Datensätze, Inferenz-Betrieb auf EU-Infrastruktur). Durch private EU-Inferenz statt außereuropäischer Cloud-LLM-APIs werden Importleistungen substituiert (digitale Souveränität).

---

## 2. Gesellschaftlicher Mehrwert / Impact

Plappi adressiert das aws-förderbare Themenfeld **Bildung** mit messbarer gesellschaftlicher Wirkung — als Hauptziel, nicht als Nebeneffekt.

**Bildungsgerechtigkeit (SDG 4, SDG 10).** Mehrsprachige Sprachförderung wird vom Bildungsbudget der Familie entkoppelt. Kinder aus nicht-akademischen oder migrantischen Haushalten erhalten niederschwelligen Zugang zu Förderung, die sonst teuren Kursen oder Nachhilfe vorbehalten ist. Plappi kann den für aktiven Zweitspracherwerb nötigen ~30 %-Expositionsanteil (Hoff et al. 2012) erstmals auch in Familien ohne zweiten Muttersprachler bereitstellen.

**Inklusion und Herkunftssprachen-Erhalt.** Kinder nicht-deutscher Erstsprache werden in ihrer Erst- *und* Zweitsprache gefördert; die Mehrsprachigkeit hilft, Herkunftssprachen aktiv zu erhalten — ein Beitrag zu kultureller Teilhabe.

**Kindersicher, werbefrei, datenschutzkonform (SDG 16).** Kein Training mit Kinderdaten, EU-Verarbeitung, EU-AI-Act-konform „by design", deterministisch abgesicherte Output-Guardrails. Plappi setzt damit einen positiven Branchenstandard für vertrauenswürdige Kinder-KI.

**Gender-Bias-Reduktion in der ASR.** Spracherkennung ist nachweislich anfällig für demografische Verzerrungen. Durch den gezielten Aufbau eines **ausgewogenen, kindgerechten Sprachdatenkorpus** (Geschlecht, Alter, Dialekt, Mehrsprachigkeit) reduziert Plappi systematisch Bias und verbessert die Erkennungsgleichheit über Gruppen hinweg.

**Green (SDG 12, SDG 13).** Bildschirmfrei (vermeidet Display-Produktion/-Energie); langlebige, reparierbare, update-fähige Hardware gegen Wegwerf-Elektronik; energieeffiziente EU-Inferenz (Quantisierung, Batching) statt überdimensionierter Cloud-Aufrufe; EU-Rechenzentren mit zunehmend dekarbonisiertem Strommix. Energie-/CO2-Verbrauch je Dialog wird als interne Kennzahl erfasst und optimiert.

**Wirkungslogik (Wirkungstreppe):**

| Stufe | Beschreibung | Indikator (Beispiel) |
|---|---|---|
| Aktivität (Output) | Geräte ausgeliefert, Sprachen/Inhalte bereitgestellt | Stückzahl, Sprachabdeckung |
| Reichweite | erreichte Familien/Kinder, Anteil unterversorgter Zielgruppen | aktive Installationsbasis |
| Nutzung | tägliche Dialognutzung, „conversational turns" | Nutzungsdauer, Turn-Zahl |
| Wirkung (Outcome) | mehr aktive Sprachexposition, messbarer Spracherwerb | Wortschatz-Retention (Ziel: ≥ 20 % höher vs. passives Audio nach 7 Tagen) |
| Gesellschaftliche Wirkung (Impact) | mehr Bildungschancen, Inklusion, Herkunftssprachen-Erhalt | Reichweite in unterversorgten Gruppen, Datenschutz-Audits |

---

## 3. Markt und Wettbewerb

### 3.1 Marktgröße und -wachstum

Plappi adressiert die Schnittmenge aus EdTech-Sprachlernen (frühkindlich/schulisch), bildschirmfreiem Audio-Kinderprodukt und datensouveräner Consumer-KI-Hardware.

| Indikator | Wert | Quelle |
|---|---|---|
| Kinder 0–14 Jahre in der EU | ~65,6 Mio. | Eurostat (2024) |
| Oberstufenschüler mit Englisch als Fremdsprache | 89,4 % | Eurostat |
| EdTech-Sprachlernmarkt (Volumen) | ~11,7 Mrd. USD (2024) | market.us (2024) |
| EdTech-Sprachlernmarkt (Wachstum) | CAGR ~27 % | market.us (2024) |
| Connected-Toys-Markt (Wachstum) | CAGR ~19–25 % | market.us (2024) |
| Validierung bildschirmfreies Audio (Tonies SE) | ~480 Mio. EUR Umsatz, >8 Mio. Boxen, >100 Mio. Figuren | tonies SE Geschäftsbericht FY2024 |
| Ergänzender B2B-Indikator: Primarschüler EU mit Fremdsprachenunterricht | ~25 Mio. / ~84 % | Eurostat (2017/2022) |

Der Tonies-Erfolg belegt die Zahlungsbereitschaft und Skalierbarkeit des bildschirmfreien Kinder-Audio-Markts — allerdings einsprachig/passiv. Plappi besetzt denselben Wachstumskorridor und ergänzt ihn um die fehlende Sprachlern-Tiefe.

### 3.2 Zielgruppen und Marktsegmente

- **Bilinguale/mehrsprachige Familien** (ein Elternteil spricht die Zweitsprache nicht; authentische Sprachexposition fehlt) — Kernbedarf.
- **Bildungsorientierte Eltern** mit Frühfremdsprach-Wunsch, die Bildschirmzeit vermeiden wollen.
- **Datenschutzbewusste Eltern**, die KI-Produkte ohne Daten-Sharing/Kinderdaten-Training suchen.
- **B2B — Bildungseinrichtungen** (Volks-/Grundschulen, Sprachschulen, KiTa-Träger, Sprachförder-/EU-Inklusionsprogramme): datenschutzkonforme, lehrer:innen-steuerbare Sprachübungs-Hardware (Curricular-Sync).

### 3.3 Wettbewerbsanalyse und Markteintrittsbarrieren

| Wettbewerber | Stärke | Schwäche aus Kundensicht |
|---|---|---|
| Audio-Lernspielzeug (Tonies, tiptoi) | hoher Marktanteil, starke Marke, bildschirmfrei | einsprachig, passiv, kein Dialog/Adaptivität |
| Sprachlern-Apps (Duolingo, Lingokids) | interaktiv/adaptiv | bildschirmgebunden, Cloud-LLM/Daten-Sharing, für Kleinkinder ungeeignet |
| Smart Speaker (Alexa, Google) | freie Sprache | nicht kindzentriert, nicht pädagogisch, cloud-/datengetrieben |
| **Plappi** | **bildschirmfrei + mehrsprachig-aktiv + datensouverän + wissenschaftlich fundiert** | Marktneuling (Marken-/Vertrauensaufbau nötig) |

**Markteintrittsbarrieren und Reaktion:**

| Barriere | Reaktion |
|---|---|
| Technologie/Daten (hohe F&E-Hürde Kinder-ASR) | wird selbst zum Burggraben (proprietäre Modelle/Daten, Lead-Time) |
| Kapitalbedarf Hardware | Förder-Stack (FFG/aws/Wien) + Kickstarter-Vorfinanzierung |
| Hardware-Zertifizierung (CE/EN71/RED) | früh eingeplant; Vorbereitung im aws-Hardware-WP, volle Zertifizierung über Wien |
| Marke/Vertrauen | Datenschutz-Positionierung, Kickstarter-Community, Wortmarken-Schutz |

**Reaktion etablierter Anbieter:** Ein Eintritt von Tonies o. ä. in die interaktive Sprach-KI ist denkbar, würde aber Kinder-ASR-Kompetenz, private Inferenz und einen Datenschutz-by-design-Stack erfordern, die Plappi als datengetriebenen Lead-Time-Vorsprung aufbaut. Die regulatorische Strenge bei Kinderdaten erhöht die Eintrittshürde für cloud-/datengetriebene Player zusätzlich.

### 3.4 Marktpositionierung

Plappi positioniert sich als der **datensouveräne, bildschirmfreie, mehrsprachige „Tonies-Nachfolger" für aktives Sprachenlernen**: Erstmarkt DACH (mehrsprachiges Umfeld, hohe Kaufkraft) → EU → USA (analog zur internationalen Tonies-Skalierung). Markttrends (Datenschutz-Sensibilität, Reduktion von Screen-Time, Akzeptanz vernetzter Audio-Hardware im Kinderzimmer) stützen die Nachfrage.

---

## 4. Marketing und Vertrieb

**Validierung und Vorfinanzierung — Kickstarter.** Launch **24.06.2026**, 60-Tage-Kampagne, Ziel **115.000 EUR** (Alles-oder-Nichts). Dient als Marktvalidierung (Vorbestellungen als Nachfragebeleg), Vorfinanzierung der Erstcharge und Community-Aufbau. Eine Interessenten-/Warteliste (helloplappi.com) liefert die Launch-Munition.

**Vertriebskanäle.** Primär D2C (eigener Webshop, Kickstarter-Backer-Basis), ergänzt um Online-Marktplätze; mittelfristig Fach-/Einzelhandel (Spielwaren/Bildung) und Bildungs-Distributoren. Zweite Schiene B2B (Bildungseinrichtungen, Curricular-Sync/Hausaufgaben-Modus).

**Geografie.** DACH → EU → USA.

**Preismodell.** Gerät ~90 EUR (im Bereich einer Toniebox, marktüblich) + Abo ~9,90 EUR/Monat (refinanziert laufende Inferenz-/Content-Kosten, konkurrenzfähig zu kostenpflichtigen Sprachlern-Apps bei deutlich größerem Funktionsumfang). Razor-and-Blade: der wiederkehrende, margenstarke Abo-Erlös wächst mit der aktiven Installationsbasis.

**Marketing-Narrativ.** Datenschutz, Bildung, Mehrsprachigkeit; Eltern-Communities, PR, Bildungs-/Datenschutz-Story. Marketing-/Vertriebsbudgets werden nach Prototyp-/Produktvalidierung aus Folgeförderungen, Kickstarter-Erlösen und ggf. Investorenkapital aufgebaut.

---

## 5. Unternehmen und Management

### 5.1 Informationen zum (geplanten) Unternehmen

**Plappi FlexCo (Flexible Kapitalgesellschaft, in Gründung)**, Sitz Wien (Esslinggasse 5/Top 1, 1010 Wien). Der Antrag wird durch die natürliche Person Nemanja Klincov als „in Gründung" gestellt; die Gründung der FlexCo erfolgt nach aws-Zustimmung. Geplante Gesellschafterstruktur: **Nemanja Klincov 70 %, Katharina Klincov 30 %** (Mitgründerin/GF). [Stammkapital-Höhe vor Gründung festzulegen.]

### 5.2 Management und Gründungsteam

**Gründer/Geschäftsführer: Nemanja Klincov** — einschlägiger KI/ML-Track-Record (Hintergrund BReact, EU-Tender-erprobt). Hat in eigenfinanzierter Vorarbeit den funktionsfähigen Plappi-Prototyp entwickelt (Eignungs- und De-Risking-Beleg). Verantwortet KI-/Produktstrategie und Gesamtleitung. `[TODO: exakte BReact-KMU-Zahlen für KMU-Erklärung im aws-Fördermanager]`

**Geplante Schlüsselrollen (aus dem Vorhaben zu besetzen):**
- **Embedded-/Hardware-Engineer** — verantwortet das hier beantragte Hardware-WP (Elektronik, Mikrofonarray, Firmware, Vorserien-Prototyp).
- **ML-/Speech-Engineer** — Kinder-ASR/TTS, private Inferenz (über das parallele FFG-WP geführt).

**Gender-Bonus (in Anspruch genommen).** Mitgründerin und Geschäftsführerin **Katharina Klincov** hält **30 % der Geschäftsanteile** (>25 %) und ist leitend (>50 % der Normalarbeitszeit) tätig. Vorhabensrelevante Qualifikation: MSc Marketing & Business Management, akademische Marketing-/Sales-Managerin, mehrjährige GF-/Gründungserfahrung (GF & Co-Founderin Oluolu Online Agency GmbH 2020–2024). Sie verantwortet Marketing, Vertrieb, Markenaufbau und kaufmännische Leitung — komplementär zur KI-/Technik-Führung von Nemanja Klincov. Wirkung: Förderquote 80→90 %, Höchstbetrag 300.000 EUR ausgeschöpft; bei ~364.000 EUR Projektkosten Eigenmittel ~64.000 EUR (~18 %). CV beigelegt.

**CVs:** Gründer + Schlüsselpersonen (nicht das gesamte Personal) werden beigelegt.

### 5.3 Kooperationen

Optional **Forschungskooperation mit dem Fraunhofer-Institut (Bereich KI4LIFE)** zur wissenschaftlichen Absicherung der Kinder-ASR-Methodik und der Lernwirksamkeits-Evaluierung (derzeit in Abstimmung). **BReact** wirkt als Kompetenz-/Backing-Partner. Für die Guardrail-/Kinderschutz-Validierung sind Kooperationen mit Saferinternet.at/ÖIAT und pädagogischen Hochschulen vorgesehen.

---

## 6. Status quo und integrale Planung

### 6.1 Status quo / De-Risking

- **Funktionsfähiger, eigenfinanzierter Prototyp** vorhanden: Hardware-/Software-Demonstrator (Raspberry-Pi-basiert, Mikrofon + Sprachausgabe) zeigt bildschirmfreien Zwei-Wege-Sprachdialog und erste mehrsprachige, dynamisch generierte Geschichten; läuft bereits auf einem privaten Inferenz-Stack (On-premise-Transkription via quelloffene Modelle, privat gehostete Inferenz auf EU-GPU). Belegt die grundsätzliche Machbarkeit und de-riskt das Vorhaben.
- **Website + Warteliste live** (helloplappi.com).
- **Kickstarter eingereicht** (Launch 24.06.2026).
- **FFG-Basisprogramm** (KI-Kern) eingereicht (Antrag 71545616, 2026-06-09).

→ Das Vorhaben ist bereit für die **Hardware-Industrialisierung** (Gegenstand dieses aws-Antrags).

### 6.2 Integrale Planung — Hardware-Arbeitspakete (12–18 Monate, meilensteinbasiert)

| AP | Inhalt | Wesentliche Tätigkeiten | Meilenstein |
|---|---|---|---|
| **H1 Industriedesign** | kindgerechtes Gehäuse, Ergonomie, Design-for-Manufacturing | Konzept, Ergonomie/Sicherheit, Materialwahl, CAD | Designfreeze |
| **H2 Elektronik** | Mikrofonarray/Beamforming, eingebettete Recheneinheit, PCB | Schaltungsdesign, Array-Geometrie, SoC-Auswahl, PCB-Layout | Funktions-PCB |
| **H3 Firmware** | Embedded-Firmware, Audio-Pipeline, Konnektivität | Audio-Erfassung/Vorverarbeitung, Edge-/Server-Schnittstelle, OTA-Update | Firmware-Integration |
| **H4 Vorserien-Prototypen** | iterative Prototypen, Tests im realen Haushalt | Bau, Fernfeld-Audiotests im Kinderzimmer, Iteration | validierter Vorserien-Prototyp |
| **H5 Zertifizierungs-Vorbereitung** | Design gegen CE/EN71/EN62115/RED ausrichten | Normen-Gap-Analyse, Vorab-Prüfungen, Doku (volle Zertifizierung → Wien) | Zertifizierungs-Readiness |

### 6.3 Kostenplan Hardware-WP (~364.000 EUR förderbar)

| Position | Betrag (EUR) | Anmerkung |
|---|---|---|
| GF Katharina (kaufm./Marketing-Leitung, ab 02/2027) | 120.000 | Bezüge Gründungsteam (Gender-Bonus) |
| GF Nemanja (Hardware-/Technik-Anteil) | 60.000 | disjunkt von FFG-Stunden |
| Embedded/Hardware-Engineer | 90.000 | angestellt, in-house |
| Material / Komponenten / Prototypenbau | 65.000 | Mikrofonarray, PCB, Gehäuse, Proto-Iterationen |
| Reisekosten | 19.000 | Sourcing (China), Messen |
| Schutzrechte / IP (Wortmarke + FTO) | 10.000 | Wortmarke-Anmeldung, FTO-Recherche |
| **Summe förderbare Kosten** | **364.000** | |
| **aws-Zuschuss (Gender-Bonus, Höchstbetrag)** | **300.000** | effektiv ~82 % von 364k |
| **Eigenmittel (Cash)** | **64.000** | ~18 %, über 10 %-Minimum |

### 6.4 Abgrenzung zu anderen Förderungen (Offenlegung / Doppelförderungs-Verbot)

aws verlangt die Offenlegung anderer Förderungen. Der Förder-Stack ist nach Arbeitspaket **disjunkt** aufgeteilt:

| Programm | Arbeitspaket | Gegenstand | Status |
|---|---|---|---|
| **FFG Basisprogramm** | WP1 — KI-Kern (F&E) | Kinder-ASR/TTS-Algorithmik, private Inferenz, Pädagogik-Engine, GPU/Compute, ASR-Trainingsdaten | eingereicht (71545616) |
| **aws Preseed Deep Tech** | WP2 — Hardware (dieser Antrag) | Industriedesign, Elektronik/Mikrofonarray, Firmware, Vorserien-Prototyp, Zertifizierungs-Vorbereitung | dieser Antrag |
| **Wirtschaftsagentur Wien** | WP3 — Zertifizierung | volle Produktzertifizierung (Labortests CE/EN71/RED) | nach Gründung geplant |

**Trennschärfe:** Keine Kostenposition und keine Personalstunde wird doppelt gefördert; Kosten/Belege/Kostenstellen sind je Programm disjunkt. Eine Selbsterklärung „andere Förderungen" wird im aws-Antrag abgegeben. Der aws-Zuschuss zählt nicht als FFG-Eigenmittel (und umgekehrt).

---

## 7. Finanz- und Erfolgsplanung

### 7.1 Umsatz-Hochlauf (Bottom-up, konsistent zum FFG-Businessplan)

| Jahr (nach Markteintritt) | Geräte (Stück) | Geräteumsatz | Abo-Erlös (kumulierend) | Gesamtumsatz |
|---|---|---|---|---|
| Jahr 1 | ~2.000 | ~200.000 EUR | ~50.000 EUR | **~250.000 EUR** |
| Jahr 3 | ~12.000 | — | — | **~1,6 Mio. EUR** |
| Jahr 5 | ~30.000+ | — | — | **~5–7 Mio. EUR** |

Der wiederkehrende, margenstarke Abo-Anteil wächst mit der aktiven Installationsbasis. **Stückkosten (BOM)** liegen bei Volumen 2–10k bei ~25–30 EUR/Gerät (Deckungsbeitrag ~60–65 EUR je Gerät); zusätzliche Deckungsbeiträge stammen aus dem skalierenden Abo bei geringen Grenzkosten der optimierten EU-Inferenz. Skaleneffekte (Compute, Content) verbessern die Rentabilität mit der Installationsbasis. `[TODO: Bottom-up-Volumen nach Kickstarter-Ergebnis schärfen]`

### 7.2 Eigenmittel-Logik (aws-spezifisch)

| Szenario | Förderquote | Zuschuss | Eigenmittel (bar) |
|---|---|---|---|
| ohne Gender-Bonus (Fallback) | 80 %, max 267k | ~267.000 EUR | ~97.000 EUR (~27 %) |
| **mit Gender-Bonus (gewählt)** | 90 %, max 300k | **300.000 EUR** | **64.000 EUR (~18 %)** |

**Wichtig (anders als FFG):** Die aws-Eigenmittel müssen **bar (Cash)** vorhanden sein — keine unbare Eigenleistung/Arbeitszeit anrechenbar. Nachweis über Bankbestätigung vor Auszahlung. `[TODO: Eigenmittel-Cash-Quelle + Bankbeleg]`

### 7.3 Folgefinanzierung

- **Kickstarter** (Launch 24.06.2026, Ziel 115.000 EUR) — Vorbestellungen/Vorfinanzierung Erstcharge.
- **aws Seedfinancing – Deep Tech** (nach Gründung + abgeschlossenem Preseed): bis 889.000 EUR (Gender-Bonus 1.000.000 EUR), Zuschuss mit Gewinnbeteiligung.
- **EIC** sowie **Eigenkapital/Investoren** für Skalierung und internationalen Roll-out.

Das Geschäftsmodell (Gerät + Abo) trägt die laufenden Kosten mittelfristig selbst; der Markteintritt erfolgt schrittweise und förderbegleitet, sodass die Folgekosten die Leistungsfähigkeit nicht übersteigen.

---

## 8. Risiken und Herausforderungen

### 8.1 SWOT

| Stärken (Strengths) | Schwächen (Weaknesses) |
|---|---|
| Bildschirmfrei + mehrsprachig-aktiv + datensouverän (einzigartige Kombination) | Marktneuling ohne Markenbekanntheit |
| Datengetriebener Lead-Time-Burggraben (Kinder-ASR-Daten/Modelle) | hoher Kapitalbedarf Hardware-Industrialisierung |
| Regulatorisch zukunftssicher (DSGVO/EU-AI-Act by design) | Team im Aufbau |
| Funktionsfähiger Prototyp (De-Risking) | technisches Restrisiko (Kinder-ASR, private Inferenz) |

| Chancen (Opportunities) | Risiken (Threats) |
|---|---|
| stark wachsender EdTech-/Connected-Toys-Markt (CAGR ~27 %/~19–25 %) | Eintritt etablierter Player (Tonies o. ä.) |
| B2B-Bildungsschiene (Curricular-Sync) | Kickstarter „Alles-oder-Nichts" verfehlt → 0 EUR aus KS |
| internationale Skalierung (Vorbild Tonies) | Lieferketten-/Komponenten-Risiken Hardware |
| Datensouveränität als wachsendes Kaufargument | regulatorische Verschärfung Kinder-KI (eher Chance, da by design erfüllt) |

### 8.2 Schlüssel-Risiken und Mitigation

| Risiko | Beschreibung | Mitigation |
|---|---|---|
| **Kinder-ASR-Genauigkeit** | dialogtaugliche WER über Alter/Sprache/Dialekt unsicher | eigene Datenpipeline + Augmentation + Finetuning; Go/No-Go (≥30 % rel. WER-Reduktion); Rückfallebene: geführte statt freie Dialoge, altersgestaffeltes Vokabular |
| **Private-Inferenz-Qualität/Latenz** | OSS-Modelle vs. Public-Cloud bei akzeptabler Latenz/Kosten | systematisches Benchmarking, Domänen-Finetuning, Inferenz-Optimierung (Quantisierung/Caching/Batching), definierte Akzeptanzschwellen |
| **Fernfeld-Audio (Hardware)** | laute Kinderzimmer-Umgebung erschwert Erkennung | Mikrofonarray/Beamforming, Hall-/Geräuschsimulation in der Daten-Augmentation, reale Haushaltstests im aws-WP |
| **Hardware/Zertifizierung** | CE/EN71/RED-Konformität, Lieferketten | früh eingeplant (H5-Vorbereitung im aws-WP, volle Zertifizierung über Wien); etablierte Auftragsfertiger |
| **Output-Sicherheit (Kinder-KI)** | probabilistische LLM-Outputs, Jailbreaks | mehrschichtiger Guardrail-Stack; Red-Teaming mit Kinderschutz-/Pädagogik-Expert:innen |
| **Kapital** | hoher Hardware-Kapitalbedarf | disjunkter Förder-Stack (FFG/aws/Wien) + Kickstarter + Seed/EIC/Equity |
| **Kinderdaten/Ethik** | Vertrauen, Regulatorik | Datenschutz by design als Stärke und Vertriebsargument |

Das Vorhaben ist durch **erhebliches technisches Forschungsrisiko** gekennzeichnet — kennzeichnend für Deep Tech. Negative Zwischenergebnisse führen zu dokumentierten Strategiewechseln (Rückfallebenen), nicht zum Abbruch; jeder Iterationszyklus reduziert das Risiko schrittweise.

---

## Anhang — Pflicht-Restdokumente (separat)

- **Integralplanung (Excel):** Hardware-Kostenplan (Arbeitspakete + Kosten- + Finanzplan) → Übertrag in aws-Excel-Vorlage.
- **Pitch-Deck (PPTX):** nach aws-/i2b-Struktur (Deep-Tech-Fokus, Schutzrechte, Skalierbarkeit).
- **ID-Nachweis** GF + Gesellschafter >25 %; **CVs** Gründer/Schlüsselpersonen.
- **Eigenmittel-Beleg** (Bankbestätigung) vor Auszahlung.

### Offene `[TODO]` (echte Nemanja-Daten)
1. Stammkapital-Höhe + Gesellschafterstruktur der Plappi FlexCo.
2. Wortmarke „Plappi" — Anmeldestatus/Klasse/Datum.
3. Gender-Bonus-Struktur (qualifizierte Frau >25 % + leitend >50 %).
4. Exakte BReact-KMU-Zahlen (für KMU-Erklärung im aws-Fördermanager).
5. aws-Personalkostensatz (GF) — im aws-Kostenleitfaden verifizieren (andere Regeln als FFG).
6. Eigenmittel-Cash-Quelle + Bankbeleg.