Case Study Inkward
Wie eine App Handschrift lesen lernte
Eine Journaling-App aus eigener Entwicklung: die OCR-Pipeline für echte Handschrift, die KI-Architektur dahinter und was Kundenprojekte daraus mitnehmen können
Inkward ist eine App aus unserer eigenen Entwicklung: Man schreibt sein Journal von Hand, auf Papier, dem iPad oder einem E-Ink-Gerät wie dem reMarkable, und die App liest die Einträge und spiegelt in zwei, drei Sätzen zurück, was in den eigenen Worten steckt. Kein Coaching, keine Bewertung, keine Streaks. Die Apps für iOS, Android, Apple Watch und Wear OS sind nativ gebaut, alle Details stehen auf inkward.life. Diese Case Study zeigt die technische Umsetzung.
Handschrift ist keine Druckschrift
Gedruckten Text liest heute jede Texterkennung (OCR) zuverlässig. Echte Handschrift in einem Journal ist etwas anderes: eng, schnell, mit Abkürzungen und eigenen Wörtern. Eine einzelne Engine liefert dafür keine brauchbaren Ergebnisse. Inkward schickt deshalb jede Seite an mehrere OCR-Engines, darunter Google Vision, Azure und die OCR des europäischen Anbieters Mistral; bei Foto-Uploads kommt die Texterkennung des Telefons als weitere Stimme dazu. Den Schiedsrichter spielt ein Claude-Modell von Anthropic: Es bekommt das Bild der Seite, alle OCR-Ergebnisse und ein persönliches Wörterbuch der Nutzerin und rekonstruiert daraus den Text. Was wirklich nicht lesbar ist, wird als unleserlich markiert statt geraten. In unseren Tests meldet dieser Merge-Schritt eine Erkennungssicherheit von 88 bis 92 Prozent, deutlich mehr, als eine einzelne Engine allein schafft.
Vor der Erkennung kommt das Rendern
Auf E-Ink-Geräten wie dem reMarkable liegt die Handschrift gar nicht als Bild vor, sondern als Vektordaten: einzelne Striche mit Druckwerten. Wie daraus ein Bild wird, entscheidet über die Erkennungsrate. Inkward rendert die Striche druckempfindlich, mit einer Kurve, die den Tintenfluss eines echten Stifts nachbildet, geglättet per Supersampling und in rund 315 DPI, der Auflösung, die Handschrift-OCR braucht. Druck-Rendering und Glättung allein brachten in unseren Tests bis zu 97 Prozent mehr erkannten Text. Fotos von Papierseiten gehen den umgekehrten Weg: Schon auf dem Gerät warnt die System-Texterkennung, wenn eine Aufnahme nicht lesbar genug ist, bevor etwas hochgeladen wird.
Das Gerät ist keine Voraussetzung
Journaling-Apps binden ihre Nutzer sonst an eine Eingabemethode. Inkward nimmt Handschrift, wo sie entsteht: als Foto einer Papierseite über den Dokumentenscanner des Systems (VisionKit auf iOS, ML Kit auf Android), direkt geschrieben auf dem iPad mit Apple Pencil über eine PencilKit-Schreibfläche, per Cloud-Sync vom reMarkable oder Supernote, und sogar per E-Mail an eine persönliche Einwurf-Adresse. Jeder Weg mündet in dieselbe Pipeline. Die Uploads sind dabei absturzsicher gebaut: Jede Seite wird erst lokal gespeichert und dann in eine Warteschlange gelegt, die Abstürze und App-Neustarts übersteht.
Spiegeln statt Bewerten: zwei getrennte KI-Aufrufe
Die Kernidee von Inkward ist ein Spiegel, kein Coach. Technisch heißt das: Die Analyse und der Spiegeltext entstehen in zwei getrennten Claude-Aufrufen. Der erste rekonstruiert den Text und extrahiert strukturierte Felder wie Stimmung und Energie. Der zweite startet bewusst frisch und schreibt nur den Spiegel: höchstens zwei, drei Sätze, ohne Ratschläge. Der Umweg hat einen Grund: Ein Modell, das gerade ein gutes Dutzend Analysefelder ausgefüllt hat, bleibt im Analyse-Modus, und frühe Tester nannten die Ergebnisse „erklärend statt spiegelnd“. Genauso bewusst ist die zweite Entscheidung: Inkward legt kein Profil über die Menschen an, die es nutzen. Die App kennt nur die Einträge selbst.
Datenschutz als Architektur, nicht als Absichtserklärung
Ein Journal ist das Privateste, was Menschen schreiben. Deshalb steckt der Datenschutz bei Inkward direkt im Code: Die zentralen Textinhalte in der Datenbank, vom rekonstruierten Text über den Spiegeltext bis zu den Rohergebnissen der Cloud-OCR-Engines, sind mit AES-256-GCM verschlüsselt, und eine harte Prüfung verhindert, dass eines dieser Felder versehentlich im Klartext gespeichert wird. Sync-Protokolle und Diagnosedaten arbeiten mit Textlängen statt Inhalten. Hochgeladene Fotos werden nach 30 Tagen automatisch gelöscht, und die DSGVO-Löschung entfernt alle zugehörigen Daten aus sämtlichen Teilen der Datenbank. Gespeichert und betrieben wird auf Hetzner-Servern in der EU, die KI-Anbieter für Erkennung und Analyse sind per Auftragsverarbeitung eingebunden.
Von der App zur Sichtbarkeit
Wie bei allen unseren Projekten endet die Arbeit nicht beim Build: Die Inkward-Website ist in sieben Sprachen aufgebaut, mit Ratgebern wie Journaling anfangen und kostenlosen Vorlagen wie dem Fünf-Jahres-Journal Eine Zeile pro Tag für reMarkable und Supernote, jeweils mit strukturierten Daten und sauberem hreflang-Aufbau. Dieselbe Kombination aus Entwicklung und Vermarktung setzen wir auch für Kundenprojekte um.
Was Sie daraus mitnehmen können
Wenn Ihr Produkt KI einsetzen soll, entscheidet nicht das Modell über die Qualität, sondern die Pipeline drumherum: wie die Daten hineinkommen, was bei schlechtem Input passiert und wie der Datenschutz technisch statt juristisch gelöst ist. Genau diese Fragen beantworten wir auch für Kundenprojekte. Wie wir tiefe Betriebssystem-Integration lösen, zeigt unsere zweite Case Study: Callvent, Anrufe werden Kalendereinträge. Und für den einfacheren Fall, die eigene Website als App in die Stores zu bringen, gibt es unser Festpreis-Angebot: App erstellen lassen.