Maschinenlesbare Governance
Governance-Regeln, die Maschinen entdecken und ausführen können: llms.txt, /ai/-Manifeste, /.well-known/-Policy-Dateien, JSON Schemas, signierte Lizenz-Tokens und Audit-Log-Formate. Diese Website ist selbst ein funktionierendes Beispiel.
Untersuchte Fragen
01
Von robots.txt über llms.txt zu Rechte-Manifesten
02
/.well-known/-Konventionen zur Policy-Erkennung
03
JSON Schema als normatives Spezifikationsformat
04
Auditierbarkeit: Protokolle, Versionen, Herkunftsnachweis
Verwandte Whitepapers
- AICR / AICL als KI-Inhaltslizenzierungs- und Agentenzahlungs-Verbindungsschicht Eine maschinenlesbare Spezifikationsschicht zur Deklaration von KI-Inhaltsrechten und Lizenzierungs-Workflows — vom KI-Crawling und Inhaltsrechten bis zu einem maschinell transaktionsfähigen Wissens-Web.
- KI-Rechtespektrum: Von robots.txt zu einem KI-Lernerlaubnis-Protokoll AIRS und AILP drücken differenzierte KI-Lernerlaubnisse jenseits des binären Erlauben/Verbieten aus — was KI lernen darf, in welcher Tiefe, für welche Nutzungen, unter welcher Vergütung.
- Protokollierte Offenheit: Warum „nicht verboten“ im Zeitalter der KI nicht „lernbar“ bedeutet Undefinierte Offenheit wird von KI-Pipelines als rechtliche Unsicherheit gelesen und aussortiert; nur protokollierte, maschinenlesbare Erlaubnis macht Inhalte wirklich lernbar.
- AICL: AI Ingestion & Capability Layer Eine Website-Architektur mit vier Teilschichten — Manifest, Korpus, Capability, Governance —, die es KI, Agenten und Crawlern ermöglicht, das Wissen einer Website korrekt aufzunehmen, zu zitieren, aufzurufen und zu verifizieren.
- KI-Inhaltsvergütung und die demokratische Netzwerkökonomie Ein politökonomisches Argument: KI-Bewertungen in Billionenhöhe erzeugen Legitimitätsdruck für gestaffelte Inhaltslizenzierung und öffentliche Gewinnbeteiligung — Daten werden gestaffelt, nicht teuer.