Machineleesbare governance
Governanceregels die machines kunnen ontdekken en uitvoeren: llms.txt, /ai/-manifesten, /.well-known/-beleidsbestanden, JSON Schemas, ondertekende licentietokens en formaten voor auditlogs. Deze site is zelf een werkend voorbeeld.
Onderzochte vragen
01
Van robots.txt via llms.txt naar rechtenmanifesten
02
/.well-known/-conventies voor beleidsontdekking
03
JSON Schema als normatief specificatieformaat
04
Auditeerbaarheid: logs, versies, herkomst
Gerelateerde whitepapers
- AICR / AICL als een AI-contentlicentie- en agentische-betalingsverbindingslaag Een machineleesbare specificatielaag voor het verklaren van AI-contentrechten en licentiëringsworkflows — van AI-crawling en contentrechten tot een machinaal transactioneel kennisweb.
- AI-rechtenspectrum: van robots.txt naar een AI-leertoestemmingsprotocol AIRS en AILP drukken genuanceerde AI-leertoestemmingen uit die verder gaan dan binair toestaan/verbieden — wat AI mag leren, in welke diepte, voor welk gebruik, onder welke vergoeding.
- Protocolized Openness: waarom „niet verboden” in het tijdperk van AI niet „leerbaar” betekent Ongedefinieerde openheid wordt door AI-pipelines gelezen als juridische onzekerheid en wordt eruit gefilterd; alleen geprotocolleerde, machineleesbare toestemming maakt content werkelijk leerbaar.
- AICL: AI Ingestion & Capability Layer Een websitearchitectuur met vier sublagen — manifest, corpus, capability, governance — waarmee AI, agents en crawlers de kennis van een site correct kunnen inlezen, citeren, aanroepen en verifiëren.
- AI-contentbetaling en de democratische netwerkeconomie Een politiek-economisch argument: AI-waarderingen van biljoenen dollars creëren legitimiteitsdruk voor gelaagde contentlicentiëring en publieke batendeling — data wordt gelaagd, niet duur.