Trainings- und Retrieval-Rechte-Register
Lizenz-, TDM- und Copyright-Flags für Train vs. Retrieve vs. Redistribute trennen — Rechte-Register, bevor Sprachmodelle und RAG Inhalte berühren.
Rechte-Governance beginnt nicht mit einem Katalog-Häkchen ai_ok. Sie beginnt mit der Entscheidung, welcher Corpus für Abruf, Training oder Weitergabe erlaubt ist — und welcher Akt ein eigenes Allow oder Deny braucht.
Typische Fragen sind:
- Welche Quellklasse hat der Dokumentbestand — lizenziert, öffentlich, kundenbereitgestellt, mitarbeitererstellt?
- Welche Lizenz erlaubt internes Lesen, verbietet aber TDM oder Fine-Tune?
- Welche Flags gelten getrennt — Retrieve, Train, Redistribute — statt eines Häkchens?
- Welcher Fine-Tune-Job muss stoppen, wenn
trainnicht allow ist? - Wer ist Copyright-verantwortliche Person-Kontakt, und welches Review-Datum gilt?
- Welche Dienstleister-Terms erlauben Inference, nicht Training auf Kundeninhalten?
Wenn RAG-Index, Fine-Tune-Job und Katalog-Flag auseinanderlaufen, gilt der Corpus als „AI-ready“, Legal fragt nach dem Quartalsrecht, und dasselbe SharePoint-Paket landet im Modell. Das Problem ist nicht der Indexer. Es ist der fehlende Vertrag zwischen Lizenz, Akt und Evidence.
Gute Rechte-Ops macht Retrieve, Train und Redistribute ausführbar — drei Flags am selben Asset, nicht ein Häkchen für alles.
Anschluss an Metadaten für AI, RAG und Modelltraining vorbereiten, AI-taugliche Metadaten sind Evidenz und Mails & Dokumente vor AI.
Weiter: Output-IP und kundenbezogene Claims.
Die Serie AI-Rechte und Medien gibt dir den Einstieg und den roten Faden. Die folgenden Teile vertiefen Output-Claims, multimodale Pfade, Authentizität und Evidence so, dass Zweck, Rollen, Entscheidungen und Nachweise im Alltag nachvollziehbar bleiben.
Ausgangslage
Der Policy-Bot läuft über rund 40.000 SharePoint-Policies. Ein Fine-Tune-Job nutzt denselben Corpus. Im Katalog steht ai_ok. Viele Lizenzen erlauben nur interne Nutzung. Legal kann nicht sagen, was dieses Quartal trainiert werden darf. Teams taggen dann den Katalog tdm=unknown oder kaufen ein CLM — und der nächste Export verteilt denselben Corpus ohne Redistribute-Flag.
Was diese Serie klärt
- Orientierung: Rechte-Register, Retrieve ≠ Train ≠ Redistribute, TDM/Copyright (diese Seite)
- Vertiefung: Output-IP und kundenbezogene Claims
- Vertiefung: Multimodale und generative Medien-Kontrollregeln
- Vertiefung: Synthetische Medien, Deepfake und Authentizität
- Abschluss: Rights-Media Nachweispaket
Begriffe und Kürzel vor dem Lesen
- Rechte-Register — betriebene Liste je Asset oder Dokumentbestand: Quellklasse, Lizenzreferenz, drei Akt-Flags, Legal-Kontakt, Review-Datum.
- Retrieve — Abruf in einen Prompt oder KI-Suche-Index. Internes Lesen ist nicht automatisch Trainingsrecht.
- Train / Fine-Tune — Änderung von Modellparametern anhand des Dokumentbestand. Ein zweiter Rechtsakt gegenüber Abruf.
- Redistribute — Export, Publish oder Teilen außerhalb des Tenants. Ein dritter Akt, oft der strengste.
- TDM — Text- und Data-Mining-Klausel; intern lesen ≠ TDM/Training erlaubt.
- Output IP — wem generierter Text oder Medien gehören und welche Weiterverwendung erlaubt ist — Vertiefung in Teil 2.
Lesepfad
- Trainings- und Retrieval-Rechte-Register
- Output-IP und kundenbezogene Claims
- Multimodale und generative Medien-Controls
- Synthetische Medien, Deepfake und Authentizität
- Rights-Media Evidence Pack
Die Beispiele sind Lehrfälle (keine Kundendaten). Ersetzt Corpus-, Lizenz- und Toolnamen durch eure Catalog-, Legal- und Prozessquellen.
zeigt und viele Lizenzen nur interne Nutzung erlauben.
Lösung: Ein Rechte-Register führt Retrieve, Train und Redistribute als getrennte Flags (oder explizites Deny) mit Lizenz, TDM-Kurzfassung und Legal-Kontakt — Fine-Tune stoppt, wenn train nicht allow ist.
In einem Satz: Drei Akte binden, bevor der nächste Index oder Fine-Tune-Job den Corpus entscheidet.
Produkte und Entscheidungen
Rechte-Ops braucht nicht „eine Lizenzdatenbank“, sondern geschnittene Produkte.
Rechte-Register
Dieses Produkt beschreibt:
- Asset- oder Dokumentbestand-ID; Quellklasse; Lizenzreferenz; Flags retrieve / train / redistribute; Ablauf; Legal-Kontakt; Review-Datum.
Entscheidungen:
- Welcher Dokumentbestand ist materiell genug für ein Register, nicht nur ein Ticket?; Wer darf ein Flag auf allow setzen — Legal oder der Content-verantwortliche Person?; Welche
unknown-Zeile gilt als Deny für Train, nicht als Freigabe?
Retrieve-Produkt
Abruf in Prompt oder Index ist ein eigener Akt.
Es benötigt:
- erlaubte Retrieval-Corpora; Klassifikation; Lizenzgrenze; Index-ID; Deny, wenn nur intern gelesen werden darf, der Index aber exportiert.
Entscheidungen:
- Darf dieser Dokumentbestand in den Richtlinie-Bot?; Welche Stellen bleiben außerhalb des Index?; Wer nimmt Retrieval-Allow als erfüllt an?
Train- und Fine-Tune-Produkt
Training erbt nicht das Retrieval-Allow.
Entscheidungen:
- Darf der Job Parameter ändern — ja, nein, oder nur auf einem lizenzierten Subset?; Welche Dienstleister-Terms verbieten Training auf Kundeninhalten?; Welches Prüfpunkt stoppt den Job, wenn
train≠ allow?
Redistribute-Produkt
Export und Publish sind der dritte Akt.
Entscheidungen:
- Welche Outputs dürfen den Tenant verlassen?; Wer gibt Publish frei — Brand, Legal oder der Product Owner?; Welche „wir haben die Datei“-Annahme gilt als Lücke?
Wo Governance hängt
Zwischen Dateibesitz und Nutzungsrecht
Die Datei im Tenant ist kein Trainingsrecht. Lizenz und TDM stehen vor dem Job.
Zwischen einem Katalog-Häkchen und drei Akten
ai_ok kollabiert Retrieve, Train und Redistribute. Ein Flag ohne Akt ist Marketing.
Zwischen RAG-Index und Fine-Tune-Job
Was der Chat abrufen darf, darf das Modell nicht automatisch lernen. Zwei Gates, ein Corpus.
Zwischen Vendor-Inference und Vendor-Training
Terms erlauben oft Antworten, nicht Training auf Kundeninhalten. Dasselbe Endpoint-Label reicht nicht.
Zwischen Legal-Memo und Job-Gate
Ein Memo ohne Deny am Fine-Tune-Job stoppt nichts. Das Register muss den Job binden.
Zwischen Content-Admin und Rechte-Owner
Wer die Site betreibt, entscheidet nicht TDM-Allow oder Redistribute.
Rollen-Mapping
Content / Process Owner
Fachlicher Owner des Corpus (Policy, HR, Produkt) ist accountable für Zweck und die Entscheidung, Inhalte in AI zu geben. Der Owner entscheidet nicht die Lizenzauslegung allein.
Legal / IP / TDM
Bewertet Lizenz, TDM und Copyright. Legal ersetzt nicht den Content-Owner für die Nutzung und nicht den Steward für das Register.
Rights Steward
Legal Ops, Content Governance oder AI Steward führt Flags, Wiedervorlage und Job-Gates. Stewardship braucht Kapazität, nicht die Restzeit zwischen Claim und Audit.
AI Product Owner
Priorisiert Register-Release, Retrieval- vs. Train-Scope und Claims (Teil 2). Nutzen und Lieferbarkeit — nicht die Klausel.
Platform / Index Custodian
Setzt Index-Allowlists und Job-Blocks um. Konfigurationsmacht ist keine Rechte-Verantwortung.
Audit / Assurance Consumer
Empfängt Register und Evidence-Pack. Sie erfinden keine parallele Lizenz-Tabelle.
Mini-Fall
Symptom: Ein Richtlinie-Bot durchsucht 40.000 Dokumente. Ein Modell wird zusätzlich mit demselben Dokumentbestand feintrainiert. Im Katalog steht nur ai_ok. Einige Lizenzen erlauben aber nur interne Nutzung. Legal fragt: Welche Inhalte dürfen wir dieses Quartal wirklich für Training verwenden?
Typischer Fehlstart: Vertragsmanagement kaufen und tdm=unknown taggen, ohne Akt-Flags und ohne Job-Prüfpunkt.
Vereinbarung: Rechte-Register mit Quellklasse und Lizenz; Retrieve / Train / Redistribute getrennt; Fine-Tune blocken wenn train ≠ allow; Legal-Kontakt und Review-Datum; Register-ID an das Metadata-Package koppeln.
Kritische Übergaben
| Von | An | Artefakt |
|---|---|---|
| Content Owner | Rights Steward | Zweck, Quellklasse, gewünschter Akt |
| Legal / IP | Rights Steward | Lizenz-, TDM- und Copyright-Entscheidung |
| Rights Steward | Index / Job-Custodian | Allow/Deny je Akt, Gate-Regel |
| AI Product Owner | Rights Steward | Geplante Retrieval- und Train-Jobs |
| Custodian | Steward / Audit | Index- und Job-Nachweis |
| Steward | Incident / Deletion | Register-ID bei Claim oder Löschfall |
Anti-Patterns
- Ein Katalog-Häkchen für Retrieve, Train und Export
- Fine-Tune starten, weil KI-Suche schon indexiert
- TDM als Fußnote unter Quality-Scores führen
- Dienstleister-Inference mit Dienstleister-Training gleichsetzen
- Legal-Memo ohne Job-Prüfpunkt ablegen
- Site-Admin als Rechte-verantwortliche Person führen
unknownals implizites Allow behandeln
Umsetzung im Alltag
Dieser Einstieg ist kein Kalenderzwang und keine Leseliste. Nimm einen echten Fall, an dem sich die Entscheidung prüfen lässt.
Arbeitsweise: Nutze den verlinkten Plan als Arbeitsfläche für Owner, Termine und offene Punkte. Die fachliche Entscheidung muss trotzdem in der Story verständlich bleiben.
Starte mit dem kleinsten Fall, der fachlich wichtig genug ist. Prüfe danach, ob die Entscheidung wirklich auffindbar, umsetzbar und auditierbar ist. Rollenklärung: Wer hilft wem an der Quelle.
Schritt 1: Rahmen und Entscheidung klären
Kritischen Corpus listen (Quellklassen, Lizenzstatus, heutige RAG- und Train-Pfade). Legal-Kontakt und Steward benennen. unknown als Deny für Train setzen.
Schritt 2: Control und Nachweis umsetzen
rights-register-v1 für diesen Corpus veröffentlichen. Retrieve- und Train-Flags trennen. Den Top-Train-ohne-Rechte-Job blocken oder befristet waiven.
Schritt 3: Testen und Ausnahmen sichtbar machen
Redistribute-Flag für einen Export- oder Veröffentlichungspfad schließen. Register-ID an ein Metadata-Package koppeln. Negativtest: Fine-Tune ohne train=allow muss stoppen.
Schritt 4: Messen und begrenzt ausrollen
Aufwand und Lücken messen. Nur bestandene Muster auf einen zweiten Corpus übertragen. Anschluss an Output-Claims vorbereiten.
Exit-Kriterien
- Jeder KI-berührbare Pilot-Dokumentbestand hat drei Akt-Flags, nicht ein Häkchen.
- Fine-Tune-Jobs ohne
train=allowsind geblockt oder befristet gewaived. - Lizenzreferenz, TDM-Kurzfassung und Legal-Kontakt stehen am Register, nicht nur im Vertragstext.
- Redistribute ist ein eigener Akt — Export ohne Flag ist eine Lücke.
- technischer Betreiber liefert Index-/Job-Nachweis; Content verantwortliche Person bleibt für die Nutzung accountable.
Weiterlesen
- Metadaten für KI, KI-Suche und Modelltraining vorbereiten
- KI-taugliche Metadaten sind Evidenz
- KI Governance
- GDPR für Analytics- und KI-Teams
- Mails & Dokumente vor KI
AI Rights & Media
Part 1 of 5
View series