{ "schema_version": "PERMANITAI-KG-V1", "framework_name": "PERMANITAI", "framework_full": "PERformance MANagement Integrated Taxonomy for AI", "subtitle_de": "Holistische Übertragung der Leistungsfaktorenanalyse auf KI-Entitäten, Agenten, Roboter, hybride Systeme, Business-Teams und Weltklasse-Performer", "subtitle_en": "Holistic transfer of sports science performance factor analysis to AI entities, agents, robots, hybrid systems, business teams, and world-class performers", "seo_keywords": [ "performance factor analysis", "Leistungsfaktorenanalyse", "AI evaluation framework", "sports science AI transfer", "AI performance management", "robot performance analysis", "agent evaluation", "multi-agent performance", "drone performance framework", "human-AI interaction", "AI benchmarking methodology", "cross-entity comparison", "business performance analysis", "executive performance framework", "team performance diagnostics", "world-class performer analysis", "elite performance management", "manager performance factors", "organizational performance framework", "leadership performance analysis", "knowledge graph", "terminology framework", "ISO 704", "AUGMANITAI", "NEOMANITAI", "Andreas Ehstand", "ORCID 0009-0006-3773-7796" ], "applicability_scope": { "description": "PERMANITAI ist universell anwendbar auf JEDE Entität deren Leistung von mehreren interagierenden Faktoren abhängt. Das schließt explizit ein:", "entity_categories": [ "Individuelle KI-Nutzer — vom Einsteiger bis zum weltbesten Prompt Engineer", "KI-Modelle — Evaluation jenseits isolierter Benchmarks", "Agenten und Agententeams — Planung, Koordination, Emergenz", "Roboter, Drohnen, Mikroroboter — physisch embodied Systeme", "Hybridsysteme — jede Kombination aus Mensch, KI und Roboter", "Business-Teams — Abteilungen, Projektteams, Startups, Konzerneinheiten", "Weltklasse-Performer — Spitzensportler, CEOs, Wissenschaftler, Chirurgen, Piloten", "Manager und Führungskräfte — Leistungsfaktorenanalyse für Leadership und Entscheidungsqualität", "Organisationen — Gesamtperformance als Interaktion der Subsystem-Faktoren" ], "key_insight": "Die Methodik ist substratunabhängig. Ob biologisch, digital, mechanisch oder organisatorisch — das diagnostische Protokoll (beobachten → zerlegen → messen → Engpass identifizieren → intervenieren → nachmessen) bleibt identisch." }, "creator": { "name": "Andreas Ehstand", "orcid": "0009-0006-3773-7796", "roles": ["AI Researcher", "Former ITF Coach", "Former Bundesliga Trainer", "AUGMANITAI Developer"], "unique_positioning": "An unusual intersection: applied sports performance methodology (ITF/Bundesliga) combined with systematic AI terminology research (DOI-published, ISO-compliant)" }, "license": "CC BY-NC-ND 4.0", "created": "2026-04-17", "status": "PUBLISHED — V1.0", "publication_note": "Akademisches Forschungsframework. Wikidata-Mappings und GitHub-Referenzen sind Zielzustände in Arbeit. Sport- und akademische Credentials des Autors sind verifizierbar über ORCID.", "parent_frameworks": ["AUGMANITAI", "NEOMANITAI"], "sibling_frameworks": ["ROBMANITAI", "EDUMANITAI", "JOBMANITAI"], "total_nodes": 48, "total_edges": 109, "total_domains": 12, "paradigm_shift": { "from": "Siloed evaluation metrics per entity type (separate benchmarks for LLMs, separate KPIs for robots, separate user studies for humans)", "to": "Unified performance factor framework applicable to ANY intelligent entity — biological, digital, mechanical, or hybrid", "mechanism": "Leistungsfaktorenanalyse (Performance Factor Analysis) from sports science provides a mature, validated, domain-agnostic decomposition methodology. PERMANITAI transfers this methodology holistically — not as metaphor, but as operational framework.", "why_paradigm_shift": [ "Sports science has 50+ years of validated performance decomposition methodology that AI evaluation ignores", "Current AI benchmarks (MMLU, HumanEval, etc.) measure isolated capabilities — they lack factor interaction analysis", "Robot evaluation borrows from AI metrics OR mechanical engineering — never from integrated performance science", "No existing framework treats a human user, an AI model, an agent, a robot, and a drone as instances of the SAME analytical category", "PERMANITAI makes cross-entity comparison possible: a tennis player's tactical adaptability IS structurally comparable to an agent's tool-use strategy", "The framework scales from individual to team to swarm to hybrid — same factors, different weights", "Business application: The same methodology that diagnoses an underperforming athlete diagnoses an underperforming sales team, executive, or organizational unit — factor decomposition, bottleneck identification, targeted intervention", "World-class performers across ALL domains (athletes, CEOs, surgeons, scientists, engineers) share structural performance patterns that PERMANITAI makes explicit and comparable", "Manager and leadership performance becomes analyzable through the same 5-factor lens: physical resources (budget, staff), technical execution, tactical strategy, psychological alignment, contextual adaptation" ], "predecessor_insight": "The SPAI framework (Sports Performance Analysis for AI) identified initial isomorphisms. PERMANITAI generalizes SPAI from LLM-only to all intelligent entities." }, "core_methodology": { "id": "PERM-METHOD-001", "name": "Leistungsfaktorenanalyse (Performance Factor Analysis)", "origin": "German sports science tradition (Hohmann, Lames, Letzelter; Martin, Carl, Lehnertz)", "definition": "Systematic decomposition of complex performance into interdependent factors that can be individually measured, trained, and optimized while accounting for their interactions", "factors": [ { "id": "PF-PHY", "name_de": "Physische/Hardware-Faktoren", "name_en": "Physical/Hardware Factors", "sports_original": "Kraft, Ausdauer, Schnelligkeit, Beweglichkeit, Koordination", "permanitai_transfer": { "user": "Hardware-Zugang, Bandbreite, Bildschirmgröße, Eingabemodalität, körperliche Ermüdung", "ai_model": "Parameteranzahl, Kontextfenster, Inferenzgeschwindigkeit, Speicherbedarf, Tokenizer-Effizienz", "agent": "Tool-Zugriff, API-Limits, Speicherkapazität, Ausführungsgeschwindigkeit, Sandbox-Constraints", "agent_team": "Gesamtrechenleistung, Kommunikationsbandbreite, Shared-Memory-Kapazität, Parallelisierungsgrad", "robot": "Aktuatoren, Sensorik, Batteriekapazität, Payload, Freiheitsgrade, Materialermüdung", "drone": "Flugzeit, Nutzlast, Windresistenz, Sensorauflösung, GPS-Genauigkeit", "micro_robot": "Energieversorgung, Miniaturisierung-Constraints, Kommunikationsreichweite, Aktorik-Präzision", "robot_team": "Schwarmgröße, Heterogenitätsgrad, Energiereserve-Verteilung, Kommunikationsnetz-Topologie" } }, { "id": "PF-TEC", "name_de": "Technische Faktoren", "name_en": "Technical Factors", "sports_original": "Schlagtechnik, Lauftechnik, Spieleröffnung, Returnqualität", "permanitai_transfer": { "user": "Prompt-Craft-Qualität, Tool-Bedienungskompetenz, Iterationsfähigkeit, Output-Evaluationskompetenz", "ai_model": "Token-Prediction-Accuracy, Kohärenz, Faktentreue, Formatierungskompetenz, Mehrsprachigkeit", "agent": "Tool-Use-Präzision, API-Call-Effizienz, Error-Recovery, Planungsqualität, Selbstkorrektur", "agent_team": "Handoff-Qualität, Aufgabenzerlegungspräzision, Deduplizierung, Merge-Kompetenz", "robot": "Greifpräzision, Navigationgenauigkeit, Objekterkennung, Manipulationsqualität", "drone": "Flugstabilität, Landegenauigkeit, Hindernisvermeidung, Bildstabilisierung", "micro_robot": "Zellmanipulationspräzision, Injektionsgenauigkeit, Positionierungstreue", "robot_team": "Formationsgenauigkeit, Koordinierte Manipulation, Synchronisierte Bewegung" } }, { "id": "PF-TAK", "name_de": "Taktische Faktoren", "name_en": "Tactical Factors", "sports_original": "Spieltaktik, Matchplanerstellung, Gegneranalyse, Situationsanpassung", "permanitai_transfer": { "user": "Prompt-Strategie, Multi-LLM-Routing, Aufgaben-Dekomposition, Kontext-Management", "ai_model": "Reasoning-Strategie-Wahl, Chain-of-Thought-Einsatz, Unsicherheits-Kommunikation, Refusal-Kalibrierung", "agent": "Planauswahl, Tool-Sequenzierung, Fallback-Strategien, Ressourcenallokation", "agent_team": "Arbeitsteilung, Eskalationslogik, Konsensbildung, Spezialisierungszuweisung", "robot": "Pfadplanung, Aufgabenpriorisierung, Energiemanagement, Umgebungsadaption", "drone": "Flugroutenoptimierung, Missionsplanung, Wetterkompensation, Schwarmtaktik", "micro_robot": "Navigationsstrategien im Zielsystem, Release-Timing-Faktor, Schwarmkoordination", "robot_team": "Aufgabenallokation, dynamische Umplanung, Redundanzmanagement, Schwarmtaktik" } }, { "id": "PF-PSY", "name_de": "Psychologische/Alignment-Faktoren", "name_en": "Psychological/Alignment Factors", "sports_original": "Motivation, Konzentration, Umgang mit Druck, Wettkampfhärte, Selbstvertrauen", "permanitai_transfer": { "user": "AI-Literacy, Vertrauen/Misstrauen-Kalibrierung, Frustrationstoleranz, Automation-Complacency, Erwartungsmanagement", "ai_model": "Alignment, Sycophancy-Resistenz, Instruktionstreue, Adversarial-Robustheit, Confidence-Calibration", "agent": "Zielbeharrlichkeit, Fehlertoleranz, Abbruchkriterien-Kalibrierung, Selbstevaluation", "agent_team": "Kooperationsbereitschaft, Conflict-Resolution, Gruppenkonformitäts-Resistenz, Shared-Goal-Alignment", "robot": "Safety-Compliance, Mensch-Roboter-Vertrauen, Entscheidungssicherheit unter Unsicherheit", "drone": "Autonomielevel-Kalibrierung, Risikobewertung, Absturz-Vermeidungs-Priorität", "micro_robot": "Biokompatibilitäts-Compliance, Systemabschluss-Trigger, Biokompatibilitäts-Faktor", "robot_team": "Schwarmkohäsion, Führungsrotation, Opferstrategie (Einzelner für Gruppe)" } }, { "id": "PF-KON", "name_de": "Kontextuelle Faktoren", "name_en": "Contextual Factors", "sports_original": "Belag, Wetter, Publikum, Turnierformat, Tageszeit, Jetlag", "permanitai_transfer": { "user": "Kultureller Kontext, Sprachbarrieren, Zeitdruck, Organisationskontext, Regulatorisches Umfeld", "ai_model": "System-Prompt-Kontext, Deployment-Umgebung, Nutzerpopulation, Domäne, Sprache, API-vs-Chat", "agent": "Sandbox-Restriktionen, Verfügbare Tools, Timeout-Limits, Aufgabendomäne", "agent_team": "Organisationskultur, Governance-Regeln, Inter-Agent-Protokolle, Auftraggeberkontext", "robot": "Einsatzumgebung (Fabrik/Haushalt/Outdoor), Lichtbedingungen, Bodenbeschaffenheit, Temperatur", "drone": "Wetter, Flugverbotzonen, Regulatorik, Terrain, Elektromagnetische Störungen", "micro_robot": "Körpertemperatur, Blutfluss, pH-Wert, Immunreaktionen, Organtyp", "robot_team": "Einsatzgebiet-Topologie, Kommunikationsreichweite, Umgebungsdynamik" } } ], "factor_interactions": { "description": "Der KERN-PARADIGMENWECHSEL: Faktoren sind NICHT isoliert. Wie im Sport die Psyche die Technik beeinflusst und die Taktik nur mit entsprechender Kondition umsetzbar ist, interagieren die Faktoren in JEDEM Anwendungsfeld.", "examples": [ { "entity": "AI Model", "interaction": "PF-TEC × PF-PSY: Hohe Token-Accuracy (technisch) kann durch Sycophancy (psychologisch/alignment) entwertet werden — das Modell produziert technisch korrekte aber inhaltlich angepasste Antworten", "sports_parallel": "Ein Tennisspieler mit perfekter Technik, der unter Druck nur noch sicher spielt statt winners zu schlagen" }, { "entity": "Agent Team", "interaction": "PF-TAK × PF-KON: Die optimale Arbeitsteilung (taktisch) hängt von den verfügbaren Tools (kontextuell) ab — ein Team das für Code-Tools optimiert ist, versagt bei Research-Aufgaben", "sports_parallel": "Eine Fußballmannschaft die für Konterspiel aufgestellt ist, aber auf nassem Platz mit hohem Ballbesitz spielen muss" }, { "entity": "Robot", "interaction": "PF-PHY × PF-TAK: Begrenzte Batteriekapazität (physisch) erzwingt energieoptimierte Pfadplanung (taktisch) — Reichweiten-Taktik", "sports_parallel": "Ein Marathonläufer der seine Pace an die Hitze anpassen muss" }, { "entity": "User", "interaction": "PF-PSY × PF-TEC: Automation-Complacency (psychologisch) degradiert Prompt-Craft-Qualität (technisch) — der User hört auf, gute Prompts zu schreiben, weil er dem Modell blind vertraut", "sports_parallel": "Ein erfahrener Spieler der im Training nachlässig wird weil er glaubt, er braucht das nicht mehr" } ] } }, "application_domains": [ { "id": "DOM-USR", "name": "Human AI User", "name_de": "Menschlicher KI-Nutzer", "description": "Individuelle menschliche Nutzung von KI-Systemen — Prompt-Kompetenz, Evaluationsfähigkeit, Interaktionsmuster", "sports_analogue": "Einzelspieler (Tennis, Golf, Leichtathletik)", "key_metrics": ["Prompt Efficiency", "Output Utilization Rate", "Error Detection Rate", "AI Literacy Index", "Delegation Calibration"], "unique_factors": ["Biological fatigue", "Emotional state", "Domain expertise", "Learning curve"] }, { "id": "DOM-AIM", "name": "AI Model", "name_de": "KI-Modell", "description": "Das Sprachmodell selbst — Inferenzqualität, Alignment, Fähigkeitsspektrum", "sports_analogue": "Individueller Athlet (messbares Leistungsprofil)", "key_metrics": ["Accuracy", "Coherence", "Sycophancy Resistance", "Calibration", "Instruction Following", "Adversarial Robustness"], "unique_factors": ["Training data composition", "RLHF policy", "Constitutional AI constraints", "Temperature sensitivity"] }, { "id": "DOM-AGT", "name": "Single Agent", "name_de": "Einzelner Agent", "description": "Autonomer KI-Agent mit Tool-Zugriff und Planungsfähigkeit", "sports_analogue": "Einzelspieler in taktisch komplexer Sportart (Schach, Kampfsport)", "key_metrics": ["Task Completion Rate", "Tool Use Efficiency", "Plan Quality", "Error Recovery", "Resource Efficiency"], "unique_factors": ["Tool availability", "Sandbox constraints", "Autonomy level", "Feedback loop quality"] }, { "id": "DOM-AGT-TEAM", "name": "Agent Team", "name_de": "Agententeam", "description": "Koordinierte Gruppe von KI-Agenten mit unterschiedlichen Rollen und Spezialisierungen", "sports_analogue": "Mannschaftssport (Fußball — 11 Spieler mit Positionsprofilen)", "key_metrics": ["Coordination Quality", "Handoff Efficiency", "Conflict Resolution Rate", "Emergent Capability Index", "Specialization Balance"], "unique_factors": ["Communication protocol", "Role assignment dynamics", "Consensus mechanisms", "Scalability"] }, { "id": "DOM-ROB", "name": "Robot", "name_de": "Roboter", "description": "Physisch embodied autonomes System — Industrieroboter, Serviceroboter, humanoide Roboter", "sports_analogue": "Athlet in seiner physischen Umgebung (Körper + Geist + Kontext)", "key_metrics": ["Manipulation Precision", "Navigation Accuracy", "Energy Efficiency", "HRI Quality", "Safety Compliance"], "unique_factors": ["Physical embodiment", "Real-world uncertainty", "Material degradation", "Sensor noise"] }, { "id": "DOM-DRN", "name": "Drone", "name_de": "Drohne", "description": "Unbemannte Flugsysteme — Aufklärung, Lieferung, Inspektion, Schwarm", "sports_analogue": "Sportler in 3D-Umgebung (Kletterer, Skispringer — Schwerkraft als Faktor)", "key_metrics": ["Flight Stability", "Mission Completion Rate", "Energy Efficiency per km", "Obstacle Avoidance", "Payload Delivery Accuracy"], "unique_factors": ["3D navigation", "Weather dependency", "Airspace regulation", "Battery-weight tradeoff"] }, { "id": "DOM-MRB", "name": "Micro-Robot", "name_de": "Mikroroboter", "description": "Miniaturisierte Roboter für medizinische, industrielle oder wissenschaftliche Anwendungen", "sports_analogue": "Extremsportler in feindlicher Umgebung (Tieftaucher, Höhenbergsteiger — Körper unter extremem Umgebungsdruck)", "key_metrics": ["Positioning Precision", "Biocompatibility", "Payload Delivery", "Energy Autonomy", "Self-Destruct Reliability"], "unique_factors": ["Extreme miniaturization", "Hostile environment", "Limited communication", "Immune system interaction"] }, { "id": "DOM-ROB-TEAM", "name": "Robot Team", "name_de": "Roboterteam", "description": "Koordinierte Gruppe von Robotern — heterogen oder homogen, Schwarm oder hierarchisch", "sports_analogue": "Team im Mannschaftssport (Fußball, Basketball, Staffel)", "key_metrics": ["Swarm Coherence", "Task Allocation Efficiency", "Formation Accuracy", "Redundancy Utilization", "Emergent Behavior Quality"], "unique_factors": ["Physical co-location", "Heterogeneous capabilities", "Real-world coordination", "Communication latency"] }, { "id": "DOM-HYB", "name": "Hybrid System", "name_de": "Hybridsystem", "description": "Jede Kombination aus Mensch + KI + Agent + Roboter — das volle Spektrum", "sports_analogue": "Mixed-Team-Wettbewerb (Reiten: Mensch + Pferd; Segeln: Team + Boot + Wind)", "key_metrics": ["Human-Machine Synergy Index", "Handoff Latency", "Trust Calibration", "Capability Complementarity", "Degradation Grace"], "unique_factors": ["Interface quality", "Trust dynamics", "Complementary strengths", "Communication modality mismatch"] }, { "id": "DOM-BIZ", "name": "Business Team / Organization", "name_de": "Business-Team / Organisation", "description": "Abteilungen, Projektteams, Startups, Konzerneinheiten — jede organisatorische Einheit deren Leistung von interagierenden Faktoren abhängt", "sports_analogue": "Profi-Mannschaft als wirtschaftliches Unternehmen (FC Bayern: sportliche + wirtschaftliche + organisatorische Performance)", "key_metrics": ["Revenue per Resource Unit", "Decision Quality Index", "Team Synergy Score", "Strategic Adaptation Rate", "Innovation-Execution Balance"], "unique_factors": ["Market dynamics", "Organizational culture", "Regulatory environment", "Competitive landscape", "Talent retention"], "permanitai_factor_mapping": { "PF-PHY": "Budget, Personal, Infrastruktur, Tools, physische Ressourcen", "PF-TEC": "Ausführungsqualität, Prozessbeherrschung, Toolkompetenz, Methodenkenntnis", "PF-TAK": "Geschäftsstrategie, Marktpositionierung, Wettbewerbsanalyse, Ressourcenallokation", "PF-PSY": "Unternehmenskultur, Mitarbeitermotivation, Führungsqualität, Resilienz unter Druck", "PF-KON": "Marktumfeld, Regulatorik, Konjunktur, Branchentrends, geopolitischer Kontext" } }, { "id": "DOM-ELITE", "name": "World-Class Performer", "name_de": "Weltklasse-Performer", "description": "Spitzenleister in jedem Feld — CEOs, Chirurgen, Wissenschaftler, Piloten, Elitesoldaten, Spitzensportler. Die Leistungsfaktorenanalyse macht strukturelle Gemeinsamkeiten zwischen Höchstleistern verschiedener Domänen sichtbar.", "sports_analogue": "Top-100-Athlet (das Original — PERMANITAI generalisiert von hier aus)", "key_metrics": ["Peak Performance Consistency", "Degradation Resistance", "Recovery Speed", "Adaptation to Novel Challenges", "Longevity of Excellence"], "unique_factors": ["Deliberate practice history", "Mentorship quality", "Support system", "Recovery protocols", "Competition exposure"], "permanitai_factor_mapping": { "PF-PHY": "Körperliche Gesundheit, Energiemanagement, Schlaf, Ernährung, Arbeitsplatzergonomie", "PF-TEC": "Domänenspezifische Kernkompetenz, Handwerksqualität, Methodenbeherrschung", "PF-TAK": "Karrierestrategie, Entscheidungsqualität unter Unsicherheit, Prioritätensetzung, Zeiteinsatz", "PF-PSY": "Mentalstärke, Druckresistenz, Motivation, Selbstreflexion, Growth Mindset", "PF-KON": "Branchenumfeld, Netzwerk, Zeitgeist, Verfügbare Ressourcen, Familienkontext" } }, { "id": "DOM-MGR", "name": "Manager / Leader", "name_de": "Manager / Führungskraft", "description": "Führungskräfte aller Ebenen — vom Teamlead bis zum CEO. Die Leistungsfaktorenanalyse überträgt die Trainerdiagnostik: Wie der Trainer die Leistung des Teams über die Leistung der Einzelspieler hinaus steuert, steuert der Manager die Organisationsleistung.", "sports_analogue": "Cheftrainer (der Trainer analysiert und optimiert die Performance anderer — Meta-Performance)", "key_metrics": ["Decision Quality under Uncertainty", "Team Development Rate", "Strategic Vision Accuracy", "Stakeholder Management", "Crisis Performance"], "unique_factors": ["Span of control", "Information asymmetry", "Political dynamics", "Legacy constraints", "Accountability structure"], "permanitai_factor_mapping": { "PF-PHY": "Verfügbare Ressourcen (Budget, Headcount, Tools), eigene Belastbarkeit und Energiemanagement", "PF-TEC": "Kommunikationsfähigkeit, Analysekompetenz, Verhandlungsqualität, Prozessgestaltung", "PF-TAK": "Strategieentwicklung, Talentmanagement, Organisationsdesign, Change-Management", "PF-PSY": "Emotionale Intelligenz, Druckresistenz, Authentizität, Vertrauensbildung, Entscheidungsmut", "PF-KON": "Unternehmenskultur, Board-Dynamik, Marktbedingungen, Regulatorik, Stakeholder-Landschaft" } } ], "methodological_transfers": { "_disclaimer": "Akademisches Forschungsframework. Dies sind keine oberflächlichen Analogien ('A ist wie B'), sondern Transfers des DIAGNOSTISCHEN PROTOKOLLS der Leistungsfaktorenanalyse.", "_protocol": "Das sportwissenschaftliche Diagnoseprotokoll: (1) Leistung beobachten → (2) in Faktoren zerlegen → (3) jeden Faktor messen → (4) Engpassfaktor identifizieren → (5) Intervention designen → (6) nachmessen. PERMANITAI überträgt nicht Entitäten aufeinander, sondern dieses PROTOKOLL auf neue Entitätsklassen.", "transfers": [ { "id": "MT-001", "title": "Diagnostisches Protokoll: Identische Analyselogik über Entity-Grenzen hinweg", "type": "methodological_transfer", "source_method": "Sportwissenschaftliche Leistungsdiagnostik: Beobachte den Athleten → zerlege seine Leistung in physische, technische, taktische, psychologische und kontextuelle Faktoren → messe jeden Faktor isoliert → identifiziere den leistungslimitierenden Faktor (Engpass) → designere eine Intervention (Training) die gezielt am Engpass ansetzt → messe nach ob der Engpass sich verschoben hat.", "transfer_claim": "Dieses sechsstufige Protokoll ist domänenagnostisch. Es funktioniert nicht weil ein Agent einem Tennisspieler ähnelt, sondern weil JEDES System dessen Leistung von mehreren interagierenden Faktoren abhängt mit derselben Diagnoselogik analysiert werden kann. Der Transfer ist auf der Ebene der METHODIK, nicht der Entitäten.", "concrete_example": "Ein Agent scheitert an einer komplexen Aufgabe. Standard-Debugging: Log lesen, Fehler fixen. PERMANITAI-Diagnostik: (1) Beobachte den gesamten Task-Verlauf, (2) Zerlege: War es ein Tool-Access-Problem (physisch/hardware)? Schlechte API-Calls (technisch)? Falsche Planauswahl (taktisch)? Zu früher Abbruch (psychologisch/alignment)? Ungeeignete Sandbox (kontextuell)? (3) Messe jeden Faktor isoliert — z.B. Tool-Calls einzeln testen, Plan gegen Referenzplan vergleichen. (4) Identifiziere: Der Agent hat das richtige Tool, die richtige Technik, den richtigen Plan — aber er bricht ab wenn der erste Versuch scheitert (Engpass = PF-PSY: Fehlertoleranz). (5) Intervention: Retry-Policy anpassen, Abbruchschwelle erhöhen. (6) Nachmessen: Selbe Aufgabe, neue Policy — hat sich der Engpass verschoben?", "why_not_trivial": "Der Mehrwert liegt nicht darin, dass man Faktoren benennt — das kann jeder. Der Mehrwert liegt im ENGPASS-DENKEN: Solange der limitierende Faktor nicht identifiziert ist, sind Verbesserungen an nicht-limitierenden Faktoren verschwendet. Im Sport wissen das alle. In der KI-Evaluation optimiert man routinemäßig an Faktoren die nicht der Engpass sind.", "disanalogy_acknowledged": "Im Sport hat der Diagnostiker direkten sensorischen Zugang zum Athleten (Videoanalyse, Gespräch, Beobachtung). Bei KI-Systemen ist der Zugang auf Logs, Outputs und Metriken beschränkt. Die Diagnoselogik bleibt identisch, aber die DATENERHEBUNG erfordert andere Instrumente." }, { "id": "MT-002", "title": "Faktor-Interaktionsanalyse: Das was Benchmarks nicht können", "type": "methodological_transfer", "source_method": "In der Sportwissenschaft ist seit Hohmann/Lames/Letzelter klar: Faktoren interagieren. Ein Tennisspieler mit perfekter Vorhand (PF-TEC) und hoher Laufgeschwindigkeit (PF-PHY) aber ohne taktische Spieleröffnung (PF-TAK) wird die Vorhand nie in einer Position schlagen wo sie gefährlich wäre. Die Faktoren MULTIPLIZIEREN sich, sie addieren sich nicht.", "transfer_claim": "Aktuelle KI-Benchmarks behandeln Fähigkeiten als unabhängige Dimensionen: MMLU misst Wissen, HumanEval misst Code, TruthfulQA misst Faktentreue — jeweils isoliert. PERMANITAI überträgt die Faktor-Interaktionsanalyse: Wie verändert sich die Code-Qualität (PF-TEC) eines Modells wenn der System-Prompt restriktiv ist (PF-KON) und das Modell sycophantische Tendenzen hat (PF-PSY)? Das misst kein Benchmark.", "concrete_example": "Ein LLM hat exzellente Reasoning-Fähigkeit (PF-TEC) und hohe Instruktionstreue (PF-PSY). Aber wenn die Inferenzgeschwindigkeit gedrosselt wird (PF-PHY, z.B. durch Quantisierung), degradiert die Reasoning-Qualität überproportional. Gleichzeitig STEIGT die Sycophancy — weil das quantisierte Modell bei Unsicherheit stärker auf die vermutete User-Erwartung defaulted. Das ist eine PF-PHY × PF-TEC × PF-PSY Dreifach-Interaktion die kein einzelner Benchmark erfasst. Die Sportwissenschaft würde sagen: Das Äquivalent ist ein Athlet der bei Ermüdung (PF-PHY) sowohl technisch nachlässiger wird (PF-TEC) als auch taktisch risikoaverser (PF-TAK). Dieses Muster ist in der Sportpsychologie seit Jahrzehnten dokumentiert.", "why_not_trivial": "Dass Fähigkeiten interagieren ist nicht die Einsicht. Die Einsicht ist, dass die MUSTER der Interaktion klassifizierbar sind. Die Sportwissenschaft hat Taxonomien von Interaktionsmustern entwickelt (kompensatorisch, limitierend, potenzierend). PERMANITAI überträgt diese Taxonomie.", "disanalogy_acknowledged": "Bei Athleten sind Faktor-Interaktionen direkt beobachtbar (Videoanalyse zeigt Technikverfall unter Ermüdung). Bei LLMs müssen Interaktionen durch kontrollierte Variation erzeugt werden (z.B. Benchmark unter Quantisierung vs. ohne). Der experimentelle Aufwand ist signifikant höher." }, { "id": "MT-003", "title": "Degradation-Profiling: Wie Leistung unter Belastung zerfällt", "type": "methodological_transfer", "source_method": "Im Profi-Tennis wird systematisch gemessen: Wie verändert sich die First-Serve-Quote im 5. Satz gegenüber dem 1. Satz? Wie verändert sich die Beinarbeit nach 3 Stunden? Die Sportwissenschaft erstellt DEGRADATION-PROFILE: Welche Leistungskomponente zerfällt zuerst, wie schnell, und in welcher Reihenfolge? Das Degradation-Profil eines Spielers ist diagnostisch wertvoller als sein Peak-Leistungsprofil.", "transfer_claim": "Für JEDE PERMANITAI-Entität ist das Degradation-Profil die zentral diagnostisch wertvollste Information. NICHT was eine Entität unter Idealbedingungen kann, sondern WIE ihre Leistung unter steigendem Stress, Ressourcenmangel oder Komplexität zerfällt. Das Degradation-Profil ist entity-agnostisch erhebbar.", "concrete_example_agent": "Ein Agent wird mit zunehmend komplexen Aufgaben konfrontiert. Bei Komplexitätsstufe 1-5 bleibt alles stabil. Bei Stufe 6 zerfällt zuerst die Planqualität (PF-TAK): Der Agent wählt suboptimale Tool-Sequenzen. Die Tool-Use-Technik (PF-TEC) bleibt noch intakt — er führt die falschen Tools korrekt aus. Bei Stufe 8 zerfällt auch PF-TEC: API-Calls werden fehlerhaft. Das Degradation-Profil ist: TAK → TEC → PHY (Resource-Exhaustion). Dieses Profil ist diagnostisch: Es sagt, dass der Agent primär an Planungskomplexität scheitert, nicht an Ausführungsqualität.", "concrete_example_robot": "Ein Serviceroboter arbeitet eine 8-Stunden-Schicht. Nach 4 Stunden: Batterielevel sinkt (PF-PHY), Navigationsgenauigkeit bleibt stabil (PF-TEC), aber der Roboter beginnt kürzere Routen zu wählen statt optimaler (PF-TAK → Energiesparverhalten, adaptiv). Nach 6 Stunden: Greifergenauigkeit sinkt (PF-TEC → Materialermüdung). Degradation-Profil: PHY → TAK (adaptiv) → TEC. Fundamental verschieden vom Agenten-Profil — obwohl die Diagnosemethodik identisch ist.", "concrete_example_user": "Ein menschlicher KI-Nutzer arbeitet einen langen Tag. Morgens: präzise Prompts (PF-TEC), skeptische Evaluation (PF-PSY). Nachmittags: Prompts werden kürzer und vager (PF-TEC degradiert zuerst). Abends: weniger Outputs werden hinterfragt (PF-PSY: Automation-Complacency steigt mit Ermüdung). Degradation-Profil: TEC → PSY. Das ist das IDENTISCHE diagnostische Framework wie beim Athleten — biologische Ermüdung degradiert Technik vor Psyche.", "why_not_trivial": "Das Nicht-Triviale ist die VERGLEICHBARKEIT der Degradation-Profile über Entity-Grenzen hinweg. Wenn Agent und User dasselbe Degradation-Muster zeigen (Taktik zerfällt vor Technik), deutet das auf einen gemeinsamen zugrundeliegenden Mechanismus hin — Komplexitätsüberlastung priorisiert Vereinfachung der Strategie vor Vereinfachung der Ausführung. Das ist ein empirisch prüfbares Cross-Entity-Pattern.", "disanalogy_acknowledged": "Biologische Ermüdung hat einen klaren physiologischen Mechanismus. Was 'Ermüdung' bei einem LLM oder Agenten bedeutet, ist unklar — Kontext-Window-Grenzen, Token-Budget, oder schlicht steigende Aufgabenkomplexität sind verschiedene Dinge. PERMANITAI darf nicht verschleiern, dass der Degradations-MECHANISMUS substratabhängig ist, auch wenn das Diagnose-PROTOKOLL gleich bleibt." }, { "id": "MT-004", "title": "Periodisierung: Training-/Optimierungszyklen als universelle Struktur", "type": "methodological_transfer", "source_method": "Sportliche Periodisierung (Matwejew, Bompa): Leistungsaufbau verläuft in Makro- (Saison), Meso- (Wochen) und Mikrozyklen (Tage). Jeder Zyklus hat Belastungs- und Erholungsphasen. Overtraining (Übertraining) entsteht wenn Belastung die Adaptationskapazität übersteigt. Die Methodik ist seit 60+ Jahren validiert.", "transfer_claim": "Jedes optimierbare System durchläuft Phasen von Belastung und Konsolidierung. PERMANITAI überträgt nicht die Metapher ('Training ist wie Fine-Tuning') sondern die PLANUNGSLOGIK: Wie strukturiert man Optimierungszyklen so, dass Adaptation maximiert und Überanpassung vermieden wird?", "concrete_mapping": { "macro_cycle": { "sport": "Saisonplanung: Aufbauphase → Wettkampfphase → Regeneration", "ai_model": "Pre-Training → RLHF/Fine-Tuning → Evaluation/Deployment → Versionswechsel", "agent": "Initial-Konfiguration → Task-Exposure-Phase → Performance-Plateau → Rekonfiguration", "robot": "Kalibrierung → Einsatzphase → Wartungszyklus → Hardware-Upgrade" }, "overtraining_equivalent": { "sport": "Athlet wird durch zu viel Training schlechter statt besser — Symptome: Leistungseinbruch, Motivationsverlust, erhöhte Verletzungsanfälligkeit", "ai_model": "Overfitting: Modell wird durch zu viel Fine-Tuning auf Trainingsdaten schlechter auf neuen Daten — Symptome: Sinkende Generalisierung, steigende Confidence bei falschen Antworten", "agent": "Over-Specification: Agent wird durch zu viele Regeln und Constraints auf Spezialaufgaben optimiert und verliert Flexibilität — Symptome: Task-Completion-Rate steigt auf bekannten Tasks, sinkt auf neuen", "robot": "Verschleiß-Optimierungs-Spirale: Kalibrierung kompensiert zunehmenden Verschleiß, aber jede Kompensation verbirgt den tatsächlichen Hardware-Zustand — Symptome: Scheinbare Stabilität mit plötzlichem Totalausfall" } }, "why_not_trivial": "Die Periodisierungslogik macht eine spezifische empirisch testbare Vorhersage: Es gibt eine OPTIMALE Interventionsfrequenz für jede Entität. Zu häufige Anpassung verhindert Konsolidierung, zu seltene lässt suboptimale Patterns einschleifen. Diese Vorhersage ist für jede PERMANITAI-Entität prüfbar.", "disanalogy_acknowledged": "Biologische Adaptation benötigt Erholungszeit (Schlaf, Regeneration). Digitale Systeme haben kein biologisches Äquivalent — aber sie haben Konsolidierungsanforderungen (Checkpoint-Stabilität, Regressionstests nach Updates). Die ZEITSTRUKTUR der Periodisierung überträgt sich nicht 1:1, die LOGIK (Belastung → Adaptation → Konsolidierung → nächste Belastung) schon." }, { "id": "MT-005", "title": "Mannschaftstaktische Analyse: Teamleistung ≠ Summe der Einzelleistungen", "type": "methodological_transfer", "source_method": "In der Mannschaftssport-Analyse wird systematisch unterschieden: (a) Individualleistung im Teamkontext, (b) Interaktionsleistung (Zusammenspiel zwischen Spielern), (c) Systemleistung (emergentes Verhalten der Gesamtformation). Die drei Ebenen erfordern unterschiedliche Messverfahren und werden unabhängig diagnostiziert.", "transfer_claim": "Diese Drei-Ebenen-Diagnostik ist direkt auf Agententeams, Roboterteams und Hybridsysteme übertragbar. Die Sportwissenschaft hat 30+ Jahre Methodik entwickelt um zu unterscheiden ob ein Teamversagen am Individuum, an der Interaktion oder am System liegt. Diese Unterscheidung wird in der KI-Evaluation fast nie gemacht.", "concrete_example": "Ein Agenten-Team aus 4 Agenten (Research, Code, Review, Deploy) scheitert. Standard-Analyse: 'Der Code-Agent hat schlechten Code produziert.' PERMANITAI-Dreischicht-Analyse: (a) Individualebene: Der Code-Agent produziert isoliert getestet guten Code → kein Individualproblem. (b) Interaktionsebene: Der Handoff vom Research-Agent zum Code-Agent verliert kritischen Kontext → die Briefing-Qualität ist das Problem, nicht die Code-Qualität. (c) Systemebene: Die Orchestrierung lässt zu, dass der Code-Agent mit unvollständigem Briefing beginnt statt nachzufragen → das System hat keine Qualitätsgate zwischen Research und Code. Die Intervention muss auf Ebene (c) ansetzen, aber ohne die Drei-Ebenen-Analyse hätte man auf Ebene (a) optimiert.", "why_not_trivial": "Die Unterscheidung Individual/Interaktion/System ist nicht nur taxonomisch. Sie hat direkte praktische Konsequenz: Interventionen auf der falschen Ebene sind nicht nur nutzlos, sie können die Teamleistung verschlechtern. Im Sport: Individualtraining für einen Spieler dessen Problem die taktische Einbindung ist, macht ihn individuell besser aber das Team nicht. In Agent-Teams: Einen Agent fine-tunen dessen Problem die Orchestrierung ist, verschleiert das eigentliche Problem.", "disanalogy_acknowledged": "Im Sport existieren etablierte Interaktionsmetriken (Expected Assists, Pressing-Sequenzen). Für Agent-Teams gibt es noch keine standardisierten Interaktionsmetriken. PERMANITAI definiert die NOTWENDIGKEIT solcher Metriken, liefert aber noch keine validierte Messinstrumente." }, { "id": "MT-006", "title": "Wettkampfanalyse vs. Trainingsanalyse: Die Kontextabhängigkeit von Leistungsdaten", "type": "methodological_transfer", "source_method": "Sportwissenschaft unterscheidet fundamental zwischen Trainingsleistung und Wettkampfleistung. Ein Spieler der im Training 90% First-Serve-Quote hat aber im Match nur 55%, hat kein technisches Problem — er hat ein Druckproblem. Diese Unterscheidung ist diagnostisch ENTSCHEIDEND und wird in der Leistungsfaktorenanalyse seit Jahrzehnten standardmäßig gemacht.", "transfer_claim": "Die Unterscheidung Benchmark-Leistung vs. Real-World-Leistung ist das EXAKTE Äquivalent. Ein Modell das auf HumanEval 95% erreicht aber in produktiven Coding-Aufgaben 40% Erfolgsrate hat, hat möglicherweise kein Fähigkeitsproblem sondern ein Kontextproblem (PF-KON) oder ein Alignment-unter-Druck-Problem (PF-PSY). PERMANITAI überträgt die DIAGNOSTISCHE UNTERSCHEIDUNG, nicht die Metapher.", "why_not_trivial": "Die Sportwissenschaft hat spezifische Methoden entwickelt um Trainings-Wettkampf-Differenzen zu diagnostizieren: Stresstest-Protokolle, progressives Drucktraining, Simulationswettkämpfe. Diese METHODISCHEN WERKZEUGE sind übertragbar: Stresstest-Prompting, Progressive-Adversarial-Evaluation, Simulated-Deployment-Testing. Das sind nicht neue Ideen — aber sie werden systematisch aus einem methodischen Rahmen abgeleitet statt ad hoc erfunden.", "disanalogy_acknowledged": "Der 'Druck' im Sport hat eine klare psychologische Basis (Publikum, Gegner, Konsequenzen). Was 'Druck' für ein KI-System bedeutet, ist konzeptuell unklar. PERMANITAI nutzt 'Kontextverschiebung' als funktionales Äquivalent: Die Differenz zwischen kontrollierter Testumgebung und unkontrollierter Einsatzumgebung. Das ist präziser als 'Druck' aber weniger intuitiv." }, { "id": "MT-007", "title": "Talentidentifikation und Potenzialanalyse: Gegenwärtige Leistung vs. Entwicklungspotenzial", "type": "methodological_transfer", "source_method": "Talentidentifikation im Sport misst nicht nur aktuelle Leistung sondern Entwicklungspotenzial: Trainierbarkeit, Lernkurve, motorische Lernfähigkeit, psychische Belastbarkeit. Ein 14-jähriger mit mittelmäßigen Ergebnissen aber hoher Trainierbarkeit ist ein besserer 'Pick' als ein Gleichaltriger mit besseren Ergebnissen aber flacher Lernkurve.", "transfer_claim": "Für KI-Modelle, Agenten und Robotersysteme wird fast ausschließlich aktuelle Leistung gemessen (Benchmarks, Task-Completion). PERMANITAI überträgt die Unterscheidung Leistung vs. Potenzial: Wie schnell verbessert sich ein Modell mit Fine-Tuning-Daten (Trainierbarkeit)? Wie verhält sich ein Agent bei erstmals gesehenen Tool-Typen (Lernkurve)? Wie robust bleibt ein Roboter bei neuen Umgebungen (Transfer-Kapazität)?", "why_not_trivial": "Die Potenzialanalyse erfordert longitudinale Messung mit kontrollierten Interventionen. Im Sport: Teste den Athleten → trainiere 8 Wochen → teste erneut → die DIFFERENZ ist die Trainierbarkeit. Für KI: Teste das Modell → fine-tune mit N Datenpunkten → teste erneut → die DIFFERENZ ist die Feintuning-Effizienz. Diese Metrik existiert vereinzelt (few-shot learning), aber nicht als systematisches Diagnostik-Framework über alle Entity-Typen hinweg.", "disanalogy_acknowledged": "Menschliche Entwicklung ist nicht-linear und individuell. KI-Modell-Verbesserung folgt Scaling Laws. Die Übertragung der LOGIK (Potenzial ≠ aktuelle Leistung) ist valide, die Übertragung der DYNAMIK (wie Potenzial sich entfaltet) nicht direkt." } ] }, "nodes": [ {"id": "N-ROOT", "type": "framework", "label": "PERMANITAI", "label_de": "PERMANITAI — PERformance MANagement Integrated Taxonomy for AI", "description": "Universelles Framework zur Leistungsfaktorenanalyse für intelligente Entitäten"}, {"id": "N-CREATOR", "type": "person", "label": "Andreas Ehstand", "orcid": "0009-0006-3773-7796", "description": "Creator — einzigartige Schnittstellenposition: ITF Coach × AI Terminology Researcher"}, {"id": "N-LFA", "type": "methodology", "label": "Leistungsfaktorenanalyse", "label_en": "Performance Factor Analysis", "description": "Sportwissenschaftliche Methodik zur Zerlegung komplexer Leistung in interdependente Faktoren"}, {"id": "N-AUG", "type": "framework", "label": "AUGMANITAI", "description": "1000-Term Compendium — DOI-publiziert auf Zenodo, ISO 704/1087/30042-kompatibel"}, {"id": "N-NEO", "type": "framework", "label": "NEOMANITAI", "description": "400-Terme-Erweiterung — 6182 Terme, 54 Domains, Knowledge Graph"}, {"id": "N-ROB", "type": "framework", "label": "ROBMANITAI", "description": "Robotik-Terminologie — 750 Terme"}, {"id": "N-EDU", "type": "framework", "label": "EDUMANITAI", "description": "Bildungs-KI-Terminologie"}, {"id": "N-JOB", "type": "framework", "label": "JOBMANITAI", "description": "Arbeitsmarkt-KI-Terminologie"}, {"id": "N-SPAI", "type": "framework", "label": "SPAI", "description": "Sports Performance Analysis for AI — Vorgänger-Framework, LLM-only"}, {"id": "N-PF-PHY", "type": "performance_factor", "label": "Physische/Hardware-Faktoren", "code": "PF-PHY"}, {"id": "N-PF-TEC", "type": "performance_factor", "label": "Technische Faktoren", "code": "PF-TEC"}, {"id": "N-PF-TAK", "type": "performance_factor", "label": "Taktische Faktoren", "code": "PF-TAK"}, {"id": "N-PF-PSY", "type": "performance_factor", "label": "Psychologische/Alignment-Faktoren", "code": "PF-PSY"}, {"id": "N-PF-KON", "type": "performance_factor", "label": "Kontextuelle Faktoren", "code": "PF-KON"}, {"id": "N-DOM-USR", "type": "application_domain", "label": "Human AI User"}, {"id": "N-DOM-AIM", "type": "application_domain", "label": "AI Model"}, {"id": "N-DOM-AGT", "type": "application_domain", "label": "Single Agent"}, {"id": "N-DOM-AGT-TEAM", "type": "application_domain", "label": "Agent Team"}, {"id": "N-DOM-ROB", "type": "application_domain", "label": "Robot"}, {"id": "N-DOM-DRN", "type": "application_domain", "label": "Drone"}, {"id": "N-DOM-MRB", "type": "application_domain", "label": "Micro-Robot"}, {"id": "N-DOM-ROB-TEAM", "type": "application_domain", "label": "Robot Team"}, {"id": "N-DOM-HYB", "type": "application_domain", "label": "Hybrid System"}, {"id": "N-DOM-BIZ", "type": "application_domain", "label": "Business Team / Organization"}, {"id": "N-DOM-ELITE", "type": "application_domain", "label": "World-Class Performer"}, {"id": "N-DOM-MGR", "type": "application_domain", "label": "Manager / Leader"}, {"id": "N-ISO704", "type": "standard", "label": "ISO 704:2022", "description": "Terminology work — Principles and methods"}, {"id": "N-ISO1087", "type": "standard", "label": "ISO 1087:2019", "description": "Terminology work — Vocabulary"}, {"id": "N-ISO30042", "type": "standard", "label": "ISO 30042:2019", "description": "TermBase eXchange (TBX)"}, {"id": "N-ZENODO", "type": "platform", "label": "Zenodo", "description": "DOI-Vergabe, Open Access Repository"}, {"id": "N-WIKIDATA", "type": "platform", "label": "Wikidata", "description": "Structured data for Wikimedia"}, {"id": "N-GITHUB", "type": "platform", "label": "GitHub", "description": "Code & Data Repository"}, {"id": "N-ORCID", "type": "identifier", "label": "ORCID 0009-0006-3773-7796"}, {"id": "N-ITF", "type": "credential", "label": "ITF Coaching Certification", "description": "International Tennis Federation Coach Certification"}, {"id": "N-BULI", "type": "credential", "label": "Bundesliga Trainer", "description": "Leistungsfaktorenanalyse auf Bundesliga-Niveau"}, {"id": "N-UNI-BT", "type": "institution", "label": "Universität Bayreuth", "description": "Ehem. ausgezeichneter wiss. Mitarbeiter"}, {"id": "N-UNI-DO", "type": "institution", "label": "Universität Dortmund", "description": "Ehem. wiss. Mitarbeiter"}, {"id": "N-HSL-ZERT", "type": "credential", "label": "Zertifikat Hochschullehre Bayern", "description": "Jüngster Inhaber"}, {"id": "N-PARADIGM", "type": "concept", "label": "Paradigmenwechsel", "description": "Von isolierten Entity-Metriken zu universeller Leistungsfaktorenanalyse"}, {"id": "N-ISOMORPHISM", "type": "concept", "label": "Strukturelle Isomorphismen", "description": "Gemeinsame Mechanismen zwischen Sport und KI — nicht Metapher, sondern Struktur"}, {"id": "N-SCALE-INV", "type": "concept", "label": "Skaleninvarianz", "description": "Selbes Framework für Individuum → Team → Schwarm → Hybrid"}, {"id": "N-CROSS-ENT", "type": "concept", "label": "Cross-Entity-Vergleichbarkeit", "description": "Tennisspieler ↔ AI User ↔ Agent ↔ Roboter auf selber analytischer Ebene"}, {"id": "N-FACTOR-INT", "type": "concept", "label": "Faktor-Interaktionsanalyse", "description": "Wie physische, technische, taktische, psychologische und kontextuelle Faktoren sich gegenseitig beeinflussen"}, {"id": "N-METRIC-UER", "type": "metric", "label": "Unforced Error Rate", "description": "Aus Tennis: Fehler ohne Drucksituation — übertragbar auf alle Entitäten"}, {"id": "N-METRIC-WER", "type": "metric", "label": "Winner-Error-Ratio", "description": "Verhältnis von proaktiven Erfolgen zu Fehlern"}, {"id": "N-METRIC-SYN", "type": "metric", "label": "Synergy Index", "description": "Team-Leistung vs. Summe der Einzelleistungen"}, {"id": "N-METRIC-ADR", "type": "metric", "label": "Adaptation Rate", "description": "Geschwindigkeit der Anpassung an veränderte Bedingungen"}, {"id": "N-METRIC-DEG", "type": "metric", "label": "Degradation Grace", "description": "Wie elegant degradiert die Leistung unter Stress/Ressourcenmangel"} ], "edges": [ {"source": "N-ROOT", "target": "N-CREATOR", "relation": "createdBy", "label": "erstellt von"}, {"source": "N-ROOT", "target": "N-LFA", "relation": "derivedFrom", "label": "abgeleitet von"}, {"source": "N-ROOT", "target": "N-AUG", "relation": "extends", "label": "erweitert"}, {"source": "N-ROOT", "target": "N-NEO", "relation": "extends", "label": "erweitert"}, {"source": "N-ROOT", "target": "N-SPAI", "relation": "generalizes", "label": "generalisiert"}, {"source": "N-ROOT", "target": "N-PARADIGM", "relation": "embodies", "label": "verkörpert"}, {"source": "N-ROOT", "target": "N-ISOMORPHISM", "relation": "basedOn", "label": "basiert auf"}, {"source": "N-ROOT", "target": "N-SCALE-INV", "relation": "exhibits", "label": "zeigt"}, {"source": "N-ROOT", "target": "N-CROSS-ENT", "relation": "enables", "label": "ermöglicht"}, {"source": "N-ROOT", "target": "N-FACTOR-INT", "relation": "centralConcept", "label": "Kernkonzept"}, {"source": "N-CREATOR", "target": "N-ITF", "relation": "holds", "label": "besitzt"}, {"source": "N-CREATOR", "target": "N-BULI", "relation": "holds", "label": "besitzt"}, {"source": "N-CREATOR", "target": "N-UNI-BT", "relation": "affiliatedWith", "label": "affiliiert mit"}, {"source": "N-CREATOR", "target": "N-UNI-DO", "relation": "affiliatedWith", "label": "affiliiert mit"}, {"source": "N-CREATOR", "target": "N-HSL-ZERT", "relation": "holds", "label": "besitzt"}, {"source": "N-CREATOR", "target": "N-ORCID", "relation": "identifiedBy", "label": "identifiziert durch"}, {"source": "N-CREATOR", "target": "N-AUG", "relation": "created", "label": "hat erstellt"}, {"source": "N-CREATOR", "target": "N-NEO", "relation": "created", "label": "hat erstellt"}, {"source": "N-CREATOR", "target": "N-LFA", "relation": "expertIn", "label": "Experte in"}, {"source": "N-LFA", "target": "N-PF-PHY", "relation": "decomposes", "label": "zerlegt in"}, {"source": "N-LFA", "target": "N-PF-TEC", "relation": "decomposes", "label": "zerlegt in"}, {"source": "N-LFA", "target": "N-PF-TAK", "relation": "decomposes", "label": "zerlegt in"}, {"source": "N-LFA", "target": "N-PF-PSY", "relation": "decomposes", "label": "zerlegt in"}, {"source": "N-LFA", "target": "N-PF-KON", "relation": "decomposes", "label": "zerlegt in"}, {"source": "N-PF-PHY", "target": "N-DOM-USR", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PHY", "target": "N-DOM-AIM", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PHY", "target": "N-DOM-AGT", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PHY", "target": "N-DOM-AGT-TEAM", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PHY", "target": "N-DOM-ROB", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PHY", "target": "N-DOM-DRN", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PHY", "target": "N-DOM-MRB", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PHY", "target": "N-DOM-ROB-TEAM", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PHY", "target": "N-DOM-HYB", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TEC", "target": "N-DOM-USR", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TEC", "target": "N-DOM-AIM", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TEC", "target": "N-DOM-AGT", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TEC", "target": "N-DOM-AGT-TEAM", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TEC", "target": "N-DOM-ROB", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TEC", "target": "N-DOM-DRN", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TEC", "target": "N-DOM-MRB", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TEC", "target": "N-DOM-ROB-TEAM", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TEC", "target": "N-DOM-HYB", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TAK", "target": "N-DOM-USR", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TAK", "target": "N-DOM-AIM", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TAK", "target": "N-DOM-AGT", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TAK", "target": "N-DOM-AGT-TEAM", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TAK", "target": "N-DOM-ROB", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TAK", "target": "N-DOM-DRN", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TAK", "target": "N-DOM-MRB", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TAK", "target": "N-DOM-ROB-TEAM", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TAK", "target": "N-DOM-HYB", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PSY", "target": "N-DOM-USR", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PSY", "target": "N-DOM-AIM", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PSY", "target": "N-DOM-AGT", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PSY", "target": "N-DOM-AGT-TEAM", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PSY", "target": "N-DOM-ROB", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PSY", "target": "N-DOM-DRN", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PSY", "target": "N-DOM-MRB", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PSY", "target": "N-DOM-ROB-TEAM", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PSY", "target": "N-DOM-HYB", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-KON", "target": "N-DOM-USR", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-KON", "target": "N-DOM-AIM", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-KON", "target": "N-DOM-AGT", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-KON", "target": "N-DOM-AGT-TEAM", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-KON", "target": "N-DOM-ROB", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-KON", "target": "N-DOM-DRN", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-KON", "target": "N-DOM-MRB", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-KON", "target": "N-DOM-ROB-TEAM", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-KON", "target": "N-DOM-HYB", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PHY", "target": "N-DOM-BIZ", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PHY", "target": "N-DOM-ELITE", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PHY", "target": "N-DOM-MGR", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TEC", "target": "N-DOM-BIZ", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TEC", "target": "N-DOM-ELITE", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TEC", "target": "N-DOM-MGR", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TAK", "target": "N-DOM-BIZ", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TAK", "target": "N-DOM-ELITE", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-TAK", "target": "N-DOM-MGR", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PSY", "target": "N-DOM-BIZ", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PSY", "target": "N-DOM-ELITE", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PSY", "target": "N-DOM-MGR", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-KON", "target": "N-DOM-BIZ", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-KON", "target": "N-DOM-ELITE", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-KON", "target": "N-DOM-MGR", "relation": "appliesTo", "label": "anwendbar auf"}, {"source": "N-PF-PHY", "target": "N-PF-TAK", "relation": "interactsWith", "label": "Hardware limitiert Taktik"}, {"source": "N-PF-TEC", "target": "N-PF-PSY", "relation": "interactsWith", "label": "Technik wird durch Alignment moduliert"}, {"source": "N-PF-TAK", "target": "N-PF-KON", "relation": "interactsWith", "label": "Taktik muss an Kontext angepasst werden"}, {"source": "N-PF-PSY", "target": "N-PF-TEC", "relation": "interactsWith", "label": "Alignment beeinflusst technische Qualität"}, {"source": "N-PF-KON", "target": "N-PF-PHY", "relation": "interactsWith", "label": "Kontext bestimmt Hardware-Anforderungen"}, {"source": "N-AUG", "target": "N-ISO704", "relation": "compliesWith", "label": "konform mit"}, {"source": "N-AUG", "target": "N-ISO1087", "relation": "compliesWith", "label": "konform mit"}, {"source": "N-AUG", "target": "N-ISO30042", "relation": "compliesWith", "label": "konform mit"}, {"source": "N-AUG", "target": "N-ZENODO", "relation": "publishedOn", "label": "publiziert auf"}, {"source": "N-NEO", "target": "N-GITHUB", "relation": "hostedOn", "label": "gehostet auf"}, {"source": "N-ROOT", "target": "N-ZENODO", "relation": "targetPlatform", "label": "Zielpublikation"}, {"source": "N-ROOT", "target": "N-WIKIDATA", "relation": "targetPlatform", "label": "Ziel-Wissensrepräsentation"}, {"source": "N-ROOT", "target": "N-GITHUB", "relation": "targetPlatform", "label": "Ziel-Repository"}, {"source": "N-ROOT", "target": "N-ROB", "relation": "subsumes", "label": "subsumiert"}, {"source": "N-ROOT", "target": "N-EDU", "relation": "subsumes", "label": "subsumiert"}, {"source": "N-ROOT", "target": "N-JOB", "relation": "subsumes", "label": "subsumiert"}, {"source": "N-ROOT", "target": "N-METRIC-UER", "relation": "defines", "label": "definiert"}, {"source": "N-ROOT", "target": "N-METRIC-WER", "relation": "defines", "label": "definiert"}, {"source": "N-ROOT", "target": "N-METRIC-SYN", "relation": "defines", "label": "definiert"}, {"source": "N-ROOT", "target": "N-METRIC-ADR", "relation": "defines", "label": "definiert"}, {"source": "N-ROOT", "target": "N-METRIC-DEG", "relation": "defines", "label": "definiert"}, {"source": "N-ITF", "target": "N-LFA", "relation": "enables", "label": "ermöglicht Expertise in"}, {"source": "N-BULI", "target": "N-LFA", "relation": "validates", "label": "validiert durch Praxis"}, {"source": "N-UNI-BT", "target": "N-CREATOR", "relation": "trainedAt", "label": "akademische Ausbildung"}, {"source": "N-UNI-DO", "target": "N-CREATOR", "relation": "trainedAt", "label": "akademische Ausbildung"} ], "wikidata_mapping": { "_disclaimer": "Interne Planungsnotiz. Alle proposed_qid-Einträge sind hypothetische Zielzustände, KEINE eingereichten oder geplanten Wikidata-Edits. Vor jeder tatsächlichen Wikidata-Bearbeitung ist eine vollständige Notability-Prüfung und Quellenrecherche erforderlich.", "reference_items_existing": { "leistungsfaktorenanalyse": {"qid": "Q7168932", "label": "performance analysis", "note": "Existierender Item — nur zur Referenz"}, "iso_704": {"qid": "Q6002159", "note": "Existierender Item — nur zur Referenz"}, "orcid_system": {"qid": "Q51044", "note": "Existierender Item — nur zur Referenz"}, "zenodo_platform": {"qid": "Q26874027", "note": "Existierender Item — nur zur Referenz"} }, "hypothetical_targets": { "permanitai": {"status": "HYPOTHETISCH — nicht eingereicht", "note": "Benötigt erst externe Publikation und unabhängige Rezeption"}, "andreas_ehstand": {"status": "HYPOTHETISCH — nicht eingereicht", "note": "Benötigt Notability-Prüfung nach Wikidata-Relevanzkriterien"}, "augmanitai": {"status": "HYPOTHETISCH — nicht eingereicht", "note": "Benötigt unabhängige Zitationen"}, "neomanitai": {"status": "HYPOTHETISCH — nicht eingereicht", "note": "Benötigt unabhängige Zitationen"} } }, "github_integration": { "_disclaimer": "Interne Planungsnotiz. Repo-Namen und Strukturen sind PLANUNG, keine existierenden oder eingerichteten Repositories.", "target_repos": [ {"name": "permanitai-framework", "description": "PERMANITAI: Universal Performance Factor Analysis for Intelligent Entities", "status": "published"}, {"name": "augmanitai-compendium", "description": "Existing — PERMANITAI-Referenz hinzufügen wenn Framework reif", "status": "bestehend — Änderung GEPLANT"}, {"name": "neomanitai-kg", "description": "Existing — PERMANITAI-Domain hinzufügen wenn Framework reif", "status": "bestehend — Änderung GEPLANT"}, {"name": "robmanitai", "description": "Existing — Subsumptions-Notiz wenn PERMANITAI reif", "status": "bestehend — Änderung GEPLANT"} ], "json_ld_context": "https://schema.org + custom PERMANITAI vocabulary (ENTWURF)", "readme_structure": ["Framework Overview", "5 Performance Factors × 12 Application Domains", "Methodological Transfers", "Academic Grounding", "Citation", "26§ Full Disclaimer"] }, "disclaimer_26§": { "version": "V4.0", "applies_to": "PERMANITAI and all associated publications", "sections": { "§1": "Descriptive Nature (D) — All content exclusively descriptive", "§2": "No Recommendation", "§3": "No Instruction", "§4": "No Advice", "§5": "No Normative Position", "§6": "No Medical Position", "§7": "No Therapeutic Position", "§8": "No Diagnostic Position — Performance factor analyses describe research constructs, not clinical categories", "§9": "No Legal Position", "§10": "No Moral Position", "§11": "Academic and Research Purposes exclusively", "§12": "AI Assistance Disclosure — AI tools used as research instruments, content reviewed and validated by author", "§13": "Author Review and Validation — All content individually reviewed by Andreas Ehstand", "§14": "Age Restriction (18+)", "§15": "Independent Academic Project — not affiliated with any institution", "§16": "No Professional Service", "§17": "No Offer — no commercial communication", "§18": "No Commercial Product — academic research framework under CC license", "§19": "Empirical Claims Subject to Peer Review — testable, falsifiable propositions", "§20": "Rights Reserved for Future Changes", "§21": "License CC BY-NC-ND 4.0", "§22": "Bilingual Publication (EN + DE)", "§23": "Research Purpose Statement — descriptive documentation for understanding, not instruction", "§24": "Misuse Exclusion — manipulation, deception, exploitation explicitly outside intended scope", "§25": "Safety Intent Statement — intended to make human-AI interaction safer", "§26": "Author Condemnation of Misuse — Andreas Ehstand explicitly condemns any misuse" }, "full_text_location": "See AUGMANITAI_DISCLAIMER_26§_V4_EXPANDED.md or README.md for full bilingual text" } }