Textbasierte Dateiformate: Was KI-Systeme erzeugen können

KI-Systeme verarbeiten Nachrichten und Daten. Sie können erstaunlich viel. Aber nur, wenn sie ihre Daten in einem standardisierten Format schreiben und lesen können. Undokumentierte, binäre Formate sind verschlossene Türen. Gebäude, Melodien, Molekülstrukturen, Wanderrouten oder Leiterplatten lassen sich mit Texten beschreiben. Wer weiß, welche Daten diese Formate festhalten, kann seine Absichten genauer formulieren. Schauen wir uns diese Formate einmal genauer an. Aber ob diese Liste vollständig ist, kann ich nicht sagen. 

Alles, was mit Wörtern zu tun hat, wird von KI-Systemen übernommen

Es gibt bei YouTube eine Aufzeichnung von einem interessanten Vortrag von Yuval Noah Harari. In seinem Vortrag "AI bureaucrats, AI religions, and AI boyfriends. What happens when a non-human intelligence hacks the operating system of civilisation" aus dem Jahr 2026 an der Universität Oxford sagt der bekannte Historiker und Hochschulprofessor einen bemerkenswerten Satz: "Everthing made of words will be taken over by AI." (ca. Min. 32:50)

Der Vortrag ist insgesamt sehr kurzweilig und anregend. Aber dieser Satz hat mir zu denken gegeben. Ganz praktisch hat es dazu geführt, dass ich mir textbasierte Dateiformate angesehen habe, die KI-Chatbots erzeugen können.

Wer diese Formate kennt, kann seine Absichten genauer ausdrücken. Sehen wir uns diese Dateiformate im Überblick an. Aber was ist der Vorteil dieser Formate für die KI-Chatbots?

Was macht ein Dateiformat KI-tauglich?

Wenn Informationen über physische oder virtuelle Dinge binär kodiert sind, brauchen KI-Systeme eigene Programme, um diese Informationen zu entschlüsseln. Die alten Microsoft-Office-Formate (.doc oder .xls) sind Beispiele dafür. Aber auch Bilddateien im Format PNG oder JPEG sind für KI-Systeme schwer zu verstehen. (Auch wenn sie immer besser werden.)

Wir suchen Formate, die auf Text basieren. Es gibt noch weitere Eigenschaften, auf die wir achten. Einige Formate sind sehr "geschwätzig", d. h. sie brauchen viel zusätzlichen Text, um ihre Informationen zu transportieren. Beispiel: HTML braucht durch seine Markierungen mehr Platz als das Format Markdown. Ein kompaktes Format, das weniger Zeichen braucht, spart Token in der Kommunikation mit einem KI-System.

Zeilenbasierte Formate und Formate ohne interne Referenzen lassen sich leichter verarbeiten und anpassen. Wenn es in einer Zeile einen Fehler gibt, muss nur diese eine Zeile korrigiert werden. Wenn es viele Referenzen im Format gibt, muss sich der Chatbot die internen Abhängigkeiten merken. Das geht nicht immer gut. Das gleiche gilt für globale Zustände.

Es ist auch sehr praktisch, wenn es für das Dateiformat Prüfverfahren gibt. Für viele XML-Formate gibt es Validierungsschemata.

Schließlich müssen wir uns noch ansehen, wie weitverbreitet ein Format ist. Wenn ein Dateiformat sehr häufig eingesetzt wird, gibt es auch Trainingsmaterial für die KI-Systeme. Die Ergebnisse sind meist besser als die von selten genutzten Formaten.

Fassen wir zusammen:

• Textbasierte Formate sind besser als binäre Formate. Das Ergebnis sollte direkt kodierbar sein.
• Weniger Text ist besser als viel Text. (Das ist nicht ganz richtig. Aber für das Erste reicht es.)
• Zeilenbasierte Formate sind besser als blockbasierte Formate.
• Formate mit keinen oder wenigen internen Referenzen sind besser, also solche mit vielen internen Referenzen. Das gleiche gilt für Zustände von Daten in einer Datei.
• Automatisch validierbar ist besser als Formate ohne Prüfverfahren.
• Offen und weitverbreitet ist besser als selten genutzt und schlecht dokumentiert.

Sehen wir uns nun einige Formate an. Wenn wir unsere Absichten gegenüber einem KI-System ausdrücken, geben wir das Format immer mit an.

Textbasierte Dateiformate

Im Museum der Datenformate (Bild von Google Gemini erzeugt)

Formate für Dokumente und Präsentationen

Im Folgenden liste ich einige Formate auf, in denen man Texte, formatierte Texte, Lieder, Bücher, Literaturverzeichnisse und Präsentationen speichern kann. 

• einfacher Text (Plain Text)
• Markdown (CommonMark versucht einige, Mehrdeutigkeiten von Markdown zu eliminieren). Bei IONOS gibt es einen Artikel, der verschiedene Markdown-Editoren vorstellt.
• AsciiDoc und reStructuredText sind ebenfalls einfache Textformate. Sie haben ein paar nützliche Eigenschaften, die für das Erstellen von Dokumentationen und Büchern hilfreich sind. Auf der Webseite von AsciiDoc gibt es auch einen Editor, um das Format auszuprobieren.
• TeX, LaTeX, Typst und DocBook sind sehr ausführliche Formate, die sich vor allem gut dafür eignen, Bücher und wissenschaftliche Artikel (incl. mathematischen Formeln) zu erstellen. BibTex und CSL-JSON speichern Informationen über Bücher (für Literaturverzeichnisse).
• HTML ist die Sprache für Webseiten.
• Mit Fountain kann man Drehbücher erstellen. Mit ChordPro kann man Liedtexte mit Gitarrenakkorden ergänzen. 
• Mit Marp, Slidev und reveal.js kann man Präsentationen erstellen.

Für diese Formate gibt es meist eine eigene Seite, auf der man die Einzelheiten zum Format nachlesen kann. Zudem gibt es häufig Online-Editoren, in denen man auf einer Seite den Text im richtigen Format eingeben kann und auf der anderen Seite das formatierte Ergebnis sieht.

Das gilt auch für die Formate, die folgen. Wer damit arbeiten will, sollte sich die entsprechende Seite in der Wikipedia, die offizielle Seite und eine Seite ansehen, auf der man mit dem Format spielen kann. 

Formate für Konfigurationen und Beschreibungen 

Es gibt ein paar Formate, die immer wieder in unterschiedlichen Bereichen verwendet werden.

• XML ist ein generelles Textformat, von dem es viele Varianten gibt. Welche Wörter und Regeln in einem XML-Dialekt gelten, halten die Verfasser oft in einem XML Schema fest.
• JSON und JSON Schema verfolgen das gleiche Ziel wie XML, sind aber leichter zu lesen. YAML und TOML sind einfache Möglichkeiten für das Beschreiben von Programmkonfigurationen oder Einstellungen.
• RDF mit Turtle, JSON-LD und GraphML beschreiben Netze von Worten oder Entitäten. 

Formate für Diagramme und Visualisierungen

Im Folgenden führe ich Formate auf, mit denen man Bilder, Abbildungen und Animationen erstellen kann.

• SVG beschreibt Bilder in geometrischen Formen. Excalidraw und draw.io sind Zeichenprogramme, die Bilder erzeugen.
• Netpbm (PPM/PGM) beschreibt Rastergrafiken als Text. 
• Mermaid, PlantUML, PGF/TikZ und Graphviz (DOT) sind gut geeignet, um Schemata oder Abläufe zu beschreiben (z. B. Ablaufdiagramme). 
• Vega-Lite beschreibt Diagramme wie Kuchendiagramme oder Säulendiagramme.
• Lottie beschreibt Animationen.

Formate für CAD und 3D-Objekte

Im Folgenden führe ich Formate auf, die physische Dinge beschreiben.

• OpenSCAD, Wavefront OBJ, STL, PLY, glTF und VRML eignen sich dafür, 3D-Objekte zu beschreiben. USDA ist ein Format für das Teilen von Szenen in 3D-Animationen/Szenen.
• Mit DXF können unterschiedliche Partner Zeichnungen austauschen. 
• G-Code steuert CNC-Geräte und 3D-Drucker
• KiCad / Netzlisten in EDIF beschreibt Elektronik und Leiterplatten 
• URDF und SDF beschreiben Robotermodelle

Formate für Bauwesen, Flächen, Strecken, Gebäude und Bauaufträge

Im Folgenden führe ich Formate auf, die physische Dinge im Bauwesen beschreiben.

• GPX und KML beschreiben Strecken. 
• CityGML, GeoJSON und TopoJSON, LandXML und IFC werden genutzt, um Landschafts- und Gebäudedaten zu teilen. OpenDRIVE beschreibt Straßennetzwerke.
• XPlanung ist ein Format für den Austausch von digitalen Raum- und Bauleitplanungsdaten. Mit BCF können Akteure Daten in gemeinsamen Bauprojekten austauschen.
• Leistungsverzeichnisse in Bauprojekten werden vom GAEB standardisiert. 
• Mit GTFS kann man Fahrpläne teilen. 

Formate für Audio, Musik, Video

Im Folgenden führe ich Formate auf, die Musik erzeugen, Videoschnittanweisungen oder Untertitel festhalten.

• ABC, LilyPond und MusicXML sowie MEI professioneller Notensatz als Code sowie Austausch zwischen Notationsprogrammen
• SFZ, Csound, SuperCollider, Sonic Pi und Strudel können Klänge erzeugen.
• SRT, WebVTT und ASS beschreiben Untertitel in Filmen. SRT und WebVTT beschreiben nur Text und Zeitstempel. Mit ASS kann man den Text auch formatieren.
• FCPXML, OpenTimelineIO und EDL halten fest, wie man Videos schneidet.

Formate für Wissenschaft & Medizin 

Im Folgenden führe ich Formate auf wissenschaftliche Daten und Modelle zu teilen.

• Modelica beschreibt physikalische Simulation. Manim und Remotion beschreiben entsprechende Animationen für bestimmte Programmiersprachen.  
• SMILES, InChI, MOL, SDF und mmCIF beschreiben chemische Verbindungen und Moleküle 
• FASTA beschreibt Proteine. BED, GFF und VCF beschreiben Gene und Gensequenzen. SBML beschreibt biochemische Modelle.
• HL7 FHIR beschreibt Patientendaten. 
• CDL ist eine Textform von NetCDF zum Austausch wissenschaftlicher Daten.

Formate für Wirtschaftsthemen

Im Folgenden führe ich Formate auf, die in wirtschaftlichen Kontexten häufig verwendet werden.

• BPMN, CMMN und DMN beschreiben Geschäftsprozesse und Entscheidungsregeln.
• Beancount eignet sich für die doppelte Buchführung. XBRL eignet sich für Finanzberichte. XRechnung, ZUGFeRD sind Formate für elektronische Rechnungen. CAMT speichert Informationen aus Bankauszügen und Überweisungen.
• ICS (iCalendar) speichert Kalendereinträge, VCard Kontaktdaten. 
• EDIFACT transportiert Handelsnachrichten wie Bestellungen.
• Akoma Ntoso und LegalDocML beschreiben Dokumente in der Rechtsprechung und solche für die parlamentarische Arbeit.

Wie finde ich weitere Formate?

Die o. g. Listen sind nicht vollständig. Sie beschreiben nur häufig verwendete Formate. Wer unsicher ist, welches Format er für seinen Anwendungsfall nutzen soll, fragt einfach einen KI-Chatbot: "Welche offenen, textbasierten Datenformate oder Austauschformate werden im Bereich [...] häufig verwendet? Ich möchte [Absicht]. Liste bekannte Anwender oder bekannte Programme dafür auf. Wenn es mehrere Formate gibt, zeige mir die Unterschiede und vergleiche Vor- und Nachteile."

Beispiel: "Welche offenen, textbasierten Datenformate oder Austauschformate werden im Bereich Sportnachrichten häufig verwendet? Ich möchte eine Spielerdatenbank für Fußball aufbauen. Liste bekannte Anwender oder bekannte Programme dafür auf. Wenn es mehrere Formate gibt, zeige mir die Unterschiede und vergleiche Vor- und Nachteile." 

Diese Anfrage schlägt mir die Formate SportsML und SportsJS vor.

Überall, wo es viele unterschiedliche Partner gibt, besteht eine hohe Wahrscheinlichkeit, dass jemand Standards für den Austausch von Nachrichten definiert hat. 

Wenn Sie ein KI-Projekt vorhaben, machen Sie sich mit den offenen Formaten vertraut, die in Ihrem Kontext verwendet werden.