Die Ausrede "es war öffentlich" ist vorbei: Die DSGVO gilt jetzt formell für KI-Trainingsdaten

Jahrelang stützte sich die KI-Branche auf eine bequeme Annahme: Wenn Daten offen im Internet stehen, ist es erlaubt, sie zu sammeln und in einen Trainingsdatensatz einzuspeisen. Keine Einwilligung nötig, kein Hinweis erforderlich — die Daten sind „öffentlich zugänglich", also ist alles in Ordnung.

Am 8. Juli 2026 schloss der Europäische Datenschutzausschuss (EDSA) dieses Schlupfloch endgültig. Neben neuen Leitlinien zu Anonymisierung und Blockchain verabschiedete er seine Leitlinien zum Web-Scraping im Kontext generativer KI — und die Botschaft ist eindeutig: Die DSGVO galt schon immer für aus dem Web gescrapte personenbezogene Daten, die für das KI-Training genutzt werden, und die Aufsichtsbehörden legen jetzt im Detail fest, was Compliance dabei konkret bedeutet.

Was sich tatsächlich geändert hat

Die Leitlinien befinden sich bis zum 30. Oktober 2026 in der öffentlichen Konsultation, doch die Richtung ist bereits klar, und die europäischen Datenschutzbehörden werden voraussichtlich danach durchgreifen. Drei Anforderungen stechen hervor.

Berechtigtes Interesse darf nicht einfach angenommen werden — es muss jedes Mal geprüft werden. Entwickler können „die Daten waren öffentlich" nicht länger als eigenständige Rechtsgrundlage behandeln. Jeder Scraping-Vorgang braucht eine echte, fallbezogene Interessenabwägung, die das Interesse des Entwicklers an den Daten gegen die Rechte und berechtigten Erwartungen der betroffenen Personen abwägt.

Datenminimierung muss vor Beginn des Scrapings stattfinden, nicht danach. Es reicht nicht aus, irrelevante oder überschüssige Daten erst herauszufiltern, nachdem sie bereits in einen Trainingsdatensatz gesaugt wurden. Die Leitlinien erwarten, dass Minimierung bereits in den Erhebungsprozess selbst eingebaut wird — nur aus zuverlässigen, identifizierbaren Quellen scrapen, das Gesammelte mit Zeitstempeln versehen und besondere Kategorien personenbezogener Daten (Gesundheit, politische Meinungen, sexuelle Orientierung und Ähnliches) von vornherein aussortieren, statt sie später zu bereinigen.

Alte Datensätze bekommen keinen Freifahrtschein. Das ist das Detail, das die meisten überrascht. Unternehmen können nicht auf vor Jahren gesammelte Daten verweisen und argumentieren, die Regeln hätten damals noch nicht existiert. Die Interessenabwägung muss die Umstände zum Zeitpunkt der Erhebung widerspiegeln — das bedeutet, Entwickler ohne solide Dokumentation darüber, wie und warum sie ältere Datensätze gesammelt haben, sitzen jetzt auf einer Compliance-Lücke, die sich nicht ohne Weiteres nachträglich schließen lässt.

Die Anonymisierungsfalle

Manche Entwickler haben argumentiert, dass personenbezogene Daten, sobald sie in ein trainiertes Modell eingeflossen sind, effektiv anonym seien und die DSGVO nicht mehr gelte. Die begleitenden EDSA-Leitlinien zur Anonymisierung schließen auch diese Tür — mit einem strengen Drei-Punkte-Test: Daten gelten nur dann als anonym, wenn keine Einzelperson herausgegriffen werden kann, keine Daten mit anderen Informationen über sie verknüpft werden können und keine Einzelperson durch Rückschlüsse identifiziert werden kann.

Das ist eine hohe Hürde — möglicherweise zu hoch für die Art, wie große Sprachmodelle tatsächlich funktionieren. Forscher haben wiederholt gezeigt, dass Modelle bei entsprechender Aufforderung wörtliche Ausschnitte ihrer Trainingsdaten „wiedergeben" können, einschließlich personenbezogener Informationen. Berichte über die Leitlinien sind in Bezug auf die Konsequenz unverblümt: Kaum ein KI-System, wenn überhaupt eines, kann diesen Anonymisierungsstandard derzeit erfüllen. In der Praxis bedeutet das: Ein Großteil der Daten in den heutigen großen Modellen gilt wahrscheinlich weiterhin als personenbezogene Daten im Sinne der DSGVO — mit allen Pflichten, die das mit sich bringt.

Wer betroffen ist

Jeder, der Modelle auf Basis öffentlicher Webdaten trainiert oder feinabstimmt. Das schließt die größten Labore ein — OpenAI, Meta und Google werden in der Berichterstattung über die Leitlinien ausdrücklich genannt —, doch die Pflichten schrumpfen nicht für kleinere Akteure. Ein Startup, das ein Open-Source-Modell mit gescrapten Forenbeiträgen feinabstimmt, oder ein Forschungsteam, das ein kleineres domänenspezifisches Modell baut, unterliegt denselben Anforderungen an berechtigtes Interesse, Minimierung und Dokumentation wie ein Spitzenlabor. Kleinere Organisationen sind eher stärker exponiert, da ihnen typischerweise weniger Ressourcen zur Verfügung stehen, um die Dokumentations- und Folgenabschätzungsprozesse aufzubauen, die Behörden erwarten werden.

Warum das wichtig ist, auch ohne eigenes Modelltraining

Die meisten kleinen und mittleren Unternehmen bauen keine Basismodelle — aber viele stimmen sie feinab, setzen KI-Tools von Drittanbietern ein oder binden KI-Funktionen von Anbietern in ihre eigenen Produkte ein. Das stellt Sie nicht außerhalb des Wirkungsbereichs. Wenn das Modell eines Anbieters mit unrechtmäßig gescrapten Daten trainiert wurde, bleibt das Compliance-Risiko nicht beim Anbieter. Von Unternehmen, die KI-Tools einsetzen, wird zunehmend erwartet, eine grundlegende Sorgfaltsprüfung durchzuführen, wie diese Tools gebaut wurden — welche Daten sie trainiert haben, ob es eine dokumentierte Rechtsgrundlage gibt und ob der Anbieter einfache Fragen zur Herkunft der Daten beantworten kann.

Das ist eine ganz andere Frage als „funktioniert dieses KI-Tool gut" — und eine, die es wert ist, vor Vertragsabschluss zu stellen, nicht erst, nachdem eine Behörde sie stellt.

Was jetzt praktisch zu tun ist

Drei Dinge, die sich jetzt lohnen — egal ob Sie Modelle trainieren oder Tools kaufen, die trainiert wurden:

1. Fragen Sie KI-Anbieter direkt, welche Rechtsgrundlage für ihre Trainingsdaten verwendet wurde und ob sie das dokumentieren können.
2. Seien Sie skeptisch bei Behauptungen, Trainingsdaten seien „anonymisiert" — die Hürde des EDSA ist hoch, und vage Beteuerungen sind kein Ersatz für eine echte Antwort.
3. Behandeln Sie „trainiert, bevor es die Leitlinien gab" nicht als Ausrede — denn Behörden werden das auch nicht tun.

Der KI-Verordnung wird mehr Aufmerksamkeit geschenkt, weil sie neu ist. Doch die DSGVO war schon vollständig in Kraft, und der EDSA hat gerade im Detail bestätigt, dass sie schon immer galt — für den Bau von KI, nicht nur für ihre Nutzung.

Deshalb hat GDPRGard GDPRChat genau so gebaut: trainiert mit den Inhalten Ihres eigenen Unternehmens — Ihren FAQs, Richtlinien und Produktinformationen — statt mit gescrapten Daten Dritter unklarer Herkunft. Wenn Sie ein KI-Tool für Ihr Unternehmen auswählen, ist „woher stammen die Trainingsdaten, und können Sie das belegen?" inzwischen eine faire Frage an jeden Anbieter.

Kostenlose Beratung mit GDPRGard buchen →

Quellen

• Tech Times — Die DSGVO gilt für KI-Trainingsdaten: Die EU beendet den Web-Scraping-Freifahrtschein für jedes Labor
• EDSA — Der EDSA beleuchtet Anonymisierung und Web-Scraping für generative KI

Auch lesenswert:

• Vergessen Sie die KI-Verordnung — die DSGVO bestraft Unternehmen schon jetzt für KI-Fehler
• Die KI-Verordnung gilt jetzt für Hochrisiko-Systeme — jetzt haben Sie zwei Aufsichtsbehörden
• KI ist 2026 das größte DSGVO-Compliance-Risiko