Herkunft von Trainingsdaten nach der EU-KI-Verordnung

Herkunft ist die dokumentierte Antwort auf zwei Fragen: Woher stammen diese Trainingsdaten, und welches Recht haben Sie, sie zu nutzen? Nach der EU-KI-Verordnung, deren Pflichten seit 2025 gestaffelt in Kraft treten, müssen KI-Anbieter beides schriftlich beantworten können.

Die Pflicht: Eine hinreichend detaillierte Zusammenfassung der zum Training genutzten Inhalte
Gescrapte Daten: Keine Rechtekette, also keine Zusammenfassung, für die jemand einstehen kann
Bei TGDC: Rechteklärung je Korpus, Anonymisierung je Charge überprüft

Was die Verordnung erwartet

Anbieter von KI-Modellen mit allgemeinem Verwendungszweck müssen eine technische Dokumentation zu ihren Trainingsdaten führen und eine hinreichend detaillierte Zusammenfassung der zum Training genutzten Inhalte veröffentlichen, zusammen mit einer Strategie zur Einhaltung des EU-Urheberrechts einschließlich der von Rechteinhabern erklärten Rechtevorbehalte. Anbieter von Hochrisiko-KI-Systemen unterliegen Daten-Governance-Pflichten für die Datensätze, mit denen sie trainieren. All diese Pflichten weisen in dieselbe Richtung. Ein Crawl kann nicht liefern, was sie verlangen, denn er hält fest, was genommen wurde, nicht was erlaubt war. Aufsichtsbehörden, Kunden und Gerichte erwarten zunehmend eine dokumentierte Kette von jedem Datensatz zurück zu einer Erlaubnis.

Gescrapt gegenüber lizenziert

Gescrapte Daten haben keine Rechtekette. Ihr urheberrechtlicher Status ist umstritten, Widersprüche lassen sich rückwirkend kaum beachten, und ihr Inhalt steckt konstruktionsbedingt bereits in jedem konkurrierenden Modell.
Lizenzierte Daten kommen mit einer schriftlichen Antwort auf die Herkunftsfrage: wem sie gehörten, wer ihre Nutzung erlaubt hat, was gezahlt wurde und welche Bedingungen gelten. Die Dokumentation, nach der die Regulierung fragt, ist schlicht Teil der Lieferung.

Was rechtlich geklärt bei TGDC bedeutet

Jedes Korpus, das The General Data Company liefert, trägt seine Herkunft mit sich:

Schriftliche Rechtekette von der Erlaubnis an der Quelle bis zu der Lizenz, die der Käufer unterzeichnet. An der Quelle steht das Mandat eines Insolvenzverwalters, eine einwilligungsbasierte Aufzeichnung eines Arbeitsablaufs oder die Einwilligung einer Einzelperson in der App.
Rechteklärung je Korpus zu Eigentum, Material Dritter und gesetzlichen Schranken, bevor etwas ausgeliefert wird.
Anonymisierungsberichte je Charge, die belegen, dass benannte Entitäten, personenbezogene Daten und geschäftliche Kennungen entfernt oder pseudonymisiert und überprüft wurden.

Ein Labor, das mit einem solchen Korpus trainiert, kann eine dokumentierte Beschaffungsgeschichte in seine technische Dokumentation schreiben statt der Beschreibung eines Crawls. Fragt später eine Prüferin oder ein Kunde, woher ein Datensatz stammt, ist die Antwort eine schriftliche Rechtekette und keine begründete Vermutung. Produktdetails stehen unter Datenlizenzierung, die Funktionsweise des Gründungskanals unter Insolvenzmassen.

Eine kurze Herkunfts-Checkliste für KI-Teams

Können Sie die rechtliche Quelle jedes Trainingsdatensatzes benennen: eine Lizenz, ein Mandat, eine Einwilligung?
Würde die Beschaffungsgeschichte es überstehen, in die technische Dokumentation Ihres Modells geschrieben zu werden?
Kommen Ihre Datensätze mit Nachweisen zur Anonymisierung oder zum Umgang mit personenbezogenen Daten, je Charge und nicht als Versprechen eines Anbieters?
Wenn morgen ein Rechteinhaber oder eine Aufsichtsbehörde fragt: Wie lange bräuchte die Antwort?

Keine dieser Fragen wird leichter, wenn das Training abgeschlossen ist. Fühlt sich eine Antwort unangenehm an, ist das genau die Lücke, die rechtlich geklärte Lizenzierung schließt: hello@thegeneraldata.com.