{"id":5736,"date":"2026-10-28T23:02:56","date_gmt":"2026-10-28T22:02:56","guid":{"rendered":"https:\/\/wwwschutz.de\/blog\/?p=5736"},"modified":"2026-10-23T16:10:54","modified_gmt":"2026-10-23T14:10:54","slug":"web-scraping-ki-training-edsa-leitlinien","status":"publish","type":"post","link":"https:\/\/wwwschutz.de\/blog\/web-scraping-ki-training-edsa-leitlinien\/","title":{"rendered":"Web-Scraping f\u00fcr KI-Training: Was die neuen EDSA-Leitlinien verlangen"},"content":{"rendered":"\n

Der Europ\u00e4ische Datenschutzausschuss hat im Juli 2026 den Entwurf einer Leitlinie zum Auslesen von Webseiten f\u00fcr generative KI angenommen. Die Kernaussage: Was \u00f6ffentlich sichtbar ist, ist nicht frei verwendbar. Der Beitrag ordnet die Anforderungen ein, nennt die Randnummern des Originals und erkl\u00e4rt, was bis zum Ende der Konsultation am 30. Oktober 2026 offen ist.<\/em><\/p>\n\n\n\n

Sprachmodelle und Bildgeneratoren lernen aus riesigen Datenmengen, und ein gro\u00dfer Teil davon stammt aus dem offenen Netz. Web-Scraping f\u00fcr KI-Training ist deshalb zu einem der wichtigsten Streitpunkte im Datenschutz geworden. Mit der neuen Leitlinie legt der Europ\u00e4ische Datenschutzausschuss (EDSA, englisch EDPB) dar, wie die Aufsichtsbeh\u00f6rden die Rechtslage lesen.<\/p>\n\n\n\n

Der Beitrag fasst die Leitlinie in der Reihenfolge zusammen, in der sich die Fragen in der Praxis stellen: Geltungsbereich, Rollen, Rechtsgrundlage, Sperrsignale, Datenminimierung, Transparenz und sensible Daten. Dazu kommt ein Blick auf die zweite Leitlinie zur Anonymisierung und eine Pr\u00fcf\u00fcbersicht. Es handelt sich um eine Einordnung und nicht um Rechtsberatung. Die Aussagen beziehen sich auf den Entwurf in Version 1.0, \u00c4nderungen sind m\u00f6glich.<\/p>\n\n\n\n

Web-Scraping f\u00fcr KI-Training: Was die EDSA-Leitlinie 03\/2026 regelt und wie verbindlich sie ist<\/h2>\n\n\n\n

Der Titel lautet \u201eGuidelines 03\/2026 on web scraping in the context of generative AI\u201c. Das Dokument wurde am 7. Juli 2026 als Version 1.0 zur \u00f6ffentlichen Konsultation angenommen und auf der Plenartagung am 8. Juli 2026 angek\u00fcndigt. Das Feedback l\u00e4uft bis zum 30. Oktober 2026, 23:59 Uhr (MEZ), und wird \u00fcber ein Formular auf der Konsultationsseite des EDPB<\/a> eingereicht. Die Pressemitteilung des EDPB<\/a> stellt die Leitlinie gemeinsam mit der Anonymisierungsleitlinie vor. Das Dokument<\/a> umfasst 23 Seiten mit 77 Randnummern.<\/p>\n\n\n\n

Wichtig ist der Status. Leitlinien des EDSA binden weder Gerichte noch Unternehmen. Sie geben aber die gemeinsame Auslegung der europ\u00e4ischen Aufsichtsbeh\u00f6rden wieder, und an dieser Auslegung orientieren sich Pr\u00fcfungen und Bu\u00dfgeldverfahren. Die Datenschutz-Grundverordnung gilt au\u00dferdem unabh\u00e4ngig davon. Der Entwurf schafft also keine neuen Pflichten, sondern beschreibt, wie die bestehenden Regeln beim Scraping verstanden werden.<\/p>\n\n\n\n

Der Anwendungsbereich ist eng gefasst. Die Leitlinie betrifft private Stellen, das Training generativer KI und Daten aus externen Quellen, also nicht die Auswertung eigener Datenbest\u00e4nde (Rn. 5 und 6). Beh\u00f6rden und andere Modellarten, etwa klassische Prognosemodelle, sind nicht ihr Thema. Wer allgemein wissen m\u00f6chte, wie sich KI-Training und Datenschutz zueinander verhalten, findet das im Beitrag KI-Training und die DSGVO<\/a>.<\/p>\n\n\n\n

Was als Web-Scraping gilt und wer verantwortlich ist<\/h2>\n\n\n\n

Die Leitlinie versteht unter Web-Scraping das automatisierte Auslesen und Speichern von \u00f6ffentlich zug\u00e4nglichen Quellen. Dazu z\u00e4hlen Register, Nachrichtenseiten, soziale Netzwerke, Foren und Blogs (Rn. 7). Das Vorgehen kann gezielt sein, etwa auf bestimmte Domains beschr\u00e4nkt. Es kann auch ungezielt erfolgen, als Crawling ohne enge Kriterien. Dann ist kaum bekannt, welche Daten tats\u00e4chlich im Datensatz landen, und genau das erh\u00f6ht das Risiko (Rn. 8).<\/p>\n\n\n\n

Der Ablauf besteht nach der Leitlinie aus vier Schritten: Kriterien festlegen, Daten extrahieren, bereinigen sowie strukturieren und speichern (Rn. 11). Jeder dieser Schritte ist eine Verarbeitung personenbezogener Daten, sobald solche Daten im Material stecken. Enth\u00e4lt ein Datensatz Personenbezug und Sachdaten gemischt, gilt die DSGVO f\u00fcr den gesamten Bestand (Rn. 13).<\/p>\n\n\n\n

Bei den Rollen gilt keine Pauschalregel. Wer scrapt, ist nicht automatisch Verantwortlicher. Wird im Auftrag eines anderen gearbeitet, kann eine Auftragsverarbeitung vorliegen. Legen mehrere Beteiligte Zwecke und Mittel gemeinsam fest, kommt eine gemeinsame Verantwortlichkeit in Betracht. Wer einen fertigen Datensatz kauft, verantwortet seine eigene Verarbeitung, auch wenn der H\u00e4ndler dieselben Daten zuvor erhoben hat (Rn. 16 bis 20). F\u00fcr Unternehmen hei\u00dft das: Die Rolle ist im Einzelfall zu kl\u00e4ren und zu dokumentieren, bevor ein Datensatz oder Scraping-Dienst eingesetzt wird.<\/p>\n\n\n\n

Berechtigtes Interesse statt Einwilligung: der Dreistufentest f\u00fcr KI-Training<\/h2>\n\n\n\n

Eine Einwilligung scheidet bei der Massenerhebung aus Drittquellen praktisch aus, weil die Betroffenen nicht bekannt und nicht erreichbar sind (Rn. 44). Die Leitlinie h\u00e4lt andere Grundlagen f\u00fcr wenig passend und nennt das berechtigte Interesse nach Art. 6 Abs. 1 lit. f DSGVO<\/a> als die in der Praxis h\u00e4ufig genutzte Grundlage (Rn. 43). Das ist kein Freifahrtschein, sondern ein Pr\u00fcfauftrag. Wie sich die Vorschrift allgemein verh\u00e4lt, erkl\u00e4rt der Beitrag Das berechtigte Interesse im Datenschutz<\/a>.<\/p>\n\n\n\n

\"Dreistufentest
Die drei Pr\u00fcfschritte beim berechtigten Interesse, schematisch nach dem Entwurf der Leitlinie.<\/figcaption><\/figure>\n\n\n\n

Die Pr\u00fcfung l\u00e4uft in drei Stufen (Rn. 47).<\/p>\n\n\n\n

Erste Stufe, das Interesse: Es muss rechtm\u00e4\u00dfig, klar formuliert und real sein, also nicht blo\u00df vermutet. Als Beispiele nennt die Leitlinie einen Konversationsagenten oder die Betrugserkennung (Rn. 48 bis 50). Ein vages \u201eIrgendwann k\u00f6nnte ein Modell entstehen\u201c tr\u00e4gt nicht.<\/p>\n\n\n\n

Zweite Stufe, die Erforderlichkeit: Zu fragen ist, ob sich das Ziel mit weniger Daten erreichen l\u00e4sst. Enge Sammelkriterien sind besser als der Abgriff gro\u00dfer Teile des Netzes. Als milderes Mittel kommen pseudonymisierte oder synthetische Daten in Betracht (Rn. 51 und 52).<\/p>\n\n\n\n

Dritte Stufe, die Abw\u00e4gung: Hier stehen die Interessen der Betroffenen gegen das Interesse des Verantwortlichen. Die Leitlinie nennt als m\u00f6gliche Folgen f\u00fcr Betroffene den Kontrollverlust \u00fcber die eigenen Daten, ein \u00dcberwachungsgef\u00fchl, das Menschen vom \u00c4u\u00dfern abhalten kann (\u201echilling effect\u201c), und Missbrauch wie Deepfakes. Gewicht haben au\u00dferdem die Art der Daten, der Kontext der Ver\u00f6ffentlichung, die Folgen und die vern\u00fcnftigen Erwartungen der Betroffenen (Rn. 53 bis 64).<\/p>\n\n\n\n

Ein Punkt zieht sich durch die Abw\u00e4gung: Aus einem trainierten Modell lassen sich einzelne Daten nach dem Stand der Technik kaum wieder entfernen (Rn. 60). Wer sp\u00e4ter l\u00f6schen muss, kann das also oft nur durch erneutes Training erreichen. Deshalb sollen Fehler fr\u00fch verhindert werden, nicht erst im Nachhinein. Erg\u00e4nzend z\u00e4hlen Schutzma\u00dfnahmen als Gewicht auf der Waage des Verantwortlichen (Rn. 65 und 66). Weshalb personenbezogene Daten in Modellen ein Problem sind, zeigt der Beitrag Personenbezogene Daten in KI-Modellen<\/a>.<\/p>\n\n\n\n

Die Leitlinie arbeitet mit Beispielen. In einem Fall werden Stimmaufnahmen ohne Zusatzma\u00dfnahmen gesammelt. Das berechtigte Interesse tr\u00e4gt dort nicht (Beispiel 6). In einem anderen Fall entsteht ein Textmodell ausschlie\u00dflich aus frei zug\u00e4nglichen Quellen, die die Betroffenen offenkundig selbst \u00f6ffentlich gemacht haben. Der Anbieter respektiert Text-und-Data-Mining-Vorbehalte, trifft Ma\u00dfnahmen gegen das Auswendiglernen von Inhalten, erf\u00fcllt Betroffenenrechte und nennt seine Quellen \u00f6ffentlich. Die Abw\u00e4gung f\u00e4llt dort in der Regel zugunsten des Verantwortlichen aus (Beispiel 7). Die Unterschiede liegen also nicht im Thema, sondern in den Schutzma\u00dfnahmen.<\/p>\n\n\n\n

Urheberrechtliche Schranken f\u00fcr Text und Data Mining ersetzen die Rechtsgrundlage nach der DSGVO nicht. Die Leitlinie erw\u00e4hnt sie nur als Teil des Beispiels 7.<\/p>\n\n\n\n

\u00d6ffentlich sichtbar hei\u00dft nicht frei verwendbar: Wer Webseiten f\u00fcr KI-Training ausliest, braucht auch bei frei zug\u00e4nglichen Daten eine Rechtsgrundlage.<\/p><\/blockquote><\/figure>\n\n\n\n

robots.txt, ai.txt und CAPTCHA: Was Betroffene vern\u00fcnftigerweise erwarten<\/h2>\n\n\n\n

Im Rahmen der Abw\u00e4gung kommt es darauf an, womit Betroffene rechnen m\u00fcssen. Technische Signale spielen dabei eine Rolle. Die Leitlinie nennt Zugangsbeschr\u00e4nkungen, die robots.txt, die ai.txt und CAPTCHA. Solche Signale sprechen dagegen, dass Betroffene mit dem Auslesen durch Dritte rechnen (Rn. 37 und 64). Wer solche Signale ignoriert, verschlechtert damit seine Position in der Abw\u00e4gung.<\/p>\n\n\n\n

Zwei Missverst\u00e4ndnisse liegen nahe. Das erste: Ein Verbot in der robots.txt wirke wie ein Gesetz. Die Leitlinie sagt das nicht. Das Signal verschiebt die Abw\u00e4gung, ohne dass die robots.txt selbst rechtlich bindend w\u00e4re. Das zweite: Fehlt die robots.txt, sei das Auslesen erlaubt. Auch das stimmt nicht. Das Fehlen oder die Nichtanwendbarkeit einer robots.txt ist keine Einwilligung (Rn. 45). Es bedeutet nur, dass ein Gegengewicht fehlt.<\/p>\n\n\n\n

Als Faustregel gilt: Hat eine Person Inhalte selbst f\u00fcr alle sichtbar \u00f6ffentlich gemacht, ist die Erwartung einer Verarbeitung durch Dritte eher gegeben. Bei Beitr\u00e4gen in Netzwerken mit Zugangsbeschr\u00e4nkung ist sie schw\u00e4cher (Rn. 64). Die Beispiele 4 und 5 zeigen den Gegensatz. Eine Plattform ohne jedes Verbot steht einer Plattform gegen\u00fcber, die robots.txt und CAPTCHA einsetzt und das Scraping ausdr\u00fccklich untersagt. Im zweiten Fall ist das Auslesen deutlich schwerer zu rechtfertigen. Daten hinter einem Login und Registerabfragen mit vollst\u00e4ndigen Namen, Adressen und Kontaktdaten gelten in der Leitlinie au\u00dferdem als Kandidaten f\u00fcr einen Ausschluss (Rn. 66 c).<\/p>\n\n\n\n

F\u00fcr Betreiber von Webseiten ergibt sich daraus ein praktischer Punkt. Wer das Auslesen durch KI-Crawler nicht w\u00fcnscht, sollte die Signale bewusst setzen und pr\u00fcfen, ob sie tats\u00e4chlich ausgeliefert werden. Ein Blick auf die eigene Seite hilft dabei, etwa mit dem DSGVO-Webseiten-Check<\/a>, der unter anderem Datenabfl\u00fcsse sichtbar macht.<\/p>\n\n\n\n

Datenminimierung beim Web-Scraping: Pr\u00fcfung vor dem ersten Abruf<\/h2>\n\n\n\n

Der Grundsatz der Datenminimierung verbietet das Training mit gro\u00dfen Datenmengen nicht. Er verlangt aber, personenbezogene Daten, die f\u00fcr den Zweck nicht erforderlich sind, gar nicht erst zu erheben (Rn. 36). Daraus folgt eine Reihenfolge, die man mit \u201eerst pr\u00fcfen, dann sammeln\u201c zusammenfassen kann.<\/p>\n\n\n\n

\"Web-Scraping
Schematisch, nach der Darstellung der Leitlinie 03\/2026 im Entwurf (Version 1.0).<\/figcaption><\/figure>\n\n\n\n

Vor der Erhebung soll zun\u00e4chst gepr\u00fcft werden, ob synthetische Daten gen\u00fcgen. Danach folgen pr\u00e4zise Sammelkriterien, ein Datenmapping mit Inventar und Filter f\u00fcr Datenarten, die nicht gebraucht werden, etwa Kontodaten oder Standortdaten. Au\u00dferdem sollen Webseitenkategorien ausgeschlossen werden, etwa Angebote, die \u00fcberwiegend von Minderj\u00e4hrigen genutzt werden, und Seiten, die dem Scraping erkennbar widersprechen (Rn. 37).<\/p>\n\n\n\n

W\u00e4hrend und nach der Erhebung sieht die Leitlinie weitere Schritte vor. Syntaxbasierte Filter, zum Beispiel regul\u00e4re Ausdr\u00fccke f\u00fcr Telefon- oder Sozialversicherungsnummern, fangen typische Muster ab. Echte Daten lassen sich durch synthetische ersetzen, Datens\u00e4tze k\u00f6nnen anonymisiert oder pseudonymisiert werden, und nicht ben\u00f6tigte Daten sind so fr\u00fch wie m\u00f6glich zu l\u00f6schen (Rn. 38). Zur Richtigkeit z\u00e4hlen zuverl\u00e4ssige Quellen, Zeitstempel und eine Validierung der Daten vor dem Training (Rn. 39 bis 42).<\/p>\n\n\n\n

\n\n
Phase<\/th>Ma\u00dfnahme laut Leitlinie<\/th>Randnummer<\/th><\/tr><\/thead>\n
Vor der Erhebung<\/td>Synthetische Daten erw\u00e4gen, enge Sammelkriterien, Datenmapping, Filter, Ausschluss bestimmter Seitenkategorien und widersprechender Seiten<\/td>37<\/td><\/tr>\n
W\u00e4hrend der Erhebung<\/td>Syntaxbasierte Filter, Ersetzen echter durch synthetische Daten<\/td>38<\/td><\/tr>\n
Nach der Erhebung<\/td>Anonymisieren oder Pseudonymisieren, fr\u00fches L\u00f6schen, Validierung vor dem Training<\/td>38 bis 42<\/td><\/tr>\n<\/tbody>\n<\/table><\/figure>\n\n\n\n

Der Kern liegt in der zeitlichen Verschiebung. Eine Bereinigung, die erst nach dem Abruf beginnt, kommt zu sp\u00e4t, weil die Daten dann bereits erhoben und gespeichert sind. Die Dokumentation der Kriterien und Ausschl\u00fcsse ist zugleich der wichtigste Nachweis in einer sp\u00e4teren Pr\u00fcfung.<\/p>\n\n\n\n

Datenminimierung beginnt vor dem ersten Abruf, nicht erst bei der Bereinigung des Datensatzes.<\/p><\/blockquote><\/figure>\n\n\n\n

Transparenz beim Scraping: Wann Information entfallen darf und was dann zu ver\u00f6ffentlichen ist<\/h2>\n\n\n\n

Im Normalfall m\u00fcssen Betroffene nach Art. 14 DSGVO<\/a> informiert werden, wenn Daten nicht bei ihnen selbst erhoben werden. Eine Ausnahme besteht, wenn die Information unm\u00f6glich ist oder einen unverh\u00e4ltnism\u00e4\u00dfigen Aufwand erfordert (Art. 14 Abs. 5 lit. b). Die Leitlinie sagt klar, dass diese Ausnahme nicht routinem\u00e4\u00dfig genutzt werden darf, sondern vor allem bei Archiv-, Forschungs- und Statistikzwecken in Betracht kommt (Rn. 25 bis 27).<\/p>\n\n\n\n

Die Abw\u00e4gung erfolgt f\u00fcr den gesamten Datensatz. Ber\u00fccksichtigt werden die Zahl der Betroffenen, das Alter der Daten und die ergriffenen Schutzma\u00dfnahmen (Rn. 28). Wer sich auf die Ausnahme beruft, muss einen Ersatz liefern. Die Informationen sind \u00f6ffentlich bereitzustellen, mit Datenkategorien, Zwecken, Rechtsgrundlage, Quellen und Merkmalen des Crawlers. Wenn m\u00f6glich, geh\u00f6rt eine durchsuchbare Liste der Domains und URLs samt Erhebungszeitraum dazu, und auf nicht gelistete Quellentypen ist hinzuweisen (Rn. 30 und 31). Bei \u00fcbernommenen Datens\u00e4tzen ist der Kontakt des urspr\u00fcnglichen Verantwortlichen zu nennen (Rn. 32). Als weitere Ma\u00dfnahmen kommen die Ver\u00f6ffentlichung der Datenschutz-Folgenabsch\u00e4tzung, Pseudonymisierung, begrenzte Speicherdauer und Sicherheit in Betracht (Rn. 34).<\/p>\n\n\n\n

Zwei Beispiele machen den Unterschied deutlich. Im ersten Fall geht es um ein sehr gro\u00dfes Archiv mit etwa 20 Jahre alten Forenbeitr\u00e4gen, bei dem keine Kontaktm\u00f6glichkeit zu den Verfassern besteht. Die Ausnahme kann dort greifen, wenn die Ersatzma\u00dfnahmen umgesetzt werden (Beispiel 2). Im zweiten Fall liegen Beitr\u00e4ge eines geschlossenen Nutzerkreises von 5.000 Personen vor, die \u00fcber ihre E-Mail-Adressen direkt erreichbar sind. Dort ist individuell zu informieren (Beispiel 3). Je leichter sich Betroffene erreichen lassen, desto schwerer wiegt die Pflicht.<\/p>\n\n\n\n

Zusammenh\u00e4ngend ist die Frage der Betroffenenrechte. Wer Auskunft, Berichtigung oder L\u00f6schung verlangt, muss identifizierbar sein. Ist ein Datensatz so aufgebaut, dass niemand zugeordnet werden kann, greifen diese Rechte nur eingeschr\u00e4nkt (Rn. 29). Das ist kein Schlupfloch, denn die Pflicht zur Transparenz bleibt davon unber\u00fchrt. Welche Rolle Identifizierbarkeit spielt, behandelt der Beitrag Anonymisierung personenbezogener Daten<\/a>.<\/p>\n\n\n\n

Besondere Kategorien nach Art. 9: grunds\u00e4tzlich verboten, auch beim Scraping<\/h2>\n\n\n\n

Daten zu Gesundheit, Religion, politischer Meinung, Sexualleben und weitere besondere Kategorien sind nach Art. 9 DSGVO<\/a> grunds\u00e4tzlich gesch\u00fctzt. Beim beabsichtigten Abgreifen solcher Daten braucht es neben einer Grundlage nach Art. 6 zus\u00e4tzlich eine Ausnahme nach Art. 9 Abs. 2 (Rn. 67). Dass ein Datum \u00f6ffentlich zug\u00e4nglich ist, ersetzt diese Ausnahme nicht von selbst.<\/p>\n\n\n\n

Das praktische Problem liegt woanders. Ob ein Datensatz sensible Daten enth\u00e4lt, zeigt sich oft erst nach dem Abgriff (Rn. 68). Ein Rest an Verarbeitung ist beim Scraping deshalb wahrscheinlich (Rn. 69). F\u00fcr diesen Fall verweist die Leitlinie auf das EuGH-Urteil vom 24. September 2019 zu Suchmaschinen (C-136\/17). Das Urteil kann f\u00fcr das zuf\u00e4llige und restliche Miterfassen relevant sein, ist aber keine allgemeine Ausnahme (Rn. 70 bis 72).<\/p>\n\n\n\n

Vier Bedingungen m\u00fcssen gemeinsam vorliegen (Rn. 73):<\/p>\n\n\n\n