Löschung aus einem KI-Modell: Warum das rechtlich und technisch offen ist

Kurz gesagt

Ausgabefilter sind keine Löschung aus einem Modell – sie verhindern nur, dass bestimmte Inhalte angezeigt werden. Ob Daten wirklich aus einem trainierten Modell entfernt werden können, ist technisch und rechtlich nicht abschließend gelöst; je nach Ziel kann Retraining, Machine Unlearning oder eine Systemmaßnahme erforderlich sein.

Warum „Löschen" bei KI-Modellen kompliziert ist

Bei klassischen Datenbanken bedeutet Löschung: Ein Datensatz wird entfernt und ist danach nicht mehr abrufbar. Bei einem trainierten KI-Modell gibt es keinen einzelnen Datensatz, der herausgelöscht werden könnte – die Information ist verteilt in Milliarden von Modellparametern verarbeitet und dort nicht mehr als isolierter Eintrag identifizierbar. Löschung aus einem Modell ist deshalb technisch und rechtlich nicht abschließend gelöst. Systemmaßnahmen können im Einzelfall genügen oder nur vorläufig wirken; entscheidend sind der Einzelfall und der Stand der Technik.

Ausgabefilter sind keine Lösung, sondern ein Pflaster

Viele Anbieter reagieren auf Löschanfragen, indem sie einen Ausgabefilter einrichten: Das Modell wird so konfiguriert, dass es bestimmte Namen oder Informationen nicht mehr ausgibt. Das ist nach offizieller Behördenposition ausdrücklich keine Löschung aus dem Modell selbst – die Information kann weiterhin memorisiert sein, nur die Anzeige wird unterdrückt. Je nach Zweck der Löschanfrage kann das unzureichend sein, etwa wenn es um die Verhinderung künftiger Extraktion oder um eine rechtlich vollständige Löschung geht.

Was stattdessen infrage kommt

Drei technische Ansätze werden diskutiert, keiner davon ist eine universell verlässliche Standardlösung:

Retraining: Das Modell wird komplett neu trainiert, diesmal ohne die betroffenen Daten. Das ist aufwendig und teuer, aber am ehesten geeignet, eine vollständige Entfernung zu erreichen.
Machine Unlearning: Techniken zur gezielten Reduktion oder Entfernung des Einflusses bestimmter Trainingsdaten, ohne das gesamte Modell neu zu trainieren. Dies ist ein aktives Forschungsgebiet ohne verlässliche Standardlösung für den produktiven Einsatz.
Systemmaßnahmen: Kombination aus Ausgabefiltern, Zugriffsbeschränkungen und Monitoring, wenn eine vollständige technische Entfernung nicht möglich oder unverhältnismäßig ist.

Was das für Unternehmen bedeutet

Wer ein eigenes Modell trainiert oder feinabstimmt, sollte Löschanfragen von Anfang an mitdenken – etwa durch eine Architektur, die Trainingsdaten und deren Herkunft nachvollziehbar dokumentiert, damit im Ernstfall zumindest ein gezieltes Retraining möglich ist. Wer ausschließlich fremde, kommerzielle KI-Modelle einsetzt, sollte in Verträgen und AVV klären, wie der Anbieter mit Löschanfragen umgeht, welche Systemmaßnahmen er anbietet und ob eine vollständige Löschung aus dem Basismodell überhaupt realistisch zugesagt werden kann. Eine pauschale Zusage „wir löschen alle Ihre Daten aus dem Modell" ist mit Vorsicht zu behandeln, solange sie nicht technisch konkretisiert ist.

Häufige Fragen

Reicht ein Ausgabefilter, um ein Löschverlangen nach Art. 17 DSGVO zu erfüllen?

Das ist nach offizieller Behördenposition regelmäßig unzureichend, weil die Daten im Modell weiter memorisiert sein können; je nach Ziel ist mehr nötig.

Was ist Machine Unlearning genau?

Ein Forschungsgebiet zu Techniken, die den Einfluss bestimmter Trainingsdaten auf ein bereits trainiertes Modell gezielt reduzieren oder entfernen sollen, ohne komplettes Neutraining.

Muss ich als Nutzer eines fremden KI-Tools selbst Löschanfragen zu Trainingsdaten technisch umsetzen?

In der Regel liegt diese Pflicht beim Anbieter des Basismodells; klären Sie das im AVV und den Anbieterbedingungen.

Gilt eine RAG-Datenbank genauso wie das trainierte Modell?

Nein, Daten in einer RAG-Datenbank lassen sich in der Regel gezielt löschen wie in anderen Datenbanken auch; das Problem betrifft vor allem eintrainierte Modellparameter.