Text und Data Mining für KI-Training: Was § 44b UrhG erlaubt
Kurz gesagt
§ 44b UrhG erlaubt unter Voraussetzungen Vervielfältigungen rechtmäßig zugänglicher Werke für automatisierte Analysen zur Informationsgewinnung, also klassisches Text und Data Mining. Ob damit auch sämtliche Phasen generativen Modelltrainings und ein dauerhaftes Modell erfasst sind, ist höchstrichterlich nicht abschließend geklärt – Rechteinhaber können die Nutzung zudem wirksam vorbehalten.
Was § 44b UrhG definiert
§ 44b UrhG definiert Text und Data Mining als automatisierte Analyse einzelner oder mehrerer digitaler oder digitalisierter Werke, um daraus Informationen zu gewinnen. Die Norm rechtfertigt Vervielfältigungen innerhalb eines konkreten TDM-Prozesses, wenn alle Voraussetzungen erfüllt sind – sie ist keine allgemeine Erlaubnis für jede Form der Datennutzung, sondern eine eng gefasste Schranke für einen bestimmten technischen Vorgang.
Rechtmäßiger Zugang als eigenständige Voraussetzung
Rechtmäßiger Zugang ist eine eigenständige Voraussetzung der allgemeinen und wissenschaftlichen TDM-Schranken. Technische Erreichbarkeit allein genügt dafür nicht sicher – Paywalls, Zugangsbeschränkungen, Piraterie und technische Schutzmaßnahmen müssen gesondert geprüft werden. Ein Werk, das illegal beschafft wurde, kann sich also nicht nachträglich durch eine TDM-Argumentation legalisieren lassen. Öffentliche Abrufbarkeit bedeutet dabei weder Gemeinfreiheit noch eine generelle Erlaubnis zur Speicherung, Datensatzbildung oder zum Training.
Löschpflicht nach Zweckerreichung
Nach § 44b Abs. 2 UrhG sind TDM-Kopien zu löschen, wenn sie für das Text und Data Mining nicht mehr erforderlich sind. Die Anwendung dieser Löschpflicht auf Langzeit-Datasets, Modell-Checkpoints und laufend weiterverwendete Modellzustände ist praktisch und rechtlich streitanfällig – anders als bei einer klassischen, einmaligen Datenanalyse ist bei generativem KI-Training unklar, wann genau die Kopien „nicht mehr erforderlich" sind.
Der Nutzungsvorbehalt: Wenn Rechteinhaber Nein sagen
Die allgemeine TDM-Schranke greift nicht, wenn der Rechteinhaber die Nutzung wirksam vorbehalten hat. Bei online verfügbaren Werken ist dieser Nutzungsvorbehalt nach § 44b Abs. 3 Satz 2 UrhG nur wirksam, wenn er maschinenlesbar erklärt wird – ein rein natürlichsprachlicher Hinweis wie „KI-Training nicht gestattet" im Fließtext einer Webseite reicht nach der bisherigen Rechtsprechung nicht zwingend aus. Ein universeller technischer Einzelstandard für diesen Vorbehalt ist im Gesetz allerdings nicht vorgeschrieben – W3C TDMRep, Robots-Regeln und IPTC-Metadaten sind gängige technische Instrumente, aber jeweils kein gesetzlicher Alleinstandard mit garantierter Wirksamkeit.
Getrennte Prüfung jeder Phase
Die urheberrechtliche Prüfung muss Datenbeschaffung, Datensatzaufbereitung, Modelltraining, Modellzustand, Inferenz und konkrete Ausgabe getrennt bewerten. Eine Rechtfertigung in einer Phase – etwa eine wirksame TDM-Schranke bei der Datenbeschaffung – legalisiert nicht automatisch andere Phasen. TDM-Schranken erlauben insbesondere nicht automatisch die spätere Ausgabe geschützter Werkteile: Output-Vervielfältigung, Bearbeitung und öffentliche Wiedergabe sind eigenständig zu prüfen, auch wenn das Training selbst rechtmäßig war.
Was Unternehmen konkret beachten sollten
Wer selbst Modelle trainiert oder feinabstimmt, sollte für jede Datenquelle Herkunft, Zugangsart, Lizenz, Opt-out-Status und Erfassungsdatum dokumentieren – die gleiche Datei kann für menschliches Lesen lizenziert, für Text und Data Mining schrankenfähig und für dauerhaftes Fine-Tuning zugleich nicht erlaubt sein. Diese Differenzierung nach Nutzungsart ist keine Formalität, sondern kann über die Rechtmäßigkeit des gesamten Trainingsvorgangs entscheiden.