Webscraping für KI-Training: Ist das Sammeln personenbezogener Daten erlaubt?
Kurz gesagt
Öffentlich zugängliche personenbezogene Daten dürfen nicht automatisch für KI-Training gescrapt werden. Webscraping für generative KI kann sich zwar auf ein berechtigtes Interesse stützen, das erfordert aber eine vollständige Dreistufenprüfung – und Zweckbindung, Transparenz und Betroffenenrechte bleiben in jedem Fall anwendbar.
Warum „öffentlich" nicht „frei nutzbar" bedeutet
Ein weit verbreiteter Irrtum lautet: Was im Internet öffentlich einsehbar ist, darf auch beliebig gespeichert und weiterverarbeitet werden. Das ist rechtlich falsch. Nach geltendem Recht bleiben Zweckbindung, Transparenz und die Rechte der betroffenen Personen auch bei öffentlich zugänglichen personenbezogenen Daten anwendbar. Ein Social-Media-Profil, ein Forenbeitrag oder eine Unternehmenswebsite mit Mitarbeiternamen sind zwar für jeden sichtbar – das ändert aber nichts daran, dass es sich um personenbezogene Daten handelt, für deren Verarbeitung eine eigene Rechtsgrundlage nötig ist.
Die Dreistufenprüfung für Webscraping
Wer personenbezogene Daten aus dem Internet für das Training generativer KI-Systeme sammelt, kann sich nach aktueller Einordnung der Aufsichtsbehörden auf Art. 6 Abs. 1 lit. f DSGVO (berechtigtes Interesse) stützen – allerdings nur nach vollständiger Prüfung in drei Schritten:
- Besteht überhaupt ein berechtigtes Interesse an der konkreten Verarbeitung, und ist es klar benannt?
- Ist das Scraping tatsächlich erforderlich, um dieses Interesse zu erreichen – oder gäbe es mildere Mittel?
- Überwiegt das Interesse des Verantwortlichen die Grundrechte und Interessen der betroffenen Personen, deren Daten gesammelt werden?
Diese Prüfung ist keine Formalität. Sie muss dokumentiert und im Einzelfall belastbar sein. Die entsprechenden EDPB-Leitlinien zu Webscraping befanden sich zum Stichtag dieses Dossiers noch in öffentlicher Konsultation – Unternehmen sollten den finalen Stand vor einer Entscheidung prüfen.
Besondere Kategorien und weite Auslegung des Personenbezugs
Enthält der gescrapte Datensatz besondere Kategorien personenbezogener Daten nach Art. 9 DSGVO – etwa Gesundheitsdaten, politische Meinungen, Gewerkschaftszugehörigkeit oder sexuelle Orientierung –, reicht ein berechtigtes Interesse allein nicht aus. Hier ist zusätzlich zu Art. 6 eine eigene Ausnahme nach Art. 9 Abs. 2 DSGVO erforderlich. Wichtig ist außerdem: Auch abgeleitete oder indirekt offenbarende Daten können betroffen sein – ein Datensatz muss keine expliziten Gesundheitsangaben enthalten, wenn sich solche Informationen aus dem Kontext erschließen lassen.
Informationspflichten trotz Massendatenerhebung
Art. 14 DSGVO verlangt bei indirekt erhobenen Daten – also auch bei gescrapten Daten – grundsätzlich eine Information der betroffenen Personen. Eine Ausnahme greift nur bei Unmöglichkeit oder unverhältnismäßigem Aufwand, und diese Ausnahme ist eng auszulegen und hängt von den getroffenen Schutzmaßnahmen ab. Wer Millionen Datensätze scrapt und sich pauschal auf „unverhältnismäßigen Aufwand" beruft, ohne Schutzmaßnahmen wie Transparenzseiten, Opt-out-Mechanismen oder verkürzte Speicherfristen vorzuweisen, geht ein erhebliches rechtliches Risiko ein.
Was für Unternehmen daraus folgt
Unternehmen, die eigene KI-Modelle mit gescrapten Daten trainieren oder Dienstleister mit dieser Aufgabe beauftragen, sollten die Datenherkunft dokumentieren, die Dreistufenprüfung schriftlich festhalten und prüfen, ob besondere Kategorien personenbezogener Daten im Trainingskorpus enthalten sein könnten. Datenminimierung gilt ausdrücklich auch für große Trainingsdatenbestände – große Datenmengen sind technisch nützlich, aber kein rechtlicher Freibrief. Wer stattdessen ausschließlich fertige, kommerzielle KI-Modelle nutzt, verlagert diese Prüfpflicht zwar teilweise auf den Anbieter, sollte sich aber trotzdem dessen Angaben zu Trainingsdatenquellen ansehen.