Jedes Team, das ein KI-Modell trainiert, ist zwei unterschiedlichen rechtlichen Risiken ausgesetzt, die aus zwei verschiedenen Richtungen kommen. Das erste ist regulatorischer Natur: Ab dem 2. August 2026 verpflichtet Artikel 10 des EU-KI-Gesetzes Anbieter von Hochrisiko-KI-Systemen dazu, ihre Trainings-, Validierungs- und Testdatensätze zu dokumentieren, einschließlich der Datenerhebungsprozesse und der Herkunft der Daten. Das zweite ist zivilrechtlicher Natur: Ein Urheberrechtsinhaber kann geltend machen, dass sein Werk ohne Erlaubnis genutzt wurde, und die Beweislast liegt dann beim KI-Unternehmen zu zeigen, welche Daten es tatsächlich verwendet hat und wie diese beschafft wurden.
Beide Risiken laufen im Kern auf dieselbe Frage hinaus: Was befindet sich im Datensatz, woher stammt er, und wann wurde er beschafft. Genau das bedeutet "Herkunftsnachweis" (Provenance) in der Praxis, und es lohnt sich, präzise zu sein, was ein zeitgestempelter Nachweis beweisen kann und was nicht.
Was Artikel 10 tatsächlich verlangt
Artikel 10 gilt für Hochrisiko-KI-Systeme und legt fest, welche Praktiken der Datenverwaltung ein Anbieter einhalten muss. Die Pflichten umfassen die bei der Datenerhebung getroffenen Designentscheidungen, den Datenerhebungsprozess selbst und die Herkunft der Daten, Aufbereitungsschritte wie Annotation, Kennzeichnung und Bereinigung, eine Bewertung, ob der Datensatz für den vorgesehenen Zweck relevant und hinreichend repräsentativ ist, sowie eine Prüfung auf mögliche Verzerrungen (Bias). Stellt ein Anbieter Lücken fest, die eine Einhaltung verhindern, muss auch dies dokumentiert werden.
Nichts davon verlangt von einem Unternehmen den Nachweis, dass es sämtliche Urheberrechte in einem Trainingsdatensatz geklärt hat. Artikel 10 ist ein Regime für Datenqualität und Governance, kein Regime für die Klärung von Urheberrechten. Um ihn jedoch gut zu erfüllen, braucht es denselben zugrundeliegenden Nachweis, den auch eine urheberrechtliche Verteidigung benötigt: welche Daten eingeflossen sind, woher sie stammen und wann.
Das gesonderte zivilrechtliche Risiko
Urheberrechtliche Ansprüche gegen KI-Trainingspraktiken sind derzeit in mehreren Rechtsordnungen ein aktives und lebendiges Feld von Gerichtsverfahren, mit Klagen von Verlagen, Autoren, Musikrechteinhabern und Bildagenturen gegen große KI-Entwickler. Die rechtlichen Ansätze unterscheiden sich je nach Rechtsordnung und Einzelfall, und Gerichte klären noch grundlegende Fragen, etwa ob das Training mit urheberrechtlich geschütztem Material eine transformative Nutzung darstellt und wie Lizenzpflichten mit Text- und Data-Mining-Ausnahmen zusammenspielen. Wir werden nicht vorhersagen, wie ein bestimmtes Verfahren ausgeht, und ein Trainingsdaten-Nachweis löst diese Frage ebenfalls nicht.
Worauf ein solcher Anspruch in der Praxis tatsächlich hinausläuft, sind Beweise. Behauptet ein Rechteinhaber, sein Werk sei ohne Erlaubnis gescrapt worden, hängt die Antwort des KI-Unternehmens davon ab, ob es anhand eines nicht nachträglich erstellten Nachweises zeigen kann, was es gesammelt hat, woher und zu welchen Bedingungen. Ein Unternehmen, das seine eigene Datenlieferkette nicht rekonstruieren kann, argumentiert aus dem Gedächtnis heraus gegen einen Kläger mit einer konkreten Beschwerde.
Was "Herkunftsnachweis" für einen Datensatz praktisch bedeutet
Die Nachweiskette (Chain of Custody) für einen Trainingsdatensatz lässt sich in drei Elemente aufteilen, die es sich lohnt, getrennt zu erfassen:
- Erfassungsnachweis. Wann wurde eine Quelle dem Korpus hinzugefügt, von welcher URL, API, welchem Lizenzgeber oder Anbieter, und unter welcher zu diesem Zeitpunkt geltenden Version der Nutzungsbedingungen dieser Quelle.
- Lizenznachweis. Welche Vereinbarung, falls vorhanden, die Nutzung abdeckt, ob es sich um eine direkte Lizenz, eine Einräumung über die Nutzungsbedingungen einer Plattform, eine offene Lizenz oder die Berufung auf eine Text- und Data-Mining-Ausnahme wie Artikel 4 der DSM-Urheberrechtsrichtlinie handelt, und ob der Rechteinhaber Rechte gegenüber dieser Ausnahme in maschinenlesbarer Form vorbehalten hatte.
- Integritätsnachweis. Der Nachweis, dass der Datensatz, auf den ein Unternehmen heute verweist, tatsächlich derselbe ist, mit dem trainiert wurde, und nicht eine nachträglich für Zwecke eines Rechtsstreits zusammengestellte Rekonstruktion.
Von diesen dreien ist der Integritätsnachweis derjenige, für den die meisten Teams keine gute Antwort haben. Erfassungs- und Lizenznachweise finden sich meist verstreut in E-Mails, Lieferantenverträgen und internen Wikis. Selbst wenn sie vorhanden sind, lässt sich oft nicht beweisen, dass der in diesen Dokumenten referenzierte Datensatz Monate oder Jahre später noch derselbe Satz an Dateien ist, mit dem das Modell tatsächlich trainiert wurde.
Was ein qualifizierter Zeitstempel beweist, und was nicht
Wird ein kryptografischer Hash eines Datensatzes zum Zeitpunkt der Erfassung mit einem qualifizierten Zeitstempel versiegelt, entsteht ein belastbarer Nachweis, dass ein bestimmter Satz von Bytes zu einem bestimmten Zeitpunkt existierte und sich in Ihrem Besitz befand. Das ist eine eng gefasste, aber wirklich nützliche Aussage. Sie bedeutet, dass Sie einem Gericht Monate oder Jahre später genau zeigen können, wie der Datensatz zum Zeitpunkt der Erfassung aussah, ohne sich auf Ihre eigene Aussage oder ein Dokument zu verlassen, das nachträglich hätte verändert werden können.
Seien Sie präzise über die Grenzen dieser Aussage, denn eine Übertreibung ist schlimmer, als sie gar nicht erst zu treffen. Ein versiegelter Hash beweist Existenz und Besitz zu einem bestimmten Zeitpunkt. Er beweist nicht, dass Sie die Erlaubnis hatten, den Inhalt zu nutzen, und er beweist auch nicht, dass der Inhalt überhaupt rechtmäßig beschafft wurde. Lizenzierung und Erlaubnis sind gesonderte Rechtsfragen, die ein Zeitstempel allein nicht beantworten kann. Was er jedoch bewirkt, ist die vollständige Beseitigung einer ganzen Kategorie von Streitpunkten, nämlich ob Sie überhaupt zeigen können, was Sie hatten und wann, sodass die eigentliche Auseinandersetzung über Lizenzbedingungen anhand von Fakten geführt werden kann und nicht danach, wessen Version der Ereignisse ein Gericht zu glauben bereit ist.
Für ein Unternehmen, das mit einer Regulierungsbehörde konfrontiert ist, die nach der Datenverwaltung gemäß Artikel 10 fragt, oder mit einem Rechteinhaber, der eine unbefugte Nutzung behauptet, ist der Unterschied zwischen "hier ist ein zeitgestempelter Hash des exakten Datensatzes, versiegelt am Tag seiner Erfassung, zusammen mit unseren Lizenznachweisen" und "wir glauben, dass dies ungefähr das ist, was wir verwendet haben" der Unterschied zwischen einer verteidigungsfähigen und einer nicht überprüfbaren Position.
Wie sich das in einen praktischen Arbeitsablauf einfügt
Teams, die KI-Produkte entwickeln und sowohl die Governance-Frage nach Artikel 10 als auch die zugrundeliegende urheberrechtliche Frage verteidigen müssen, profitieren davon, die Erfassung eines Datensatzes als einzelnes, versiegeltes Ereignis zu behandeln statt als fortlaufenden, veränderbaren Ordner. Hashen und versiegeln Sie einen Datensatz-Snapshot bei der Erfassung, fügen Sie die zu diesem Zeitpunkt geltenden Lizenzbedingungen bei, und halten Sie diesen Nachweis getrennt von jeder nachgelagerten Bereinigung oder Filterung. Kommt es später zu einem Streit über eine bestimmte Quelle, ein bestimmtes Datum oder eine bestimmte Lizenz, existiert der Nachweis bereits, statt unter Druck rekonstruiert werden zu müssen.
Unsere Seite zum Herkunftsnachweis von KI-Datensätzen beschreibt, wie das für Teams funktioniert, die einen zeitgestempelten, gerichtsverwertbaren Nachweis darüber benötigen, was ein Datensatz enthielt und wann er erfasst wurde, zusammen mit der Lizenzdokumentation, die die gesonderte Frage der Erlaubnis beantwortet.
