Web-Scraping für das Training von KI-Modellen: Neue EDSA-Leitlinien im Überblick

Der Europäische Datenschutzausschuss (EDSA) hat am 7. Juli 2026 den Entwurf der Leitlinien 03/2026 zum Web-Scraping im Kontext der generativen KI verabschiedet. Da das Training von KI-Modellen enorme Datenmengen erfordert, die häufig automatisiert aus dem Internet extrahiert werden, konkretisiert dieses Dokument die datenschutzrechtlichen Anforderungen für private Akteure. Der Entwurf erläutert verschiedene Aspekte der DSGVO-Konformität, insbesondere die zulässigen Rechtsgrundlagen sowie die strengen Bedingungen für die Verarbeitung sensibler Daten.

Was ist Web-Scraping und wann greift die DSGVO?

Unter Web-Scraping versteht der EDSA eine Technik, bei der automatisierte Werkzeuge eingesetzt werden, um Informationen aus öffentlich zugänglichen Webdiensten wie sozialen Medien, Nachrichtenportalen oder Blogs zu extrahieren und zu speichern.

Die DSGVO findet immer dann Anwendung, wenn dieser Prozess die Verarbeitung personenbezogener Daten umfasst, was bei der Extraktion von Internetinhalten aufgrund der Natur der Daten faktisch fast immer der Fall ist. Dabei spielt es keine Rolle, ob es sich um direkt identifizierende Merkmale wie Namen oder um indirekt identifizierbare Informationen handelt; auch „gemischte“ Datensätze unterliegen hinsichtlich des personenbezogenen Anteils vollumfänglich dem europäischen Datenschutzrecht. Die Leitlinien decken dabei den gesamten Lebenszyklus ab, von der Erhebung der Daten über die Bereinigung bis hin zum eigentlichen Training und der Bereitstellung des Modells.

Zweckbindung und Transparenz als zentrale Herausforderungen

Bei der Verwendung von Web-Scraping ist dem Grundsatz der Zweckbindung und dem Grundsatz der Transparenz besondere Aufmerksamkeit zu widmen. Der EDSA betont, dass Daten für festgelegte, eindeutige und rechtmäßige Zwecke erhoben werden müssen und nicht in einer mit diesen Zwecken unvereinbaren Weise weiterverarbeitet werden dürfen.

Die Erfüllung der Transparenzpflichten gestaltet sich beim großflächigen Scraping oft schwierig, da die betroffenen Personen meist nicht wissen, dass ihre Daten erhoben werden. Je nachdem, wie die Datenverarbeitung genau gestaltet ist, muss der Verantwortliche Einzelpersonen jedoch möglicherweise nicht persönlich informieren. Dies kann der Fall sein, wenn sich dies als unmöglich erweist oder einen unverhältnismäßigen Aufwand erfordern würde. In solchen Fällen greift die Ausnahme des Art. 14 Abs. 5 lit. b DSGVO, wobei der Verantwortliche dennoch geeignete Maßnahmen zum Schutz der Rechte der Betroffenen ergreifen muss. Hierzu gehört zwingend die Bereitstellung detaillierter öffentlicher Datenschutzhinweise, die Informationen über die Kategorien der Daten sowie die Zwecke der Verarbeitung. Ebenso sollte eine möglichst präzise Liste der Quellen enthalten sein.

Anforderungen an Quellen und das Vorgehen beim KI-Training

Transparenz allein genügt allerdings nicht. Bei der Auswahl, Erhebung und Aufbereitung der Trainingsdaten müssen Verantwortliche sicherstellen, dass alle Grundsätze der DSGVO – wie auch die Richtigkeit und Datenminimierung – eingehalten werden.

Um den Grundsatz der Richtigkeit zu wahren, empfiehlt der EDSA, Daten vorrangig aus zuverlässigen und gepflegten Quellen zu beziehen, den Erhebungszeitpunkt mittels Zeitstempel zu dokumentieren und die Daten vor der Verwendung im Training zu validieren.

Besondere Bedeutung kommt dem Grundsatz der Datenminimierung zu, wonach nur die für den Zweck unbedingt notwendigen Daten verarbeitet werden dürfen. Unternehmen sollten bereits vor der Erhebung prüfen, ob die Verwendung synthetischer Daten möglich ist, und präzise Auswahlkriterien definieren. Technische Maßnahmen wie Filter zum Ausschluss bestimmter Datenkategorien oder Webseiten, die strukturell sensible Informationen enthalten oder dem Scraping explizit widersprechen, sind essenziell. Nach der Erhebung sollten Mechanismen zur Identifizierung und Löschung unnötiger Daten sowie Techniken zur Anonymisierung oder Pseudonymisierung eingesetzt werden.

Rechtsgrundlagen: Berechtigte Interessen versus Einwilligung

Selbst wenn diese Anforderungen an die Datenschutzgrundsätze technisch umgesetzt werden, benötigt jede Verarbeitung personenbezogener Daten zusätzlich eine Rechtsgrundlage. Gerade beim großflächigen Web-Scraping stellt sich daher die Frage, auf welchen Erlaubnistatbestand sich Unternehmen in der Praxis stützen können.

Eine Einwilligung nach Art. 6 Abs. 1 lit. a DSGVO ist in der Praxis meist keine tragfähige Rechtsgrundlage, da kein direkter Kontakt zu den betroffenen Personen besteht. Das Einholen individueller Zustimmungen ist dann faktisch unmöglich. Das Fehlen technischer Sperren wie einer robots.txt-Datei stellt ausdrücklich keine Einwilligung dar. Stattdessen stützen sich Verantwortliche in der Regel auf das berechtigte Interesse gemäß Art. 6 Abs. 1 lit. f DSGVO, was eine strenge dreistufige Prüfung erfordert.

Aufbauend auf der Stellungnahme 28/2024 zu KI-Modellen führt der EDSA aus, dass neben der Festlegung eines legitimen Interesses die Erforderlichkeit der Verarbeitung nachgewiesen werden muss. Im Rahmen der Interessenabwägung spielen die vernünftigen Erwartungen der Betroffenen eine entscheidende Rolle. Hierbei gewinnen technische Signale wie robots.txt, ai.txt oder CAPTCHAs an Bedeutung. Wenn eine Webseite solche Maßnahmen nutzt, um Scraping zu unterbinden, können Nutzer vernünftigerweise erwarten, dass ihre Daten nicht für KI-Training extrahiert werden. Ein Ignorieren dieser Signale wirkt sich negativ auf die Interessenabwägung aus.

Verarbeitung besonderer Kategorien personenbezogener Daten

Noch höhere Anforderungen gelten, sobald sich unter den gesammelten Informationen besondere Kategorien personenbezogener Daten befinden (z.B. bei Anbietern wie Doctolib). In diesen Fällen reicht eine Rechtsgrundlage nach Art. 6 DSGVO allein nicht aus.

Der EDSA erinnert eindringlich daran, dass die Verarbeitung besonderer Kategorien personenbezogener Daten, wie etwa Gesundheitsdaten oder politische Meinungen, nach Art. 9 Abs. 1 DSGVO grundsätzlich verboten ist. Wenn Web-Scraping solche Daten beinhaltet, ist kumulativ eine Rechtsgrundlage nach Art. 6 DSGVO sowie eine Ausnahme nach Art. 9 Abs. 2 DSGVO erforderlich. Eine solche Ausnahme kann vorliegen, wenn die Daten von der betroffenen Person offensichtlich öffentlich gemacht wurden. Für die beiläufige oder restliche Erfassung sensibler Daten verweist der EDSA auf das Urteil des Gerichtshofs in der Rechtssache GC & Others (C-136/17). Demnach können die spezifischen Merkmale einer Verarbeitung die Verantwortlichkeit beeinflussen. Dies gilt jedoch nur, wenn der Verantwortliche im Rahmen seiner Verantwortlichkeiten, Befugnisse und Kapazitäten handelt und angemessene technische sowie organisatorische Maßnahmen implementiert, um die Erfassung und Verbreitung solcher sensibler Daten bereits im Vorfeld sowie während und nach dem Training zu verhindern.

Handlungsbedarf für Unternehmen und nächste Schritte

Unternehmen, die Web-Scraping für KI-Zwecke einsetzen, sollten eine umfassende Gap-Analyse ihrer aktuellen Praktiken durchführen. Zum Nachweis des berechtigten Interesses ist die dreistufige Prüfung sorgfältig zu dokumentieren. Es ist notwendig, technische Signale wie robots.txt über alle Quellen hinweg zu respektieren und Prozesse für Opt-out-Mechanismen zu etablieren. Zudem müssen Datenminimierungsmaßnahmen wie Vorab-Filter und PII-Erkennung (Personally Identifiable Information) gestärkt und Rechenschaftspflichten durch detaillierte Datenschutzhinweise erfüllt werden.

Die Leitlinien befinden sich derzeit in der Phase der öffentlichen Konsultation, die bis zum 30. Oktober 2026 andauert. Betroffene Kreise haben bis zu diesem Datum die Möglichkeit, Stellungnahmen einzureichen, bevor die finale Fassung der Leitlinien voraussichtlich Ende 2026 verabschiedet wird.

Fazit

Der Leitlinienentwurf des EDSA verdeutlicht, dass Web-Scraping für das Training generativer KI kein rechtsfreier Raum ist, sondern an strikte Bedingungen geknüpft wird. Die Anerkennung des berechtigten Interesses als primäre Rechtsgrundlage bietet zwar einen Pfad zur rechtmäßigen Verarbeitung, erfordert aber umfangreiche Schutzmaßnahmen und die Respektierung technischer Widerspruchssignale der Webseitenbetreiber. Insbesondere bei sensiblen Daten nach Art. 9 DSGVO setzt der Ausschuss hohe Hürden, die nur durch ein proaktives Risikomanagement über den gesamten KI-Entwicklungszyklus hinweg überwunden werden können.