Das öffentliche Internet wird zur Verhandlungsmasse für Trainingsdaten

Crawlers, Reservierungen, Lizenzen und Provenienz verändern die alte Annahme, dass eine öffentliche Seite einfach da ist, um genutzt zu werden. Die...

Das öffentliche Internet wird zur Verhandlungsmasse für Trainingsdaten

Die Seite ist öffentlich. Die Nutzung ist nicht geklärt.

Lange Zeit funktionierte das öffentliche Web nach einem groben, aber tragfähigen gesellschaftlichen Pakt. Ein Verlag stellte eine Seite bereit. Suchmaschinen fanden sie, indexierten genug davon, um Leser zurückzuschicken, und eine Person gelangte zur Originalseite. Es gab Streit über Indexierung, Snippets und Werbung, aber der Weg war erkennbar. Eine Seite war sowohl die Einheit der Veröffentlichung als auch der Ort, an dem der Leser den Verlag traf.

Das Training eines allgemeinen Modells verändert die Form dieses Pakts. Ein Crawler mag zwar mit einer öffentlichen Adresse beginnen, aber das Ziel ist nicht mehr unbedingt ein Suchergebnis. Das Material kann kopiert, geparst, gefiltert, gespeichert, mit anderem Material kombiniert und in einem Trainingsprozess verwendet werden, dessen Ausgabe kein Link zurück zur Seite ist. Es kann später dazu beitragen, eine Frage zu beantworten, ohne dass ein Leser das Originalwerk besucht. Die Tatsache, dass eine Seite sichtbar ist, ist relevant. Sie ist nicht die ganze Antwort.

Deshalb wird das öffentliche Internet zu einer Verhandlung über Trainingsdaten. Keine einzelne Verhandlung in einem Raum und kein Drama, in dem eine Seite entdeckt, dass die andere existiert. Es ist eine verteilte Verhandlung, die über Recht, Lizenzen, technische Signale, Verträge, Standards, Aufzeichnungen und, wo nötig, über Menschen, die miteinander sprechen, geführt wird. Ein Rechteinhaber kann eine Mining-Nutzung vorbehalten. Ein Modellanbieter kann einen Vorbehalt erkennen und entscheiden, nicht zu sammeln. Die Parteien können eine Lizenz vereinbaren. Eine Organisation kann den Weg gut genug dokumentieren, dass eine spätere Frage beantwortbar ist. Oder sie können den Weg vage lassen und feststellen, dass Vagheit teuer ist, sobald das Material gereist ist.

Nichts davon macht jede öffentliche Seite für jede computergestützte Nutzung unverfügbar. Der europäische Urheberrechtsrahmen enthält Ausnahmen für Text- und Data-Mining, und die Bedingungen sind wichtig. Es macht auch eine Robots-Datei nicht zu einem universellen urheberrechtlichen Instrument oder eine Lizenz zu einem einfachen Ankreuzfeld. Die nützliche Veränderung ist bescheidener: Trainingsdaten müssen als eine Beziehung mit Bedingungen, Geschichte und Grenzen behandelt werden. Das ist eine bessere Beschreibung dessen, was sie bereits waren. Das Neue ist, dass die Beziehung immer schwerer zu ignorieren ist.

Die Arbeit der Europäischen Kommission rund um den KI-Gesetz gibt der Veränderung eine administrative Form. Anbieter allgemeiner KI-Modelle haben Verpflichtungen zur Urheberrechtspolitik und zur Zusammenfassung von Trainingsinhalten. Der GPAI-Verhaltenskodex bietet einen freiwilligen Weg für Anbieter, die ihm folgen möchten, einschließlich Verpflichtungen zu Rechtevorbehalten und robots.txt. Die Kommission hat auch zu Protokollen für die Äußerung von Vorbehalten konsultiert. Diese sind kein Ersatz für Urheberrecht und keine Erklärung, dass jedes technische Signal dieselbe rechtliche Wirkung hat. Sie sind ein Beweis dafür, dass der Weg von der Anweisung eines Rechteinhabers zum Sammelsystem eines Modellanbieters jetzt ein eigenständiges Politikproblem ist.

Die Geschichte braucht keinen erfundenen Verlag, keinen dramatischen Crawler oder eine fiktive Gerichtsverhandlung. Sie ist an den gewöhnlichen Punkten sichtbar, an denen eine Quelle den Besitzer wechselt. Jemand entscheidet, ob eine URL zu einer Sammlung gehört. Jemand entscheidet, was ein Vorbehalt bedeutet. Jemand entscheidet, ob eine Lizenz ausreichend spezifisch für Training, Abruf, Bewertung oder Weiterverbreitung ist. Jemand entscheidet, welche Version einer Richtlinie gilt, wenn sich eine Quelle ändert. Die Entscheidungen können leise sein. Sie sind dennoch Entscheidungen.

Ein Crawler ist nicht mehr nur ein Besucher

Browser, Such-Crawler, Archivierungswerkzeuge, Barrierefreiheitsdienste, akademische Forscher, Überwachungssysteme und Modell-Trainings-Pipelines können alle dieselbe Seite anfordern. Vom Server des Verlags aus mögen sie zunächst ähnlich aussehen: Eine Anfrage kommt an, eine Antwort wird gesendet, eine Protokollzeile wird geschrieben. Aber ihre Zwecke, Kopiermuster und nachgelagerten Konsequenzen sind unterschiedlich. Jede automatisierte Anfrage als identisch zu behandeln, ist praktisch für die Infrastruktur und schlecht für die Governance.

Eine normale Leserin öffnet einen Artikel und kommt vielleicht an einem anderen Tag wieder. Ein Such-Crawler erstellt einen Index, der die Leserin zurückführen soll. Eine Trainings-Pipeline kann eine Kopie anfertigen, die aufbewahrt, umgewandelt und mit vielen anderen Werken zusammengeführt wird, bevor überhaupt ein Modell existiert. Ein Retrieval-System kann einen direkteren kommerziellen Ersatz für einen Besuch schaffen. Ein Evaluationsset kann Auszüge aufbewahren, um ein System zu testen. Die Bezeichnungen sind keine moralischen Rangfolgen. Sie beschreiben Nutzungen, die unterschiedliche Fragen erfordern.

Die erste Frage ist meist der Zugang. Ist die sammelnde Stelle auf rechtmäßigem Weg an das Material gelangt? Die zweite betrifft die Rechtsgrundlage für die Handlungen, die das System ausführen möchte. Die dritte ist, ob der Rechteinhaber einen Vorbehalt geäußert hat, wo die anwendbare Regelung dies zulässt. Die vierte ist, ob eine separate Lizenz oder ein separater Vertrag Erlaubnis, Bedingungen oder Grenzen vorgibt. Eine fünfte Frage, die oft zu spät kommt, ist operativer Natur: Kann die Organisation nachweisen, was sie gesehen hat und warum sie vorgegangen ist?

Die Richtlinie (EU) 2019/790 behandelt Text- und Data-Mining nicht als eine einzige, grenzenlose Erlaubnis. Artikel 3 sieht eine zwingende Ausnahme für Forschungseinrichtungen und Einrichtungen des Kulturerbes vor, die Vervielfältigungen und Entnahmen für wissenschaftliche Forschung vornehmen, sofern sie rechtmäßigen Zugang haben. Artikel 4 betrifft Text- und Data-Mining für andere Zwecke, ebenfalls bei rechtmäßigem Zugang, es sei denn, der Rechteinhaber hat die betreffenden Rechte in geeigneter Weise vorbehalten. Für online öffentlich zugängliche Inhalte sieht die Richtlinie vor, dass der Vorbehalt maschinenlesbar ausgedrückt werden kann, auch durch Metadaten und Nutzungsbedingungen.

Diese Unterscheidung ist keine nebensächliche Formulierungssache. Sie bedeutet, dass eine öffentliche Seite nicht ein einziges allgemeines Etikett namens nutzbar trägt. Die handelnde Person, der Zweck, der Zugangsweg, der Vorbehalt des Rechteinhabers und die konkreten Handlungen sind alle von Bedeutung. Ein sinnvolles Sammelsystem braucht daher mehr Vokabular als erlauben und blockieren. Es sollte in der Lage sein, Kandidat, Zugang beobachtet, Vorbehalt erkannt, Lizenz erforderlich, Lizenz erteilt, Zweck eingeschränkt, ungeklärt, abgelehnt und zurückgezogen zu erfassen. Das ist keine Bürokratie um ihrer selbst willen. Es ist die Mindestgrammatik, die nötig ist, wenn eine Quelle vollkommen sichtbar und dennoch für die vorgesehene Nutzung nicht verfügbar sein kann.

Die Studie des Amtes der Europäischen Union für geistiges Eigentum aus dem Jahr 2025 zu generativer KI und Urheberrecht beschreibt diese Landschaft als eine, in der sich Rechtevorbehalte und Lizenzierung parallel zu technischen Lösungen entwickeln. Ihre Schlussfolgerung ist nicht, dass ein fertiger Marktmechanismus entstanden ist. Sie ist fast das Gegenteil: Keine einzelne Lösung passt für jeden Rechteinhaber, jeden Modellanbieter und jede Art von Material. Genau deshalb muss ein ehrliches System Unterscheidungen bewahren, statt sie im Namen des Maßstabs auszulöschen.

Maßstab wird oft als Ausrede für Ungenauigkeit angeführt. Ein Modellanbieter mag sagen, er könne nicht Seite für Seite verhandeln. Ein kleiner Verlag mag sagen, er könne nicht jede automatisierte Anfrage prüfen. Beide Aussagen können wahr sein. Sie beseitigen nicht die Notwendigkeit einer funktionsfähigen Schnittstelle zwischen beiden. Sie erklären, warum maschinenlesbare Signale, Standardlizenzen, Quellenfamilien-Aufzeichnungen und kollektive Vereinbarungen interessant sind. Die Antwort auf ein großes Problem ist nicht unbedingt ein großes Treffen. Es kann ein verlässlicher Weg sein, eine Grenze zu benennen, und ein verlässlicher Weg, sie zu empfangen.

Ein Quellenweg ist kein Tunnel zu einem Modell. Es ist eine Reihe von Entscheidungen, die nach der Erhebung sichtbar bleiben sollten.

Das Diagramm ist ein konzeptioneller Weg, keine rechtliche Entscheidungsmaschine. Eine grün wirkende Karte belegt nicht, dass eine Nutzung rechtmäßig ist. Es zeigt die Belege und das Urteil, die ein Team prüfen können sollte. Diese bescheidene Unterscheidung ist wertvoll. Die meiste vermeidbare Verwirrung beginnt, wenn eine betriebliche Tatsache mit einer rechtlichen Schlussfolgerung verwechselt wird oder wenn eine rechtliche Schlussfolgerung nicht auf die betrieblichen Tatsachen zurückgeführt werden kann.

Vorbehalte brauchen eine Sprache, die Maschinen tragen können

Ein Opt-out wird oft als ein Knopf beschrieben: Der Rechteinhaber sagt Nein, der Crawler stoppt. Die tatsächliche Arbeit ist weniger filmreif. Ein Vorbehalt muss irgendwo ausgedrückt, von einem Sammler gefunden, dem betreffenden Werk oder Dienst zugeordnet, im richtigen Kontext interpretiert und als Beleg aufbewahrt werden. Er kann in Metadaten, in Geschäftsbedingungen, in einer veröffentlichten Richtlinie oder in einem Protokoll stehen, das ein Sammler versteht. Er kann für eine Website, einen Katalog, einen Feed, eine Datenbank oder eine definierte Gruppe von Werken gelten. Er kann sich im Laufe der Zeit ändern.

Der Verweis der Richtlinie auf maschinenlesbar ist wichtig, denn ein Vorbehalt, der am Ort der Erhebung nicht gefunden werden kann, kann eine Erhebungsentscheidung nicht zuverlässig ändern. Aber maschinenlesbar bedeutet nicht unfehlbar, selbsterklärend oder rechtlich vollständig. Ein Parser kann eine Anweisung mit einem unbekannten Wert finden. Ein Rechteinhaber kann eine Richtlinie veröffentlichen, die auf einen Lizenzkontakt verweist und nicht auf eine vollständige Ablehnung. Eine Quelle kann über ein Abonnement mit eigenen Bedingungen verfügbar sein. Ein System kann überhaupt kein erkennbares Signal sehen. Das Fehlen eines Signals ist eine Beobachtung, kein pauschaler Erlaubnisschein.

Darin steckt eine ziemlich niederländische Lektion. Ein Schild, das sagt, dass die Brücke gesperrt ist, wird nicht dadurch verbessert, dass ein Lieferfahrer behauptet, seine Karte habe das Schild nicht gelesen. Noch ist jede gesperrte Brücke ein Verbot, die Provinz zu betreten. Die Frage ist, ob das Schild für den betreffenden Weg lesbar ist, ob der Weg eine sinnvolle Alternative hat und ob jemand aufgezeichnet hat, was passiert ist. Es geht nicht darum, das Web in ein Kanalsystem zu verwandeln. Es geht darum, zu verhindern, dass eine Grenze verschwindet, weil es unbequem war, sie zu modellieren.

Die Konsultation der Kommission zu Protokollen für die Vorbehaltung von Rechten aus Text- und Data-Mining macht diese Umsetzungslücke deutlich. Sie verweist auf die Verpflichtung aus dem GPAI-Verhaltenskodex, wonach Unterzeichner geeignete maschinenlesbare Protokolle von Rechteinhabern identifizieren und einhalten müssen, sowie auf die Verpflichtung, robots.txt und spätere IETF-Versionen des Standards zu respektieren. Die Konsultation selbst ist kein endgültiges Protokoll. Sie ist ein Beleg dafür, dass die Parteien eine klarere technische Sprache für eine rechtliche Entscheidung benötigen, die durch automatisierte Systeme wandern muss.

Robots.txt hat in dieser Diskussion eine nützliche, aber begrenzte Rolle. Es ist eine seit langem bestehende Webkonvention für das Verhalten von Crawlern. Es kann vermitteln, dass ein Verlag nicht möchte, dass ein bestimmter automatisierter Agent oder Pfad gecrawlt wird. Die Behandlung im GPAI-Kodex verleiht ihm praktische Bedeutung für die Erfassungssysteme der Unterzeichner. Aber robots.txt ist kein universelles Rechteregister, und eine Crawler-Anweisung klärt nicht jede Frage zu Urheberrecht, Vertrag oder Datenbankschutz. Die Vermischung der Ebenen führt zu zwei schlechten Ergebnissen. Eine Seite nimmt an, dass robots.txt die vollständige rechtliche Antwort ist. Die andere behandelt es lediglich als optionale Höflichkeit. Keine der beiden Positionen schafft eine stabile Beziehung.

Ein Erfassungssystem sollte die Signale getrennt halten. Technische Crawler-Anweisung: Was sagte die robots-Datei zum jeweiligen Zeitpunkt? Rechtevorbehalt: Welche maschinenlesbare oder veröffentlichte Erklärung hat die Quelle bereitgestellt? Zugangsbedingung: War der Weg offen, authentifiziert, abonniert oder im Rahmen einer Vereinbarung bereitgestellt? Lizenz: Welche Rechte wurden für welchen Zweck und welchen Zeitraum gewährt? Interne Richtlinie: Was hat die Organisation beschlossen zu tun, wenn das Bild unklar blieb? Die Felder können miteinander verbunden sein, aber sie sind nicht austauschbar.

Diese Trennung macht auch die Fehlerbehandlung menschlicher. Ein Erfasser kann melden, dass er ein Signal gesehen hat, das er nicht interpretieren kann, anstatt das Signal stillschweigend als irrelevant zu behandeln. Ein Rechteinhaber kann feststellen, dass sein bevorzugter Marker nicht unterstützt wird, und einen anderen Kanal wählen. Ein Anbieter kann einen Parser verbessern, ohne die Geschichte umzuschreiben. Ein späterer Prüfer kann sehen, ob eine Quelle aufgenommen wurde, weil eine Lizenz existierte, weil eine Ausnahme geprüft wurde oder weil eine Richtlinienentscheidung unter angegebener Unsicherheit getroffen wurde. Die Alternative ist ein einziges undurchsichtiges Feld, das erfasst sagt.

Lizenzierung ist nicht das Gegenteil von Innovation

Es besteht eine hartnäckige Gewohnheit, Lizenzen als Reibung und Modelle als Fortschritt zu beschreiben. Das ist ein irreführender Gegensatz. Eine Lizenz kann eine Einschränkung sein, aber sie kann auch eine Schnittstelle sein: eine Möglichkeit zu sagen, welches Material verfügbar ist, für welche Nutzung, zu welchem Preis, mit welcher Namensnennung, Berichterstattung, Ausschluss- oder Verlängerungsbedingung. Die Qualität dieser Schnittstelle bestimmt, ob kleinere Rechteinhaber und kleinere Modellanbieter überhaupt teilnehmen können.

Der Verband der Europäischen Verleger hat argumentiert, dass Rechteinhaber Transparenz über Daten benötigen, die zum Trainieren von KI verwendet werden, und darüber, wo sie geerntet wurden, während er gleichzeitig anerkennt, dass Verlage KI in ihrer eigenen Arbeit nutzen können. Das ist eine Branchenposition, kein neutraler Beweis für die richtige rechtliche Antwort in jedem Fall. Sie stellt dennoch einen praktischen Punkt dar, den Modellanbieter ernst nehmen sollten: Ein Verlag kann sowohl ein Nutzer von KI als auch ein Rechteinhaber sein, dessen Material Bedingungen benötigt. Die Wahl besteht nicht zwischen Literatur und Technologie oder zwischen Kreativen und Ingenieurwesen. Die Wahl ist, ob der Austausch eine lesbare Grundlage hat.

The Publishers Association's 2026 account of the UK publishing and AI licensing market provides a more specific view. It describes existing text and data mining licences, later AI-training licences and growing retrieval-augmented-generation licensing, and it reports work towards a collective licence with opt-in for rightsholders. The United Kingdom is outside the EU legal order, so this is not evidence of what the DSM Directive requires. It is useful evidence of a nearby European rights market attempting to make training and retrieval permissions more practical than a private negotiation between a handful of very large organisations.

Collective arrangements are worth watching because the web is not made only by companies with a legal department and an account manager. A small specialist publisher, a learned society, a regional newspaper, a photographer's archive or an independent author may have valuable material and very little capacity to negotiate bespoke terms with every potential model provider. A standard opt-in, a collective licence or a trusted intermediary cannot resolve every valuation question. It can make the first conversation possible.

Model providers also have a reason to prefer clarity. A negotiated route can supply material with an identified provenance, a defined scope and an accountable contact. It may cost money. So does cleaning a dataset, investigating a disputed source, defending a position that has no records, or replacing a source late in development. A licence does not guarantee that the material is suitable, accurate or representative. It makes a different contribution: it turns permission from an assumption into an expressed condition.

Compensation is not a magic word either. There is no single fair tariff for every work and every use. Training, retrieval, evaluation, internal analysis, model improvement and publication can create different commercial relationships. A licence might be per work, per collection, per volume, per period, per deployment, per user, per model family or negotiated on another basis. It may include an attribution duty, a reporting duty, a right to audit, a withdrawal mechanism or no continuing access at all. A useful system does not pretend these terms are universally simple. It makes them legible enough to apply.

The important shift is from a culture of extraction to a culture of terms. That does not mean every dataset becomes a procurement exercise. It means that when a rightsholder chooses to reserve, license or offer material under conditions, the model provider has an operational way to receive that choice. When a provider wants to use high-quality, current, specialised material, it has a route to ask rather than merely a route to copy. There is considerable room between indiscriminate crawling and a world in which only the largest firms can negotiate.

Provenance is the receipt, not the permission

Provenance is sometimes sold as a cure for copyright uncertainty. It is not. A source record can show where material came from and what somebody believed at a given time. It cannot make an unavailable work available. A hash can establish that two files are identical without explaining whether either was lawfully copied. A beautifully maintained ledger can document a bad decision with impressive precision.

That limitation is exactly why provenance is useful. It separates evidence from wishful thinking. If a model provider stores the source URL, the source identity, the collection time, the observed terms, the reservation evidence, the access route, the decision owner, the applicable licence or exception assessment, the dataset version and the downstream purpose, a reviewer can ask a meaningful question. If the provider stores only an extracted text fragment and a date, the reviewer is left with archaeology.

Gute Provenienz braucht Zeit. Eine Seite kann sich ändern. Ein Herausgeber kann Bedingungen überarbeiten. Eine Quelle kann entfernt, hinter ein Abonnement verschoben, verkauft, korrigiert oder ersetzt werden. Eine Lizenz kann ablaufen. Ein Opt-out-Protokoll kann aktualisiert werden. Ein Modellanbieter kann einen Fehler in einer früheren Sammlungsentscheidung entdecken. Der Datensatz sollte den früheren Zustand nicht mit dem aktuellen überschreiben. Er sollte die frühere Beobachtung bewahren, die spätere Änderung kennzeichnen und festhalten, was die Organisation als Nächstes getan hat.

Dies ist besonders wichtig, wenn es um Entfernung oder Rückzug geht. Eine Seite aus einer Live-Crawler-Warteschlange zu entfernen ist nicht dasselbe wie sie aus jedem Zwischenspeicher, abgeleiteten Datensatz, Fine-Tuning-Lauf, Auswertungssatz, Abrufindex und veröffentlichten Modell zu entfernen. Die ehrliche Antwort ist nicht, sofortiges Löschen aus jedem technischen Artefakt zu versprechen. Es geht darum, die Wege, Grenzen und Überprüfungspunkte zu definieren, bevor man sie verspricht. Ein Rechteinhaber verdient eine Kontaktstelle, die den Prozess erklären kann. Ein Modellanbieter braucht eine Möglichkeit zu identifizieren, welche Artefakte betroffen sind. Beide brauchen einen Datensatz, der eine eingegangene Anfrage von einer gelösten Anfrage unterscheidet.

Artikel 53 der KI-Verordnung gibt der Provenienz einen Nachbarn aus der öffentlichen Politik. Er verlangt von Anbietern allgemeiner KI-Modelle, eine Politik zur Einhaltung des Unionsrechts zum Urheberrecht einzurichten und eine ausreichend detaillierte Zusammenfassung der für das Training verwendeten Inhalte öffentlich zugänglich zu machen. Die öffentliche Zusammenfassung muss nicht jedes Element eines Datensatzes offenlegen, und die Verordnung enthält Grenzen für Vertraulichkeit und Geschäftsgeheimnisse. Aber die Richtung ist klar: Ein Modellanbieter sollte in der Lage sein, Trainingsinhalte auf eine Weise zu beschreiben, die aussagekräftiger ist als „vertrauen Sie uns“, während er für die zuständigen Behörden und nachgelagerten Anbieter eine umfassendere Dokumentation behält.

Diese Aufteilung der Zielgruppen ist sinnvoll. Ein öffentlicher Leser muss Quellenkategorien, Sammlungs- und Kuratierungsentscheidungen, relevante Einschränkungen und Kontaktwege verstehen. Ein Rechteinhaber mit einer konkreten Frage benötigt möglicherweise einen Prozess, der eine spezifischere Anfrage bearbeiten kann. Eine Regulierungsbehörde benötigt möglicherweise Dokumentation, die nicht sinnvoll auf einer öffentlichen Seite veröffentlicht werden kann. Der Fehler besteht darin, diese Ebenen als Ausreden zu behandeln, nichts zu sagen, oder eine öffentliche Zusammenfassung als Beweis dafür zu behandeln, dass jede Entscheidung auf Quellenebene geklärt wurde. Transparenz ist eine Informationsarchitektur, keine Pressemitteilung.

Provenienz erzeugt keine Erlaubnis. Sie hält die Beweise, den Umfang und spätere Änderungen mit dem Werk verbunden, das sie benötigt.

Hier gibt es eine nützliche Disziplin für Ingenieure. Die Aufzeichnung soll Unsicherheit tragen. Ist der Status einer Quelle ungeklärt, speichere man ungeklärt. Deckt eine Lizenz das Abrufen, aber nicht das Training ab, bezeichne man sie nicht pauschal als lizenziert. Änderte sich eine Richtlinie nach der Erhebung, lege man nicht nahe, die frühere Entscheidung sei unter der späteren Richtlinie getroffen worden. Ein Datensatz wird nicht vertrauenswürdiger durch die Zuversicht seiner Kennzeichnungen. Er wird besser steuerbar, wenn seine Kennzeichnungen bewahren, was bekannt, unbekannt und bedingt ist.

Die Verhandlung muss den Ausstieg einschließen

Ein Großteil der Debatte dreht sich um die Zulassung: Darf der Crawler diese Quelle heute abrufen? Doch eine Beziehung zu Trainingsdaten braucht auch einen Ausstieg. Eine Lizenz erreicht ihr Enddatum. Ein Rechteinhaber ändert einen Vorbehalt. Ein Verlag findet einen Fehler in einem Zuordnungsdatensatz. Ein Anbieter ändert seinen Plan zur Modellentwicklung. Eine Quelle wird ungeeignet, weil ihre Herkunft nicht mehr rekonstruiert werden kann. Eine Beschwerde trifft ein. Das sind gewöhnliche Lebenszyklusereignisse, kein Beleg dafür, dass sich jemand falsch verhalten hat.

Die entscheidende Frage ist, ob das System weiß, was zu tun ist, wenn sie eintreten. Eine Quellenrichtlinie sollte festlegen, wer eine Mitteilung erhält, wer über ihren Umfang entscheidet, wer neue Nutzung aussetzen kann, wer betroffene Datensätze nachverfolgen kann, wer mit dem Rechteinhaber kommuniziert und was die Organisation an einem veröffentlichten Artefakt realistisch ändern kann und was nicht. Der Arbeitsablauf muss konkret genug sein, um getestet zu werden. Zu sagen, dass Anliegen ernst genommen werden, ist ein höflicher Satz. Es ist kein Prozess.

Europäische Diskussionen über Modell-Governance kehren gern zur Dokumentation zurück, weil die Dokumentation der Ort ist, an dem ein System sein eigenes Gedächtnis erklärt. Hier gilt dasselbe. Ein Beschwerdeweg braucht eine Kennung. Eine Überprüfung braucht eine dokumentierte Entscheidung. Eine Entfernungsanfrage braucht eine klare Grenze. Eine Quellenänderung braucht eine Versionshistorie. Eine Modellveröffentlichung muss mit den zugehörigen Trainings- und Kuratierungsaufzeichnungen verbunden sein. Ohne das verlässt sich selbst eine aufrichtige Organisation irgendwann auf Erinnerung, und Erinnerung skaliert nach ein paar Personalwechseln und drei Speichermigrationen nicht besonders gut.

Es gibt auch einen kommerziellen Grund, den Ausstieg früh zu bauen. Ein Anbieter, der eine Quellenfamilie isolieren und ihre nachgelagerten Nutzungen verstehen kann, hat mehr Optionen, wenn sich Bedingungen ändern. Er kann die künftige Erhebung stoppen, die Familie aus einem geplanten Datensatz entfernen, lizenziertes Material ersetzen, eine Veröffentlichung aussetzen oder erklären, warum eine angeforderte Abhilfe ein Artefakt erreicht, ein anderes aber nicht. Ein Anbieter ohne diese Verbindungen ist zu pauschalen Aussagen gezwungen, weil er keine präzise Antwort geben kann. Pauschale Aussagen befriedigen selten eine der beiden Seiten.

Auch Rechteinhaber haben Verantwortung in dieser Beziehung, auch wenn sie nicht identisch mit der Verantwortung der Anbieter ist. Ein Vorbehalt, der in klarer, stabiler, maschinenlesbarer Form veröffentlicht wird, ist leichter zu respektieren als eine Grenze, die in einem Absatz versteckt ist, den kein Erhebungssystem erkennen kann. Ein Lizenzkontakt, der den verfügbaren Weg erklären kann, senkt die Kosten einer rechtmäßigen Vereinbarung. Eine Änderungsmitteilung, die die Historie bewahrt, verhindert, dass ein vernünftiger Sammler nach Informationen beurteilt wird, die damals nicht verfügbar waren. Die Last sollte nicht vollständig auf Verlage abgewälzt werden, insbesondere nicht auf kleinere. Es ist schlicht wahr, dass eine Schnittstelle besser funktioniert, wenn beide Enden sprechen können.

Die laufende Arbeit der Kommission an Vorbehaltsprotokollen ist daher keine obskure Standardsdebatte. Es geht darum, ob das Web eine Wahl in dem Maßstab ausdrücken kann, in dem Modelle Material sammeln. Gute Standards werden die Bewertung nicht klären, nicht jede Rechtsfrage leicht machen oder böswilliges Verhalten beseitigen. Sie können eine Klasse vermeidbarer Mehrdeutigkeit verringern. Das ist ein bescheidener Anspruch, und im Web überleben bescheidene Ansprüche gewöhnlich den Kontakt mit der Realität.

Was ein verantwortungsvoller Sammler sagen können sollte

Ein verantwortungsvoller Sammler muss nicht dafür sorgen, dass in jeder Protokollzeile ein rechtlicher Hinweis erscheint. Er muss aber mehrere praktische Aussagen wahr machen können. Er sollte sagen können, welchem Zweck eine Sammlung gedient hat. Er sollte Quelle und Version benennen können, die er berücksichtigt hat. Er sollte den Zugriffsweg und die beobachteten Signale aufzeigen können. Er sollte die Regel, die Lizenz oder die ungeklärte Frage benennen können, die für die Entscheidung maßgeblich war. Er sollte eine zugelassene Quelle mit dem Datensatz oder System verbinden können, das sie aufgenommen hat. Er sollte erklären können, wie er mit Änderungen und Bedenken umgeht.

Diese Aussagen legen ein Design nahe, keine Checkliste. Beginnen Sie mit einem Quellenvertrag. Der Vertrag benennt die Quellenfamilie, den vorgesehenen Verwendungszweck, zugelassene Zugriffswege, technische Grenzen, bekannte Rechtssignale, erforderliche Nachweise und eine verantwortliche Person. Es ist kein Vertrag im rechtlichen Sinne, es sei denn, die Beteiligten haben ihn dazu gemacht. Es ist ein operativer Vertrag innerhalb der Organisation: eine Aufzeichnung darüber, was das Sammelsystem tun darf und warum.

Halten Sie Entscheidungspunkte dann nahe an den Handlungen, die zählen. Rufen Sie nicht erst ab und suchen Sie nach Einschränkungen, nachdem das Material durch mehrere Warteschlangen kopiert wurde. Erlauben Sie nicht, dass ein Datensatz von der Forschungsevaluierung zum kommerziellen Modelltraining wechselt, nur weil die Bytes für beide Aufgaben passen. Transformieren Sie ein Lizenzfeld nicht in einen generischen Wahrheitswert, weil der tatsächliche Umfang unbequem ist. Und behandeln Sie eine Aufforderung zum Stopp nicht als Support-Ticket ohne Bezug zum Quelleneintrag.

Wenn ein Sammler ein Signal nicht verstehen kann, sollte er das sagen. Wo eine menschliche Prüfung nötig ist, sollte das System die Unterbrechung sichtbar machen. Wo eine Lizenz vorliegt, sollten sich der kommerzielle und der technische Weg treffen: Die Vereinbarung muss in einer Form abgebildet sein, die verändert, was der Sammler tun kann. Ein PDF in einem Rechtsordner verhindert nicht, dass eine Pipeline um drei Uhr morgens das Falsche tut. Die Pipeline braucht einen durchsetzbaren Zustand.

Bei Dweve ist der kleine Teil dieses Arguments, der direkt uns betrifft, im Trainingsinhaltsmaterial in unserem Trust Centre sichtbar. Der veröffentlichte Eintrag besagt, dass sein Quellenfamilienkatalog kein pauschaler Berechtigungsanspruch ist und dass Entscheidungen zu Element, Version, Lizenz, Zuschreibung, Zweck, Rückzug und Nachweis in einem Spindle-Ledger gesteuert werden. Das ist eine Beschreibung unseres dargelegten Prozesses, kein Anspruch darauf, dass ein Eintrag Urheberrechtsfragen von selbst löst. Winnows Rolle in diesem Bild ist Quellenintelligenz und wiederholbare, prüfbare Quellenprozesse. Der breitere Punkt betrifft nicht unsere Produkte. Er lautet, dass Sammeln verantwortungsvoller wird, wenn der Quellenweg als Nachweis behandelt wird und nicht als Hintergrundrauschen.

Diese Art von Produktarbeit taucht in einer Modelldemo selten auf. Niemand applaudiert einem Feld namens observed-terms-version. Aber solche Felder entscheiden, ob ein Team eine vernünftige Frage beantworten kann, ohne eine interne Ausgrabung durchzuführen. Die Zukunft der Modell-Governance wird viel beeindruckende Mathematik enthalten. Sie wird auch sorgfältigere Aufzeichnungen enthalten, als die Branche einst für modisch hielt.

Die Arbeit ist Governance, keine Crawler-Einstellung

Es ist verlockend, daraus einen technischen Streit zu machen. Die richtige Anweisung in eine Datei legen, den User-Agent aktualisieren, einen Parser einschalten, einen Parser ausschalten. Diese Dinge zählen, aber sie sind nur die sichtbare Spitze eines Governance-Problems. Ein Crawler tut, was die Organisation entschieden hat, dass er tun darf. Wenn die Organisation keine klare Zweckgrenze, kein Lizenzregister, keinen Quellenverantwortlichen, keinen Prüfweg und keine Datensatzherkunft hat, wird technischer Gehorsam inkonsistent sein, selbst wenn jeder einzelne Ingenieur sich Mühe gibt, vorsichtig zu sein.

Beginnen Sie mit dem Zweck, denn der Zweck verändert die Frage. Ein Modellanbieter, der Material für ein eng umrissenes, offengelegtes Forschungsexperiment sammelt, befindet sich nicht zwangsläufig in derselben Lage wie einer, der Material für ein kommerzielles Allzweckmodell sammelt. Ein Anbieter, der eine Lizenz für den Abruf anstrebt, benötigt möglicherweise eine andere Vereinbarung als einer, der ein Modell trainieren möchte. Ein Archiv im öffentlichen Interesse kann ein anderes Mandat und einen anderen rechtlichen Weg haben als ein Produktteam, das eine Antwortmaschine baut. Diese Unterschiede sollten nicht dazu dienen, Verpflichtungen zu verschleiern. Sie sind der Grund, warum ein einziges universelles Statusfeld nicht die Wahrheit sagen kann.

Machen Sie dann das Eigentum sichtbar. Jemand sollte die Quellenrichtlinie besitzen. Jemand sollte den technischen Sammler besitzen. Jemand sollte die Lizenzbedingungen und die Entscheidung, eine Quellenfamilie zuzulassen, besitzen. Jemand sollte die Antwort auf eine Anfrage von Rechteinhabern besitzen. Dieselbe Person muss nicht jede Rolle übernehmen, und ein kleines Team kann sie kombinieren. Entscheidend ist, dass die Verantwortlichkeit auffindbar ist, bevor aus einer Frage ein Streit wird. Ein allgemeines Postfach ist nicht ganz ein Eigentümer. Es ist ein Ort, an dem Eigentum möglicherweise oder auch nicht irgendwann gefunden wird.

Datenverwaltung muss auch der Modellverwaltung gerecht werden. Eine Quellenentscheidung, die in einem Websammlungswerkzeug verbleibt, während das Training anderswo stattfindet, ist von Natur aus schwach. Das Trainingsteam muss wissen, welche Quellengruppen im Rahmen liegen. Der Datensatzersteller muss Ausschlüsse und Bedingungen bewahren. Der Freigabeprozess muss wissen, ob eine wesentliche Änderung der Quellenrichtlinie eine Überprüfung erfordert. Der Prozess der öffentlichen Zusammenfassung benötigt einen vertretbaren Bericht über die Kategorien der Trainingsinhalte. Niemand muss die gesamte Geschichte im Kopf tragen. Das System benötigt jedoch einen Weg, über den die Geschichte abgerufen werden kann.

Hier hilft eine sorgfältige Unterscheidung zwischen Richtlinie und Durchsetzung. Eine Urheberrechtsrichtlinie legt fest, was die Organisation zu tun beabsichtigt und welche Standards sie befolgen wird. Durchsetzung ist die Reihe technischer und verfahrenstechnischer Kontrollen, die eine gegenteilige Handlung erschweren: Aufnahmetore, Quellenaufzeichnungen, Crawler-Konfiguration, Zugriffskontrollen, Vertragsprüfungen, Datensatzmanifeste, Versionierung, Überprüfung und Eskalation. Eine Richtlinie ohne Durchsetzung ist eine Absichtserklärung. Durchsetzung ohne Richtlinie kann zu einer effizienten Methode werden, Regeln auszuführen, die niemand durchdacht hat. Der Fokus des KI-Gesetzes auf eine Urheberrechtsrichtlinie ist gerade deshalb wertvoll, weil es einen Anbieter dazu verpflichtet, die rechtliche Absicht mit seiner betrieblichen Praxis zu verbinden.

Es gibt keinen Grund, daraus eine geheime interne Zeremonie zu machen. Eine öffentliche Richtlinie kann den Umfang, den Ansatz zu Rechtevorbehalten, die Arten der verwendeten Sammelwege, den Kontaktweg und die Grenzen eines öffentlichen Kontos darlegen. Sie sollte keine Gewissheit versprechen, wo das Gesetz oder die Beweislage ungeklärt bleibt. Sie sollte sagen, was sie tut, wenn ein Signal mehrdeutig ist, was sie tut, wenn ein Rechteinhaber sie kontaktiert, und was sie überprüfen kann, nachdem eine Quelle bereits ein System durchlaufen hat. Eine zurückhaltende Richtlinie ist glaubwürdiger als eine großartige. Der größte Teil der Arbeit geschieht nach der Veröffentlichung der Richtlinie, in der unglamourösen Frage, ob der Datensatz und die Pipeline übereinstimmen.

Die Beschaffung verdient dieselbe Aufmerksamkeit. Wenn eine Organisation ein Modell, einen Datendienst oder ein Abrufprodukt kauft, sollte sie mehr fragen, als ob der Lieferant eine Urheberrechtserklärung auf seiner Website hat. Welche Quellenkategorien wurden verwendet? Wie werden Rechtevorbehalte behandelt? Welche Dokumentation ist für nachgelagerte Anbieter verfügbar? Kann der Lieferant seine öffentliche Zusammenfassung der Trainingsinhalte erläutern? Was passiert, wenn eine Inhaltsquelle bestritten, korrigiert oder zurückgezogen wird? Welche Partei soll ermitteln? Dies sind keine Fragen, die ein Kunde stellt, um Urheberrechtsanwalt zu werden. Es sind gewöhnliche Fragen zu Abhängigkeit und Beweisen.

The answers may be incomplete, especially in a fast-moving field. Incomplete answers should be labelled as such, with an owner and a route to improve them. The dangerous answer is often the smooth one: all content is public, all training is fair, all records are confidential, all concerns are handled. Each phrase hides the very distinctions that a responsible negotiation needs. A more useful answer names the scope, the rule, the evidence, the limitation and the next review point.

Public authorities have a particular reason to ask these questions. They can influence the market through procurement long before a court or regulator resolves every difficult issue. A tender can require a provider to describe its approach to training data, reservations, licences, provenance and complaints. It can require a record of material changes. It can distinguish a statement of policy from evidence of implementation. It can set proportionate conditions without insisting that the buyer possesses a complete theory of every copyright question in Europe. Procurement is not a substitute for law. It is one of the places where law becomes an operational expectation.

That is the wider lesson. The negotiation is not merely between a publisher and a crawler. It also involves the people who configure collection, create standards, procure models, manage licences, build datasets, publish model documentation, operate complaint routes and decide whether a model can be placed on the market. A training-data relationship becomes less extractive when those people can see the same evidence and work with the same boundaries. The alternative is not simplicity. It is a chain of separate assumptions that eventually meets a rightsholder at the worst possible moment.

Public does not mean ownerless

The public web should remain public. That means it should remain possible to read, link, quote within the law, research, index, criticise, preserve and build new services. A web made of permission pop-ups for every ordinary act would not be open in any useful sense. But openness is not the same thing as ownerlessness, and visibility is not an all-purpose transfer of rights.

The negotiations now forming around training data are an opportunity to make that distinction practical. A rightsholder should be able to reserve a use in a form a responsible collector can receive. A model provider should be able to obtain high-quality material through terms that can be implemented and audited. Small organisations should not be excluded because only the largest parties can afford bespoke agreements. Public authorities should be able to see enough about model-training content and copyright policy to ask intelligent questions. And when a dispute or change occurs, both sides should have a route that begins with evidence rather than theatre.

There will still be hard cases. The law will still need interpretation. Some rights conflicts will not be fixed by a standard, and some commercial negotiations will remain unequal. A provenance ledger will not make a poor bargain fair. A technical marker will not make a right meaningful if a collector deliberately ignores it. The aim is not a frictionless web. Frictionless often means that somebody else's cost has been hidden.

The better aim is an inspectable web. One in which an automated request can carry a declared purpose, a published boundary can survive contact with a collection system, a licence can become an operational rule, and a model provider can account for the route that brought material into its work. That is a less romantic vision than a machine reading everything ever written. It is also more likely to leave publishers, creators, researchers and model builders with a web worth negotiating over.

Sources