Generative KI entsteht nicht nur aus Prompts. Viele Unternehmen, Agenturen und SaaS-Teams wollen öffentliche Websites auswerten, um Modelle zu trainieren, ein bestehendes Modell nachzuschärfen oder Wissensbestände aufzubauen. Das klingt technisch: ein Crawler ruft Seiten ab, ein Parser strukturiert Inhalte, ein Datensatz landet in der Pipeline. Sobald dabei personenbezogene Daten vorkommen können, wird Web Scraping für KI aber auch ein Datenschutz- und Governance-Thema.
Die europäischen Datenschutzaufsichtsbehörden haben im Juli 2026 neue Leitlinien zum Web Scraping im Kontext generativer KI zur öffentlichen Konsultation vorgelegt. Sie richten sich an private Stellen, die externe Internetquellen selbst automatisiert sammeln oder diese Aufgabe vergeben. Die Kernbotschaft für die Praxis: Öffentlich zugängliche Informationen sind nicht automatisch datenschutzrechtlich folgenlos. Unternehmen brauchen einen nachvollziehbaren Weg von der Datenquelle über die Rechtsgrundlage bis zu Transparenz, Schutzmaßnahmen und Löschung. Dieser Beitrag bietet eine praktische Orientierung und keine individuelle Rechtsberatung.
Web Scraping für KI: Worum geht es genau?
Beim Web Scraping werden Inhalte automatisiert von Websites abgerufen und für eine weitere Verarbeitung extrahiert. Dazu können Texte, Metadaten, Kommentare, Profilinformationen, Bilder oder Kontaktangaben gehören. Für KI-Projekte ist entscheidend, was danach passiert: Werden die Daten nur einmal ausgewertet? Dienen sie als Retrieval-Wissensbasis? Fließen sie in ein Fine-Tuning oder Training ein? Oder beauftragt ein Unternehmen einen Anbieter, der Datensätze beschafft?
Die EDPB-Leitlinien beziehen sich gerade auf das Scraping externer Internetquellen für das Training oder Fine-Tuning generativer KI. Das ist bewusst etwas anderes als der frühere Blickwinkel im Beitrag KI-Crawler steuern: robots.txt für Website-Inhalte richtig einordnen. Dort geht es vor allem um Betreiber, die den Zugriff auf die eigene Website gestalten. Hier geht es um die Organisation, die fremde öffentliche Quellen als KI-Datenbestand nutzen möchte. Beide Seiten brauchen klare Prozesse, aber sie beantworten unterschiedliche Fragen.
Der erste Schritt: Datenquellen nicht nur technisch inventarisieren
Ein Git-Repository mit einer Liste von Domains reicht nicht. Für jede Quelle sollte nachvollziehbar sein, wer sie ausgewählt hat, welche Inhalte abgerufen werden, nach welchen Kriterien gesammelt wird und wofür die Daten anschließend verwendet werden. Die EDPB empfiehlt eine Quelleninventur und ein Datenmapping. In einem kleinen Unternehmen kann das zunächst eine tabellarische Übersicht sein; bei einer wiederkehrenden Pipeline gehört sie in den regulären Freigabeprozess.
Praktische Felder sind: Domain oder URL-Muster, Abrufzeitraum, verantwortliches Team, Zweck, Datentypen, erwartete personenbezogene Daten, technische Filter, Speicherort, Empfänger und Löschtermin. Ergänzen Sie außerdem, ob die Quelle strukturell für personenbezogene Inhalte bekannt ist, ob Nutzungsbedingungen oder klare Zugangsbeschränkungen geprüft wurden und ob das Team einen deutlichen Widerspruch gegen automatisiertes Abrufen erkennen konnte. Eine robots.txt ist dabei ein relevantes technisches Signal, aber kein Ersatz für eine Datenschutzprüfung oder eine umfassende Rechteklärung.
Öffentlich heißt nicht automatisch: ohne DSGVO
Ein Firmenprofil, ein Fachartikel mit Autorennamen oder ein öffentlicher Kommentar können personenbezogene Daten enthalten. Das gilt auch dann, wenn die Seite ohne Login erreichbar war. Deshalb beginnt die Prüfung mit einer nüchternen Frage: Kann das Projekt Informationen über identifizierte oder identifizierbare natürliche Personen erfassen? Wenn ja, sind Zweck, Rechtsgrundlage und Rollen nach der DSGVO einzuordnen.
Die Rolle hängt vom konkreten Prozess ab. Wer selbst Quellen, Filter und Trainingszweck bestimmt, wird häufig als Verantwortlicher handeln. Wird ein Dienstleister eng nach dokumentierten Weisungen eingesetzt, kann eine Auftragsverarbeitung vorliegen. Bei gemeinsam festgelegten Zwecken und Mitteln sind auch gemeinsame Verantwortlichkeiten denkbar. Die EDPB betont diese Einzelfallbetrachtung. Eine Vertragsbezeichnung allein klärt die tatsächliche Verteilung der Entscheidungen nicht.
Für die Rechtsgrundlage genügt kein pauschaler Hinweis auf „KI“. Bei berechtigten Interessen müssen Unternehmen das Interesse, die Erforderlichkeit und die Interessenabwägung belastbar dokumentieren. Geht es um besondere Kategorien personenbezogener Daten, reicht die Prüfung von Artikel 6 DSGVO nicht aus; auch die zusätzliche Ausnahme nach Artikel 9 DSGVO muss tragfähig sein. Datenminimierung sollte daher bereits vor dem ersten Abruf greifen, nicht erst als nachträgliche Bereinigung eines riesigen Datensatzes.
Filter und Datenminimierung gehören vor die Trainingspipeline
Eine gute Scraping-Pipeline hat zwei Schutzstufen. Vor dem Sammeln begrenzen Regeln die Quellen und Abrufmuster: nur klar definierte Themenbereiche, nur benötigte Seitentypen, keine Nutzerprofile, keine Kommentarbereiche, keine Seiten mit erkennbar sensiblen Inhalten und keine Quellen mit eindeutigem Widerspruch gegen Scraping. Nach dem Sammeln folgen Qualitäts- und Datenschutzfilter: Dubletten entfernen, personenbezogene Felder erkennen, unpassende Inhalte ausschließen, gegebenenfalls anonymisieren oder pseudonymisieren und nicht benötigte Rohdaten löschen.
Diese Schutzmaßnahmen passen zu den TOMs für KI-Systeme im Unternehmen. Dort geht es um Zugriff, Protokollierung, Testdaten und Freigaben; beim Web Scraping kommt die Herkunft der Daten als zusätzliche Risikoschicht hinzu. Sinnvoll sind getrennte Umgebungen für Rohdaten und freigegebene Trainingsdaten, rollenbasierte Zugriffe, nachvollziehbare Prüfprotokolle und Stichproben vor jedem neuen Trainingslauf.
Transparenz: Artikel 14 DSGVO praktisch vorbereiten
Beim Scraping erhalten Unternehmen personenbezogene Daten typischerweise nicht direkt von den betroffenen Personen. Dadurch sind die Informationspflichten nach Artikel 14 DSGVO zentral. Die EDPB beschreibt, dass eine individuelle Information in bestimmten Massenszenarien unverhältnismäßig sein kann. Das ist aber keine pauschale Befreiung. Wer sich auf diese Ausnahme stützen möchte, muss die Voraussetzungen prüfen und geeignete Maßnahmen treffen, insbesondere Informationen öffentlich bereitstellen.
Eine gute öffentliche Information erklärt nicht nur, dass „Webdaten“ genutzt werden. Sie benennt verständlich den Zweck, die Rechtsgrundlage, Kategorien von Daten und Quellen, soweit möglich auch die Art des Crawlers und den Zeitraum der Sammlung. Praktisch hilfreich sind Domain- oder URL-Kategorien, ein Kontakt für Betroffenenrechte, Hinweise auf Lösch- oder Widerspruchsprozesse sowie ein nachvollziehbarer Verweis auf den verantwortlichen Bereich. Der Beitrag zu DSGVO-Transparenzpflichten auf der Website hilft bei der klaren Sprache, ersetzt aber nicht die projektbezogene Prüfung.
Der Datenschutz Generator kann die Dokumentation der eingesetzten Dienste und der Website-Verarbeitung strukturiert unterstützen. Für ein eigenes Scraping- und KI-Projekt sollte die Datenschutzerklärung jedoch nur das Ergebnis einer vorher gepflegten Verarbeitungsdokumentation sein. Erst wenn Quellen, Zwecke, Empfänger, Aufbewahrung und Rechteprozess bekannt sind, kann ein Text auch korrekt und verständlich beschrieben werden.
Lieferanten, Datensätze und Nachweise prüfen
Viele Teams beschaffen Trainingsdaten nicht selbst, sondern über Plattformen, Data Broker oder KI-Anbieter. Dann verschwindet die Verantwortung nicht. Prüfen Sie bei Beschaffung und Vertrag mindestens: Wer hat die Daten wann und aus welchen Quellen erhoben? Welche Filter wurden genutzt? Welche Datenkategorien sind enthalten? Wurden sensible Inhalte erkannt? Welche Rollen übernehmen Anbieter und Kunde? Gibt es Lösch-, Auskunfts- und Widerspruchsprozesse? Und welche Nachweise lassen sich für eine Prüfung exportieren?
Ein Datenblatt pro Dataset macht diese Fragen handhabbar. Es muss keine juristische Abhandlung sein. Wichtig ist die Verbindung zwischen Quelle, Verwendungszweck, Freigabe, technischen Schutzmaßnahmen und Laufzeit. Gerade wenn ein Dataset mehrfach in unterschiedlichen Modellen oder Kundenprojekten verwendet wird, verhindert diese Herkunftsdokumentation, dass alte Daten unbemerkt in neue Zwecke wandern.
Consent und Tracking sauber abgrenzen
Web Scraping und Cookie Consent sind nicht dasselbe. Für das automatisierte Abrufen externer öffentlicher Seiten lässt sich die DSGVO-Frage nicht durch ein Cookie-Banner des Scrapers lösen. Trotzdem treffen sich die Themen im eigenen Webauftritt: Wenn ein Unternehmen auf seiner Plattform Daten für KI-Projekte sammelt, Nutzerinteraktionen analysiert oder nicht notwendige Tracking- und Marketingdienste nutzt, müssen diese Verarbeitungsvorgänge klar getrennt werden.
Der Consent Manager hilft dabei, einwilligungspflichtige Dienste auf der eigenen Website steuerbar zu machen. Er ersetzt weder die Rechtsgrundlage für externe Datenquellen noch die Artikel-14-Information. Diese klare Trennung verhindert einen häufigen Fehler: Ein ordentliches Consent-Banner soll nicht den Eindruck erwecken, die gesamte KI-Datenkette sei damit bereits rechtlich eingeordnet.
Eine umsetzbare Checkliste für KMU und Agenturen
- KI-Zweck und Einsatzart festlegen: Recherche, Retrieval, Fine-Tuning oder Training.
- Für jede Quelle Domain, Abrufzeitraum, Verantwortliche, Datentypen und Verwendung dokumentieren.
- Vorab-Filter definieren: Seitentypen, Themen, sensible Bereiche, klare Zugangsbeschränkungen und offensichtliche Scraping-Ablehnung.
- Rechtsgrundlage und Rollenverteilung mit dem konkreten Prozess, nicht nur mit Verträgen, prüfen.
- Besondere Kategorien personenbezogener Daten als eigenen Risikofall behandeln.
- Nach dem Abruf Datenqualität, personenbezogene Felder, Dubletten und Löschfristen kontrollieren.
- Eine verständliche Artikel-14-Information mit Quellenbeschreibung, Kontakt und Rechteprozess vorbereiten.
- Bei Anbietern Dataset-Herkunft, Schutzmaßnahmen, Empfänger und exportierbare Nachweise abfragen.
- Trainingsdaten, Rohdaten und Produktionszugriffe technisch und organisatorisch trennen.
- Die Entscheidung bei neuen Quellen, neuen Modellzwecken oder neuen Dienstleistern erneut bewerten.
Fazit: Die Herkunft der KI-Daten ist Teil der Compliance
Für kleinere Unternehmen muss Web Scraping für KI kein unbeherrschbares Großprojekt sein. Entscheidend ist, nicht mit einer unklaren Datenmenge zu starten. Wer Quellen gezielt auswählt, personenbezogene und sensible Inhalte früh reduziert, Rechtsgrundlage und Rollen dokumentiert und Transparenz vorbereitet, schafft eine belastbare Grundlage für technische Entscheidungen. Das Business Paket ist eine passende Anlaufstelle, wenn Datenschutztexte, Consent und der organisatorische Umgang mit digitalen Pflichten zusammengeführt werden sollen.
Beginnen Sie mit einem einzigen Datenfluss: Quelle, Abruf, Filter, Speicherort, Zweck, Empfänger und Löschtermin. Diese sieben Punkte machen aus einem technisch schnellen Scraper einen Prozess, der auch Wochen später noch erklärbar ist.
