Urherechtsbasierte Trainingsdaten-Zusammenfassung: Definition und rechtliche Bedeutung (AI Act / Data Act)

Art. 53 Abs. 1 lit. d verpflichtet GPAI-Anbieter, eine „öffentlich zugängliche Zusammenfassung über den Inhalt der für die Trainierung verwendeten Daten" zu veröffentlichen. Die Kommission entwickelt eine Vorlage (Template) — bis zu deren Ausarbeitung müssen Anbieter dennoch eine eigene sinnvolle Zusammenfassung erstellen. Die Zusammenfassung muss zugänglich und verständlich sein (nicht übermäßig technisch), um Stakeholder (Urheber, Forscher, Aufsichtsbehörden, Öffentlichkeit) die Bewertung zu ermöglichen. Pflicht ab dem 2. August 2025. Zweck: Urheberrechtstransparenz, Bias-/Repräsentations-Diskussion, Forschungs-Zugang. Eine unzureichende Zusammenfassung ist ein AI-Act-Verstoß (bis 15 Mio. EUR / 3 % Umsatz, Art. 99 Abs. 4).

Die Zusammenfassung erfasst Datenkategorien und -quellen, nicht jedes einzelne Dokument. Konkreter Inhalt nach Kommissions-Vorlage (Stand 2026 in Entwicklung): Hauptdatenkategorien (Web-Scraping, Bücher, Code, Bilder, Audio, lizenzierte Datensätze); grobe Quellen (z. B. Common Crawl, GitHub, lizenzierte Archive); Processing-Schritte (Filterung, Deduplizierung); ungefähres Datenvolumen; Datensätze, die Rechtmäßigkeits- oder Bias-Fragen aufwerfen. Abgrenzung zur technischen Dokumentation (Anhang XI): diese ist detaillierter, aber nicht öffentlich. Abgrenzung zu Downstream-Informationen: diese sind für Downstream-Anbieter bestimmt. Die Zusammenfassung ist das „öffentliche Gesicht" der Trainingsdaten-Transparenz — sie kann jedoch geschäftssensible Details (spezifische Vertragspartner, proprietäre Datensätze) aggregiert darstellen.

Die Trainingsdaten-Zusammenfassung ist Teil der urheberrechtlichen Pflichten des GPAI-Anbieters (Art. 53 Abs. 1 lit. c+d): Einhaltung des Unionsurheberrechts, insbesondere der DSM-Richtlinie Text-and-Data-Mining (TDM). Nach Art. 3/4 RL 2019/790: TDM an Werken erlaubt für Forschungseinrichtungen (Art. 3) und kommerziell (Art. 4), außer Rechte-Inhaber haben ein Opt-out erklärt (machine-readable, z. B. robots.txt, Meta-Tags, TDMRepK). GPAI-Anbieter müssen Opt-outs respektieren und in der Zusammenfassung dokumentieren, wie sie dies getan haben. Streitig: in welchem Umfang historische Opt-outs greifen, ob aus dem Training generierte Inhalte Urheberrechtsverletzungen sein können, Urhebervergütungsmodelle. Die Praxis ist im Fluss; mehrere Klagen in den USA/EU (NYT vs. OpenAI, Getty Images, etc.) prägen die Debatte. Eine konservative, dokumentierte Trainingsdaten-Strategie schützt.