Wie KI von Daten lernt: Training erklärt inmitten der Scraping-Klausel-Kontroverse von Meta

Warum dies jetzt in den Nachrichten ist

Am 16. Oktober 2026 berichtete The Register, dass Metas überarbeitete kommerzielle Nutzungsbedingungen, die am 30. Oktober in Kraft treten, dem Unternehmen das Recht gewähren würden, automatisierte Software — in den Bedingungen als Web-Scraper, Bots, Roboter, Spiders, Crawler und User-Agenten beschrieben — zu nutzen, um auf die Websites von Geschäftskunden zuzugreifen, diese zu indexieren, zu cachen, zu analysieren, Inhalte zu sammeln, abzurufen oder zu durchsuchen. Diese Kunden umfassen jeden, der Facebook-Anzeigen schaltet, Produkte über Meta-Tools verkauft, eine Seite oder Gruppe für geschäftliche Zwecke verwaltet oder WhatsApp- und Messenger-KI-Agenten nutzt, eine Kategorie, die Meta zufolge etwa eine Million Unternehmen umfasst.

Die Bedingungen besagten, dass die gesammelten Inhalte für verschiedene Zwecke verwendet werden könnten, einschließlich des Bereitstellens, Entwickelns, Verbesserung, Erforschung, Training und Wartung von Metas Produkten. Der Präsident und CEO der News/Media Alliance, Danielle Coffey, nannte die Klausel "ungeheuerlich und wahrscheinlich illegal" und argumentierte, dass sie Meta es ermögliche, Geschäftskunden den Zugriff auf ihr Publikum zu verweigern, es sei denn, sie akzeptierten umfassende Datenerfassungsbedingungen, wie The Register berichtete. Der Jura-Professor der Santa Clara University, Eric Goldman, erhob Verfahrensbedenken gegen Metas Änderung bestehender Kundenbeziehungen ohne echte Opt-out-Option und verweist auf Metas Geschichte von Datenschutzstreitigkeiten.

Angesichts von Kritik überarbeitete Meta den Text. TechCrunch berichtete am 17. Oktober, dass das Unternehmen das Wort "train" aus der Liste der zulässigen Verwendungen entfernte und die genannten Zwecke auf Werbeprodukte und Geschäftsprodukte beschränkte, statt auf alle Meta-Produkte. Ein Meta-Sprecher sagte, die Crawling-Bedingungen würden nur für die Werbeprodukte und Geschäftsprodukte des Unternehmens gelten und dass die Änderung nicht ändere, wie Meta Web-Crawler einsetzt.

Auch nach der Bearbeitung sagten Rechtsexperten Reportern, dass die weitergehende Crawling-Berechtigung in Kraft blieb. Laut dem Bericht von mediacopilot.ai sagte der Professor an der Cornell Law School, James Grimmelmann, dass die Bedingungen Meta technisch erlauben könnten, Anmeldedaten zu registrieren, die mehr von einer Website sehen als ein anonymer Besucher würde, während der Anwalt von Loevy & Loevy, Matt Topic, sagte, dass das Material auf dem Spiel etwa Millionen von Dollar in einem Lizenzmarkt wert sein könnte. Der Wissenschaftler der University of Wisconsin, Benjamin Sobel, verglich die Anordnung mit dem kartellrechtlichen Konzept des Kopplungsverkaufs, da die Nutzung von Metas Geschäfts-Tools die Akzeptanz der Datenbedingungen erfordern würde.

Wie KI-Modelle tatsächlich von Daten lernen

Unabhängig von der Meta-Kontroverse sind die zugrunde liegenden Mechaniken des KI-Trainings in den meisten modernen Systemen konsistent. Laut einer von der KI-Workforce-Firma Mercor veröffentlichten Erklärung sind Trainingsdaten die Sammlung von Beispielen, die ein Modell studiert, wobei jedes Beispiel die internen numerischen Parameter des Modells beeinflusst. Das Modell trifft eine Vorhersage, vergleicht sie mit einer korrekten Antwort im Datensatz, misst den resultierenden Fehler und passt seine Parameter an, um diesen Fehler zu verringern — ein Zyklus, der über Millionen von Beispielen wiederholt wird.

Mercors Erklärung unterscheidet zwischen gekennzeichneten Daten, bei denen Menschen die richtige Antwort oder Kategorie angeben, und ungekennzeichneten Daten, bei denen das Modell Muster selbst ableiten muss. Sie trennt auch strukturierte Daten (Tabellen, Datenbanken) von unstrukturierten Daten wie Text, Bildern, Audio und Video. Viele aktuelle große Sprachmodelle kombinieren beide Ansätze: Eine anfängliche Vortrainingsphase mit großen Mengen an ungekennzeichnetem Text oder Bildern schafft allgemeine Fähigkeit, gefolgt von Feinabstimmung auf kleineren, gekennzeichneten Datensätzen, um aufgabenspezifisches Verhalten zu formen.

Woher das Rohmaterial kommt

Gemäß der gleichen Erklärung stammen Trainingsdaten im Allgemeinen aus drei Kanälen: öffentliche Datensätze und Repositories, die für allgemeine Forschung verfügbar gemacht werden, proprietäre Daten wie die internen Aufzeichnungen eines Unternehmens, und menschliche Annotation, bei der bezahlte Arbeitskräfte Rohmaterial kennzeichnen, um überwachte Beispiele zu erstellen. Großflächiges Web-Scraping — automatisiertes Durchsuchen öffentlich erreichbarer Seiten — ist einer der häufigsten Wege, auf die Unternehmen die öffentliche Datensatzkategorie in dem Maßstab zusammenstellen, den moderne Modelle erfordern, weshalb der Umfang der Crawling-Berechtigungen eines Unternehmens, wie in Metas Fall, direkt darauf hinweist, wie viel des offenen Netzes legal ein KI-System speisen kann.

Warum die Scraping-Debatte über Meta hinaus wichtig ist

Der Streit über Metas Formulierung veranschaulicht zwei wiederkehrende Reibungspunkte in KI-Datenpraktiken: ob die Nutzungsbedingungen eines Unternehmens technische Opt-out-Signale wie eine robots.txt-Datei einer Website außer Kraft setzen können, und ob die gleiche Unternehmensbeziehung, die einem Unternehmen Zugang zum Publikum einer Plattform gibt, auch verwendet werden kann, um die Inhalte dieses Unternehmens für Training ohne separate Zahlung oder Zustimmung zu extrahieren. Die Berichterstattung von Nieman Lab, wie von mediacopilot.ai weitergeleitet, merkte an, dass die meisten Nachrichtenorganisationen mindestens ein Meta-Geschäftskonto unterhalten, was bedeutet, dass die Reichweite der Klausel sich auf einen großen Teil der Nachrichtenindustrie erstrecken könnte, obwohl sie um Geschäftskunden herum formuliert wurde, anstatt speziell um Verleger.

Meta hat nicht bestritten, dass seine Crawler auf Inhalte zugreifen können, die mit Geschäftskonten verbunden sind; seine Position, wie in TechCrunch angegeben, ist, dass die präzisierten Bedingungen das bestehende Crawling-Verhalten nicht ändern. Rechtsexperten, die in der Berichterstattung zitiert werden, sagten, dass unklar bleibt, ob solche Nutzungsbedingungen-Sprache gegen Dritte oder gegen robots.txt-Beschränkungen durchsetzbar ist, wodurch die praktischen Grenzen der Klausel ungelöst bleiben, wenn sich das Datum des 30. Oktober nähert.