Trainingsdaten sind die Textmengen, aus denen ein KI-Modell seine Fähigkeiten erwirbt. Sie bestimmen, welche Zusammenhänge ein Modell als üblich ansieht, welche Sprachen es beherrscht, welchen Wissensstand es hat — und welche Verzerrungen es übernimmt.
Für eine Website ist die Unterscheidung zwischen Trainingsdaten und abgerufenen Quellen die wichtigste des ganzen Themengebiets. Wer sie nicht trennt, arbeitet an der falschen Stelle.
Woraus sie bestehen
Die genaue Zusammensetzung veröffentlicht kein großer Anbieter vollständig. Bekannt sind die Bestandteile in ihren Größenordnungen: umfangreiche Web-Sammlungen, digitalisierte Bücher, Fachpublikationen, Programmcode aus offenen Beständen, Nachschlagewerke und lizenzierte Bestände aus Verlagsverträgen.
Die bedeutendste öffentliche Quelle ist Common Crawl, ein gemeinnütziges Archiv, das seit Jahren regelmäßig große Teile des offenen Webs erfasst und frei zur Verfügung stellt. Ein erheblicher Anteil dessen, was Sprachmodelle über das Web gelernt haben, stammt mittelbar von dort.
Wissensstand und Verzerrung
Zwei Eigenschaften folgen unmittelbar aus der Datengrundlage. Der Wissensstand markiert das Ende der Erhebung: Was danach geschah, kennt das Modell nicht, ohne dass es das selbst merken würde. Ohne Websuche entstehen Antworten deshalb aus einem Bild der Welt, das Monate alt sein kann.
Die Verzerrung ist subtiler. Englischsprachige, gut vernetzte und häufig zitierte Quellen sind überrepräsentiert; kleinere Sprachräume, Fachnischen und regionale Themen sind es nicht. Für ein mittelständisches Unternehmen im deutschsprachigen Raum bedeutet das: Die Wahrscheinlichkeit, im Training überhaupt vorzukommen, ist gering — und die, korrekt vorzukommen, noch geringer.
Der entscheidende Unterschied
Inhalte erreichen ein Modell auf zwei Wegen, die völlig unterschiedlich funktionieren.
- Über das Training. Der Einfluss einer einzelnen Website ist verschwindend gering. Wirksam sind hier nur wiederkehrende, übereinstimmende Aussagen über viele unabhängige Quellen hinweg. Zeithorizont: Trainingszyklen, also Monate bis Jahre.
- Über den Abruf zur Laufzeit. Bei Retrieval Augmented Generation wird eine Seite im Moment der Anfrage geladen und verarbeitet. Zeithorizont: Tage.
Der zweite Weg ist der beeinflussbare — und er ist zugleich derjenige, über den die meisten sichtbaren Zitationen entstehen. Wer Inhalte veröffentlicht in der Hoffnung, ins Training zu gelangen, setzt auf den langsameren und ungewisseren der beiden Wege.
Kontrolle über die Verwendung
Ob die eigenen Inhalte für Training verwendet werden dürfen, lässt sich steuern — über die robots.txt und die dort benannten Kennzeichen der jeweiligen Crawler. Zwei Einschränkungen gehören dazu: Die Anweisung ist eine Selbstverpflichtung, keine technische Sperre. Und sie wirkt nur nach vorn — was in einem fertigen Modell steckt, verschwindet dadurch nicht.
Für die Entscheidung ist deshalb weniger der Rückblick maßgeblich als die Frage, was in Zukunft geschehen soll — und ob dabei zwischen Trainingszugriff und Abruf für Suchantworten unterschieden wird, wie es etwa bei GPTBot und den daneben betriebenen Kennzeichen der Fall ist.
Praktische Konsequenz
Aus der Unterscheidung zwischen Training und Abruf folgt eine klare Reihenfolge der Arbeit. Zuerst wird geklärt, welche Systeme die eigenen Seiten abrufen dürfen und ob sie dabei zwischen Trainings- und Suchzugriff getrennt behandelt werden. Danach folgt die Arbeit an der Verwertbarkeit der Inhalte. Der Versuch, gezielt Einfluss auf Trainingsdaten zu nehmen, steht zuletzt — und für die meisten Unternehmen gar nicht auf der Liste.
Häufige Fragen
Sind meine Inhalte in den Trainingsdaten?
Das lässt sich nicht sicher feststellen. Kein Anbieter veröffentlicht durchsuchbare Verzeichnisse der verwendeten Quellen. Ein Modell danach zu fragen, ist unbrauchbar: Es kann seine eigene Datengrundlage nicht einsehen und antwortet mit einer Vermutung.
Kann man Inhalte nachträglich aus einem Modell entfernen?
Praktisch nicht. Ein trainiertes Modell speichert keine abrufbaren Kopien, sondern Gewichtungen — es gibt keinen Datensatz, der sich löschen ließe. Wirksam sind nur Ausschlüsse für künftige Trainingsläufe.
Lohnt es sich, Inhalte gezielt für das Training zu schreiben?
Für die meisten Unternehmen nicht. Der Einfluss einer einzelnen Domain ist zu gering und der Zeithorizont zu lang. Die Arbeit an der Abrufbarkeit wirkt schneller und ist überprüfbar.
Schützt ein Urheberrechtsvermerk vor der Verwendung?
Rechtlich ist die Lage in mehreren Verfahren ungeklärt und wird je nach Rechtsraum unterschiedlich beurteilt. Technisch wirkt ein Vermerk im Seitentext nicht — beachtet werden die Angaben in der robots.txt und, soweit unterstützt, entsprechende Meta-Angaben.