Die neuen Guidelines 03/2026 des EDSA schaffen erstmals einen umfassenden Rahmen für Webseiten-Scraping im Kontext generativer KI. Dieser Beitrag ordnet die zentralen Anforderungen der Guidelines vom EDSA ein und liefert konkrete Handlungsempfehlungen für Unternehmen, die Webseiten-Scraping datenschutzkonform gestalten wollen.
Was ist Webseiten-Scraping?
Webseiten-Scraping bezeichnet eine automatisierte Technik zur Extraktion und Speicherung von Informationen aus öffentlich zugänglichen Webdiensten. Dabei werden mittels spezialisierter Software große Datenmengen aus Quellen wie öffentlichen Registern, Nachrichtenportalen, sozialen Medien, Diskussionsforen oder persönlichen Blogs ausgelesen. Im Kontext generativer KI dient Webseiten-Scraping dazu, umfangreiche Trainingsdatensätze zusammenzustellen, mit denen neue Modelle trainiert oder bestehende Modelle für spezifische Anwendungsfälle feinabgestimmt werden.
Der EDSA unterscheidet grundsätzlich zwischen gezieltem und ungezieltem Scraping. Beim gezielten Scraping werden vorab definierte Sammelkriterien angewandt, etwa die Beschränkung auf bestimmte Domains, Sprachen oder Themengebiete. Beim ungezielten Scraping hingegen folgt die Software ohne enge Einschränkungen allen entdeckten Links und erweitert die URL-Liste fortlaufend. Dies kann dazu führen, dass große Teile des Internets durchsucht werden, wobei der Verantwortliche nur begrenzte Kenntnis davon hat, welche personenbezogenen Daten tatsächlich erfasst werden. Gerade diese mangelnde Kontrolle über den Datenbestand macht das ungezielte Scraping aus datenschutzrechtlicher Sicht besonders risikobehaftet.
Der typische Scraping-Prozess gliedert sich in vier Schritte: die Definition der Sammelkriterien, die eigentliche Extraktion der Daten, deren Bereinigung sowie die Strukturierung und Speicherung in einem nutzbaren Format. In jeder dieser Phasen können personenbezogene Daten verarbeitet werden, weshalb die DSGVO auf den gesamten Prozess Anwendung findet.
Welche Grundsätze fordern die EDSA-Guidelines?
Der EDSA stellt klar, dass die Verantwortlichkeit nach der DSGVO stets einzelfallbezogen zu bewerten ist. Ein KI-Entwickler, der einen Dritten mit dem Scraping beauftragt und dabei Zweck sowie wesentliche Mittel vorgibt, bleibt Verantwortlicher. Der Scraper agiert dann als Auftragsverarbeiter. Scrapen beide Organisationen hingegen mit geteilter Zweckbestimmung, liegt eine gemeinsame Verantwortlichkeit vor. Erwirbt ein KI-Entwickler einen bereits gescrapten Datensatz von einem Dritten, sind beide grundsätzlich für ihre jeweils eigene Verarbeitungstätigkeit verantwortlich.
Besonders relevant ist die Frage der Rechtsgrundlage: Das berechtigte Interesse nach Art. 6 Abs. 1 lit. f DSGVO ist laut EDSA die in der Praxis am häufigsten herangezogene Grundlage für Webseiten-Scraping im Bereich generativer KI. Eine Einwilligung der Betroffenen scheidet regelmäßig aus, da bei der großflächigen Sammlung öffentlich zugänglicher Daten keine direkte Beziehung zu den Betroffenen besteht und deren Identifikation praktisch unmöglich ist. Der EDSA stellt zudem klar, dass die Abwesenheit einer robots.txt-Datei auf einer Webseite keinesfalls als Einwilligung im Sinne der DSGVO gewertet werden kann.
Hinsichtlich der Transparenzpflichten erkennt der EDSA an, dass eine individuelle Information der Betroffenen beim großflächigen Scraping häufig unmöglich ist oder einen unverhältnismäßigen Aufwand erfordern würde. In solchen Fällen muss der Verantwortliche die erforderlichen Informationen jedoch öffentlich zugänglich machen, etwa durch eine Datenschutzerklärung, die Angaben zu den Datenkategorien, den Quellen und den Rechten der Betroffenen enthält. Der EDSA empfiehlt darüber hinaus, die Domain-Namen und URLs der gescrapten Webseiten in einem durchsuchbaren Format bereitzustellen und den Zeitraum der Datenerhebung anzugeben.
Wie gelingt die Interessenabwägung?
Die Anwendung von Art. 6 Abs. 1 lit. f DSGVO erfordert drei kumulative Bedingungen. Zunächst muss ein berechtigtes Interesse des Verantwortlichen vorliegen, etwa die Entwicklung eines Konversationsagenten, eines Betrugserkennungssystems oder die Verbesserung der Bedrohungserkennung. Sodann muss die Verarbeitung personenbezogener Daten für dieses Interesse erforderlich sein. Schließlich dürfen die Interessen und Grundrechte der Betroffenen das berechtigte Interesse nicht überwiegen.
Bei dieser Abwägung sind laut EDSA insbesondere die Art der verarbeiteten Daten, der Kontext der Verarbeitung, die möglichen Konsequenzen für Betroffene und deren vernünftige Erwartungen zu berücksichtigen. Der EDSA hebt hervor, dass ein sogenannter „Chilling Effect“ entstehen kann, wenn die großflächige und unterschiedslose Datensammlung Personen zur Selbstzensur veranlasst und damit die Meinungsfreiheit gefährdet. Auch die Erzeugung von Deepfakes und die Möglichkeit, anonyme Personen durch KI-Modelle zu identifizieren, zählen zu den möglichen Auswirkungen auf die Rechte der Betroffenen.
Die vernünftigen Erwartungen der Betroffenen hängen von mehreren Faktoren ab. Entscheidend sind die Art der Quell-Webseite, der öffentliche Charakter der Daten und die technischen Maßnahmen der gescrapten Seite. Nutzt eine Webseite robots.txt, ai.txt oder CAPTCHAs, können Betroffene gerade nicht erwarten, dass ihre Daten dennoch gescrapt werden. Umgekehrt gilt: Wenn Personen ihre Daten auf einer frei zugänglichen Plattform veröffentlichen, die das Scraping nicht untersagt und ihre Nutzer darüber informiert, liegt eine vernünftige Erwartung der Weiterverwendung eher nahe.
Welche Maßnahmen empfiehlt der EDSA?
Die Guidelines enthalten detaillierte Empfehlungen für technische und organisatorische Maßnahmen zur Datenminimierung. Vor der Datenerhebung sollte der Verantwortliche prüfen, ob synthetische Daten anstelle personenbezogener Daten eingesetzt werden können. Darüber hinaus sind präzise Sammelkriterien zu definieren und ein Daten-Mapping zu erstellen. Webseiten, die strukturell sensible Daten enthalten, etwa Plattformen für Minderjährige, sind ebenso auszuschließen wie Webseiten, die dem Scraping durch technische Maßnahmen klar widersprechen. Nach der Datenerhebung empfiehlt der EDSA den Einsatz syntaxbasierter Filtermechanismen, die Ersetzung realer Daten durch synthetische Daten sowie die Anonymisierung oder Pseudonymisierung personenbezogener Daten.
Besondere Aufmerksamkeit widmet der EDSA dem Umgang mit besonderen Datenkategorien nach Art. 9 DSGVO. Deren Verarbeitung ist grundsätzlich verboten. Der EDSA erkennt jedoch an, dass trotz aller Schutzmaßnahmen ein residuales Erfassen solcher Daten beim Webseiten-Scraping praktisch unvermeidbar sein kann. Unter Bezugnahme auf das EuGH-Urteil „GC & Others“ (C-136/17) – zum sogenannten „Recht auf Vergessenwerden“ – stellt der EDSA fest, dass das Verbot bei beiläufiger und residualer Erhebung nur „im Rahmen der Verantwortlichkeiten, Befugnisse und Möglichkeiten“ des Verantwortlichen gilt. Konkret müssen Verantwortliche in vier Phasen handeln:
- Vor der Erhebung präzise Filter und Ausschlusskriterien definieren
- Nach der Erhebung identifizierte besondere Datenkategorien unverzüglich löschen
- Während der Modellentwicklung die Extraktion solcher Daten verhindern und Widerstandsfähigkeit gegen Privacy-Angriffe sicherstellen
- Nach der Modellentwicklung Outputs kontinuierlich überwachen und Output-Filter implementieren
Der EDSA betont ausdrücklich, dass diese Regelung keine generelle Ausnahme von Art. 9 DSGVO darstellt. Vielmehr ist eine einzelfallbezogene Prüfung erforderlich, ob die Verarbeitungstätigkeit tatsächlich relevante Ähnlichkeiten mit der Tätigkeit einer Suchmaschine aufweist und ob nur eine beiläufige, nicht beabsichtigte Erhebung vorliegt.
Auswirkungen für die Praxis
Die EDSA-Guidelines 03/2026 zum Webseiten-Scraping bieten erstmals eine strukturierte Orientierung für ein in der Praxis weitverbreitetes Vorgehen. Sie bestätigen, dass Webseiten-Scraping für KI-Training unter der DSGVO grundsätzlich möglich ist, aber erhebliche Anforderungen an Transparenz, Datenminimierung und die Interessenabwägung stellt. Verantwortliche sollten die Guidelines als Anlass nehmen, bestehende Scraping-Prozesse zu überprüfen und insbesondere die technischen und organisatorischen Maßnahmen zu dokumentieren. Die Guidelines befinden sich derzeit in der öffentlichen Konsultation, sodass sich Detailfragen in der finalen Fassung noch verändern können.
Es dürfte wohl ziemlich blauäugig sein anzunehmen, dass die große KI-Anbieter vor ihrer Suche wirklich irgendwelche „präzisen Filter und Ausschlusssysteme“ im Hinblick auf (ggf. besonderes sensible) personenbezogenen Daten vorgenommen hätten. Im besten Fall haben sie diese Daten nachher gelöscht (sehr wahrscheinlich aber erst nach Weitergabe an die Geheimdienste).
Gibt es eigentliche irgendwelche Erkenntnisse, wie und ob überhaupt die EU gegen dieses Praxis vorgeht? Und wie positionieren sich da die KI-Anbieter?
Ihr Einwand ist definitiv nicht unberechtigt! Allerdings wird die datenschutzrechtliche Linie in der EU inzwischen klarer: Der EDSA betont, dass öffentlich zugängliche personenbezogene Daten nicht einfach frei für KI-Training genutzt werden dürfen. Für Web-Scraping braucht es eine belastbare Rechtsgrundlage, und bei sensiblen Daten gelten besonders strenge Anforderungen. Gegenüber großen KI-Anbietern wächst der regulatorische Druck also durchaus — auch wenn die Praxis der Durchsetzung bislang noch nicht in allen Punkten einheitlich ist.
Öffentlich berufen sie sich meist auf berechtigte Interessen, technische Filter, Opt-out-Möglichkeiten und nachgelagerte Löschung. Ob das in der Praxis immer trägt, ist aber genau der Punkt, an dem die Aufsichtsbehörden zunehmend Zweifel anmelden.