EDPB Guidelines 03/2026: Web Scraping für generative KI — was Unternehmen jetzt im Datenschutzmanagement umsetzen müssen

Warum diese Leitlinien jetzt erscheinen

Web Scraping — also das automatisierte Sammeln von Daten aus öffentlich zugänglichen Internetquellen — ist die wichtigste Methode, mit der Unternehmen Trainingsdaten für generative KI-Modelle wie Large Language Models (LLMs) gewinnen. Die Datensätze umfassen Milliarden von Textfragmenten, Bildern, Audiodateien und strukturierten Informationen aus Social Media, Blogs, Nachrichtenportalen, öffentlichen Registern und persönlichen Websites.

Das Problem: Diese Daten enthalten in aller Regel personenbezogene Informationen — Namen, Kontaktdaten, Meinungsäußerungen, indirekt identifizierbare Informationen. Die Betroffenen wissen davon nichts und haben dem nicht zugestimmt. Die datenschutzrechtliche Regulierung dieses Bereichs war bislang fragmentiert und uneinheitlich; einzelne nationale Aufsichtsbehörden hatten eigene Positionspapiere veröffentlicht, eine europaweit einheitliche Orientierung fehlte.

Genau in diese Lücke stoßen die EDPB Guidelines 03/2026. Sie ergänzen die Ende 2024 verabschiedete Opinion 28/2024 zu KI-Modellen und konkretisieren die DSGVO-Anforderungen für die Datenbeschaffungsphase — also bevor ein Modell überhaupt trainiert wird.

Anwendungsbereich: Wer ist betroffen?

Die Leitlinien richten sich ausdrücklich an private Unternehmen, die:

• selbst Daten aus externen Internetquellen für KI-Training oder KI-Fine-Tuning sammeln, oder
• einen Dritten (Scraper) damit beauftragen, oder
• bereits vorhandene gescrapte Datensätze von einem anderen Unternehmen (Data Broker) erwerben und weiternutzen.

Nicht erfasst sind Data Broker, die ausschließlich Daten sammeln und weiterverkaufen, ohne selbst KI zu entwickeln — sowie die interne Verarbeitung eigener Daten des Unternehmens.

Besonders relevant ist die Frage der datenschutzrechtlichen Verantwortlichkeit: Der EDPB stellt klar, dass die ausführende Organisation (Scraper) nicht automatisch der Verantwortliche im Sinne der DSGVO ist. Wer die Zwecke und wesentlichen Mittel der Verarbeitung bestimmt, ist Verantwortlicher — das ist in der Regel der KI-Entwickler, der die Scraping-Aufgaben definiert und beauftragt. In anderen Konstellationen kann gemeinsame Verantwortlichkeit (Joint Controllership) vorliegen, wenn beide Parteien Zweck und Mittel gemeinsam festlegen.

Die vier Phasen des Web Scrapings — und wo die DSGVO greift

Der EDPB beschreibt den Ablauf des Web Scrapings in vier Schritten, an denen die DSGVO ansetzt:

1. Festlegung der Sammelkriterien: Welche Quellen, welche Datentypen, welche Ausschlusskriterien? Diese Phase bestimmt, welche personenbezogenen Daten überhaupt in den Datensatz gelangen. Hier sind Datenminimierungsentscheidungen zu treffen.
2. Extraktion: Automatisiertes Auslesen und Speichern der Daten. Ab hier verarbeitet der Verantwortliche personenbezogene Daten — die DSGVO ist vollständig anwendbar.
3. Bereinigung: Entfernung von Duplikaten, HTML-Artefakten, irrelevanten Daten. Auch hier sind aktive Minimierungsmaßnahmen möglich und gefordert.
4. Strukturierung und Speicherung: Aufbereitung des Datensatzes für das KI-Training. Restliche personenbezogene Daten sollten an dieser Stelle soweit möglich anonymisiert oder pseudonymisiert werden.

Die fünf DSGVO-Grundsätze: Wo Web Scraping besonders herausfordernd ist

Der EDPB identifiziert fünf Grundsätze der DSGVO, bei denen Web Scraping für KI strukturell zu Compliance-Problemen führt:

1. Zweckbindung (Art. 5 Abs. 1 lit. b DSGVO)

Daten dürfen nur für festgelegte, eindeutige und legitime Zwecke erhoben werden. Bei KI-Training ist die Herausforderung, dass der Zweck des fertiggestellten Modells zum Zeitpunkt des Scrapings oft noch nicht vollständig definiert ist. Der EDPB empfiehlt daher, zumindest das Entwicklungsziel des Modells klar zu benennen — einschließlich der Frage, ob es sich um einen kommerziellen, wissenschaftlichen oder internen Einsatzzweck handelt.

2. Transparenz (Art. 5 Abs. 1 lit. a, Art. 12–14 DSGVO)

Betroffene müssen über die Verarbeitung ihrer Daten informiert werden. Bei Massenscraping ist eine Einzelinformation meist unmöglich oder mit unverhältnismäßigem Aufwand verbunden — der EDPB erkennt das an und lässt unter engen Voraussetzungen eine Ausnahme nach Art. 14 Abs. 5 lit. b DSGVO zu. Diese Ausnahme ist aber kein Freifahrtschein: Sie setzt eine Abwägung zwischen dem Aufwand der Einzelinformation und den Auswirkungen auf die Betroffenen voraus, und der Verantwortliche muss in jedem Fall eine öffentlich zugängliche Datenschutzinformation bereitstellen, die Kategorien der verarbeiteten Daten, Rechtsgrundlage, Quellen und Crawling-Merkmale enthält.

3. Datenminimierung (Art. 5 Abs. 1 lit. c DSGVO)

Nur Daten, die für den Zweck tatsächlich erforderlich sind, dürfen erhoben werden. Das Argument „große Datenmenge ist für KI-Training strukturell notwendig" akzeptiert der EDPB ausdrücklich nicht als Ausnahme vom Minimierungsgrundsatz. Es ist nicht verboten, große Datensätze zu verwenden — aber es ist verboten, unnötige personenbezogene Daten zu sammeln, wenn der gleiche Trainingszweck auch mit weniger Personenbezug erreichbar wäre. Konkret verlangt der EDPB:

• Vor der Sammlung: Prüfung, ob synthetische Daten statt personenbezogener Daten ausreichen; Definition präziser Sammelkriterien; Ausschluss von Webseitentypen, die strukturell sensible Daten enthalten (z. B. Plattformen für Minderjährige); Respektierung technischer Sperrmechanismen wie robots.txt, ai.txt und CAPTCHA.
• Während und nach der Sammlung: Syntaxbasierte Filterung (z. B. reguläre Ausdrücke für Telefonnummern, Sozialversicherungsnummern); Ersatz von Echtdaten durch synthetische Daten wo möglich; Anonymisierung oder Pseudonymisierung.

4. Richtigkeit (Art. 5 Abs. 1 lit. d DSGVO)

Wenn das KI-Modell personenbezogene Daten als Output erzeugt, muss dieser Output korrekt sein. Der EDPB fordert deshalb: Scraping aus verlässlichen Quellen, Zeitstempelung der Daten (um Aktualität nachweisen zu können) und Validierung vor dem KI-Training.

5. Rechenschaftspflicht (Art. 5 Abs. 2 DSGVO)

Der Verantwortliche muss die Einhaltung aller Grundsätze nachweisen können. Bei Web Scraping ist das besonders schwierig, weil häufig unklar ist, welche Personendaten überhaupt im Datensatz enthalten sind — insbesondere bei ungezieltem (untargeted) Scraping großer Teile des Internets. Der EDPB akzeptiert diese Herausforderung, hebt aber ausdrücklich hervor, dass die Rechenschaftspflicht dennoch erfüllt werden muss. Hinzu kommt: Wenn ein Modell Trainingsdaten memorisiert und reproduziert, entstehen eigenständige Risiken für Betroffene, die über das ursprüngliche Scraping hinausgehen.

Rechtsgrundlage: Berechtigtes Interesse und der dreigliedrige Test

Die einzig realistisch tragfähige Rechtsgrundlage für Web Scraping zu KI-Trainingszwecken ist das berechtigte Interesse nach Art. 6 Abs. 1 lit. f DSGVO. Einwilligung scheidet praktisch aus — die betroffenen Personen sind zu zahlreich und unbekannt, ein direktes Verhältnis zum Verantwortlichen fehlt, und die bloße Veröffentlichung von Daten im Internet bedeutet keine Einwilligung in die KI-Trainingsnutzung. Das Fehlen einer robots.txt-Datei ist ausdrücklich kein Einwilligungsersatz.

Für das berechtigte Interesse müssen drei Bedingungen kumulativ erfüllt sein:

Bedingung 1 — Legitimes Interesse

Das Interesse des Verantwortlichen muss rechtmäßig, klar und präzise artikuliert sowie real und gegenwärtig (nicht spekulativ) sein. Der EDPB nennt als Beispiele: Entwicklung eines konversationellen Assistenten, Entwicklung eines KI-Systems zur Betrugserkennung oder zur Verbesserung der Bedrohungserkennung in Informationssystemen. Wer ein General-Purpose-Modell entwickelt, für das der genaue Verwendungszweck noch nicht feststeht, sollte zumindest das übergeordnete Entwicklungsziel — kommerziell, wissenschaftlich, intern, extern — klar benennen.

Bedingung 2 — Erforderlichkeit

Die Verarbeitung muss für den verfolgten Zweck tatsächlich notwendig sein. Dabei ist zu prüfen, ob es eine gleich effektive, aber weniger eingriffsintensive Alternative gibt — etwa pseudonymisierte Daten oder synthetische Daten. Wer breit und ungezielt den gesamten Internetbereich sammelt, obwohl engere Sammelkriterien den Trainingszweck ebenso gut erfüllen würden, besteht diesen Test nicht.

Bedingung 3 — Interessenabwägung (Balancing Test)

Schließlich müssen die Interessen der Betroffenen gegen das berechtigte Interesse des Verantwortlichen abgewogen werden. Der EDPB hebt besonders hervor:

• Betroffene haben ein Interesse an Selbstbestimmung über ihre Daten. Daten, die ursprünglich für einen bestimmten Zweck veröffentlicht wurden, werden gegen den Willen der Person für KI-Training genutzt.
• Massenscraping kann einen „Chilling Effect" auf die Meinungsfreiheit erzeugen: Menschen schränken ihre Online-Äußerungen ein, wenn sie wissen, dass alles in KI-Trainingsdaten einfließt.
• Einmal in ein Modell eintrainierte Daten lassen sich technisch nicht mehr löschen — das erschwert die Ausübung von Betroffenenrechten erheblich.
• Deep-Fake-Risiken (Bilder, Videos, Stimmen) addieren sich zu den Eingriffen in Persönlichkeitsrechte.

Wenn die Abwägung zulasten des Verantwortlichen ausfällt, lässt sich das Defizit durch geeignete Schutzmaßnahmen (Mitigating Measures) ausgleichen. Zu diesen Maßnahmen gehören unter anderem: Ausschluss besonders sensitiver Quellen, zeitliche Begrenzung der Sammlung, aktive Opt-out-Möglichkeiten für Betroffene, Deduplication und Maßnahmen gegen Memorisierung sowie ein öffentlich einsehbares Verzeichnis der Quellen.

Besondere Datenkategorien: Das unterschätzte Risiko

Art. 9 DSGVO verbietet grundsätzlich die Verarbeitung besonderer Datenkategorien — Gesundheitsdaten, politische Überzeugungen, Gewerkschaftszugehörigkeit, religiöse Überzeugungen, sexuelle Orientierung, ethnische Herkunft, biometrische und genetische Daten. Für die Verarbeitung ist neben einer Rechtsgrundlage nach Art. 6 DSGVO stets eine Ausnahme nach Art. 9 Abs. 2 DSGVO erforderlich.

Beim Web Scraping ist das Problem: Man weiß oft erst nach der Sammlung, ob und welche besonderen Datenkategorien miterfasst wurden. Der EDPB greift hier auf die EuGH-Rechtsprechung in der Rechtssache GC & Others (C-136/17) zurück und erkennt an, dass die besondere Datenkategorie-Problematik auch für Web Scraping relevant sein kann — allerdings nur unter sehr engen Bedingungen: Die Verarbeitungsaktivität muss der Tätigkeit einer Suchmaschine ähnlich sein, die Verarbeitung darf nur beiläufig und unbeabsichtigt erfolgen (nicht absichtlich), und der Verantwortliche muss alle technisch möglichen Schritte unternehmen, um die Sammlung dieser Daten von vornherein zu verhindern.

Kritische Einordnung: Was die Leitlinien leisten — und wo Fragen offen bleiben

Die EDPB Guidelines 03/2026 sind begrüßenswert, weil sie erstmals europaweit einheitlich den datenschutzrechtlichen Rahmen für die KI-Trainingsdatenbeschaffung klären. Für Unternehmen, die KI-Systeme entwickeln oder externe KI-Dienste beauftragen, schaffen sie Rechtssicherheit — zumindest dem Anspruch nach. Es gibt aber mehrere Punkte, die kritischer Betrachtung standhalten müssen:

Die Leitlinien befinden sich noch in der Konsultationsphase

Version 1.0 wurde am 7. Juli 2026 zur öffentlichen Konsultation verabschiedet; die Konsultationsfrist läuft bis zum 30. Oktober 2026. Es ist eine abschließende Version zu erwarten, die auf Rückmeldungen aus Wissenschaft, Industrie und Zivilgesellschaft eingehen wird. Unternehmen sollten die Konsultation aktiv verfolgen — und im Zweifelsfall konservative Compliance-Maßnahmen ergreifen, anstatt auf eine weichere Endfassung zu warten.

Die Abgrenzung zwischen Verantwortlichem und Auftragsverarbeiter bleibt einzelfallabhängig

Der EDPB stellt klar, dass die Qualifikation als Verantwortlicher, gemeinsamer Verantwortlicher oder Auftragsverarbeiter stets eine faktische Einzelfallanalyse erfordert. Das ist rechtlich korrekt, aber operativ unbefriedigend: Unternehmen, die Scraping-Dienstleister beauftragen, müssen sorgfältig dokumentieren, wer Zweck und Mittel der Verarbeitung tatsächlich bestimmt — und entsprechende Vereinbarungen treffen.

Die Interoperabilität mit dem AI Act ist ungeklärt

Der AI Act regelt die Anforderungen an KI-Systeme auf Produktebene — DSGVO und diese Guidelines regeln die Datenbasis. Wie beide Regelwerke zusammenspielen, insbesondere bei Hochrisiko-KI-Systemen, thematisieren die Guidelines nicht. Für die Compliance-Praxis entstehen damit zwei parallele Pflichtenprogramme, die koordiniert werden müssen.

Der Balancing Test ist unbestimmt — und das ist beabsichtigt

Die Interessenabwägung nach Art. 6 Abs. 1 lit. f DSGVO ist keine mathematische Formel. Der EDPB beschreibt Faktoren und gibt Beispiele — aber die konkrete Abwägung ist immer fallabhängig. Das bedeutet in der Praxis: Unternehmen, die sich auf berechtigtes Interesse stützen, sind gut beraten, die Abwägung schriftlich zu dokumentieren und die ergriffenen Schutzmaßnahmen nachzuweisen. Eine mündliche oder implizite Einschätzung genügt im Streitfall nicht.

Wie Unternehmen sich jetzt im Datenschutzmanagement aufstellen sollten

Die EDPB Guidelines 03/2026 sind keine unverbindliche Empfehlung. Sie konkretisieren die DSGVO-Anforderungen und werden von Aufsichtsbehörden bei der Beurteilung von KI-Projekten herangezogen werden. Unternehmen, die generative KI einsetzen, entwickeln oder beauftragen, sollten jetzt handeln:

1. Verarbeitungsverzeichnis und Rollenklärung

Prüfen Sie für jedes KI-Projekt, bei dem personenbezogene Daten verarbeitet werden: Wer ist Verantwortlicher, wer Auftragsverarbeiter, liegt gemeinsame Verantwortlichkeit vor? Schließen Sie entsprechende Verträge (AVV nach Art. 28 DSGVO oder JCA nach Art. 26 DSGVO). Tragen Sie die Verarbeitung im Verarbeitungsverzeichnis ein.

2. Rechtsgrundlagen-Dokumentation

Dokumentieren Sie für jede Scraping-Aktivität die Rechtsgrundlage. Wenn Sie auf berechtigtes Interesse setzen: Führen Sie den dreigliedrigen Test schriftlich durch — legitimes Interesse, Erforderlichkeit, Abwägung. Beschreiben Sie konkret, welche Schutzmaßnahmen Sie implementieren, um die Abwägung zugunsten Ihrer Organisation zu verschieben. Ohne diese Dokumentation ist die Rechtsgrundlage im Streitfall nicht verteidigbar.

3. Datenminimierung technisch verankern

Implementieren Sie bereits in der Scraping-Architektur technische Filter: Ausschluss von Webseitentypen mit sensitiven Daten, robots.txt- und ai.txt-Compliance, syntaxbasierte Filterung von Formaten wie Sozialversicherungsnummern, Telefonnummern und E-Mail-Adressen. Evaluieren Sie, ob synthetische Daten den Trainingszweck teilweise oder vollständig ersetzen können.

4. Transparenz-Infrastruktur

Richten Sie eine öffentlich zugängliche Datenschutzinformation speziell für Web-Scraping-Aktivitäten ein. Diese muss Kategorien der verarbeiteten Daten, Rechtsgrundlage, Quellen (soweit möglich), Crawling-Charakteristika, Betroffenenrechte und Kontaktinformationen enthalten. Aktualisieren Sie diese Information regelmäßig und stellen Sie sicher, dass sie leicht auffindbar ist.

5. Datenschutz-Folgenabschätzung (DSFA)

Web Scraping für KI-Training ist eine großflächige Verarbeitung personenbezogener Daten, die ohne Wissen der Betroffenen stattfindet. In aller Regel ist das ein Hochrisikoszenario im Sinne von Art. 35 DSGVO, das eine DSFA verpflichtend macht. Führen Sie diese durch und halten Sie die Ergebnisse und ergriffenen Maßnahmen dokumentiert.

6. Opt-out-Mechanismus einrichten

Der EDPB empfiehlt die Einrichtung eines Widerspruchsmechanismus, mit dem Betroffene der Aufnahme ihrer Daten in den Trainingsdatensatz widersprechen können — idealerweise schon bevor die Sammlung stattfindet. Das stärkt die Interessenabwägung zugunsten des Verantwortlichen erheblich.

7. Drittanbieter-Audits und Vertragsgestaltung

Wer Dritte mit dem Scraping beauftragt oder gescrapte Datensätze von Data Brokern kauft, übernimmt Compliance-Verantwortung. Klären Sie vertraglich die Rollenverteilung, prüfen Sie die Compliance-Maßnahmen des Anbieters und stellen Sie sicher, dass die genutzten Datensätze mit diesen Leitlinien vereinbar sind. Ungeprüfte Third-Party-Datensätze sind ein erhebliches Compliance-Risiko.

8. Besondere Datenkategorien proaktiv ausschließen

Implementieren Sie technische Maßnahmen, die die Sammlung besonderer Datenkategorien nach Art. 9 DSGVO soweit möglich von vornherein verhindern: Ausschluss von Quellen, die strukturell Gesundheitsdaten, politische Äußerungen oder andere sensible Informationen enthalten. Führen Sie nach der Sammlung eine Restmengenanalyse durch und anonymisieren oder löschen Sie die verbleibenden sensiblen Daten unverzüglich.