Die Einschränkungen für KI-Web-Scraping-Tools haben sich in den letzten Monaten zu einer weitreichenden Bewegung entwickelt, die die Welt des Journalismus angesichts der Verbreitung generativer KI im Jahr 2023 erfasst hat. Angesichts der Tatsache, dass führende Namen der Branche – darunter die New York Times, BBC, Bloomberg, CNN und viele andere – Schutzmaßnahmen implementieren, um ihre Inhalte vor unbefugter Datenerfassung zu bewahren, stellt sich die Frage: Wie genau schützen diese Standards das geistige Eigentum und welche Risiken ergeben sich aus diesen Maßnahmen?

‍

Ein genauerer Blick auf Web Scraping und generative KI

Als Eckpfeiler an der Schnittstelle von natürlicher Sprachverarbeitung (NLP) und maschinellem Lernen (ML) ist generative KI fast zwangsläufig auf die Vielfalt der Daten angewiesen, die sie aus dem Internet sammeln kann, um ihre Ausgaben zu strukturieren und daraus zu lernen. Da die Größe von Modellen wie ChatGPT, LLaMA und Bard exponentiell zunimmt – sie basieren auf potenziell hunderten bis milliardenfachen Token an Informationen –, bietet das Internet den notwendigen Fundus an diversen Trainingsdatensätzen, um kohärente und wettbewerbsfähige Ergebnisse zu gewährleisten.

Diese Wettbewerbsfähigkeit ist entscheidend für die Lebensfähigkeit der Modelle gegenüber ihren Konkurrenten; Katie Gardner, Partnerin bei der internationalen Anwaltskanzlei Gunderson Dettmer, betonte die Bedeutung von nutzergenerierten Inhalten und Texten für Firmen, die auf die Verbreitung verschiedener Blog-Formate spezialisiert sind – ein Punkt, der sich auf den Journalismus noch weiter übertragen lässt. Der „Wettbewerbsvorteil liegt in den Daten“, wie Gardner erklärt, wobei Unternehmen wie X (ehemals Twitter) und Reddit diesen Vorteil erkannt haben und stattdessen einen kostenpflichtigen Ansatz für die Datenübertragung verfolgen.

‍

Die Position der Nachrichtenseiten

Einer der wichtigsten Gründe, warum der Journalismus eine so klare Haltung gegen Web Scraping einnimmt, liegt in der Natur des Geschäfts; Nachrichtenseiten verfügen naturgemäß über eine hohe Konzentration an seriösen, hochwertigen schriftlichen Informationen zum Trainieren von Modellen. Laut einem CNN-Interviewwerden verschiedene Maßnahmen ergriffen oder in Erwägung gezogen, die von Lizenzvereinbarungen bis hin zu Klagen auf Basis des Urheberrechts reichen.

Ein weiteres Hauptanliegen von Nachrichten- und Verlagsunternehmen ist die Verwendung ihrer Inhalte für falsche oder irreführende Ausgaben, wie der Guardian berichtete. Die als Halluzinationen bekannten Phänomene führen dazu, dass generative KI unbeabsichtigt Antworten erzeugen kann, die falsche oder irreführende Informationen enthalten, welche als Fakten dargestellt werden. Grundsätzlich empfinden viele in der Welt des Schreibens und Journalismus den Einsatz dieser Web-Scraper als eklatante Verletzung ihres geistigen Eigentums – sie speisen ein System, das ihre Arbeit ohne angemessene Vergütung nachahmen kann. Ähnliches gilt für Inhalte und Informationen, die von Einzelpersonen in nicht-beruflichen Kontexten gesammelt werden. Gardner merkt an: „Es ist sehr schwierig festzustellen, ob persönliche Daten verwendet wurden, und wenn ja, wie sie verwendet werden und welche potenziellen Schäden sich daraus ergeben – sei es für den Einzelnen oder die Gesellschaft im Allgemeinen“. Angesichts der komplexen, sich überschneidenden Bedenken muss auch ein rechtlicher Ansatz in Betracht gezogen werden.

‍

Das rechtliche Argument

Der rechtliche Ansatz ist mit einigen Nuancen verbunden, insbesondere aufgrund der unterschiedlichen Rechtssysteme in den verschiedenen Ländern. In den USA gilt Data Scraping als durch die „Fair Use“-Gesetze gedeckt, die „eine begrenzte Nutzung von urheberrechtlich geschütztem Material erlauben, ohne dass zuvor eine Genehmigung des Urheberrechtsinhabers eingeholt werden muss“. Unternehmen wie OpenAI stützen sich auf dieses Konzept, insbesondere im Hinblick auf das aktuelle Urteil des Obersten Gerichtshofs, das die Verwendung von urheberrechtlich geschütztem Material erlaubt, sofern es einen transformativen Charakter hat (das Werk also verändert statt nur kopiert wird). Dennoch stellen viele infrage, ob dieser transformative Charakter immer gegeben ist. Gardner führt dazu weiter aus: „...wir haben bereits viele Fälle gesehen, in denen Nutzeranfragen Ergebnisse generieren können, die ganz offensichtlich ein abgeleitetes Werk eines urheberrechtlich geschützten Originals darstellen und somit eine Verletzung darstellen.“

In Europa bildet die DSGVO die aktuelle Hürde für die großflächige Datenerfassung ohne ausdrückliche Zustimmung der betroffenen Parteien. Das vorübergehende Verbot von ChatGPT in Italien im März 2023 ist ein konkretes Beispiel für diese Bedenken; die Nutzung wurde erst wieder erlaubt, nachdem OpenAI Anpassungen hinsichtlich der Datenschutzbedenken vorgenommen hatte. Da zudem der EU AI Act in Kraft tritt, wird generative KI mit erhöhten Offenlegungspflichten sowie allgemeinen Anforderungen an die KI-Sicherheit konfrontiert sein.

Als Folge dieser rechtlichen Bedenken hat sich die „Blackbox“-Natur vieler generativer KI-Modelle verringert. Margaret Mitchell, Forscherin und leitende Ethik-Wissenschaftlerin bei Hugging Face, reflektierte diese Entwicklungen und Diskussionen über Data Scrapingund erklärte, es sei ein „gutes Zeichen, dass der Diskurs über KI-Ethik das öffentliche Verständnis weiter bereichert“.

‍

Jenseits des Journalismus: Vorgehen in der Wirtschaft

Bemerkenswerterweise ist der Journalismus nicht der einzige Bereich, der von diesem Konflikt mit KI-Data-Scraping betroffen ist. Im Bereich der Musikproduktion forderte die Universal Music Group – einer der größten Distributoren auf dem Markt – Spotify und Apple dazu auf, das Scraping ihrer Kataloge zu unterbinden, angesichts der Entstehung von KI-generierter Musik. Darüber hinaus haben verschiedene Listen- und Informationsseiten wie Amazon und Airbnb Web-Crawler, die generative KI speisen, gestoppt, ebenso wie Ikea, Indeed.com und sogar BAILII, das britische System für Gerichtsurteile.

‍

Auswirkungen auf den Bereich der KI

Da immer mehr Unternehmen unterschiedlichster Branchen den Einsatz von Web-Scraping-Tools untersagen, stellt sich die Frage, welche Auswirkungen dies auf Anbieter generativer KI haben wird. Wenn Datensätze restriktiver und kostspieliger werden, könnte die Qualität der Ergebnisse erheblich sinken, da seriöse Quellen für diese Unternehmen zunehmend unerreichbar werden. Ein weitaus sorgfältigeres KI-Risikomanagement ist erforderlich, um sicherzustellen, dass die von GenAI-Modellen generierten Ergebnisse auf verlässlichen, vertrauenswürdigen Daten basieren und dabei besonders auf Verzerrungsfreiheit geachtet wird. Calvin freut sich darauf, diesen Bereich durch quantitative Lösungen im KI-Risikomanagement maßgeblich mitzugestalten und Unternehmen überprüfbare Ergebnisse für ihre verschiedenen KI-Modellportfolios zu liefern.

Möchten Sie mehr über unseren Ansatz für verantwortungsvolle KI erfahren? Buchen Sie noch heute eine Demo bei uns!

‍