Künstliche Intelligenz: Der Nutzungsvorbehalt, den es nicht gibt

Kategorien: Datenschutz und Künstliche Intelligenz

Der deutsche Gesetzgeber hat mit § 44b UrhG eine Möglichkeit für Urheber definiert, wie sie ihre Inhalte gegen KI-Crawling schützen können sollen. Doch diese Möglichkeit ist nicht existent und führt zur weiteren Verarmung der deutschen Sprache in KI-Sprachmodellen. Unsere heimische Wirtschaft wird darunter leiden.

Einleitung

Inhalte von Webseiten, aus öffentlich zugänglichen PDF-Dokumenten und anderen Dokumenten dieser Art dürfen für Zwecke der Verarbeitung durch Künstliche Intelligenz, insbesondere für Chatbots, eingelesen und genutzt werden. Sie dürfen sogar kurzzeitig für das KI-Training gespeichert werden. Das erlaubt der § 44b UrhG.

Ebenda steht auch, dass dieses Einlesen von Inhalten für KI-Sprachmodelle aber dann nicht erlaubt sein soll, wenn der Urheber einen maschinenlesbaren Nutzungsvorbehalt formuliert hat. Ich sehe übrigens generative KI-Modelle als "Data Mining" im Sinne des § 44b UrhG an. Mehr dazu in einem zukünftigen Beitrag, da es hier anscheinend andere Meinungen gibt. Unabhängig davon, was Data Mining sein soll, besteht das Problem, um das es in diesem Beitrag geht.

Diese Art des Nutzungsvorbehaltes gibt es aber nicht, wie ich zeigen möchte. Neben Chatbots gibt es übrigens auch andere sehr interessante und relevante KI-Anwendungen. Dazu gehören die Analyse von Daten, das automatisierte Schlussfolgern oder der automatisierte Erkenntnisgewinn. Weil deutsch zukünftig noch unbedeutender wird, werden alle anderen weltweit automatisiert Erkenntnisse und Erfindungen gewinnen können, wir in Deutschland aber nur, wenn wir mit KI-Systemen nicht mehr deutsch sprechen.

Was bedeutet maschinenlesbar?

Maschinenlesbar ist laut Erwägungsgrund 35 der EU-Richtlinie 2019/1024 ein Dokument, "wenn es in einem Dateiformat vorliegt, das so strukturiert ist, dass Softwareanwendungen die konkreten Daten einfach identifizieren, erkennen und extrahieren können. …"

Maschinenlesbar ist jedenfalls die robots.txt Datei. Sie regelt, welche Crawler Inhalte einlesen dürfen, und zwar zum Zwecke der Bildung von Suchmaschinen.

Der deutsche Gesetzgeber sieht es anders. Er versteht unter maschinenlesbar etwas, was mich vermuten lässt, dass der deutsche Gesetzgeber entweder ausgesprochen naive und inkompetente Berater hatte oder sich nicht hat beraten lassen.

Der deutsche Gesetzgeber sieht nämlich anscheinend Angaben im Impressum oder den AGB als maschinenlesbar. Siehe Drucksache 19/27426 des Deutschen Bundestages zum Gesetzesentwurf von § 44b UrhG (dort: S. 89, Absatz 2), Fettdruck von mir:

"Ein Nutzungsvorbehalt muss ausdrücklich erklärt werden und in einer Weise erfolgen, die den automatisierten Abläufen beim Text und Data Mining angemessen ist. Im Fall von online zugänglichen Werken ist der Vorbehalt deshalb gemäß Absatz 3 Satz 2 nur dann wirksam, wenn er in maschinenlesbarer Form erfolgt (vergleiche ErwG 18 Unterabsatz 2 Satz 2 DSM-RL). Er kann auch im Impressum oder in den Allgemeinen Geschäftsbedingungen (AGB) enthalten sein, sofern er auch dort maschinenlesbar ist."

Ich sage mal, dass dies europarechtswidrig ist, möchte mich aber nicht dem juristischen Diskurs in den Weg stellen. Hier sei angemerkt, dass es meiner Kenntnis nach in Deutschland legal ist, auch unmöglich erfüllbare Verträge abzuschließen. Das wäre so ein Beispiel.

Wie schlecht schlechte Berater sind, zeigt die Webseite eines bekannten deutschen Rechtsdienstes. Dort wird brav im Impressum der Nutzungsvorbehalt gemäß § 44b UrhG erklärt. Diese Angabe findet sich auch als informeller Kommentar in der robots.txt Datei der besagten Webseite.

Doch leider hat man in der Robots-Datei vergessen, neben dem allerbekanntesten KI-System (ChatGPT) auch das zweitbekannteste System (von Google) durch einfache und unmissverständliche technische Angabe auszuschließen.

Weil einfach einfach zu einfach ist.

Der besagte Rechtsdienst hat sicher genügend Ressourcen, um Berater zu bezahlen.

Ich sehe beim deutschen Gesetzgeber übrigens kein spezifisches Parteienproblem, sondern eines mit dem Prozess der Gesetzgebung an sich. Wer einmal eine Konsultation des deutschen Bundestages oder von politischen Fachausschüssen auf Bundesebene im Fernsehen gesehen hat, weiß vielleicht, was ich meine. Hier die Essenz:

• Experten trauen sich nicht, die Wahrheit auszusprechen.
• Experten sind keine Experten.
• Experten haben nur wenig Zeit für ihre Antworten.
• Experten dürfen nur auf gestellte Fragen antworten, aber nicht weiter denken.
• Die ganze Veranstaltung dauert nur eine kurze Zeit.
• Die Antwort von Experten ist oft nur für Halbexperten verständich, nicht aber für Politiker, die alles verstehen wollen und meinen zu müssen.
• Es ist unfein, unbequeme Wahrheiten auszusprechen, und wer will schon die positiven Schwingungen stören?

Probleme über Probleme

Die Vorgabe des deutschen Gesetzgebers ist aus mehreren Gründen Bullshit. Hier die Gründe für das Versagen des deutschen Gesetzgebers.

Impressum und AGB können nicht sicher erkannt werden

Impressum und AGB-Seite lassen sich nicht mal eben schnell automatisiert ermitteln. Jedenfalls gelingt dies nicht zuverlässig. Das sollte es aber. Denn ansonsten wird sich kein KI-Unternehmen mehr trauen, deutsche Webseiten für KI-Anwendungen einzulesen. In der oben genannten Quelle steht auf S. 89 nämlich auch: "Die Beweislast für das Fehlen eines Nutzungsvorbehalts trägt der Nutzer [=Crawler].".

Ich spreche aus Erfahrung. Das Impressum ist eine Unterseite wie jede andere Unterseite einer Webseite. Die AGB-Seite ist es auch, aber dazu noch oft in PDF-Form. Wer sich auch nur einmal mit dem Einlesen von PDFs und dem automatisierten Extrahieren von Rohtext daraus beschäftigt hat, der weiß: Es ist nicht einfach.

Impressum und AGB sollten eventuell gar nicht eingelesen werden

Wenn ein Crawler einen Deep Link verwendet, um ein Dokument (etwa ein PDF) abzurufen, dann will der Crawler oft gar nicht weitere Seiten einer Homepage einlesen. Das müsste er aber, um Impressum und AGB zu finden.

Doch es kommt noch schlimmer.

Ein KI-Crawler ist dumm.

Ein Crawler ist ein Crawler ist ein Crawler. Es gibt oft keine KI. Diese KI soll erst entstehen, nachdem genügend Daten zum Training vorhanden sind. Der Crawler soll diese Daten überhaupt erst liefern.

Das naive und dumme Argument mancher, heutzutage könnte Software doch alles verstehen, ist wirklich nur dumm oder naiv. In Endkonsequenz würde es bedeuten, dass man sich ChatGPT mieten muss, um alle möglichen Daten dorthin zu schicken und ChatGPT gegen Geld zu fragen: "Ei wo ist das Impressum?" oder "Steht denn im Impressum ein Nutzungsvorbehalt?" oder "Jetzt müssen wir doch die AGB durchsuchen, liebes ChatGPT, aber bitte dabei keine Daten speichern, weil, wir müssen ja erst herausfinden, ob ein Nutzungsvorbehalt da ist."

Eine Analogie wäre (mir fällt leider gerade nichts Besseres ein): Sie haben einen Termin in zwei Stunden an einem Ort, der 500 km Luftlinie von Ihrem aktuellen Ort entfernt ist. An Ihrem aktuellen Ort sind Sie ebenfalls in einen Termin verwickelt. Sie kommen daher zu spät zum Folgetermin und erhalten dafür einen Rüffel, weil Sie ja einen Hubschrauber hätten nehmen können. Der Hubschrauber entspricht hier ChatGPT, nur dass der Hubschrauber weniger Datenschutzlücken aufweist.

In einem sozialen Netzwerk hat eine Dame ihren Nutzungsvorbehalt gegen KI-Crawling wie folgt wiedergegeben: „Jegliche Datennutzung ist ausschließlich zum Zweck des Informationsgewinns in menschlichen neuronalen Netzen bestimmt.“

Ich bezweifle sehr stark, dass ein Crawler dies versteht. Ebenso bezweifle ich, dass ein Sprachmodell dies versteht. Und außerdem bezweifle ich, dass die meisten Menschen das verstehen.

Das Dilemma

Nochmal: Ein Crawler ist ein Crawler. Ein Crawler liest Inhalte ein und speichert sie ab. Fertig. Alles, was danach kommt, machen andere Software-Komponenten.

Ein Crawler, der Inhalte für eine Suchmaschine einliest, soll und muss (?) also nur die robots.txt Datei und den dort hinterlegten Nutzungsvorbehalt respektieren.

Derselbe Crawler soll aber nach dem Wunsch des deutschen Gesetzgebers dann auch in der Lage sein, viel mehr zu tun, wenn die Inhalte auch oder nur für das Training von KI-Modellen verwendet werden. Der Crawler soll dann nicht nur die wirklich simple robots.txt Datei verstehen können, die übrigens immer an derselben Stelle auf jeder Webseite liegt. Nein, dieser selbe Crawler soll dann auch noch folgendes leisten:

1. Webseite weiter einlesen, als vielleicht beabsichtigt, um herauszufinden, wo Impressum und AGB hinterlegt sein könnten.
2. Impressum einlesen.
3. Rohtext aus dem Impressum extrahieren.
4. Rohtext analysieren und versuchen zu verstehen.
5. Kein Nutzungsvorbehalt gefunden, dann gehe auf Los (Schritt 6)
6. AGB einlesen
7. Falls PDF: PDF-Reader anschmeißen. Hoffentlich sind die AGB ohne Fußnoten und am besten einspaltig abgelegt.
8. Rohtext aus den AGB extrahieren.
9. Rohtext analysieren und versuchen zu verstehen.
10. Kein Nutzungsvorbehalt gefunden, dann gehe auf Los (Schritt 11).
11. Möglichst rechtssicheres und revisionssicheres Abspeichern von
    • Impressumsseite,
    • AGB-Seite,
    • Seite, aufgrund derer die Seiten für Impressum und AGB ermittelt wurden.

Viel Spaß und vor allem: Viel Erfolg!

Die Lösung

Eine Lösung benötigt drei Konventionen:

1. Namenskonvention (URL): Hier ist die Datei, in der der Nutzungsvorbehalt ausgerdückt wird, zu finden.
2. Strukturkonvention (Inhalt): So ist die Datei aufgebaut
3. Namenskonvention (Inhalt): So heißen die Parameter, die Nutzungsvorbehalte ausdrücken. Es kann einen generellen Nutzungsvorbehalt geben, aber auch einen spezifischen (für einzelne KI-Systeme).

Der Istzustand für die allseits bekannte und bewährte robots.txt Datei erfüllt alle diese Anforderungen. Lediglich für den generellen Nutzungsvorbehalt fehlt eine Vorgabe. Diese Vorgabe muss lediglich einmal gemacht werden, damit es eine Konvention ist. Fertig. Kostet mich 10 Sekunden Zeit (siehe unten), ist also keine intellektuelle Höchstleistung.

Hingegen erfüllen die vom deutschen Gesetzgeber irrigerweise angeführten Stellen Impressum und AGB alle drei Konventionen NICHT:

1. Es ist unklar, wo sich Impressum und AGB auf einer Webseite befinden. AGB gibt es oft einfach nicht.
2. Das Impressum ist strukturell chaotisch aufgebaut. Von den AGB als Rechtstext wollen wir gar nicht erst reden.
3. Siehe 2: Das Impressum ist inhaltlich chaotisch aufgebaut, AGB analog.

Der deutsche Weg ist also ein Irrweg. Die deutsche Regelung für den Nutzungsvorbehalt gegen KI-Crawling ist zum Scheitern verurteilt. Er sorgt zudem dafür, dass die deutsche Sprache in der KI-Landschaft verarmen wird, oder es sich nur die großen KI-Unternehmen leisten können, sich nicht an die deutschen Regeln zu halten. Vielen Dank, Deutschland.

Wozu ist die deutsche Sprache in Sprachmodellen gut?

Chatbots in der Form, wie sie der Privatanwender nutzt, sind nicht das Problem, wenn keine sensiblen Daten verarbeitet werden. Hierfür gibt es ChatGPT und ähliches.

Für die intelligente KI-Suche nach Dokumenten gibt es ebenfalls bereits gute Sprachmodelle, die sogar lokal ablaufen. Gut für den, der sich diese LLMs schon lokal abgespeichert hat. Denn sobald die Welt vom deutschen Irrweg etwas mitbekommt, werden neuere Versionen der Sprachmodelle weniger deutsche Texte enthalten.

Vor allem aber für das maschinelle Schlussfolgern sind Sprachmodelle sehr interessant, relevant und wirtschaftlich höchst bedeutsam. Auch die Forschung freut sich über neue Erkenntnisse, die es ohne KI-Sprachmodelle nicht gäbe. Hier ein Beispiel für die Möglichkeiten, die es jetzt schon gibt.

Das Beispiel ist in deutscher Sprache gegeben. Es funktioniert so mit frei verfügbaren Sprachmodellen zukünftig aber nur, wenn der deutsche Irrweg nicht für Entsetzen sorgt. Ansonsten müssten Sie leider alles in Englisch, Spanisch, Bengali oder einer anderen wirklich relevanten Sprache ausdrücken. Tut mir leid, dass Sie damit mehr Mühe hätten. Bedanken Sie sich beim deutschen Gesetzgeber.

Grundsätzlich so, wie im Beispiel eben genannt, funktioniert ein maschinelles Schlussfolgern ("Reasoning"). Mit Hilfe von aktuell gängigen Open Source Verfahren können Sprachmodelle eine Fragestellung in Teilaufgaben zerlegen, diese einzeln ausführen, deren Ergebnisse zusammenführen und so die endgültige Antwort generieren. Auf diese Weise konnten beispielsweise neue Erkenntnisse in der Materialkunde gewonnen werden. Die Lösung heißt MechGPT. Dies geschah insbesondere durch Einlesen von Forschungsergebnissen (in englischer Sprache!) und Finden von Zusammenhängen. Das Ergebnis waren neue Erkenntnisse, die über einzelnen englische Aufsätze verschmiert waren. Schade, dass die deutsche Spracheimmer unbedeutender wird.

Fazit

Der deutsche Gesetzgeber ist dumm. Alle, die den § 44b UrhG für aktuell umsetzbar halten, sind naiv oder dumm oder wollen zu Dingen Ihre Meinung abgeben, zu denen sie besser nichts sagen.

Weil der § 44b UrhG nicht realisierbar ist und zudem der Crawler-Betreiber beweisen muss, alles richtig gemacht zu haben, werden deutsche Texte zukünftig noch seltener in KI-Sprachmodellen Einzug finden. Ein Chatbot ist nur so gut, wie die Daten, die er zum Training erhält. Deutsch wird zukünftig in der Steinzeit zu verorten sein. Sollten Sie einmal vorhaben, Texte im Internet mit Hilfe einer KI zu analysieren (etwa zur Vorhersage des Aktienmarktes) dann schreiben Sie lieber gleich alles in Englisch, Chinesisch oder Bengali.

Die Lösung wäre: In der robots.txt-Datei soll ein Nutzungsvorbehalt gegen KI-Crawling hinterlegt werden müssen.

Diesen Ansatz gibt es faktisch schon, weil Firmen wie OpenAI oder Google bereits mitteilen, wie in robots.txt ein Nutzungsvorbehalt hinterlegt werden kann. Hier konkrete Beispiele aus der Praxis:

Diese Datei ist zu finden unter dr-dsgvo.de/robots.txt. Allgemeiner: ihre-webseite.de/robots.txt. So einfach ist es.

Das Problem sind bisher unbekannte oder noch gar nicht existente KI-Crawler, deren Eintrag für robots.txt somit gar nicht bekannt sein kann. Falls Sie mal ein KI-Modell erstellen wollen, werden Sie wohl kaum dafür sorgen können oder wollen, dass die ganze Welt (oder auch nur Deutschland) weiß, wie Ihr KI-Crawler technisch heißt und wie somit der Nutzungsvorbehalt speziell gegen Ihren KI-Crawler formuliert werden kann.

Eine mögliche Lösung kann ein universeller Eintrag sein, etwa derart:

AI-agent: *
Disallow

So wäre ein Nutzungsvorbehalt gegen alle KI-Crawler ausgesprochen, nicht aber gegen Suchmaschinen. Der Phantasie für eine konkrete Ausgestaltung sind keine Grenzen gesetzt.

Da Suchmaschinen zukünftig gleich KI-Sprachmodellen oder wenigstens KI-Vektorsuchen sein werden, spielt es aber keine Rolle.

Mein Tipp: Am besten den Nutzungsvorbehalt ignorieren und eigene KI-Sprachmodelle aufbauen. Diese sieht niemand von außen. Zudem kann man sie so aufbauen, dass urheberrechtlich geschützte Texte nicht in den Antworten auftauchen und somit kein Problem entstehen kann.