EDPB zu Web Scraping für GenAI: Opt-outs und Minimierung

EDPB Guidelines 03/2026 zu Scraping für GenAI: Konsultation bis 30.10. Was Nutzende an Datenschutz, Opt-outs und Minimierung merken sollten – bevor die Frist endet.

30. Oktober 2026, 23:59 CET. Bis dahin nimmt der Europäische Datenschutzausschuss (EDPB) Feedback zu den Guidelines 03/2026 zu Web Scraping im Kontext generativer KI entgegen. Version 1.0 wurde am 7. Juli 2026 angenommen. Klingt nach Behördenkalender. Ist es auch. Und trotzdem betrifft es Ihren Blogpost, Ihr Forenprofil, Ihren offenen Lebenslauf.

Scraping-Guidelines ändern nicht morgen den Chatbot. Sie ändern, wie glaubwürdig „wir scrapen verantwortungsvoll“ wirkt. Genau das ist die Einordnung für Nutzende: Quellenlisten, Opt-outs, Minimierungsfilter – und warum die Konsultationsfrist zählt.

Wir bei digital-magazin.de lesen die Leitlinien alltagstauglich. Kein Kommentarwerk. Kein Brüssel-Jargon-Aufsatz. Was heißt das für Sie, bevor die Frist abläuft?

Primärquellen: die EDPB-Konsultationsseite zu Guidelines 03/2026 und die PDF-Guidelines v1.0 (7.7.2026).

EDPB Scraping: Was die Guidelines überhaupt regeln

Kurz und klar: Es geht um Web Scraping privater Stellen, wenn Daten aus Internetquellen für das Training generativer KI gesammelt werden – selbst oder über Auftragnehmer. Öffentlich verfügbare Webdienste. Oft ohne Wissen der Betroffenen. Genau deshalb Datenschutzrisiko.

Die DSGVO greift, sobald personenbezogene Daten verarbeitet werden: Erheben, Speichern, Organisieren, Abrufen. Controller, gemeinsame Verantwortliche, Processor – Fall zu Fall. Zweckbindung. Transparenz. Datenminimierung. Häufig Rechtsgrundlage berechtigtes Interesse nach Art. 6(1)(f). Besondere Kategorien nach Art. 9 nur mit Ausnahme.

Hand aufs Herz: Das sind keine neuen Wörter. Neu ist die gebündelte, praxistaugliche Landkarte speziell für GenAI-Training per Crawl.

Was Nutzende zuerst merken sollten

Drei Dinge, bevor Paragrafen:

1. Quellenlisten / Source disclosure: Wenn Anbieter sich auf die Ausnahme berufen, Betroffene nicht einzeln zu informieren (Art. 14(5)(b) DSGVO – Unmöglichkeit oder unverhältnismäßiger Aufwand), müssen sie Informationen öffentlich machen – inklusive präziser Angabe der Quelle(n), ob öffentlich zugänglich, und bei Crawl/Scraping Angaben zu Crawler-Merkmalen.
2. Opt-outs und Widerspruch gegen Scraping: Die Guidelines nennen technische und organisatorische Hebel, die Controller respektieren sollen: Websites ausschließen, die Scraping klar ablehnen – etwa über robots.txt, ai.txt oder CAPTCHA. Opt-out-Listen für Betroffene werden als Mitigationsmaßnahme genannt.
3. Minimierungsfilter: Vor und nach dem Sammeln: Kriterien, Filter, Ausschluss bestimmter Kategorien und Seiten; danach Syntax-Filter, Synthetik, Anonymisierung/Pseudonymisierung wo machbar.

Kennen Sie das Gefühl, dass Ihr öffentlicher Text „eh im Internet“ ist und damit vogelfrei? Die EDPB sagt das so nicht. Öffentlich ≠ freie Weiterverarbeitung ohne Abwägung.

Transparenz und Art. 14(5)(b): warum Source Lists zählen

Bei Massencrawls ist Einzelbenachrichtigung oft unmöglich oder unverhältnismäßig. Die Guidelines erklären: Wer Art. 14(5)(b) nutzt, muss Aufwand gegen Auswirkungen auf Betroffene abwägen – für den Datensatz als Ganzes. Faktoren u. a. Anzahl Betroffener, Alter der Daten, Schutzmaßnahmen.

Und der Knackpunkt für Sie: Eine angemessene Maßnahme, die Controller laut Guidelines immer ergreifen müssen, ist öffentliche Information – Privacy Policy und/oder spezieller Hinweis. Darin u. a. Kategorien, Zwecke, Rechtsgrundlage, präzise Quellenangabe, Crawl-Charakteristika.

Was heißt das praktisch? Wenn ein Lab „wir trainieren mit öffentlichen Webdaten“ sagt, ohne brauchbare Quellenübersicht, ist das dünn. Glaubwürdigkeit misst sich an der Liste, nicht am Slogan.

Meiner Einschätzung nach sollten Sie bei Trainingsdaten-Seiten nach Source summaries, Domain-Listen, Crawler-Namen suchen – nicht nur nach Marketing-Absätzen. Wer das nicht liefert, liefert keine Aufsichtstauglichkeit.

Zur technischen Seite von Bot-Präferenzen und Crawler-Steuerung lohnt bei digital-magazin.de der Blick auf Cloudflare Bot Preference Sync und Robots-/AI-Crawler – Praxis-Hebel neben der EDPB-Logik.

Datenminimierung: robots.txt, ai.txt, CAPTCHA

Datenminimierung verbietet nicht große Trainingsmengen. Sie verlangt: nur was für den Zweck nötig ist. Die Guidelines listen Maßnahmen vor der Erhebung: synthetische Daten erwägen; präzise Kriterien; Mapping/Inventar; Filter; Seiten ausschließen, die strukturell bestimmte Daten oder klaren Scraping-Widerspruch tragen.

Konkret genannt im Minimierungskontext: Authentifizierung vor Content, robots.txt oder ai.txt, CAPTCHA – Mechanismen, die Hürden setzen. Controller sollen Seiten ausschließen, die Scraping ablehnen.

Wichtig für Website-Betreibende: robots.txt ist kein Einwilligungsersatz. Die Guidelines halten fest, dass das Fehlen einer robots.txt-Datei nicht Consent bedeutet. Andersrum: Eine klare Ablehnung über solche Mittel ist ein Signal, das in Minimierung und Abwägung hineingehört.

Für Sie als Blog- oder Foren-Admin: Prüfen Sie robots.txt und – wo üblich – ai.txt. CAPTCHA schützt nicht nur vor Spam, sondern setzt Scraping-Reibung. Das ersetzt keine Rechtsberatung. Es ist der sichtbare Filter, den Guidelines ernst nehmen.

Berechtigtes Interesse Art. 6(1)(f): drei Bedingungen

Private Stellen stützen Scraping für GenAI-Training oft auf berechtigtes Interesse. Laut Guidelines drei kumulative Bedingungen:

1. berechtigtes Interesse des Controllers oder Dritter
2. Notwendigkeit der Verarbeitung für dieses Interesse
3. Abwägung: Interessen/Grundrechte der Betroffenen dürfen nicht überwiegen

Mitigationsmaßnahmen helfen in der Abwägung: bestimmte Kategorien/Quellen von vornherein raus; nur frei zugängliche Daten; mehr Transparenz; Rechteerleichterung; Löschen/Anonymisieren so früh wie möglich; Pseudonymisieren; später auch Maßnahmen gegen Memorisierung, Regurgitation, Angriffe auf Modelle.

Mal ehrlich: „Es steht online“ ersetzt keinen Balancing Test. Wer das behauptet, liest die Guidelines nicht.

Wer grundsätzlich Vertraulichkeitslücken bei KI kennt, findet bei digital-magazin.de die Einordnung zu kritischen Vertraulichkeitslücken beim KI-Datenschutz – andere Baustelle, gleiche Disziplin: Claim versus Schutz.

Besondere Kategorien Art. 9: Residual Scraping

Besondere Kategorien sind grundsätzlich verboten. Scraping, das solche Daten erfasst, braucht zusätzlich eine Ausnahme nach Art. 9(2) plus Art.-6-Grundlage. Die Guidelines verweisen auf die EuGH-Linie GC & Others (C-136/17) für zufällige/restliche Erfassung – wenn Controller technische und organisatorische Maßnahmen treffen, Erhebung und Verbreitung zu verhindern, im Rahmen ihrer Verantwortlichkeiten und Möglichkeiten. Fallanalyse nötig. Kein Freifahrtschein.

Alltagsübersetzung: Gesundheits-, Religions-, Sexualitätsbezogene Posts in Foren sind heiß. Minimierungsfilter und Ausschlusslisten sind hier nicht „nice to have“.

Controller und Processor: wer haftet wofür?

Scrapt eine Partei im Auftrag eines AI-Developers nach dokumentierten Instruktionen (Quellen, Kategorien), kann der Scraper Processor sein, der Developer Controller. Nutzt ein Developer bereits gescrapte Sets einer anderen Entity, sind Verantwortlichkeiten oft getrennt. Joint Controllership möglich, wenn Zwecke und Mittel gemeinsam festgelegt werden.

Für Sie als Lesende: Wenn ein Chatbot-Anbieter „wir kaufen Datasets“ sagt, verschwindet Datenschutz nicht. Die Rollen verschieben sich. Accountability bleibt.

Zur praktischen Umsetzung von Privacy-Alltag jenseits von Guidelines lohnt der Einstieg, Datenschutz praktisch umzusetzen – Checklisten statt Mythos.

Was Blogs, Foren und Profile konkret tun können

Vor dem 30.10.:

• robots.txt / ai.txt prüfen und klar formulieren, was Crawler dürfen
• CAPTCHA oder Login-Walls für sensible Bereiche
• Öffentliche Profile auf besondere Kategorien und Klarnamen scannen
• Bei Anbietern nach Source lists und Opt-out-Mechanismen fragen
• Konsultation nutzen, wenn Sie Website-Betreiberin, Journalistin oder Entwicklerin sind – Feedback wird veröffentlicht

Was Sie nicht erwarten sollten: dass die Guidelines Ihren Text aus bereits trainierten Modellen löschen. Das ist rückwirkende Magie. Die Leitlinien steuern künftige Scraping-Praxis und Abwägung.

Stellen Sie sich vor, Ihr Forum ist ein offener Marktplatz. Die Guidelines sagen dem Händler mit dem Staubsaugerwagen: Filter an, Schilder lesen, Liste führen. Sie sagen nicht: Der Marktplatz verschwindet.

Warum die Konsultationsfrist zählt

Guidelines 03/2026 stehen in öffentlicher Konsultation vom 8. Juli bis 30. Oktober 2026, 23:59 CET. Kommentare über das EDPB-Formular. Veröffentlichungswarnung beachten.

Fristen erzeugen Druck. Druck erzeugt Schärfe in Formulierungen. Wer schweigt, überlässt die Nuancen den Lobbyisten und Großanbietern. Ich finde, genau deshalb sollten auch kleinere Publisher und Forenbetreibende Feedback geben – kurz, konkret, zu robots/ai.txt, Source lists, Opt-outs.

Die Guidelines sind Version 1.0 für Konsultation. Final kann nachjustiert werden. Ihre Stimme zählt in diesem Fenster.

Was Chatbot-Nutzende (nicht) merken

Dieses Bild wurde komplett mit KI generiertProviderhiggsfieldModellgpt_image_2PromptDesk calendar page marked late October next to a closed privacy policy folder, soft daylight European office, documentary style, no logos, no readable text, 16:9

Nicht: eine neue Bubble „EDPB-scraped« in der UI.

Wohl: mehr sichtbare Trainingsdaten-Seiten, klarere Crawler-Infos, ernsthaftere Opt-out-Angebote – wenn Anbieter die Leitlinien ernst nehmen. Glaubwürdigkeit steigt mit Listen und Filtern. Sinkt mit „public web, trust us“.

Ehrlich gesagt: Ich messe Vendoren künftig an drei Fragen. Wo ist die Source-Übersicht? Welche Seiten schließen Sie wegen robots/ai.txt/CAPTCHA aus? Wie filtern Sie besondere Kategorien? Wer stammelt, scrapt rhetorisch verantwortungsvoll – und praktisch unsauber.

Wer europäische Datenschutz-Debatten und Fristen verfolgt, findet bei digital-magazin.de auch Einordnung zur Datenschutz-Wende mit Fristen und Sicherheitskomponenten – breiterer Kontext, anderer Fokus.

Checkliste bis 30.10.

1. EDPB-Konsultationsseite öffnen, Deadline notieren
2. Eigene Sites: robots.txt / ai.txt / CAPTCHA-Lage prüfen
3. Bei GenAI-Anbietern Source lists und Opt-outs suchen
4. Öffentliche Profile auf sensible Kategorien trimmen
5. Feedback formulieren, wenn Sie betroffen scrapen oder gescraped werden
6. Keine Panik: Guidelines ≠ Chatbot-Abschaltung
7. Glaubwürdigkeit an Filtern und Listen messen

Zehn Minuten Admin-Zeit schlagen eine Stunde Empörung in sozialen Medien.

Rollen klar trennen – ohne Jargon-Nebel

Sie als Lesende. Sie als Website-Betreibende. Sie als Mitarbeitende in einem KI-Team. Drei Rollen, drei To-dos. Lesende: Erwartung an Transparenz. Betreibende: technische Ablehnungssignale. KI-Teams: Rollenklärung Controller/Processor, Balancing Test dokumentieren, Minimierung vor dem Crawl.

Das Kuriose daran: Viele Teams starten mit dem Modell und enden mit der Rechtsgrundlage. Die Guidelines drehen die Reihenfolge um – Zweck, Minimierung, Abwägung, dann Scale.

Opt-out-Listen und Betroffenenrechte

Die Guidelines erwähnen Opt-out-Listen als Mitigationsmaßnahme: Betroffene können signalisieren, dass ihre Daten nicht (weiter) für bestimmte Scraping-/Trainingszwecke genutzt werden sollen. Das ersetzt nicht automatisch jedes Recht aus Art. 15–22 – aber es ist ein praxistauglicher Kanal neben Privacy Policies.

Fragen Sie Anbieter: Gibt es eine maschinenlesbare oder formbasierte Opt-out-Strecke? Wie schnell wirkt sie auf künftige Crawls – und was ist mit bereits gespeicherten Sets? Wer nur „contact legal@“ anbietet, liefert Reibung statt Recht.

Für Foren: Moderationsregeln und Scraping-Ablehnung in robots/ai.txt sollten zusammenpassen. Sonst winkt das Forum freundlich und die Datei sagt nein – oder umgekehrt.

Accuracy und zuverlässige Quellen

Laut Guidelines sollten Controller für Accuracy zuverlässige Quellen scrapen, Daten timestampen und vor dem Training validieren. Alltagsnah: Müll rein, Müll raus – und personenbezogene Fehler werden zu Privacy- und Ruf-Risiken, wenn Modelle memorisieren oder regurgitieren.

Deshalb gehören Qualitätsfilter zur Minimierung dazu. Nicht nur „weniger Personenbezug“, sondern „weniger Schrott mit Klarnamen“.

Was Website-Betreibende in einer Stunde schaffen

1. robots.txt öffnen, AI-Crawler-Zeilen prüfen
2. ai.txt anlegen oder aktualisieren, falls Ihr Stack das unterstützt
3. Login-Wall für Mitgliederbereiche belassen
4. Impressum/Privacy: Hinweis, dass Scraping für KI unerwünscht ist – konsistent zur Datei
5. Screenshot der Einstellungen für die Konsultationsantwort speichern

Eine Stunde. Weniger als ein Streaming-Abend. Mehr Wirkung als ein wütender Thread ohne technische Spur.

Persönliche Einschätzung

Ich halte die Guidelines für eines der nützlichsten EDPB-Stücke des Jahres für den GenAI-Alltag – gerade weil sie robots.txt, ai.txt und CAPTCHA nicht als Spielerei abtun. Gleichzeitig bleibt Art. 14(5)(b) ein Schlupfloch, wenn Source lists dünn bleiben. Genau dort sollten Konsultationsbeiträge nachschärfen: Was heißt „präzise Quellenangabe“ in der Praxis?

Warm-trocken: Wer Transparenz will, muss Listen verlangen. Wer Minimierung will, muss Filter bauen. Wer nur slogans will, wird die Frist verschlafen.

Szenarien aus dem Alltag

Blog mit Kommentaren: Öffentliche Posts inkl. Klarnamen. robots.txt setzen, sensible Kommentarthreads hinter Login, in der Privacy Policy Scraping-Ablehnung erwähnen.

Berufliches Profil: Lebenslauf online. Besondere Kategorien vermeiden. Bei GenAI-Anbietern Opt-out prüfen.

Elternforum: Gesundheitsdetails in Threads – hohes Art.-9-Risiko. Moderieren, löschen, Login-Wall. Scraping-Ablehnung technisch und textlich.

Newsroom: Eigene Archive crawlen lassen? Rollen klären, Zweck dokumentieren, Minimierung – die Guidelines gelten auch nach innen, wenn personenbezogene Archive betroffen sind.

Der Punkt ist Glaubwürdigkeit

„Wir scrapen nur Public Web“ ist keine Privacy-Story. „Wir listen Quellen, respektieren robots/ai.txt/CAPTCHA, filtern besondere Kategorien und bieten Opt-outs“ ist eine. Die EDPB-Guidelines 03/2026 geben genau diese Messlatte – bis 30.10. können Sie mitformulieren.

Und jetzt?

Behalten Sie den Kalender: 30.10.2026, 23:59 CET. Lesen Sie Source lists. Setzen Sie robots/ai.txt ernst. Messen Sie „verantwortungsvolles Scraping“ an Filtern und Opt-outs, nicht an Presseton. Die EDPB-Guidelines 03/2026 sind Einordnungshilfe – praxistauglich, wenn Sie sie vor Fristende nutzen.

Was bleibt? Ihr öffentlicher Text ist nicht vogelfrei. Scraping für GenAI braucht Zweck, Transparenzpfad und Minimierung. Die Konsultation ist das Zeitfenster, in dem diese Erwartung Form annehmen kann. Nutzen Sie es – oder akzeptieren Sie, dass andere die Formulieren.