Was die Trainingsdaten-Zusammenfassungen der EU-KI-Verordnung verraten — und was nicht

Artikel 53 Abs. 1 Buchst. d der EU-KI-Verordnung verpflichtet jeden Anbieter eines KI-Modells mit allgemeinem Verwendungszweck, eine „hinreichend detaillierte Zusammenfassung“ der zum Training verwendeten Inhalte zu veröffentlichen — nach einer Vorlage, die das KI-Büro im Juli 2025 herausgegeben hat. Die Pflicht trat am 2. August 2025 in Kraft. Ich sammle seit einer Weile die tatsächlich eingereichten Zusammenfassungen in einem kleinen, vergleichbaren Datensatz — er ist unter transparency.kieranmaynard.com/ai-training abrufbar — und die Übung sagt am Ende mehr über den Stand der Regulierung aus als über die Modelle.

Was die Vorlage tatsächlich verlangt

Die Vorlage ist bewusst bescheiden. Für jede in den Trainingsdaten vorhandene Modalität — Text, Bild, Audio, Video, Sonstiges — kreuzt der Anbieter eine von drei Größenklassen an (für Text: weniger als eine Milliarde Tokens, eine Milliarde bis zehn Billionen oder mehr als zehn Billionen) und beschreibt die Art des Inhalts. Danach eine Reihe von Ja/Nein-Feldern zur Herkunft der Daten: öffentlich verfügbare Datensätze, kommerziell lizenzierte Daten, private Daten von Dritten, selbst gecrawlte Daten, Nutzerdaten und synthetische Daten. Dazu ein Stichtag der Datenerhebung.

Das war's. Keine Tokenzahlen, keine Datensatznamen, keine Anteile. Die Kommission hat sie so gestaltet, dass Rechteinhaber und Öffentlichkeit eine Mindestorientierung erhalten, ohne Anbieter zur Preisgabe von Geschäftsgeheimnissen zu zwingen. Die Obergrenze dessen, was eine einzelne Zusammenfassung verraten kann, ist also bewusst niedrig angesetzt. Der Wert, falls es einen gibt, entsteht daraus, sie nebeneinanderzulegen — was sonst niemand tat und der Grund, warum ich den Datensatz gebaut habe. Ich normalisiere jede Größenklasse zu einem Rang (1 bis 3, 0 für „nicht zutreffend“), damit die groben Größen zumindest anbieterübergreifend sortierbar sind.

Das aufschlussreichste Signal ist, wer fehlt

Als ich die Daten zuletzt aktualisierte, hatten elf Modelle von sieben Anbietern die standardisierte Vorlage eingereicht: Google (Gemini 3 Pro), Meta (Muse Spark), Microsoft (die Phi-4-Familie), OpenAI (GPT-5.5), das Schweizer Swiss AI (Apertus), das polnische SpeakLeash (Bielik) und Hugging Face (SmolLM3).

Die auffälligen Abwesenden sind die Frontier-Labore, die man erwarten würde. Anthropic — einschließlich seines aktuellen Flaggschiffs Fable 5 — sowie Mistral und xAI haben nicht nach der Vorlage eingereicht. Sie legen ihre Trainingsinhalte auf die alte Weise offen, als Absatz Prosa in einer Modellkarte: „eine proprietäre Mischung aus öffentlich verfügbaren Informationen, lizenzierten Daten und von unseren Teams generierten Daten“ oder so ähnlich. Das ist eine echte Offenlegung, aber nicht das standardisierte Artefakt, das die Regulierung nun verlangt, und mit nichts vergleichbar.

Diese Kluft ist keine Frage von Trotz gegen Befolgung. Es ist eine ins Gesetz geschriebene Zeitnaht. Modelle, die nach dem 2. August 2025 auf den EU-Markt kommen, müssen jetzt einreichen; Modelle, die vor diesem Datum bereits auf dem Markt waren, haben bis zum 2. August 2027 Zeit, ihre Zusammenfassung zu erstellen. Die Modelle in der Vorlage sind also fast ausnahmslos entweder brandneue Flaggschiffe, die nach dem Stichtag die Linie überquerten, oder Open-Source- und europäische Labore, die proaktiv einreichten, weil Offenheit ihr ganzes Verkaufsargument ist. Die Verweigerer sitzen größtenteils auf der Übergangsfrist. „Wer eingereicht hat“ ist derzeit ein besserer Näherungswert für „wer kürzlich ein neues Modell herausgebracht hat oder transparent wirken will“ als für „wer transparenter ist“.

Was die eingereichten Daten zeigen

Liest man die Zusammenfassungen quer, hält einiges stand.

Alle beanspruchen öffentliche Daten; die interessante Variation liegt überall sonst. Jeder Einreichende kreuzt „öffentlich verfügbare Datensätze“ an. Dieses Feld trägt fast keine Information — es ist der Eintrittspreis. Wo sich Anbieter wirklich unterscheiden, sind die anderen Kategorien: ob sie einen eigenen Crawler betrieben oder sich auf öffentliche Datensätze stützten, die jemand anderes zusammenstellte; ob sie Daten kommerziell lizenzierten; ob sie synthetische Daten nutzten; und — die eine, die sich wie eine echte Offenlegung liest — ob sie mit Nutzerdaten trainierten. OpenAI kreuzt bei Nutzerdaten „ja“ an, und die Zusammenfassung stellt sorgfältig klar, dass damit Daten aus Produkten wie ChatGPT und Codex gemeint sind, nicht Interaktionsprotokolle mit dem Modell; Meta kreuzt ebenfalls „ja“ an. Die offenen und europäischen Labore — Apertus, Bielik, SmolLM3 — kreuzen „nein“ an, neben keiner kommerziellen Lizenzierung und keinem eigenen Crawling. Die Ja/Nein-Felder der Vorlage sind grob, aber genau diese Spalte sagt einem etwas, das eine Marketingseite verschweigen würde.

Die oberste Größenklasse ist bereits gesättigt. „Mehr als zehn Billionen Tokens“ ist der größte Eimer, den die Vorlage für Text anbietet, und er ist schlicht die Norm geworden: Gemini 3 Pro, Muse Spark, GPT-5.5 und SmolLM3 sitzen alle darin. Ein offenes Modell mit 3 Milliarden Parametern und ein Frontier-System melden dieselbe Text-Größenklasse. Das ist kein Fehler — es ist genau das, was eine Drei-Eimer-Skala tut, sobald das Feld den obersten Eimer überschritten hat. Sie hört auf zu unterscheiden. Die Größenfelder taugen dazu, ein kleines oder älteres Modell (Bielik fällt in die mittlere Klasse) von einem modernen großen zu trennen, und sind für alles Feinere nutzlos.

Die Modalitätsabdeckung ist der sauberste Schnitt. Das Einzige, was die Daten scharf trennen, ist multimodal gegen reinen Text. Google, Meta und OpenAI melden Bild-, Audio- und Videotrainingsdaten; die Einträge der offenen Labore sind reiner Text. Das ist eine echte, überprüfbare Unterscheidung, auf einen Blick sichtbar, wie es die Größenklassen nicht sind.

Die Grenzen sind strukturell, nicht beiläufig

Wie bei den DSA-Transparenzberichten, über die ich bereits geschrieben habe, zählen die Einschränkungen ebenso viel wie der Inhalt, und mehrere stecken im Regime selbst, nicht in meiner Sammlung davon.

Es gibt kein Register. Niemand führt eine verbindliche Liste eingereichter Zusammenfassungen, sodass „wer veröffentlicht hat“ selbst eine Forschungsfrage ist — mehrere davon fand ich, indem ich von einer wissenschaftlichen Übersicht und von Hugging-Face-Modellkarten aus rückwärts arbeitete. Jeder Anbieter veröffentlicht selbst, wo er will, im Format, das er will. In der Praxis hieß das: ein Transparenzbericht-PDF von Google, Formularfeld-PDFs von Meta und OpenAI, eine „Datenzusammenfassungskarte“ in Markdown von Microsoft, ein PDF in einem Hugging-Face-Repository für Apertus und — bei SmolLM3 — ein interaktives Widget hinter einer Gradio-App, aus deren Quellcode ich die ausgefüllte Vorlage herausklauben musste. Eine standardisierte Vorlage, die auf fünf verschiedene Arten veröffentlicht wird, ist nur halb standardisiert.

Es gibt keine Prüfung. Jedes Feld ist selbst deklariert; nichts Externes bestätigt, dass ein „Nein“ bei gecrawlten Daten oder Nutzerdaten stimmt. Und die Vorlage fragt, ob eine Quelle genutzt wurde, nie wie viel, sodass ein Anbieter, der überwiegend mit lizenzierten Daten trainierte, und einer, der nur einen einzigen lizenzierten Satz berührte, dasselbe Kästchen ankreuzen. „Öffentlich verfügbar“ wird nie definiert und schluckt daher alles, von sorgfältig kuratierten Forschungskorpora bis zum offenen Web.

Nichts davon macht die Daten nutzlos. Es macht sie zu dem, was sie sind: eine strukturierte, selbst gemeldete, anbieterübergreifende Momentaufnahme, wirklich nützlich, um die Form des Feldes zu erkennen — wer mit welcher Art von Quellen, ungefähr in welchem Umfang, in welchen Modalitäten trainiert — und irreführend, wenn man ein angekreuztes Kästchen als gemessene Größe behandelt.

Was zu erwarten ist

Die Durchsetzungsbefugnisse greifen am 2. August 2026 — ab diesem Datum kann das KI-Büro gegen eine fehlende oder unzureichende Zusammenfassung vorgehen, mit Bußgeldern von bis zu 3 % des weltweiten Umsatzes oder 15 Millionen Euro. Die größere Verschiebung kommt mit der Übergangsfrist zum 2. August 2027, wenn auch die bereits bestehenden Modelle einreichen müssen. Dann wird der Datensatz interessant: Die Flaggschiffe, die heute in Prosa offenlegen — die ich derzeit weglassen muss —, werden das standardisierte Artefakt liefern müssen oder die Durchsetzung riskieren, und das Signal „wer fehlt“ wird endlich etwas bedeuten, das der Nichtbefolgung näher ist als dem Zeitpunkt.

Ich erwarte, dass dabei zwei Dinge sichtbar werden. Erstens wird die grobe oberste Klasse peinlicher, nicht weniger: Je mehr Frontier-Systeme sich in „mehr als zehn Billionen Tokens“ drängen, desto größer wird der Druck, feinere Eimer hinzuzufügen — oder eine echte Zahl zu melden —, denn ein Transparenzinstrument, das ein Modell mit 12 Billionen Tokens nicht von einem mit 50 Billionen unterscheiden kann, sagt den Regulierern nicht viel. Zweitens wird die Formatzersplitterung erst schlimmer, bevor sie besser wird, sofern das KI-Büro kein echtes Register aufsetzt; hundert weitere Zusammenfassungen, verstreut über hundert Firmen-CDNs und Modell-Repositories, sind kein Transparenzregime, sondern eine Schnitzeljagd.

Die Vorlage ist eine echte Verbesserung gegenüber dem früheren Zustand, der nichts war. Doch die interessante Geschichte in den Daten ist derzeit nicht, was irgendein Modell offenlegt — es ist die Naht zwischen den Laboren, die einreichen mussten, und denen, die es noch nicht taten, und wie viel dieser eine zeitliche Zufall gegenwärtig erklärt. Ich werde den Datensatz weiter aktualisieren, während die Frist 2027 den Rest des Feldes auf die Vorlage zieht, und wir werden sehen, ob die Vergleichbarkeit den Kontakt mit hundert weiteren Einreichungen überlebt.