Glossareintrag
Wir denken. KI tippt mit.
Trainingsdaten (englisch Training Data, auch KI-Trainingsdaten oder AI Training Data) sind die Beispieldaten, aus denen ein KI-Modell beim Training seine Fähigkeiten lernt. Das können Texte, Bilder, Audioaufnahmen oder Tabellen sein. Während des Trainings passt das Modell seine Parameter so lange an, bis es die Muster in diesen Daten zuverlässig abbildet. Das Gelernte steckt danach im Modell selbst, die Originaldaten braucht es im laufenden Betrieb nicht mehr.
Wie Trainingsdaten aussehen, hängt vom Verfahren ab. Klassische Machine-Learning-Systeme lernen aus überschaubaren, von Hand beschrifteten Datensätzen, etwa tausenden Fotos mit dem Etikett „Riss im Putz" oder „kein Riss". Large Language Models wie die Modelle hinter ChatGPT lernen dagegen aus Billionen Wörtern, die zum großen Teil aus dem öffentlichen Web stammen.
Entwickler teilen ihr Datenmaterial in drei Gruppen: Trainingsdaten zum Lernen, Validierungsdaten zum Feinjustieren während der Entwicklung und Testdaten für die abschließende Bewertung, die das Modell vorher nie gesehen haben darf. Für die Praxis wichtiger ist die umgekehrte Abgrenzung. Dokumente, die Sie einem Chatbot hochladen oder als Wissensdatenbank anbinden, sind keine Trainingsdaten. Das Modell schlägt darin nur nach und bleibt selbst unverändert.
Moderne Sprachmodelle sammeln ihr Können in mehreren Trainingsphasen mit jeweils eigenen Daten. Die Basis legt das Pre-Training auf riesigen Web-Korpora. Wichtigster Rohstoff ist das freie Webarchiv Common Crawl, das seit 2007 mehr als 300 Milliarden Webseiten erfasst hat und jeden Monat um 3 bis 5 Milliarden Seiten wächst. Danach folgen das Fine-Tuning mit Frage-Antwort-Beispielen und eine Feinabstimmung über menschliches Feedback (Reinforcement Learning from Human Feedback, kurz RLHF), bei der Annotatoren Modellantworten paarweise vergleichen. Um diese Handarbeit ist eine eigene Industrie entstanden, allein Meta investierte im Juni 2025 rund 14,3 Milliarden US-Dollar in den Annotations-Spezialisten Scale AI.
Metas Llama 3 lernte 2024 aus gut 15 Billionen Tokens, Llama 4 ein Jahr später laut der offiziellen Llama-4-Ankündigung aus mehr als 30 Billionen, inzwischen samt Bildern und Videos. Alibabas Qwen3 nennt 36 Billionen Tokens aus 119 Sprachen. GPT-3 kam 2020 noch mit rund 300 Milliarden Tokens aus, einem Hundertstel der Llama-4-Menge.
Rohe Webdaten wandern nie direkt ins Training, sie werden gefiltert, dedupliziert und nach Qualität sortiert. Wie nötig das ist, zeigte 2022 eine Analyse des Web-Korpus C4, die einen einzigen 61 Wörter langen Werbesatz mehr als 60.000-mal darin fand. Heute bewerten KI-Klassifizierer jede Webseite vor, beim offenen Datensatz FineWeb-Edu sortierte ein solches System 15 Billionen Tokens nach Bildungswert. Microsofts kompakte Phi-Modelle zeigen, dass Datenqualität stärker wirkt als Datenmenge, sie erreichen mit streng kuratierten, zu großen Teilen synthetischen Daten Ergebnisse, für die andere Modelle ein Vielfaches an Material brauchen. Auch die Mischung wird bewusst austariert, bei Llama 3 bestand sie etwa zur Hälfte aus Allgemeinwissen, einem Viertel Mathematik und Logik sowie 17 Prozent Programmcode.
Schwächen der Trainingsdaten werden zu Schwächen des Modells. Einseitige Daten erzeugen verzerrte Ergebnisse (Bias), lückenhafte oder widersprüchliche Daten begünstigen Halluzinationen, und der Stichtag der Datensammlung setzt den Wissens-Cutoff, ab dem ein Modell neuere Ereignisse schlicht nicht kennt.
Das Forschungsinstitut Epoch AI schätzt in einer Studie zur Datenknappheit den gesamten öffentlich verfügbaren, von Menschen geschriebenen Text auf rund 300 Billionen Tokens und erwartet, dass die größten Modelle diesen Vorrat zwischen 2026 und 2032 ausgeschöpft haben. Die Anbieter reagieren mit Lizenzverträgen, Google zahlt Reddit Berichten zufolge rund 60 Millionen US-Dollar pro Jahr, OpenAI schloss Verträge mit Verlagen wie News Corp und Axel Springer. Parallel wächst der Anteil synthetischer, also von KI erzeugter Trainingsdaten, bei NVIDIAs Nemotron-Modell waren über 98 Prozent der Feinabstimmungsdaten maschinell erzeugt. Eine Nature-Studie zu Model Collapse wies 2024 allerdings nach, dass Modelle über Generationen degenerieren, wenn sie überwiegend mit eigenen Ausgaben trainiert werden.
Die Herkunft von Trainingsdaten beschäftigt inzwischen Gesetzgeber und Gerichte. Der EU AI Act verpflichtet Anbieter großer Modelle seit August 2025, eine öffentliche Zusammenfassung ihrer Trainingsinhalte nach einem offiziellen Template der EU-Kommission zu veröffentlichen. Seit August 2026 kann die EU-Kommission Verstöße mit Bußgeldern bis 15 Millionen Euro oder 3 Prozent des Weltjahresumsatzes ahnden, je nachdem, welcher Betrag höher ist.
Im deutschen Urheberrecht erlaubt die Text-und-Data-Mining-Schranke des § 44b UrhG das automatisierte Auswerten frei zugänglicher Inhalte, Rechteinhaber können der Nutzung aber in maschinenlesbarer Form widersprechen. Wo die Grenzen liegen, klären gerade die Gerichte. Das OLG Hamburg erlaubte dem Datensatz-Anbieter LAION im Dezember 2025 die Berufung auf diese Schranken, die Revision verhandelt der Bundesgerichtshof im September 2026. Das LG München I urteilte dagegen im November 2025 zugunsten der GEMA gegen OpenAI, weil im Modell gespeicherte Songtexte eine urheberrechtliche Vervielfältigung darstellen, und untersagte im Juli 2026 auch dem Musikgenerator Suno das Training mit geschützten Liedern, beide Urteile sind noch nicht rechtskräftig.
In den USA zahlt Anthropic nach einem im Juli 2026 endgültig gebilligten Vergleich 1,5 Milliarden US-Dollar an Buchautoren, rund 3.000 Dollar je Werk. Die Klage der New York Times gegen OpenAI läuft weiter, und bereits 2024 hatte der Fall des OpenAI-Whistleblowers Suchir Balaji die Debatte über die Datenpraxis verschärft.
Die wichtigste Trainingsdaten-Frage im Betriebsalltag lautet, ob Ihre Chat-Eingaben zum Lernmaterial der KI-Anbieter werden. Die Antwort hängt vom Konto ab und lässt sich überall steuern:
Für den Alltag heißt das, Kundendaten, Kalkulationen und Angebote gehören nur in Konten, in denen das Training abgeschaltet ist oder ein Business-Tarif es von vornherein ausschließt (ab etwa 20 US-Dollar je Nutzer und Monat).
Eigene Dokumente hochladen ist dagegen kein Training. Wenn Sie Ihre Preisliste in ein Claude-Projekt oder einen Custom GPT laden, schlägt die KI zur Laufzeit darin nach. Echtes Nachtrainieren mit Betriebsdaten (Fine-Tuning) lohnt sich für kleine Betriebe fast nie, OpenAI stellt seinen Selbstbedienungsdienst dafür sogar schrittweise ein. Der praktikable Weg zu einer KI mit Firmenwissen führt über hochgeladene Dokumente, Projektwissen und angebundene Datenquellen.
Auch Ihre Firmen-Website ist potenzielles Trainingsmaterial. Wer das nicht will, sperrt die KI-Crawler per robots.txt aus, die wichtigsten heißen GPTBot (OpenAI), ClaudeBot (Anthropic), CCBot (Common Crawl) und Google-Extended (Gemini-Training). Ein solcher Eintrag gilt als maschinenlesbarer Vorbehalt im Sinne des § 44b UrhG und kostet keine Sichtbarkeit, das Ranking in der normalen Google-Suche bleibt unberührt. Er wirkt allerdings nur für künftige Crawls, bereits eingesammelte Inhalte holt er nicht zurück. Umgekehrt kann es fürs Marketing sinnvoll sein, die Crawler bewusst zuzulassen, damit ChatGPT und Co. den eigenen Betrieb kennen und in Antworten nennen können.
Mehrere Handwerks-Werkzeuge bauen bereits auf branchenspezifischen Trainingsdaten auf. Der SHK-Assistent Ole liest Typenschilder per Foto und findet das passende Ersatzteil unter rund 3 Millionen Artikeln (ab 99 Euro netto im Monat), Benetics macht aus Sprachnachrichten von der Baustelle fertige Tagesberichte (Pro-Tarif 39 Euro je Nutzer und Monat bei monatlicher Zahlung), und Airteam berechnet Dachaufmaße per Bilderkennung aus Drohnenfotos. Laut Bitkom nutzen erst 4 Prozent der Handwerksbetriebe KI, in der Gesamtwirtschaft (Unternehmen ab 20 Beschäftigten) sind es 41 Prozent.
