Warum die Datenjurisdiktion in Ihre KI-Trainingspipeline gehört
Für Robotik-Lerndatensätze, die Jurisdiktion und Einwilligung mit sich tragen, macht der EU AI Act die Provenienz von Trainingsdaten zu einem technischen statt einem juristischen Problem.
Ein Robotik-Team liefert eine Manipulations-Policy aus, die endlich generalisiert. Der Greifer öffnet sich auf Kommando, der Arm fängt sich nach einem Stoß ab, das Demovideo wirkt makellos. Sechs Monate später stellt das Rechtsteam eines Partners eine einzige Frage, die die Ingenieure nicht beantworten können: Wer hat jeden Clip im Trainingsmix aufgezeichnet, unter welcher Einwilligung, und welches Landesrecht regelt seine Weiterverwendung. Die Policy funktioniert. Der Herkunftsnachweis existiert nicht. Dieses Schweigen ist keine juristische Fußnote. Es ist ein Fehler in der Datenpipeline.
Robotik-Lernen ist zu einer Disziplin der Datenprovenienz geworden, ohne dass die meisten Teams es bemerkt hätten. Moderne Manipulationsmodelle trainieren auf aggregierten Mischungen, nicht auf einem einzigen sauberen Korpus. Open X-Embodiment bündelte Trajektorien aus mehr als 20 Roboter-Embodiments, beigesteuert von 21 Institutionen. DROID sammelte rund 76.000 teleoperierte Episoden aus 52 Gebäuden auf drei Kontinenten. Ego4D ergänzte in der Größenordnung von 3.600 Stunden Ich-Perspektive-Videomaterial, aufgezeichnet von Hunderten Teilnehmern in neun Ländern. Jede Teilmenge kommt mit eigener Lizenz, eigenem Einwilligungsumfang, eigener Jurisdiktion. Mischen Sie sie, erben Sie alles auf einmal.
Der EU AI Act, seit 2024 in Kraft, verwandelt dieses Erbe in eine Compliance-Fläche mit angehängten Fristen. Der Reflex ist, das Thema der Rechtsabteilung zuzuordnen. Das ist der falsche Schreibtisch. Provenienz ist eine Eigenschaft, die man im Moment der Aufzeichnung erfasst oder im Nachhinein rekonstruiert, aufwendig und oft unmöglich. Es ist eine technische Nebenbedingung, die zufällig ein Gesetz trägt.
Warum die Mischung das Problem verbirgt
Aggregation ist es, was diese Datensätze mächtig macht, und zugleich, was sie schwer beherrschbar macht. Eine Policy, trainiert auf einer Mischung aus teleoperierten Armdaten und egozentrischem Videomaterial von Menschen, verzeichnet nicht, welche Frames welches Verhalten beigebracht haben. Widerruft ein Beitragender seine Einwilligung, oder stellt sich heraus, dass eine Unterlizenz die kommerzielle Nutzung untersagt, gibt es keinen sauberen Weg, diese Gradienten aus einem trainierten Checkpoint wieder herauszurechnen. Sie trainieren neu, oder Sie tragen das Risiko. Die Kosten eines Provenienzfehlers sind nicht linear. Es sind die Kosten des gesamten Trainingslaufs, der mit den fehlerhaften Daten in Berührung kam. Der Widerruf ist nicht hypothetisch: Nach EU-Datenschutzrecht kann ein Teilnehmer die Löschung verlangen, und wenn seine Frames bereits in ein ausgeliefertes Modell eingebacken sind, ist die Erfüllung dieser Anfrage ein Forschungsproblem, keine Löschabfrage.
Data Cards helfen, aber sie beschreiben Korpora, keine Clips. Open X-Embodiment dokumentiert die Lizenzierung auf Ebene des Datensatzes; die einzelnen Episoden darunter wurden nach laborspezifischen Regeln erfasst, die selten mit den Tensoren mitwandern. Sobald alles in denselben LeRobot- oder TFRecord-Shard serialisiert ist, ist die Herkunftsjurisdiktion verschwunden, sofern sie nicht jemand bewusst bewahrt hat.
Was der EU AI Act von Trainingsdaten tatsächlich verlangt
Lässt man die Risikostufen beiseite, stellt das Gesetz drei konkrete Anforderungen, die direkt beim Datenteam landen. Anbieter von KI-Modellen mit allgemeinem Verwendungszweck müssen eine technische Dokumentation der Trainingsdaten führen, eine hinreichend detaillierte Zusammenfassung der verwendeten Inhalte veröffentlichen und eine Richtlinie zur Wahrung des EU-Urheberrechts sowie der Opt-outs für Text- und Data-Mining pflegen. Die Pflichten für Modelle mit allgemeinem Verwendungszweck gelten seit dem 2. August 2025, und die Inhaltszusammenfassung folgt einer Vorlage, die das AI Office veröffentlicht. Nichts davon lässt sich allein aus einem Modell-Checkpoint erfüllen. Es braucht eine Aufzeichnung, vorgelagert geführt, darüber, was eingeflossen ist.
Lesen Sie den offiziellen Überblick, und die Prämisse ist eindeutig: Sie können Ihre Trainingsdaten auf Anfrage beschreiben. Hat die Pipeline die Provenienz bereits bei der Aufnahme verworfen, wird diese Beschreibung zur Archäologie.
Provenienz ist eine Eigenschaft, die man im Moment der Aufzeichnung erfasst oder nur mit Verlust rekonstruiert. Eine dritte Option gibt es nicht, und kein Checkpoint erinnert sich daran, woher seine Gradienten stammen.
Was die öffentlichen Datensätze tatsächlich mit sich tragen
Die Datensätze, zu denen ein Robotik-Team am ehesten greift, unterscheiden sich stark darin, wie viel Herkunftsinformation sie bewahren. Das entscheidende Muster: Je menschlicher die Daten, desto schwerer die Einwilligungslast, und desto mehr Jurisdiktion reist mit jedem Frame mit.
| Datensatz | Primäre Modalität | Menschliche Subjekte im Bild | Lizenzlage | Provenienzgranularität |
|---|---|---|---|---|
| Open X-Embodiment | Teleoperierte Roboterarme | Minimal, nur Operatoren | Gemischt, je nach beitragendem Datensatz | Ebene des Datensatzes |
| DROID | Teleoperierte Franka-Arme | Operatoren, gelegentlich | Freizügige offene Lizenz (CC-BY 4.0) | Szenen- und Gebäudemetadaten |
| Ego4D | Ich-Perspektive-Videomaterial von Menschen | Umfangreich, Träger und Umstehende | Individuelle Lizenz plus unterzeichnete Datenvereinbarung | Nach Teilnehmer und Ort getaggt |
| Ego-Exo4D | Gepaartes Video aus Ich- und Dritte-Person-Perspektive | Umfangreich, Mehrkamera | Individuelle Lizenz plus Vereinbarung | Teilnehmer, Stadt, Aktivität |
| RH20T | Kontaktreiche Robotermanipulation | Begrenzt, einige menschliche Demonstrationen | Forschungsnutzung | Aufgaben- und Kontaktmetadaten |
Provenienz zu einer Pipeline-Stufe machen, nicht zu einer juristischen Prüfung
Die Lösung ist wenig glamourös, funktioniert aber. Fügen Sie jeder Episode im Moment der Erfassung einen Herkunftsdatensatz bei: Quell-Rig, gehashte Operator- oder Subjekt-Kennung, Einwilligungsversion, Aufzeichnungsjurisdiktion und Lizenzklasse. Führen Sie diesen Datensatz durch jede Formatkonvertierung hindurch, als gleichrangiges Geschwister der Bild- und Aktionstensoren, nicht als README, das nebenher mitläuft. Tun Sie das, hört die EU-Zusammenfassung der Trainingsdaten auf, ein Projekt zu sein. Sie wird zu einer Abfrage. Speicherplatz ist der billige Teil: Eine Herkunftszeile umfasst ein paar Hundert Byte gegenüber Gigabyte an Video, und diese Asymmetrie ist das ganze Argument. Zahlen Sie die kleinen Kosten bei der Erfassung, oder zahlen Sie die großen beim Audit.
Dieselbe Disziplin zahlt sich auch außerhalb der Compliance aus. Fragt ein nachgelagerter Partner, ob ein Checkpoint in einem bestimmten Markt eingesetzt werden kann, liefern Herkunftsmetadaten die Antwort in wenigen Minuten. Ohne sie ist die ehrliche Antwort ein Achselzucken, und ein Achselzucken besteht keine Beschaffungsprüfung.
Die egozentrische Komplikation
Menschliche Demonstration aus der Ich-Perspektive ist das reichhaltigste Signal, um Robotern beizubringen, wie Menschen die Welt tatsächlich manipulieren, und genau hier beißt die Jurisdiktion am härtesten zu. Eine kopfgetragene Kamera zeichnet Gesichter, Umstehende, Küchen, Hausnummern, Bildschirme auf. In der EU sind das personenbezogene Daten, und die Einwilligung muss spezifisch, informiert und widerrufbar sein. Die Jurisdiktion verschärft das Problem noch, denn Aufnahmen, die in einem Land entstanden und in einem anderen zum Training verwendet werden, können unter zwei Rechtsordnungen gleichzeitig fallen. Ego4D und Ego-Exo4D begegnen dem mit unterzeichneten Teilnehmervereinbarungen und Deidentifizierungsschritten, gerade weil das Rohmaterial ohne sie juristisch radioaktiv ist. Jedes Team, das egozentrische Daten in großem Maßstab erfasst, betreibt ein Einwilligungsmanagement-System, ob es das zugibt oder nicht. Die einzige Wahl besteht darin, ob dieses System gestaltet oder improvisiert ist.
Was das für Entwickler bedeutet
Die Modelle werden weiter besser werden. Die Frage, die darüber entscheidet, ob ein Checkpoint ausgeliefert werden kann, ist unspektakulär und liegt vorgelagert: Können Sie, pro Clip, sagen, woher die Daten stammen und was Sie damit tun dürfen. Teams, die das im Moment der Erfassung beantworten, kommen schnell voran. Teams, die es erst bei der Offenlegung beantworten, müssen neu trainieren. Provenienz ist keine Steuer auf die Pipeline. Inzwischen ist sie die Pipeline.