Provenienz ist jetzt eine Spec: der EU AI Act und Roboterdaten

Ein Robotik-Team möchte 500 Stunden Manipulationsdaten kaufen. Der Kaufvertrag landet auf dem Schreibtisch eines Ingenieurs, mit einer Klausel, die vor einem Jahr noch nicht darin stand. Für jeden Clip muss der Verkäufer Einwilligungsnachweise, Sensorkalibrierung und eine lückenlose Nachweiskette von der Erfassung bis zur Lieferung vorlegen. Der Verkäufer hat das Filmmaterial. Der Verkäufer hat nicht das Protokoll. Der Preis fällt.

Genau das bewirkt der EU AI Act bei Trainingsdaten, und die meisten Teams lesen ihn noch immer als juristisches Problem, dabei ist es ein technisches. Die Verordnung (EU) 2024/1689 verlangt nicht, im Nachhinein Papierkram einzureichen. Sie verlangt den Nachweis, woher die Daten stammen. Diesen Nachweis hat man entweder aufgezeichnet, während der Sensor lief, oder man hat ihn nicht.

Genau diese Unterscheidung ist der Kern dieses Beitrags. Provenienz übersteht keine nachträgliche Rekonstruktion. Eine Handpose lässt sich aus Pixeln schätzen. Ob die Person im Bild eingewilligt hat, wie die Tiefenkamera an jenem Nachmittag kalibriert war oder welcher Annotator welchen Clip nach welcher Richtlinie gelabelt hat, lässt sich nicht schätzen. Diese Fakten existieren nur für einen Moment, im Augenblick der Erfassung, danach sind sie verloren, wenn niemand sie festgehalten hat.

Nicht erfasste Provenienz ist verloren

Textmodelle hatten Glück. Das Internet ist sein eigener Audit-Trail: Eine Seite hat eine URL, einen Zeitstempel, einen Autor und eine Lizenz, über die man zumindest streiten kann. Egozentrische Roboterdaten hinterlassen nichts von diesen Spuren. Eine Person legt ein Erfassungs-Rig an, führt eine Aufgabe einmal aus, und der Moment ist vorbei. Hat das Rig nicht festgehalten, wer eingewilligt hat, wann jeder Frame aufgenommen wurde und wie die Sensoren eingestellt waren, ist dieser Kontext nicht wiederherstellbar. Niemand kann ihn allein aus dem Video rekonstruieren.

Die Einwilligung ist das schärfste Beispiel. Eine Aufnahme von Händen, Wohnung und Gesicht einer Person stellt personenbezogene Daten dar, und der Europäische Datenschutzausschuss behandelt sie als solche, unabhängig davon, wofür sie später zum Training verwendet werden. Wurde kein an diese Person und diese Sitzung gebundener Einwilligungsnachweis erfasst, lässt sich dieser im Nachhinein nicht mehr herstellen. Sobald Gesichter unkenntlich gemacht und die Rohdaten gelöscht sind, ist auch die Möglichkeit gelöscht, die Rechtmäßigkeit der Aufnahme nachzuweisen. Ausgerechnet der sauber wirkende anonymisierte Datensatz ist derjenige, den man nicht mehr verteidigen kann.

Dieselbe Logik gilt für jedes Provenienz-Feld. Die Kalibrierung driftet im Laufe einer Sitzung und wird entweder gemessen oder später geschätzt. Kanäle werden bei der Erfassung auf eine gemeinsame Uhr gestempelt, oder sie werden von Hand neu ausgerichtet, mit Versätzen, die sich nie vollständig wiederherstellen lassen. Jede Annotation trägt den Annotator, die Richtlinienversion und den Zeitpunkt, oder sie ist nur eine flache Label-Datei ohne jede Erinnerung daran, wie sie entstanden ist. In jedem Fall kostet der ehrliche Nachweis bei der Erfassung fast nichts und lässt sich danach zu keinem Preis mehr erkaufen.

Artikel 10 macht Datenqualität zu einem dokumentierten Prozess

Liest man die eigene Einordnung des Gesetzes zu Hochrisikosystemen, hört Artikel 10 auf, wie Compliance zu klingen, und liest sich stattdessen wie die Spezifikation einer Datenpipeline. Er verlangt, dass die Trainings-, Validierungs- und Testdatensätze hinter einem solchen System unter Data-Governance-Praktiken entstehen, die den Erfassungsprozess, die Herkunft der Daten sowie die Annotations- und Kennzeichnungsverfahren abdecken. Vereinfacht gesagt: Verlangt wird eine dokumentierte Darstellung davon, wie die Daten entstanden sind, nicht nur, was sie enthalten.

Für einen Roboter-Datensatz übersetzt sich das in konkrete technische Entscheidungen. Die Herkunft der Daten bedeutet eine lückenlose Nachweiskette. Der Erfassungsprozess bedeutet protokollierte Aufnahmebedingungen. Annotationsverfahren bedeuten versionierte Kennzeichnungsrichtlinien und eine Aufzeichnung, wer sie angewendet hat. All das ist für ein Team, das Daten bereits als technisch konstruiertes Artefakt behandelt, nichts Exotisches. Das Gesetz macht dieses Artefakt lediglich verpflichtend und seine Dokumentation prüfbar.

Provenienz, die sich rekonstruieren lässt, war nie wirklich Provenienz. Sie ist eine Geschichte, die man im Nachhinein erzählt. Das Gesetz verlangt den Nachweis, den man festgehalten hat, während der Sensor noch lief.

Die allgemeinverständliche Erklärung des Europäischen Parlaments lässt an der Richtung keinen Zweifel: Hochrisikosysteme unterliegen Dokumentations- und Rückverfolgbarkeitspflichten, und die Durchsetzung greift gestaffelt über 2026 und 2027, nicht auf einen Schlag. Die genauen Anwendungsdaten haben sich im Zuge der Umsetzung verschoben, weshalb man den Zeitplan eher als Steigung denn als einzelne Klippe betrachten sollte. An der praktischen Lesart ändert das nichts. Daten, die 2026 erfasst werden, sind Daten, die 2027 möglicherweise dokumentiert werden müssen.

An der Quelle erfasst statt nachträglich angeflanscht

Der Unterschied zwischen den beiden Wegen, an Provenienz zu kommen, ist keine Frage des Aufwands. Es ist eine Frage dessen, was überhaupt noch bekannt sein kann. Die folgende Tabelle nimmt sechs Felder, nach denen ein Käufer fragen wird, und zeigt, was aus jedem wird, wenn man es nachträglich statt am Sensor selbst hinzufügt.

Die rechte Spalte lässt sich als Liste dessen lesen, was ein Due-Diligence-Prozess aufdecken wird. Jede Lücke bedeutet einen Preisabschlag, manche Lücken disqualifizieren ganz. Ein Datensatz, der Einwilligung nicht nachweisen kann, ist nicht günstig, er ist für ein System auf dem Weg in den EU-Markt unbrauchbar.

Provenienz wird zu einer Position in der Beschaffung

Hier liegt die kommerzielle Wendung, die Ingenieure unterschätzen. Kauft ein Roboter-OEM Trainingsdaten für ein System, das er in Europa verkaufen will, erbt er die Provenienz des Verkäufers. Die eigene Artikel-10-Akte ist nur so belastbar wie das Manifest, das übergeben wird. Deshalb verlangt die Rechtsabteilung des Käufers dieses Manifest schon vor der Unterschrift, genauso wie ein Chip-Käufer ein Datenblatt verlangt.

Das Manifest ist ein konkreter Liefergegenstand, kein vages Gefühl. Für jeden Clip beantwortet es: wer unter welchen Bedingungen eingewilligt hat, wie die Rohdaten anonymisiert wurden und ob sie auf Anfrage gelöscht werden können, wie die Sensoren kalibriert wurden, wie die Kanäle synchronisiert wurden, wer was nach welcher Richtlinie annotiert hat, und welche Lizenz die nachgelagerte Nutzung regelt. Ein Datensatz, der mit diesem Dokument ausgeliefert wird, erzielt einen Aufschlag. Ein Datensatz ohne ein solches Dokument ist ein Risiko, das der Käufer einpreisen oder das ihn zum Rückzug bewegen muss.

Fachmedien wie The Robot Report verfolgen bereits, wie Humanoide von Labor-Demos zu kommerziellen Pilotprojekten übergehen. Je näher diese Systeme an den EU-Markt heranrücken, desto strenger wird im Gleichschritt die Prüfung ihrer Trainingsdaten. Es gewinnt nicht der größte Datensatz. Es gewinnt der, dessen Provenienz ein Anwalt an einem Nachmittag absegnen kann.

Eine Spezifikation für den Erfassungsmoment, wie die Framerate

Kein ernsthaftes Team legt die Framerate erst nach der Aufnahme fest. Man legt sie fest, bevor man auf Aufnahme drückt, weil sich keine Frames nachträglich hinzufügen lassen, die nie erfasst wurden. Provenienz gehört inzwischen in dieselbe Kategorie. Einwilligungserfassung, Kalibrierungsprotokollierung, Zeitsynchronisation und Annotations-Historie sind Parameter der Erfassungssitzung, festgelegt zum Zeitpunkt des Designs, keine Features, die man nachträglich beim Aufräumen ergänzt.

Die GDPR verstärkt das von der anderen Seite. Weil egozentrisches Filmmaterial dicht mit personenbezogenen Daten durchsetzt ist, gelten Rechtsgrundlage und Aufbewahrungsfristen ab dem ersten Frame, und der AI Act lässt diese Pflichten ausdrücklich unberührt. Eine Pipeline, die Einwilligung und Provenienz als strukturierte Metadaten protokolliert, erfüllt damit bereits den Großteil beider Regelwerke gleichzeitig. Eine Pipeline, die dies aufschiebt, häuft Schulden an, die sich an dem Tag rächen, an dem ein Prüfer oder ein Käufer vor der Tür steht.

Der sinnvolle Weg, den EU AI Act zu verstehen, ist deshalb nicht als Regelwerk, das es zu überstehen gilt, sondern als Spezifikation, gegen die man baut. Er besagt im Kern, dass ein Datensatz nur so wertvoll ist wie der Nachweis darüber, wie er entstanden ist. Dieser Nachweis muss in dem einen Moment geschrieben werden, in dem es möglich ist, während der Sensor noch läuft. Provenienz ist kein Papierkram, den man später anheftet. Sie ist eine Spezifikation zum Erfassungszeitpunkt, und die Teams, die sie so behandeln, werden diejenigen sein, die am Ende noch Daten zu verkaufen haben.