Trainingsdaten
Auch: Training Data, Pretraining Data, Trainingskorpus
Trainingsdaten sind die Texte, Bilder und anderen Inhalte, aus denen ein KI-Modell vor seiner Veröffentlichung lernt, bei Sprachmodellen vor allem öffentlich zugängliche Webseiten. Was dort über ein Unternehmen steht, prägt das Grundwissen des Modells bis zum nächsten Training.
Fester Bestandteil der Praxis mit stabiler Bedeutung.
Der Begriff stammt aus dem maschinellen Lernen. Die heutige Debatte über Webinhalte als Trainingsmaterial begann mit dem GPT-3-Paper von OpenAI (Mai 2020), nach dem 60 % der Trainingsbeispiele aus einem gefilterten Common-Crawl-Webarchiv stammten.
Ø der letzten 12 Monate, alle Schreibweisen. Veränderung: letzte 3 Monate zum Vorjahr. Stand 11/2026.
Ein Grundbegriff ohne Marketing-Glanz. Problematisch ist nicht das Wort, sondern was manche Ratgeber daraus ableiten: dass man durch Trainingsdaten direkt in KI-Suchergebnisse käme.
Ob Ihre öffentlichen Inhalte in künftige KI-Modelle einfließen, ist eine bewusste Entscheidung über robots.txt und Nutzungsvorbehalte; sie ist von der Sichtbarkeit in der KI-Suche weitgehend getrennt, und für Firmendaten im Chat gelten noch einmal eigene Regeln.
- Prüfen Sie mit dem robots.txt-Tester, welche Trainings-Crawler (GPTBot, ClaudeBot, CCBot, Google-Extended) und welche Such-Crawler Ihre Website heute lesen dürfen. Halten Sie fest, ob das eine bewusste Entscheidung war.
- Legen Sie in Ihrer KI-Richtlinie fest, mit welchen Konten Mitarbeitende Firmendaten in Chatbots eingeben dürfen. Private ChatGPT-Konten trainieren standardmäßig mit, Business-Angebote laut OpenAI nicht. Eine Vorlage bietet der Leitfaden KI-Richtlinie für Unternehmen.
- Veröffentlichen Sie, was künftige Modelle über Sie wissen sollen, öffentlich, als Text und einheitlich: Positionierung, Leistungen, Standorte, Referenzen.
Bevor ein Sprachmodell eine einzige Frage beantwortet, hat es aus einer gewaltigen Menge Text gelernt: Webseiten, Bücher, Code, lizenzierte Archive, Beispiele von menschlichen Trainern. Diese Sammlung heißt Trainingsdaten. Was darin über Ihr Unternehmen steht, oder eben nicht, bildet das Grundwissen des Modells.
Für Unternehmen stellen sich dabei drei Fragen: Was landet in diesen Daten? Was können Sie steuern? Und was passiert mit den Daten, die Ihre Mitarbeitenden selbst in KI-Werkzeuge eingeben? Wie sich Trainingswissen vom Live-Abruf in der KI-Suche unterscheidet, erklärt der Glossar-Eintrag auf linkship.de, auf den unten verwiesen wird.
Woraus Trainingsdaten bestehen
Die genaue Zusammensetzung aktueller Modelle legen die Anbieter nicht offen. Ein frühes, gut dokumentiertes Beispiel liefert das GPT-3-Paper von 2020. Es zeigt, wie stark das offene Web gewichtet war:
| Quelle (GPT-3, 2020) | Umfang in Token | Anteil am Training |
|---|---|---|
| Common Crawl, gefiltert | 410 Milliarden | 60 % |
| WebText2 (verlinkte Webseiten) | 19 Milliarden | 22 % |
| Books1 und Books2 | 67 Milliarden | je 8 % |
| Wikipedia | 3 Milliarden | 3 % |
Common Crawl ist ein frei verfügbares Archiv des Webs, das von einer gemeinnützigen Organisation mit dem Crawler CCBot erstellt wird. Heute kommen eigene Crawler der Anbieter, lizenzierte Inhalte und von Menschen erstellte Beispiele hinzu. Wichtig: Ein Modell speichert keine Datenbank Ihrer Seiten, es lernt Muster und Zusammenhänge. Deshalb kann es sich an Ihre Marke erinnern und trotzdem Details falsch wiedergeben.
Mehr Transparenz verlangt die EU. Nach Artikel 53 Absatz 1 Buchstabe d der KI-Verordnung müssen Anbieter von KI-Modellen mit allgemeinem Verwendungszweck eine „hinreichend detaillierte Zusammenfassung“ der Trainingsinhalte nach einer Vorlage des Büros für Künstliche Intelligenz veröffentlichen. Die Pflichten dieses Kapitels gelten seit dem 2. August 2025.
Was Sie steuern können: Crawler und Vorbehalte
Die großen Anbieter trennen inzwischen zwischen Crawlern für das Training und Crawlern für die Suche. OpenAI schreibt in seiner Bot-Dokumentation, beide Einstellungen seien unabhängig: Wer OAI-SearchBot erlaubt und GPTBot sperrt, kann in der ChatGPT-Suche erscheinen, ohne dass seine Inhalte fürs Training genutzt werden sollen.
| Anbieter | Token für das Training | Für die Suche | Besonderheit |
|---|---|---|---|
| OpenAI | GPTBot | OAI-SearchBot | Einstellungen unabhängig voneinander |
| Anthropic | ClaudeBot | Claude-SearchBot | Sperre gilt laut Anthropic für künftige Inhalte |
| Google-Extended | Googlebot | steuert auch die Fundierung in Gemini-Apps, nicht die Google-Suche | |
| Common Crawl | CCBot | – | Archiv, das in viele Datensätze eingeht |
Zwei Feinheiten: robots.txt wirkt beim Crawlen und damit nur nach vorn, bereits gesammelte Daten verschwinden dadurch nicht. Und Google-Extended hat laut Google keinen Einfluss auf die Aufnahme in die Google-Suche, also auch nicht auf AI Overviews oder den KI-Modus. Google kündigt zudem an, Anfang 2027 das gemeinsame Signal für Trainingseinstellungen aus der IETF-Arbeitsgruppe zu unterstützen, mehr dazu unter AI Preferences.
Rechtlicher Rahmen: Nach § 44b Absatz 3 UrhG ist Text und Data Mining an rechtmäßig zugänglichen Werken nur zulässig, wenn der Rechtsinhaber sich das nicht vorbehalten hat; bei online zugänglichen Werken muss der Vorbehalt maschinenlesbar sein. Welche Form das im Einzelfall erfüllt, ist rechtlich nicht abschließend geklärt. Dieser Eintrag ist keine Rechtsberatung. Mehr unter Text-und-Data-Mining-Vorbehalt.
Die Abwägung: sperren oder nicht?
Für die meisten B2B-Unternehmen ist die Frage strategisch, nicht technisch. Ein erfundenes Beispiel: Ein Maschinenbauer veröffentlicht ausführliche Anwendungsberichte und Datenblätter. Sperrt er alle Trainings-Crawler, schützt er seine Texte vor der Verwendung im Training, künftige Modelle wissen aber weniger über ihn. Wer dann ohne Websuche nach Anbietern fragt, bekommt eher die Wettbewerber genannt, die ihre Inhalte offen gelassen haben.
- Eher offen lassen: Inhalte, die Bekanntheit schaffen sollen, etwa Positionierung, Leistungen, Fachartikel.
- Eher sperren: Inhalte, deren Wert im exklusiven Zugang liegt, etwa bezahlte Studien, Kursmaterial, redaktionelle Inhalte mit Lizenzwert.
- Nie verwechseln: Such-Crawler sperren kostet Zitate in KI-Antworten. Wer nur das Training ausschließen will, sperrt nur die Trainings-Token.
Warum Modellwissen trotz Websuche zählt, beschreibt der Eintrag Knowledge Cutoff. Wie Sie die Datei für alle KI-Crawler sauber aufsetzen, zeigt der Beitrag llms.txt und robots.txt für KI-Crawler.
Ihre eigenen Daten als Trainingsmaterial
Trainingsdaten entstehen nicht nur aus dem Web, sondern auch aus Chats. OpenAI schreibt im Hilfe-Center, ChatGPT verbessere sich durch weiteres Training mit den Gesprächen, „unless you opt out“. Inhalte aus den Business-Angeboten und der API werden laut OpenAI standardmäßig nicht zum Training verwendet. Wer Angebote, Kundendaten oder interne Zahlen in ein privates Konto kopiert, gibt sie also möglicherweise in künftige Trainingsdaten.
Das Thema gehört deshalb in jede KI-Richtlinie: welche Werkzeuge, welche Kontotypen, welche Datenarten. Die Suchnachfrage nach „Trainingsdaten KI“ ist in Deutschland seit 2023 stabil auf niedrigem Niveau, das Thema wird eher in Rechts- und IT-Abteilungen verhandelt als im Marketing. Gerade deshalb lohnt es sich, dass Marketing und Geschäftsführung die Entscheidung über Crawler und Konten bewusst mittragen.
- Brown et al. (OpenAI): Language Models are Few-Shot Learners (GPT-3, arXiv, Mai 2020)
- OpenAI API-Dokumentation: Overview of OpenAI Crawlers
- Google Search Central: Gewöhnliche Crawler von Google (Google-Extended)
- Anthropic Help Center: Does Anthropic crawl data from the web, and how can site owners block the crawler?
- Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 53 und 113
- § 44b UrhG: Text und Data Mining
Was ChatGPT, Perplexity und der Google KI-Modus zu „Trainingsdaten“ sagen
Wir haben allen drei KI-Suchen dieselbe Frage gestellt: „Was ist Trainingsdaten im Zusammenhang mit KI-Suche und Online-Marketing? Bitte kurz in 3 bis 5 Sätzen erklären.“ (Abfrage am 08.11.2026, Standort Deutschland) und die Antworten gegen die belegten Fakten in diesem Eintrag geprüft.
Grundsätzlich richtig. Es fehlt, dass Unternehmen per robots.txt mitbestimmen, ob ihre Inhalte ins Training eingehen, und dass Trainingswissen von der Live-Suche getrennt ist. Der Ratschlag zu „hochwertigen Inhalten“ bleibt allgemein.
Auszug aus der Antwort
Im Zusammenhang mit KI-Suche und Online-Marketing beeinflussen Trainingsdaten, welche Unternehmen, Marken und Produkte eine KI kennt und in ihren Antworten berücksichtigt.
Die Definition passt, vermischt aber Trainingsdaten von Sprachmodellen mit Daten für Werbe-Personalisierung und Kampagnenoptimierung, also mit klassischem maschinellem Lernen im Marketing. Steuerungsmöglichkeiten wie robots.txt fehlen.
Auszug aus der Antwort
Im Online-Marketing dienen sie unter anderem dazu, Suchintentionen zu erkennen, Zielgruppen zu analysieren, Werbung zu personalisieren und Kampagnen zu optimieren.
Die Definition stimmt, die Folgerung für die KI-Suche nicht: Welche Quellen AI Overviews oder die ChatGPT-Suche zitieren, entscheidet vor allem der Live-Abruf aus dem Suchindex. Google selbst trennt das: Google-Extended steuert das Gemini-Training, hat aber keinen Einfluss auf die Google-Suche.
Auszug aus der Antwort
Im Bereich der KI-Suche (z. B. AI Overviews oder ChatGPT Search) entscheiden diese Daten darüber, welche Quellen die KI überhaupt kennt und wie sie Antworten gewichtet.
Unser Fazit: Alle drei definieren den Begriff korrekt, keine erwähnt die getrennten Crawler für Training und Suche oder den rechtlichen Rahmen. Der häufigste Fehler: Trainingsdaten werden mit den Quellen der KI-Suche gleichgesetzt, obwohl zitierte Quellen meist live abgerufen werden.
Die Antworten von KI-Suchen ändern sich laufend. Wir wiederholen den Faktencheck regelmäßig. Sie möchten wissen, welche Quellen die KI zu Ihren Themen zitiert? Testen Sie den kostenlosen KI-Quellen-Check.
Häufige Fragen zu Trainingsdaten
Kann ich herausfinden, ob meine Website in Trainingsdaten steckt?
Verliere ich Sichtbarkeit in ChatGPT, wenn ich GPTBot sperre?
Ist das Sperren von Trainings-Crawlern Pflicht?
Werden meine Eingaben in ChatGPT zu Trainingsdaten?
Verwandte Begriffe im Radar
Zurück zum KI-Such-RadarZuletzt aktualisiert: 08.11.2026 · Autor: Stephan Zabel
