Japan plant KI-Kodex zu Trainingsdaten

Japan nähert sich dem Problem der KI-Trainingsdaten nicht über ein Verbot und auch nicht über eine vollständige Registrierungspflicht. Nach Berichten aus August 2026 hat ein Regierungs-Panel den Entwurf am 18. August 2026 gebilligt. Er baut eine Auskunftsarchitektur um generative KI. Unternehmen sollen offenlegen, welche Modelle und Trainingsdaten sie verwenden, wie Daten gesammelt wurden und wie Rechteinhaber oder Nutzer Informationen erhalten können. Der Mechanismus heißt „Comply or Explain“: Anbieter halten sich an den Kodex oder erläutern, warum sie es nicht tun.

Das ist technisch und regulatorisch ein anderer Zugriff als eine harte Lizenzpflicht für jedes einzelne Trainingsdokument. Japan versucht, die Blackbox nicht vollständig zu öffnen, sondern definierte Sichtfenster einzubauen. Entscheidend ist deshalb nicht nur, dass Trainingsdaten zum Thema werden. Entscheidend ist, welche Schnittstellen der Staat verlangt, wer sie nutzen kann und wo die Grenzen des Modells liegen.

Die Regellogik: ein Kodex statt einer Sanktionsmaschine

Der Entwurf basiert nach aktuellem bekannten Stand auf einem Gesetz über KI-bezogene Technologien, das im Mai 2025 erlassen wurde. Der neue Prinzipienkodex soll nicht rechtsverbindlich sein. Er enthält demnach keine Strafen. Damit bleibt er ein Soft-Law-Instrument: Er setzt Erwartungen, erzeugt Dokumentationsdruck und macht Abweichungen erklärungspflichtig, ohne sofort eine klassische Aufsichtslogik mit Bußgeldrahmen aufzubauen.

Diese Bauweise ist für KI-Training relevant, weil Trainingsdaten selten in einer sauber abgegrenzten Datenbank liegen, die sich einfach veröffentlichen ließe. Große Modelle entstehen aus Datenpipelines: Webdaten, lizenzierte Inhalte, kuratierte Datensätze, Filterstufen, Ausschlusslisten, Nachbearbeitung, Modellanpassung. Eine pauschale Offenlegungspflicht kann hier schnell entweder zu grob werden oder Geschäftsgeheimnisse und Sicherheitsfragen berühren. Japan setzt deshalb auf eine abgestufte Auskunft: Öffentlichkeit, Rechteinhaber und Nutzer erhalten unterschiedliche Zugänge zu Informationen.

Drei Offenlegungskanäle

Der Kodex soll um drei Kernprinzipien gebaut sein. Erstens sollen Unternehmen eine Übersicht über die verwendeten Modelle und Trainingsdaten bereitstellen. Das bedeutet nicht zwangsläufig, dass jedes einzelne Trainingsobjekt als Rohdatenliste veröffentlicht wird. Relevanter ist die Beschreibung der Datentypen, Herkunftskategorien und Sammelmethoden. Für Außenstehende entsteht damit ein technischer Lageplan: Welche Datenklassen fließen in welches System, nach welchen Verfahren wurden sie beschafft, und welche Modellfamilien sind betroffen?

Zweitens soll es Offenlegung gegenüber Rechteinhabern auf Anfrage geben. Diese Schnittstelle ist enger. Sie richtet sich an Personen oder Organisationen, die prüfen wollen, ob eigene Werke im Training verwendet wurden oder ob ein konkretes Risiko für Rechteverletzungen besteht. Der Kodex verlagert die Auseinandersetzung damit von einer abstrakten Debatte über „das Internet als Trainingsmaterial“ hin zu einem prüfbaren Anfrageprozess. Wie granular diese Antworten ausfallen müssen, wird für die praktische Wirkung entscheidend sein.

Drittens sollen Anbieter Informationen gegenüber Nutzern offenlegen, wenn Bedenken wegen möglicher Urheberrechtsverletzungen bestehen. Das betrifft nicht nur Künstler, Verlage oder Datenanbieter, sondern auch Unternehmen, die KI-Ausgaben in Produkte, Werbung, Software oder interne Arbeitsprozesse einbauen. Für diese Nutzer ist die Frage nicht akademisch. Sie müssen wissen, ob ein Modell ein erhöhtes Risiko in Lieferketten, Vertragsbeziehungen oder Veröffentlichungsprozessen erzeugt.

Die technische Einheit ist nicht der Datensatz, sondern die Pipeline

Der Kodex trifft einen Punkt, der in vielen KI-Debatten unscharf bleibt. Ein Trainingsdatensatz ist kein statisches Archiv. Er ist Teil einer Verarbeitungskette. Daten werden gesammelt, gefiltert, dedupliziert, klassifiziert, gewichtet, teilweise ausgeschlossen und mit weiteren Datenquellen kombiniert. Danach folgen Modelltraining, Feintuning, Sicherheitsfilter und Produktintegration. Wer nur nach „den Trainingsdaten“ fragt, übersieht diese Schichten.

Eine sinnvolle Offenlegung müsste daher mindestens drei Ebenen beschreiben: die Quellenlogik, die Verarbeitungsschritte und die Modellzuordnung. Die Quellenlogik sagt, aus welchen Kategorien Material stammt, etwa lizenzierte Datensammlungen, öffentlich verfügbare Inhalte oder intern erzeugte Daten. Die Verarbeitungsschritte zeigen, wie Rohmaterial in Trainingsmaterial verwandelt wurde. Die Modellzuordnung erklärt, welche Daten für welche Modellversion oder Modellfamilie relevant waren.

Genau an dieser Stelle wird der japanische Ansatz interessant, aber auch angreifbar. Ein Anbieter kann viel Transparenz liefern, ohne vollständige Rohdaten offenzulegen. Er kann aber auch sehr allgemein bleiben und damit formal erklären, ohne operativ viel preiszugeben. Die Qualität des Kodex hängt deshalb weniger an der Überschrift „Offenlegung“ als an den Standards für Antworten: Welche Kategorien reichen aus? Welche Nachweise müssen geführt werden? Wie wird mit abgelehnten Anfragen umgegangen? Welche Begründungen gelten als ausreichend?

Warum ausländische Anbieter erfasst werden

Die Regeln sollen auch für ausländische Unternehmen gelten, die KI-Dienste in Japan anbieten. Das ist praktisch notwendig. Der japanische Markt wird nicht nur von lokalen Modellen bedient. Viele generative KI-Systeme kommen von internationalen Anbietern, werden über Cloud-Schnittstellen eingebunden oder über Softwareprodukte weitergereicht. Würde der Kodex nur inländische Unternehmen adressieren, entstünde eine Lücke an der wichtigsten Stelle der Lieferkette.

Für globale Anbieter bedeutet das keinen automatischen Umbau ihrer gesamten Trainingspraxis. Ein unverbindlicher Kodex ohne Strafen ist kein harter Marktzugangstest. Trotzdem entsteht Compliance-Arbeit. Unternehmen müssen entscheiden, ob sie für Japan eigene Transparenzdokumente erstellen, bestehende Model Cards, Datenblätter oder rechtliche Hinweise anpassen oder erläutern, warum sie bestimmte Anforderungen nicht erfüllen. Diese Erklärung selbst kann reputationsrelevant werden, besonders wenn Rechteinhaber oder Unternehmenskunden konkrete Auskunft verlangen.

Operativ verschiebt sich damit der Aufwand in Richtung Dokumentation. Wer generative KI anbietet, muss nicht nur Modelle betreiben, sondern die Herkunfts- und Verarbeitungskette beschreiben können. Das ist für Anbieter leichter, wenn Trainingsdaten intern sauber versioniert, klassifiziert und mit Modellständen verknüpft sind. Für Systeme, deren Trainingshistorie aus vielen über Jahre gewachsenen Quellen besteht, ist genau das schwieriger.

Die offene Schwachstelle: Transparenz ohne Durchsetzung

Der offensichtlichste Einwand liegt im Aufbau selbst. Ohne rechtliche Bindung und ohne Sanktionen kann ein Unternehmen den Kodex ablehnen oder nur begrenzt erfüllen. Der Comply-or-Explain-Mechanismus setzt auf öffentlichen Druck, Marktinteressen und die Erwartung, dass Anbieter gegenüber Regierung, Kunden und Rechteinhabern nicht als intransparent erscheinen wollen. Das kann wirken, ist aber keine Durchsetzung im engen Sinn.

Für Rechteinhaber entsteht deshalb kein automatischer Zugang zu Nachweisen. Sie bekommen eher einen formalen Ansatzpunkt: eine definierte Anfrage, eine erwartete Antwort, gegebenenfalls eine öffentliche Erklärung des Unternehmens. Ob daraus tatsächlich bessere Durchsetzung von Urheberrechten folgt, hängt von Details ab, die über die Wirksamkeit des Kodex entscheiden werden. Dazu gehören Antwortfristen, Mindestinhalte, Umgang mit Geschäftsgeheimnissen und die Frage, ob Gerichte oder Behörden spätere Streitfälle an diesen Erklärungen messen.

Japan baut damit keine vollständige Kontrollarchitektur für generative KI. Der Entwurf zerlegt vor allem die Blackbox der Trainingsdaten in prüfbare Auskunftspunkte. Das ist kleiner als eine harte Regulierung, aber konkreter als ein allgemeiner Transparenzappell. Für Unternehmen liegt die zentrale Folge in der Dokumentierbarkeit ihrer Trainingspipeline. Für Rechteinhaber liegt sie in neuen Anknüpfungspunkten. Der Kodex wird daran gemessen werden, ob aus diesen Schnittstellen belastbare Informationen entstehen oder nur höflich formulierte Ausweichtexte.