Microsoft räumt Webdaten im Training neuer MAI-Modelle ein

Microsoft hat bei seinen neuen MAI-Modellen entgegen früheren Aussagen auch frei verfügbare Webdaten genutzt. Das rückt die Herkunft der Trainingsdaten erneut in den Mittelpunkt, weil der Konzern die Modelle zuvor als besonders sauber und kommerziell lizenziert beschrieben hatte.

Auslöser ist ein Bericht von The Decoder vom 5. Juni 2026. Demnach nennt Microsoft im technischen Paper zu den MAI-Modellen eine „Mischung aus öffentlich verfügbaren und lizenzierten, von Menschen erstellten Daten“. Der Entwickler Simon Willison verwies laut Bericht darauf, dass darunter auch der Datensatz Common Crawl fällt. Zuvor hatte Microsoft erklärt, die neuen Modelle seien ausschließlich mit „Daten von Unternehmensqualität, sauber und kommerziell lizenziert“ trainiert worden.

Common Crawl statt nur Lizenzware

Der Widerspruch betrifft einen zentralen Punkt für Unternehmen, die KI-Dienste in Microsoft-Umgebungen einsetzen. Common Crawl ist ein seit Jahren genutzter Webdatensatz, der große Teile des offenen Internets erfasst. Microsoft folgt damit offenbar demselben Muster wie andere große Modellanbieter. Im Paper beschreibt der Konzern die Datenbasis breiter als in früheren öffentlichen Aussagen. The Decoder hält fest, dass Microsoft seine Trainingsdaten damit zugleich als besonders „sauber“ dargestellt habe, obwohl auch unlizensierte Webquellen eingeflossen seien.

Microsoft beruft sich nach Darstellung des Berichts wohl auf Fair Use. Diese Rechtsauffassung nutzen auch andere KI-Anbieter in den USA. Im Artikel wird darauf verwiesen, dass Webseitenbetreiber Crawler per robots.txt aussperren können. Damit liegt die technische Abwehr zunächst bei den Betreibern. Juristisch ist die Frage aber offen. Die Nutzung frei zugänglicher Webinhalte für das Training von LLMs wird in mehreren Verfahren vor Gerichten verhandelt.

Brisanz für Compliance und Beschaffung

Für den Markt ist der Vorgang relevant, weil Microsoft seine MAI-Modelle als Alternative zu externen Modellen aufbaut und dabei Vertrauen in Herkunft und Qualität der Daten betont hatte. Gerade in Microsoft-365-, Copilot- und Azure-Kontexten spielt die Dokumentation von Trainingsdaten für Beschaffung, Datenschutzprüfung und Vertragsbewertung eine wachsende Rolle. Wenn öffentliche Aussagen und technische Dokumentation auseinanderlaufen, steigt der Prüfaufwand für Rechts- und IT-Abteilungen.

Offene Fragen vor EU-Regeln

In Europa gewinnt das Thema zusätzlich Gewicht, weil der AI Act für General-Purpose-AI-Modelle Transparenzpflichten zu Trainingsdaten vorsieht. Auch urheberrechtliche Vorbehalte aus dem Web-Scraping bleiben relevant. Microsoft hat die MAI-Modelle laut The Decoder am 5. Juni 2026 nicht als rein lizenzbasiert korrigiert, sondern im Paper eine gemischte Datengrundlage beschrieben.