KI Trainingsdaten & Zitation 2025: Wie sich Quellen für ChatGPT & Co. verändern

Kurzfassung

• 2025 verschiebt sich das Trainingsdatenfundament großer KI-Modelle spürbar: weg vom ungebremsten Open-Web-Scraping, hin zu lizenzierten, kuratierten, auditierbaren Quellen. Treiber sind Regulierung, Rechtsrisiken und Qualitätsfragen.
• Mit dem EU AI Act entstehen für General-Purpose-Modelle neue Transparenzpflichten zur öffentlichen Zusammenfassung der Trainingsdaten – mit Folgen für Auswahl und Sichtbarkeit verlässlicher Quellen. Siehe u. a. die Rechtsgrundlage in der Verordnung (EU) 2024/1689 auf EUR‑Lex (2024) sowie begleitende GPAI-Instrumente der Kommission von 2025 in der EU‑Digitalstrategie: Regulatory framework for AI.
• Lizenzdeals zwischen KI-Anbietern und Publishern (z. B. Axel Springer, News Corp, Stack Overflow) erlauben explizite Attribution – und könnten die Zitationsbasis zugunsten solcher Partner verschieben, wie u. a. die Axel‑Springer‑Pressemitteilung zur OpenAI‑Partnerschaft (2023) und der OpenAI‑Beitrag zum News‑Corp‑Abkommen (2024) zeigen.
• Gleichzeitig wächst der Anteil synthetischer Daten – mit dokumentierten Risiken für Modellqualität und „Zitations-Genauigkeit“. Forschung von 2023–2025 (z. B. Shumailov et al., „Curse of Recursion“ 2023; Dohmatob et al., „Model Collapse Demystified“ 2024; Gerstgrasser et al., „Breaking the Curse“ 2025) ordnet die Risiken und Gegenmaßnahmen ein.
• Für Marken, Publisher und Behörden heißt das: technische Datenhygiene, Lizenz-/Partnerschaftsstrategie und Messbarkeit der eigenen KI‑Sichtbarkeit werden zum Pflichtprogramm.

Warum diese Entwicklung 2025 zählt

• Regulatorischer Druck: Der EU AI Act ist seit 2024 in Kraft; GPAI‑Transparenzpflichten werden gemäß Kommission ab 2025 durch Tools/Leitlinien flankiert, darunter Templates für die „öffentliche Zusammenfassung der Trainingsdaten“. Siehe die EU‑Digitalstrategie mit GPAI‑Vorlagen (2025) und den OJ‑Rechtstext der Verordnung (EU) 2024/1689 (2024).
• Rechts- und Reputationsrisiken: Urheberrechtsklagen und Mediendeals beschleunigen den Wechsel zu lizenzierbaren, auditierbaren Datenquellen. Beispiele: die OpenAI‑Partnerschaft mit Stack Overflow (2024) sowie der Springer‑Deal mit zugesagter Quellenverlinkung in Antworten laut Axel‑Springer‑Mitteilung (2023).
• Qualitätsfrage Synthetik: Der steigende Anteil KI‑generierter Inhalte im Web birgt Rückkopplungsrisiken. Studien zeigen Leistungsabfälle bei zu viel Synthetik und rekursiver Nutzung, während gemischte Curricula (real + synthetisch) die Effekte abfedern können, siehe Shumailov 2023, Dohmatob 2024 und Gerstgrasser 2025.

Von 2018 bis 2025: Wie sich Trainingsdaten und Attribution verschoben haben

• Phase 1: „Open Web first“ – großskaliges Crawling, breite Abdeckung, begrenzte Transparenz. Attribution in Dialogsystemen war optional und oft unvollständig.
• Phase 2: „Kuratiertes Web“ – Content‑Filter, PII‑Entfernung, Qualitäts‑ und Sicherheitstests; zugleich wuchsen Forderungen nach Opt‑out/Opt‑in und klarer Attribution.
• Phase 3: „Lizenziertes Web“ – 2023/24 häufen sich Abkommen, die explizit die Anzeige von Quellen in Antworten ermöglichen. Beispiele sind die OpenAI‑News‑Corp‑Vereinbarung (2024) und die technische Einbindung verifizierter Wissensquellen wie Stack Overflow in ChatGPT (2024).
• Plattformregeln: Google beschreibt für AI Overviews, dass Quellenverweise als Links zu relevanten, autoritativen und aktuellen Seiten angezeigt werden, siehe Google‑Support zu AI Overviews. Perplexity legt „always attribute“ als Grundsatz fest, wie die Perplexity‑FAQ darlegt.

Warum Trainingsdaten die Zitationsmuster prägen

• Wenn Trainings- und Referenzkorpora stärker aus lizenzierten, kuratierten, behördlichen oder wissenschaftlichen Quellen stammen, steigt die Wahrscheinlichkeit, dass genau diese Publisher in Antworten als Belege auftauchen – insbesondere dort, wo Policies Attribution fördern (Perplexity) oder Oberflächen Links anzeigen (AI Overviews).
• Lizenzdeals können Attribution nicht nur erlauben, sondern für bestimmte Inhalte technisch erleichtern (z. B. strukturierte APIs, klare Rechteketten). Das erhöht die Sichtbarkeit dieser Partner.
• Gleichzeitig droht eine Verengung der Zitationsdiversität: Kleinere, nicht‑lizenzierte oder technisch schlecht strukturierte Quellen könnten seltener genannt werden – nicht wegen mangelnder inhaltlicher Qualität, sondern wegen fehlender Auditierbarkeit, Rechteklarheit oder Metadaten.

Synthetische Daten und „Zitations-Genauigkeit“: Was die Forschung nahelegt

• Shumailov et al. (2023) dokumentieren, dass rekursives Training auf KI‑generierten Inhalten „Tails“ der Verteilungsdichte verschwinden lassen kann – die berühmte „Curse of Recursion“ in Shumailov et al. 2023.
• Dohmatob et al. (2024) zeigen theoretisch und empirisch, dass es einen Kipppunkt gibt, ab dem Modelle mit Fakedaten nicht mehr robust umgehen, siehe Dohmatob et al. 2024.
• Gerstgrasser et al. (2025) finden Evidenz, dass gemischte Curricula (real + synthetisch) Kollaps vermeiden helfen und die Generalisierung erhalten können, vgl. Gerstgrasser et al. 2025.
  Implikation: Je stärker reale, zitierfähige Hochqualitätsquellen im Trainings‑ und Referenzmix bleiben, desto verlässlicher werden Faktenprüfung und Attribution – gerade in Domänen mit Long‑Tail‑Wissen.

KPI‑Framework 2025: So messen Sie Ihre KI‑Zitationssichtbarkeit

• Zitationsrate pro Plattform: Anteil Ihrer Marke/Domain als Quelle in Antworten von ChatGPT (mit Webzugriff/Partnerinhalten), Perplexity und Google AI Overviews – monatlich als Zeitreihe.
• Quellendiversität: Anzahl unterschiedlicher Domains, die zu Ihrer Marke/ihrem Thema in Antworten erscheinen (Segmentierung: Behörden, Wissenschaft, Medien, Foren, eigene Properties).
• Lizenz-/Partneranteil: Anteil der Zitate, die auf lizenzierte Partnerquellen vs. Open‑Access/Open‑Web entfallen.
• Strukturierte Daten‑Impact: Korrelieren Sie Einführungen von schema.org‑Markups, maschinenlesbaren Lizenzen (z. B. Creative Commons) und sauberen Metadaten mit Veränderungen Ihrer Zitationsraten.
• Halluzinations‑Index: Qualitativ/quantitativ erfassen, wie oft Antworten fehlerhafte Markenfakten enthalten; branchenspezifisch clustern.
  Messhinweis: Plattformübergreifende öffentliche Ranglisten fehlen aktuell. Stattdessen empfiehlt sich ein eigenes Messprogramm mit definierten Prompts/Use‑Cases und regelmäßigen Stichproben – ergänzt um Tool‑gestütztes Monitoring.

Praktikabler Messweg (manuell + Tool‑unterstützt)

• Use‑Case‑Korb definieren: 20–50 repräsentative Informationsfragen zu Ihrer Marke/Produkten, Wettbewerbern und Kategorie‑Themen.
• Plattformprotokolle: Antworten, verlinkte Quellen, Snippets, Datum/Uhrzeit protokollieren – identische Prompts parallel auf mehreren Plattformen testen.
• Zeitreihen bauen: Wöchentlich/monatlich wiederholen; Ereignisse (Content‑Releases, Deals, Strukturierungs‑Rollouts) markieren.
• Monitoring/Automation: Für Skalierung und Teamarbeit lohnt sich ein dediziertes Tool. Beispiel: Geneo kann KI‑Sichtbarkeit, Quellenverweise und Sentiment über ChatGPT, Perplexity und AI Overviews nachverfolgen und historische Vergleiche erstellen (Produktseite: https://geneo.app).
• Review & Korrekturschleifen: Erkenntnisse in Content‑Roadmaps, Metadatenpflege und Partnerverhandlungen zurückspielen.

Praxis‑Playbook 2025: So erhöhen Sie die Chance, korrekt zitiert zu werden

• Recht & Rechtekette: Klären Sie Lizenzen (Text, Bild, Code, Datenfeeds); erwägen Sie Publisher‑/Datenpartnerschaften, die Attribution erlauben und Auditierbarkeit erhöhen.
• Struktur & Maschinenlesbarkeit: Saubere Informationsarchitektur, schema.org‑Markups, maschinenlesbare Lizenzhinweise, RSS/API‑Feeds; klare Original‑Quellenkanäle.
• Qualität & Kuratierung: Faktengetreue, konsistente, aktualisierte Inhalte; klare Autorenschaft und Quellen; Peer‑Review‑Mechanismen für sensible Themen.
• Open‑Access‑Strategie: Wo möglich, Open‑Access‑Bereitstellung (Whitepaper, Datasets, Methoden) – Regierungs‑/Wissenschaftsportale mit hoher Autorität werden häufig verlinkt.
• Monitoring & Feedback: Zitations‑KPIs tracken; Fehlerfälle/Halluzinationen sammeln und an Plattformen/Partner kommunizieren; Content‑Fixes rasch ausrollen.
• Governance & Compliance: Dokumentations‑ und Audit‑Trails gemäß EU‑Anforderungen vorbereiten – inkl. Datenherkunft, Verarbeitungsprozesse, Opt‑outs/Opt‑ins. Guidance und Templates bietet die EU‑Digitalstrategie zum KI‑Regelwerk (2025).

Branchenperspektiven: Wer gewinnt, wer hat Aufholbedarf?

• Medien & Fachverlage: Gewinner, wenn sie Lizenz‑ und API‑Modelle anbieten, klare Attribution erlauben und hochwertige, strukturierte Inhalte liefern (vgl. Deals wie News Corp–OpenAI 2024).
• Behörden & Wissenschaft: Stabil hohe Autorität; profitieren von Offenheit, DOIs, Metadaten und beständigen Archiven.
• Tech‑Communities: Formate wie Stack Overflow zeigen, wie kuratierte, versionierte Wissensbasen Attribution in KI‑Antworten fördern können, siehe OpenAI–Stack Overflow (2024).
• Marken/Unternehmen: Aufholbedarf bei Metadaten, Lizenzen und eigenen „Single Source of Truth“‑Seiten; wer dies angeht, verbessert die Chancen auf korrekte Nennungen in generativen Antworten und AI Overviews.

Was als Nächstes wichtig wird (Watchlist 2025)

• GPAI‑Transparenzberichte erster Generation: Welche Datentypen und Quellenklassen werden prominent?
• Neue Lizenzdeals: Verschiebt sich die Zitationsdiversität zugunsten großer Partner weiter?
• Qualitätsmetriken für Synthetikmix: Setzen sich Curricula‑Standards durch, die Zitationsgenauigkeit verbessern?
• Plattform‑Policies: Feinschliff an AI Overviews und Attribution‑Regeln (vgl. Google‑Supportseite) sowie „always attribute“‑Umsetzung bei Perplexity (siehe Perplexity‑FAQ).
• Safety/Scaling‑Policies: Sicherheitsrahmenwerke wie die Anthropic Responsible Scaling Policy (2024) könnten indirekt Datenhygiene und Attribution mitprägen.

Transparenz & Grenzen dieser Analyse

• Quantitative, plattformübergreifende Ranglisten der meistzitierten Domains 2024/25 sind öffentlich kaum verfügbar. Wir markieren dies als Messlücke und empfehlen Eigenstudien mit reproduzierbarer Methodik.
• Aussagen zu proprietären Trainingspipelines beruhen auf offiziellen Policy‑/Hilfeseiten und Partnerankündigungen; Details können sich ohne öffentliche Dokumentation ändern.

Abschluss & nächste Schritte

• Trainingsdaten sind 2025 nicht nur ein Qualitäts‑, sondern ein Sichtbarkeitsthema. Wer Lizenzen, Strukturierung und Monitoring zusammendenkt, verbessert die Chancen auf korrekte Nennung – und minimiert Halluzinationen rund um die eigene Marke.
• Praktischer Start: KPI‑Set definieren, Content/Metadaten härten, Partneroptionen prüfen, Monitoring aufsetzen. Für die plattformübergreifende Messung von KI‑Sichtbarkeit, Quellenverweisen und Sentiment können Sie Geneo testen: https://geneo.app