ifo: Strengere KI-Datenregeln könnten 155 Milliarden Euro kosten

Was das ifo Institut heute veröffentlicht hat

Das Münchner ifo Institut hat am 13. Oktober 2026 eine Modellrechnung zur möglichen wirtschaftlichen Bedeutung von Trainingsdaten für generative künstliche Intelligenz veröffentlicht. Nach dieser Berechnung könnte Deutschland bis 2034 ein zusätzliches jährliches Wertschöpfungspotenzial von rund 440 Milliarden Euro erschließen. Würde der Zugang zu geeigneten Trainingsdaten deutlich erschwert, könnten davon etwa 155 Milliarden Euro entfallen. Wichtig ist die Wortwahl: Die Summen sind modellierte Potenziale und keine bereits eingetretenen Verluste, gemessenen Schäden oder verbindlichen Haushaltsprognosen. Die Untersuchung ist ein Beitrag zur europäischen Debatte über Urheberrecht und digitale Innovation.

Wie sich die 440 Milliarden zusammensetzen

Die Autoren Oliver Falck und Martin Thelle unterscheiden drei wirtschaftliche Bereiche. Breiter Einsatz generativer KI in Unternehmen und Alltag soll rechnerisch rund 330 Milliarden Euro zusätzlicher Wertschöpfung ermöglichen. Produktivere Forschung trägt in dem Modell etwa 65 Milliarden Euro bei, weitere 45 Milliarden ergeben sich durch die Entwicklung eigener KI-Modelle in Deutschland. Das ist keine Zusage, dass diese Summen im Jahr 2034 tatsächlich erwirtschaftet werden. Das Ergebnis hängt von Annahmen über Verbreitung, Leistungsfähigkeit, Nachfrage und Produktivität ab. Unternehmen sollten aus einem Gesamtpotenzial keine individuellen Umsatzgarantien ableiten.

Woher die möglichen 155 Milliarden Euro Verlust stammen

Die Studie teilt das niedrigere Potenzial im Szenario strengerer Datenbeschränkungen in vier Effekte auf: etwa 75 Milliarden Euro durch weniger leistungsfähige Modelle, 45 Milliarden durch langsamere Verbreitung, 25 Milliarden durch geringere Forschungsproduktivität und 10 Milliarden durch weniger KI-Entwicklung in Europa. Diese Kategorien sind Teile eines Modellvergleichs, keine unabhängig beobachteten Zahlungen. Eine andere Annahme über Lizenzen oder Modellqualität könnte andere Ergebnisse liefern. Deswegen ist die Schlagzeile ein Hinweis auf eine mögliche Größenordnung und nicht auf einen bereits entstandenen jährlichen Schaden im deutschen Staatshaushalt.

Warum Trainingsdaten so umstritten sind

Große Sprachmodelle lernen statistische Muster aus umfangreichen Texten, Bildern und anderen Daten. Rechteinhaber möchten nachvollziehen können, wie ihre Werke verwendet werden, und unter Umständen für bestimmte Nutzungen vergütet werden. Entwickler brauchen zugleich verlässliche Regeln und hinreichend vielfältiges Material, um leistungsfähige Systeme zu trainieren. Es stehen also legitime wirtschaftliche Interessen und rechtliche Fragen auf mehreren Seiten. Ein pauschales Ja oder Nein zur Datennutzung würde die unterschiedlichen Rechte, Herkunftsquellen und Einsatzarten übersehen. Eine tragfähige Regulierung muss prüfen, wer welche Daten unter welchen Voraussetzungen verwenden darf.

Was die Text-und-Data-Mining-Ausnahme bedeutet

Das europäische Urheberrecht sieht unter bestimmten Bedingungen Möglichkeiten vor, Texte und Daten automatisiert auszuwerten. Für kommerzielle Nutzungen können Rechtevorbehalte eine besondere Rolle spielen. Die Autoren der ifo-Studie plädieren dafür, eine praktikable Nutzungsmöglichkeit beizubehalten und zugleich angemessene Transparenz, einen verständlichen Opt-out-Standard sowie freiwillige Lizenzpartnerschaften zu ermöglichen. Das ist eine politische Empfehlung und nicht der Inhalt eines neu beschlossenen Gesetzes vom 13. Oktober. Unternehmen sollten aktuelle europäische Rechtsakte und die jeweiligen Rechtevorbehalte prüfen, anstatt aus der Pressemitteilung eine allgemeine Erlaubnis abzuleiten.

Wie belastbar ist die Studie

Die ifo-Mitteilung weist ausdrücklich darauf hin, dass es sich um Potenzialabschätzungen und keine Vorhersagen handelt. Die Berechnungen stammen aus einer Arbeit von Implement Consulting Group in Zusammenarbeit mit dem ifo Institut. Auftraggeber waren CCIA Europe und Google, also Akteure mit Interessen in der Digitalwirtschaft. Diese Finanzierung macht eine Studie nicht automatisch falsch, ist aber wesentlicher Kontext bei der Einordnung. Eine solide Bewertung prüft Annahmen, Sensitivitäten und alternative Perspektiven, etwa von Urheberrechtsorganisationen. Der ausgewiesene Verlust kann daher nicht als unstrittiges Ergebnis aller Wirtschaftsforscher präsentiert werden.

Welche Rolle die Datenmenge spielt

Die Autoren vergleichen die Größenordnung großer internationaler Trainingsdatensätze mit urheberrechtsfrei verfügbaren europäischen Daten. Nach ihrer Darstellung umfasst der größte vollständig urheberrechtsfreie Bestand in Europa ungefähr zwei bis drei Billionen Tokens, während führende internationale Modelle mit 15 bis 36 Billionen Tokens trainiert wurden. Ein Token ist keine einzelne Webseite oder ein rechtlicher Nutzungsnachweis. Hohe Datenmengen allein garantieren auch keine besseren Antworten. Datenqualität, Sprachabdeckung, Auswahl, Bereinigung, Rechenleistung und Evaluation haben eigene Bedeutung. Dennoch illustriert der Vergleich, warum Datenzugang für die Modellarchitektur ein Wettbewerbsthema ist.

Was kleinere deutsche Unternehmen betrifft

Ein Handwerksbetrieb oder mittelständischer Dienstleister muss kein eigenes Milliardenmodell trainieren, um KI wirtschaftlich einzusetzen. Häufig geht es um Dokumentensuche, Übersetzungen, Kundenservice oder die Auswertung betrieblicher Abläufe. Ob eine Lösung nützt, hängt von Datenqualität, Schulung, Datenschutz und tatsächlichem Arbeitsaufwand ab. Strengere Regeln für Entwickler könnten langfristig Angebot und Preisstruktur verändern, müssen aber nicht jede schon verfügbare Anwendung sofort verteuern. Unternehmen sollten konkrete Pilotprojekte messen und Vertragsbedingungen lesen, statt ihre Planung ausschließlich auf eine volkswirtschaftliche Milliardenrechnung zu stützen.

Wie Medien und Kreative die Debatte sehen

Journalistische und kreative Werke können Trainingsmaterial sein. Ihre Urheber und Verlage befürchten, dass Systeme Inhalte wirtschaftlich nutzen, ohne ausreichend zu vergüten oder Leser zurück auf die ursprüngliche Quelle zu führen. Transparenz- und Lizenzmodelle sollen diese Interessen besser schützen. Ein Regelwerk, das Innovationsförderung als einziges Ziel formuliert, würde solche Kosten nicht berücksichtigen. Andererseits kann zu komplexe Lizenzierung kleinere Entwickler gegenüber etablierten Marktteilnehmern benachteiligen. Ein sinnvoller Vergleich betrachtet sowohl die mögliche KI-Wertschöpfung als auch wirtschaftliche Auswirkungen auf Rechteinhaber und die kulturelle Produktion.

Warum die Europäische Kommission wichtig ist

Die ifo-Autoren verweisen auf die Überprüfung der EU-Urheberrechtsrichtlinie, die nach ihren Angaben seit Mai 2026 läuft. Eine laufende Überprüfung bedeutet noch keine endgültige Änderung des geltenden Rechts. Bevor neue Pflichten beschlossen werden, sind politische Debatten und förmliche Schritte notwendig. Unternehmen sollten sich deshalb an verabschiedeten Regelungen und konkreten Rechtsauskünften orientieren. Eine Forderung von Forschern oder Verbänden darf nicht mit einer europäischen Verordnung verwechselt werden. Wer langfristig investiert, kann die Debatte verfolgen und gleichzeitig flexible technische sowie rechtliche Verfahren entwickeln.

Ist das ein Argument gegen jede KI-Regulierung

Nein. Die Studie untersucht insbesondere wirtschaftliche Effekte engerer Zugangsregeln für Trainingsdaten. Andere Fragen betreffen Sicherheit, Datenschutz, Wettbewerb und die Verlässlichkeit automatisierter Entscheidungen. Eine Regel, die Missbrauch verhindert, kann gesellschaftlichen Nutzen haben, auch wenn ihre Umsetzung Kosten verursacht. Ebenso kann eine unnötig komplizierte Vorschrift Investitionen bremsen. Der politische Vergleich sollte konkrete Schutzwirkung und Kosten gegenüberstellen, nicht allein die größte Zahl in einer Schlagzeile. Die verschiedenen Ziele müssen gemeinsam und unter Berücksichtigung der Interessen kleinerer Anbieter diskutiert werden.

Welche Schlüsse Arbeitnehmer ziehen können

Potenzielle Produktivitätsgewinne sagen nicht unmittelbar voraus, wie viele neue Stellen entstehen oder wegfallen. Tätigkeiten können sich verändern, während andere durch neue Produkte und Dienstleistungen hinzukommen. Unternehmen brauchen zudem Menschen für Qualitätskontrolle, Kommunikation und die Einbettung neuer Systeme in bestehende Prozesse. Beschäftigte sollten auf überprüfbare Kompetenzen und Fortbildung setzen. Wer die Studie als Beweis für einen sicheren, sofortigen Arbeitsplatzabbau auslegt, überträgt eine abstrakte Modellrechnung auf eine Frage, die sie nicht direkt beantwortet. Arbeitsmarktfolgen müssen gesondert gemessen werden.

Was Unternehmen und Leser jetzt prüfen sollten

Die wichtigste Frage ist, welche Regeln tatsächlich gelten und welche Vorschläge erst diskutiert werden. Unternehmen mit eigenen Datensätzen müssen Rechte, Zweckbindung und mögliche Lizenzpflichten kennen. Wer Modelle einkauft, sollte wissen, wie Anbieter Trainingsdaten, Datenschutz und Schutz vor unberechtigter Nutzung behandeln. Für die wirtschaftliche Bewertung lohnt sich ein konkreter Kosten-Nutzen-Test im Betrieb. Leser können die Originalstudie und ihre Finanzierung nachvollziehen. So bleibt aus der Zahl von 155 Milliarden Euro ein überprüfbarer Debattenbeitrag statt einer unbelegten Behauptung über verlorenes Geld.

Häufig gestellte Fragen

Hat Deutschland bereits 155 Milliarden Euro verloren? Nein, das ist ein mögliches jährliches Differenzpotenzial im Modell für 2034. Wer hat die Studie finanziert? CCIA Europe und Google beauftragten die Untersuchung. Sind 440 Milliarden Euro garantiert? Nein. Was ist Text und Data Mining? Automatisierte Auswertung von Daten und Texten unter bestimmten Rechtsbedingungen. Hat die EU am 13. Oktober ein neues Trainingsdatenverbot beschlossen? Die Veröffentlichung ist eine Studie, kein solches Gesetz. Können kleine Unternehmen von KI profitieren? Ja, aber der Nutzen hängt von einem passenden Anwendungsfall und einer verantwortlichen Umsetzung ab.