Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
oecd22. Februar 2024 · Q005422

How to handle GDPR data access requests in AI-driven personal data processing

oecd.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der OECD-Beitrag beschreibt vier Schwierigkeiten bei DSGVO-Auskunftsersuchen zu KI-Systemen: undurchsichtige Modelle, verständliche Erklärungen, sehr weit gefasste Anfragen sowie mögliche Folgen von Berichtigungs- und Löschanträgen. Er empfiehlt fallbezogene Auskünfte, Risikobewertungen und robuste Daten-Governance; allein der KI-Einsatz soll eine Ablehnung nicht begründen. Ob Modelle offengelegt, gelöscht oder verändert werden müssen, hängt laut Beitrag von den Umständen ab, insbesondere davon, ob sie personenbezogene Daten erzeugen oder preisgeben.

Mittel

Der OECD-Beitrag erörtert Auskunftsersuchen nach der DSGVO, wenn personenbezogene Daten mit KI verarbeitet werden. Die Datenschutzregeln gelten nach seiner Darstellung auch für KI; deren datenintensive und teils undurchsichtige Arbeitsweise macht die Umsetzung von Auskunfts-, Berichtigungs- und Löschrechten jedoch schwieriger.

Vier Probleme stehen im Mittelpunkt: Verantwortliche können oft nicht genau bestimmen, wie einzelne Daten ein Modellergebnis beeinflussen; technische Erklärungen müssen für Betroffene verständlich bleiben; weit gefasste Anfragen können schwer einzugrenzen sein; und Lösch- oder Berichtigungsanträge können die Frage aufwerfen, ob ein Modell verändert werden muss. Der Beitrag meint, dass KI-Einsatz allein eine Ablehnung nicht rechtfertigt. Informationen über den KI-Einsatz und wahrscheinliche Nachteile sollten offengelegt werden, während Umfang und technische Details vom Einzelfall abhängen. Eine Modelllöschung hält er vor allem dann für relevant, wenn das Modell stark personalisierte Ausgaben erzeugt oder personenbezogene Daten preisgibt.

Das EU-KI-Gesetz regelt DSARs laut Beitrag nicht ausdrücklich, seine Anforderungen an Hochrisiko-KI könnten die Bearbeitung aber unterstützen. Empfohlen werden Risikobewertungen, Daten-Governance, Datenminimierung und regelmäßige Audits. Die Empfehlungen sind flexibel und schaffen laut Beitrag zugleich Unsicherheit bei der praktischen Umsetzung.

Ausführlich lesen

Der OECD-Beitrag behandelt, wie Verantwortliche Auskunftsersuchen nach Artikel 15 der DSGVO (DSARs) bearbeiten können, wenn personenbezogene Daten in KI-Systemen verarbeitet werden. Er beschreibt ein Spannungsfeld: Die DSGVO gilt auch bei KI-Einsatz, und die Nutzung von KI ist nach Darstellung des Beitrags nicht grundsätzlich verboten. Die datenintensive und teils schwer durchschaubare Funktionsweise moderner Systeme erschwert jedoch die praktische Umsetzung von Auskunfts-, Berichtigungs- und Löschrechten. Als Hinweis auf die Bedeutung von Auskunftsersuchen führt der Beitrag Beschwerden aus dem Jahr 2022 an: Sie hätten im Vereinigten Königreich 36,79 Prozent und in Irland 42 Prozent der Beschwerden bei den jeweiligen Datenschutzstellen ausgemacht.

Der Beitrag unterscheidet vier Herausforderungen. Erstens ist oft schwer festzustellen, welche Informationen ein Modell verarbeitet und wie einzelne Datenpunkte seine Ergebnisse beeinflussen. Bei Einstellungsentscheidungen könne etwa unklar sein, welche Angaben ein Ergebnis prägen oder ob sich Verzerrungen entwickelt haben. Unter Verweis auf ein Urteil des Europäischen Gerichtshofs wird die mögliche Undurchsichtigkeit von KI als Hindernis für das Verständnis einzelner Ergebnisse angeführt. Der Beitrag vertritt zugleich die Auffassung, dass eine Auskunft grundsätzlich nicht automatisch das Modell selbst oder sämtliche daraus abgeleiteten Informationen umfassen müsse. Dabei seien auch Geschäftsgeheimnisse und Rechte am geistigen Eigentum zu berücksichtigen; was offenzulegen sei, hänge vom jeweiligen Modell und Fall ab.

Zweitens sei es schwierig, die Funktionsweise und Folgen eines Systems verständlich zu erklären. Verantwortliche müssten nach Darstellung des Beitrags sinnvolle Informationen über die beteiligte Logik sowie Bedeutung und mögliche Folgen der Verarbeitung geben. Der Beitrag empfiehlt, den KI-Einsatz offenzulegen, technische Einzelheiten aber auf das für die betroffene Person Nützliche abzustimmen. Wahrscheinliche nachteilige Auswirkungen sollten genannt werden; eine Aufzählung jedes noch so entfernten möglichen Effekts hält der Beitrag nicht für erforderlich.

Drittens können weit gefasste Anfragen schwer zu bearbeiten sein. Bei umfangreicher Datenverarbeitung könne der Verantwortliche die betroffene Person bitten, den gewünschten Bereich einzugrenzen. Der Beitrag hält eine Anfrage nach dem gesamten Modell möglicherweise für überzogen, betont aber, dass ein Auskunftsersuchen nicht allein deshalb abgelehnt werden dürfe, weil KI eingesetzt wird. Eine solche Praxis könne Auskunftsrechte unterlaufen und mit der Pflicht kollidieren, Datenschutz bereits bei Entwicklung und Gestaltung zu berücksichtigen.

Viertens können Berichtigungs- und Löschanträge Folgen für ein Modell haben. Nach Einschätzung des Beitrags kommt eine Löschung oder ein erneutes Training des Modells grundsätzlich dann in Betracht, wenn es stark personalisierte Ausgaben erzeugt. Bei großen Trainingsdatensätzen sei der Einfluss einzelner Angaben dagegen oft gering. Ohne praktische Hinweise darauf, dass ein Modell personenbezogene Daten erzeugt oder preisgibt, sollten diese Rechte laut Beitrag nicht dazu führen, das Modell zu löschen oder neu zu trainieren. Bei tatsächlichem Erzeugen oder Offenlegen solcher Daten könnten weitere DSGVO-Pflichten entstehen.

Der Beitrag erklärt, dass das EU-KI-Gesetz Auskunftsersuchen nicht ausdrücklich regelt und die Datenschutzvorschriften unberührt lässt. Anforderungen an Daten-Governance, technische Dokumentation und Transparenz bei Hochrisiko-KI könnten die Bearbeitung dennoch erleichtern. Als Ausgleich empfiehlt er umfassende Risikobewertungen und solide Daten-Governance: Risiken sowie personenbezogene Ein- und Ausgaben sollen erkannt, Daten minimiert, sensible Verarbeitung begrenzt, problematische Ausgaben entfernt und Maßnahmen regelmäßig überprüft werden. Die Empfehlungen sollen an den Einzelfall angepasst werden. Der Beitrag räumt ein, dass diese Flexibilität bei der Umsetzung Unsicherheit schafft. Seine Aussagen sind als praktische Einschätzungen und Vorschläge formuliert; eine vollständige rechtliche Prüfung konkreter Fälle bietet der Text nicht.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassung wurde am ausführlicheren Text ('mittel') gemessen; die knappe Fassung ('kurz') gibt die Kernaussagen ebenfalls im Wesentlichen treu wieder. Die Einordnung erfolgt unabhängig von Lunas angegebenen Stufen und Anteilen, weil der Bericht die Sammelfragen und Teilfragen nur teilweise berührt.

Im Bericht, aber nicht in der Zusammenfassung

  • Das CJEU-Urteil C-817/19 zur Undurchsichtigkeit von KI-Systemen wird nicht genannt
  • Recital 63: Das Auskunftsrecht darf Geschäftsgeheimnisse und Urheberrechte an Software nicht beeinträchtigen, daher kein generelles Recht auf Herausgabe des Modells
  • Das Argument, dass Verweigerung wegen KI-Einsatz gegen Art. 15(1)(h), Art. 22 und Art. 25 DSGVO verstieße, fehlt
  • Der Hinweis, dass der Einfluss einzelner Namen bei LLMs vernachlässigbar ist, fehlt
  • Die Beschwerdestatistiken von ICO und irischer Aufsicht (DSARs an der Spitze) fehlen

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 46 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  2. SF-M5 Was muss vor und nach einem Vorfall geschehen, damit Verantwortliche einstehen, man daraus lernt, Beweise bleiben und Betroffene auch über Grenzen hinweg zu ihrem Recht kommen?
    • clef 19 %gleiches Oberthema, hilft nicht
    • Luna 35 %Hintergrund, keine Belege
    • JEV 21 %Hintergrund, keine Belege
    • amos 26 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-M5-T06 Welche Pflicht sollten Regierungen, Labore und Betreiber haben, wenn sich später zeigt, dass ein eingesetztes Modell eine Sicherheitsschwelle verletzt hat: die Entscheidungen, die es beeinflusst hat, zu ermitteln, darüber zu benachrichtigen, sie zu berichtigen oder für sie zu entschädigen? Und wie kann eine nachträgliche Prüfung den vom Modell verursachten Schaden vom umgebenden menschlichen Entscheidungsprozess unterscheiden? Luna: Stufe 3 · 45 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 28 %einzelne zitierbare Belege
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 64 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 59 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  3. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 45 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 27 %nur am Rande erwähnt
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 80 %Hintergrund, keine Belege
    • JEV 40 %Hintergrund, keine Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 65 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV 41 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 22 %gleiches Oberthema, hilft nicht
    • Luna 62 %einzelne zitierbare Belege
    • JEV 41 %beantwortet teilweise oder widerspricht
    • amos 25 %Hintergrund, keine Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 26 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege

Agenten und vernetzte Systeme
  1. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 32 %gleiches Oberthema, hilft nicht
    • Luna 52 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 44 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 62 %gleiches Oberthema, hilft nicht
    • drex 61 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 22 %Hintergrund, keine Belege
    • Luna 78 %einzelne zitierbare Belege
    • JEV 43 %einzelne zitierbare Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 37 %gleiches Oberthema, hilft nicht
    • drex 22 %Hintergrund, keine Belege
    • d3-ultra 40 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege

    • SF-H3-T06 Welcher unabhängig prüfbare Mindestbeleg zeigt, dass eine bestimmte Person, Organisation oder ein geschützter Datensatz aus einem veröffentlichten Modell und seinen Adaptern (Zusatzmodulen) verlernt wurde, und welches Restrisiko einer Extraktion lässt sich womöglich nie auf null senken? Luna: Stufe 3 · 34 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
  3. SF-H4 Was geschieht mit Modellen und Sicherheitspflichten, wenn ein Labor verkauft, aufgelöst oder ein Modell stillgelegt wird?
    • clef 100 %kein Bezug
    • Luna 58 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 28 %gleiches Oberthema, hilft nicht
    • SubQ 40 %gleiches Oberthema, hilft nicht
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 55 %gleiches Oberthema, hilft nicht
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  2. SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
    • clef 21 %Hintergrund, keine Belege
    • Luna 48 %Hintergrund, keine Belege
    • JEV 42 %einzelne zitierbare Belege
    • amos 25 %Hintergrund, keine Belege
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  3. SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
    • clef 100 %kein Bezug
    • Luna 54 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 64 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  4. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 65 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 67 %gleiches Oberthema, hilft nicht
    • drex 64 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  5. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 22 %umfangreiche Belege
    • Luna 45 %einzelne zitierbare Belege
    • JEV 40 %beantwortet teilweise oder widerspricht
    • amos 27 %einzelne zitierbare Belege
    • SubQ 30 %gleiches Oberthema, hilft nicht
    • drex 29 %Hintergrund, keine Belege
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

    • SF-E5-T02 Welche Entscheidungen müssen menschlich bleiben, auch wenn eine KI sie besser treffen könnte, und wie würden Staaten in Entscheidungsschleifen mit hohem Risiko prüfbar machen, dass ein Mensch die Ausgabe der KI wirklich beurteilt und nicht nur routinemäßig abgenickt hat? Luna: Stufe 3 · 43 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →