Web Scraping wird die nächste KI nicht trainieren

Seit fünfzehn Jahren trägt eine implizite Annahme die gesamte moderne KI: Alles, was ein Modell benötigt, ist bereits im Internet vorhanden – man muss es nur abrufen. Diese Annahme stirbt. Und mit ihr wird ein völlig neuer Markt geboren – zwischen denen, die die Modelle von morgen bauen, und denen, die die Daten der realen Welt besitzen.

Hier ist, warum ich glaube, dass 2026 das Jahr sein wird, in dem Daten aufhören, ein kostenloses Rohmaterial zu sein, und zu einem strategischen Vermögenswert werden, der gehandelt wird.

1. Das Web stößt an seine Grenzen – und beginnt, sich selbst zu vergiften

Der Wendepunkt ist keine Meinung. Es ist Arithmetik.

Laut Epoch AI liegt der gesamte Bestand an hochwertigem menschlichem Text, der öffentlich verfügbar ist, bei etwa 300 Billionen Tokens – und große Modelle werden diesen Bestand zwischen 2026 und 2032 erschöpft haben, mit einer Medianprojektion um 2028 (Epoch AI, „Will we run out of data?“, ICML 2024).

Dies ist nicht die Sorge einiger isolierter Forscher. Im Dezember 2024 sagte Ilya Sutskever – Mitbegründer von OpenAI – auf der NeurIPS unverblümt: „Pre-training, wie wir es kennen, wird enden“, weil „Compute wächst, aber die Daten nicht wachsen, weil wir nur ein Internet haben.“ Er nannte Daten „den fossilen Brennstoff der KI“: Sie wurden einmal geschaffen, wir haben sie verbraucht, und wir haben „Peak Data“ erreicht (berichtet von The Verge, Dezember 2024).

Schlimmer noch: Die Quelle wird kontaminiert. Eine Studie, die in Nature veröffentlicht wurde (Shumailov et al., Juli 2024), zeigte „Model Collapse“ – ein Modell, das rekursiv auf KI-generierten Inhalten trainiert wird, verschlechtert sich und verliert Informationen über die reale Verteilung der Welt. Und das Web füllt sich mit genau diesen Inhalten: Laut Graphite übertraf der Anteil veröffentlichter Artikel, die von KI generiert wurden, bereits im November 2024 die von Menschen geschriebenen (ca. 52 % bis Mai 2025). Das Reservoir, aus dem wir geschöpft haben, füllt sich nun mit dem Spiegelbild der Modelle selbst.

Und die Türen schließen sich. Seit dem 1. Juli 2025 blockiert Cloudflare – das etwa ein Fünftel des Webs abdeckt – KI-Crawler standardmäßig. Auf Verlagsseite blockieren fast die Hälfte aller Nachrichtenseiten mindestens einen KI-Crawler. Rechtlich gesehen hat die Klage The New York Times v. OpenAI (eingereicht Ende 2023) die Abweisung im Jahr 2025 überstanden und wird in der Sache weitergeführt.

Das Fazit aus Teil eins: Die Ressource, die generative KI ermöglichte – frei verfügbare Texte –, wird endlich, kontaminiert, gesperrt und umstritten, und das alles gleichzeitig.

2. Die Labore haben bereits begonnen zu zahlen

Der beste Beweis dafür, dass Scraping nicht mehr ausreicht, ist, dass die Unternehmen, die davon lebten, zum Scheckbuch greifen.

• OpenAI – News Corp: eine Lizenzvereinbarung, die angeblich mehr als 250 Millionen US-Dollar über 5 Jahre wert ist (berichtet vom WSJ, Mai 2024).
• Google – Reddit: etwa 60 Millionen US-Dollar pro Jahr für den Datenzugang (berichtet von Reuters, Februar 2024).
• OpenAI – Axel Springer, Financial Times, Le Monde, Associated Press… eine Kaskade von Deals über 2024–2025, von „zig Millionen“ bis zu nicht offengelegten Summen.

Inzwischen wird die Infrastruktur des Marktes aufgebaut: Microsoft kündigte Anfang 2026 einen „Publisher Content Marketplace“ an, um Lizenzierungen von Inhalten zwischen Verlagen und KI-Entwicklern zu vermitteln. Und die atemberaubende Bewertung von Scale AI – ca. 29 Milliarden US-Dollar nach Metas Investition von ca. 14,3 Milliarden US-Dollar für einen Anteil von ca. 49 % (Juni 2025) – sagt etwas Einfaches aus: Trainingsdaten sind jetzt ein Vermögenswert auf strategischer Ebene.

Die Botschaft ist klar. Daten werden nicht mehr gescrapt. Sie werden lizenziert, verhandelt, gekauft.

3. Der wirkliche Wandel: Die Modelle von morgen brauchen nicht mehr Web – sie brauchen etwas anderes

Das ist der Punkt, den die meisten Analysen verpassen.

Die nächste Grenze der KI ist nicht ein weiteres LLM. Es sind Weltmodelle und physische KI: Systeme, die nicht nur Sprache manipulieren, sondern die reale Welt modellieren, simulieren und in ihr agieren.

• NVIDIA brachte auf der CES (Januar 2025) Cosmos auf den Markt, eine Familie von Welt-Grundlagenmodellen für physische KI. Jensen Huang nennt es „den ChatGPT-Moment für Robotik.“ Diese Modelle speisen sich aus Petabytes von Video- und Sensordaten – NVIDIA gibt an, 20 Millionen Stunden Video in 14 Tagen verarbeitet zu haben.
• Google DeepMind stellte Genie 2 (Dezember 2024) und dann Genie 3 (August 2025) vor: Modelle, die in der Lage sind, spielbare, interaktive Welten zu generieren, um verkörperte Agenten zu trainieren.
• Fei-Fei Li – die Patentante der Computer Vision – sammelte bereits im September 2024 230 Millionen US-Dollar für World Labs, das auf „räumlicher Intelligenz“ basiert, gefolgt von weiteren ca. 1 Milliarde US-Dollar im Jahr 2026.

Aber diese Modelle stoßen auf eine Wand, die das Web nicht erklimmen kann. Es gibt kein „Internet der physischen Interaktion“, das man scrapen könnte. Trainingsdaten für Robotik bleiben winzig: Die Referenzdatensätze in der verkörperten KI werden in Hunderttausenden von Demonstrationen gezählt (RT-1: ca. 130.000; VIMA: ca. 650.000), während ein Vision-Language-Korpus wie LAION-5B 5,7 Milliarden umfasst. Daten aus der realen Welt müssen eine Geste, ein Sensor, eine Fahrt nach der anderen erfasst werden.

Genau deshalb behandeln Tesla (über 10 Milliarden kumulative FSD-Meilen, Mai 2026) und Waymo (über 100 Millionen autonome Meilen) ihre Flotten als verteidigbares Vermögen: Es ist nicht im Web, es kann nicht von einem Textbroker gekauft werden – es wird in der realen Welt produziert.

Die Daten, die der nächsten Generation von KI fehlen, waren nie online. Sie sind in Fabriken, Flotten, Krankenhäusern, Energienetzen, Lieferketten. Sie gehören Betreibern, nicht Laboren.

4. Was wir vor Ort sehen – und warum es ein zweiseitiger Markt ist

Hier trifft unsere Arbeit bei d-nvest auf die These – denn wir kommentieren sie nicht nur, wir messen sie.

Auf unserer Plattform haben wir bisher 311 reale Datenhalter kartiert – Organisationen, die oft unwissentlich genau die Art von Daten produzieren, die die KI von morgen verlangt:

• 66 % sind Zeitreihen (206 von 311) – Sensoren, Telemetrie, Maschinenprotokolle: das Rohsignal der physischen Welt.
• Die dominierenden Sektoren sind Industrie (149), Mobilität (91) und Gesundheitswesen (24) – physische KI, kein Webtext.
• Die Anwendungsfälle lesen sich wie die Roadmap der industriellen KI: vorausschauende Wartung (136), industrielle Überwachung (64), Dokumentenintelligenz (34), regulatorisches RAG (19), diagnostische KI (15).
• Auf der Nachfrageseite sind die Käufer bereits nach Profil identifiziert: Grundlagenmodell-Labore, Computer-Vision-Teams, vertikale LLM-Entwickler, Industrie-KI-Anbieter.
• Alle verteilt über die Märkte, die zählen – UK, Frankreich, USA, Deutschland, Kanada – und gestützt durch fast 1.000 Pressesignale, die die reale Aktivität dieser Halter bezeugen.

Diese Reserven adressieren Märkte, die keine Versprechungen sind: vorausschauende Wartung allein ist 2025 rund 14 Milliarden US-Dollar wert (CAGR ca. 28 %), industrielles IoT übersteigt 480 Milliarden US-Dollar, industrielle KI ca. 44 Milliarden US-Dollar.

Auf der einen Seite Halter, die auf einer knappen Ressource sitzen, die sie unterausnutzen. Auf der anderen Seite Käufer – die Entwickler der nächsten KI-Generation –, die bereit sind, für diese Ressource zu zahlen, wie ihre Lizenzvereinbarungen bereits beweisen. Was zwischen ihnen fehlt, ist die Infrastruktur für Matchmaking, Qualifizierung und Vertrauen. Genau das bauen wir.

Das Fazit

Web Scraping hat die aktuelle Generation von Modellen trainiert. Es wird die nächste nicht trainieren. Öffentliche Texte sind endlich, sie verschmutzen sich selbst und sie schließen sich. Weltmodelle und physische KI erfordern eine andere Art von Daten – reale, operative, multimodale –, die nie veröffentlicht wurden und nie veröffentlicht werden.

Diese Daten existieren bereits. Sie gehören Zehntausenden von Betreibern, die oft keine Ahnung haben, dass sie auf das Gold des nächsten Jahrzehnts der KI sitzen.

Die Frage ist nicht mehr „Wo finden wir Daten“. Sie lautet „Wie verbinden wir diejenigen, die sie besitzen, mit denen, die sie brauchen“. Es ist ein zweiseitiger Markt, und er steht erst am Anfang.

Wenn Sie ein Betreiber sind, der industrielle, Mobilitäts- oder Gesundheitsdaten produziert – oder ein KI-Akteur, der nach proprietären realen Datensätzen sucht – ist jetzt die Zeit zu sprechen.

— Salim Labriki, d-nvest

Methodischer Hinweis: Die Beträge der Lizenzvereinbarungen sind die, die von der Presse berichtet werden (WSJ, Reuters, Bloomberg) und selten offiziell von den Parteien bestätigt werden. Die Inventurzahlen (311 Halter, Modalitäten, Sektoren) stammen aus unserer eigenen Kartierung vom 1. Juli 20