# Trainingsdaten

Kategorie: [KI-Suche & GEO](https://seo-geo-glossary.com/de/glossar/kategorie/ki-suche-geo/) › [KI- und LLM-Grundlagen](https://seo-geo-glossary.com/de/glossar/kategorie/ki-suche-geo/ki-llm-grundlagen/) · Auch genannt: Training Data, KI-Trainingsdaten

**Trainingsdaten** sind die Datensätze, mit denen ein KI-Modell lernt, Muster zu erkennen, Vorhersagen zu treffen oder Inhalte zu erzeugen. Sie können laut Storage-Insider aus frei verfügbaren Internetinhalten oder aus kommerziell aufbereiteten Datensätzen stammen.

## Aus welchen Bestandteilen bestehen Trainingsdaten?

IBM unterscheidet je nach Lernart gekennzeichnete Daten, bei denen zu jeder Eingabe die richtige Ausgabe vorliegt, und ungekennzeichnete Daten, in denen das Modell selbst Muster sucht. Vor dem Training werden Daten erfasst, bereinigt, in ein maschinenlesbares Format gebracht und aufgeteilt in Trainingsdaten zum Anpassen des Modells, Validierungsdaten zum Feinabstimmen und Testdaten zur Bewertung. Qualität und Vielfalt der Daten wirken sich laut IBM direkt auf die Leistung des Modells aus.

## Wie gelangen Webinhalte in Trainingsdaten?

Anbieter sammeln Webseiten mit eigenen Crawlern. OpenAI trennt dabei zwei Bots. Der GPTBot dient laut Dokumentation dem Training von KI-Modellen, ein Disallow signalisiert, dass Inhalte nicht dafür verwendet werden sollen. Der OAI-SearchBot dagegen bindet Websites in die Suchfunktion von ChatGPT ein. Google steuert die Nutzung für Gemini-Training über das Token Google-Extended in der robots.txt. Laut Google hat Google-Extended keinen Einfluss auf die Aufnahme in die Google Suche und ist kein Ranking-Signal.

Ergänzend gibt es das TDM Reservation Protocol (TDMRep) der W3C Community Group. Rechteinhaber können damit per Datei `/.well-known/tdmrep.json`, HTTP-Header oder Meta-Tag maschinenlesbar einen Vorbehalt gegen Text- und Data-Mining erklären.

## Beispiel

Ein Verlag möchte, dass seine Artikel nicht für Modelltraining genutzt werden, aber in der ChatGPT-Suche erscheinen. In der robots.txt steht:

```
User-agent: GPTBot
Disallow: /

User-agent: OAI-SearchBot
Allow: /
```

Zusätzlich erklärt der Verlag per Header `tdm-reservation: 1` den Vorbehalt.

## Häufige Fragen

**Kann ich verhindern, dass meine Texte als Trainingsdaten dienen?**
Technisch lässt sich der Zugriff trainingsbezogener Crawler per robots.txt einschränken, und TDMRep dokumentiert den Vorbehalt. Ob sich jeder Betreiber daran hält, hängt von seinen Angaben ab. Bereits erfolgtes Training macht eine Sperre nicht rückgängig.

**Beeinflusst das Sperren des Trainings mein Google-Ranking?**
Für Google-Extended verneint Google das ausdrücklich.

## Verwandte Begriffe

- [TDM-Vorbehalt (Text and Data Mining)](https://seo-geo-glossary.com/de/glossar/tdm-vorbehalt/index.md)
- [Trainings-Crawler](https://seo-geo-glossary.com/de/glossar/trainings-crawler/index.md)
- [GPTBot](https://seo-geo-glossary.com/de/glossar/gptbot/index.md)
- [Google-Extended](https://seo-geo-glossary.com/de/glossar/google-extended/index.md)
- [KI-Bots blockieren](https://seo-geo-glossary.com/de/glossar/ki-bots-blockieren/index.md)
- [robots.txt](https://seo-geo-glossary.com/de/glossar/robots-txt/index.md)
- [Fine-Tuning](https://seo-geo-glossary.com/de/glossar/fine-tuning/index.md)

## Quellen

- [Was sind Trainingsdaten? – IBM Think](https://www.ibm.com/de-de/think/topics/training-data)
- [OpenAI-Crawler und User-Agents – OpenAI Docs](https://developers.openai.com/api/docs/bots)
- [Übersicht über Googles gängige Crawler (Google-Extended) – Google Search Central](https://developers.google.com/search/docs/crawling-indexing/google-common-crawlers?hl=de)
- [Was sind Trainingsdaten? – Storage-Insider (Zweitquelle)](https://www.storage-insider.de/was-sind-trainingsdaten-training-data-a-e6fcdc87538a03efa3dbd9d54ec348c7/)
- [TDM Reservation Protocol (TDMRep) – W3C Community Group Report](https://www.w3.org/community/reports/tdmrep/CG-FINAL-tdmrep-20240510/)

---

Stand: 7. Oktober 2026
URL: https://seo-geo-glossary.com/de/glossar/trainingsdaten/