Wikipedia ist eine der am stärksten genutzten Quellen für KI-Training und Answer Engines, und ihr Betreiber äußert mit wachsendem Nachdruck, wie er sich das vorstellt. Für Teams, die Modelle und KI-Produkte aus Webdaten bauen, geht das über eine einzelne Website hinaus: Es ist das bisher klarste Beispiel dafür, dass eine große Open-Source-Wissensquelle festlegt, was sie von KI-Unternehmen erwartet, und dies dann auch durchsetzt.
Die Geschichte hat sich seit den ersten Schlagzeilen weiterentwickelt. Dieser Beitrag beschreibt, worum die Wikimedia Foundation tatsächlich gebeten hat, wie sie es durchsetzt, und welche praktischen Wege zu den Daten heute bestehen.
Worum Wikipedia tatsächlich gebeten hat
Am 10. November 2025 bat die Foundation KI-Entwickler um zwei Dinge: “attribution and financial support” (Zuschreibung und finanzielle Unterstützung). Das Zweite bedeutete, dass die meisten KI-Entwickler “properly access Wikipedia’s content through the Wikimedia Enterprise platform” (ordnungsgemäß über die Wikimedia-Enterprise-Plattform auf die Inhalte von Wikipedia zugreifen) sollten, die sie als “paid-for opt-in product” (kostenpflichtiges Opt-in-Produkt) bezeichnete. Dieser Beitrag verwendete nicht das Wort “scraping”; die schlagzeilenträchtige Formulierung stammte aus der Berichterstattung darüber.
Die Sprache wurde im Laufe des Jahres 2026 schärfer. Im Juli schrieb die Foundation, dass bösgläubige Akteure “continue to tax our public API infrastructure to crawl and scrape” (weiterhin unsere öffentliche API-Infrastruktur belasten, um zu crawlen und zu scrapen), und dass Enterprise für Großnutzer “a must-do rather than a nice-to-have” (ein Muss und keine Option) sei. Sie erklärte zudem, dass sie den öffentlichen API-Zugang nicht abschalten werde, “now or ever” (weder jetzt noch jemals). Und in einem Beitrag zu einer Gerichtseingabe vom Oktober 2026 schrieb sie, dass das Scraping ihrer Projekte “must be done sustainably and in line with our public API rate limits or through our Enterprise API offerings” (nachhaltig und im Einklang mit unseren öffentlichen API-Ratenbegrenzungen oder über unsere Enterprise-API-Angebote erfolgen muss) erfolgen müsse.
Warum jetzt
Die Gründe der Foundation lassen sich auf zwei Zahlen zurückführen, die sich in entgegengesetzte Richtungen entwickeln.
Die Besucherzahlen sinken. Im Oktober 2025 berichtete sie, dass die menschlichen Seitenaufrufe im Vergleich zu denselben Monaten 2024 um etwa 8% zurückgegangen seien, nachdem sie ihre Bot-Erkennung verbessert hatte, als sie ungewöhnlichen Traffic feststellte, hauptsächlich aus Brasilien, der sich als Bots herausstellte, die zur Umgehung der Erkennung gebaut worden waren. Sie bittet darum, die Zahl mit Vorsicht zu interpretieren, und aktualisierte ihre Erkennung im Oktober 2026 erneut, sodass sich spätere Zahlen noch ändern können.
Maschinen kosten mehr. Im April 2025 berichtete sie, dass Bots etwa 35% der Seitenaufrufe ausmachten, aber mindestens 65% ihres ressourcenintensivsten Traffics, weil sie unpopuläre Seiten abrufen, die nicht zwischengespeichert sind. Die Bandbreite für Multimedia-Downloads war seit Januar 2024 um 50% gewachsen. Wie es in dem Beitrag hieß: “Our content is free, our infrastructure is not” (Unsere Inhalte sind kostenlos, unsere Infrastruktur nicht).
Weniger Besucher bedeuten auch weniger potenzielle Bearbeiter und Spender, weshalb die Foundation Zuschreibung als mehr als eine Höflichkeit behandelt.
Wie es durchgesetzt wird
Dies ist nicht mehr nur eine Bitte. Bis April 2026 gab die Foundation an, etwa 30% der automatisierten Anfragen von Crawlern zu blockieren oder zu drosseln, die gegen ihre Richtlinien verstoßen. Die globalen API-Ratenbegrenzungen wurden im Juni 2026 vollständig eingeführt.
| Regel | Was sie besagt |
|---|---|
| API, ohne Identifikation | 10 Anfragen pro Minute |
| API, identifizierender User-Agent, ohne Login | 200 Anfragen pro Minute |
| Crawling (Robot-Richtlinie) | robots.txt beachten, Durchschnitt unter 20 Anfragen pro Sekunde, unter 10 gleichzeitig |
| Browser-User-Agents bei Bots | Bot-artiges Verhalten “will be assumed malicious” (wird als böswillig angenommen) |
| Dumps-Seite | 3 Verbindungen pro IP |
| Höheres Volumen | Externe Nutzer werden an Enterprise verwiesen |
Die Wege zu den Daten
Es gibt mehr legitime Optionen, als die Schlagzeile vermuten lässt.
| Weg | Geeignet für | Grenzen |
|---|---|---|
| Öffentliche APIs | Kleine, identifizierte Abfragen | Die oben genannten Ratenbegrenzungen |
| Enterprise-Gratiskonto | Prototypen und moderate Nutzung | 50.000 On-demand-Anfragen und 30 Snapshots pro Monat, monatliche Updates |
| Enterprise kostenpflichtig | Produktion, Aktualität, Realtime | Preise auf Anfrage |
| Kaggle-Datensatz | Experimente mit strukturiertem JSON | Beta, Englisch und Französisch |
| Dumps und Content-Exporte | Vollständige Offline-Kopien | XML-Dumps enden im Januar 2027 |
| Wikidata | Strukturierte Fakten | Veröffentlicht unter CC0, daher keine Zuschreibung nötig |
Die kommerzielle Nutzung ist real, aber noch gering. Im Januar 2026 nannte Wikimedia Enterprise Amazon, Meta, Microsoft, Mistral AI und Perplexity als neue Partner, die sich Google und anderen anschlossen. Für das Geschäftsjahr 2024-25 meldete sie Einnahmen von 8,3 Millionen US-Dollar von 13 kommerziellen Kunden in der kostenpflichtigen Stufe.
Zugang ist nicht dasselbe wie eine Lizenz
Ein Detail lässt sich leicht übersehen. Die Foundation erklärt, dass Enterprises kommerzielle Strategie “isn’t licensing-based. It’s access-based” (nicht lizenzbasiert, sondern zugangsbasiert) sei. Bezahlen kauft zuverlässige Lieferung, nicht andere Rechte. Der Text bleibt unter CC BY-SA 4.0, unabhängig davon, welchen Weg man nutzt: Weiterverwendung erfordert Zuschreibung, etwa einen Link zur Seite, und geänderter Text muss dieselbe Lizenz tragen. Fakten selbst können frei weiterverwendet werden.
Ob das Training mit dem Text diese Bedingungen auslöst, ist ungeklärt. In einem Amicus-Schriftsatz im Fall New York Times gegen OpenAI, veröffentlicht am 30. Oktober 2026, argumentierte die Foundation, dass das Training eines neuen und anderen Modells möglicherweise nicht erfordere, die Lizenzbedingungen zu erfüllen, während die Nutzung durch Answer Engines, die Inhalte abrufen und wiedergeben, “should not be considered fair” (nicht als fair gelten sollte) sei. Das ist das Argument einer Partei, kein Urteil, und es spiegelt möglicherweise nicht wider, wie ein Gericht entscheidet. Unser Leitfaden zu wem gescrapte Daten gehören behandelt die weiteren Fragen, und ein Rechtsbeistand sollte Ihren konkreten Anwendungsfall prüfen.
Der praktische Punkt bleibt in jedem Fall bestehen: Retrieval-Produkte haben den stärksten Grund, Zuschreibung zu tragen. Die Foundation hat erklärt, dass eine dedizierte Attribution-API zu ihren nächsten Schritten gehört, sodass es sich lohnt, dies jetzt einzuplanen.
Was KI- und Datenteams tun sollten
- Herausfinden, wie Sie es heute nutzen. Prüfen Sie Ihre Crawler-Protokolle und Lieferantenverträge. Wenn Wikipedia Sie über einen Drittanbieter-Datensatz erreicht, fragen Sie nach, wie diese Daten erhoben wurden.
- Den Weg nach Bedarf wählen. Ein einmaliges Korpus benötigt vielleicht nur einen Export oder einen Snapshot. Eine Live-Answer-Engine braucht wahrscheinlich Enterprise.
- Ihren Client identifizieren. Verwenden Sie einen beschreibenden User-Agent mit Kontaktdaten, bleiben Sie innerhalb der veröffentlichten Grenzen und beachten Sie robots.txt.
- Die Dumps-Änderung einplanen. Wenn eine Pipeline von den XML-Dumps abhängt, verlagern Sie sie vor Januar 2027.
- Quellenangaben aufbewahren. Speichern Sie die Seiten-URL und Revision für jedes Dokument, damit Zuschreibung und Entfernung möglich bleiben. Unser Leitfaden zu Provenienz in der KI-Trainings-Pipeline zeigt, wie.
- Zugang als Budgetposten einplanen. Wikipedia ist Teil eines breiteren Wandels, neben Crawler-Gebühren und Lizenzierungsstandards.
Ein Hinweis zu Residential Proxies
Die Foundation nennt Residential Proxies als eine der Methoden, mit denen manche Crawler-Betreiber ihre Grenzen umgehen. Wir verkaufen Residential Proxies, daher ganz unverblümt: Nutzen Sie sie nicht dafür. Wikipedia bietet Massendaten, kostenlose Stufen und einen dokumentierten Weg zu höherem Volumen, und sie hat darum gebeten, dass Massen-Traffic diesen Weg nutzt. Es gibt hier keinen guten Grund, einen Crawler zu verschleiern, und ihre Richtlinien besagen, dass solche Clients blockiert werden können.
Residential Proxies sind für eine andere Aufgabe gedacht, etwa um zu sehen, wie öffentliche Seiten lokalen Besuchern in verschiedenen Märkten erscheinen. Das richtige Werkzeug für Wikipedias Daten ist das, welches Wikipedia selbst bereitstellt.
Fazit
Wikipedias Botschaft ist von einer Bitte zu einer Richtlinie herangewachsen, die durch Ratenbegrenzungen und Blockierungen gestützt wird, mit einer offenen Tür für jeden, der den offiziellen Weg wählt. Für die meisten Teams ist die Antwort einfach: Nutzen Sie die Exporte, die kostenlose Stufe oder Enterprise, identifizieren Sie Ihren Client, bewahren Sie Aufzeichnungen für die Zuschreibung auf, und beobachten Sie, wie die Gerichte die Lizenzfrage behandeln. Es ist ein nützliches Vorbild dafür, wie sich andere offene Quellen künftig verhalten könnten.
Quellen und Verweise
- Wikimedia Foundation, In the AI era, Wikipedia has never been more valuable (10. November 2025): wikimediafoundation.org
- Wikimedia Foundation, zu Wikimedia Enterprise und dem Schutz von Wikipedia (16. Juli 2026): wikimediafoundation.org
- Wikimedia Foundation, Amicus-Schriftsatz in New York Times v. OpenAI (30. Oktober 2026): wikimediafoundation.org
- Diff, New user trends on Wikipedia (17. Oktober 2025): diff.wikimedia.org
- Diff, How crawlers impact the operations of the Wikimedia projects (1. April 2025): diff.wikimedia.org
- Diff, Quo vadis, crawlers? (26. März 2026): diff.wikimedia.org
- Diff, Wikimedia Enterprise financial report, Geschäftsjahr 2024-2025: diff.wikimedia.org
- Wikimedia Enterprise, Partner (15. Januar 2026) und Preisgestaltung: enterprise.wikimedia.com, enterprise.wikimedia.com/pricing
- Wikimedia Enterprise, Kaggle-Datensatz: enterprise.wikimedia.com
- Wikimedia APIs, Ratenbegrenzungen: mediawiki.org
- Wikimedia Robot-Richtlinie: wikitech.wikimedia.org
- Wikimedia User-Agent-Richtlinie und Nutzungsbedingungen: foundation.wikimedia.org, foundation.wikimedia.org
- Wikimedia Dumps: dumps.wikimedia.org