Maschinelles Lernen im Ungleichgewicht: Datenhandel muss gerechter werden

In einer neuen Analyse wird deutlich, dass die aktuelle Wertschöpfungskette des maschinellen Lernens strukturell nicht nachhaltig ist. Durch die ständige Verfeinerung von Rohdaten zu Modellen und schließlich zu synthetischen Produkten wird zwar die technische Qualität erhöht, doch gleichzeitig verliert die ursprüngliche Datenquelle an wirtschaftlichem Mehrwert. Das Ergebnis ist eine „wirtschaftliche Datenverarbeitungsungleichheit“, die die Interessen der Datenlieferanten systematisch benachteiligt.

Die Untersuchung stützt sich auf 73 öffentlich zugängliche Datenverträge. Dabei zeigt sich, dass der Großteil des wirtschaftlichen Nutzens bei Aggregatoren landet, während die ursprünglichen Erzeuger praktisch keine Lizenzgebühren erhalten. Gleichzeitig bleibt die Vertragsgestaltung für die meisten Beteiligten weitgehend undurchsichtig, was die Transparenz und Fairness weiter untergräbt.

Die Autoren identifizieren drei zentrale Fehlerquellen: fehlende Herkunftsverfolgung (Provenienz), einseitige Verhandlungspositionen und statische Preisgestaltung. Diese Faktoren bilden die operative Basis der Ungleichheit entlang der gesamten Datenkette. Um dem entgegenzuwirken, wird ein „Equitable Data‑Value Exchange“ (EDVEX) vorgeschlagen – ein minimalistisches Marktmodell, das allen Akteuren einen gerechten Anteil am Wert ermöglicht.

Abschließend skizzieren die Forscher konkrete Forschungsfelder, in denen die Community aktiv zur Verbesserung von Datenverträgen beitragen kann. Dabei wird betont, dass ein ausgewogener Datenhandel nicht nur ein soziales Anliegen, sondern auch entscheidend für die langfristige Stabilität und Weiterentwicklung von Lernalgorithmen ist.