digital opua GmbH

Wer nicht zahlt, verliert – Warum Medienhäuser jetzt Datenpreise durchsetzen müssen

Aug 13, 2025By Holger von Ellerts
Holger von Ellerts

Die Lage ist klar: Ohne verlässliche, lizenzierte Inhalte wird generative KI für Nachrichten- und Wissensarbeit unzuverlässig – und Medienhäuser sägen am eigenen Ast, wenn sie Gratisnutzung tolerieren. Die Richtung stimmt, wo Verlage Lizenzen durchsetzen. Aber die Branche braucht mehr Konsequenz und kluge Modelle, sonst gewinnt die „Billig-LLM“-Ökonomie – mit Qualitätsverlusten, Rechtsrisiken und Traffic-Erosion.

Es gibt bereits Pfade aus dem Dilemma. Die Financial Times hat OpenAI lizenziert; ChatGPT darf FT-Inhalte zitieren und verlinken, das Archiv steht fürs Training bereit – mit klarer Attribution. „Es ist richtig, dass KI-Plattformen Verlage für die Nutzung ihrer Inhalte bezahlen“, sagte FT-CEO John Ridding, und: „Es liegt im Interesse der Nutzer, dass diese Produkte zuverlässige Quellen enthalten“ [The Verge, 29.04.2024, https://www.theverge.com/2024/4/29/24141869/financial-times-licensing-deal-openai-news; Nieman Lab, 29.04.2024, https://www.niemanlab.org/2024/04/the-financial-times-inks-new-licensing-deal-with-openai/]. OpenAI hat ähnliche Deals mit Axel Springer und Associated Press geschlossen [TechCrunch, 29.04.2024, https://techcrunch.com/2024/04/29/openai-inks-strategic-tie-up-with-uks-financial-times-including-content-use/]. Google hat Inhalte von Reddit für KI lizenziert – Berichten zufolge im Umfang von über 60 Mio. US‑Dollar pro Jahr [SiliconANGLE, 29.04.2024, https://siliconangle.com/2024/04/29/openai-signs-content-licensing-agreement-financial-times/].

Die Gegenseite ist ebenso sichtbar: Die New York Times klagt gegen OpenAI/Microsoft wegen urheberrechtswidriger Nutzung und fordert „Milliarden“ an Schäden; die Klage adressiert zudem Paywall-Umgehung durch KI‑Outputs [NYT, 27.12.2023, https://www.nytimes.com/2023/12/27/business/media/new-york-times-open-ai-microsoft-lawsuit.html; Reuters, 27.12.2023, https://www.reuters.com/technology/ny-times-sues-openai-microsoft-infringing-copyrighted-work-2023-12-27/]. Diese Konfliktlinie entscheidet, ob Journalismus als Trainingsbasis entwertet wird – oder als lizenzierte, verlässliche Ressource seinen Preis durchsetzt.


Warum zahlen? Drei harte Gründe für Lizenzmärkte


Erstens: Qualität und Sicherheit. Forschung zeigt, dass Modelle, die auf synthetischen oder aus Modellausgaben rekursiv erzeugten Daten trainieren, Qualitätsabfälle und Verzerrungen akkumulieren („Curse of Recursion“) [Shumaylov et al., 07.2023, https://arxiv.org/abs/2305.17493]. Lizenzierte, kuratierte Inhalte stabilisieren Modellgüte – exakt das, was Medienmarken liefern.

Zweitens: Rechts- und Reputationsklarheit. Lizenzverträge mit Attribution senken Haftungs- und PR‑Risiken signifikant. Sie sind zudem anschlussfähig an neue Pflichten des EU AI Act, der u. a. detaillierte Zusammenfassungen urheberrechtlich geschützter Trainingsdaten verlangt [Europäisches Parlament, 13.03.2024, https://www.europarl.europa.eu/news/de/press-room/].

Drittens: Ökonomische Nachhaltigkeit. Journalismus finanziert die Wissensbasis, von der LLMs profitieren. Wer heute nicht monetarisiert, verliert morgen die Quelle – und damit die Alleinstellung als verlässliche Referenz.


Was, wenn nicht gezahlt wird? Die realen Folgekosten der „Gratisdaten“

Qualitäts- und Vertrauensverlust: Bias‑verstärkte, oberflächliche Antworten – verstärkt durch rekursives Training auf KI‑Outputs [Shumaylov et al., 2023, https://arxiv.org/abs/2305.17493]. Nutzer kehren etablierten Marken nicht wegen Logos, sondern wegen Verlässlichkeit den Rücken.


Rechtliche Eskalation: Mehr Klagen im Fahrwasser der NYT, potenziell Zwang zur Löschung von Trainingsständen – worst case: zerstörte Wertschöpfungsketten [NYT, 27.12.2023, https://www.nytimes.com/2023/12/27/business/media/new-york-times-open-ai-microsoft-lawsuit.html].


Defensive „Gifts”: Publisher härten Inhalte gegen Scraping/Training – bis hin zu aktiven Vergiftungen (z. B. „Nightshade“ bei Bilddaten) [University of Chicago, 01.2024, https://news.uchicago.edu/story/nightshade]. Ergebnis: schlechtere, riskantere Trainingsdaten.


Traffic-Kannibalisierung ohne Kompensation: Generative Antworten verdrängen Suchklicks; ohne Deal bleiben Links, Attribution und Revenue‑Shares aus [TechCrunch, 29.04.2024, https://techcrunch.com/2024/04/29/openai-inks-strategic-tie-up-with-uks-financial-times-including-content-use/].


„Billige LLMs“: Verführerisch günstig, operativ teuer


Günstige, oft intransparente Modelle – kleine Parametergrössen, unklare Datenherkunft, hoher Anteil synthetischer Daten – mögen sich für Prototypen eignen. In redaktionellen oder markenrelevanten Workflows erhöhen sie jedoch die Total Cost of Ownership: mehr Halluzinationen, mehr menschliche Nacharbeit, unklare Compliance, schwache SLAs. Für Medien ist das toxisch: Fehler werden öffentlich, Korrekturkosten sind hoch, Vertrauensverluste dauerhaft. Wer Low‑Cost‑Modelle nutzt, sollte sie strikt auf Low‑Stakes‑Aufgaben begrenzen und mit Retrieval aus lizenzierten Quellen absichern.


Anbieter und Tools – exemplarisch, wo Medien jetzt ansetzen sollten

Lizenzen und GenAI‑Produktionen: OpenAI (ChatGPT Enterprise, GPT‑5), mit Publisher-Deals wie FT/Axel Springer/AP [The Verge, 29.04.2024, https://www.theverge.com/2024/4/29/24141869/financial-times-licensing-deal-openai-news; SiliconANGLE, 29.04.2024, https://siliconangle.com/2024/04/29/openai-signs-content-licensing-agreement-financial-times/]. Anthropic (Claude) als Alternative für redaktionelle Recherche-Features. Google (Gemini) mit Content-Partnering, u. a. Reddit‑Lizenz [SiliconANGLE, ebd.].


RAG statt reines Pretraining: Aufbau eigener Retrieval-Layer über Verlagsarchive und Lizenzbestände; Zitationspflicht und Link‑Outs als Standard.


Provenienz und Rights-Management: Metadaten-Pipelines zu Quelle, Lizenz, Aktualität; Audit-Logs für den EU‑AI‑Act‑Nachweis.


Moderation und Fact‑Checking: Toolchains, die Quellenpflicht durchsetzen (z. B. verpflichtende Link‑Citations) und einen menschlichen Review für High‑Impact‑Ausgaben erzwingen.



Gegenargumente – und wie die Branche sie entkräftet

  • „Lizenzen begünstigen Big Tech.“ Ja, hohe Ticketpreise können Marktkonzentration verstärken. Antwort: kollektive Rechtewahrnehmung und Tarifstaffeln (Archiv vs. Premium‑Aktualität; Forschung vs. Kommerz), offene Standard‑APIs für faire Zugänge.
  • „Transaktionskosten sind zu hoch.“ Richtig – wenn jeder bilateral verhandelt. Branchenweite Clearing-Stellen und Standardverträge reduzieren Reibung.
  • „Innovation leidet.“ Nicht, wenn Ausnahmen für Forschung/Non‑Profit klar geregelt sind und Retrieval‑Zugänge alternative Vergütungsmodelle (pro Abruf) ermöglichen.


Was jetzt zu tun ist – in drei Schritten

  • Datenstrategie monetarisieren: Eigenes Archiv und aktuelle Inhalte lizensierbar paketieren (Staffelpreise, Exklusivitätsaufschläge begrenzen), Attribution und Deep‑Links vertraglich fixieren.
  • Produktseitig offensiv werden: Eigene GenAI‑Features aufbauen („Ask [Ihre Marke]“) mit RAG auf Verlagskorpus – und so Nutzerbindung, Abolocks und B2B‑Lizenzen stärken. Das FT‑Beispiel zeigt den Weg [Nieman Lab, 29.04.2024, https://www.niemanlab.org/2024/04/the-financial-times-inks-new-licensing-deal-with-openai/].
  • Governance und Compliance absichern: Transparenzreports zu Datenherkunft, KI‑Nutzung und Korrekturprozessen; klare Richtlinien für Einsatzfelder und Abnahmeprozesse in Redaktion und Vermarktung.


Die Pointe


„Zahlen oder verlieren“ ist keine Drohkulisse, sondern Realismus. Wer Inhalte nicht bepreist, landet in der Gratisdaten‑Spirale: geringere Modellqualität, mehr Rechtsrisiko, weniger Traffic – und am Ende weniger Journalismus. Wer lizenziert, gestaltet: bessere Modelle, messbare Zitationen, neue Erlösströme. Die Wahl liegt bei den Medien – und sie fällt besser heute als morgen.


Quellen