KI-Unternehmen, sammeln sie massiv "horrend teure" Daten?

Die Daten, die eine bankrotte Fluggesellschaft hinterlassen hat, wurden von Google für 10 Millionen US-Dollar zum Kauf angeboten.

Dieser Deal betrifft die langjährig angesammelten internen Aufzeichnungen der US-amerikanischen Billigfluggesellschaft Spirit Airlines, darunter etwa 100 Millionen E-Mails, 500 Millionen Microsoft Teams-Nachrichten sowie eine große Anzahl von Tabellenkalkulationen, Kalendern und anderen Geschäftsdokumenten. Google möchte diese Daten nutzen, um KI-Modelle zu verbessern.

Warum können die über Jahre angesammelten Arbeitsaufzeichnungen einer bereits eingestellten Fluggesellschaft immer noch für mehrere zehn Millionen Dollar verkauft werden?

Gleichzeitig kündigte ein weiteres KI-Datenunternehmen namens micro1 an, in den nächsten 12 Monaten 1 Milliarde US-Dollar zu investieren, um Betriebsdaten von echten Unternehmen zu erwerben oder entsprechende Nutzungsrechte zu erhalten, um Umgebungen für verstärktes Lernen aufzubauen, in denen die KI das Erledigen komplexer geschäftlicher Aufgaben lernen kann.

In den letzten Jahren haben KI-Unternehmen enorme Summen für den Kauf von GPUs und den Aufbau von Rechenzentren ausgegeben, doch für die Daten, die zum Trainieren von Modellen benötigt werden, gibt es kaum klare Preise. Derzeit tauchen immer mehr Angebote auf. Eine schwierige mathematische Bewertungsaufgabe kann 5000 US-Dollar wert sein, für die internen Daten eines Unternehmens kann ein Angebot von 10 Millionen US-Dollar eingehen, und ein führendes Modellunternehmen kann pro Jahr mehrere hundert Millionen US-Dollar für Dienstleistungen eines Datenanbieters ausgeben.

Welche Daten braucht die KI eigentlich? Warum können diese Daten so unterschiedliche Preise erzielen? Und wie soll ein Unternehmen entscheiden, wie viel Geld es für Daten ausgibt?

Von wem kaufen KI-Unternehmen eigentlich Daten?

Früher war das Internet ein wichtiger Weg, um Daten für große Modelle zu erhalten.

Nachrichtenberichte, Bücher, Enzyklopädien, Foren, Open-Source-Code und Fachwebsites bildeten das wichtige Korpus für das Training früher Modelle. Ein Branchenkenner verriet Tencent Technology, dass in der frühen Phase der Branchenentwicklung einige Leute sogar massenhaft alte Bücher kauften, um sie zu zerlegen und einzuscannen, um qualitativ hochwertige Daten zu erhalten.

Mit der Entwicklung der Branche wird das Urheberrecht immer stärker berücksichtigt. Führende Modellunternehmen beziehen eine große Menge an Inhalten aus dem öffentlichen Netz, kaufen auch Nutzungsrechte von Verlagen und professionellen Datenbanken und führen anschließend Datenbereinigung, Duplikatentfernung und Filterung durch.

Dieser Markt existiert schon immer. OpenAI hat eine mehrjährige Inhaltskooperation mit der News Corp abgeschlossen. Wie das Wall Street Journal damals berichtete, kann dieser Vertrag innerhalb von fünf Jahren einen Wert von mehr als 250 Millionen US-Dollar erreichen. OpenAI kann die aktuellen und historischen Inhalten von Medien wie dem Wall Street Journal und der New York Post nutzen, sowohl um Produkte zu verbessern, als auch um lizenzierte Inhalte in ChatGPT anzuzeigen.

Mit der Verbesserung der Modellfähigkeiten ändert sich jedoch das Ziel des Dateneinkaufs.

Derzeit lassen sich die externen Datenquellen von Modellunternehmen grob in drei Kategorien einteilen.

Erste Kategorie: Unternehmen, die speziell Daten für das KI-Training produzieren.

Unternehmen wie Scale AI, Surge AI, Mercor und micro1 gehören zu diesem Markt. Sie helfen Modellunternehmen, Annotatoren und Fachkräfte zu organisieren, um Rohdaten zu trainingsgeeigneten Materialien zu verarbeiten und qualitativ hochwertige Antworten, Bewertungsaufgaben und komplexe Aufgaben zu produzieren, die das Modell benötigt.

Dieses Geschäft hat bereits ein beträchtliches Ausmaß erreicht.

Im Juli 2026 zeigen Finanzdokumente, die The Information erhalten hat, dass Mercor im ersten Halbjahr einen Gesamtumsatz von 614 Millionen US-Dollar erzielt hat, wovon etwa 91 % von Unternehmen für Grundlagenmodelle stammen, darunter OpenAI, Anthropic und Google DeepMind.

Die Einnahmen dieser Datenunternehmen erreichen bereits einen Umfang von mehreren hundert Millionen US-Dollar. Sie entwickeln sich auch mit der Veränderung der Anforderungen an das Modelltraining schrittweise von der Bereitstellung großer Mengen an Annotierungsarbeitskräften hin zur Organisation von Fachkräften wie Mathematikern, Programmierern und Ärzten zur Produktion qualitativ hochwertiger Daten.

Zweite Kategorie: Personen mit Fachwissen.

Im Februar 2026 berichteten ausländische Medien, dass einige Mathematiker eingeladen wurden, schwierige Bewertungsaufgaben für die KI zu erstellen, wobei jede Aufgabe mit etwa 5000 US-Dollar vergütet wurde.

Diese Aufgaben sind keine gewöhnlichen Mathematikolympiade-Aufgaben. Sie müssen in der Lage sein, die Fähigkeiten modernster Modelle zu prüfen, und müssen über zuverlässige Antworten und Überprüfungsmethoden verfügen. Für KI, die immer besser in mathematischen Schlussfolgerungen wird, erfordert das Erstellen einer Aufgabe, die sie noch nicht leicht lösen kann, selbst ein hohes fachliches Niveau.

Darüber hinaus benötigen Modellunternehmen auch Ingenieure, die komplexe Programmieraufgaben entwerfen, Ärzte, die diagnostische Schlussfolgerungen bewerten, und Rechtsexperten, die beurteilen, ob fachliche Antworten zuverlässig sind.

Im Vergleich zur gewöhnlichen Textannotierung sind die Produktionskosten dieser Art von Daten höher, und die Anforderungen an das Personal sind strenger.

Dritte Kategorie, die in letzter Zeit deutliche neue Entwicklungen zeigt, sind Branchenunternehmen, die über echte Betriebsdaten verfügen.

Spirit Airlines ist ein typisches Beispiel. Vor der Insolvenz war diese Fluggesellschaft kein Unternehmen, das Daten für KI bereitstellt. Ihre E-Mails, Sitzungsprotokolle, Tabellenkalkulationen und Geschäftsdokumente waren nur Aufzeichnungen, die sich im Laufe der Jahre durch Betriebstätigkeiten natürlich ergaben.

Aber für Modellunternehmen, die die KI trainieren möchten, echte Arbeit zu erledigen, können diese Dokumente einen anderen Wert liefern. Zum Beispiel: Wie bearbeitet ein Unternehmen die verspätete Lieferung von Lieferanten? Wie läuft eine Kundenbeschwerde zwischen verschiedenen Abteilungen ab? Wie passen Mitarbeiter ihre Arbeitspläne an neue Situationen an? Diese Prozesse können in E-Mails, Verträgen, Sitzungsprotokollen und Geschäftssystemen verstreut sein.

Im Internet gibt es eine große Anzahl von Artikeln über Unternehmensverwaltung, Lieferketten und Kundenservice, aber es ist schwierig, die Probleme, die ein Unternehmen tatsächlich bearbeitet hat, vollständig nachzubilden.

Der neueste Einkaufsplan von micro1 zielt auch auf diese Art von Daten ab.

Am 9. Oktober kündigte micro1 den Start des Programms „Company Data Partnerships“ an, um Betriebsdaten von Unternehmen zu erwerben oder entsprechende Nutzungsrechte zu erhalten und sie in Umgebungen für verstärktes Lernen umzuwandeln. Das Modell kann darin lernen, wie man mit unvollständigen Informationen, widersprüchlichen Zielen und verschiedenen unerwarteten Situationen im echten Geschäftsleben umgeht.

Diese Nachfrage unterscheidet sich deutlich vom früheren massiven Einkauf von Webseitendaten. Daher haben die Arbeitsaufzeichnungen von Unternehmen neue potenzielle Käufer erhalten.

Aber diese Art von Daten hat auch Hindernisse. Dass Unternehmen über interne Aufzeichnungen verfügen, bedeutet nicht, dass sie Informationen, die Mitarbeiter, Kunden und Partner betreffen, frei verkaufen können; Rohaufzeichnungen sind auch keine direkt verwendbaren Trainingsdaten. Der Käufer muss noch Lizenzprüfung, Datenschutzverarbeitung, Aufgabenextraktion und Ergebnisüberprüfung durchführen.

Von Internetinhalten, professionellen Datenunternehmen bis hin zu Branchenunternehmen, die tatsächlich über Betriebsaufzeichnungen verfügen, erweitert sich der Suchbereich von KI-Unternehmen nach Daten ständig.

Wie viel kostet es eigentlich, ein Top-KI-Modell zu trainieren?

Wie viel Budget die Modellunternehmen tatsächlich für Daten ausgeben, ist bis heute ein sehr undurchsichtiges Thema.

KI-Unternehmen legen häufig offen, wie viel Rechenleistung und Infrastruktur sie für das Training ausgeben, aber sie veröffentlichen selten das vollständige Datenbuch. Selbst bei führenden Unternehmen wie OpenAI und Anthropic sind in den derzeit öffentlich zugänglichen Finanzdaten keine Ausgaben für Vortrainingskorpora, nachträgliches Training durch Experten, Aufgaben für verstärktes Lernen und Bewertungsdaten einzeln aufgeführt.

Dies hängt zunächst mit der Zusammensetzung der Datenkosten zusammen.

Die Dateninvestition eines Modellunternehmens umfasst sowohl den Kauf von Rohkorpora und Urheberrechtslizenzen als auch Datenbereinigung, Duplikatentfernung, Qualitätsprüfung und Datenschutzverarbeitung. In der Phase des nachträglichen Trainings müssen außerdem Demonstrationsantworten, Präferenzbeurteilungen und komplexe Aufgaben von Experten gekauft werden; beim Training von Agenten müssen möglicherweise ausführbare Umgebungen und automatische Überprüfungstools entwickelt werden.

Darüber hinaus produzieren Modellunternehmen selbst Daten. Interne Forscher, Annotierungsteams, Systeme zur Generierung synthetischer Daten und Infrastrukturen für Bewertungen können alle entsprechende Kosten verursachen.

Bei börsennotierten großen Modellunternehmen beliefen sich die Forschungs- und Entwicklungskosten von Zhipu im ersten Halbjahr 2026 auf 2,131 Milliarden Yuan, was einem Anstieg von 33,6 % gegenüber dem Vorjahr entspricht; die Forschungs- und Entwicklungskosten von MiniMax betrugen etwa 297 Millionen US-Dollar, ein Anstieg von 138,8 % gegenüber dem Vorjahr. MiniMax gab ausdrücklich an, dass der Anstieg hauptsächlich auf die gestiegenen Kosten für cloudbezogene Dienste im Zusammenhang mit dem Training aufgrund von Modelliterationen zurückzuführen ist. Allerdings ist es in den Finanzberichten schwierig, eine separate entsprechende Zahl für den Dateneinkauf zu finden.

In dem Prospekt, den MiniMax Ende 2025 veröffentlicht hat, wurde offengelegt, dass geplant ist, von 2026 bis 2030 jährlich etwa 64,9 Millionen Hongkong-Dollar für Dateneinkauf, Annotierung und Compliance von Text-, Bild-, Audio- und Multimodalmodellen auszugeben, was insgesamt etwa 325 Millionen Hongkong-Dollar in fünf Jahren entspricht.

Der Prospekt von Zhipu zeigt, dass im ersten Halbjahr 2025 die Kosten für Forschungs-, Entwicklungs- und technische Dienstleistungen sowie Beratung etwa 52,21 Millionen Yuan betrugen, die Datenbereinigung, Modellbewertung und andere ausgelagerte Forschungs- und Entwicklungsarbeiten umfassen. Da mehrere Projekte zusammengelegt und offengelegt werden, kann nicht bestätigt werden, wie viel davon direkt für datenbezogene Dienstleistungen verwendet wird, und es kann auch nicht beurteilt werden, ob der Kauf von Rohdaten enthalten ist.

Die Rechenleistung und die gesamten Forschungs- und Entwicklungsausgaben von Modellunternehmen werden immer transparenter, aber es fehlt immer noch an einem einheitlichen Finanzstandard, wie viel Geld für Rohkorpora, von Experten produzierte Trainingsdaten, Aufgaben für verstärktes Lernen und Bewertungsmaterialien ausgegeben wird. Externe Einkäufe, interne Datenproduktion und damit verbundene Rechenkosten sind in verschiedenen Konten verteilt, was es schwierig macht, die Dateninvestitionen verschiedener Modellunternehmen direkt zu vergleichen.

Aber bei einzelnen externen Einkäufen von ausländischen Modellunternehmen sind bereits sehr hohe Beträge aufgetaucht. Google plante einmal, etwa 200 Millionen US-Dollar pro Jahr an Scale AI zu zahlen, und die Einnahmen von Mercor in Höhe von mehreren hundert Millionen US-Dollar im ersten Halbjahr 2026 zeigen auch, dass führende Modellunternehmen kontinuierlich externe Dienste zur Datenproduktion kaufen.

Nach Angaben von Brancheninsidern belaufen sich die Dateninvestitionskosten von GPT-6 Astra auf mehrere zehn Milliarden US-Dollar, aber dies ist nur ein Branchengerücht.

Noch untersuchungswürdiger ist, wie Modellunternehmen eigentlich ihr Datenbudget festlegen.

Im herkömmlichen Verständnis braucht das Modell mehr Daten, also wird der Einkaufsumfang weiter vergrößert. Aber diese Methode kann zu Verschwendung führen: Wenn bereits viele Daten derselben Art angesammelt wurden, führt ein weiterer Anstieg nicht unbedingt zu einer deutlichen Verbesserung; was die Fähigkeiten des Modells tatsächlich einschränkt, könnte eine andere Art von knappen Daten sein.

Die im März 2026 in EACL Findings veröffentlichte Arbeit „Rethinking Data Mixture for Large Language Models“ hat die Optimierungsmethoden für das Datenverhältnis beim Training großer Modelle systematisch zusammengestellt.

Sie diskutiert die Frage, auf welche Daten die begrenzten Trainingsressourcen verwendet werden sollen.

Zum Beispiel muss eine Modellgeneration gleichzeitig die Fähigkeiten in Mathematik, Programmierung, Sprachverständnis und Werkzeugnutzung verbessern, aber die Erhöhung der Daten in verschiedenen Bereichen wirkt sich unterschiedlich auf die endgültige Leistung aus. Die Studie fasst zusammen, wie das Verhältnis verschiedener Daten bei einem festen Rechenbudget angepasst werden kann, um die Modellleistung zu verbessern.

In der praktischen kommerziellen Beschaffung müssen Modellunternehmen noch eine dritte Frage beantworten: Sollen diese Daten gekauft oder selbst produziert werden?

Angenommen, ein Modellunternehmen möchte die Erfolgsrate bei komplexen Programmieraufgaben verbessern. Wenn gewöhnlicher Code die Modellleistung nicht mehr deutlich verbessern kann, ist eine weitere Erhöhung des Einkaufs möglicherweise nicht sinnvoll; wenn die Qualität synthetischer Aufgaben hoch genug ist, kann die Notwendigkeit externer Einkäufe sinken.

Umgekehrt, wenn bestimmte Daten nur von Fachkräften oder echten Unternehmen bereitgestellt werden können und sie tatsächlich die Modellleistung verbessern, kann es sich lohnen, sie zu kaufen, selbst wenn der Einheitspreis für den Einkauf sehr hoch ist.

Daher ist das Datenbudget nicht nur ein fester Anteil der Forschungs- und Entwicklungskosten. Es hängt davon ab, welche Fähigkeiten das nächste Modell verbessern soll, welche Daten dem aktuellen Modell fehlen und wie viel zusätzlichen Nutzen verschiedene Daten bringen können.

Diese Veränderung wirkt sich auch direkt auf die Preise des KI-Datenmarktes aus.

Welche Daten werden immer teurer?

Die Preise von KI-Daten zeigen eine deutliche Differenzierung.

Auf der Rekrutierungsseite von Mercor beträgt der durchschnittliche Vertragssatz für gewöhnliche Fachkräfte etwa 107 US-Dollar pro Stunde, aber die Angebote einiger Onkologie-Experten erreichen 350 bis 450 US-Dollar, die von Maschinenlern-Experten 150 bis 200 US-Dollar. Im Vergleich dazu können die Kosten für grundlegende Aufgaben wie einfache Bildklassifizierung und Textannotierung nur wenige Cent pro Aufgabe betragen.

Dieser Preisunterschied zeigt, dass derzeit Modellunternehmen bereit sind, höhere Gebühren für fachliche Beurteilungen in bestimmten Bereichen