Der deutsche Non-Profit-Verein LAION hat am 29. August 2026 ein Datenset veröffentlicht, das die Grundlage der nächsten Generation von KI-Videomodellen werden könnte: das Big Video Dataset (BVD). Die nackten Zahlen sind schwer zu fassen. Rund 10 Millionen Stunden Videomaterial, verteilt auf 55 Millionen automatisch beschriftete Clips, dazu 300 Millionen extrahierte Einzelbilder für das Bild-Text-Training. Ausgangspunkt waren 1,3 Milliarden video-spezifische URLs aus dem offenen Web-Archiv CommonCrawl, aus denen rund 80 Millionen Videos heruntergeladen wurden. Zum Vergleich: Würde man die 10 Millionen Stunden am Stück abspielen, liefe der Stream mehr als 1.140 Jahre ohne Pause.
Damit ist BVD das mit Abstand größte frei verfügbare Video-Datenset, das je für das Training multimodaler KI-Modelle veröffentlicht wurde. Und es kommt ausgerechnet von jener Organisation, die schon bei Bildern Geschichte geschrieben hat: LAION lieferte mit den LAION-5B-Bilddaten den Rohstoff, auf dem unter anderem Stable Diffusion trainiert wurde. Was der Verein damals für die Bildgenerierung war, könnte BVD jetzt für Video werden – ein offenes Fundament, auf dem auch kleinere Labore, Universitäten und unabhängige Entwickler aufsetzen können, statt sich auf die geschlossenen Datenberge von Google, OpenAI oder ByteDance verlassen zu müssen.
Untertitel von der Maschine für die Maschine
Der eigentliche technische Kniff steckt nicht in der Menge, sondern in der Aufbereitung. Video-Datensätze sind traditionell teuer, weil jemand beschreiben muss, was in einem Clip passiert – und zwar in einer Sprache, die ein Modell versteht. BVD löst das ohne menschliche Beschrifter: Zunächst zerlegt eine content-aware scene detection die Rohvideos in inhaltlich zusammenhängende Szenen, anschließend erzeugen KI-Modelle automatisch sowohl Video- als auch Audio-Beschreibungen. Die Untertitel wurden also von einer Maschine geschrieben, um die nächste Maschine zu trainieren.
Dass dieser Ansatz funktioniert, belegt LAION mit Benchmark-Zahlen. Modelle, die auf BVD trainiert wurden, übertrafen die bislang übliche Referenz InternVid bei Standard-Aufgaben zur Video-zu-Text-Zuordnung um bis zu 2,1 Prozentpunkte. Audio-Sprachmodelle erzielten laut Projekt eine wettbewerbsfähige Leistung gegenüber anderen großen, ungefilterten Audio-Datensätzen, und selbst aus den extrahierten Einzelbildern ließen sich CLIP-Modelle mit starker Bild-Text-Trefferquote trainieren – interessant, weil Frames aus Videos eine andere visuelle Verteilung mitbringen als klassische Foto-Datensätze.
Die inhaltliche Zusammensetzung verrät zugleich die Grenzen des Datensatzes. Der Großteil der Videos stammt von YouTube, das Material ist überwiegend englischsprachig. LAION selbst weist offen darauf hin, dass das Set „Verzerrungen, Stereotype und eine ungleiche Repräsentation über Sprachen, Regionen und Themen hinweg“ enthalten kann – und dass sich diese Verzerrungen auf jedes Modell übertragen, das damit trainiert wird. Wer BVD nutzt, erbt also nicht nur die Skalierung, sondern auch die blinden Flecken des offenen Webs.
Der juristische Boden: das Hamburger Urteil
Interessant ist, worauf sich LAION rechtlich stützt. Der Verein beruft sich auf eine Entscheidung des Landgerichts Hamburg aus dem Jahr 2024, die es gemeinnützigen Organisationen erlaubt, urheberrechtlich geschütztes Material für die nicht-kommerzielle KI-Forschung zu sammeln. Genau hier liegt die entscheidende Schranke: BVD ist ausschließlich für Forschungszwecke freigegeben, nicht für die kommerzielle Nutzung. Datensatz und Code stehen frei über GitHub (LAION-AI/BVD) zur Verfügung, gedacht sind sie für wissenschaftliche Forschung, Reproduzierbarkeit, Sicherheitsanalysen und das Studium multimodaler Grundlagenmodelle. LAION bittet ausdrücklich darum, die Rechte der ursprünglichen Urheber zu respektieren.
Ein offenes Datenset dieser Größe verschiebt die Machtfrage: Nicht mehr nur, wer die größten Rechenzentren hat, sondern auch, wer legalen Zugriff auf hochwertige Trainingsdaten besitzt, entscheidet über die nächste Modellgeneration.
Diese Trennlinie zwischen „Forschung erlaubt“ und „Kommerz verboten“ ist mehr als ein juristisches Detail. Sie markiert das Spannungsfeld, in dem sich die gesamte generative Videobranche gerade bewegt. Während Rechteinhaber, Verlage und Kreativverbände weltweit gegen die ungefragte Verwertung ihrer Werke klagen, schafft ein europäisches Gerichtsurteil hier einen eng umrissenen Freiraum – allerdings nur für die Wissenschaft. Frühere LAION-Datensätze standen wiederholt in der Kritik, unter anderem wegen problematischer Inhalte, die aus dem ungefilterten Web stammten. Dass der Verein diesmal Herkunft, Lizenzgrenzen und Risiken so transparent benennt, ist eine erkennbare Lehre aus dieser Vergangenheit.
Warum das die ganze Branche betrifft
Der Wettlauf um bessere KI-Videomodelle – von Sora über Veo, Kling und Runway bis Seedance und Wan – wird oft als reines Rechen- und Architekturrennen erzählt. Tatsächlich entscheidet die Datenbasis mindestens ebenso stark über die Qualität. Wer mehr, sauberer beschriftetes und vielfältigeres Material besitzt, bekommt ein Modell, das Bewegung, Physik und Bild-Text-Zuordnung besser versteht. Bislang war dieser Rohstoff die am strengsten gehütete Ressource der großen Anbieter. BVD durchbricht dieses Monopol zumindest für den Forschungsbereich und könnte damit den Abstand zwischen den Tech-Riesen und dem offenen Ökosystem verkleinern.
Für Europa hat das eine besondere Note. Mit LAION sitzt eine der weltweit einflussreichsten Open-Data-Initiativen im deutschsprachigen Raum, und mit dem Hamburger Urteil existiert ein rechtlicher Anker, den es in dieser Form in vielen anderen Jurisdiktionen nicht gibt. Das macht den Kontinent, der bei den kommerziellen Videomodellen bislang eher zuschaut, wenigstens bei der offenen Forschungsinfrastruktur zu einem relevanten Akteur.
Was das für eure Projekte bedeutet
Für uns als KI-Videoproduktion ist BVD zunächst kein Werkzeug, das man morgen in den Workflow einbaut – es ist ein Datensatz für Modelltraining, kein Generator, und die Lizenz schließt kommerzielle Nutzung ausdrücklich aus. Wer also plant, selbst ein Modell auf BVD zu trainieren und die Ergebnisse in Kundenprojekten einzusetzen, muss die Forschungsschranke sehr ernst nehmen: Das ist juristisch nicht gedeckt. Der eigentliche Nutzen liegt indirekt, aber real. Erstens wird BVD die Qualität offener und halboffener Videomodelle in den kommenden Monaten spürbar anheben – und genau solche Modelle sind es, die wir später über APIs oder lokale Installationen tatsächlich kommerziell verwenden. Zweitens lohnt sich der Blick auf die Kennzeichnungs- und Herkunftsfrage: Wenn selbst der größte offene Datensatz auf ein Gerichtsurteil angewiesen ist, zeigt das, wie eng der rechtliche Rahmen für Trainingsdaten inzwischen ist – ein Thema, das auch bei der Auswahl kommerzieller Anbieter mitschwingt, deren Trainingsdaten oft undurchsichtig sind. Und drittens ist die Botschaft strategisch: Die nächste Welle an Videomodell-Fortschritt entsteht nicht mehr nur hinter verschlossenen Türen. Wer die Entwicklung offener Modelle beobachtet, sieht früher, wohin die Reise geht – und kann Werkzeuge testen, lange bevor sie im Massenmarkt ankommen.
Kurz gesagt: BVD verändert nichts an eurem heutigen Projekt, aber es verschiebt die Startlinie für das, was in einem halben Jahr technisch möglich ist. Und es erinnert daran, dass hinter jedem beeindruckenden KI-Clip eine Datenfrage steht, die längst auch eine Rechtsfrage geworden ist.