10 Probleme mit dem KI-Gesetz und dem Datenschutz

Anfang 2026 gibt es in Vietnam zwei wichtige neue Gesetze. Ein Gesetz schützt persönliche Daten. Ein Gesetz regelt Künstliche Intelligenz (KI). Dazu gibt es neue Regeln, zum Beispiel das Dekret 356. Die Regeln für Big Data sind sehr streng.

Ich arbeite mit Daten und trainiere KI. Ich sorge mich um Menschenrechte und Privatsphäre. Ich finde die Gesetze gut. Sie zeigen: Die Politik versteht die digitale Welt.

Aber für Firmen ist es schwer, beide Gesetze zusammen zu befolgen. Manche Regeln sind technisch fast unmöglich. Auch mit viel Geld und gutem Willen kann eine Firma nicht alles perfekt machen. Hier sind die wichtigsten Probleme.

Problem 1: Öffentliche Daten für das Training sammeln

Das ist das schwerste Problem für Firmen. Ohne Lösung hat die vietnamesische KI-Branche ein großes Problem.

Das KI-Gesetz sagt in Artikel 7: Man darf keine Daten gegen das Datenschutz-Gesetz, gegen das Urheberrecht und gegen die Netz-Sicherheit sammeln, um KI zu bauen.

Das Datenschutz-Gesetz sagt in Artikel 9: Man braucht die Zustimmung der Person. Die Zustimmung muss klar, freiwillig und positiv sein. Sie muss für jeden Zweck extra gelten. Das Dekret 356 sagt: Big Data darf man nur im richtigen Rahmen und für einen klaren Zweck benutzen.

Aber für ein gutes großes Sprachmodell (LLM) brauchen Ingenieure Milliarden Token auf Vietnamesisch. Token sind kleine Text-Teile. Die einzige praktische Methode ist Web Scraping. Das heißt: Ein Programm liest automatisch öffentliche Texte im Internet. Dabei findet es sicher auch Namen, E-Mails, persönliche Meinungen und Fotos in Artikeln und Kommentaren.

Wenn man das Gesetz streng versteht, muss die Firma Millionen Menschen fragen: "Darf ich deine Daten für KI-Training benutzen?" Das ist in jeder Hinsicht unmöglich.

In Vietnam gibt es noch keine Regeln wie "Fair Use" oder "Legitimate Interest" (berechtigtes Interesse). Die EU benutzt diese Ideen flexibel für ihren AI Act.

Meine persönliche Meinung: Das ist die schwierigste Grauzone. Technisch kann man nicht für jede Information aus dem Internet die Quelle prüfen. Firmen haben deshalb große Angst. Sie haben vielleicht Angst, dass sie ihre KI-Modelle löschen müssen. Diese Modelle kosten Millionen US-Dollar.

Problem 2: Das Recht auf Vergessen ist technisch fast unmöglich

Seit dem 01.01.2026 kann jeder Bürger in Vietnam sagen: Löscht meine persönlichen Daten aus allen Systemen. Das Dekret 356 sagt: Die Firma muss in 2 Arbeitstagen antworten und in 20 Tagen alles löschen.

Für eine normale Datenbank ist das einfach. Der Ingenieur schreibt einen Befehl wie DELETE FROM users WHERE id = ... Und fertig.

Aber für KI ist das technisch fast unmöglich. Daten in KI und in Sprachmodellen fließen nur in eine Richtung. Man kann den Weg fast nicht zurückverfolgen. In einem trainierten neuronalen Netz gibt es den Text nicht mehr als lesbaren Text. Die Daten sind aufgelöst in Milliarden mathematische Zahlen. Diese Zahlen heißen Weights und Biases. Sie sind überall im Modell verteilt. Man kann die Daten von einer Person nicht löschen, ohne den Rest kaputt zu machen.

Experten nennen dieses Problem Machine Unlearning. Im Mai 2026 gibt es in der Welt noch keine perfekte Lösung dafür.

Das häufigste Problem beim Vergessen heißt catastrophic forgetting. Das heißt: Das Modell will eine Information vergessen, aber es verliert dabei auch andere Fähigkeiten, die nichts damit zu tun haben. Die einzige sichere Lösung ist: Alles von Anfang an neu trainieren (retrain). Aber das kostet für ein mittleres Modell hunderttausende bis Millionen US-Dollar für Computer und Strom.

Wie kann eine kleine oder mittlere Firma in 20 Tagen ein großes Modell neu trainieren? Die Antwort ist: Das geht nicht. Das sage ich auf Basis der Technik und Infrastruktur in Vietnam heute.

Meine persönliche Meinung: Das ist ein klassisches Beispiel. Ein altes Gesetz will neue Technik regeln. Ich denke, die Lösung ist ein nationaler technischer Standard (TCVN). Dieser Standard kann andere Methoden anerkennen, zum Beispiel Output-Filter, Guardrails oder zertifizierte Anonymisierung. Das kann dann als "Löschung" gelten, ohne neues Training. Ohne so eine Lösung sind die Kosten sehr hoch, und es ist trotzdem nicht möglich.

Problem 3: Transparenz - Niemand kann die Black Box voll erklären

Dieses Problem sieht man schnell im Alltag, zum Beispiel bei Banken, Versicherungen und Fintech-Firmen.

Das KI-Gesetz sagt in Artikel 14: Bei einer Erklärung muss man nicht den Quellcode, den genauen Algorithmus, die Parameter oder Geschäftsgeheimnisse zeigen. Das schützt das Eigentum der Firma. Das ist gut für Firmen.

Aber gleichzeitig sagt das Dekret 356 in Artikel 10: Die Firma muss das Prinzip des Algorithmus erklären. Sie muss auch erklären, wie der Algorithmus die Rechte der Person beeinflusst. Das ist das Recht der Nutzer auf Wissen. Ich finde auch das gut!

Das Problem ist: Moderne Deep-Learning-Modelle und Sprachmodelle sind eine echte "Black Box". Das heißt: Man kann fast nicht vollständig erklären, wie sie arbeiten. Mit dem gleichen Input gibt es manchmal "Halluzinationen". Das heißt: Das Ergebnis ist anders, und niemand weiß warum.

Sogar wir KI-Ingenieure können nicht genau antworten. Zum Beispiel auf die Frage: "Warum lehnt das Modell diesen Kredit ab?" Wir können es nicht so erklären, dass normale Menschen es verstehen. Wenn wir es erklären könnten, würden wir einfache If... Else... Regeln benutzen. Das wäre billiger als ein KI-Modell. Jede Entscheidung kommt aus Millionen komplizierten Rechnungen.