Web scraping a RODO — co mówią nowe wytyczne EROD 03/2026 dla generatywnej AI

„Jeżeli dane są dostępne publicznie, można je swobodnie wykorzystać” — to jedno z najbardziej rozpowszechnionych przekonań związanych z pozyskiwaniem danych z internetu. Z perspektywy RODO jest ono jednak błędne.

7 lipca 2026 r. Europejska Rada Ochrony Danych przyjęła Wytyczne 03/2026 dotyczące web scrapingu w kontekście generatywnej sztucznej inteligencji. Dokument szczegółowo pokazuje, kiedy automatyczne pozyskiwanie danych z internetu na potrzeby rozwoju i trenowania modeli AI może być zgodne z RODO oraz jakie warunki muszą spełnić organizacje korzystające z takich danych.

Wytyczne mają znaczenie nie tylko dla podmiotów, które samodzielnie prowadzą scraping. Powinny zainteresować również firmy, które kupują lub wykorzystują gotowe zbiory danych zebrane z internetu, dostrajają modele na takich danych albo dostarczają zbiory danych innym podmiotom. Najważniejszy wniosek z wytycznych jest taki, że publiczna dostępność danych nie oznacza dowolności ich wykorzystania, podobnie jak brak technicznego zakazu scrapingu nie jest równoznaczny ze zgodą osoby, której dane dotyczą.

Trzeba przy tym pamiętać, że Wytyczne 03/2026 zostały przyjęte w wersji 1.0 do konsultacji publicznych. Ich ostateczne brzmienie może zatem jeszcze ulec zmianie. Już teraz pokazują jednak kierunek, w którym EROD interpretuje obowiązki organizacji wykorzystujących web scraping do projektów związanych z AI.

Jakiego web scrapingu dotyczą wytyczne

EROD koncentruje się na pozyskiwaniu danych z internetu na potrzeby trenowania i rozwoju generatywnej sztucznej inteligencji. W praktyce obejmuje to dwa podstawowe modele działania. Pierwszy występuje wtedy, gdy organizacja samodzielnie zbiera dane z internetu albo zleca scraping zewnętrznemu wykonawcy. Drugi dotyczy sytuacji, w której firma korzysta z gotowego zbioru danych, który został wcześniej zgromadzony przez inny podmiot.

Wytyczne dotyczą działalności podmiotów prywatnych. Nie koncentrują się natomiast na brokerach danych, którzy jedynie udostępniają zgromadzone zbiory bez wykorzystywania ich do trenowania modeli, ani na przetwarzaniu danych własnych organizacji. Web scraping jest rozumiany przez EROD jako automatyczne pozyskiwanie i przechowywanie informacji z publicznie dostępnych zasobów internetowych. Mogą to być m.in. rejestry publiczne, serwisy informacyjne, media społecznościowe, fora internetowe czy blogi. Problem polega na tym, że bardzo często takie źródła zawierają również dane osobowe.

Web scraping może być przetwarzaniem danych osobowych

Jeżeli w ramach scrapingu pozyskiwane są informacje pozwalające bezpośrednio lub pośrednio zidentyfikować osobę fizyczną, mamy do czynienia z przetwarzaniem danych osobowych. RODO może więc obejmować nie tylko samo pobieranie danych, ale również późniejsze ich czyszczenie, selekcjonowanie, strukturyzowanie, łączenie czy przechowywanie. W przypadku zbiorów mieszanych, zawierających zarówno informacje osobowe, jak i nieosobowe, przepisy RODO będą miały zastosowanie przynajmniej do tej części zbioru, która zawiera dane osobowe.

Scraping na potrzeby AI jest przy tym szczególnie wymagający z punktu widzenia zgodności. Organizacje pozyskują niekiedy ogromne ilości informacji bez bezpośredniego kontaktu z osobami, których te dane dotyczą. Pojawiają się więc pytania o podstawę prawną z art. 6 RODO, dane szczególnych kategorii z art. 9, obowiązki informacyjne wynikające z art. 12–14, minimalizację oraz ograniczenie celu.

Do tego dochodzą ryzyka charakterystyczne dla modeli AI. Model może w określonych sytuacjach zapamiętać elementy danych treningowych, a następnie je odtworzyć, jak również pozwalać na wyprowadzanie nowych informacji dotyczących konkretnych osób.

Administrator, procesor czy współadministrator?

Samo wykonywanie scrapingu nie oznacza automatycznie, że dany podmiot jest administratorem danych. EROD przypomina, że role poszczególnych uczestników procesu należy ustalać na podstawie ich rzeczywistego wpływu na cele i sposoby przetwarzania.

Jeżeli deweloper modelu AI zleca scraping zewnętrznej firmie i szczegółowo określa, z jakich źródeł oraz jakie kategorie danych mają zostać pobrane, wykonawca może działać jako podmiot przetwarzający, podczas gdy deweloper pozostaje administratorem.

Inaczej wygląda sytuacja, gdy organizacja nabywa lub wykorzystuje zbiór, który został wcześniej samodzielnie zebrany przez inny podmiot. W takim przypadku każda ze stron może odpowiadać za własny, odrębny proces przetwarzania.

Możliwe jest również współadministrowanie, jeżeli zaangażowane organizacje wspólnie określają cele przetwarzania i najważniejsze kryteria pozyskiwania danych.

Podstawa prawna web scrapingu — prawnie uzasadniony interes

Jednym z kluczowych tematów Wytycznych 03/2026 jest podstawa prawna przetwarzania danych pozyskiwanych poprzez scraping. W praktyce podmioty prywatne najczęściej mogą rozważać prawnie uzasadniony interes z art. 6 ust. 1 lit. f RODO, ponieważ pozostałe podstawy prawne w wielu przypadkach trudno zastosować do masowego pozyskiwania danych z internetu.

Publiczne dane nie oznaczają zgody

Przy masowym scrapingu pozyskanie zgody od każdej osoby, której dane mogą znaleźć się w zbiorze, jest zazwyczaj nierealne. Co ważniejsze, fakt, że użytkownik sam opublikował określone informacje w internecie, nie oznacza automatycznie zgody na ich dalsze wykorzystanie do trenowania modelu AI. Tak samo brak pliku robots.txt albo niestosowanie przez daną stronę technicznych blokad nie stanowi zgody w rozumieniu RODO.

Uzasadniony interes wymaga pełnego testu

Powołanie się na art. 6 ust. 1 lit. f RODO nie może być automatyczne. Konieczne jest przeprowadzenie trzystopniowej oceny obejmującej:

1. istnienie konkretnego prawnie uzasadnionego interesu,
2. niezbędność przetwarzania do jego realizacji,
3. wyważenie interesu organizacji z prawami, wolnościami i interesami osób, których dane dotyczą.

Wytyczne wskazują jako przykłady potencjalnie uzasadnionych interesów m.in. rozwój asystenta konwersacyjnego, wykrywanie oszustw czy ulepszanie systemów identyfikacji zagrożeń.

Test równowagi i rozsądne oczekiwania użytkowników

Najbardziej wymagającym elementem oceny może być właśnie test równowagi (LIA). EROD podkreśla znaczenie rozsądnych oczekiwań osób, których dane są pobierane. Nie można więc patrzeć wyłącznie na to, czy określona informacja była technicznie dostępna w internecie.

Znaczenie mogą mieć m.in.:

• charakter źródła, z którego pochodzą dane,
• sposób i zakres ich publicznego udostępnienia,
• regulamin i komunikaty serwisu,
• stosowanie robots.txt, ai.txt, CAPTCHA albo innych mechanizmów ograniczających automatyczny dostęp,
• charakter relacji pomiędzy organizacją a osobą,
• szczególna sytuacja osoby, np. jej wiek lub status osoby publicznej.

Kontekst ma tutaj zasadnicze znaczenie. Jeżeli platforma jest publiczna, nie ogranicza automatycznego pobierania danych i jasno informuje użytkowników, że ich treści mogą być w ten sposób wykorzystywane, może to wpływać na ocenę ich rozsądnych oczekiwań. Jeżeli natomiast właściciel strony stosuje techniczne zabezpieczenia przed scrapingiem i wyraźnie komunikuje sprzeciw wobec wykorzystywania treści na potrzeby AI, możliwość powołania się na takie oczekiwania będzie zdecydowanie słabsza.

Minimalizacja danych także przy dużych zbiorach treningowych

Duże modele AI wymagają często bardzo rozbudowanych zbiorów treningowych. Nie oznacza to jednak, że zasada minimalizacji przestaje obowiązywać. EROD oczekuje, że organizacja będzie aktywnie ograniczać pozyskiwanie informacji, które nie są potrzebne do realizacji określonego celu. Jeszcze przed uruchomieniem crawlera warto więc:

• rozważyć wykorzystanie danych syntetycznych zamiast danych osobowych,
• precyzyjnie ustalić zakres i kryteria zbierania,
• zmapować kategorie danych i źródła,
• zastosować filtry eliminujące zbędne informacje,
• wyłączyć serwisy, które z założenia zawierają dane szczególnych kategorii albo są kierowane do dzieci,
• uwzględniać sygnały wskazujące na sprzeciw wobec scrapingu, takie jak robots.txt, ai.txt czy CAPTCHA.

Minimalizacja nie kończy się jednak na etapie zbierania danych. Po pozyskaniu zbioru można stosować dodatkowe mechanizmy, np. filtry oparte na wyrażeniach regularnych pozwalające wykrywać numery telefonów, identyfikatory czy inne charakterystyczne dane, zastępowanie wybranych informacji danymi syntetycznymi oraz anonimizację lub pseudonimizację.

Przejrzystość — jak poinformować osoby o scrapingu

Ponieważ dane pozyskiwane w ramach web scrapingu co do zasady nie pochodzą bezpośrednio od osoby, której dotyczą, zastosowanie znajduje przede wszystkim art. 14 RODO. W praktyce indywidualne dotarcie z informacją do milionów osób może okazać się niemożliwe albo wymagać niewspółmiernie dużego wysiłku. W określonych przypadkach administrator może więc rozważyć zastosowanie wyjątku z art. 14 ust. 5 lit. b RODO. Nie oznacza to jednak braku obowiązku przejrzystości. Organizacja powinna publicznie udostępnić informacje wyjaśniające m.in.:

• jakie kategorie danych są zbierane,
• w jakich celach są wykorzystywane,
• na jakiej podstawie prawnej odbywa się przetwarzanie,
• z jakich źródeł pozyskiwane są dane,
• w jaki sposób działa wykorzystywany crawler.

EROD wskazuje przy tym na potrzebę możliwie precyzyjnego opisywania źródeł. Pomocne może być wskazanie konkretnych domen lub adresów URL w formie umożliwiającej ich wyszukiwanie, a także okresów, w których prowadzono zbieranie. Jeżeli organizacja korzysta z gotowego zbioru danych uzyskanego od innego administratora, informacja powinna również umożliwiać ustalenie podmiotu, od którego dane zostały pozyskane.

Dane szczególnych kategorii — szczególnie problematyczny obszar

Dodatkowe wyzwanie pojawia się wtedy, gdy wśród pozyskanych informacji znajdują się szczególne kategorie danych osobowych, o których mowa w art. 9 RODO. Ich przetwarzanie jest co do zasady zakazane, a celowe pozyskiwanie takich danych wymaga nie tylko podstawy z art. 6 RODO, lecz także odpowiedniej przesłanki z art. 9 ust. 2. Problem polega na tym, że przy masowym scrapingu organizacja nie zawsze jest w stanie wcześniej przewidzieć, jakie informacje znajdą się w zbiorze.

EROD, odwołując się m.in. do wyroku TSUE w sprawie GC i inni, C-136/17, zwraca uwagę na zakres rzeczywistych możliwości administratora w odniesieniu do niezamierzonego i incydentalnego pozyskiwania danych szczególnych kategorii. W praktyce oznacza to konieczność wprowadzania zabezpieczeń na różnych etapach procesu:

Przed scrapingiem — odpowiednie kryteria wyboru źródeł, filtry i wykluczanie witryn, na których ryzyko występowania danych wrażliwych jest szczególnie wysokie.

Po zebraniu danych — wykrywanie i możliwie szybkie usuwanie takich informacji, również w odpowiedzi na żądania osób.

Podczas rozwoju modelu — stosowanie rozwiązań zmniejszających ryzyko późniejszego wydobycia danych z modelu oraz filtrów kontrolujących generowane treści.

Po wdrożeniu modelu — monitorowanie jego wyników oraz, w miarę rozwoju dostępnych rozwiązań, stosowanie technik pozwalających usuwać lub ograniczać wpływ określonych danych na model.

Samo wprowadzenie wymienionych środków nie wystarczy. Zgodnie z zasadą rozliczalności administrator powinien być w stanie wykazać, że rzeczywiście działają.

Co nowe wytyczne oznaczają dla organizacji wykorzystujących AI

Dla firmy tworzącej lub dostrajającej modele generatywne, wykorzystującej zescrapowane dane albo dostarczającej takie zbiory Wytyczne 03/2026 oznaczają potrzebę uporządkowania całego procesu pozyskiwania danych.

W szczególności warto:

• ustalić role wszystkich zaangażowanych podmiotów,
• określić i udokumentować podstawę prawną przetwarzania,
• w przypadku uzasadnionego interesu przeprowadzić pełny test równowagi,
• ocenić, czy projekt wymaga DPIA,
• zapewnić odpowiednią informację o prowadzonym scrapingu,
• wdrożyć kryteria selekcji źródeł i filtry ograniczające zakres danych,
• respektować techniczne i inne sygnały sprzeciwu wobec scrapingu,
• stworzyć skuteczny mechanizm sprzeciwu lub opt-out,
• zaplanować realizację pozostałych praw osób, których dane dotyczą.

Najczęstsze mity i błędy dotyczące web scrapingu

„Dane są publiczne, więc można je wykorzystać.” Sama dostępność informacji w internecie nie stanowi podstawy prawnej ich dalszego przetwarzania ani zgody osoby na wykorzystanie danych do trenowania AI.

„Nie ma robots.txt, więc scraping jest dozwolony.” Brak takiego pliku nie stanowi zgody w rozumieniu RODO i nie zwalnia organizacji z obowiązku dokonania własnej oceny legalności przetwarzania.

Opieranie masowego scrapingu na zgodzie. W praktyce uzyskanie ważnej zgody od wszystkich osób, których dane mogą znaleźć się w zbiorze, jest zazwyczaj nierealne.

Brak udokumentowanego testu równowagi. Samo wskazanie „uzasadnionego interesu” w dokumentacji nie wystarcza. Organizacja powinna być w stanie wykazać, dlaczego jej interes jest prawnie uzasadniony, dlaczego dane są niezbędne i dlaczego prawa osób nie mają charakteru nadrzędnego.

Ignorowanie sprzeciwu właścicieli stron lub użytkowników. Techniczne ograniczenia takie jak robots.txt czy CAPTCHA oraz wyraźne komunikaty zabraniające wykorzystania treści na potrzeby AI mają znaczenie przy ocenie rozsądnych oczekiwań osób.

Brak zabezpieczeń dotyczących danych wrażliwych. Jeżeli system zbiera dane bez odpowiednich filtrów i mechanizmów ograniczających ryzyko pozyskania danych szczególnych kategorii, może to prowadzić do poważnych problemów z art. 9 RODO.

Brak przejrzystości. Organizacja nie powinna prowadzić scrapingu bez publicznie dostępnej informacji wyjaśniającej, jakie dane zbiera, skąd je pozyskuje i do czego zamierza je wykorzystać.

Web scraping zgodny z RODO — praktyczna checklista

• Ustal role wszystkich uczestników procesu — administratora, procesora lub ewentualnych współadministratorów.
• Określ właściwą podstawę prawną i udokumentuj, dlaczego może być stosowana w konkretnym przypadku.
• Jeżeli korzystasz z uzasadnionego interesu, przeprowadź pełny test trójstopniowy — cel, niezbędność i test równowagi.
• Oceń rozsądne oczekiwania osób, uwzględniając charakter źródła, sposób publikacji danych oraz stosowane przez stronę ograniczenia techniczne.
• Zastosuj zasadę minimalizacji już na poziomie konfiguracji crawlera — zdefiniuj źródła, kategorie danych, filtry i wykluczenia.
• Uwzględniaj sprzeciw wobec scrapingu, w tym robots.txt, ai.txt, CAPTCHA oraz wyraźne komunikaty dotyczące wykorzystywania danych do AI.
• Ogranicz pobieranie danych dzieci oraz danych szczególnych kategorii i wdroż mechanizmy ich wykrywania oraz usuwania.
• Przygotuj publicznie dostępną informację zgodną z art. 14 RODO, opisującą m.in. źródła danych i sposób działania crawlera.
• Zapewnij mechanizm sprzeciwu lub opt-out oraz procedury realizacji pozostałych praw osób, których dane dotyczą.
• Zweryfikuj, czy konieczne jest przeprowadzenie DPIA, szczególnie przy masowym lub ryzykownym przetwarzaniu.
• Dokumentuj zastosowane zabezpieczenia i testuj ich skuteczność zgodnie z zasadą rozliczalności.
• Okresowo ponawiaj ocenę, zwłaszcza gdy zmieniają się źródła danych, sposób działania crawlera lub cel wykorzystywania zbioru.

Potrzebujesz ocenić legalność web scrapingu lub wykorzystania danych do AI?

Web scraping na potrzeby generatywnej AI może wiązać się z szeregiem obowiązków wynikających z RODO — od wyboru właściwej podstawy prawnej i przeprowadzenia testu równowagi, przez minimalizację i dane szczególnych kategorii, aż po przejrzystość i realizację praw osób.

W Kancelarii Radcowskiej dr Joanny Maniszewskiej-Ejsmont wspieramy organizacje w ocenie zgodności procesów web scrapingu oraz wykorzystywania zbiorów danych w projektach AI. Pomagamy przeprowadzić ocenę prawnie uzasadnionego interesu (LIA) i ocenę skutków dla ochrony danych (DPIA), ustalić role uczestników procesu, a także przygotować wymaganą dokumentację i informacje dotyczące przetwarzania danych.

Jeżeli tworzysz lub dostrajasz model AI, pozyskujesz dane z internetu albo korzystasz z gotowego datasetu pochodzącego ze scrapingu, sprawdź ofertę audytu i wsparcia RODO dla projektów data i AI lub skontaktuj się z nami. Pomożemy ocenić ryzyka i uporządkować proces przed wdrożeniem rozwiązania.