Kernel.org ist das zentrale Archiv des Linux-Kernels und aller seiner Versionen, Commits und Entwicklungsgeschichte. Dies ist der tiefste Einblick in ein echter, komplexes Open-Source-Projekt: Millionen von Code-Zeilen, geschrieben über Jahrzehnte, mit vollständiger Historie. Diese Daten sind für KI-Training extrem wertvoll, da sie reale Beispiele professioneller Softwareentwicklung darstellen.
Analysen haben jetzt gezeigt, dass etwa 98 Prozent des Traffics auf kernel.org nicht von menschlichen Entwicklern oder Computern kommt, sondern von Bots. Diese Crawler systematisch die gesamte Sammlung herunter. Es wird davon ausgegangen, dass diese Daten primär für das Training von grossen KI-Sprachmodellen und Code-Generatoren genutzt werden. Unternehmen wie OpenAI, Google, Meta und andere sammeln hochwertige Code-Daten aus öffentlich verfügbaren Quellen.
Dies wirft mehrere Fragen auf: Handelt es sich um Missbrauch von Open-Source-Lizenzen? Sollten diese Archive die Zugriffe stärker limitieren oder authentifizieren? Und wie fair ist es, kommerzielle KI-Modelle auf der kostenlosen Arbeit von Open-Source-Entwicklern zu trainieren, ohne dass diese eine Vergütung erhalten? Das Linux-Kernel-Projekt wird von der Linux Foundation unterstützt, aber auch sie können nicht einfach den Zugriff blocken, ohne die Verfügbarkeit für legitime Nutzer zu gefährden.
Für Unternehmen bedeutet dies, dass ihre Investitionen in Open Source indirekt zur Entwicklung konkurrierender KI-Produkte beitragen. Es ist ein strukturelles Problem, das die Open-Source-Community intensiv debattiert. Derzeit gibt es keine einfache Lösung, da der Gedanke der Offenheit mit dem Wunsch nach fairer Kompensation kollidiert.