Spis treści:
- Etapy web scrapingu
- Web scraping z perspektywy rodo
- Rola podmiotu stosującego web scraping
- Zasady rodo przy web scrapingu
- Podstawa prawna przetwarzania danych osobowych
- Przetwarzanie danych szczególnej kategorii
Rodo ma zastosowanie do web scrapingu, gdy obejmuje on operacje przetwarzania danych osobowych, takie jak gromadzenie, przechowywanie, organizowanie i pobieranie. W przypadku korzystania z automatycznego pobierania danych z internetu należy zwrócić szczególną uwagę na zasady ograniczenia celu i przejrzystości.
Europejska Rada Ochrony Danych opublikowała wytyczne dotyczące web scrapingu w kontekście generatywnej sztucznej inteligencji (03/2026). Podała w nich konkretne wskazówki w zakresie poszczególnych wątpliwości korzystania z tej technologii z perspektywy rodo. Wytyczne są kolejnym dokumentem, w którym EROD podejmuje próbę pogodzenia obowiązków wynikających z rodo z dynamicznie rozwijającym się sektorem AI. Wytyczne koncentrują się wyłącznie na stosowaniu web scrapingu przez podmioty prywatne. Należy przy tym zauważyć, że wytyczne zostały skierowane do konsultacji publicznych, które mają trwać do 30 października 2026 r. Tym samym ich ostateczna treść może ulec zmianie.
Etapy web scrapingu
EROD wskazuje kilka zasadniczych etapów web scrapingu:
- zdefiniowanie kryteriów zbierania danych – określenie właściwych źródeł do scrapowania (np. w zależności od celu rozwoju AI) i kryteriów wykluczających zbieranie danych osobowych zbędnych dla przetwarzania. Zgodnie z tymi kryteriami scraper może uzupełniać listę adresów URL o odnośniki znalezione w źródle. Etap obejmuje też wdrożenie środków wykluczających określone źródła (np. strony sprzeciwiające się scrapingowi przez robots.txt lub CAPTCHA);
- ekstrakcja danych – dane z wybranych źródeł są przenoszone do wyznaczonej lokalizacji przechowywania;
- czyszczenie danych – oprawa jakości surowych danych (np. usuwanie duplikatów, zbędnych znaczników i kodu HTML, normalizacja formatów dat czy liczb, usuwanie zbędnych danych);
- strukturyzacja i przechowywanie danych – zastosowanie dalszych reguł udoskonalających, w tym wykluczenie treści niskiej jakości, a następnie uporządkowanie danych w użyteczny format.
Web scraping z perspektywy rodo
Siłą rzeczy, jeżeli w ramach web scrapingu dojdzie do przetwarzania danych osobowych, będziemy mieć do czynienia z procesem, gdzie konieczne będzie przestrzeganie obowiązków z rodo. Jeżeli w zbiorze danych znajdują się zarówno dane osobowe, jak i nieosobowe (czyli zbiory mieszane), rodo ma zastosowanie do przetwarzania danych osobowych.
EROD wskazuje , że wśród licznych wyzwań związanych ze stosowaniem web scrapingu z perspektywy rodo jest m.in.:
- ustalenie roli scrapera w procesie przetwarzania danych osobowych;
- przestrzeganie zasad związanych z przetwarzaniem danych (art. 5 rodo), w tym minimalizacji danych, ograniczonego celu lub rzetelności;
- posiadanie odpowiedniej postawy prawnej do przetwarzania danych (art. 6 rodo), w tym danych szczególnej kategorii (art. 9 rodo);
- spełnianie obowiązku informacyjnego (art. 12-14 rodo);
- zbieranie ogromnych ilości danych osobowych i potencjalnie wrażliwych, co zwykle odbywa się bez wiedzy osób, których dane dotyczą, może dostarczyć administratorowi bardzo szczegółowych informacji o tych osobach, niezależnie od tego, czy jest to zamierzone czy nie.
Rola podmiotu stosującego web scraping
Jeśli chodzi o to, czy scraper jest administratorem czy procesorem w takim procesie, EROD sformułowała kilka uwag:
- jeżeli scraper tworzy zbiór danych treningowych w imieniu dewelopera AI, zgodnie z jego udokumentowanymi poleceniami (zwłaszcza odnośnie do sposobu skonstruowania zbioru danych w zakresie źródeł i kategorii danych), może być uznany za procesora, a deweloper będzie administratorem;
- jeżeli deweloper AI trenuje model na zbiorze danych zebranych przez inny podmiot (scrapera), odpowiedzialność za poszczególne operacje przetwarzania należy rozdzielić (zasadniczo każdy z nich odpowiada za własne przetwarzanie, ponieważ samodzielnie ustala jego cele i sposoby, scraper zwykle nie ponosi odpowiedzialności za późniejsze ponowne wykorzystanie danych);
- możliwa jest także relacja współadministrowania – scraper i deweloper AI mogą wspólnie określać cele i sposoby przetwarzania.
Zasady rodo przy web scrapingu
Siłą rzeczy administrator korzystający z web scrapingu powinien przetwarzać tak pozyskane dane osobowe w sposób zgodny z zasadami określonymi w art. 5 rodo. Szczególną uwagę EROD w wytycznych poświęciła zasadzie przejrzystości, głównie w kontekście realizacji obowiązku informacyjnego, w tym z perspektywy art. 14 rodo (czyli przy pozyskaniu danych z innych źródeł niż sam podmiot danych). Przykładowo, EROD podała szereg wskazówek podczas realizacji obowiązku informacyjnego gdy indywidualne informowanie jest niemożliwe lub nadmiernie kosztowne (decyzja o publicznym ogłoszeniu, np. w formie polityki prywatności na stronie internetowej):
- wskazanie, czy źródła scrapowania są publiczne czy niepubliczne dostępne przy scrapowaniu ze źródeł internetowych;
- ujęcie źródeł w liście w możliwie największym zakresie, gdy pełna lista jest niemożliwa do stworzenia lub nadmiernie kosztowana, wraz ze wskazaniem rodzajów źródełó pomiętych i przyczyn ich pominięcia;
- podanie nazw domen i adresów URL scrapowanych stron w formacie umożliwiającym wyszukiwanie oraz wskazanie daty lub czasu zbierania danych;
- udostępnienie środków kontaktu z administratorem, od którego pozyskano już scrapowany zbiór, najlepiej bezpośredniego odnośnika do jego strony;
- poinformowanie osób o przysługujących im prawach wynikających z rodo i możliwości ich realizacji w sposób łatwy do znalezienia i zrozumienia.
W przypadku zasady minimalizacji danych przez zbieraniem danych administrator powinien:
- rozważyć wykorzystywanie danych syntetycznych zamiast danych osobowych;
- zdefiniować precyzyjne kryteria zbierania;
- przeprowadzić proces mapownia i inwentaryzacji danych;
- zastosować filtry wykluczające zbieranie określonych kategorii danych, gdy nie są one niezbędne, jeżeli można je wyodrębnić;
- wykluczyć ze zbierania określone kategorie stron internetowych;
- wykluczyć ze zbierania strony internetowe, które wyraźnie sprzeciwiają się scrapingowi.
Podstawa prawna przetwarzania danych osobowych
Część wytycznych jest poświęcona ustaleniu tego, jaka podstawa przetwarzania danych osobowych na gruncie rodo jest najbardziej odpowiednia w procesie web scrapingu (zarówno z perspektywy zbierania, jak i ponownego wykorzystywania danych) w kontekście rozwoju generatywnej AI. Tutaj EROD skupia się przede wszystkim na zgodzie i prawnie uzasadnionym interesie. W praktyce mało prawdopodobne jest skorzystanie z innych podataw przetwarzania.
Na wstępie EROD wskazuje, że zgoda prawdopodobnie nie będzie właściwą podstawą prawną, ponieważ przy pośrednim i masowym zbieraniu danych trudno ją uzyskać. Podmioty pozyskujące dane z internetu nie mają bezpośredniej relacji z osobą, której dane dotyczą, i zwykle nie są w stanie zidentyfikować każdej z nich ani uzyskać jej zgody przed scrapowaniem. Często te osoby nie są nawet świadome, że ich dane są dostępne w sieci. Samo zać udostępnienie danych online, np. na ogólnodostępnej stronie, nie oznacza zgody na ich scrapowanie w konkretnym celu.
Zdaniem EROD w tym kontekście podstawą przetwarzania danych osobowych będzie najczęściej prawnie uzasadniony interes administratora lub osoby trzeciej (art. 6 ust. 1 lit. f rodo). Wytyczne rozwijają zarówno wątki poruszone w Wytycznych 01/2024 (generalne zasady związane z korzystaniem z art. 6 ust. 1 lit. f rodo) oraz Opinii 28/2024 (m.in. motyw wykorzystania art. 6 ust. 1 lit. f rodo przy rozwoju i wdrażania modeli AI). Aby skorzystać z tej podstawy przetwarzania, należy przeprowadzić procedurę trójstopniową:
- Etap I – czy dochodzi do realizacji prawnie uzasadnionego interesu przez administratora lub stronę trzecią? EROD odwołuje się do Opinii 28/2024 i wskazuje przykładowe prawnie uzasadnionego interesy w kontekście modeli AI.
- Etap II – czy przetwarzanie jest niezbędne do realizacji prawnie uzasadnionego interesu (inaczej: test niezbędności)? EROD wskazuje, że jeśli dane osobowe są potrzebne do trenowania generatywnej AI, kluczowe dla wykazania niezbędności może być ograniczenie zakresu zbieranych danych, tak by pomijać te zbędne, zamiast scrapować rozległe fragmenty internetu. Mniej ingerencyjną alternatywą prowadzącą do tego samego celu może być sięgnięcie po dane spseudonimizowane lub syntetyczne.
- Etap III – czy prawnie uzasadniony interes nie jest nadrzędny wobec interesów lub podstawowych praw lyb wolności osób, których dane dotyczą (inaczej: test równowagi)?
W ostatnim etapie EROD wskazuje na kilka wątków, na jakie administrator powinien zwrócić uwagę. Są to przede wszystkim:
- Interesy, podstawowe prawa i wolności osób, których dane dotyczą.
Przy web scrapingu na potrzeby trenowania generatywnej AI w grę wchodzą takie interesy podmiotów danych jak samostanowienie i kontrola nad własnymi danymi.
- Wpływ przetwarzania na osoby, których dane dotyczą, w tym:
- Charakter przetwarzania danych – web scraping może prowadzić do pozyskania danych wrażliwych, danych o podwyższonej sensytywności (np. dane finansowe lub lokalizacyjne) bądź danych osób małoletnich; im bardziej wrażliwe lub prywatne dane, tym większe ryzyko negatywnego wpływu na osobę, a przez to tym większa waga tego czynnika w teście równowagi.
- Kontekst przetwarzania – bez odpowiednich zabezpieczeń web scraping w fazie rozwoju może znacząco dotknąć osoby fizyczne ze względu na skalę, liczbę osób i niewybiórczość zbierania; im więcej stron się scrapuje, tym silniejsza ingerencja w prawa do prywatności i ochrony danych.
- Konsekwencje dla podmiotów danych – im większy wpływ przetwarzania na prawa i interesy osób, tym trudniej administratorowi powołać się na prawnie uzasadniony interes. W praktyce trudno wykonywać prawa z rodo i sprzeciwić się scrapowaniu, zwłaszcza gdy prowadzą je podmioty trzecie.
- Oczekiwania osób, których dane dotyczą.
Takie oczekiwania niekoniecznie zależą od informacji przekazanych osobom, których dane dotyczą. Samo spełnienie obowiązków informacji określonych w art. 12, 13 i 14 rodo nie wystarcza do uznania, że te osoby mogą spodziewać się określonego przetwarzania. Choć z powodu rozwoju generatywnej AI ludzie mogą być świadomi, żę publikowane przez nich dane bywają zbierane i ponownie wykorzystywane przez podmioty trzecie, nie oznacza to, że zawsze muszą spodziewać się takie przetwarzania: we wszystkich sytuacjach, celach, interesach administratorów i wobec wszystkich rodzajów danych. Oddziaływanie modeli może się z czasem zmieniać w zależności od ich możliwości, dlatego administrator powinien uwzględnić:
- charakter źródłowych stron internetowych;
- rodzaj publikavcji;
- ograniczenia nałożone przez scrapowaną stronę internetową;
- charakter i cechy relacji między osobą, której dane dotyczą, a administratorem;
- cechy osób, których dane dotyczą.
Możliwość środków mogących ograniczyć ryzyko, jak np.:
- wykluczanie treści z publikacji, które mogą zawierać dane osobowe wiążące się z ryzykiem dla określonych osób lub grup osób;
- zapewnienie, że określone kategorie danych nie są zbierane lub że określone źródła są domyślnie wyłączone ze zbierania danych;
- ograniczanie zbierania poprzez wykluczenie scrapowania określonych danych osobowych;
- nakładanie innych stosownych ograniczeń na zbieranie danych, w tym ewentualnie kryteriów opartych na odcinkach czasu;
- ustanowienie zabezpieczeń przyczyniających się do zwiększenia przejrzystości;
- ułatwianie realizacji praw przez osoby fizyczne, w tym wprowadzenie uznaniowego i uprzedniego prawa do sprzeciwu, aby wzmocnić kontrolę osób fizycznych nad ich danymi;
- usuwanie lub anonimizowanie zbędnych danych osobowych możliwie jak najczęściej;
- potencjalne korzystanie z pseudonimizacji;
- inne dodatkowe środki istotne dla ochrony danych osobowych na dalszych etapach rozwoju AI, w tym środki ograniczające ryzyko zapamiętywania, odtwarzania (regurgitacji) lub ataków na modele bądź systemy AI (np. deduplikacja).
Przetwarzanie danych szczególnej kategorii
Jednym z istotniejszych problemów przy przy stosowaniu web scrapingu jest pozyskiwanie przez scrapera danych szczególnych kategorii. Jeżeli jest to działanie zamierzone, konieczne jest posiadanie właściwej podstawy prawnej zgodnej z art. 9 ust. 2 rodo. Jeżeli nie jest to działanie zamierzone, administrator powinien wdrożyć środki ograniczające zbieranie takich danych, ale często nie da się z rozsądną pewnością ustalić, czy scraping je obejmie, dopóki dane nie zostaną zebrane, czyli po ich przetwarzaniu. Prawdopodobne jest zatem, że mimo zabezpieczeń administrator w szczątkowym zakresie przetworzy szczególne kategorie danych, których nie zamierzał zbierać.
Jako pewnie rozwiązanie dla „niezamierzonego” scrapowania takich danych EROD wskazuje oparcie się na wyroku TSUE w sprawie GC i in. przeciwko CNIL (C-136/17). Dotyczy on przetwarzania danych osobowych przez wyszukiwarki internetowe. Okoliczności analizowanej sprawy muszą być jednak zbliżone do stanu faktycznego poruszonego w tym wyroku. Mianowicie administrator powinien indywidualnie ocenić, czy są spełnione łącznie następujące warunki:
- operacja wykazuje istotne podobieństwo do przetwarzania wyszukiwarki z wyroku TSUE;
- obejmuje jedynie incydentalne i szczątkowe, a nie zamierzone przetwarzanie szczególnych kategorii danych;
- trudno lub nie sposób ocenić, czy i w jakim zakresie takie dane są przetwarzane a więc zapobiec ich zebraniu;
- administrator wdraża środki „w ramach jego obowiązków, kompetencji i możliwości”, by zapobiec ich rozpowszechnianiu.
Autor
Wojciech Lamik
Autor jest doktorem nauk prawnych, radcą prawnym, przewodniczącym Komisji Nowych Technologii przy Okręgowej Izbie Radców Prawnych we Wrocławiu, koordynatorem Zespołu ds. Nowych Technologii w Wymiarze Sprawiedliwości w Ośrodku Badań, Studiów i Legislacji Krajowej Rady Radców Prawnych.