GEMA

LG München I zu SUNO: Warum das GEMA-Urteil gegen den KI-Musikgenerator aus Sicht des LG konsequent ist

Wolfgang Riegger

Das Landgericht München I hat mit Urteil vom 31. Juli 2026 der Klage der GEMA gegen den KI-Musikgenerator SUNO überwiegend stattgegeben. Nachdem zunächst nur die Pressemitteilung vorlag, sind nun auch die Entscheidungsgründe veröffentlicht. Sie zeigen noch deutlicher, warum das Urteil für Anbieter von KI-Systemen, die Musikbranche und Unternehmen, die KI-Tools einsetzen, erhebliche Bedeutung hat.

Die Entscheidung betrifft bekannte Musikwerke wie „Atemlos durch die Nacht“, „Rasputin“, „Big in Japan“, „Forever Young“, „Daddy Cool“ sowie den Refrain von „Mambo No. 5“. Nicht Gegenstand des Verfahrens waren Verletzungen durch Liedtexte. Es ging also nicht um die Frage, ob SUNO Songtexte übernommen hat, sondern um den Schutz der Musik selbst.

Das Urteil ist nach der Entscheidung des LG München I im Verfahren GEMA gegen OpenAI keine große Überraschung. Bereits dort hatte die Kammer angenommen, dass urheberrechtlich geschützte Inhalte in einem KI-Modell memorisiert und dadurch vervielfältigt sein können. In meinem Blogartikel vom 14.11.2025 zu GEMA gegen OpenAI hatte ich darauf hingewiesen, dass die Kammer eine strenge Linie verfolgt: Wenn geschützte Inhalte im Modell reproduzierbar angelegt sind und durch einfache Prompts wieder ausgegeben werden können, liegt aus Sicht des Gerichts mehr vor als bloßes statistisches Lernen.

Genau diese Linie setzt das LG München I nun bei Musikwerken fort.

Worum ging es in dem Verfahren?

SUNO bietet einen KI-basierten Musikgenerator an. Nutzer können Prompts eingeben und daraus neue Musikstücke erzeugen lassen. Die GEMA machte geltend, dass SUNO urheberrechtlich geschützte Musikwerke zum Training verwendet habe und dass diese Werke in den Modellen memorisiert seien. Außerdem seien sie in den erzeugten Outputs wiedererkennbar.

Nach den Urteilsgründen enthielt der Trainingsdatensatz von SUNO auch die streitgegenständlichen Musikwerke. SUNO hatte diese nach den Feststellungen des Gerichts über Stream-Ripping von YouTube erlangt und dabei den sogenannten Rolling Cipher umgangen. Dabei handelt es sich um eine technische Schutzmaßnahme, die das dauerhafte Herunterladen von Audio- und Videoinhalten erschweren soll.

Die GEMA erzeugte die streitgegenständlichen Outputs, indem jeweils der originale Liedtext, der gewünschte Musikstil und der Werktitel eingegeben wurden. Vorgaben zu Melodie, Harmonie, Rhythmus oder Arrangement enthielten die Prompts nicht. SUNO hielt dem entgegen, die Outputs seien durch gezieltes Prompting der Klägerseite provoziert worden. Das Gericht folgte dem nicht.

Die Entscheidungsgründe zeigen: Es geht nicht nur um den Output

Die nun vorliegenden Urteilsgründe machen deutlich, dass das LG München I nicht nur auf die am Ende erzeugten Musikstücke schaut. Die Kammer betrachtet die gesamte technische Nutzungskette: Beschaffung der Trainingsdaten, Preprocessing, Tokenisierung, Feature-Extraktion, Erstellung von Trainings-, Validierungs- und Testdatensätzen, Speicherung im Modell und spätere Ausgabe.

Das ist ein zentraler Punkt. Die urheberrechtliche Prüfung beginnt nach dieser Sichtweise nicht erst dort, wo ein Nutzer ein möglicherweise rechtsverletzendes Musikstück erzeugt. Bereits das Training und die technische Verarbeitung geschützter Werke können relevante Vervielfältigungen sein.

Das Gericht beschreibt dabei auch die technische Architektur des SUNO-Systems. Danach beruht der Musikgenerator unter anderem auf einem generativen vortrainierten Transformer-Modell und einem Diffusionsmodell. Die Audiodaten wurden in kleinere Einheiten zerlegt, tokenisiert, vektorisiert und zusammen mit Metadaten verarbeitet. Gerade diese technische Aufbereitung führt nach Auffassung des Gerichts nicht dazu, dass das Urheberrecht von vornherein nicht mehr eingreift.

Für die Praxis bedeutet das: Es genügt nicht, die Nutzung geschützter Werke technisch als Datenanalyse, Tokenisierung oder Mustererkennung zu beschreiben. Entscheidend bleibt, ob geschützte Werkbestandteile im Modell oder im Output wiedererkennbar und reproduzierbar werden.

Memorisierung als urheberrechtliche Vervielfältigung

Der wichtigste Punkt der Entscheidung ist die Memorisierung. Das LG München I geht davon aus, dass die streitgegenständlichen Musikwerke reproduzierbar in den SUNO-Modellen enthalten waren. Das Gericht stützt sich dabei auf den Abgleich der Trainingsdaten mit den später erzeugten Outputs. Angesichts der Komplexität und Länge der Musikwerke schloss die Kammer einen Zufall als Ursache der Wiedergabe aus.

Damit überträgt das Gericht seine Linie aus GEMA gegen OpenAI von Liedtexten auf Musikwerke. Die zentrale Brücke ist nicht der Werktyp, sondern die technische und rechtliche Bewertung der Memorisierung.

Wenn ein KI-Modell geschützte Inhalte nicht nur analysiert, sondern so übernimmt, dass sie später durch vergleichsweise einfache Prompts wieder hervortreten, kann dies nach Auffassung des LG München I eine Vervielfältigung im Sinne von § 16 UrhG sein.

Das ist für KI-Anbieter ein erheblicher Risikopunkt. Die Verteidigung, ein Modell speichere keine Werke, sondern nur mathematische Parameter, hilft jedenfalls dann nicht weiter, wenn das Gericht aus den Outputs auf eine reproduzierbare Übernahme der Werke im Modell schließt.

Die Prompts waren aus Sicht des Gerichts nicht entscheidend genug

SUNO hatte argumentiert, die streitgegenständlichen Outputs seien durch gezielte und wiederholte Prompt-Versuche der GEMA erzeugt worden. Tatsächlich zeigen die Urteilsgründe, dass bei einzelnen Werken zahlreiche identische Prompts eingegeben wurden, etwa bei „Atemlos durch die Nacht“ und „Big in Japan“.

Das Gericht hielt dies aber nicht für ausreichend, um die Verantwortung auf die Nutzerseite zu verlagern. Entscheidend war, dass die Prompts keine konkreten musikalischen Vorgaben enthielten. Die GEMA gab zwar den Liedtext, den Stil und den Werktitel ein, aber keine Melodie, keine Harmonie, keinen Rhythmus und kein Arrangement.

Das ist für die Praxis wichtig. Das Urteil sagt nicht, dass jeder beliebige ähnliche Output automatisch eine Memorisierung beweist. Es sagt aber: Wenn bereits relativ einfache Prompts ausreichen, um komplexe geschützte Musikwerke wiedererkennbar hervorzubringen, spricht dies aus Sicht des Gerichts stark dafür, dass das Werk im Modell angelegt ist.

Text- und Data-Mining ist kein Freibrief

SUNO berief sich auch auf die Schranke des Text- und Data-Mining nach § 44b UrhG. Das LG München I ließ diese Verteidigung nicht durchgreifen.

Besonders wichtig ist dabei die Rolle des rechtmäßigen Zugangs. Nach den Urteilsgründen hatte SUNO die streitgegenständlichen Werke durch Stream-Ripping von YouTube erlangt und dabei den Rolling Cipher umgangen. Das ist für § 44b UrhG erheblich, weil die Schranke grundsätzlich voraussetzt, dass die genutzten Werke rechtmäßig zugänglich sind.

Wer Inhalte unter Umgehung technischer Schutzmaßnahmen beschafft, kann sich nach dieser Logik nicht ohne Weiteres darauf berufen, er betreibe nur privilegiertes Text- und Data-Mining.

Hinzu kommt: Die Kammer sieht jedenfalls die Memorisierung geschützter Werke im Modell nicht als von § 44b UrhG gedeckt an. Die Schranke soll Datenanalyse ermöglichen, nicht aber dazu führen, dass geschützte Werke dauerhaft im Modell angelegt und später wieder ausgegeben werden können.

Damit bestätigt das Gericht eine Linie, die bereits im OpenAI-Verfahren sichtbar war. Text- und Data-Mining erlaubt nicht automatisch jede Nutzung urheberrechtlich geschützter Inhalte im KI-Training. Entscheidend sind Zugang, Nutzungsvorbehalte, Zweck der Vervielfältigung und vor allem die Frage, ob geschützte Inhalte später wieder reproduzierbar werden.

Die KI-Verordnung ersetzt keine Lizenz

Praxisrelevant ist auch ein weiterer Punkt aus den Urteilsgründen: SUNO berief sich sinngemäß darauf, dass die KI-Verordnung Transparenzpflichten für Anbieter allgemeiner KI-Modelle vorsieht. Daraus folge aber nach der Logik des Gerichts keine urheberrechtliche Erlaubnis.

Das ist richtig und wichtig. Die KI-Verordnung regelt Pflichten für Anbieter von KI-Systemen, etwa Transparenz- und Dokumentationspflichten. Sie ersetzt aber keine Lizenz. Wer Trainingsinhalte dokumentiert oder zusammenfasst, erhält dadurch nicht automatisch das Recht, geschützte Musikwerke ohne Zustimmung zu nutzen.

Für Unternehmen bedeutet das: Compliance mit der KI-Verordnung ist nicht gleichbedeutend mit urheberrechtlicher Rechtmäßigkeit. KI-Anbieter müssen beides getrennt prüfen.

Öffentliche Wiedergabe statt öffentlicher Zugänglichmachung

Ein dogmatisch wichtiger Punkt wird erst durch die Entscheidungsgründe richtig deutlich: Das LG München I hat keine Verletzung des Rechts der öffentlichen Zugänglichmachung nach § 19a UrhG zugesprochen. Es nimmt aber eine öffentliche Wiedergabe als unbenannten Fall des § 15 Abs. 2 UrhG an.

Das ist ein feiner, aber wichtiger Unterschied. Bei der öffentlichen Zugänglichmachung geht es typischerweise darum, dass ein konkretes Werk so bereitgestellt wird, dass Mitglieder der Öffentlichkeit es von Orten und zu Zeiten ihrer Wahl abrufen können. Bei einem KI-Modell ist diese Struktur schwieriger zu greifen, weil nicht einfach eine bestimmte Datei zum Abruf bereitsteht.

Das Gericht geht aber dennoch davon aus, dass das Angebot des Modells und der Anwendung eine öffentliche Wiedergabe darstellen kann, wenn geschützte Werke im Modell memorisiert sind und über das System wieder hervortreten können.

Für KI-Anbieter ist diese Begründung besonders relevant. Sie zeigt, dass Gerichte nicht zwingend an klassischen Kategorien der Datei- oder Plattformbereitstellung festhalten müssen. Auch der Betrieb eines generativen Systems kann urheberrechtlich als Wiedergabehandlung eingeordnet werden.

Auch das Training in den USA half SUNO nicht

Ein weiterer wichtiger Aspekt betrifft das Training in den USA. Das LG München I bejahte seine Zuständigkeit auch für Ansprüche wegen Verletzungshandlungen auf dem Gebiet der USA. Nach dem Schutzlandprinzip prüfte es insoweit US-amerikanisches Recht und verneinte eine Rechtfertigung durch fair use.

Das Gericht grenzte den SUNO-Fall von US-Verfahren ab, in denen Gerichte KI-Training als fair use angesehen hatten. Der entscheidende Unterschied: Im SUNO-Fall waren nach Auffassung des LG München I die Trainingswerke in den Outputs wiedererkennbar. Die Nutzung blieb also nicht auf eine abstrakte Analyse beschränkt.

Damit wird die Entscheidung auch international bedeutsam. Das Gericht stellt nicht pauschal jedes KI-Training mit geschützten Werken unter Verletzungsverdacht. Es sagt aber: Wenn ein Modell geschützte Werke so übernimmt, dass sie später wesentlich ähnlich ausgegeben werden, spricht dies gegen eine Rechtfertigung durch fair use.

Warum das Urteil nach GEMA gegen OpenAI konsequent ist

Das SUNO-Urteil wirkt auf den ersten Blick spektakulär, ist aber im Lichte der bisherigen Rechtsprechung des LG München I konsequent. Im Verfahren GEMA gegen OpenAI ging es um Liedtexte. Im Verfahren gegen SUNO geht es um Musikwerke. Die rechtliche Kernfrage ist aber dieselbe:

Was passiert urheberrechtlich, wenn ein KI-Modell geschützte Inhalte nicht nur auswertet, sondern sie so übernimmt, dass sie später wieder reproduzierbar sind?

Das LG München I beantwortet diese Frage erneut zugunsten der Rechteinhaber. Die Kammer sieht in der Memorisierung eine Vervielfältigung. Sie lehnt eine pauschale Rechtfertigung durch Text- und Data-Mining ab. Sie verlagert die Verantwortung nicht auf den Nutzer, wenn einfache Prompts ausreichen und das Modell selbst die geschützten Strukturen hervorbringt.

Damit entsteht eine klare Linie: KI-Training ist nicht schon deshalb urheberrechtsfrei, weil es technisch komplex ist. Entscheidend bleibt, ob geschützte Inhalte übernommen, gespeichert, reproduzierbar gemacht oder in Outputs wiedererkennbar genutzt werden.

Was Unternehmen daraus lernen sollten

Für Anbieter von KI-Systemen ist das Urteil ein deutliches Warnsignal. Wer urheberrechtlich geschützte Werke zum Training nutzt, muss die Herkunft der Trainingsdaten, Nutzungsvorbehalte, technische Schutzmaßnahmen und Lizenzfragen sauber prüfen.

Besonders riskant ist es, Inhalte durch Stream-Ripping oder unter Umgehung technischer Schutzmaßnahmen zu beschaffen. In solchen Fällen wird es schwer, sich auf rechtmäßigen Zugang oder Text- und Data-Mining zu berufen.

Für Unternehmen, die KI-Tools einsetzen, ist die Entscheidung ebenfalls relevant. Zwar richtet sich das Urteil gegen den Anbieter des KI-Musikgenerators. Dennoch zeigt es, dass Outputs generativer KI urheberrechtliche Risiken enthalten können. Wer KI-generierte Musik, Texte, Bilder oder sonstige Inhalte kommerziell nutzt, sollte prüfen, ob das eingesetzte System verlässliche Rechte- und Risikomechanismen bietet.

Für Rechteinhaber, Musikverlage und Urheber stärkt das Urteil die Position gegenüber KI-Anbietern. Es zeigt, dass Gerichte bereit sind, technische Vorgänge im Modell urheberrechtlich zu bewerten und die Verantwortung nicht allein auf Nutzer abzuwälzen.

Einordnung

Das Urteil ist nicht rechtskräftig. Angesichts der grundsätzlichen Bedeutung ist damit zu rechnen, dass die Sache höhere Instanzen beschäftigen wird.

Gleichwohl ist die Richtung klar: Das LG München I entwickelt eine urheberrechtliche Linie für generative KI, die die Rechteinhaber stärkt und die technische Argumentation der Anbieter nicht unkritisch übernimmt. Wer geschützte Werke trainiert, memorisiert und später in Outputs wiedererkennbar macht, bewegt sich nach dieser Rechtsprechung in einem erheblichen Haftungsrisiko.

Die Entscheidungsgründe zeigen damit noch deutlicher als die Pressemitteilung: Der Fall SUNO ist kein isolierter Musikstreit. Er ist ein weiterer Baustein in der rechtlichen Einordnung generativer KI.

Entscheidungsdaten

Gericht: Landgericht München I, 42. Zivilkammer

Datum: 31. Juli 2026

Aktenzeichen: 42 O 763/25

Urteil GEMA gegen SUNO

Wolfgang Riegger

Die auf das Urheberrecht spezialisierte 42. Zivilkammer des Landgerichts München I hat mit Urteil vom heutigen Tag den Ansprüchen auf Unterlassung, Auskunft und Schadensersatz der GEMA gegen SUNO, dem Anbieter eines auf künstlicher Intelligenz (KI) beruhenden Musikgenerators, überwiegend stattgegeben (Az. 42 O 763/25).

Das Urteil betrifft die sechs bekannten Musikwerke „Atemlos durch die Nacht“ von Kristina Bach, „Rasputin“ von Frank Farian, Fred Jay und George Reyam, „Big in Japan“ und „Forever Young“ von Marian Gold, Bernhard Lloyd und Frank Mertens, der Refrain des Stücks „Mambo No. 5 A little bit of“ von David Lubega und Christian Pletschacher sowie „Daddy Cool“ von Frank Farian. Nicht streitgegenständlich waren Verletzungen durch die Liedtexte.

Die Klägerin ist eine Verwertungsgesellschaft. Zur Begründung hatte sie vorgetragen, die Musikwerke seien im Rahmen des Trainings vervielfältigt worden und in dem Musikgenerator zu Grunde liegenden KI-Modell der Beklagten memorisiert. Durch die Ausgabe als Outputs sei es zu weiteren Rechtsverletzungen gekommen. Geltend gemacht wurden Urheberrechtsverletzungen in den USA und in Deutschland. Bei der Generierung der streitgegenständlichen Outputs gab die Klägerseite jeweils den originalen Liedtext des Musikstücks, den gewünschten Musikstil und den Werktitel in die Eingabemaske des Musikgenerators ein. Die Prompts enthielten keine Vorgaben zu Melodie, Harmonie, Rhythmus oder Arrangement.

Die Beklagte bietet einen auf KI beruhenden Musikgenerator an, der auf Anfrage von Nutzern Musikstücke erstellt. Der Trainingsdatensatz der Beklagten für ihr Modell enthielt auch die streitgegenständlichen Musikwerke. Die Beklagte setzte sogenannte Stream-Ripping Techniken ein, um diese Musikwerke von der Plattform YouTube zu extrahieren und kopieren. Dabei umging sie den sogenannten Rolling Cipher, eine von der Plattform implementierte technische Schutzmaßnahme, die das Herunterladen von Audio- und Videoinhalten verhindern soll.

Die Beklagte hatte gegen die erhobenen Ansprüche eingewandt, die streitgegenständlichen Musikstücke seien bereits nicht urheberrechtlich geschützt. Zudem seien sie in den Outputs nicht wiedererkennbar. Die Trainingsdaten seien weder im Modell enthalten noch darin gespeichert. Die Gewichte und Parameter des Modells bildeten mathematisch erlernte Muster und verallgemeinerte Merkmale aus den Trainingsdaten ab, wie syntaktische, semantische und kontextuelle Zusammenhänge. Etwaige Ähnlichkeiten in den Outputs seien auf prompt-induzierte Einschränkungen des Suchraums sowie auf statistisch erlernte Muster zurückzuführen. Das Training mit den Musikstücken sei nach dem anzuwendenden US-amerikanischen Recht von dem Institut des fair use gedeckt, wobei das angerufene Gericht für diese Prüfung bereits nicht zuständig sei. Die angegriffenen Outputs seien das Resultat komplexer, iterativ verfeinerter Prompts der Klägerin, daher sei der Zurechnungszusammenhang durch die dazwischentretende, zielgerichtete Nutzerhandlung unterbrochen. Soweit deutsches Recht anwendbar sei, liege keine urheberrechtlich relevante Nutzungshandlung vor. Eventuelle Rechtseingriffe seien durch die Schranken des Text- und Data-Mining gerechtfertigt.

Nach der Entscheidung der erkennenden Kammer stehen der Klägerin die geltend gemachten Ansprüche sowohl aufgrund der gegebenen Vervielfältigung der Musikstücke im Rahmen des in den USA erfolgten Trainings, als auch aufgrund der in Deutschland Vervielfältigung im Modell und der Wiedergabe in den Outputs zu.

Im Einzelnen:

Nach der Entscheidung der Kammer ist diese nach § 131 Abs. 1 und 2 VGG (einem Gesetz, dass die Wahrnehmung von Urheberrechten und verwandten Schutzrechten durch Verwertungsgesellschaften, wie die GEMA, regelt) international für die Ansprüche zuständig, die aufgrund von Verletzungshandlungen auf dem Gebiet der USA geltend gemacht werden. Die Vorschrift gelte sowohl für die örtliche als auch die internationale Zuständigkeit und sehe einen besonderen Gerichtsstand des Sachzusammenhangs für die insofern privilegierten Verwertungsgesellschaften vor, deren Zweck die Wahrnehmung von Urheberrechten ist.

Nach Überzeugung der Kammer seien die streitgegenständlichen Musikstücke reproduzierbar in den Modellen Version v3.5 und v4 der Beklagten enthalten. Die Modelle waren auf Servern in Deutschland gespeichert. Aus der informationstechnischen Forschung sei bekannt, dass Trainingsdaten in KI-Modellen enthalten sein können und sich als Outputs extrahieren lassen. Dies werde als Memorisierung bezeichnet. Eine solche liege vor, wenn die KI-Modelle beim Training dem Trainingsdatensatz nicht nur Informationen entnähmen, sondern sich in den nach dem Training spezifizierten Parametern eine Übernahme auch des Inhalts der Trainingsdaten finde. Eine solche Memorisierung sei durch einen Abgleich der Musikstücke, die in den Trainingsdaten enthalten waren, mit den Wiedergaben in den Outputs festgestellt. Angesichts der Komplexität und Länge der Musikstücke sei der Zufall als Ursache für die Wiedergabe der Musikstücke ausgeschlossen.

Durch die Memorisierung sei eine Verletzung des Vervielfältigungsrechts nach § 16 UrhG gegeben. Diese Vervielfältigung in den Modellen sei nicht durch die Schrankenbestimmungen des Text und Data Mining des § 44b UrhG gedeckt.Auch durch die Wiedergabe der Musikstücke in den Outputs in Deutschland hätten die Beklagten nach der Entscheidung der Kammer unberechtigt die streitgegenständlichen Musikwerke vervielfältigt und öffentlich wiedergegeben. In den Outputs seien die originellen Elemente der Musikstücke wiedererkennbar. Hierfür sei die Beklagte und nicht die Nutzer verantwortlich. Die Outputs seien durch einfach gehaltene und ergebnisoffene Prompts generiert worden, die lediglich die Liedtexte und den Musikstil vorgegeben hatten. Die Beklagten betrieben die KI-Modelle, für die die Musikstücke als Trainingsdaten ausgewählt und mit denen sie trainiert worden sind. Sie seien für die Architektur der Modelle und die Memorisierung der Trainingsdaten verantwortlich. 

Damit hätten die von der Beklagten betriebenen Modelle die ausgegebenen Outputs inhaltlich bestimmt.

Zudem stelle bereits das Angebot des Modells und die Anwendung der Beklagten zur Generierung von Musik ein Verstoß gegen das unbenannte Recht der öffentlichen Wiedergabe nach § 15 Abs. 2 UrhG dar.

Für das und beim Training in den USA seien Vervielfältigungen der Musikwerke gefertigt worden. Nach dem Schutzlandprinzip sei für die Rechtsverletzungen auf dem Gebiet der USA US-amerikanisches Recht anwendbar. Da sich die Musikwerke in den Outputs wiederfänden, seien die Vervielfältigungen nach dem anwendbaren US-amerikanischen Recht nicht von der fair use Doktrin nach 17 U.S.C. § 107 gedeckt.

Der Sachverhalt unterscheide sich signifikant von dem, der den Verfahren Bartz und Kadrey zugrunde lag, und in denen zwei US-amerikanische Gerichte das Training von KI-Modellen als von fair use gedeckt ansahen. Während in den beiden Verfahren die Trainingsdaten nicht oder nicht substanziell in den Outputs dem Benutzer zugänglich gemacht worden waren, seien hier nach Eingabe von einfachen und ergebnisoffenen Prompts Outputs von der Beklagten generiert worden, die den Originalwerken wesentlich ähnlich seien. Sämtliche im Rahmen der fair use Prüfung nach den Vorgaben des Supreme Courts in seiner Warhol Entscheidung zu prüfende Faktoren sprächen gegen die Beklagte.

Das Urteil ist nicht rechtskräftig.

Pressemitteilung des LG München I vom 31.07.26

GEMA vs OpenAI: Volltextveröffentlichung des Urteils und meine Bewertung

Wolfgang Riegger

Am 11.11.2025 hat das LG München I der Klage der GEMA gegen OpenAI im Wesentlichen stattgegeben. An diesem Tag lag lediglich eine Pressemitteilung des Gerichts vor, die bereits an diesem Tag „heiß diskutiert“ worden ist. Nun wurde das Urteil im Volltext veröffentlicht, so dass man jetzt auch die Gründe, die zur Verurteilung führten, nachlesen kann. Da es hier auf auch juristische Feinheiten ankommt, heute mal ein Blogbeitrag, der etwas mehr an „Juristendeutsch“ enthält als üblich.

Das Gericht bejaht in dem Streitfall zwischen der GEMA und OpenAI weitreichende Unterlassungs- und Schadensersatzansprüche wegen Urheberrechtsverletzungen an Liedtexten. Die Entscheidung ist wegweisend, da sie erstmals die technische Realität einer vom Gericht angeführten Memorisierung urheberrechtlich geschützter Werke im Modell juristisch einordnet.

I. Die Memorisierung als Vervielfältigung im Modell

Das LG München I unterscheidet mehrere Phasen beim Einsatz generativer Sprachmodelle:

Pre-Training

In dieser Phase wird das Modell mit großen Mengen an Texten trainiert. Die Texte werden in Token umgewandelt und in numerische Vektoren transformiert. Das neuronale Netz passt seine Gewichte an, um semantische und syntaktische Zusammenhänge zu lernen. Die Inhalte aus den Trainingsdaten – darunter auch Liedtexte – fließen dabei direkt in die Modellstruktur ein.

Memorisierung

Das Gericht sieht die Memorisierung als Ergebnis der Pre-Training-Phase: Inhalte, die häufig oder stabil in den Trainingsdaten vorkamen, werden so verinnerlicht, dass sie mit hoher Wahrscheinlichkeit bei passenden Prompts reproduziert werden können. Die Inhalte sind somit „im Modell gespeichert“. Das Modell funktioniert in diesen Fällen wie eine Datenbank – Inhalte sind fixiert und jederzeit abrufbar.

Decoding und Ausgabe (Output)

In dieser Phase wird der deterministische Softmax-Output des Modells durch sogenannte Decoding-Strategien (z. B. Sampling, Temperature-Parameter) in menschlich lesbare Texte überführt. Zwar können hier Varianzen auftreten, doch bei memorisierten Inhalten ist der Output laut Gericht meist stabil und konsistent. Die Zufälligkeit betreffe in der Regel nur Einleitung oder Kontext, nicht den memorisierten Kerninhalt.

Das Gericht macht also klar: Bereits in der Pre-Training-Phase erfolgt die urheberrechtlich relevante Nutzung in Form einer Vervielfältigung. Die spätere Ausgabe belege nur, was im Modell zuvor gespeichert wurde.

Das Gericht qualifiziert sodann die Memorisierung urheberrechtlich geschützter Liedtexte in den Parametern der Large Language Models (LLMs) als eine (dann wohl weitere) urheberrechtlich relevante Vervielfältigung im Sinne von § 16 Abs. 1 UrhG:

„Memorisierung liegt vor, wenn sich in den nach dem Training spezifizierten Parametern eine vollständige Übernahme der Trainingsdaten findet.“

Die Memorisierung stelle eine körperliche Festlegung des Werks dar, auch wenn die Daten in Form von Wahrscheinlichkeitswerten und Vektoren zerlegt sind. Eine Vervielfältigung gemäß § 16 UrhG erfasse jede körperliche Festlegung eines Werks, die geeignet ist, das Werk den menschlichen Sinnen auf irgendeine Art mittelbar oder unmittelbar wahrnehmbar zu machen.

Die Reproduzierbarkeit der Texte durch einfache Prompts (sog. Regurgitation) beweise, dass die Texte im Modell fixiert und mittelbar wahrnehmbar seien. Der technische Vorgang sei dabei aufgrund der technologieneutralen Auslegung des Vervielfältigungsrechts unerheblich.

II. Abgrenzung zur Text- und Data-Mining-Schranke

Das Gericht verneint eine Rechtfertigung dieser Memorisierung durch die Schrankenbestimmung des § 44b UrhG (Text- und Data-Mining, sog. TDM-Schranke). Hierzu nimmt das Gericht eine strikte Unterscheidung zwischen den verschiedenen Phasen des Trainingsprozesses vor.

1. Reichweite der TDM-Schranke

Die TDM-Schranke deckt nach Auffassung des Gerichts lediglich solche Vervielfältigungen ab, die zur Vorbereitung und Durchführung der Datenanalyse selbst erforderlich sind. Diese erste Phase, das Extrahieren und die Überführung des Materials in einen Trainingskorpus, ist vom Zweck des TDM gedeckt, da hier lediglich nicht-schöpferische Informationen (Muster, Trends, Korrelationen) gewonnen werden.

Die Vorschriften decken erforderliche Vervielfältigungen beim Zusammenstellen des Datenkorpus in Phase 1 (s.o.), nicht aber weitergehende Vervielfältigungen im Modell in Phase 2. Werden wie vorliegend beim Training in Phase 2 nicht nur Informationen aus Trainingsdaten extrahiert, sondern Werke vervielfältigt, stellt dies kein Text und Data Mining dar.

2. Memorisierung als Zwecküberschreitung

Die Memorisierung in der zweiten Phase (dem Training) überschreitet den von § 44b Abs. 2 UrhG geforderten Zweck:

„Die Memorisierung der streitgegenständlichen Liedtexte überschreitet hingegen eine solche Auswertung und ist daher kein bloßes Text- und Data-Mining.“

Die Vervielfältigungen im Modell, die zur Memorisierung führen, dienen nicht der weiteren Datenanalyse, sondern manifestieren sich als eine Verwertungshandlung des Werkes selbst, da das Werk in den Modellparametern vollständig übernommen wird. Damit entfällt die Prämisse der TDM-Schranke, dass die Verwertungsinteressen des Urhebers nicht berührt werden. Eine analoge Anwendung der Schranke verbietet sich, da hierdurch die berechtigten Interessen der Rechteinhaber verletzt und der durch die europarechtliche InfoSoc-Richtlinie geforderte hohe Schutzstandard unterlaufen würde.

III. Meine Kritik vor allem an der Auslegung der TDM-Schranke

Meiner Meinung nach legt das Gericht § 44b UrhG in einer Weise zu eng aus, die den technischen Realitäten des KI-Trainings nicht gerecht wird.

Das Gericht nimmt eine künstliche Trennung zwischen der zulässigen Vervielfältigung zur Datenanalyse und der unzulässigen Memorisierung im trainierten Modell vor. Für mich stellt der Vorgang des Trainings eines LLM einen untrennbaren, komplexen Akt des Text- und Data-Mining dar, der in seiner Gesamtheit auf die Extraktion von Mustern und Korrelationen gerichtet ist. Die Memorisierung ist keine eigenständige, beabsichtigte Verwertungshandlung, sondern ein unvermeidlicher oder zumindest schwer vermeidbarer technischer Nebeneffekt des an sich gestatteten TDM-Prozesses.

Die restriktive Qualifizierung der Memorisierung als vom TDM-Zweck nicht gedeckte Vervielfältigung macht die Schrankenbestimmung für die Anwendung auf moderne, generative KI-Modelle praktisch wertlos. Dies konterkariert den eigentlich gewünschten europarechtlichen Zweck, die Entwicklung von KI in der EU zu fördern. Ich halte es für wenig überzeugend, dass der Betreiber die Texte im Modell vervielfältigt habe, um sie später wieder wahrnehmbar zu machen. Der primäre Zweck ist die Generierung neuer Inhalte, nicht die Reproduktion der Inputs. Diese Auslegung droht, die Wirtschaftlichkeit des gesamten LLM-Trainings unter Verwendung urheberrechtlich geschützter Daten zu stark zu beschränken.

Zudem stellt sich die Frage, was mit der Verurteilung überhaupt erreicht wurde:

Das Landgericht München I hat die Beklagten bezüglich der Memorisierung unter anderem zu folgender Unterlassung verurteilt:

Die Beklagten werden verurteilt, es zu unterlassen, die im Tenor näher bezeichneten Werke (die neun Liedtexte) in ihren Large Language Model-Modellen zu vervielfältigen und/oder diese der Öffentlichkeit zugänglich zu machen und/oder auf sonstigem Wege zu verwerten, soweit keine Lizenzierung vorliegt.

Was hat die Klägerseite durch diesen Unterlassungstenor gewonnen?

Der Klägerseite ist durch die Feststellung der Täterhaftung und des grundsätzlichen Schadensersatzanspruchs sicherlich ein wichtiger Erfolg gelungen.

Allerdings wirft die Formulierung des Unterlassungstenors die Frage nach ihrer Reichweite auf.

Die Verurteilung zur Unterlassung der Vervielfältigung zielt auf die Zukunft und soll die Wiederholungsgefahr (die Vervielfältigung von Neuem) verhindern. Die Memorisierung (die Vervielfältigung in das Modell) hat aber bereits stattgefunden.

Verpflichtet dieser Unterlassungstenor die Beklagte überhaupt dazu, ein „Machine Unlearning“ durchzuführen?

Diese Frage ist juristisch strittig. Ein Unterlassungsanspruch richtet sich primär auf die Beendigung der Wiederholungsgefahr. Die Entfernung der memorisierten Werke aus den Modellparametern – das sogenannte „Machine Unlearning“ – ist jedoch eine aktive, technisch aufwendige Handlung. Sie würde dem Beseitigungsanspruch zuzuordnen sein, der von der Klägerseite nach dem Tenor nicht ausdrücklich zugesprochen wurde.

Zwar könnte man argumentieren, dass die Beibehaltung der rechtswidrigen Vervielfältigung (Memorisierung) eine fortdauernde Begehung darstellt, deren Beendigung die Beseitigung implizieren könnte. Die herrschende Meinung neigt jedoch dazu, eine so weitreichende, aktive Eingriffspflicht in das Produkt des Verletzers nur bei einem explizit titulierten Beseitigungsanspruch anzunehmen. Die Beklagten könnten argumentieren, lediglich die erneute Vervielfältigung und die Regurgitation unterbinden zu müssen, nicht jedoch die aufwendige Korrektur des bereits existierenden, trainierten Modells. Ohne einen expliziten Beseitigungstenor bleibt die Verpflichtung zum „Machine Unlearning“ fraglich.

Gericht: LG München I (42. Zivilkammer)

Datum: 11.11.2025

Aktenzeichen: 42 O 14139/24

Fundstelle: GRUR-RS 2025, 30204

Urteil GEMA gegen Open AI

Wolfgang Riegger

Die auf das Urheberrecht spezialisierte 42. Zivilkammer des Landgerichts München I hat mit Urteil vom heutigen Tag den von der GEMA gegen zwei Unternehmen der Unternehmensgruppe Open AI geltend gemachten Ansprüchen auf Unterlassungs-, Auskunfts- und Schadensersatz im Wesentlichen stattgegeben (Az. 42 O 14139/24).

Soweit die Klägerin darüber hinaus Ansprüche auf Grund einer Verletzung des allgemeinen Persönlichkeitsrechts wegen fehlerhafter Zuschreibung veränderter Liedtexte geltend gemacht hat, hat die Kammer die Klage abgewiesen.

Das Urteil betrifft die Liedtexte neun bekannter deutscher Urheberinnen und Urheber (darunter „Atemlos“ von Kristina Bach oder „Wie schön, dass du geboren bist“ von Rolf Zuckowski).

Die Klägerin ist eine Verwertungsgesellschaft und hat die Ansprüche als solche geltend gemacht. Zur Begründung hatte sie vorgetragen, die Liedtexte seien in den Sprachmodellen der Beklagten memorisiert und würden bei Nutzung des Chatbots auf einfache Anfragen der Nutzer als Antworten (Outputs) in weiten Teilen originalgetreu ausgegeben.

Die Beklagten sind Betreiber von Sprachmodellen und darauf basierender Chatbots. Sie hatten gegen die erhobenen Ansprüche eingewandt, ihre Sprachmodelle speicherten oder kopierten keine spezifischen Trainingsdaten, sondern reflektierten in ihren Parametern, was sie basierend auf dem gesamten Trainingsdatensatz erlernt hätten. Da die Outputs nur als Folge von Eingaben von Nutzern (Prompts) generiert werden würden, seien nicht die Beklagten, sondern der jeweilige Nutzer als Hersteller des Outputs für diese verantwortlich. Ohnehin seien eventuelle Rechtseingriffe von den Schranken des Urheberrechts, insbesondere der Schranke für das sogenannten Text- und Data-Mining gedeckt.

Nach der Entscheidung der erkennenden Kammer stehen der Klägerin die geltend gemachten Ansprüche sowohl aufgrund der gegebenen Vervielfältigung der Texte in den Sprachmodellen als auch durch ihre Wiedergabe in den Outputs zu.

Sowohl durch die Memorisierung in den Sprachmodellen als auch durch die Wiedergabe der Liedtexte in den Outputs des Chatbot lägen Eingriffe in die urheberrechtlichen Verwertungsrechte vor. Diese seien nicht durch Schrankenbestimmungen, insbesondere die Schranke für das Text und Data Mining gedeckt.

Im Einzelnen:

Nach Überzeugung der Kammer seien die streitgegenständlichen Liedtexte reproduzierbar in den Sprachmodellen 4 und 4o der Beklagten enthalten. Aus der informationstechnischen Forschung sei bekannt, dass Trainingsdaten in Sprachmodellen enthalten sein können und sich als Outputs extrahieren lassen. Dies werde als Memorisierung bezeichnet. Eine solche liege vor, wenn die Sprachmodelle beim Training dem Trainingsdatensatz nicht nur Informationen entnähmen, sondern sich in den nach dem Training spezifizierten Parametern eine vollständige Übernahme der Trainingsdaten finde. Eine solche Memorisierung sei durch einen Abgleich der Liedtexte, die in den Trainingsdaten enthalten waren, mit den Wiedergaben in den Outputs festgestellt. Angesichts der Komplexität und Länge der Liedtexte sei der Zufall als Ursache für die Wiedergabe der Liedtexte ausgeschlossen.

Durch die Memorisierung sei eine Verkörperung als Voraussetzung der urheberrechtlichen Vervielfältigung der streitgegenständlichen Liedtexte durch Daten in den spezifizierten Parametern des Modells gegeben. Die streitgegenständlichen Liedtexte seien reproduzierbar in den Modellen festgelegt. Gemäß Art. 2 InfoSoc-RL liege eine Vervielfältigung „auf jede Art und Weise und in jeder Form“ vor. Die Festlegung in bloßen Wahrscheinlichkeitswerten sei hierbei unerheblich. Neue Technologien wie Sprachmodelle wären vom Vervielfältigungsrecht nach Art. 2 InfoSoc-RL und § 16 UrhG erfasst. Nach der Rechtsprechung des Unionsgerichtshofes sei für die Vervielfältigung ausreichend eine mittelbare Wahrnehmbarkeit, die gegeben sei, wenn das Werk unter Einsatz technischer Hilfsmittel wahrgenommen werden könne.

Diese Vervielfältigung in den Modellen sei weder durch die Schrankenbestimmungen des Text und Data Mining des § 44b UrhG noch durch § 57 UrhG als unwesentliches Beiwerk gedeckt.

Zwar unterfielen Sprachmodelle grundsätzlich dem Anwendungsbereich der Text und Data Mining Schranken. Die Vorschriften deckten erforderliche Vervielfältigungen beim Zusammenstellen des Datenkorpus für das Training, wie etwa die Vervielfältigung eines Werks durch seine Überführung in ein anderes (digitales) Format oder Speicherungen im Arbeitsspeicher. Hintergrund hierfür sei der Gedanke, dass diese Vervielfältigungen lediglich zu nachfolgenden Analysezwecken erstellt würden und damit die Verwertungsinteressen des Urhebers am Werk nicht beeinträchtigten. Da diese für das Text und Data Mining rein vorbereitenden Handlungen kein Verwertungsinteresse berührten, sehe das Gesetz keine Vergütungspflicht gegenüber dem Urheber vor.

Würden beim Training – wie hier – nicht nur Informationen aus Trainingsdaten extrahiert, sondern Werke vervielfältigt, stelle dies nach Auffassung der Kammer kein Text und Data Mining dar. Die Prämisse des Text und Data Mining und der diesbezüglichen Schrankenbestimmungen, dass durch die automatisierte Auswertung von bloßen Informationen selbst keine Verwertungsinteressen berührt sind, greife in dieser Konstellation nicht. Im Gegenteil, durch die gegebenen Vervielfältigungen im Modell werde in das Verwertungsrecht der Rechteinhaber eingegriffen.

Eine andere, mutmaßlich technik- und innovationsfreundliche Auslegung, die ebenfalls Vervielfältigungen im Modell von der Schranke als gedeckt ansehen wollte, verbiete sich angesichts des klaren Wortlauts der Bestimmung. Auch eine analoge Anwendung komme nicht in Betracht. Selbst wenn man eine planwidrige Regelungslücke annehmen wollte, weil dem Gesetzgeber die Memorisierung und eine damit einhergehende dauerhafte urheberrechtlich relevante Vervielfältigung in den Modellen nicht bewusst gewesen sein sollte, mangele es an einer vergleichbaren Interessenlage. Die Schrankenregelung normiere mit der Zulässigkeit vorbereitender Vervielfältigungshandlungen beim Text und Data Mining einen Sachverhalt, bei dem die Verwertungsinteressen der Urheber nicht gefährdet seien, weil bloße Informationen extrahiert und das Werk als solches gerade nicht vervielfältigt werde. Bei Vervielfältigungen im Modell werde die Werkverwertung hingegen nachhaltig beeinträchtigt und die berechtigten Interessen der Rechteinhaber hierdurch verletzt. Die Urheber und Rechteinhaber würden durch eine analoge Anwendung der Schrankenbestimmung, die keine Vergütung für die Verwertung vorsieht, somit schutzlos gestellt. Das Risiko der Memorisierung stamme allein aus der Sphäre der Beklagten. Bei einer Analogie der Schranke würde ausschließlich der verletzte Rechteinhaber dieses Risiko tragen.

Mangels Vorliegens eines Hauptwerks stellten die Vervielfältigungen der streitgegenständlichen Liedtexte kein unzulässiges Beiwerk nach § 57 UrhG dar. Entgegen der Ansicht der Beklagten seien die Liedtexte nicht neben dem gesamten Trainingsdatensatz als nebensächlich und verzichtbar anzusehen. Hierfür wäre erforderlich, dass es sich bei dem gesamten Trainigsdatensatz ebenfalls um ein urheberrechtlich geschütztes Werk handele.

Der Eingriff der Beklagten in die Verwertungsrechte der Klägerin sei auch nicht durch eine Einwilligung der Rechteinhaber gerechtfertigt, da das Training von Modellen nicht als eine übliche und erwartbare Nutzungsart zu werten sei, mit der der Rechteinhaber rechnen müsse.

Auch durch Wiedergabe der Liedtexte in den Outputs des Chatbots hätten die Beklagten nach der Entscheidung der Kammer unberechtigt die streitgegenständlichen Liedtexte vervielfältigt und öffentlich zugänglich gemacht. In den Outputs wären die originellen Elemente der Liedtexte stets wiedererkennbar.

Hierfür seien die Beklagten und nicht die Nutzer verantwortlich. Die Outputs seien durch einfach gehaltene Prompts generiert worden. Die Beklagten betrieben die Sprachmodelle, für die die Liedtexte als Trainingsdaten ausgewählt und mit denen sie trainiert worden sind. Sie seien für die Architektur der Modelle und die Memorisierung der Trainingsdaten verantwortlich. Damit hätten die von den Beklagten betriebenen Sprachmodelle die ausgegebenen Outputs maßgeblich beeinflusst, der konkrete Inhalt der Outputs werde von den Sprachmodellen generiert.

Der Eingriff in die Verwertungsrechte durch die Outputs sei ebenfalls nicht durch eine Schrankenbestimmung gedeckt.

Das Urteil ist nicht rechtskräftig.

Zum Hintergrund:

Normen:

Art. 2, 3 InfoSoc-RL, Art. 4 DSM-RL

Pressemitteilung des LG München I vom 11.11.25

GEMA klagt gegen Suno: Was bedeutet das für KI-generierte Musik und das Urheberrecht?

Wolfgang Riegger

Die GEMA (Gesellschaft für musikalische Aufführungs- und mechanische Vervielfältigungsrechte) hat Klage gegen das US-amerikanische KI-Unternehmen Suno Inc. eingereicht. Suno bietet ein KI-Tool an, das mithilfe von einfachen Anweisungen (sogenannten Prompts) Audioinhalte erzeugen kann. Die GEMA wirft Suno vor, geschützte Aufnahmen aus ihrem Repertoire ohne Lizenz verwendet zu haben, was eine Urheberrechtsverletzung darstelle. Konkret geht es darum, dass die KI Audioinhalte generiere, die bekannten Songs wie „Forever Young“, „Atemlos“ oder „Daddy Cool“ zum Verwechseln ähnlich sein sollen.

Was sind die Vorwürfe der GEMA?

  • Urheberrechtsverletzung: Die GEMA argumentiert, dass Suno durch die Nutzung der Werke ihrer Mitglieder das Urheberrecht verletze. Dies betreffe sowohl die Erstellung der Aufnahmen in den Systemen von Suno als auch die Nutzung der Originalwerke zum Trainieren der KI.
  • Fehlende Vergütung: Die GEMA kritisiert, dass Suno das Repertoire der GEMA systematisch für das Training ihres Musiktools genutzt und dieses nun kommerziell verwertet habe, ohne die Urheber finanziell zu beteiligen.
  • Forderung nach einem fairen Miteinander: Die GEMA betont, dass eine partnerschaftliche Lösung mit KI-Unternehmen nur mit der Einhaltung von Grundregeln eines fairen Miteinanders möglich sei, einschließlich des Erwerbs von Lizenzen.

Was fordert die GEMA?

Die GEMA fordert eine faire Vergütung für die Nutzung der Werke ihrer Mitglieder. Sie schlägt ein „Zwei-Säulen“-Lizenzmodell vor:

  • Vergütung für das KI-Training: Die GEMA verlangt, dass 30 Prozent der Netto-Einnahmen von Suno an die Urheber fließen, inklusive einer Mindestvergütung.
  • Beteiligung an generierten Werken: Die GEMA ist der Ansicht, dass die generierten Werke so stark auf den Originalwerken basieren, dass die Urheber auch an deren Nutzung beteiligt werden müssen.

Rechtliche Herausforderungen

Das Verfahren wirft wichtige Fragen in Bezug auf das Urheberrecht auf:

  • Rechtmäßigkeit des KI-Trainings: War das Training der Suno-KI mit urheberrechtlich geschützten Werken rechtmäßig? Das Urheberrechtsgesetz erlaubt in bestimmten Fällen das „Text- und Data Mining“ (§§ 44b, 60d UrhG), also die automatisierte Analyse digitaler Werke zur Mustererkennung. Allerdings gibt es hier Einschränkungen, insbesondere wenn die Urheber der Nutzung ihrer Werke für das KI-Training widersprochen haben.
  • Nutzungsvorbehalt: Entscheidend ist, ob die GEMA einen wirksamen Nutzungsvorbehalt erklärt hat. Seit 2021 erlaubt § 44b UrhG Text- und Data Mining, es sei denn, die Urheber haben dem „maschinenlesbar“ widersprochen. Ob ein solcher Widerspruch in maschinenlesbarer Form vorliegt, ist jedoch umstritten.
  • Verletzung des Rechts der öffentlichen Wiedergabe: Die GEMA argumentiert, dass bereits die Generierung der KI-Songs eine Verletzung des Rechts der öffentlichen Wiedergabe darstellt. KI-Systeme arbeiten jedoch nicht mit exakten Kopien, sondern mit statistischen Mustern.
  • Pflichten der KI-Anbieter: Nach dem AI Act müssen Anbieter von Mehrzweck-KI-Systemen wie Suno eine Strategie zur Einhaltung des EU-Urheberrechts vorlegen.

LG Hamburg: Nutzung von Bildern für KI-Training

Das Landgericht Hamburg hat sich in einem Urteil vom 27.09.2024 (Az. 310 O 227/23) mit der Frage auseinandergesetzt, ob die Nutzung von urheberrechtlich geschützten Werken für das Training von KI-Systemen zulässig ist. Das Gericht hat entschieden, dass die Schrankenregelung des § 44a UrhG (vorübergehende Vervielfältigungshandlungen) für Trainingszwecke von KI nicht anwendbar ist.

  • Keine Flüchtigkeit: Das Gericht argumentierte, dass die Speicherung der Werke auf den Servern des KI-Herstellers nicht „flüchtig“ im Sinne des Gesetzes sei.
  • Keine Begleitfunktion: Das Herunterladen der Bilddateien zur Analyse sei kein bloß begleitender Prozess, sondern ein bewusster Beschaffungsprozess.

Allerdings tendierte das LG Hamburg in seiner Entscheidung dazu, dass ein Nutzungsvorbehalt in natürlicher Sprache (z.B. in AGB) genügen müsse, um die Nutzung eines Werkes für KI-Training zu untersagen. Dies könnte auch für die Klage der GEMA relevant sein, da es fraglich ist, ob die GEMA bzw. ihre Mitglieder einen solchen maschinenlesbaren Nutzungsvorbehalt rechtzeitig erklärt haben.

Was bedeutet das für die Zukunft?

Die Klage der GEMA gegen Suno ist ein Präzedenzfall. Es ist noch unklar, wie die Gerichte die Nutzungsvorbehalte der Urheber bewerten werden. Das Urteil könnte richtungsweisende Antworten auf die Frage geben, wie mit KI-generierter Musik und dem Urheberrecht umzugehen ist.

Parallele in den USA

Auch in den USA gibt es ähnliche Rechtsstreitigkeiten im Zusammenhang mit KI-Training und Urheberrecht.

  • Ein US-Gericht, der District Court of Delaware, hat im Fall Thomson Reuters ./. Ross Intelligence entschieden, dass die Nutzung urheberrechtlich geschützter Inhalte zum Training einer KI nicht unter die „Fair Use“-Doktrin fällt, wenn das KI-Training kommerziellen Zwecken dient und sich negativ auf den Wert des geschützten Werks auswirkt.
  • Dieses Urteil könnte Auswirkungen auf KI-Anbieter haben, die in den USA tätig sind. Bemerkenswert ist, dass das Gericht die meisten Gerichtsentscheidungen, auf die sich KI-Unternehmen bislang berufen haben, als „irrelevant“ abgelehnt hat.
  • Die Entscheidung des US-Gerichts betraf einen Fall, in dem eine KI-Suchmaschine mit urheberrechtlich geschützten Headnotes trainiert wurde. Das Gericht argumentierte, dass die Nutzung nicht „transformierend“ sei, da die KI lediglich ein Konkurrenzprodukt erstellen sollte. Dies könnte ein wichtiger Unterschied zur generativen KI sein, die neue und transformative Werke schaffen kann. Das Gericht betonte, dass Ross mit seiner KI direkt mit Westlaw konkurrieren wollte, was ausreiche, um eine Marktbeeinträchtigung festzustellen. Es sei unerheblich, ob Reuters bereits KI-Trainingsdaten vermarkte – die Möglichkeit, dies zu tun, sei rechtlich schutzwürdig.

Auswirkungen für Deutschland

Es bleibt abzuwarten, wie sich die Rechtslage im Bereich der KI-generierten Musik, aber auch bei Texten, Grafiken etc., entwickeln wird.

Die mit der Nutzung von urheberrechtlichen Inhalten zu Trainingszwecken verbundenen urheberrechtlichen Fragen werden vermutlich erst in einigen Jahren höchstrichterlich geklärt werden. Es könnte sein, dass sich bis dahin entweder der Gesetzgeber entschließt, das Thema neu zu regeln (und dann, so ist meine Vermutung, eine „KI-Abgabe“ einführt, die an Verwertungsgesellschaften wie die GEMA zu zahlen ist) oder es zu Vereinbarungen zwischen Anbietern von KI und Verwertungsgesellschaften kommen wird.

BGH zu Filmkomponisten-Verträgen

Wolfgang Riegger

Mit Urteil vom 21.04.2022, Az.: I ZR 214/20 – „Dr. Stefan Frank“ musste der BGH letztinstanzlich über die Klage eines Filmkomponisten gegen RTL entscheiden. 

Der Kläger ist Filmkomponist und wurde in den Jahren 1994 bis 2000 mit der Komposition, dem Arrangement und der Produktion der Filmmusik für die Serie „Dr. Stefan Frank“ sowie für verschiedene Fernsehfilme beauftragt. Dazu schlossen der Filmkomponist und RTL zum einen so bezeichnete Produktionsverträge, zum anderen Musikverlagsverträge. Bereits in den Produktionsverträgen wurde der Komponist verpflichtet, die Musikverlagsverträge mit RTL abzuschließen.

Insgesamt hat der Komponist in den Jahren 1994 bis 2000 ein Pauschalhonorar in Höhe von DM 597.000,00 erhalten, darüber hinaus GEMA-Ausschüttungen insbesondere aufgrund der häufigen Ausstrahlung der Serie von insgesamt EUR 2,079 Mio. RTL hat ca. 40 % der GEMA-Ausschüttungen erhalten, damit insgesamt EUR 831.620,00.

Im Jahre 2017 berief sich der Filmkomponist nun auf die Nichtigkeit der Verlagsverträge und kündigte diese vorsorglich fristlos aus wichtigem Grund. Die Verknüpfung von Kompositionsvertrag und Musikverlagsvertrag stelle einen kartellrechtswidrigen Missbrauch einer marktbeherrschenden Stellung dar, so der Komponist. Zudem seien die Verlagsverträge wegen Wuchers nichtig, zudem sittenwidrig und unangemessen, weil der Vereinnahmung des Verlegeranteils keine verlegerische Leistung von RTL gegenüberstehe.

Sowohl Landgericht als auch Oberlandesgericht hatten die Klage bereits abgewiesen. Auch der BGH urteilte, dass die Klage unbegründet sei.

So entschied der BGH, dass die auf Grundlage des Produktionsvertrages ausbezahlte Pauschalvergütung aufgrund der Verknüpfung beider Verträge auch als Zahlung für die Verlagsverträge anzusehen sei. Eine Nichtigkeit wegen Verstoß gegen Kartellrecht sah der BGH schon deshalb nicht als gegeben an, weil der klagende Filmkomponist zur angeblich vorhandenen marktbeherrschenden Stellung von RTL nichts Substantiiertes vorgetragen hatte.

Schließlich ging es noch um die Frage, ob der Vertrag wegen Sittenwidrigkeit gemäß § 138 Abs. 2 BGB nichtig sei, weil RTL eine Zwangslage des Filmkomponisten ausgenutzt habe.

Ebenso wie auch Wucher sei hier die Ausnutzung einer Zwangslage durch RTL nicht zu erkennen, so der BGH. Da weder die Pauschalvergütung unangemessen niedrig sei und darüber hinaus der Verlagsvertrag auf den GEMA-Verteilungsplan verweise, sei keine Sittenwidrigkeit zu erkennen, insbesondere auch nicht unter dem Gesichtspunkt des Wuchers. Zur Frage, ob die Vereinnahmung eines Verlegeranteils aus den Musikverlagsverträgen keine Gegenleistung, nämlich eine verlegerische Tätigkeit, gegenüberstehe und ob daraus eine Sittenwidrigkeit erfolge, führt der BGH aus:

„Die Auffassung der Revision, eine Sittenwidrigkeit folge daraus, dass der Beklagten (RTL, Anm.d.Unterz.) im Musikverlagsvertrag ein Anteil an den GEMA-Einkünften des Klägers zugesprochen werde, obwohl der Vertrag spezifische musikverlegerische Pflichten nicht vorsehe, liegt eine unzutreffende Qualifikation der von der Beklagten übernommenen verlegerischen Pflichten zugrunde (…). Die Revision dringt deshalb auch nicht mit ihrem Argument durch, die konditionale Verknüpfung des Abschlusses eines Musikverlagsvertrages mit dem Abschluss eines Kompositions- und Produktionsvertrags verstoße gegen die guten Sitten, wenn verlegerische Leistungen tatsächlich nicht beabsichtigt seien.“

Demzufolge waren sowohl Produktions- als auch Musikverlagsverträge unter allen rechtlichen Gesichtspunkten wirksam.

Da in der Praxis häufig sowohl Produzenten wie aber auch Sender eine Verknüpfung von Produktions- und Verlagsvertrag verlangen, hat diese Entscheidung praxisrelevanz. In diesem Fall bringt sie vor allem Rechtssicherheit für Produzenten und Sender.

BGH zu den Voraussetzungen einer Netzsperre

Wolfgang Riegger

In einer Pressemitteilung vom 26.11.2015 berichtet der BGH über zwei Urteile, die an diesem Tag verkündet worden sind.

In beiden Fällen ging es um die Haftung von sogenannten Access-Providern. Bei Access-Providern handelt es sich um Anbieter von Internetzugängen, wie z. B. die Telekom, die auch Beklagte in einem der Verfahren war.

Es stellte sich die Frage, ob bzw. unter welchen Voraussetzungen die Access-Provider zur Sperrung von Zugriffsmöglichkeiten auf Internetangebote in Anspruch genommen werden können. Gegenstand der Urteile ist also die schon seit langer Zeit viel diskutierte sogenannte Netzsperre.

Kläger der jeweiligen Verfahren waren zum einen die GEMA, zum anderen Tonträgerhersteller. Die Kläger machten jeweils geltend, dass auf Internetseiten von Filehostern bzw. Filesharing-Netzwerkbetreibern urheberrechtlich geschützte Werke illegal zum Download angeboten worden waren. Das Problem in solchen Fällen ist, dass die Rechteinhaber gegen die eigentlichen Betreiber der urheberrechtsverletzenden Seiten häufig nicht vorgehen können, weil diese ihre Seiten und ihre Internetdomains im Ausland hosten, so dass praktisch kein Zugriff für die Rechteinhaber besteht.

Fraglich war daher, ob die Rechteinhaber auch gegen den Access-Provider vorgehen können, so dass auf diesem Wege die rechtsverletzenden Seiten vom Netz genommen werden.

Das Problem einer solchen Netzsperre ist, dass hier das „Alles oder Nichts“-Prinzip gilt: Anders als bei einem Vorgehen z. B. gegen einen sogenannten Content-Provider (z. B. Facebook, eBay etc.) können hier nicht gezielt einzelne Inhalte vom Internetangebot entfernt werden, sondern es geht um „alles oder nichts“: Entweder verschwindet das gesamte Internetangebot oder es ist vollständig noch abrufbar.

Aufgrund dieser sehr weitreichenden Konsequenzen einer solchen Netzsperre wird ein solches Mittel vielfach abgelehnt. Auch die Vorinstanzen hatten die jeweiligen Klagen der Rechteinhaber abgewiesen.

Der BGH bestätigte nun diese Klageabweisungen zwar im Ergebnis.

Allerdings deutet der BGH in seiner Presseerklärung zumindest an, dass unter bestimmten, wenn auch sehr strengen Voraussetzungen solche Netzsperren möglich sind.

Eine solche Sperre kann nach Meinung des BGH angebracht sein, wenn das betreffende Internetangebot ausschließlich oder zum großen Teil aus urheberrechtsverletzenden Inhalten besteht, die Seite also fast ausschließlich den Zweck hat, illegal urheberrechtlich geschützte Inhalte zu vermitteln und wenn der Rechteinhaber auch vor Ort alles Erforderliche unternommen hat, um seine Rechte im Ausland durchzusetzen. Der BGH präzisiert seine Auffassung dahingehend, dass es auch ggfs. erforderlich ist, dass vor Ort die Behörden eingeschaltet, gerichtliche Schritte eingeleitet, Detekteien beauftragt werden etc. Sind diese Schritte erfolglos, kommt eine Netzsperre in Betracht.

Auch wenn die Voraussetzungen hoch sind: In seiner aktuellen Entscheidung hat der BGH die Netzsperre nicht grundsätzlich abgelehnt, so dass zumindest die Möglichkeit besteht, dass zukünftig ein Gericht zugunsten der Rechteinhaber entscheidet, falls die Voraussetzungen dafür vorliegen.

Zunächst müssen aber die vollständigen Entscheidungsgründe abgewartet werden, weil bislang nur die Pressemitteilung vorliegt. Darüber hinaus ist es auch denkbar, dass der Europäische Gerichtshof (EuGH) anders entscheiden wird, wenn dieser über Netzsperren zu befinden hat. Schließlich ist die Netzsperre auch ein viel diskutiertes Thema in der Politik, so dass ggfs. auch gesetzgeberische Entwicklungen noch folgen werden.

Pressemitteilung des BGH vom 26.11.2015