KI Modelle

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

OLG Hamm: Wenn der Website-Chatbot Facharzttitel erfindet – und das Unternehmen haftet

Wolfgang Riegger

Das Oberlandesgericht Hamm hat am 12.05.2026 entschieden, dass ein Unternehmen für irreführende Aussagen seines KI-Chatbots zu ärztlichen Qualifikationen einstehen muss. Wichtig: Aktuell liegt noch kein Urteilsvolltext vor, sondern nur die Pressemitteilung des OLG Hamm. Die schriftlichen Gründe werden erst später veröffentlicht.

Worum ging es?

Nach der Pressemitteilung konnten Kunden und Patienten auf der Website der Aesthetify GmbH mit einem KI-Chatbot kommunizieren, Termine buchen und Fragen stellen. Auf konkrete Nachfragen soll der Chatbot über die beiden hinter dem Unternehmen stehenden Ärzte („Dr. Rick & Dr. Nick“) unter anderem behauptet haben, sie seien „Fachärzte für plastische und ästhetische Chirurgie“, „Fachärzte für ästhetische Medizin“ und „Fachärzte für ästhetische Behandlungen“.

Die Verbraucherzentrale NRW mahnte das Unternehmen ab und forderte eine strafbewehrte Unterlassungserklärung. Zwar wurde der Chatbot später deaktiviert, eine Unterlassungserklärung wurde laut Pressemitteilung aber nicht abgegeben.

Kernaussage des OLG Hamm laut Pressemitteilung

Das OLG Hamm hat die Angaben als irreführende geschäftliche Handlung eingeordnet und der Unterlassungsklage stattgegeben. Maßgeblich sei § 5 UWG (Irreführung), konkret bei Angaben zur Befähigung, zum Status oder zur Zulassung eines Unternehmers bzw. der handelnden Personen.

Der entscheidende Punkt: Die falschen Aussagen des Chatbots wurden der Aesthetify GmbH als eigene geschäftliche Handlung zugerechnet. Nach der Pressemitteilung half dem Unternehmen auch dann kein „Entlastungsargument“, wenn der Chatbot angeblich nur mit korrekten Datensätzen programmiert oder trainiert worden sein sollte.

Chatbot ist kein „Dritter“ – kein Ausweichen über Verkehrssicherungspflichten

Besonders praxisrelevant ist die Abgrenzung, die das OLG Hamm laut Pressemitteilung vorgenommen hat: Der Chatbot sei kein „Dritter“ im Sinne des Gesetzes. Damit könne sich der Betreiber nicht darauf zurückziehen, er habe „nur“ ein Tool eingesetzt und müsse allenfalls im Rahmen einer Verkehrssicherungspflicht überwachen, was dieses Tool tut. Vereinfacht gesagt: Wer den Chatbot als eigenes Kommunikations- und Vertriebsinstrument einsetzt, muss sich dessen Werbeaussagen zurechnen lassen.

Warum ist das für Unternehmen ein Warnsignal – auch außerhalb des Gesundheitsbereichs?

Viele Unternehmen setzen Chatbots inzwischen im Vertrieb, im Kundendienst oder zur Lead-Generierung ein. Das Urteil zeigt (jedenfalls nach der Pressemitteilung) eine klare Richtung: Ein KI-Chatbot ist rechtlich nicht „irgendwer im Internet“, sondern wird wie ein eigener Kommunikationskanal des Unternehmens behandelt.

Das ist nicht nur bei Facharztbezeichnungen brisant. Denkbar sind ähnliche Risiken bei Aussagen zu:

  • Zertifizierungen, Zulassungen, Prüfzeichen, Qualifikationen
  • Lieferzeiten, Verfügbarkeiten, Garantien
  • Preisen, Rabatten, „Bestpreis“-Behauptungen
  • Produktwirkungen, Leistungsversprechen, „Testsieger“-Werbung

Überall dort kann eine falsche Chatbot-Antwort schnell als irreführende Werbung gewertet werden – mit Abmahnungen, Unterlassungsansprüchen, Vertragsstrafen und Folgekosten.

Der heikle Punkt für den Wettbewerb: Kann ein Konkurrent den Chatbot „in die Falle locken“?

Genau hier liegt ein Thema, das Unternehmen häufig unterschätzen: Ein Wettbewerber könnte gezielt versuchen, den Chatbot des Konkurrenten zu wettbewerbswidrigen Aussagen zu verleiten – etwa durch suggestive Fragen, geschickte Formulierungen oder das „Vorgeben“ falscher Tatsachen, die der Bot dann übernimmt. Wenn Gerichte die Antworten als dem Betreiber zurechenbar ansehen, wird das zur echten Angriffsfläche im Wettbewerb.

Die Konsequenz ist unbequem, aber klar: Der Chatbot muss so gebaut und abgesichert sein, dass irreführende Aussagen zuverlässig ausgeschlossen sind – nicht nur „im Normalbetrieb“, sondern auch bei provozierenden oder manipulativen Eingaben.

Was Unternehmen jetzt praktisch tun sollten

  1. Inhalte begrenzen statt „freies Generieren“
    Je höher das Risiko (Gesundheit, Finanzen, Recht, sicherheitsrelevante Themen), desto eher sollte der Bot nur aus einer geprüften Wissensbasis antworten oder bei Unsicherheit konsequent abbrechen und an einen Menschen übergeben.
  2. Sperrlisten und Claim-Kontrollen definieren
    Bestimmte Aussagen dürfen schlicht nie ausgegeben werden (z. B. „zertifiziert“, „zugelassen“, „Facharzt“, „garantiert wirksam“), wenn sie nicht nachweisbar und freigegeben sind.
  3. Red-Teaming und Missbrauchstests einplanen
    Chatbots müssen wie ein öffentliches Werbemittel getestet werden: Was passiert bei Fangfragen, Unterstellungen, „Wiederhole das, aber…“-Tricks oder bei gezielt manipulativen Eingaben?
  4. Monitoring, Logging, Kill-Switch
    Wer Chatbots einsetzt, braucht Auswertungen, Alarmierungen bei riskanten Antworten und die Möglichkeit, Funktionen sofort zu deaktivieren oder auf einen sicheren Modus umzuschalten.
  5. Klare Eskalation: „Das weiß ich nicht“ ist eine gute Antwort
    Ein Bot, der lieber sauber abbricht als kreativ wird, ist oft der bessere Bot – jedenfalls rechtlich.

Hinweis: Ein Disclaimer („Antworten ohne Gewähr“) kann unterstützen, ersetzt aber keine technische und organisatorische Absicherung, wenn der Bot faktisch wie ein Werbekanal wirkt.

Ausblick: Revision zum BGH

Das OLG Hamm hat nach der Pressemitteilung die Revision zum Bundesgerichtshof zugelassen, weil neue Rechtsfragen zur Zurechnung von KI-Falschangaben betroffen sind. Damit ist das letzte Wort voraussichtlich noch nicht gesprochen. Sobald der Urteilsvolltext vorliegt, wird man sehen, wie der Senat die Zurechnung dogmatisch im Detail begründet und welche Anforderungen sich daraus für die Praxis noch konkreter ableiten lassen.

Entscheidungsdaten

Gericht: Oberlandesgericht Hamm
Datum: 12.05.2026
Aktenzeichen: 4 UKl 3/25
Fundstelle: MIR 2026, Dok. 037, Rz. 1 (Pressemitteilung)

OLG Hamburg: Entscheidungsgründe im KI-Foto-Verfahren veröffentlicht – Berufung gegen das LG Hamburg zurückgewiesen

Wolfgang Riegger

Wir hatten am 11.12.2025 über das erstinstanzliche Urteil des LG Hamburg (27.09.2024, 310 O 227/23) berichtet. Inzwischen liegt die Berufungsentscheidung des Hanseatischen Oberlandesgerichts Hamburg vor – und vor allem: Die schriftlichen Entscheidungsgründe sind nun veröffentlicht.

Worum ging es?

Ein Fotograf wollte einem Verein untersagen lassen, seine Fotografie im Rahmen der Erstellung eines riesigen Bild-Text-Datensatzes zu vervielfältigen. Technisch lief es so: Aus einem bereits existierenden Datensatz wurden Bild-URLs extrahiert, die Bilder heruntergeladen und anschließend per Software mit den vorhandenen Bildbeschreibungen (z. B. Alternativtext) abgeglichen. Nicht passende Paare wurden aussortiert; im neu erstellten Datensatz wurden vor allem die Metadaten (insbesondere URL und Beschreibung) gespeichert. Die Downloads fanden in der zweiten Jahreshälfte 2021 statt.

Was ist der rechtliche Kern? § 44b UrhG (Text und Data Mining) greift – trotz Opt-out

Das OLG stellt klar: Schon der Abgleich „passt Bild zur Bildbeschreibung?“ ist eine automatisierte Analyse zur Gewinnung von Informationen und damit Text und Data Mining im Sinne von § 44b UrhG. Entscheidend ist dabei nicht, ob bereits in diesem Schritt ein „großer Erkenntnisgewinn“ entsteht oder ob das eigentliche KI-Training erst später erfolgt.

Der Dreh- und Angelpunkt war anschließend der Nutzungsvorbehalt (Opt-out) nach § 44b Abs. 3 UrhG. Das OLG bestätigt zwar, dass ein Vorbehalt grundsätzlich möglich ist – aber nur, wenn er bei online zugänglichen Werken in maschinenlesbarer Form erfolgt. Ein rein textlicher Vorbehalt in den Nutzungsbedingungen der Bildagentur genügte hier nach den konkreten Umständen nicht. Zusätzlich spielt der Zeitpunkt eine Rolle: Maßgeblich ist, ob ein Vorbehalt im Jahr 2021 technisch so gestaltet war, dass er in automatisierten Prozessen zuverlässig erkannt und verarbeitet werden konnte.

Warum hilft dem Fotografen auch § 44a UrhG nicht?

§ 44a UrhG (vorübergehende Vervielfältigungshandlungen) scheidet aus Sicht des OLG aus. Das gezielte Herunterladen einer Bilddatei, um sie mit spezieller Software zu analysieren, ist weder „flüchtig“ noch nur „begleitend“.

Und was ist mit der Forschungsschranke § 60d UrhG?

Neben § 44b UrhG hält das OLG – wie schon das LG – auch § 60d UrhG (Text und Data Mining für wissenschaftliche Forschung) im Ergebnis für einschlägig. Hervorgehoben werden dabei drei Punkte, die für Unternehmer und Projekte mit Forschungsbezug wichtig sind:

  1. Wissenschaftliche Forschung umfasst auch angewandte und technologische Forschung.
  2. Privilegiert ist nicht nur der „Erkenntnisschritt“ selbst: Auch vorbereitende Arbeitsschritte (wie Datensammlungen), die auf späteren Erkenntnisgewinn ausgerichtet sind, können erfasst sein.
  3. Zusammenarbeit mit Unternehmen ist nicht automatisch schädlich – kritisch wird es erst bei einer Public-Private-Partnership, in der ein privates Unternehmen bestimmenden Einfluss hat und zugleich bevorzugten Zugang zu Forschungsergebnissen erhält.

Was bedeutet das für Unternehmen?

  1. Datenpipeline und Dokumentation werden entscheidend: Wenn sich Projekte auf § 44b UrhG stützen, muss der Umgang mit Opt-outs organisatorisch und technisch belastbar sein.
  2. Opt-out ist kein „AGB-Satz“: Rechteinhaber müssen technisch nachlegen, wenn sie Text und Data Mining wirksam ausschließen wollen.
  3. Forschungskonstellationen sauber strukturieren: Bei § 60d UrhG sollte die Governance von Kooperationen so gestaltet sein, dass kein „bestimmender Einfluss“ und kein „bevorzugter Zugang“ eines Unternehmens entsteht.
  4. Die Sache ist noch nicht endgültig: Das OLG hat die Revision zum BGH zugelassen. Eine höchstrichterliche Leitentscheidung zu §§ 44b, 60d UrhG im Kontext KI-Training ist damit ausdrücklich angelegt.

Gericht / Datum / Aktenzeichen / Fundstelle

Hanseatisches Oberlandesgericht Hamburg (5. Zivilsenat)
Urteil vom 10.12.2025
Az. 5 U 104/24

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