Memorisierung

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