GEMA vs. Suno: Landgericht München stärkt Rechte von Musikschaffenden

von: Juliane Wolter

 

Mit Urteil vom 31. Juli 2026 (Az. 42 O 763/25) hat das Landgericht München I der Klage der GEMA im Rechtsstreit gegen den KI-Musikanbieter Suno weitgehend stattgegeben. Die Entscheidung erging durch die 42. Zivilkammer, die bereits im November 2025 im Verfahren gegen OpenAI zentrale Fragen des Urheberrechts beim Training generativer KI behandelt hatte. Während dort Liedtexte im Mittelpunkt standen, betraf das vorliegende Verfahren sechs Musikkompositionen, darunter „Atemlos durch die Nacht“ und „Big in Japan“. Das Gericht untersagte Suno, die betreffenden Werke ohne entsprechende Lizenz zu vervielfältigen – sowohl im Rahmen des Trainings als auch bei der Generierung von Output. Die Entscheidung verdeutlicht damit erneut das Spannungsfeld zwischen dem Innovationspotenzial generativer KI und den urheberrechtlichen Interessen der Kreativbranche. Das Urteil ist noch nicht rechtskräftig.

Der Fall

Die GEMA testete das Modell von Suno anhand von sechs Musikwerken, darunter „Atemlos durch die Nacht“ und „Big in Japan“. Hierzu wurden jeweils Originaltext, Werktitel und Musikstil in die KI eingespeist. Konkrete Vorgaben zu Melodie, Rhythmus oder Arrangement enthielten die Prompts nicht. Gleichwohl wiesen die erzeugten Outputs eine starke Ähnlichkeit zu den Originalwerken auf. Für die Kammer war dies ein wesentlicher Anhaltspunkt dafür, dass die betreffenden Werke im Rahmen des Trainings in reproduzierbarer Form im Modell verankert worden waren.

Hinzu kam, dass Suno bei der Beschaffung von Trainingsdaten nach den Feststellungen des Gerichts den technischen Schutzmechanismus „Rolling Cipher“ von YouTube mittels Stream-Ripping umgangen hatte. Das Gericht sah darin einen weiteren Umstand, der einer Berufung auf die Anwendbarkeit der urheberrechtlichen Text- und Data-Mining- Schranke entgegenstand.

Für die in den USA vorgenommenen Trainingshandlungen wandte die Kammer aufgrund des Schutzlandprinzips gemäß Art. 8 Abs. 1 Rom II-VO US-amerikanisches Urheberrecht an. Die internationale Zuständigkeit des Landgerichts stützte sie auf § 131 Abs. 2 VGG. Für die in Deutschland vorgenommenen Vervielfältigungshandlungen rechnete die Kammer – wie bereits im Verfahren gegen OpenAI – die Verantwortlichkeit Suno zu. Eine Verantwortlichkeit der Nutzer:innen sah sie dagegen nicht, denn die verwendeten Prompts seien einfach und ergebnisoffen gewesen und hätten den konkreten Inhalt der erzeugten Outputs nicht eigenständig gesteuert.

Kernelemente des Urteils: Memorisierung und Vervielfältigung

In seinem Urteil stellt das Gericht einen engen Zusammenhang zwischen der technischen Frage der Memorisierung und der urheberrechtlichen Frage der Vervielfältigung her und schließt nach Feststellung des Vorliegens von Memorisierung auf das Vorliegen von Vervielfältigungen im Sinne des § 16 UrhG.

Nach Auffassung des Gerichts liegt eine Memorisierung vor, wenn der Inhalt eines Trainingswerks – nicht notwendig vollständig oder wortgetreu – in den Modellparametern derart enthalten ist, dass er später reproduziert werden kann. Eine exakte Übernahme sei hierfür nicht erforderlich.

Auffällig ist, dass die vom Gericht verwendete Definition weniger differenziert ist als die in der von der Kammer genannten Quelle „Carlini et al.“. In dieser wird eine deutlich differenziertere Definition zugrunde gelegt und nicht davon gesprochen, dass das Modell „Trainingsdaten enthält“.

Technisch wird „Memorisation“ regelmäßig der „Generalization“ gegenübergestellt: Während Generalisierung die Fähigkeit eines Modells bezeichnet, aus Trainingsdaten allgemeine Muster abzuleiten und auf neue Fälle zu übertragen, geht es bei Memorisierung um die Reproduzierbarkeit konkreter Trainingsbeispiele. Beide Konzepte sind dabei nicht strikt voneinander zu trennen, sondern können innerhalb desselben Modells nebeneinander auftreten. Auch ein weitgehend generalisierendes Modell kann einzelne Inhalte memorisieren, etwa Ausreißer im Datensatz oder die korrekte Schreibweise von Wörtern.

Memorisierung bedeutet dabei nicht ohne Weiteres, dass ein Werk als vollständige und unmittelbar abrufbare Kopie im Modell gespeichert ist. Die entsprechenden Informationen können vielmehr über zahlreiche Parameter verteilt und in statistischer Form repräsentiert sein. Für die rechtliche Bewertung knüpft die Kammer allerdings unmittelbar an die festgestellte Reproduzierbarkeit an. Sie behandelt die memorisierten Werke als körperlich im Modell festgelegt und sieht darin eine Vervielfältigung nach § 16 Abs. 1 UrhG.

Die Entscheidung führt damit die technische Beschreibung der Memorisierung und ihre urheberrechtliche Einordnung eng zusammen. Die Kammer differenziert dabei nicht näher zwischen der technischen Frage, in welcher Form ein Werk im Modell repräsentiert ist, und der daran anknüpfenden rechtlichen Frage, ob hierin bereits eine Vervielfältigung liegt. Für die Entscheidung ist vielmehr maßgeblich, dass die konkrete Reproduzierbarkeit nach ihrer Auffassung eine hinreichende körperliche Festlegung des Werks begründet.

Verantwortlichkeit für den rechtsverletzenden Output

Auch bei der Frage, wer für die generierten Outputs einzustehen hat, positioniert sich die Kammer eindeutig: Verantwortlich sei Suno als Anbieter, nicht die Nutzer:innen, die die Prompts eingeben. Ausschlaggebend war für die Kammer, dass es sich um einfache, ergebnisoffene Eingaben handelte, die den konkreten Inhalt des Outputs gerade nicht steuerten – anders als bei „provozierten“ Prompts mit wertenden, kontextverändernden Vorgaben, bei denen eine Zurechnung zum Nutzer näherliegen könnte. Da Suno das Modell betreibt, die Trainingsdaten ausgewählt und die Architektur samt der daraus resultierenden Memorisierung zu verantworten hat, verortet die Kammer die Verantwortlichkeit beim Anbieter selbst. Für die Praxis bedeutet das konkret: Wer als KI-Anbieter (potenziell) memorisierende Modelle in den Verkehr bringt, kann sich nicht darauf zurückziehen, dass der Output womöglich erst durch eine Nutzereingabe ausgelöst wurde – jedenfalls solange diese Eingabe keine eigenständige, gestaltende Steuerung des Ergebnisses darstellt. Möglicherweise ist auch das Anbieten und Vertreiben derartiger Modelle bereits als Verbreitung von Vervielfältigungsstücken zu betrachten.

Die TDM-Schranke bleibt eng

Die Kammer differenziert wie bereits im OpenAI-Verfahren zwischen der automatisierten Analyse von Trainingsdaten, die von § 44b UrhG gedeckt sei und der dauerhaften Memorisierung im Modell, die ohnehin nicht der weiteren Datenanalyse diene und damit dem § 44b UrhG nicht unterfallen könne. Auch eine analoge Anwendung lehnte die Kammer ab, da bei Memorisierung – anders als bei reiner Analyse – die Verwertungsinteressen der Urheber konkret beeinträchtigt seien. Aufgrund der Umgehung des Rolling Cipher fehle es unabhängig davon ohnehin am rechtmäßigen Werkzugang.

Fair Use nach US-Recht

Für die Trainingshandlungen in den USA prüfte die Kammer ergänzend die Fair-Use-Doktrin (17 U.S.C. § 107) – ein Rechtsinstitut, das die Nutzung geschützter Werke ohne Zustimmung des Rechteinhabers erlaubt, wenn eine Abwägung mehrerer Faktoren (u. a. Zweck der Nutzung, Umfang, Marktauswirkung) dafürspricht. Die Kammer wertete alle vier Faktoren zulasten von Suno. Die Nutzung sei weder hinreichend transformativ noch auf einen nur geringfügigen Teil der geschützten Werke beschränkt gewesen. Zudem seien kreative Werkbestandteile übernommen und die erzeugten Outputs öffentlich zugänglich gemacht worden. Auch die Umgehung des Rolling Cipher wertete die Kammer als Hinweis auf ein nicht schutzwürdiges Vorgehen.

Ausblick

Das Urteil zeigt, dass sich die urheberrechtliche Auseinandersetzung mit generativer KI zunehmend auf die Frage verlagert, was nach dem Training im Modell selbst verbleibt. Während die Nutzung urheberrechtlich geschützter Werke als Trainingsdaten bislang vor allem unter dem Gesichtspunkt des Text und Data Mining diskutiert wird, rückt mit der vom Gericht wie bereits im Verfahren gegen OpenAI angenommenen Memorisierung eine weitere Ebene in den Mittelpunkt: die mögliche Vervielfältigung geschützter Werke innerhalb des Modells.

Offen bleibt, ob sich diese rechtliche Einordnung über den konkreten Fall hinaus verallgemeinern lässt, da Suno die Trainingswerke unter Umgehung technischer Schutzmaßnahmen erlangte. Nicht geklärt ist daher, ob dieselben urheberrechtlichen Konsequenzen (unter Anwendung der Fair-Use-Doktrin) auch dann gelten würden, wenn die Trainingsdaten zwar rechtmäßig erlangt werden, ein Modell die darin enthaltenen Werke aber gleichwohl in reproduzierbarer Form memorisiert. Hinzu kommt, dass bereits die technische Feststellung einer solchen Memorisierung von der konkreten Modellarchitektur und den zugrunde gelegten Kriterien abhängt.

Sollte sich die Auffassung durchsetzen, dass ein Modell aufgrund einer solchen Memorisierung selbst Vervielfältigungen geschützter Werke enthalten kann, stellt sich zudem die Frage nach den praktischen Voraussetzungen eines rechtssicheren Modellbetriebs. Insbesondere wäre zu klären, ob Anbieter hierfür Lizenzen für sämtliche Trainingswerke benötigen und welche Bedeutung eine etwaige Memorisierung für die Nutzung bereits trainierter Modelle durch Dritte hat.

Die weitere Rechtsprechung und die europäische Gesetzgebung werden damit maßgeblich bestimmen, wie das Verhältnis zwischen dem Training generativer KI, der Text-und-Data-Mining-Schranke und dem Vervielfältigungsrecht künftig auszugestalten ist.

Für die Branche hat das Urteil bereits praktische Bedeutung: Während Universal und Sony ihre Verfahren gegen Suno weiterführen, hat Warner Music einen Lizenzvertrag mit dem Unternehmen geschlossen.

Suno hat bereits angekündigt, Rechtsmittel prüfen zu lassen.

 

Bildquelle: ChatGPT