GEMA gegen Suno: Was das Urteil für generative KI und das Urheberrecht bedeutet

Das Urteil des LG München I vom 31. Juli 2026 im Verfahren GEMA gegen Suno gehört zu den bislang weitreichendsten deutschen Entscheidungen zum urheberrechtlichen Umgang mit generativer künstlicher Intelligenz. Das Gericht befasst sich nicht nur mit den erzeugten Musikstücken, sondern mit der gesamten technischen Nutzungskette: der Beschaffung der Trainingsdaten, dem Training, der Speicherung geschützter Werke im Modell, den generierten Outputs und der Rolle des Plattformbetreibers.

Die Entscheidung ist noch nicht rechtskräftig. Das Berufungsverfahren ist beim OLG München unter dem Aktenzeichen 6 U 2314/26 e anhängig.

Memorisierung als Vervielfältigung im KI-Modell

Nach Auffassung des LG München I können geschützte Musikwerke im Modell selbst vervielfältigt sein. Entscheidend ist dabei nicht, ob das Werk als klassische Audio- oder Notendatei gespeichert wird. Eine körperliche Festlegung könne vielmehr auch in Modellparametern oder anderen Datenstrukturen vorliegen, wenn das Werk dort in einer Weise memorisiert wurde, die seine wiedererkennbare Reproduktion ermöglicht.

Das Gericht stützt diese Annahme insbesondere darauf, dass die betroffenen Musikwerke durch einfache und ergebnisoffene Prompts in wiedererkennbarer Form ausgegeben werden konnten. Die nur mittelbare Wahrnehmbarkeit eines Werkes innerhalb des Modells stehe der Einordnung als Vervielfältigung nicht entgegen.

Diese Aussage darf jedoch nicht dahin verallgemeinert werden, dass jedes mit geschützten Werken trainierte KI-Modell automatisch ein Vervielfältigungsstück dieser Werke darstellt. Das Urteil knüpft ausdrücklich an eine nachweisbare Memorisierung und Reproduzierbarkeit der konkreten Werke an.

Die Grenzen der Text-und-Data-Mining-Schranke

Das Gericht erkennt grundsätzlich an, dass § 44b UrhG und Art. 4 der DSM-Richtlinie auf Vervielfältigungen zur Vorbereitung eines KI-Trainingskorpus anwendbar sein können. Es unterscheidet jedoch zwischen der Erstellung und Aufbereitung des Datensatzes einerseits und einer späteren Übernahme geschützter Ausdruckselemente in das trainierte Modell andererseits.

Die Memorisierung der streitgegenständlichen Musikwerke sei keine bloße Gewinnung statistischer Informationen mehr. Sie überschreite die Datenanalyse, weil geschützte Werke so in die Modellparameter übernommen würden, dass sie reproduziert werden könnten. Solche Vervielfältigungen im Modell seien daher nicht von § 44b UrhG gedeckt.

Hinzu kam im konkreten Fall, dass die Audiodateien nach den Feststellungen des Gerichts mithilfe von Stream-Ripping-Techniken unter Umgehung des sogenannten Rolling Cipher von YouTube beschafft worden waren. Das Gericht verneinte deshalb auch einen rechtmäßigen Zugang im Sinne der Text-und-Data-Mining-Schranke.

Outputs und öffentliche Wiedergabe

Urheberrechtlich relevant waren außerdem die vom Musikgenerator erzeugten Outputs. Das LG München I sah darin teilweise Vervielfältigungen beziehungsweise Umgestaltungen der geschützten Musikwerke.

Besonders weitreichend ist die Annahme, bereits das Angebot eines Modells könne eine öffentliche Wiedergabe darstellen, wenn dieses den Zugang zu memorisierten Werken durch einfache und ergebnisoffene Prompts eröffnet. Nach Auffassung des Gerichts muss das geschützte Werk nicht von jedem Nutzer tatsächlich abgerufen werden; die eröffnete Möglichkeit des Zugangs könne genügen.

Diese Einordnung dürfte im Berufungsverfahren besondere Aufmerksamkeit erfahren. Sie verschiebt die urheberrechtliche Beurteilung vom einzelnen Output teilweise auf das Modell und dessen Bereitstellung als solche.

Verantwortung des KI-Anbieters und Art. 6 DSA

Suno konnte sich nach Auffassung des Gerichts nicht auf das Haftungsprivileg für Hostingdienste nach Art. 6 DSA berufen. Bei den streitgegenständlichen Outputs handele es sich nicht lediglich um fremde, von Nutzern bereitgestellte Informationen.

Die verwendeten Prompts seien einfach und ergebnisoffen gewesen und hätten die konkrete musikalische Gestaltung nicht inhaltlich vorgegeben. Das Modell und die Anwendung hätten die Ausgaben erzeugt. Das Gericht ordnete diese deshalb als eigene Informationen des Anbieters ein.

Auch diese Beurteilung ist für andere Anbieter generativer Systeme bedeutsam. Je geringer der gestalterische Einfluss der Nutzer und je größer die inhaltliche Steuerung durch das Modell ist, desto schwieriger kann es werden, die Ausgaben ausschließlich als nutzergenerierte fremde Inhalte einzuordnen.

Training in den USA und Fair Use

Das Training des Modells war nach den Feststellungen des Gerichts in den Vereinigten Staaten erfolgt. Das LG München I prüfte die dort vorgenommenen Vervielfältigungen deshalb nach US-amerikanischem Urheberrecht und lehnte eine Rechtfertigung durch Fair Use ab.

Dabei berücksichtigte das Gericht unter anderem den kommerziellen Zweck, die hohe schöpferische Qualität der verwendeten Musikwerke, die Nutzung vollständiger Aufnahmen, die Reproduzierbarkeit geschützter Inhalte in den Outputs und mögliche Auswirkungen auf Lizenz- und Absatzmärkte. Auch die Beschaffung der Trainingsdaten unter Umgehung technischer Schutzmaßnahmen fiel zulasten des Anbieters ins Gewicht.

Die Beurteilung eines deutschen Gerichts bindet US-amerikanische Gerichte nicht. Sie zeigt jedoch, dass grenzüberschreitende KI-Sachverhalte eine parallele Prüfung verschiedener nationaler Urheberrechtsordnungen erforderlich machen können.

Praktische Bedeutung der Entscheidung

Für Anbieter generativer KI-Systeme ergeben sich aus dem Urteil insbesondere folgende Konsequenzen:

Die Herkunft und Rechtmäßigkeit der Trainingsdaten muss dokumentiert werden. Technische Maßnahmen gegen Memorisierung und die werknahe Reproduktion dürfen nicht erst auf der Output-Ebene ansetzen. Rechtevorbehalte und Lizenzierungsmöglichkeiten müssen in die Datenstrategie einbezogen werden. Außerdem sollte die Rollenverteilung zwischen Nutzer, Modell und Plattform bei der Erzeugung von Outputs rechtlich und technisch nachvollziehbar ausgestaltet sein.

Für Rechtsinhaber zeigt die Entscheidung zugleich, welche Tatsachen für die Durchsetzung von Ansprüchen relevant sein können: die Reproduzierbarkeit eines Werkes durch einfache Prompts, die Beschaffenheit des Trainingskorpus, die Herkunft der Trainingsdaten und die technische Funktionsweise des Modells.

Erste Bewertung

Das Urteil entwickelt einen stark werk- und rechtsinhaberorientierten Ansatz. Seine zentrale dogmatische Innovation liegt in der Annahme einer Vervielfältigung im Modell, wenn eine hinreichend konkrete Memorisierung und Reproduzierbarkeit nachgewiesen werden kann.

Überzeugend ist die notwendige Unterscheidung zwischen bloßer statistischer Auswertung und einer werkbezogenen Memorisierung. Diskussionsbedürftig bleiben dagegen insbesondere die Voraussetzungen, unter denen Modellparameter als körperliche Festlegung eines Werkes gelten können, sowie die Annahme einer öffentlichen Wiedergabe bereits durch das Angebot des Modells.

Die Berufungsentscheidung des OLG München wird daher nicht nur für Musikgeneratoren, sondern für die urheberrechtliche Bewertung generativer KI insgesamt von erheblicher Bedeutung sein.

Entscheidung

LG München I, Endurteil vom 31. Juli 2026 – 42 O 763/25

Rechtsmittelinstanz: OLG München – 6 U 2314/26 e