LG München I 42 O 763/25: GEMA vs. SUNO — KI-Memorisierung verletzt das Urheberrecht, fair use scheitert, TDM-Schranke greift nicht

Hintergrund: KI-Musikgeneratoren und die ungeklärte Trainingsdatenfrage

SUNO AI ist einer der bekanntesten kommerziellen KI-Musikgeneratoren: Nutzer geben einen Text-Prompt ein — Liedtext, gewünschten Stil, Werktitel — und das Modell generiert daraus vollständige Musikstücke inklusive Gesang und Instrumentierung. Die Qualität der generierten Musik ist seit der Einführung der Modellversionen v3.5 und v4 erheblich gestiegen. Doch genau diese gestiegene Qualität wirft eine rechtliche Grundsatzfrage auf: Kann ein KI-Modell Musik in dieser Güte generieren, ohne die Originale, auf denen es trainiert wurde, urheberrechtlich zu verletzen?

Die GEMA — als Verwertungsgesellschaft Treuhänderin der Urheberrechte von Komponistinnen und Komponisten, Textdichterinnen und Textdichtern sowie Musikverlegerinnen und Musikverlegern — hat diese Frage vor dem Landgericht München I zur Entscheidung gestellt. Das Gericht antwortet mit einem klaren Ja zur Urheberrechtsverletzung — und entwickelt dabei eine Dogmatik zur Memorisierung von Trainingsdaten in KI-Modellen, die weit über den Musikbereich hinauswirkt.

Sachverhalt: Stream-Ripping, Memorisierung und reproduzierbare Outputs

Der Sachverhalt ist technisch präzise und juristisch folgenreich: SUNO verwendete sogenannte Stream-Ripping-Techniken, um Musikwerke von der Plattform YouTube zu extrahieren. Dabei umging das Unternehmen den sogenannten Rolling Cipher — eine von YouTube implementierte technische Schutzmaßnahme, die das unberechtigte Herunterladen von Audio- und Videoinhalten verhindern soll. Die so extrahierten Werke flossen in den Trainingsdatensatz ein.

Die GEMA testete anschließend die Modellversionen v3.5 und v4 mit gezielt einfach gehaltenen Prompts: Sie gab jeweils den originalen Liedtext des Musikstücks, den Musikstil und den Werktitel ein — keine Vorgaben zu Melodie, Harmonie, Rhythmus oder Arrangement. Das Ergebnis: Die generierten Outputs waren den Originalwerken in den schutzfähigen Elementen wesentlich ähnlich. Angesichts der Komplexität und Länge der Musikstücke schloss die Kammer aus, dass es sich dabei um zufällige Übereinstimmungen handeln könnte.

Die Kammer stellte damit fest, was in der KI-Forschung als „Memorisierung" bezeichnet wird: Das Modell hat beim Training nicht nur Muster und Strukturen aus den Trainingsdaten abstrahiert, sondern auch Inhalte aufgenommen, die sich bei entsprechenden Prompts reproduzieren lassen. Diese Memorisierung spiegelt sich in den nach dem Training spezifizierten Parametern des Modells wider.

Die fünf zentralen Rechtsfragen und wie die Kammer sie beantwortet

1. Internationale Zuständigkeit für US-Rechtsverletzungen

SUNO hat das KI-Training auf Servern in den USA durchgeführt. SUNO bestritt deshalb unter anderem die internationale Zuständigkeit des LG München I für die dort begangenen Urheberrechtsverletzungen. Die Kammer bejaht die Zuständigkeit auf Grundlage von § 131 Abs. 1 und 2 VGG — dem Verwertungsgesellschaftengesetz. Diese Vorschrift sieht einen besonderen Gerichtsstand des Sachzusammenhangs für Verwertungsgesellschaften vor, dessen Funktion nicht auf den inländischen Bereich beschränkt ist, sondern auch die internationale Zuständigkeit erfasst. Das ist urheberrechtsprozessual bemerkenswert: Es ermöglicht deutschen Verwertungsgesellschaften, Rechtsverletzungen, die auf US-amerikanischen Servern begangen wurden, vor deutschen Gerichten geltend zu machen.

2. Vervielfältigungsrecht: Memorisierung als Vervielfältigung nach § 16 UrhG

Das Herzstück des Urteils ist die Qualifikation der Memorisierung als Vervielfältigungshandlung im Sinne von § 16 UrhG. SUNO hatte argumentiert, die Trainingsdaten seien nicht „im Modell enthalten" — die Gewichte und Parameter des Modells bildeten lediglich mathematisch erlernte Muster ab, keine Kopien der Originalwerke. Die Kammer weist das zurück:

Eine Vervielfältigung im Sinne von § 16 UrhG liegt vor, wenn das Werk oder wesentliche Teile davon körperlich festgelegt werden, sodass es wahrnehmbar gemacht werden kann — unabhängig davon, in welchem technischen Format oder durch welchen technischen Prozess diese Festlegung erfolgt. Wenn ein KI-Modell beim Training nicht nur Muster abstrahiert, sondern inhaltliche Elemente so übernimmt, dass sie bei entsprechenden Prompts reproduzierbar sind — also memorisiert werden —, dann ist eine körperliche Festlegung im urheberrechtlichen Sinne gegeben. Das Modell enthält in seinen Parametern eine strukturierte Repräsentation der Originalwerke, die deren Ausgabe ermöglicht.

Die Feststellung der Memorisierung erfolgte durch einen Vergleich der Trainingsdaten mit den generierten Outputs. Die wesentliche Ähnlichkeit war dabei so ausgeprägt und die Komplexität der Werke so groß, dass Zufall als Ursache ausgeschlossen werden konnte.

3. Text-und-Data-Mining-Schranke (§ 44b UrhG): Greift nicht

§ 44b UrhG setzt die Schrankenregelung für das Text- und Data-Mining aus Art. 4 der DSM-Richtlinie um und erlaubt unter bestimmten Voraussetzungen die Vervielfältigung urheberrechtlich geschützter Werke für Zwecke des maschinellen Lernens. SUNO hatte sich auf diese Schranke berufen.

Die Kammer verneint die Anwendbarkeit — und das aus einem strukturellen Grund: Die Schranke des § 44b UrhG legitimiert das Analysieren von Werken zum Zweck der Gewinnung von Mustern, Trends und Korrelationen. Was sie nicht legitimiert, ist die inhaltliche Übernahme urheberrechtlich geschützter Werkteile in das Modell in einer Form, die deren spätere Reproduktion ermöglicht. Die Memorisierung geht über das Analysieren hinaus: Sie ist eine Vervielfältigung des Werksinhalts — und genau das ist die Funktion von § 44b UrhG gerade nicht zu gestatten.

4. Recht der öffentlichen Wiedergabe und Verantwortlichkeit der KI-Betreiberin

Über die Memorisierung im Modell hinaus verletzt SUNO nach Auffassung der Kammer das Vervielfältigungsrecht und das Recht der öffentlichen Wiedergabe (§§ 15 Abs. 2, 19a UrhG) durch die Ausgabe der Musikstücke als Outputs. In den Outputs waren die originellen Elemente der Originalwerke wiedererkennbar. Die Kammer stellt dabei klar: Verantwortlich dafür ist nicht der Nutzer, der den Prompt eingegeben hat, sondern SUNO als Betreiberin der KI-Modelle.

Dieser Punkt ist für die Haftungsfrage bei KI-generierten Inhalten von grundsätzlicher Bedeutung. SUNO hatte argumentiert, die Outputs seien das Ergebnis der Nutzerhandlung — die Klägerin habe gezielt Prompts mit Liedtext und Werktitel eingegeben, um urheberrechtsverletzende Outputs zu provozieren, und damit den Zurechnungszusammenhang unterbrochen. Die Kammer folgt dem nicht: Die Prompts waren einfach gehalten und ergebnisoffen — sie enthielten keine Vorgaben zu Melodie, Harmonie, Rhythmus oder Arrangement. Die inhaltliche Bestimmung des Outputs lag damit beim KI-Modell, nicht beim Nutzer. Wer ein Modell betreibt, für dessen Training urheberrechtlich geschützte Werke ausgewählt wurden und in dem diese memorisiert sind, bestimmt die Inhalte der Outputs — und haftet dafür.

Darüber hinaus stellt die Kammer fest, dass bereits das bloße Anbieten des Modells und der Anwendung zur Musikgenerierung einen Verstoß gegen das unbenannte Recht der öffentlichen Wiedergabe nach § 15 Abs. 2 UrhG darstellt — unabhängig von konkreten Nutzungshandlungen.

5. Fair use nach US-Recht: Scheitert an Warhol und der substanziellen Ähnlichkeit

Das Training des KI-Modells fand auf Servern in den USA statt. Nach dem Schutzlandprinzip ist für diese Verletzungshandlungen US-amerikanisches Urheberrecht anwendbar — konkret 17 U.S.C. § 107, die fair-use-Doktrin. SUNO hatte sich auf zwei US-Entscheidungen berufen, in denen KI-Training als fair use eingestuft worden war: die Verfahren Bartz und Kadrey, in denen US-Gerichte das Training mit Büchern als von fair use gedeckt angesehen hatten.

Die Kammer grenzt den vorliegenden Fall von Bartz und Kadrey klar ab: In diesen Verfahren waren die Trainingsdaten nicht oder nicht substanziell in den Outputs dem Benutzer zugänglich gemacht worden. Das ist der entscheidende Unterschied: Bei SUNO lassen sich durch einfache, ergebnisoffene Prompts Outputs generieren, die den Originalwerken wesentlich ähnlich sind. Das macht das Training und die Modellnutzung zu einem anderen Sachverhalt.

Die Kammer prüft dann die vier Faktoren der fair-use-Doktrin nach den Vorgaben der Warhol-Entscheidung des US Supreme Court (Andy Warhol Foundation for the Visual Arts, Inc. v. Goldsmith, 598 U.S. 508 (2023)) — und sieht sämtliche Faktoren als gegen SUNO sprechend an:

• Zweck und Charakter der Nutzung: Die kommerzielle Natur des KI-Generators und die fehlende transformative Wirkung der Outputs — die Musik klingt wie die Originale, nicht wie etwas qualitativ Neues — schließen eine Berufung auf den ersten Faktor aus.
• Art des urheberrechtlich geschützten Werks: Kreative Musikwerke genießen hohen Schutz.
• Umfang der Nutzung: Die Memorisierung und Reproduzierbarkeit der vollständigen Werkstrukturen geht weit über das für einen transformativen Zweck Notwendige hinaus.
• Auswirkung auf den Markt: Ein Musikgenerator, der Werke reproduziert, die den Originalwerken wesentlich ähnlich sind, konkurriert unmittelbar mit dem Originalmarkt und dem Lizenzmarkt.

Kritische Einordnung: Was das Urteil leistet — und wo es offene Fragen hinterlässt

Ein Pionierurteil mit klarer dogmatischer Aussage

Das Urteil des LG München I ist das erste deutsche Gerichtsurteil, das die Frage der urheberrechtlichen Zulässigkeit von KI-Training mit geschützten Musikwerken umfassend beantwortet. Es entwickelt eine übertragbare Dogmatik: Memorisierung = Vervielfältigung. TDM-Schranke = nur für Analysezwecke, nicht für inhaltliche Übernahme. Betreiberhaftung = bei Memorisierung und Output-Reproduktion trägt der Betreiber die Verantwortung, nicht der Nutzer. Diese Aussagen sind nicht auf Musik beschränkt — sie gelten strukturell für jedes KI-Modell, das mit urheberrechtlich geschützten Texten, Bildern oder anderen Werken trainiert wurde.

Das ex-post-Problem: Memorisierung ist kein ex-ante-Kriterium

Die Abgrenzung zwischen legitimem maschinellem Lernen und unzulässiger Memorisierung ist in der Praxis schwer zu handhaben. Das Gericht definiert Memorisierung über ihre Konsequenz: reproduzierbare wesentliche Ähnlichkeit mit dem Originalwerk. Das ist ein Ergebniskriterium, das sich erst nach dem Training durch Testläufe feststellen lässt. Für KI-Entwickler bedeutet das: Sie können nicht ex ante mit Sicherheit bestimmen, ob ihr Modell memorisiert — jedenfalls nicht ohne aufwendige Testroutinen. Das Urteil schafft damit implizit eine Prüfpflicht, die bisher nicht explizit normiert war.

Die Schranken-Lücke: § 44b UrhG ist für generative KI zu eng

Der Gesetzgeber hat bei der Einführung von § 44b UrhG (2021) das Szenario generativer KI-Modelle, die Werke reproduzieren können, nicht vollständig bedacht. Die Schranke ist auf analytische Zwecke — Muster, Trends, Korrelationen — ausgerichtet. Die Wertungsfrage, unter welchen Bedingungen auch der Einsatz urheberrechtlich geschützter Werke als Trainingsdaten für generative Modelle zulässig sein soll, hat der Gesetzgeber nicht beantwortet. Das Urteil trifft diese Wertung durch Auslegung — und schließt großzügige Lizenzen für den kommerziellen Einsatz generativer KI damit praktisch zur Voraussetzung.

Die Haftungsverteilung zwischen Betreiber und Nutzer

Die Kammer sieht SUNO als Verantwortliche für die Outputs — nicht die Nutzerinnen und Nutzer, die die Prompts eingegeben haben. Das ist sachgerecht, solange Prompts einfach und ergebnisoffen sind. Wie die Lage zu beurteilen ist, wenn Nutzerinnen und Nutzer explizit auf die Reproduktion eines bestimmten Werkes abzielen — mit detaillierten Vorgaben zu Melodie, Harmonie, Rhythmus —, lässt das Urteil offen. Eine Haftung des Nutzers, möglicherweise neben der des Betreibers, ist in solchen Konstellationen nicht auszuschließen.

Bedeutung für das internationale KI-Recht

Die Abgrenzung von Bartz und Kadrey auf der Basis der Warhol-Entscheidung ist urheberrechtsdogmatisch sorgfältig. Sie zeigt: fair use ist kein Blankoausweis für KI-Training. Entscheidend ist, ob die Outputs substanziell ähnlich zu den Originalwerken sind und ob ein Marktsubstitutionseffekt vorliegt. Für KI-Unternehmen, die in den USA entwickeln und in Deutschland anbieten, entsteht damit eine doppelte Compliance-Anforderung: sowohl das US-amerikanische fair-use-Kriterium als auch das deutsche und europäische Urheberrecht müssen eingehalten werden — und sie können zu unterschiedlichen Ergebnissen führen.

Was KI-Entwickler und Unternehmen jetzt im Compliance-Management umsetzen sollten

Das Urteil ist nicht rechtskräftig — SUNO wird Berufung einlegen. Bis zu einer höchstrichterlichen Klärung bewegt sich die Praxis in rechtlicher Unsicherheit. Dennoch zeichnet das Urteil klare Risikolinien.

1. Trainingsdaten-Audit: Herkunft und Lizenzierung prüfen

Identifizieren Sie, welche urheberrechtlich geschützten Werke in Ihren Trainingsdatensätzen enthalten sind. Prüfen Sie für jeden Datensatz, ob eine Lizenz vorliegt, ob ein Opt-out nach Art. 4 Abs. 3 DSM-RL beachtet wurde und ob die TDM-Schranke des § 44b UrhG (für nicht-kommerzielle Zwecke: § 60d UrhG) einschlägig ist. Bei kommerziellen KI-Anwendungen ist die Schranke des § 44b UrhG nach diesem Urteil für generative Modelle kaum tragfähig.

2. Memorisierungs-Tests als technische Pflicht implementieren

Führen Sie nach dem Training systematische Tests durch, ob das Modell urheberrechtlich geschützte Werke reproduzierbar memorisiert. Das setzt voraus, dass Sie einen Testkorpus geschützter Werke vorhalten, gegen den Sie Ihre Modelle testen können. Dokumentieren Sie die Testergebnisse. Wenn Memorisierung festgestellt wird, sind Gegenmaßnahmen erforderlich — etwa Fine-Tuning, Filtersysteme auf Output-Ebene oder die Entfernung der betreffenden Werke aus dem Trainingsdatensatz.

3. Output-Filter für urheberrechtlich geschützte Inhalte

Implementieren Sie Mechanismen auf Output-Ebene, die erkennen, wenn generierte Inhalte eine substanzielle Ähnlichkeit mit bekannten geschützten Werken aufweisen, und solche Outputs blockieren oder kennzeichnen. Das ist technisch anspruchsvoll — insbesondere im Musikbereich — aber nach diesem Urteil rechtlich geboten.

4. Lizenzen mit Verwertungsgesellschaften anstreben

Für den kommerziellen Einsatz generativer KI-Modelle, die mit urheberrechtlich geschützten Werken trainiert wurden, ist der Abschluss von Lizenzverträgen mit den zuständigen Verwertungsgesellschaften — GEMA, VG Wort, Bild-Kunst — der sicherste Weg zur Rechtssicherheit. Die GEMA hat signalisiert, an kollektiven Lizenzierungslösungen für KI-Training zu arbeiten. Unternehmen, die in Verhandlungen eintreten, reduzieren ihr rechtliches Risiko erheblich.

5. Technische Schutzmaßnahmen respektieren

SUNO hat den Rolling Cipher von YouTube umgangen. Die Umgehung technischer Schutzmaßnahmen ist nach § 95a UrhG unabhängig von der Urheberrechtsfrage verboten. Implementieren Sie in Ihren Datenbeschaffungsprozessen explizite Prüfschritte, die sicherstellen, dass technische Schutzmaßnahmen nicht umgangen werden — auch nicht durch Drittanbieter-Tools oder automatisierte Scraping-Dienste.

6. robots.txt, ai.txt und Opt-out-Mechanismen beachten

In Ergänzung der EDPB-Leitlinien zum Web Scraping gilt für urheberrechtliche Zwecke: Plattformen und Rechteinhaber können nach Art. 4 Abs. 3 DSM-RL der Nutzung ihrer Werke für TDM-Zwecke widersprechen — auch durch maschinenlesbare Mittel wie robots.txt oder ai.txt. Wer diese Signale ignoriert, verliert den Schutz der TDM-Schranke vollständig.

7. Für Nutzer generativer KI-Tools: AGB und Haftungsverteilung prüfen

Unternehmen, die generative KI-Tools von Drittanbietern verwenden, sollten prüfen, ob und inwieweit die AGB des Anbieters eine Haftungsfreistellung für urheberrechtliche Ansprüche Dritter enthalten. Nach diesem Urteil ist die Betreiberhaftung zwar primär — aber eine Mithaftung von Nutzern, die gezielt auf die Reproduktion geschützter Werke abzielen, ist nicht ausgeschlossen. Klären Sie diese Frage vor dem produktiven Einsatz generativer KI-Tools, insbesondere in der kreativen und medialen Produktion.