KI und Urheberrecht: LG München I verurteilt KI-Musikgenerator Suno – auch nach US-amerikanischem Recht

1. Hintergrund

Die Frage, ob und unter welchen Voraussetzungen das Training von KI-Modellen mit urheberrechtlich geschützten Werken zulässig ist, gehört zu den wichtigsten offenen Rechtsfragen des Urheberrechts. Die deutschen Gerichte sind in drei Grundsatzverfahren mit diesen Fragen in verschiedenen Gewändern konfrontiert: dem LAION-Verfahren vor dem LG und OLG Hamburg (Az. 5 U 104/24 bzw. I ZR 281/25 beim BGH), dem Verfahren der GEMA gegen OpenAI vor dem LG München I (Az. 42 O 14139/24 bzw. 6 U 3662/25 beim OLG München) und dem hier zu besprechenden Verfahren der GEMA gegen die Betreiberin des KI-Musikgenerators Suno, ebenfalls vor dem LG München I.

Die Verfahren betreffen unterschiedliche Konstellationen. Allen liegt gedanklich das Dreiphasenmodell zugrunde, das auf Spindler (GRUR 2016, 1112) zurückgeht und bereits vom LG Hamburg im LAION-Verfahren übernommen wurde: Phase 1 umfasst das Extrahieren und Aufbereiten der Trainingsdaten, Phase 2 das eigentliche Training des Modells, Phase 3 die Nutzung des trainierten Modells durch Prompts und Outputs.

Im Hamburger LAION-Verfahren ging es um die Erstellung eines nicht kommerziellen Datensatzes mit Bild-Text-Paaren, also um die erste Phase der Datenerhebung. Im OpenAI-Verfahren hatte die GEMA gegen ein KI-Sprachmodell geklagt, das geschützte Liedtexte als Output wiedergab. Der Schwerpunkt lag hier auf der Modell-Ebene (Phase 2), also dem Training des Modells durch Analyse des Datenmaterials und ihre Anreicherung mit Meta-Informationen. Das LG München I gelangte hier zu der Auffassung, dass in der „Memorisierung“ der Liedtexte im Modell, das sie nach Eingabe entsprechender Prompts identisch ausgeben konnte, eine urheberrechtlich unzulässige Vervielfältigung des geschützten Werkes liege.

Das Phänomen der sogenannten Memorisierung lässt sich wie folgt erklären: Beim Training eines KI-Modells werden die Trainingsdaten analysiert und statistische Muster in die Modellparameter überführt. Im – aus Sicht des Anbieters – Idealfall erlernt das Modell abstrakte Zusammenhänge wie Grammatik, Stil oder musikalische Konventionen. In bestimmten Fällen kann die Übernahme jedoch über bloße Muster hinausgehen: Das Modell speichert dann in seinen Parametern genügend Information, um ein konkretes Trainingswerk ganz oder teilweise identisch reproduzieren zu können. Diesen Zustand des „Auswendiglernens“ bezeichnet die informationstechnische Forschung als Memorisierung. Die wortgleiche oder nahezu identische Wiedergabe des memorisierten Inhalts im Output wird sodann als „Regurgitation“ bezeichnet.

Das hiesige Suno-Verfahren betrifft, wie schon das Verfahren gegen OpenAI, die zweite Phase. Hier geht es gegen einen KI-Musikgenerator, der aus Textprompts vollständige Musikstücke erzeugt und dabei die Melodien, Harmonien und Arrangements der Trainingswerke wiedererkennbar reproduziert.

2. Sachverhalt

Die GEMA klagt gegen die in den USA ansässige Betreiberin des KI-Musikgenerators Suno wegen Verletzung der Urheberrechte an sechs Musikwerken, darunter „Atemlos durch die Nacht“, „Big in Japan“ und „Forever Young“.

Die Beklagte trainierte ihr auf Transformer- und Diffusionsmodellen basierendes System mit Millionen vollständiger Tonaufnahmen, die sie mittels Stream-Ripping unter Umgehung des sogenannten „Rolling Cipher“ von YouTube extrahierte – einer technischen Schutzmaßnahme, die das Herunterladen von Inhalten verhindern soll. Das Modell selbst wird für den deutschen Markt auf Edge-Servern in Deutschland bereitgehalten.

Mitarbeiter der GEMA konnten durch Eingabe der originalen Liedtexte zusammen mit allgemeinen Genreangaben (etwa „Schlager“ oder „80s, Synth pop“) und Werktiteln Outputs generieren, die den Originalwerken weitgehend ähnelten. Vorgaben zu Melodie, Harmonie, Rhythmus oder Arrangement machten sie nicht. Pro Werk waren zwischen 4 und 176 identische Prompts erforderlich, bis ein wiedererkennbarer Output entstand.

3. Die Entscheidung

Die 42. Zivilkammer gab der Klage überwiegend statt und verurteilte Suno zur Unterlassung, Auskunft und Schadensersatz – sowohl wegen der Vervielfältigungen im Modell und durch die Outputs nach deutschem Recht als auch wegen der Trainingsvervielfältigungen in den USA nach US-amerikanischem Recht. Letzteres ist bemerkenswert und, so weit ersichtlich, in der Ablehnung der fair-use-Ausnahme durch ein deutsches Gericht bislang einzigartig.

a) Örtliche und internationale Zuständigkeit nach § 131 VGG

Ein Novum der Entscheidung betrifft die örtliche und internationale Zuständigkeit. Suno hat ihren Sitz in den USA, und die Trainingshandlungen fanden unstreitig auch dort statt. Gleichwohl bejahte die Kammer die Zuständigkeit des LG München I auch für die Verletzungshandlungen in den USA.

Für die inländischen Handlungen ergebe sich die Zuständigkeit aus § 131 Abs. 1 S. 1 VGG i.V.m. § 32 ZPO: Die GEMA als Verwertungsgesellschaft könne am Ort der Verletzungshandlung klagen, der auch im Sprengel des LG München I belegen sei, da das Modell auf Servern in Deutschland bereitgehalten werde und in ganz Deutschland rechtsverletzende Outputs generiere.

Für die Trainingshandlungen in den USA greift die Kammer sodann auf die Konzentrationsregel des § 131 Abs. 2 VGG zurück: Sind für mehrere Rechtsstreitigkeiten einer Verwertungsgesellschaft gegen denselben Verletzer verschiedene Gerichte zuständig, könne die Verwertungsgesellschaft alle Ansprüche bei einem dieser Gerichte bündeln. Die Kammer wendet diese Vorschrift doppelfunktional an, begründet über sie also nicht nur die örtliche, sondern auch die internationale Zuständigkeit. Das ist zwar grundsätzlich richtig, führt hier aber zu dem fragwürdigen Ergebnis, dass die Zuständigkeit deutscher Gerichte originär über die Konzentrationsnorm begründet wird, obwohl für die Rechtsverletzungen in den USA an und für sich gar keine Zuständigkeit deutscher Gerichte besteht.

Restlos überzeugend ist das nicht, und ob diese Konstruktion wirklich hält, wird letztlich der BGH klären. Für den Moment hat diese Zuständigkeitsbegründung erhebliche Signalwirkung: Deutsche Verwertungsgesellschaften könnten danach sämtliche Ansprüche gegen einen global agierenden KI-Anbieter bei einem deutschen Gericht konzentrieren, selbst wenn die verletzenden Trainingshandlungen ausschließlich im Ausland stattfanden.

b) Memorisierung und Vervielfältigung im Modell

Bei der zentralen Frage, ob die streitgegenständlichen Musikwerke im Modell vervielfältigt sind, folgt die Kammer im Grundsatz derselben Methodik wie im OpenAI-Verfahren. Sie sah die Memorisierung durch Abgleich der unstreitig als Trainingsdaten verwendeten Werke mit den Outputs gemäß § 286 ZPO als bewiesen an.

In diesem Zusammenhang ist eine nähere Betrachtung der Prompts und insbesondere der Frage, ob die Eingabe des Liedtextes den Output musikalisch determiniert, entscheidend. Dies verneint die Kammer mit folgender ausführlicher Begründung: Ein Text setze allenfalls einen inhaltlichen Rahmen und erfordere prosodische Kompatibilität. Er bestimme jedoch weder die konkrete Tonfolge, den Rhythmus, die Harmonik noch das Tempo. Derselbe Text lasse sich mit völlig unterschiedlichen Melodien vertonen. Genreangaben wie „Schlager” oder „Disco” seien  zu allgemein, um die Musik festzulegen. Die Prompts seien daher als einfach und ergebnisoffen einzuordnen – nicht als provozierende, den Output steuernde Eingaben.

Auch die Tatsache, dass die GEMA pro Werk zwischen 4 und 176 identische Prompts eingab, ändere an dieser Einordnung nichts: Da der Prompt unverändert bleibe, bleibt auch die Wahrscheinlichkeitsverteilung des Modells grundsätzlich dieselbe. Die wiederholte Eingabe steuere den Output nicht in eine bestimmte Richtung.

Im Übrigen bestätigt die Kammer die aus dem OpenAI-Verfahren bekannte Linie: Art. 2 InfoSoc-RL erfasse technologieneutral jede Vervielfältigung „auf jede Art und Weise und in jeder Form“. Die Zerlegung in Parameter stehe der körperlichen Festlegung nicht entgegen; einer konkret abgrenzbaren Datenspeicherung im Modell bedürfe es nicht.

c) TDM-Schranke und KI-Verordnung

Auch bei der TDM-Schranke folgt die Kammer der Linie des OpenAI-Urteils: § 44b UrhG decke Vervielfältigungen bei der Erstellung des Trainingskorpus (Phase 1), nicht aber weitergehende Memorisierungen im Modell (Phase 2). Memorisierungen dienten keiner weiteren Datenanalyse und überschreiten damit den Zweck des Text- und Data-Mining.

Eine eigenständige Bedeutung hat die Entscheidung im Hinblick auf zwei weitere Punkte:

Erstens verneint die Kammer den rechtmäßigen Zugang nach § 44b Abs. 2 UrhG. Suno hatte die Trainingsdaten mittels Stream-Ripping unter Umgehung des Rolling Cipher von YouTube erlangt. Diese Schutzvorrichtung stellt nach Auffassung der Kammer – im Einklang mit einer Entscheidung des OLG Hamburg (5 U 54/23) – eine wirksame technische Maßnahme nach § 95a Abs. 2 UrhG dar. Ihre Umgehung schließt den rechtmäßigen Zugang daher aus. Dieser Gesichtspunkt spielte im OpenAI-Verfahren keine vergleichbare Rolle, weil dort die Provenienz der Trainingsdaten nicht in derselben Weise streitig war.

Zweitens nimmt die Kammer ausführlich zu Art. 53 Abs. 1 lit. c und d der KI-Verordnung Stellung. Suno hatte argumentiert, mit der Erstellung einer Trainingsdatenzusammenfassung und einer Urheberrechtsstrategie nach der KI-VO sei alles Erforderliche zur Einhaltung des Urheberrechts getan. Die Kammer weist dies zurück: Art. 53 KI-VO lege nicht den Anwendungsbereich der DSM-RL fest, sondern verweise auf sie. Die Zusammenfassung diene der Erleichterung der Rechtsdurchsetzung, nicht der Legitimierung von Urheberrechtsverletzungen. Auch der Praxisleitfaden zur KI-VO stelle klar, dass seine Einhaltung keine Einhaltung des Urheberrechts bedeute.

Für die übergreifende Einordnung dieser Frage ist zu beachten, dass das OLG Hamburg im LAION-Verfahren die grundsätzliche Anwendbarkeit des § 44b UrhG auf das KI-Training zwar bejaht hat. Ein Widerspruch besteht insoweit aber nicht: Der entscheidende Unterschied liegt darin, dass in den Münchener Verfahren Memorisierungen nachgewiesen wurden – also Vervielfältigungen, die über die bloße Informationsextraktion in Phase 1 hinausgehen und in das Verwertungsrecht eingreifen.

d) Öffentliche Wiedergabe und Zurechnung an Suno

Bei der öffentlichen Wiedergabe geht die Kammer hingegen einen anderen Weg als im OpenAI-Verfahren. Dort hatte das Gericht § 19a UrhG bejaht, hier verneint sie die öffentliche Zugänglichmachung: Die GEMA habe nicht hinreichend nachgewiesen, dass bei jedem Prompt auf die streitgegenständlichen Werke zugegriffen werden könne. Wenn bis zu 176 gleichlautende Prompts erforderlich seien, erfolge der Abruf nicht zu Zeiten der Wahl des Nutzers.

Stattdessen bejaht die Kammer eine Verletzung des hilfsweise geltend gemachten unbenannten Rechts der öffentlichen Wiedergabe nach § 15 Abs. 2 S. 1 UrhG. Das Bereithalten des Modells mit den memorisierten Werken über die Benutzeroberfläche eröffne den Werkgenuss, die Beklagte handele dabei unmittelbar und nicht lediglich als Vermittlerin. Bereits die Möglichkeit des Abrufs stelle eine Wiedergabehandlung dar, denn diese knüpfe an das Bereithalten, nicht an den konkreten Abruf an.

Bei der Zurechnung der Output-Vervielfältigungen ordnet die Kammer Suno als unmittelbare Täterin ein. Die Beklagte übe Tatherrschaft aus: Sie habe die Trainingsdaten ausgewählt, die Modellarchitektur bestimmt und das Training durchgeführt. Die einfachen, ergebnisoffenen Prompts von Mitarbeitern der GEMA manipulierten den Output nicht, und die bloße Auslösung der Vervielfältigung durch Eingabe eines Prompts mache den Nutzer nicht zum Vervielfältiger. Suno sei daher weder mit einem Internet-Radiorecorder (vgl. BGH, Urt. v. 27. Juni 2024, Az. I ZR 14/21 – Internet-Radiorecorder II) noch mit einer Verkaufsplattform (vgl. BGH, Urt. v. 23. Oktober 2024, Az. I ZR 112/23 – Manhattan Bridge) vergleichbar.

Die Kammer verneint schließlich auch die Haftungsprivilegierung nach Art. 6 DSA: Die Outputs seien eigene Inhalte der Beklagten, nicht von Nutzern bereitgestellte Informationen. Suno vermittle nicht lediglich von Nutzern bereitgestellte Inhalte, sondern nehme durch Training und Modellarchitektur eine aktive Rolle ein.

e) Fair Use nach US-amerikanischem Recht

Der wohl spektakulärste Teil der Entscheidung betrifft die Anwendung US-amerikanischen Rechts. Für die Vervielfältigungshandlungen in den USA zu Trainingszwecken musste die Kammer nach dem Schutzlandprinzip (Art. 8 Abs. 1 Rom-II-VO) US-Recht anwenden. Die Kammer ermittelt das US-Recht nach § 293 ZPO von Amts wegen, unter anderem anhand der von den Parteien vorgelegten Gerichtsentscheidungen und der Bibliothek des Max-Planck-Instituts für Innovation und Wettbewerb.

Im Mittelpunkt steht die fair-use-Doktrin des 17 U.S.C. § 107, die anhand von vier Faktoren prüft, ob eine unlizenzierte Werknutzung ausnahmsweise zulässig ist. Die Kammer grenzt sich dabei ausdrücklich von den beiden einzigen bisherigen US-Entscheidungen zum KI-Training ab, in denen die Gerichte fair use bejahten, nämlich Bartz v. Anthropic und Kadrey v. Meta.

Der entscheidende Unterschied nach Ansicht des LG München I: In beiden US-Verfahren fehlten wesentlich ähnliche Outputs. Die dortigen Gerichte betonten ausdrücklich, dass ihre Einschätzung anders ausfallen würde, wenn die Outputs die Trainingswerke reproduzierten. Genau das sei im Suno-Verfahren der Fall.

Beim ersten Faktor (Zweck und Charakter der Nutzung) folgt die Kammer dem Maßstab des Supreme Court aus Andy Warhol Foundation v. Goldsmith (2023): Entscheidend ist nicht allein, ob die Nutzung abstrakt transformativ ist, sondern ob die konkrete Nutzung gerechtfertigt ist. Die Outputs der Beklagten dienten demselben Zweck wie die Originale – es handele sich um wesentlich ähnliche Musikwerke, die angehört werden könnten. Zudem handle Suno kommerziell und habe sich die Trainingsdaten unter Umgehung des Rolling Cipher verschafft, was die Kammer als bösgläubige Beschaffung im Sinne der Rechtsprechung des Supreme Court in Harper & Row v. Nation Enterprises wertet.

Beim zweiten Faktor (Art des Werks) sprächen die kreativen Werke im Kernbereich des Urheberrechts gegen fair use. Beim dritten Faktor (Umfang der Nutzung) seien die vollständigen Vervielfältigungen nicht als bloße intermediate copies einzuordnen, da sie sich in wesentlich ähnlichen Outputs manifestierten. Beim vierten Faktor (Marktauswirkung) stellten die Outputs schließlich ein Substitutionsgut dar: Die Erstellung von Coverversionen mit dem Musikgenerator sei ein bekanntes und dokumentiertes Nutzerverhalten, zu dem etwa YouTube-Tutorials existieren, die Schritt für Schritt erklärten, wie Nutzer mit Suno Coverversionen ihrer Lieblingslieder erstellen könnten.

Das Urteil spricht der GEMA auf Grundlage des eBay-Standards eine dauerhafte Unterlassungsverfügung nach 17 U.S.C. § 502(a) zu. Die Kammer sieht sich ausdrücklich in der Lage, den US-amerikanischen Billigkeitsstandard (equity) anzuwenden, da auch deutsche Gerichte regelmäßig Billigkeitserwägungen anwendeten, etwa über § 242 BGB oder § 139 Abs. 1 S. 3 PatG.

Für den Auskunftsanspruch nach US-Recht löst die Kammer einen kollisionsrechtlichen Normenmangel: Das US-Recht kenne materiellrechtliche Auskunftsansprüche nur als prozessuales discovery-Instrument, das deutsche Verfahrensrecht hingegen kenne gerade keine pre-trial discovery. Die Kammer hilft sich mit einer entsprechenden Anwendung des § 242 BGB.

4. Einordnung und Ausblick

Die deutlich über 100 Seiten starke Entscheidung festigt die Rechtsprechungslinie der 42. Zivilkammer des LG München I zur urheberrechtlichen Beurteilung von KI-Modellen und entwickelt sie in mehrfacher Hinsicht fort.

In Bezug auf die Memorisierung, die TDM-Schranke und die Zurechnung der Output-Vervielfältigungen an den Modellanbieter stimmen die tragenden Erwägungen des OpenAI- und des Suno-Urteils überein. Die beiden Münchener Urteile stehen ihrerseits ohne Bruch neben dem Hamburger LAION-Urteil: Das OLG Hamburg hat die grundsätzliche Anwendbarkeit der TDM-Schranke auf das KI-Training bejaht – allerdings in einem Fall, in dem nur die vorbereitende Datenerhebung (Phase 1) Gegenstand war und eine Memorisierung weder nachgewiesen noch Streitgegenstand war.

Ein interessanter und nachvollziehbar begründeter Unterschied zwischen den beiden Münchener Urteilen betrifft die öffentliche Wiedergabe. Im OpenAI-Verfahren bejahte die Kammer noch § 19a UrhG, während sie ihn im Suno-Verfahren deshalb verneinte, weil ein Abruf zu Zeiten der Wahl nicht gewährleistet sei, wenn zahlreiche Prompts zur Regurgitation erforderlich sind. Stattdessen greift das unbenannte Recht der öffentlichen Wiedergabe nach § 15 Abs. 2 UrhG.

Besonders kontrovers dürfte die Begründung der Zuständigkeit über § 131 Abs. 2 VGG diskutiert werden. Das Gericht leitete seine örtliche und (dadurch) internationale Zuständigkeit für die Trainingshandlungen in den USA daraus ab, dass die Vorschrift zugunsten der Verwertungsgesellschaften eine Zuständigkeitskonzentration bei mehreren Ansprüchen gegen denselben Verletzer gestattet. Dies namentlich auch dann, wenn das Gericht für die extraterritoriale Verletzungshandlung an sich überhaupt nicht zuständig wäre. Mit anderen Worten soll ein deutsches Gericht also für Handlungen auf US-Territorium (hier: das Training des Modells) zuständig werden, wenn zugleich ein Anspruch geltend gemacht wird, der eine Verletzungshandlung in Deutschland beinhaltet (hier: die Memorisierung auf Servern in Deutschland). Ob diese sehr weitgehende Auslegung Bestand hat, ist fraglich und wird letztlich erst durch den BGH geklärt werden. Sollte sie indes Bestand haben, würde sie deutschen Verwertungsgesellschaften die Möglichkeit eröffnen, auch reine Auslandssachverhalte vor deutschen Gerichten zu verfolgen, und ihre Möglichkeiten zur Rechtsdurchsetzung gegenüber US-amerikanischen KI-Anbietern signifikant stärken.

In der Sache bleibt das Training in diesen Fällen dann aber nach dem Recht des Trainingsortes zu beurteilen, hier also nach US-Recht. Die fair-use-Analyse durch ein deutsches Gericht ist ein Novum. Sie dürfte auch in den USA auf Interesse stoßen und mag im US-amerikanischen Diskurs als Referenz herangezogen werden. Ein Nebenaspekt, der aber im weiteren Verfahrensverlauf noch eine Rolle spielen wird: Die Anwendung ausländischen Rechts ist als solche nicht revisibel (§§ 545 Abs. 1, 560 ZPO), insoweit ist das OLG München also die letzte Instanz.

Im Ergebnis bestätigt die Kammer jedenfalls ihre Linie: Wer urheberrechtlich geschützte Werke in einem Modell memorisiert und sie in Gestalt wesentlich ähnlicher Outputs wiedergibt, vervielfältigt sie – unabhängig davon, ob die Vervielfältigung in Modellparametern oder auf einem herkömmlichen Datenträger erfolgt. Ein Geschäftsmodell, das auf der kostenlosen Aneignung fremden geistigen Eigentums beruht, findet weder im deutschen noch im US-amerikanischen Recht eine Stütze.

Die Entscheidung ist nicht rechtskräftig. Spätestens der BGH wird über die zentralen Fragen des deutschen Rechts entscheiden müssen und dabei kaum umhinkommen, den EuGH zur Auslegung von Art. 2 InfoSoc-RL und Art. 4 DSM-RL anzurufen. Beim EuGH ist bereits ein Vorabentscheidungsersuchen zu verwandten Fragen anhängig (Rs. C-250/25 – Like Company).

tl;dr: Das LG München I hat die Betreiberin des KI-Musikgenerators Suno wegen der Verletzung von Urheberrechten an sechs Musikwerken verurteilt. Memorisierte Musikwerke in KI-Modellen sind Vervielfältigungen, die nicht durch die TDM-Schranke des § 44b UrhG gedeckt sind. Die Umgehung des Rolling Ciphers bei der Datenbeschaffung schließt zudem den rechtmäßigen Zugang aus. Bei einem deutschen Gericht, das für die urheberrechtliche Beurteilung der Vervielfältigung im Modell zuständig ist, können gemäß § 131 Abs. 2 VGG auch Ansprüche gegen Trainingshandlungen auf US-Boden gebündelt werden. Die US-amerikanische fair-use-Doktrin scheidet aus, wenn die Outputs die Trainingswerke wesentlich ähnlich reproduzieren.