KI-Musik im Urheberrecht nach dem GEMA-Erfolg gegen Suno

KI-Musik steht seit dem Urteil des LG München I vom 31.7.2026 - 42 O 763/25 deutlich stärker im Fokus des Urheberrechts. Die Klägerin, eine Verwertungsgesellschaft, hatte gegen das beklagte Unternehmen Ansprüche wegen eines KI-Musikgenerators geltend gemacht. Im Zentrum standen sechs bekannte Musikwerke, deren musikalische Elemente nach Auffassung des Gerichts im Training, im Modell und in einzelnen Ausgaben des Systems eine entscheidende Rolle spielten.

Das Gericht gab den Ansprüchen auf Unterlassung, Auskunft und Schadensersatz überwiegend statt. Besonders wichtig ist die Begründung: Wenn ein KI-Modell beim Training nicht nur Muster, Trends und Zusammenhänge lernt, sondern geschützte Inhalte so übernimmt, dass sie später wiedererkennbar ausgegeben werden können, kann darin eine Vervielfältigung nach § 16 UrhG liegen. Diese sogenannte Memorisierung ist nach der Entscheidung nicht ohne Weiteres durch die Schranke für Text und Data Mining nach § 44b UrhG gedeckt.

Für Unternehmen, Kreative und Nutzer von KI-Musiktools ist das Urteil deshalb praktisch relevant. Es zeigt, dass nicht nur der fertige Output rechtlich geprüft werden muss. Auch die Herkunft der Trainingsdaten, die Speicherung im Modell und die Frage, wer für die Ausgabe verantwortlich ist, können über erhebliche urheberrechtliche Risiken entscheiden.

KI-Musik und der Streit vor dem LG München I

Der Rechtsstreit betraf den KI-Musikgenerator Suno. Das beklagte Unternehmen bietet eine Anwendung an, mit der Nutzer durch Eingaben, sogenannte Prompts, Musikstücke erzeugen können. Streitgegenständlich waren die Versionen v3.5 und v4 des Modells.

Die Klägerin machte Rechte an den Musikwerken „Atemlos durch die Nacht“, „Rasputin“, „Big in Japan“, „Forever Young“, „Daddy Cool“ sowie am Refrain von „Mambo No. 5 A little bit of“ geltend. Die Liedtexte waren in diesem Verfahren nicht Streitgegenstand. Es ging um die musikalischen Kompositionen, also insbesondere um Melodie, Harmonie, Rhythmus und Arrangement.

Unstreitig enthielt der Trainingsdatensatz des beklagten Unternehmens auch die streitgegenständlichen Musikwerke. Nach den Feststellungen des Gerichts setzte das beklagte Unternehmen Stream-Ripping-Techniken ein, um Musikwerke von YouTube zu extrahieren und zu kopieren. Dabei wurde der sogenannte Rolling Cipher umgangen, eine technische Schutzmaßnahme, die das Herunterladen von Audio- und Videoinhalten verhindern soll.

Für die streitgegenständlichen Outputs gab die Klägerseite jeweils den originalen Liedtext, den gewünschten Musikstil und den Werktitel in die Eingabemaske ein. Vorgaben zu Melodie, Harmonie, Rhythmus oder Arrangement enthielten die Prompts nach den Feststellungen des Gerichts nicht. Gerade diese Unterscheidung war für die Zurechnung entscheidend: Das Gericht sah die Prompts als einfach und ergebnisoffen an.

Das LG München I bejahte seine Zuständigkeit auch für Ansprüche, die auf Verletzungshandlungen in den USA gestützt wurden. Es stellte dafür auf § 131 Abs. 1 und 2 VGG ab. Diese Vorschrift regelt einen besonderen Gerichtsstand für Verwertungsgesellschaften und erlaubte nach Auffassung der Kammer eine Bündelung der Ansprüche gegen denselben Verletzer.

Warum Memorisierung bei KI-Musik eine Vervielfältigung sein kann

Der zentrale Begriff der Entscheidung lautet Memorisierung. Gemeint ist damit nach der Entscheidung, dass ein KI-Modell beim Training dem Trainingsdatensatz nicht nur Informationen entnimmt, sondern dass sich in den nach dem Training spezifizierten Parametern auch Inhalte der Trainingsdaten wiederfinden. Es geht also nicht nur um abstrakte Muster, sondern um eine Übernahme, die später in Outputs sichtbar oder hörbar werden kann.

Das Gericht stellte fest, dass die streitgegenständlichen Musikstücke reproduzierbar in den Modellen v3.5 und v4 enthalten waren. Die Modelle waren nach den Feststellungen auf Servern in Deutschland gespeichert. Aus der informationstechnischen Forschung sei bekannt, dass Trainingsdaten in KI-Modellen enthalten sein und sich als Outputs extrahieren lassen können.

Für das Gericht sprach vor allem der Abgleich zwischen den Trainingswerken und den erzeugten Outputs für eine Memorisierung. Angesichts der Komplexität und Länge der Musikstücke schloss die Kammer Zufall als Ursache für die Wiedergabe aus. Das beklagte Unternehmen hatte demgegenüber eingewandt, das Modell speichere keine Trainingsdaten, sondern bilde nur mathematisch erlernte Muster und verallgemeinerte Merkmale ab. Diese Argumentation überzeugte die Kammer im konkreten Fall nicht.

Rechtlich ordnete das Gericht die Memorisierung als Vervielfältigung nach § 16 UrhG ein. Eine Vervielfältigung setzt nicht zwingend voraus, dass ein Werk als klassische Audio-Datei gespeichert wird. Nach der Entscheidung genügte es, dass die Werke in Form von Parametern oder anderen Datenstrukturen im Modell körperlich festgelegt waren und mithilfe technischer Mittel wieder wahrnehmbar gemacht werden konnten.

Wichtig ist die Differenzierung des Gerichts: Nicht jedes Training eines Modells führt automatisch zu einer solchen Vervielfältigung im Modell. Entscheidend war im konkreten Fall, dass die Werke nach Überzeugung der Kammer im Modell memorisiert waren und in den Outputs wiedererkennbar erschienen.

Text und Data Mining als Grenze bei KI-Musik

Das beklagte Unternehmen berief sich auf die Schranke für Text und Data Mining nach § 44b UrhG. Text und Data Mining beschreibt die automatisierte Analyse digitaler oder digitalisierter Werke, um daraus Informationen, etwa Muster, Trends und Korrelationen, zu gewinnen.

Das Gericht stellte klar, dass die Text-und-Data-Mining-Schranke grundsätzlich auch für das Training von KI-Modellen relevant sein kann. Erfasst sein können insbesondere Vervielfältigungen, die erforderlich sind, um Trainingsmaterial aufzubereiten, etwa die Überführung in ein digitales Format oder vorbereitende technische Kopien.

Die entscheidende Grenze sah das Gericht aber dort, wo nicht mehr nur analysiert wird. Wenn ein Werk im Modell memorisiert wird, dient diese Vervielfältigung nach Auffassung der Kammer keiner weiteren Datenanalyse. Dann werde nicht nur Information gewonnen, sondern geschützter Inhalt übernommen. Genau deshalb war die Vervielfältigung der Musikwerke im Modell nach Ansicht des Gerichts nicht von § 44b UrhG gedeckt.

Hinzu kam ein weiterer Punkt. Das Gericht verneinte im konkreten Fall einen rechtmäßigen Zugang zu den Werken, weil das beklagte Unternehmen die Musikwerke unter Umgehung des Rolling Cipher von YouTube extrahiert hatte. Die Schranke des § 44b UrhG setzt aber rechtmäßigen Zugang voraus. Das Gericht ordnete den Rolling Cipher als wirksame technische Maßnahme ein, die das Herunterladen verhindern soll.

Auch die Pflichten aus der KI-VO änderten nach der Entscheidung nichts an diesem Ergebnis. Das Gericht stellte heraus, dass Transparenzpflichten und Strategien zur Einhaltung des Urheberrechts keine Lizenz ersetzen und keine eigenständige urheberrechtliche Schranke begründen.

Outputs und Verantwortung des KI-Anbieters

Neben der Vervielfältigung im Modell befasste sich das LG München I ausführlich mit den erzeugten Outputs. Die Kammer hörte die Musikstücke an und prüfte, ob originelle Elemente der geschützten Musikwerke in den Outputs wiedererkennbar waren. Sie kam zu dem Ergebnis, dass dies bei den streitgegenständlichen Ausgaben der Fall war.

Die Outputs verletzten nach der Entscheidung das Vervielfältigungsrecht und das Recht der öffentlichen Wiedergabe. Das Gericht stützte sich insoweit auf §§ 15 Abs. 1 und 2, 16 Abs. 1 und 23 Abs. 1 UrhG. § 23 UrhG betrifft Bearbeitungen und andere Umgestaltungen, bei denen das ursprüngliche Werk in der veränderten Fassung wiedererkennbar bleibt.

Besonders relevant ist die Frage, wer für solche Outputs verantwortlich ist. Das beklagte Unternehmen argumentierte, die Outputs seien Ergebnis der Nutzerprompts. Die Klägerseite habe gezielt und wiederholt Eingaben vorgenommen. Das Gericht sah den Zurechnungszusammenhang jedoch nicht unterbrochen.

Nach Auffassung der Kammer waren die Prompts einfach gehalten und offen. Sie enthielten Liedtext, Stil und Titel, aber keine musikalischen Vorgaben zu Melodie, Harmonie, Rhythmus oder Arrangement. Die Modelle des beklagten Unternehmens bestimmten deshalb den konkreten Inhalt der Outputs. Das beklagte Unternehmen habe die Trainingsdaten ausgewählt, die Modelle betrieben und sei für Architektur und Memorisierung verantwortlich.

Das Gericht nahm außerdem an, dass bereits das Angebot des Modells und der Anwendung zur Generierung von Musik eine öffentliche Wiedergabe nach § 15 Abs. 2 UrhG darstellen könne. Eine öffentliche Zugänglichmachung nach § 19a UrhG verneinte die Kammer dagegen. Für dieses Recht hätte die Öffentlichkeit von Orten und zu Zeiten ihrer Wahl auf das Werk zugreifen können müssen. Da für einzelne Outputs bis zu 176 gleichbleibende Prompts erforderlich waren, sah das Gericht diese Voraussetzung nicht als belegt an.

Training in den USA und Fair Use

Eine Besonderheit des Verfahrens lag darin, dass das Training des Modells in den USA erfolgt war. Nach dem Schutzlandprinzip prüfte das LG München I die dortigen Trainingsvervielfältigungen nach US-amerikanischem Urheberrecht. Die Kammer ermittelte das ausländische Recht nach § 293 ZPO selbst und zog dafür Gesetzestexte und Rechtsprechung heran.

Das Gericht bejahte zunächst, dass die streitgegenständlichen Musikwerke auch nach US-amerikanischem Recht geschützt sind. Außerdem sah es in den Downloads, Formatierungen, Konvertierungen sowie Backup- und Sicherungskopien Vervielfältigungen nach 17 U.S.C. §§ 106(1), 101.

Das beklagte Unternehmen berief sich auf Fair Use nach 17 U.S.C. § 107. Diese US-amerikanische Schranke verlangt eine Abwägung mehrerer Faktoren, unter anderem Zweck und Charakter der Nutzung, Art des geschützten Werks, Umfang der Nutzung und Auswirkungen auf den Markt.

Das LG München I lehnte Fair Use im konkreten Fall ab. Es unterschied den Fall ausdrücklich von US-amerikanischen Entscheidungen, in denen KI-Training als Fair Use eingeordnet worden war. Der entscheidende Unterschied lag nach der Kammer darin, dass die Trainingsdaten dort nicht oder nicht substanziell in den Outputs zugänglich gemacht worden waren. Im Suno-Fall wurden dagegen nach einfachen Prompts Outputs erzeugt, die den Originalwerken wesentlich ähnlich waren.

Auch die Umgehung des Rolling Cipher spielte in der Bewertung eine Rolle. Das Gericht sah darin einen Verstoß gegen 17 U.S.C. § 1201(a)(1)(A) und berücksichtigte dies zulasten des beklagten Unternehmens. Insgesamt sprach nach Auffassung der Kammer keiner der geprüften Fair-Use-Faktoren für das beklagte Unternehmen.

Folgen für die Praxis

Für Anbieter und Nutzer von KI-Musik ergibt sich aus dem Urteil vor allem ein Prüfbedarf entlang der gesamten technischen Kette. Nicht erst die Veröffentlichung eines KI-Songs kann rechtlich relevant sein. Bereits die Beschaffung von Trainingsdaten, die Speicherung im Modell und die Gestaltung der Ausgabeprozesse können urheberrechtliche Fragen auslösen.

Unternehmen, die KI-Musik in Werbung, Social Media, Podcasts, Produktvideos oder internen Projekten einsetzen, sollten Outputs nicht ungeprüft verwenden. Ein kostenpflichtiger Zugang zu einem KI-Tool bedeutet nach den Maßstäben der Entscheidung nicht automatisch, dass der erzeugte Song frei von Rechten Dritter ist. Entscheidend bleibt, ob geschützte musikalische Elemente wiedererkennbar übernommen wurden.

Für Kreative, Musikverlage und sonstige Rechteinhaber zeigt die Entscheidung, welche Punkte bei der Beweissicherung wichtig sein können. Relevant waren im Verfahren insbesondere die verwendeten Prompts, die erzeugten Outputs, der Vergleich mit den Originalwerken und die Frage, ob die Eingaben musikalische Vorgaben enthielten oder offen gehalten waren.

KMU und Solo-Selbständige sollten ihre Verträge und Freigabeprozesse anpassen, wenn KI-generierte Musik kommerziell genutzt wird. Sinnvoll ist eine Prüfung, ob vertragliche Zusicherungen des Anbieters tatsächlich die konkrete Nutzung abdecken, ob Rechte Dritter betroffen sein können und ob der Output vor Veröffentlichung dokumentiert und rechtlich bewertet wurde.

Für Anbieter von KI-Systemen legt das Urteil nahe, dass technische Schutzmaßnahmen, Trainingsdatenquellen, Nutzungsvorbehalte, Filter und der Umgang mit möglichen Memorisierungen dokumentiert und überprüft werden sollten. Das Gericht stellte das Risiko der Memorisierung deutlich in die Sphäre des Anbieters.

Häufige Fragen

Hat das LG München I KI-Musik generell verboten?

Nein. Das Urteil betrifft konkrete urheberrechtliche Verletzungen durch die Nutzung bestimmter geschützter Musikwerke im Training, im Modell und in Outputs. Ein allgemeines Verbot von KI-Musik ergibt sich daraus nicht.

Warum war die Memorisierung so wichtig?

Die Memorisierung war zentral, weil das Gericht darin mehr sah als das bloße Erlernen statistischer Muster. Nach der Entscheidung waren geschützte Inhalte in den Modellparametern reproduzierbar enthalten und konnten über Outputs wieder wahrnehmbar gemacht werden.

Greift § 44b UrhG beim Training von KI-Musik immer?

Nach dem Urteil kann § 44b UrhG grundsätzlich für bestimmte vorbereitende Vervielfältigungen beim Text und Data Mining relevant sein. Die Schranke deckt aber nach Auffassung des Gerichts keine Vervielfältigung im Modell durch Memorisierung und setzt außerdem rechtmäßigen Zugang voraus.

Warum wurde das US-amerikanische Fair Use geprüft?

Das Training des Modells fand nach den Feststellungen in den USA statt. Für diese Verletzungshandlungen wandte das Gericht nach dem Schutzlandprinzip US-amerikanisches Recht an und prüfte deshalb Fair Use nach 17 U.S.C. § 107.

Ist das Urteil rechtskräftig?

Nein. Das Urteil des LG München I vom 31.7.2026 - 42 O 763/25 ist nach der Faktenbasis nicht rechtskräftig.

Fazit

Das Urteil des LG München I vom 31.7.2026 - 42 O 763/25 setzt wichtige Maßstäbe für KI-Musik und Urheberrecht. Die Kammer behandelt Memorisierung im Modell als Vervielfältigung, wenn geschützte Werke nicht nur analysiert, sondern in den Parametern reproduzierbar übernommen werden. Die Text-und-Data-Mining-Schranke nach § 44b UrhG schützt nach dieser Entscheidung keine solche Übernahme im Modell.

Ebenso deutlich ist die Aussage zur Verantwortung für Outputs. Werden geschützte musikalische Elemente nach einfachen, ergebnisoffenen Prompts wiedererkennbar ausgegeben, kann die Verantwortung beim Anbieter des KI-Modells liegen. Für die Trainingshandlungen in den USA half dem beklagten Unternehmen auch die Fair-Use-Verteidigung nicht, weil die Werke in den Outputs wesentlich ähnlich wiederkehrten.

Prüfung von KI-Musik und Urheberrechten

Wenn Sie KI-generierte Musik geschäftlich einsetzen, Musikrechte verwerten oder eigene Werke in KI-Outputs wiedererkennen, sollten Sie die konkrete Nutzung sorgfältig prüfen lassen. LEGAL SMART unterstützt Sie bei der rechtlichen Einordnung von KI-Musik, bei der Prüfung von Outputs, Lizenzfragen und Vertragsklauseln sowie bei einer ersten Bewertung möglicher urheberrechtlicher Risiken.

Dieser Beitrag gibt den Stand zum Zeitpunkt der Veröffentlichung wieder und ersetzt keine individuelle Rechtsberatung.