Wenn das Modell singt: Urheberrechtliche Grenzen des KI-Trainings nach dem Suno-Urteil

Die Entscheidung

Der Kern des Urteils ist eine tatsächliche Feststellung, keine rechtliche: Die sechs Werke sind in den Modellversionen v3.5 und v4 reproduzierbar enthalten. Die Kammer nennt das – im Anschluss an die Informatik – Memorisierung: Das Modell entnimmt den Trainingsdaten nicht bloß Informationen über Muster, sondern übernimmt in seinen Parametern auch den Inhalt. Belegt wurde das durch den Abgleich von Trainingswerk und Output; angesichts der Länge und Komplexität der Stücke schloss das Gericht den Zufall aus. Sunos Einwand, die Gewichte bildeten nur „statistisch erlernte Muster“ ab und der Speicherplatz reiche „rein mathematisch nicht aus, um 1 % der Trainingsdaten zu speichern“, verfing damit nicht. Untersagt ist Suno nun ausdrücklich die Vervielfältigung „durch Speicherung in Form von Parametern oder anderen Datenstrukturen in einem solchen KI-Modell“.

Aus dieser Feststellung folgt der Rest fast zwangsläufig.

• Erstens: Schon die reproduzierbare Speicherung im Modell ist eine urheberrechtlich relevante Vervielfältigung (§ 16 dUrhG, entspricht § 15 öUrhG) – und zwar auf den deutschen Servern, auf denen die Modelle lagen.
• Zweitens: Die Text-und-Data-Mining-(TDM-)Schranke (§ 44b dUrhG, entspricht § 42h öUrhG) rechtfertigt das nicht. Sie erlaubt die Analyse, nicht die dauerhafte Aufbewahrung der Werke im Modell.
• Drittens: Gibt der Generator auf einfache Prompts Outputs aus, in denen die originellen Elemente wiedererkennbar sind, liegt darin eine weitere Vervielfältigung und eine öffentliche Wiedergabe.

Der wichtigste Satz für die Praxis betrifft aber die Zurechnung. Suno hatte argumentiert, für den Output seien die Nutzer verantwortlich – schließlich gäben die den Prompt ein. Das Gericht sah das anders: Weil die Prompts einfach und ergebnisoffen waren – nur Liedtext und Stil, keine Vorgaben zu Melodie, Harmonie oder Arrangement –, bestimmt das Modell den Output inhaltlich, nicht der Nutzer. Die Verantwortung bleibt beim Anbieter. Und schon das bloße Angebot eines so gebauten Modells verletzt nach Ansicht der Kammer das unbenannte Recht der öffentlichen Wiedergabe (§ 15 Abs 2 dUrhG). Ein solcher Auffangtatbestand fehlt im österreichischen Recht; dort wäre über eine richtlinienkonforme Auslegung der §§ 18, 18a öUrhG im Licht des Art 3 InfoSoc-RL zu argumentieren. Bemerkenswert ist im Übrigen, wo die GEMA mit ihrer Argumentation nicht durchgedrungen ist: Das Recht der öffentlichen Zugänglichmachung (§ 19a dUrhG) hat die Kammer verneint – anders als noch im OpenAI-Verfahren – und nur den hilfsweise geltend gemachten Fall („unbenannte Rechte“) zugesprochen.

Am weitesten reicht der internationale Teil. Über § 131 VGG (Verwertungsgesellschaftengesetz) zog das Gericht auch das Training in den USA an sich. Die Norm begründet in Abs 1 einen ausschließlichen Gerichtsstand am Verletzungsort und erlaubt es einer Verwertungsgesellschaft in Abs 2, alle Ansprüche gegen denselben Verletzer bei einem der zuständigen Gerichte zu bündeln – ursprünglich gedacht für den „von Ort zu Ort ziehenden Veranstalter“. Diese Konzentrationsregel hat die Kammer „doppelfunktional“ auch auf die internationale Zuständigkeit angewandt und gegen völkerrechtliche Einwände verteidigt. Geprüft hat sie das Auslandstraining dann – dem Schutzlandprinzip folgend – nach US-Recht. Ergebnis: kein Fair Use. Genau hier wird es für die Einordnung interessant, denn dieselbe Fair-Use-Doktrin hatte in zwei anderen US-Verfahren die KI-Anbieter noch geschützt. Dazu gleich mehr.

Ein weiterer Umstand fällt schwer ins Gewicht. Suno hatte die Titel per Stream-Ripping von YouTube gezogen und dabei eine technische Schutzmaßnahme umgangen. Das ist kein reines KI-Problem, sondern schlichter Schutzmaßnahmenbruch – und es macht den Fall zu einem denkbar schlechten Testballon für die KI-Branche.

Konsequente Linie des LG München

Das Suno-Urteil steht nicht allein. Das LG München hatte bereits im November 2025 im Verfahren GEMA gegen OpenAI (42 O 14139/24) entschieden. Damals ging es um Songtexte, die ChatGPT auf einfache Eingaben nahezu wörtlich ausgab. Schon dort lautete die Begründung, dass Memorisierung im Modell Vervielfältigung ist – dort allerdings zusätzlich verbunden mit einem Verstoß gegen das Recht der öffentlichen Zugänglichmachung –, die TDM-Schranke (§ 44b dUrhG entspricht § 42h öUrhG) diese nicht deckt, und die Wiedergabe im Output eine eigene Rechtsverletzung bedeutet. Das aktuelle Suno-Urteil überträgt diese Linie von der Sprache auf die Musik.

Zwei Entscheidungen derselben Kammer in weniger als einem Jahr, beide gegen US-KI-Anbieter, beide zugunsten der GEMA. Bemerkenswert ist die praktische Konsequenz, die früh erkannt wurde: Wenn jede Memorisierung eine Vervielfältigung ist und sich memorisierte Werke nicht zuverlässig aus einem trainierten Modell entfernen lassen (ein „Unlearning“ existiert bislang nicht; vgl Schack, Auslesen von Webseiten zu KI-Trainingszwecken als Urheberrechtsverletzung de lege lata et ferenda, NJW 2024, 113 [114] mwN), dann bleibt einem Anbieter im Zweifel nur die Lizenz; oder er nimmt das Modell in seiner betroffenen Fassung vom Markt. In diesem Szenario steckt die eigentliche Sprengkraft der Rechtsprechung.

Klare Verhältnisse… sehen anders aus

Das LG München hat eine Frage beantwortet, über die die Rechtswissenschaft seit Jahren streitet – allerdings nur für einen konkreten Sachverhalt. Der Streit selbst bleibt.

Die eine Seite argumentiert so, wie auch das Gericht entschieden hat. Ein Modell, aus dem sich ein Werk mit dem richtigen Prompt wieder herausholen lässt, muss dieses Werk in irgendeiner Form enthalten. Anders lässt sich das Ergebnis nicht erklären. Ein Modell ist eine Datenstruktur, die ausschließlich aus dem besteht, was ihr beigebracht wurde. Der urheberrechtliche Vervielfältigungsbegriff ist bewusst weit gefasst. Der Begriff verlangt nicht, dass die Kopie unmittelbar wahrnehmbar ist. Dass die Speicherung sich über Milliarden Gewichte verteilt und niemand sie gezielt auslesen kann, ändert nach dieser Lesart nichts. Je nach Modell und Trainingsbedingungen, so die Untersuchungen, auf die sich diese Position stützt, lassen sich zwischen 0,1 und 10 Prozent der Trainingsdaten identisch reproduzieren (eingehend Dornis, Generative KI, urheberrechtliche Vervielfältigung und öffentliche Zugänglichmachung – Teil 1: Das Modellinnere, CR 2024, 765 [768]). Suno hielt dem entgegen, der Speicherplatz der Parameter reiche rechnerisch nicht einmal für ein Prozent des Trainingskorpus.

Die Gegenposition, die in Österreich prominent vertreten wird, setzt genau dort an. Neuronale Netze speicherten keine Daten, sondern Wahrscheinlichkeiten. Aus hundert Billionen Datenpunkten würden am Ende einige Milliarden Gewichte – eine drastische Reduktion, an deren Ende kein Festlegungsstück mehr steht, das ein Werk auch nur mittelbar wahrnehmbar machen könnte. Reproduziert ein Modell doch einmal ein Trainingswerk, sei das ein Sonderfall, meist Folge von Überanpassung: ein Fehler, kein Normalzustand, und ein Fehler, den moderne Trainingsmethoden gerade zu vermeiden suchen. Eine Urheberrechtsverletzung ohne jede dauerhafte Festlegung anzunehmen, hieße, den Schutz zu überspannen und den KI-Markt unerträglich einzuschnüren (so Dürager/Heinzl, Künstliche Intelligenz und Machine Learning, ÖBl 2025/2, 3 [13]).

Zwischen beiden Lagern steht eine vermittelnde Ansicht, die inzwischen an Boden gewinnt: Ob sich im austrainierten Modell Vervielfältigungen befinden, hänge davon ab, „ob das KI-Modell im konkreten Einzelfall geeignet ist, das Werk den menschlichen Sinnen auf irgendeine Art mittelbar oder unmittelbar wahrnehmbar zu machen“ (BGH 23.02.2017, I ZR 92/16; vgl Schwartmann/Köhler, Vervielfältigungen urheberrechtlich geschützter Werke im Rahmen der Entwicklung generativer KI-Modelle, NJW 2026, 711 [712]).

Wer recht hat, ist zuerst keine Rechts-, sondern eine technische Frage. Und genau das macht die Sache für die Praxis unangenehm. Ob ein Modell memorisiert, entscheidet sich am einzelnen Modell – an seiner Größe, an der Zusammensetzung der Trainingsdaten und daran, wie oft ein Werk darin vorkommt. Das Münchner Gericht musste das nicht abstrakt lösen; ihm genügten sechs Lieder, die sich reproduzieren ließen. Ein österreichisches Gericht stünde vor demselben Beweisthema.

Im Übrigen bedeutet die Verneinung der Vervielfältigung im Modellinneren noch nicht, dass das Urheberrecht damit vom Tisch wäre. Vor dem Training steht das Sammeln. Spätestens beim Web-Scraping und beim Aufbau des Trainingskorpus entsteht eine Vervielfältigung, über die ernsthaft niemand streitet – im Arbeitsspeicher, jedenfalls aber in der dauerhaft gespeicherten Datensammlung. Die Frage lautet dann nicht mehr, ob eine Verwertungshandlung vorliegt, sondern nur noch, ob eine Schranke sie deckt. Damit verlagert sich das gesamte Gewicht auf § 42h UrhG.

Entschieden wird diese Frage am Ende ohnehin nicht in München und auch nicht in Wien. Beim EuGH liegt seit April 2025 das erste Vorabentscheidungsverfahren zu KI und Urheberrecht (C-250/25, Like Company). Dort geht es im Kern genau darum, ob der Trainingsvorgang eines Sprachmodells eine Vervielfältigung ist und ob die TDM-Ausnahme greift. Bis diese Antwort vorliegt, sind alle nationalen Urteile Zwischenstände (vgl zum Vorlageverfahren Wyrobek, Das Urheberrecht auf dem Abstellgleis – Umgang mit geschützten Werken beim KI-Training, ailex 2025/11 [Pkt C.3.]).

Die Übersetzung nach Österreich: ein anderer Paragraf, dieselbe Logik

Beim nachvollziehbaren Reflex, das Münchner Urteil eins zu eins nach Österreich zu übertragen, ist Vorsicht geboten.

Die maßgebliche Norm heißt in Österreich § 42h UrhG. Ebenso wie § 44b dUrhG setzt sie eine europäische Vorgabe um (Art 4 DSM-Richtlinie). Inhaltlich ist die österreichische TDM-Schranke etwas großzügiger formuliert als in Deutschland: § 42h Abs 6 UrhG erlaubt seit 01.01.2022 jedermann – auch Unternehmen, auch zu kommerziellen Zwecken – Vervielfältigungen zur automatisierten Auswertung, solange rechtmäßiger Zugang besteht und kein maschinenlesbarer Nutzungsvorbehalt entgegensteht.

Das klingt nach Freibrief fürs Training. Ist es aber nicht, und zwar aus drei Gründen, die im Suno-Fall jeweils einschlägig wären:

• Speicherdauer: 42h UrhG gestattet die Aufbewahrung der Vervielfältigung nur, solange dies für die Zwecke der Datenauswertung notwendig ist. Ein Werk, das dauerhaft und reproduzierbar im Modell steckt, ist damit nicht mehr gedeckt – exakt der Punkt, an dem auch das LG München die deutsche Schranke enden lässt. Die Memorisierung sprengt die Schranke da wie dort.
• Rechtmäßiger Zugang. Die Privilegierung greift nur bei rechtmäßig zugänglichen Werken. Wer eine technische Schutzmaßnahme umgeht – wie Suno beim Stream-Ripping –, hat gerade keinen rechtmäßigen Zugang. Schon deshalb wäre § 42h UrhG in einem österreichischen Parallelfall vom Tisch.
• Rechteinhaber können das Training per maschinenlesbarem Vorbehalt untersagen (§ 42h Abs 6 UrhG). Für die Praxis heißt das: Der Vorbehalt gehört maschinenlesbar hinterlegt – in der robots.txt, in Metadaten –, nicht als Satz in die AGB. Umgekehrt sollte, wer trainiert, dokumentieren, dass kein solcher Vorbehalt bestand.

Die Output-Seite wiederum braucht in Österreich gar keine Sonderdogmatik. Ein Musikstück, das die originellen Züge eines geschützten Werkes wiedererkennbar übernimmt, ist eine Vervielfältigung oder unfreie Bearbeitung – die Wertung des § 5 Abs 2 und der §§ 14 ff öUrhG führt zum selben Ergebnis wie in München. Für die Übertragung der dortigen Ergebnisse lässt sich für die österreichische Rechtslage prägnant sagen: Anderer Paragraf, gleiche Logik. Ein österreichisches Gericht käme bei diesem Sachverhalt mit hoher Wahrscheinlichkeit zum selben Ergebnis.

Zwei Argumente, die weiter reichen

Im Münchner Urteil scheitert die TDM-Schranke schon an der Speicherdauer. Das ist der direkteste Weg, die Anwendung der Schranke zu verneinen. In der Literatur stehen daneben zwei Argumente, die deutlich weiter reichen – und die auch ein Modell treffen, das nachweislich nichts memorisiert.

Erstens: der Zweck der TDM-Schranke

Text und Data Mining zielt nach dem Gesetzeswortlaut auf die Gewinnung von Informationen über Muster, Trends und Korrelationen. Es geht also um das, was in den Daten steckt, nicht um den geistigen Inhalt der Werke selbst. Streng genommen berührt echtes TDM das Urheberrecht deshalb gar nicht. Beim generativen Training verhält es sich anders: Dort geht es gerade um den Ausdruck, weil am Ende inhaltsgleiche oder ähnliche Erzeugnisse entstehen sollen.

Wer diesen Unterschied ernst nimmt, kommt zu einer teleologischen Reduktion – die Schranke wurde 2019 geschaffen, als der europäische Gesetzgeber generative KI schlicht nicht vor Augen hatte. Dass aus dem Recht zu lesen kein Recht zum Mining folgt, ist dabei mehr als ein Wortspiel (zum Meinungsstand Schwartmann/Köhler, NJW 2026, 711 [714]). Die Freistellung des bloßen Werkgenusses beruht historisch darauf, dass sich Vergütungen gegenüber privaten Endnutzern nicht durchsetzen lassen – nicht auf einem hehren Prinzip, das sich auf industrielles Scraping übertragen ließe.

Dazu kommt, dass die Schranke technisch schlecht passt. Sie erlaubt die Aufbewahrung nur, solange sie für die Auswertung nötig ist. Ein Modell, das kontinuierlich weiterlernt, kennt diesen Zeitpunkt nicht. Die Löschpflicht kollidiert außerdem mit den Dokumentationspflichten aus der KI-Verordnung – und ein Löschen im Sinne eines nachträglichen „Unlearning“ ist technisch bis heute nicht verfügbar.

Zweitens: der Drei-Stufen-Test als internationaler Vorbehalt

Freie Werknutzungen stehen im europäischen wie im internationalen Urheberrecht unter Vorbehalt. Sie dürfen nur bestimmte Sonderfälle betreffen, die normale Verwertung des Werkes nicht beeinträchtigen und die berechtigten Interessen der Rechteinhaber nicht ungebührlich verletzen. Alle drei Stufen müssen kumulativ erfüllt sein. Der Test bindet nicht nur den Gesetzgeber bei der Umsetzung, er ist auch Auslegungsmaßstab für die Gerichte – eine Schranke der Schranke (ausführlich Behm/Mitterauer, „Move fast and break things“ – jedoch nicht zu Lasten der Urheber, MR 2025 H 1 Beilage, 6 [11]).

Auf der zweiten Stufe setzt ein Argument an, dessen Prämisse einfach ist: Für Trainingsdaten existiert längst ein Markt. Große Verlage und Medienhäuser lizenzieren ihre Archive an KI-Anbieter, die Nachfrage nach hochwertigen Daten wächst – Suno selbst hat Ende 2025 einen Lizenzvertrag mit Warner Music geschlossen, nachdem Warner zuvor gegen das Unternehmen vorgegangen war. Eine vergütungsfreie Schranke nimmt diesem Markt genau das, was ihn trägt – wer gratis scrapen darf, kauft nicht. Hinzu kommt der Substitutionseffekt auf der Ausgabeseite. Der Output tritt in direkte Konkurrenz zu den Werken, mit denen trainiert wurde, am deutlichsten bei einfachen Texten, Illustrationen und Gebrauchsgrafik.

Der naheliegende Einwand lautet, Training und Nutzung seien zu trennen. Die Schranke betreffe nur den vorgelagerten Vorgang, der Output sei eine andere Frage. Die Gegenseite hält das für eine künstliche Aufspaltung eines einheitlichen Vorgangs – trainiert wird ja gerade, damit der Output entsteht. Nach der Rechtsprechung des EuGH muss sich ein Substitutionseffekt nicht unmittelbar aus der Nutzungshandlung selbst ergeben, um auf der zweiten Stufe zu zählen (Behm/Mitterauer, MR 2025 H 1 Beilage, 6 [13]; aA Schwartmann/Köhler, NJW 2026, 711 [717]).

Für die Praxis ist das deshalb relevant, weil dieses Argument unabhängig von der Memorisierungsfrage funktioniert. Auch ein Modell, das erwiesenermaßen nur verallgemeinert, müsste sich daran messen lassen. Wer darauf setzt, dass die eigene Architektur nichts speichert, hat damit noch nicht alle Einwände entkräftet.

Der Nutzungsvorbehalt und seine Konstruktionsfehler

Die TDM-Schranke steht und fällt mit dem Nutzungsvorbehalt. Er soll den Rechteinhabern die Kontrolle zurückgeben: Wer nicht will, dass mit seinen Werken trainiert wird, erklärt das maschinenlesbar, und die Privilegierung greift nicht mehr. In der Theorie elegant. In der Praxis hat die Konstruktion mindestens drei Schwachstellen.

Erstens verlangt sie Handeln von denen, die schützen wollen. Das Urheberrecht entsteht formlos; der Vorbehalt kehrt dieses Prinzip faktisch um, weil den Schutz nur behält, wer technisch etwas unternimmt. Für einen Verlag mit IT-Abteilung ist das machbar, für die freie Fotografin oder den Komponisten ist es das kaum. Was „maschinenlesbar“ genau verlangt, ist zudem bis heute strittig.

Zweitens greift der Vorbehalt dort nicht, wo die Werke tatsächlich liegen. Als rechtmäßiger Zugang gilt nach dem europäischen Verständnis bereits der Zugang zu frei im Netz verfügbaren Inhalten. Die wenigsten Urheber betreiben aber die Seiten, auf denen ihre Werke stehen – das tun Plattformen, Agenturen, Medienhäuser, teils dieselben Konzerne, die selbst Modelle trainieren. Ob dort ein Vorbehalt gesetzt wird, entzieht sich dem Urheber vollständig.

Drittens ist die Durchsetzung schwach. Ein ignorierter Vorbehalt kostet zunächst nichts, und das Scraping lässt sich in eine andere Jurisdiktion verlagern. Die KI-Verordnung setzt hier an: Anbieter von Modellen mit allgemeinem Verwendungszweck müssen nach Art 53 Abs 1 lit c KI-VO eine Strategie zur Einhaltung des Urheberrechts einschließlich der Ermittlung erklärter Vorbehalte vorhalten und nach lit d eine „hinreichend detaillierte Zusammenfassung“ der Trainingsinhalte veröffentlichen. Wie diese Strategie auszusehen hat, sagt die Verordnung nicht – und veröffentlicht werden muss sie, anders als die Zusammenfassung, gar nicht. Die Vorlage des AI Office wiederum verlangt keine Nennung einzelner Werke, sondern nur Angaben zu den wichtigsten Datensätzen und Domains (dazu Wyrobek, ailex 2025/11 [Pkt B.1]). Ein Einzelwerknachweis wird damit in aller Regel nicht möglich sein. Ob sich daraus subjektive Ansprüche der Rechteinhaber ableiten lassen, ist offen; bei Schadenersatz stünden Kausalität und Schadenshöhe im Weg. Für die Rechteinhaber bleibt damit das, was die Literatur „Opazitätsrisiko“ nennt (Schwartmann/Köhler, NJW 2026, 711 [716]): Man kann von außen nicht erkennen, ob ein Modell überhaupt mit den eigenen Werken trainiert wurde. Immerhin dürfte es ein Indiz gegen den Anbieter sein, wenn er die Einhaltung seiner Vorbehaltsstrategie nicht nachweisen kann.

Wer eigene Inhalte schützen will, sollte einen Nutzungsvorbehalt maschinenlesbar hinterlegen und zwar lieber gestern als morgen, denn nachträgliche Erklärungen wirken auf bereits erfolgtes Training nicht zurück. Wer Werke Dritter auf eigenen Seiten hostet, sollte vertraglich klären, wer den Vorbehalt (falls gewünscht) setzt. Wer einen Vorbehalt setzt, sollte wissen und einkalkulieren, dass dieselben Signale, die Trainings-Crawler aussperren, auch Suchmaschinen aussperren können.

Dass diese Konstruktion nicht trägt, ist auf europäischer Ebene angekommen: Der Rechtsausschuss des Europäischen Parlaments hat Anfang 2026 einen Initiativbericht zu Urheberrecht und generativer KI angenommen, der genau die beiden Schwachstellen adressiert – die Rechtsunsicherheit über die Reichweite der TDM-Schranke und die praktische Wirkungslosigkeit des Nutzungsvorbehalts. Der Bericht enthält keine bindenden Regelungen. Er ist freilich ein Signal, in welche Richtung eine Reform laufen könnte (vgl Schwartmann/Köhler, NJW 2026, 711 [718]).

Die andere Hälfte des Problems: Wem gehört der Output?

Bisher ging es um den Input. Im Unternehmensalltag stellt sich die Kehrseite häufiger – und ihre Antwort überrascht die meisten.

Im Ausgangspunkt ist die Beurteilung weitgehend unstrittig. Rein KI-generierte Inhalte sind urheberrechtlich nicht geschützt. Schutz setzt eine eigentümliche geistige Schöpfung voraus, also einen menschlichen Schaffensakt. Der Entwickler des Modells scheidet als Urheber aus, weil der konkrete Inhalt etwas Eigenständiges gegenüber dem System ist. Der Nutzer scheidet in der Regel ebenfalls aus, weil ein Prompt die Idee vorgibt und nicht die Ausführung – und Ideen sind nicht geschützt. Auch ein besonders raffinierter Prompt ändert demnach grundsätzlich nichts an dieser Einordnung (vgl zur differenzierten Debatte etwa Raue, Kreativität im Zeitalter ihrer technischen Reproduzierbarkeit: Generative KI als Totengräberin des Urheberrechts? ZUM 2024, 157 [160]; Krone, Urheberrechtlicher Schutz von ChatGPT-Texten? RDi 2023, 117 [122]; Dürager/Heinzl, ÖBl 2025/2, 3 [6]).

Die praktische Konsequenz sollte nicht unterschätzt werden. Was nicht geschützt ist, darf jeder übernehmen. Wer eine Agentur mit einem Werbekonzept beauftragt und ein weitgehend KI-generiertes Ergebnis erhält, bekommt keine Nutzungsrechte eingeräumt. Denn was sollte eine Rechteeinräumung umfassen, wenn man selbst keine erlangt hat? Der Mitbewerber darf das Motiv nachbauen, und niemand kann es ihm verbieten.

Der Weg aus dieser Lücke führt über den menschlichen Anteil. Wird die KI nur als Werkzeug in einem im Übrigen menschlichen Schaffensprozess eingesetzt, oder wird ein generierter Entwurf so bearbeitet, dass die menschliche Leistung im Vordergrund steht, entsteht wieder ein Werk. Feste Kriterien dafür gibt es nicht; als Faustregel gilt, dass die prägenden gestalterischen Entscheidungen beim Menschen liegen müssen (Siems/Wiborg, Urheberrechtlicher Schutz für KI-generierte Arbeitsprodukte – Möglichkeiten der Vertragsgestaltung für Auftraggeber, RDi 2025, 136 [138 f]; für Softwarecode Kercz, Vom Prompt zum Code: Urheberrechtliche Risiken, Open-Source-Fallstricke und Transaktionsrelevanz, ailex 2026/10 [Pkt A.1]).

Daneben ist ein neues Problem entstanden, das erst in den letzten Jahren sichtbar wurde. Bisher war die Werkeigenschaft eine Rechtsfrage, die das Gericht nach objektiven Merkmalen beurteilte. Seit sich KI-Erzeugnisse von menschlichen nicht mehr zuverlässig unterscheiden lassen, tritt daneben eine Tatsachenfrage: War da überhaupt ein Mensch am Werk? Bestreitet der Gegner die Werkqualität substantiiert, muss der Kläger grundsätzlich den Entstehungsprozess darlegen und notfalls beweisen. Bei rein digitalen Arbeitsprozessen ist das schwierig. Die Urhebervermutung hilft nicht weiter, weil sie ein Werk voraussetzt und genau das im Streit steht. Wer kreativ arbeitet, hat damit einen neuen und unerwarteten Grund, seinen Entstehungsprozess zu dokumentieren (dazu Kögel, Urheberrechtliche Implikationen bei der Verwendung kreativer und generativer künstlicher Intelligenz, InTeR 2023, 179 [183 f]).

Was Unternehmen jetzt tun können

Die Rechtslage ist unsicher, die Entscheidungen sind es nicht. Drei Rollen sind zu unterscheiden – und in jeder gibt es Handlungsspielraum.

Wer trainiert oder Modelle zukauft, sollte zuerst die Herkunft dokumentieren. Rechtmäßiger Zugang ist Tatbestandsvoraussetzung des § 42h UrhG. Wer sich auf die Schranke beruft, muss ihre Voraussetzungen darlegen. Festzuhalten sind also Quelle, Zeitpunkt und Zugangsweg – und vor allem, dass keine technische Schutzmaßnahme umgangen wurde. Dieser Punkt ist kein KI-spezifisches Thema. Ebenso zu protokollieren ist die Prüfung auf Nutzungsvorbehalte, und zwar bezogen auf den Zeitpunkt des Scrapings. Wer ein Modell „einkauft“, sollte sich Herkunftszusicherungen, eine Freistellung und die Trainingsdaten-Zusammenfassung nach der KI-Verordnung geben lassen, statt sie vorauszusetzen.

Darüber hinaus sollte das Modell auf Memorisierung getestet werden, bevor es in den Markt geht: Extraktionsversuche mit einfachen, ergebnisoffenen Prompts auf bekannte Werke, Ähnlichkeitsabgleich der Outputs, dokumentierte Ausgabefilter. Der Grund dafür ist unangenehm einfach. Ein „Unlearning“ gibt es nicht. Wer ein memorisiertes Werk im Modell hat, hat es dauerhaft – und steht dann vor der Wahl zwischen Lizenz und Marktrücknahme der betroffenen Version. Sorgfalt vor dem Training ist deshalb ungleich mehr wert als jede Reparatur danach.

Ein Sonderfall verdient dabei besondere Aufmerksamkeit: Softwarecode. Für ein konkretes Programmierproblem gibt es sehr viel weniger sinnvolle Formulierungen als für einen Satz natürlicher Sprache. Entsprechend hoch ist die Wahrscheinlichkeit, dass ein Assistent Open-Source-Code nahezu wortgleich reproduziert. Das eigentliche Risiko liegt dabei weniger in der Urheberrechtsverletzung als im Lizenzverstoß: Copyleft-Lizenzen können die Weitergabe abgeleiteter Werke unter denselben Bedingungen erzwingen, und wer die Herkunft eines Fragments nicht kennt, kann den Lizenzhinweis nicht setzen. Erschwerend kommt hinzu, dass sich eine belastbare Prüfung im Nachhinein kaum führen lässt, weil die Vergleichswerke – proprietärer Code – gar nicht zugänglich sind. Wirksam ist deshalb nur, was vorher passiert: Auswahl des Modells, Open-Source-Review, dokumentierte Freigabeprozesse. In M&A-Verfahren ist das inzwischen ein eigener Prüfpunkt der IP Due Diligence, der sich in Freistellungen und Closing Conditions niederschlägt (vgl Kercz, ailex 2026/10 [Pkt B.]).

Wer kreative Leistungen zukauft, hat den größten Gestaltungsspielraum und sollte ihn nutzen. Sinnvoll könnte etwa eine Verpflichtung des Auftragnehmers sein, KI ausschließlich als untergeordnetes Hilfsmittel einzusetzen und generierte Inhalte so nachzubearbeiten, dass die menschliche Leistung im Vordergrund steht. Bei Gesamtwerken wie einer Broschüre oder einer Kampagne lässt sich zusätzlich festlegen, dass KI nur für untergeordnete Teile verwendet werden darf, während Entwurf, Auswahl und Zusammenstellung von Menschen stammen müssen. Flankierend gehört eine Dokumentationspflicht in den Vertrag. Sie sollte erfassen, welche Werkzeuge in welchem Umfang eingesetzt wurden und welche Bearbeitungsschritte am generierten Material vorgenommen wurden, samt Bestätigung des Auftragnehmers. Das ist keine Bürokratie um ihrer selbst willen, sondern die Beweisgrundlage für den Streitfall, in dem die Werkqualität bestritten wird.

Für den Fall der Verletzung dieser Pflichten ist eine Nachbesserungspflicht wenig praktikabel: Ist das Ergebnis gut, will es niemand kosmetisch nachbearbeiten, und ob das dann noch ein Urheberrecht begründet, ist zweifelhaft. Wirksamer sind eine Vertragsstrafe, die keinen Schadensnachweis verlangt und vor allem abschreckt, eine Freistellungsregelung für die Weiterlizenzierung an Dritte und ein Kündigungsrecht (mit Klauselvorschlägen Siems/Wiborg, RDi 2025, 136 [139 f]). Unternehmensintern lässt sich dasselbe Ziel nicht vertraglich, sondern nur über klare Richtlinien erreichen – kaum ein Unternehmen wird seinen Mitarbeitenden generative KI verbieten, aber jedes kann regeln, wie sie eingesetzt und dokumentiert wird.

Fazit

Das Suno-Urteil aus München entscheidet keine der großen offenen Fragen des KI-Trainings – es entscheidet einen konkreten, schlecht gewählten Fall. Es dürfte freilich ein verlässlicher Kompass für die Linie sein, auf die europäische Gerichte zusteuern: Verallgemeinern ist das eine, Memorisieren das andere. Solange ein Modell nur Muster lernt und nichts wiedererkennbar ausgibt, hat es gute Argumente. Sobald sich geschützte Werke durch simple Prompts reproduzieren lassen, kippt die Bewertung – und zwar in Deutschland über § 44b dUrhG, in Österreich über § 42h öUrhG.

Unternehmen in Österreich sollten diese Entwicklung im Blick behalten – und zwar in vier Rollen:

• Wer KI trainiert, braucht rechtmäßig beschaffte Daten, muss den Nutzungsvorbehalt Dritter respektieren und sollte Herkunft und Zugang dokumentieren – die TDM-Schranke trägt das Training, nicht die dauerhafte Speicherung der Werke.
• Wer KI-Tools einsetzt, haftet für rechtsverletzende Outputs selbst dann, wenn der Anbieter das Modell gebaut hat; ein geschärfter Blick auf die KI-Ergebnisse ist Pflicht, nicht Kür.
• Wer kreative Leistungen zukauft, sollte die Frage des KI-Einsatzes in den Vertrag holen, statt sie dem Zufall zu überlassen – der Schutz des Ergebnisses entscheidet sich am Entstehungsprozess, nicht an seiner Qualität.
• Und wer eigene Werke schützen will, hinterlegt den Nutzungsvorbehalt maschinenlesbar, bevor das nächste Modell trainiert wird.

Die Gerichte haben begonnen, urheberrechtliche Grauzonen der KI-Revolution auszuleuchten. Es zeigt sich, dass Unternehmen gut beraten sind, die Entwicklungen mitzuverfolgen und entsprechende Maßnahmen zu ergreifen.

Häufige bzw. relevante Fragen (FAQs)

Setzen Sie KI im Unternehmen ein oder entwickeln Sie eigene Modelle – und wollen wissen, wo Sie urheberrechtlich stehen?

Die IP- und IT-Rechtsexperten von ATB.LAW begleiten Unternehmen an der Schnittstelle von Urheberrecht und Künstlicher Intelligenz. Wir prüfen Ihre Trainings- und Einsatzprozesse, gestalten Lizenz- und Nutzungskonzepte und setzen Nutzungsvorbehalte technisch wie rechtlich sauber auf. Kontaktieren Sie Stefan Knotzer und Roman Taudes jederzeit unter office@atb.law bzw. telefonisch unter 01 39 12345 für ein unverbindliches Erstgespräch.