Künstliche Intelligenz wird zunehmend auch zur Erzeugung von Musik eingesetzt. Damit steigen jedoch die urheberrechtlichen Risiken – insbesondere dann, wenn KI-Systeme beim Training geschützte Werke übernehmen oder diese in Ausgaben (Outputs) wiedererkennbar reproduzieren. Ein aktuelles Urteil des Landgerichts München I vom 31. Juli 2026 (Az. 42 O 763/25) macht deutlich, dass Anbieter generativer Musiksysteme erheblichen Unterlassungs-, Auskunfts- und Schadenersatzansprüchen ausgesetzt sein können.
Urteil des Landgerichts München I vom 31. Juli 2026 – Az. 42 O 763/25
Das Landgericht München I hat einer Klage einer Rechteverwertungsgesellschaft gegen den Betreiber eines KI-basierten Musikgenerators überwiegend stattgegeben. Im Kern ging es um die Frage, ob urheberrechtlich geschützte Musikwerke im Training vervielfältigt und im Modell so „gespeichert“ wurden, dass sie später als Outputs (ganz oder in prägenden Teilen) wieder ausgegeben werden können. Das Gericht bejahte dies weitgehend und sprach der Klägerin insbesondere Unterlassungs-, Auskunfts- und Schadenersatzansprüche zu.
Wichtig ist dabei: Das Urteil ist nach den vorliegenden Angaben nicht rechtskräftig. Für die Praxis hat es dennoch Signalwirkung, weil es Maßstäbe zur Bewertung von KI-Training, Memorisierung und Output-Ähnlichkeit formuliert.
Worum es ging: Trainingsdaten, Memorisierung und Outputs
Gegenstand des Verfahrens waren u. a. sechs bekannte Musikwerke, darunter:
– „Atemlos durch die Nacht“ (Kristina Bach)
– „Rasputin“ (Frank Farian, Fred Jay, George Reyam)
– „Big in Japan“ und „Forever Young“ (Marian Gold, Bernhard Lloyd, Frank Mertens)
– der Refrain von „Mambo No. 5 A little bit of“ (David Lubega, Christian Pletschacher)
– „Daddy Cool“ (Frank Farian)
Die Klägerin trug vor, diese Werke seien im Rahmen des Trainings vervielfältigt und vom System „memorisiert“ worden, sodass sie sich durch passende Eingaben (z. B. Liedtext, Musikstil und Werktitel) als Output in wesentlichen, wiedererkennbaren Elementen extrahieren ließen. Besonders kritisch war zudem der behauptete Weg der Beschaffung: Die Musikstücke sollen teilweise über sogenanntes Stream-Ripping von YouTube erlangt worden sein, bei dem technische Schutzmaßnahmen umgangen werden können.
Die Beklagte bestritt u. a. eine Wiedererkennbarkeit in den Outputs und führte an, etwaige Ähnlichkeiten ergäben sich aus statistisch erlernten Mustern sowie aus promptbedingten Einschränkungen des Suchraums – nicht aus einer Speicherung von Trainingsdaten.
Rechtlicher Kern: Vervielfältigung nach § 16 UrhG durch KI-Training
Das Urheberrechtsgesetz schützt Musikwerke und räumt Rechteinhabern insbesondere das Vervielfältigungsrecht gemäß § 16 UrhG ein. Nach der Entscheidung des LG München I kann eine Vervielfältigung nicht nur als klassische Kopie (Datei, Download) vorliegen, sondern auch dann, wenn Trainingsdaten so in einem Modell „aufgehen“, dass sie später als Output inhaltlich wieder hervortreten.
Das Gericht stellte darauf ab, dass die streitgegenständlichen Musikstücke reproduzierbar in den Modellen der Beklagten enthalten seien und (nach den Feststellungen im Urteil) auf Servern in Deutschland gespeichert wurden. Entscheidend war das Konzept der „Memorisierung“: Diese liege vor, wenn sich in den Modellparametern nach dem Training nicht nur abstraktes Wissen, sondern eine inhaltliche Übernahme der Trainingsdaten niederschlägt, sodass die geschützten Werke (oder prägende Teile) wieder ausgegeben werden können.
Keine Rechtfertigung durch Text- und Data-Mining-Schranke (§ 44b UrhG)
Für das KI-Training wird häufig geprüft, ob Schrankenregelungen – insbesondere zum Text und Data Mining – eingreifen. Das LG München I verneinte im konkreten Fall eine Rechtfertigung über § 44b UrhG.
Für die Praxis ist dabei wichtig: § 44b UrhG enthält Voraussetzungen (u. a. rechtmäßiger Zugang, Zweckbindung sowie Lösch- bzw. Aufbewahrungskonzepte; außerdem können Rechteinhaber Nutzungen für bestimmte Fälle vorbehalten/„opt-out“). Ob diese Voraussetzungen erfüllt sind, ist eine einzelfallbezogene Prüfung. Das Gericht sah sie hier nicht als gegeben an – unter anderem wegen der angenommenen Reproduzierbarkeit und der Art der Übernahme.
Wiedererkennbarkeit der Outputs: Eingriff auch in das Recht der öffentlichen Wiedergabe
Das Landgericht München I nahm zudem an, dass die Outputs den Originalwerken in wesentlichen musikalischen Elementen so stark ähnelten, dass sie für den maßgeblichen Verkehr wiedererkennbar seien. Damit stand nicht nur eine unberechtigte Vervielfältigung im Raum, sondern auch eine öffentliche Wiedergabe im Sinne von § 15 Abs. 2 UrhG, sofern Outputs öffentlich zugänglich gemacht bzw. verbreitet werden (z. B. über Plattformen, Apps, Sharing-Funktionen).
Für Anbieter ist das praktisch relevant: Selbst wenn man die Trainingsphase separat betrachtet, können zusätzlich Ansprüche entstehen, sobald Nutzer oder Plattformfunktionen die Verbreitung/Veröffentlichung solcher Outputs ermöglichen oder fördern – etwa durch integrierte „Publish“- oder „Share“-Mechanismen.
Auslandsbezug: US-Recht, Schutzlandprinzip und „fair use“
Die Klägerin machte auch Rechtsverletzungen in den USA geltend. Das Gericht wendete insoweit – dem Schutzlandprinzip folgend – US-amerikanisches Recht an, soweit es um Vervielfältigungen in den USA ging. Nach den gerichtlichen Feststellungen seien die Vervielfältigungen nicht durch die „fair use“-Doktrin nach 17 U.S.C. § 107 gedeckt, weil die Werke in den Outputs wiedererkennbar geblieben seien.
Wichtig für international tätige Anbieter: Schon die Verteilung von Trainings- und Recheninfrastruktur (Serverstandorte, Entwicklungsorte, Upload-Orte) kann dazu führen, dass mehrere Rechtsordnungen gleichzeitig relevant werden.
Welche Ansprüche typischerweise im Raum stehen (und warum Auskunft so wichtig ist)
Das Urteil zeigt exemplarisch, welche Anspruchsbündel Rechteinhaber bzw. Verwertungsgesellschaften gegen KI-Anbieter geltend machen können:
– Unterlassung: Verbot bestimmter Trainings- und Output-Funktionen bzw. bestimmter Werkübernahmen.
– Auskunft: Informationen zu Trainingsdatenquellen, Umfang der Nutzung, Speicherorten, Verbreitungswegen, Nutzerzahlen oder Umsätzen. Die Auskunft ist häufig Grundlage für die Bezifferung eines Schadenersatzes.
– Schadenersatz: Je nach Konstellation u. a. nach Lizenzanalogie, Herausgabe des Verletzergewinns oder konkretem Schaden (im Urheberrecht sind diese Berechnungswege etabliert).
Gerade im KI-Kontext wird Auskunft häufig zum Dreh- und Angelpunkt, weil Trainingsdatenpipelines, Datenlieferanten, Modellversionen und Prompt/Output-Logs ohne Offenlegung kaum nachprüfbar sind.
Besonderes Risiko: Beschaffung von Trainingsmaterial über Stream-Ripping
Brisant war im Verfahren der Vortrag, die Werke seien über Stream-Ripping von YouTube beschafft worden. Neben urheberrechtlichen Fragen können hier – je nach Ausgestaltung – zusätzlich Themen wie das Umgehen technischer Schutzmaßnahmen (vgl. § 95a UrhG) und Vertrags-/Plattformbedingungen tangiert sein. Auch wenn die genaue Bewertung vom Einzelfall abhängt, erhöht eine solche Beschaffungsquelle das Prozessrisiko erheblich, weil sie regelmäßig Zweifel am „rechtmäßigen Zugang“ und an der Zulässigkeit der Datengewinnung begründet.
Praktische Konsequenzen für Anbieter von KI-Musikgeneratoren
Aus dem Urteil lassen sich für die Praxis insbesondere folgende Risikofelder ableiten:
1. Training: Die Übernahme geschützter Werke kann als Vervielfältigung relevant sein – insbesondere bei späterer Reproduzierbarkeit im Modell.
2. Memorisierung/Leakage: Technische und organisatorische Maßnahmen zur Vermeidung von „memorisierten“ Ausgaben gewinnen an Bedeutung (z. B. Datenfilter, Deduplizierung, Output-Detektoren, Guardrails, modellseitige Maßnahmen).
3. Output-Design: Funktionen, die gezielt auf bekannte Titel hinführen (Eingabe von Werktiteln, bestimmte Prompt-Vorlagen, „Style + Title“-Workflows), können das Risiko erhöhen.
4. Dokumentation & Compliance: Datenherkunft, Rechtekette, Opt-out-Respektierung (wo erforderlich), Lösch-/Retention-Konzepte und nachvollziehbare Modellversionierung sind zentrale Streitpunkte.
5. Internationale Struktur: Server- und Trainingsstandorte können mehrere Rechtsordnungen auslösen – inklusive unterschiedlicher Ausnahmen/Schranken.
Fazit
Das Urteil des LG München I vom 31. Juli 2026 (Az. 42 O 763/25) unterstreicht, dass generative Musiksysteme nicht nur bei der Veröffentlichung von Outputs Risiken bergen, sondern bereits bei der Übernahme geschützter Werke in Trainingsprozesse. Insbesondere dann, wenn sich Werke oder prägende Elemente als Outputs wiedererkennen lassen, drohen Unterlassung, Auskunft und Schadenersatz – und zwar potenziell in mehreren Ländern.
Hinweis: Dieser Beitrag stellt eine allgemeine Information dar und ersetzt keine individuelle Prüfung des Einzelfalls.
