Ein Musikverlag machte aus Sunos Lizenzdeals Beweismaterial

Reservoir Media hat am 21. Oktober zwei Urheberrechtsklagen eingereicht, eine gegen Suno und eine gegen Anthropic, beim Northern District of California. Zusammen kommen sie auf rund 337 Millionen Dollar.

Die Klage gegen Suno ist die, die die Musikbranche genau lesen wird, und sie enthält einen Satz, der noch eine Weile zitiert werden dürfte: Sunos Modell, heißt es in der Klageschrift, sei gewesen: „erst verletzen, als First Mover Milliarden machen und später billig vergleichen“.

Das ist Rhetorik. Das rechtliche Argument darunter ist deutlich interessanter, und es reicht weit über Musik hinaus.

Die Arithmetik, weil sie so präzise ist

Reservoir, die britische Tochtergesellschaft und Shapiro, Bernstein & Co. behaupten, Suno habe 1.050 Kompositionen kopiert, um seine Modelle zu trainieren. Zu den genannten Werken gehören Joni Mitchells „Both Sides Now“, Johnny Cashs „Ring of Fire“, Madonnas „Papa Don't Preach“, Evanescences „Bring Me to Life“ und Miles Davis' „So What“.

Das Geld verteilt sich auf drei Klagepunkte. Gesetzlicher Schadensersatz in Höhe des Höchstsatzes von 150.000 Dollar pro vorsätzlich verletztem Werk ergibt 157,5 Millionen Dollar. Es folgen zwei Ansprüche nach dem Digital Millennium Copyright Act: 2,625 Millionen Dollar für die behauptete Umgehung von Zugangskontrollen und 26,25 Millionen Dollar für die behauptete Entfernung von Urheberrechtsverwaltungsinformationen. Insgesamt gefordert: knapp über 186 Millionen Dollar.

Die Anthropic-Klage, am selben Tag eingereicht, folgt demselben Muster für 853 Werke und rund 151,4 Millionen Dollar.

Beide verlangen eine Unterlassungsverfügung und etwas Folgenschwereres als Geld: die Vernichtung nicht autorisierter Kopien, „einschließlich Kopien, die in Trainingsdatensätzen, internen Repositories, Modellgewichten und Serverinfrastruktur zurückbehalten werden“.

Lesen Sie diese Liste noch einmal. Modellgewichte stehen darauf. Wer ein Gericht bittet, Gewichte zu vernichten, will das Produkt selbst – keinen Vergleichsrabatt.

Das Raffinierte: Die eigenen Deals sind der Beweis

Die meisten Klagen zu Trainingsdaten streiten über Fair Use im Abstrakten. Reservoir umgeht das, indem der Verlag auf Sunos Lizenzvereinbarungen mit Warner Music Group, BMG und Believe verweist.

Das Argument ist elegant. Wenn Suno Deals unterschrieben hat, um Aufnahmen für das Training zu lizenzieren, dann hat Suno, so die Klageschrift, „so gut wie zugegeben, dass es einen funktionierenden Markt für die Lizenzierung von Musik und Tonaufnahmen als Trainingsdaten gibt“. Und wenn es einen Markt gibt, neigt sich der vierte Fair-Use-Faktor – die Wirkung auf den Markt für das Werk – zugunsten des Klägers, bevor die Debatte überhaupt beginnt.

Man kann nicht gleichzeitig behaupten, das Training mit urheberrechtlich geschütztem Material sei eine transformative Nutzung außerhalb des Marktes, und drei großen Rechteinhabern für dieses Privileg zahlen. Eine dieser Positionen muss weichen.

Das ist das Argument, das jedes KI-Unternehmen mit gemischter Lizenzierungshistorie beunruhigen sollte, denn fast alle haben eine. Schließen Sie einen Deal mit einer Stock-Bibliothek und scrapen Sie dann das offene Netz, haben Sie den Klägern ein Geständnis mit Quittung in die Hand gegeben.

Der geleakte Code leistet in dieser Klage viel Arbeit

Das faktische Rückgrat stammt aus Suno-Quellcode, den ein Hacker erbeutete und über den 404 Media im Juli berichtete. Sunos damalige Antwort: Der Vorfall betreffe überwiegend „veralteten Quellcode, der nicht mehr verwendet wird“.

Reservoirs Klage liest diesen Code als Beschreibung einer Pipeline. Sie behauptet, Suno habe über Bright Data Proxy-Dienste gekauft, um YouTube Music, Deezer und Genius zu scrapen, und nennt konkrete Zahlen aus den Workflows: 2.057.486 Künstlerdatensätze, die ein YouTube-Music-Job gespeichert habe, und 6.980.653 „erfolgreiche Datensätze aus der Verarbeitung von Songseiten“ aus einem Genius-Job.

Sie behauptet außerdem ein Detail, das für den Fair-Use-Streit wichtig ist: Der Code kombiniert beim Aufbau einer Trainingsinstanz eine Coveraufnahme mit der Originalaufnahme desselben Songs. Wer mit Covern und Originalen trainiert, schwächt jedes Argument, das Modell habe Stil statt konkreter Darbietungen gelernt – denn ein Cover und sein Original teilen eine Komposition und fast nichts sonst.

Ob diese Lesart hält, entscheidet ein Gericht. Aber es ist die Art konkreter, überprüfbarer Behauptung, die einen Antrag auf Klageabweisung viel leichter übersteht als „das Modell wurde mit dem Internet trainiert“.

Der Abschnitt zu den Schutzmechanismen ist das Beste

Reservoir argumentiert, Sunos Schutzmechanismen gegen Künstlerimitation seien trivial umgehbar, und liefert Beispiele, die fast komisch sind.

Ein Prompt mit „Reba McEntire“ wird abgelehnt. Ein Prompt für einen Countrysong mit weiblicher Stimme „im Stil von Reba McIntyre“ – falsch geschrieben – wird akzeptiert.

Mit v6, so die Klage, nimmt Suno Prompts, die Künstler nennen, und lenkt sie „auf beschreibende musikalische Merkmale“ um. Ein Prompt für „einen Miles Davis ähnlichen Blues-Track mit Bläsern und einem Quartett“ habe zwei Instrumentals hervorgebracht, beide mit dem Titel „Blue Note Quartet“, die Reservoir als nicht lizenzierte Bearbeitungen von Davis' Musik einordnet. „So What“ steht auf Reservoirs Liste.

Jede generative Plattform hat eine Version dieses Problems, und es beschränkt sich nicht auf Musik. Einen Namen zu blockieren ist ein Stringfilter. Einen Stil zu blockieren verlangt zu verstehen, was der Stil ist – und genau das wurde das Modell trainiert zu tun. Auf der Prompt-Ebene lässt sich das nicht lösen, und das Gegenteil zu behaupten ist der Grund, warum aus einer technischen Einschränkung ein Beweisstück im Prozess wird.

Warum das zählt, wenn Sie mit Bildern arbeiten

Tauschen Sie die Substantive aus, und die Klage liest sich weiter.

Bildmodelle haben dieselbe gemischte Lizenzgeschichte: hier Deals mit Stock-Bibliotheken, dort breites Webscraping. Bildplattformen haben dasselbe Schutztheater: den Namen eines lebenden Künstlers blockieren, „im Stil von [falsch geschriebener Name]“ erlauben. Und Bild-Kläger haben jetzt dieselbe Vorlage – gesetzlicher Schadensersatz pro Werk, DMCA-Ansprüche obendrauf und die Forderung nach den Gewichten.

Die Fair-Use-Zitate in dieser Klage sind aus demselben Grund erwähnenswert. Sie stützt sich auf Bartz v. Anthropic, die Entscheidung des Northern District of California vom Juni 2025, dass das Unterhalten einer dauerhaften Bibliothek mit Raubkopien kein Fair Use sei, und auf die Entscheidung des Third Circuit vom 29. September in Thomson Reuters v. ROSS Intelligence. Beides sind Präzedenzfälle, mit denen auch Beklagte aus dem Bildbereich konfrontiert werden.

Das andere, worauf man achten sollte, ist die Häufung. Suno verteidigt sich bereits gegen Universal Music, Round Hill, GEMA in München, Dänemarks KODA, Kanadas SOCAN und eine Gruppe unabhängiger Künstler. Ein Beklagter, der an acht Fronten kämpft, kann sich an keiner davon billig freikaufen – genau das Szenario, für das das Geschäftsmodell „später vergleichen“ nicht geplant hatte.

Die nötige Einschränkung

Das sind Behauptungen in einer Klageschrift. Kein Gericht hat etwas festgestellt. Suno hatte öffentlich noch nicht reagiert, als über die Einreichung berichtet wurde, und „der Code zeigt X“ ist die Darstellung eines Klägers von einem Dokument, bis ein Richter etwas anderes sagt.

Nicht strittig ist die Form der Strategie. Rechteinhaber streiten nicht mehr darüber, ob KI-Training gut für die Kultur ist, sondern bauen Fälle entlang von Papierspuren – Lizenzdeals, geleakte Repositories, Umgehungen von Schutzmechanismen. So ein Kampf lässt sich mit Bauchgefühl viel schwerer gewinnen.

Für alle, die auf generativen Modellen aufbauen, ist die praktische Lehre unspektakulär und sofort relevant: Wissen Sie, was Ihr Anbieter lizenziert und was er gescrapt hat, denn falls es je einen Prozess gibt, ist der Unterschied zwischen beidem der ganze Fall.