Thomson Reuters v. Ross: Das erste Berufungsurteil zu KI-Training und Fair Use

Drei Jahre lang wurde der Rechtsstreit darüber, ob KI-Modelle mit urheberrechtlich geschütztem Material trainiert werden dürfen, meist entweder beigelegt oder blieb auf Ebene der erstinstanzlichen Gerichte stecken. Im September änderte das Berufungsgericht des Dritten US-Bezirks (Third US Circuit Court of Appeals) dies. Seine Entscheidung in Thomson Reuters v. Ross Intelligence ist das erste bundesberufungsgerichtliche Urteil, das feststellt, dass die Verwendung urheberrechtlich geschützten Materials zum Training eines konkurrierenden kommerziellen KI-Tools nicht als Fair Use gilt.

Richterin Tamika Montgomery-Reeves bestätigte die Feststellung des unteren Gerichts vom Februar 2025, dass Ross Intelligence 2.243 von Thomson Reuters verfasste Headnotes – kurze, von Redakteuren geschriebene Zusammenfassungen rechtlicher Punkte – verletzte, als es ein konkurrierendes juristisches Suchprodukt damit trainierte. Der Berufungsstempel ist wichtig, weil er die Begründung aus der Meinung eines einzelnen Richters in bindenden Präzedenzfall für einen Bundesbezirk erhebt – die Art von Sache, mit der sich andere Gerichte nun auseinandersetzen müssen.

Was der Fall tatsächlich entschied

Die eng gefasste Entscheidung betrifft eine bestimmte Art von System. Ross entwickelte ein juristisches Recherchetool, das direkt mit dem Produkt konkurrieren sollte, mit dessen Inhalten es trainiert wurde. Das Gericht stellte fest, dass diese Nutzung den Fair-Use-Test nicht bestand, vor allem weil die Ausgabe auf demselben Markt wie das Original konkurrierte.

Die Begründung stützt sich auf Marktsubstitution. Wenn der Zweck des Trainings darin besteht, etwas zu produzieren, das die Quelle ersetzt, spricht der vierte Fair-Use-Faktor – die Auswirkung auf den potenziellen Markt für das Original – stark gegen den Nutzer. Das Gericht ließ sich nicht davon überzeugen, dass die beim Training erfolgte Zwischenkopie transformativ genug war, um dies zu überwinden.

Es lohnt sich, genau zu sein, was dies abdeckt und was nicht. Ross war im relevanten Sinne kein generatives Modell, das originären Ausdruck erzeugte. Es war ein Such- und Abrufprodukt, das urheberrechtlich geschützte Zusammenfassungen reproduzierte und umfunktionierte. Das Gericht zog diese Unterscheidung ausdrücklich und ließ Raum für generative KI, eine weitergehende Fair-Use-Schutzargumentation damit zu begründen, dass sie neue Inhalte erzeugt statt bestehende Inhalte zu reproduzieren.

Diese Ausnahme wirkt auf den ersten Blick großzügig und ist in der Praxis weniger beruhigend. Sie bedeutet, dass das Berufungsurteil nicht die Frage klärt, deren Beantwortung die Bild- und Videobranche am meisten wünscht: ob das Training eines Diffusionsmodells mit Milliarden urheberrechtlich geschützter Bilder und Videos Fair Use ist. Sie überlässt diese Frage künftigen Fällen, und sie bedeutet, dass die Antwort je nach Modelltyp unterschiedlich ausfallen kann.

Die Frage der generativen KI ist weiterhin offen

Der parallele Streit auf der generativen Seite läuft durch verschiedene Gerichte und wurde nicht zugunsten der Branche entschieden. Der meistdiskutierte Datenpunkt ist der Vergleich in Bartz v. Anthropic im Juni 2025, mit dem eine Sammelklage wegen Trainingsdaten für gemeldete 1,5 Milliarden US-Dollar beigelegt wurde. Ein Vergleich ist kein Urteil, aber die Höhe der Zahl zeigt, wie die Anwälte der Beklagten ihre Erfolgsaussichten einschätzten.

Neben dem Berufungsurteil ging ein separates Verfahren zum KI-Bildtraining in San Francisco in die Geschworenenverhandlung – der erste derartige Fall, der statt eines Vergleichs vor eine Jury kam. Ein Urteil dort würde der Branche etwas geben, das bisher keine Partei hatte: eine tatsächliche Feststellung darüber, ob das Training von Bildmodellen mit den Werken von Künstlern Rechte verletzt, entschieden von Menschen statt von einem Richter.

Zusammengenommen weisen das Ross-Urteil und die laufenden Verfahren in eine Richtung. Gerichte sind zunehmend nicht bereit, „wir haben ein Modell damit trainiert“ als automatische Verteidigung zu behandeln, und sie trennen die Analyse danach, wie stark das resultierende Produkt mit der Quelle konkurriert. Je direkter ein System die Inhalte ersetzt, von denen es gelernt hat, desto schwächer wird das Fair-Use-Argument.

Warum dies über Legal Tech hinausreicht

Es ist verlockend, Ross unter eine enge Kategorie – juristische Recherche – zu packen und weiterzugehen. Das wäre ein Fehler für jeden, der KI zur Erstellung kommerzieller Inhalte einsetzt, und der Grund ist die Logik der Marktsubstitution.

Man betrachte den gewöhnlichen Fall eines KI-Tools, das Produktbeschreibungen schreibt. Wenn es mit den Katalogtexten eines Einzelhändlers trainiert und dann verwendet wurde, um konkurrierende Katalogtexte zu generieren, gilt die Ross-Begründung mit unbequemer Direktheit. Dasselbe gilt für ein Bildmodell, das mit den Produktfotos der Marke trainiert wurde, der es einem Wettbewerber hilft, sie zu unterbieten, oder für ein Copywriting-Tool, das mit Artikeln einer Publikation gefüttert und verwendet wird, um Inhalte zu erzeugen, die dieselben Leser anziehen.

Die praktische Risikoexposition ist nicht auf Modellentwickler beschränkt. Unternehmen, die KI-Tools einsetzen, erben Risiken aus der Art und Weise, wie diese Tools entwickelt wurden, und der Prüfpfad fehlt oft. Verkäufer, die mit kostenlosen Modellen arbeiten, die mit nicht lizenzierten Daten trainiert wurden, sind am stärksten exponiert, weil sie die Herkunft nicht nachweisen können, selbst wenn sie es wollten. Teams, die Modelle beziehen, die mit lizenzierten oder eigenen Daten trainiert wurden, können diese Entscheidung dokumentieren – eine verteidigungsfähige Position in einem Streit und zunehmend eine Anforderung, die Partner und Plattformen stellen.

Die Compliance-Kosten dieser Verschiebung sind real und ungleich verteilt. Größere Akteure können Lizenzen aushandeln und lizenzierte Datensätze aufbauen; kleinere können das nicht und stehen vor der Wahl, für lizenzierte Tools zu bezahlen, originäre Inhalte von Hand zu erstellen oder ein Risiko zu übernehmen, das sie möglicherweise nicht quantifizieren können. Plattformen werden wahrscheinlich einen Teil dieser Lücke selbst füllen, indem sie hochgeladene Inhalte auf Signale für nicht lizenzierte KI-generierte Materialien scannen, so wie sie bereits nach Fälschungen scannen.

Die praktische Unklarheit sollte klar benannt werden. Das Ross-Urteil betrifft ein Abrufprodukt, kein Diffusionsmodell, daher sollte es niemand als Urteil über Bild- oder Videotraining lesen. Was es jedoch etabliert, ist eine Analysemethode, die breiter angewendet werden wird: Gerichte fragen, wie stark die Ausgabe des trainierten Systems mit dem Material konkurriert, von dem es gelernt hat. Diese Frage hat für viele kommerzielle KI-Produkte eine unbequeme Antwort, und sie hängt nicht davon ab, ob das Modell generativ ist.

Die kurzfristige Folge ist, dass Herkunft zu einem Produktmerkmal wird. Tools, die zeigen können, woher ihre Trainingsdaten stammen, oder die nur mit Inhalten aufgebaut wurden, die der Kunde bereits besitzt, tragen weniger Risiko und können dafür Geld verlangen. Tools, die das nicht können, werden sich zu Kunden hin verlagern, die entweder nicht wissen, dass sie fragen sollten, oder es sich nicht leisten können, sich darum zu kümmern.

Der Stand der Dinge

Was derzeit existiert, ist eine Reihe von Markern statt einer gefestigten Regel. Das Training mit urheberrechtlich geschütztem Material zum Aufbau eines direkt konkurrierenden kommerziellen Produkts ist kein Fair Use, zumindest im Dritten Bezirk. Generative Modelle haben mehr Argumentationsspielraum, und dieser Spielraum wurde nicht bis zu einem Jury-Urteil getestet. Vergleiche haben das Risiko mit Zahlen bepreist, die in Vorstandsetagen Aufmerksamkeit erregen.

Für alle, die Produkte auf Basis von KI entwickeln, ist die vernünftige Reaktion, nicht länger darauf zu warten, dass sich das Recht kristallisiert. Wissen Sie, woher die Trainingsdaten stammen, bewahren Sie diese Aufzeichnung auf, bevorzugen Sie Modelle, die ihre Herkunft dokumentieren können, und behandeln Sie die Quelle der Gewichte eines Modells als Lieferkettenfrage statt als rechtliche Fußnote. Die Richtung ist klar, auch wenn das Ziel es nicht ist, und Organisationen, die die Herkunftsfrage heute beantworten können, werden deutlich weniger Energie darauf verwenden müssen, sie später unter Zeitdruck zu beantworten.