AI-trening: Gema mot Open AI
Halvor Manshaus har gitt en grundig og god oversikt over dommen i saken mellom Getty v. Stability‑avgjørelsen (EWHC, 4. november 2025) i artikkelen AI på treningsrommet – Getty Images vs. Stability AI Limited i Lov & Data nr. 164 4/2025. Ikke lenge etter, 11. november 2025, avsa den tyske domstolen Landgericht (LG) München dom i saken mellom GEMA og Open AI, der GEMA vant frem med krav om inngrep i opphavsretten.
Artikkelen ser på forskjellene mellom sakene, og gjennomgår begrunnelsen for at GEMA vant frem i den tyske saken.

Illustrasjon: Colourbox.com
1. Bakgrunn
Den tyske domstolen kom til at språkmodellens memorisering (fritt oversatt fra tysk: «Memorisierung») av treningsdata utgjorde eksemplarfremstilling, og at generering av «output» (her også omtalt som utdata) – innholdet som genereres av AI-modellen som et resultat av brukerens instruksjon (prompt) – innebar både eksemplarfremstilling og tilgjengeliggjøring for allmennheten. Unntaket for tekst‑ og datautvinning (TDM-unntaket) i den tyske åndsverkloven, som gjennomfører TDM-unntaket i digitalmarkedsdirektivet artikkel 4, kom ikke til anvendelse på den vedvarende lagringen i modellen, og GEMA hadde uansett reservert seg mot den aktuelle bruken.
I Gettys sak falt sentrale påstander bort på grunn av manglende jurisdiksjon, output-kravet ble oppgitt, og saken endte i et sidespor der retten avviste sekundært inngrep («infringing copy») etter den engelske åndsverkloven. GEMA fikk derimot full behandling av sine krav om at bruken av konkrete verk både i treningen av modellen og i output-fasen utgjorde opphavsrettsinngrep, og en dom som omfattet både forbud, informasjonspålegg og erstatning.
At GEMA vant frem der Getty ikke lyktes, skyldes først og fremst GEMA hadde bygget opp et konkret teknisk bevisbilde ved enkle prompter, og at saksopplegget var tydelig strukturert i faser. GEMA forsvarte seg også effektivt mot at treningen var omfattet av TDM-unntaket og mot anførsler om implisitt samtykke. Jurisdiksjon var ikke et tema i saken mellom GEMA og Open AI, fordi serverne var lokalisert i EU og Tyskland. Ingen av dommene er rettskraftige.
2. GEMA MOT Open AI
2.1. Innledning
GEMA er en tysk kollektiv forvaltningsorganisasjon som forvalter enerettene til musikkverk for komponister, tekstforfattere og musikkforlag. Eneretten til de aktuelle sangtekstene var blitt overført til GEMA gjennom særskilte avtaler, og GEMA hadde tatt inn vilkår i sine lisensavtaler om at lisenstakerne måtte reservere seg mot tekst- og datautvinning. GEMA hadde også tatt et generelt forbehold mot tekst- og datautvinning på sine nettsider.
Open AI er en amerikansk gruppe av selskaper som utvikler og drifter AI-chatboter som er basert på generative språkmodeller. De saksøkte selskapene er hjemmehørende i Irland og USA, men tilbyr en mobilapp som kan lastes ned til iPhone og iPad i Tyskland. De underliggende chatbotene og språkmodellene tilbys via servere som er lokalisert i EU, blant annet en server som er lokalisert i Tyskland. Chatboten svarer på tysk når den får spørsmål eller «prompter» på tysk. Chatboten kan brukes av alle med tilgang til internett, mens betalt «premium»-abonnement gir brukerne adgang til å tilpasse tjenesten etter behov, for eksempel om tjenesten skal søke på internett for å svare på spørsmål.
GEMA fikk derimot full behandling av sine krav om at bruken av konkrete verk både i treningen av modellen og i outputfasen utgjorde opphavsrettsinngrep, og en dom som omfattet både forbud, informasjonspålegg og erstatning.
2.2. Kort om faktum
2.2.1. Den tekniske prosessen
Brukeren stiller chatboten et spørsmål ved å skrive inn en prompt. Outputen som genereres av chatboten som svar på en prompt, vises for brukeren i dialogboksen på nettsiden eller i chatbot-appen. I tillegg lagres prompter og output for registrerte brukere i chathistorikken, hvor de kan hentes fram av brukeren senere. Chatboten gir brukerne offentlige lenker til hver chat, som kan indekseres av søkemotorer og dermed bli funnet. Chathistorikken kan også importeres ved å åpne lenken.
Modellene som ligger til grunn for chatboten ble trent på grunnlag av store mengder treningsdata, inkludert data som ble innhentet («crawlet») fra offentlig tilgjengelige tekster på nettsteder på internett. I maskinlesbare robots.txt-filer kan crawlere blokkeres eller indekseres ved hjelp av såkalte tagger. Sangtekstene det var tvist om, ble inkludert i treningsdataene som ble brukt til å trene modellen.
Modellene som ligger til grunn for chatboten, er kjent som GPT – Generative (modellen er i stand til å generere/skape nytt innhold, som tekst, kode eller bilder) Pre-trained (forhåndstrente) Transformers (refererer til den underliggende nevrale nettverksarkitekturen som gjør det mulig for modellen å forstå sammenhenger og kontekst i språk). De er basert på en nevral nettverksarkitektur som muliggjør dyp læring og integrerer en oppmerksomhetsmekanisme. Som språkmodeller forstår og genererer de naturlig språk.
Nevrale nettverk består av flere lag med kunstige nevroner. Nevronene tar imot input fra andre nevroner, utfører en beregning, og produserer en output som igjen kan mates inn som input til et annet nevron. Hver forbindelse mellom nevroner tilordnes spesifikke vekter som avgjør hvordan et gitt signal videreføres. Disse vektene justeres under treningen. I Transformer-modeller finnes det såkalte oppmerksomhetsmekanismer (multi-head attention mechanisms) som gjør det mulig å oppfatte avhengigheter og forbindelser mellom de enkelte elementer i inputsekvensen, og å tilpasse disse på en fleksibel måte i utdataene. Oppmerksomhetsmekanismene beregner oppmerksomhetsvekter, som gjenspeiler den relative viktigheten av hver del av en inputsekvens for den aktuelle oppgaven. Disse vektene øker eller reduserer innflytelsen til hver del av inputen i samsvar med dens relative betydning.
2.2.2. Treningsfasene
I forhåndstreningsfasen konverteres treningsdataene for modellene til maskinlesbar tekst der det er nødvendig. Teksten deles opp i såkalte tokener, som er ord eller deler av ord. Hver token tilordnes deretter en unik heltallsindeks, slik at identiske tokens får samme indeks. Dette konverterer teksten til et numerisk format som muliggjør datamaskinassistert behandling. Når man utvikler en transformermodell, registreres den semantiske betydningen av de enkelte ordene (tokenene) og deres nærhet til hverandre under treningen. Denne kunnskapen uttrykkes i et flerdimensjonalt rom ved en matematisk vektor; tokenene vektoriseres.
I en videre treningsfase trenes modellen med utvalgte prompter og tilsvarende ideelle svar for å justere parametrene i det nevrale nettverket og verdiene til vektorene, slik at den kan produsere så egnede svar som mulig. I tillegg legges menneskelige preferanser inn i modellen ved å sammenligne ulike utdata på typiske prompter, og vurdere dem kvalitativt med hensyn til for eksempel forståelighet, relevans og høflighet.
Når treningsprosessen er fullført, kan modellen svare på spørsmål fra mennesker via chatbot-tjenesten. Inndatasekvensene går da gjennom de samme trinnene i modellen som de gjorde under forhåndstreningen. Når brukeren skriver inn en prompt, brytes denne inndataen ned i tokener, og hver token tilordnes en vektor som beskriver tokenens semantiske betydning og dens forhold til andre tokener, som er blitt justert under treningen. I tillegg tilordnes hver token en posisjonsvektor som bestemmer dens posisjon i inndataene og dermed reflekterer syntaktiske strukturer som setningsbygning. Posisjonsvektoren legges til vektoren som beskriver den semantiske betydningen av tokenen, og det dannes en felles vektor ut fra dette. For inndataene opprettes en matrise av vektorer, hvorfra det for hver token dannes ytterligere tre vektorer (query, key og value) for å beregne attention-verdier for de enkelte tokenene og vekte value-vektoren. Prosessen utføres samtidig og parallelt av flere såkalte attention-heads. Posisjonen til en token i den språklige strukturen analyseres og forstås deretter av et nevralt nettverk.
Trinnene gjentas flere ganger. Det er fortsatt ikke fullstendig klart hva hvert lag i et nevralt nettverk faktisk gjør. I den tyske dommen ble det lagt til grunn at de første lagene gjenkjenner enkle trekk og mønstre som grammatikk eller syntaks, mens de dypere lagene fanger abstraksjoner og relasjoner som komplekse semantiske sammenhenger eller kontekstavhengige betydninger.
Det finnes flere måter å velge utgangstoken for en prompt som gjør det mulig å foreta en sannsynlighetsfordeling (blant annet Softmax, som er en matematisk funksjon som brukes i maskinlæring for å konvertere en vektor av råtall (kalt «logits») til en sannsynlighetsfordeling) og samplingsstrategier (en teknikk for å velge ut en representativ undergruppe av data fra et større datasett for å trene, validere eller teste en modell). Hvilken utgangstoken som velges er også avhengig av temperaturparametre, som kontrollerer tilfeldigheten, kreativiteten og variasjonen i modellens utdata (output). I tillegg kan de spesifikke tokenene seedes for å sikre at genereringen av tekst blir reproduserbar og deterministisk. Formålet med disse prosessene er, kort og upresist, å oppnå output som har høyest grad av sannsynlighet.
Når disse sannsynlighetene er beregnet, og modellen har bestemt en passende token som etterfølger til det siste tokenet i inndatasekvensen, genereres denne tokenen. Hele inndatasekvensen behandles igjen i modellen sammen med dette tokenen, og en nytt token genereres som etterfølger til den forrige tokenen. Prosessen gjentas til et fullstendig svar foreligger.
2.2.3. Bevisførselen
Det ble fremsatt krav om inngrep ved gjengivelse av de konkrete sangtekstene i modellen, og gjengivelse og tilgjengeliggjøring for allmennheten av sangtekstene i chatbotens output ved gjengivelse på sluttbrukernes enheter og i chathistorikken. Det ble fremlagt en rekke eksempler på konkrete inngrep – både med hensyn til de påståtte gjengivelsene i modellen, inngrepene som skjedde i modellene 4 og 4o, og med hensyn til inngrepene i output-fasen. Det ble fremlagt skjermbilder av spørsmålene, og en sammenligning av de omstridte outputene med originaltekstene ble fremlagt i saken. Disse er ikke offentlig tilgjengelige.
Det ble videre fremlagt en chathistorikk som skjermbilde for hver sangtekst, med spørsmålene «Hva er teksten til RLiedtitelS», «Hvem skrev teksten», «Hva er refrenget i [sangtittel]», «Vennligst gi meg også første vers» og «Vennligst gi meg også andre vers». Forespørslene ble lagt inn både i chatboten med Modell 4 og brukerdefinerte agenter basert på Modell 4o under forskjellige kontoer. Online search-funksjonen var deaktivert, slik at chatboten ikke utførte noen nettbaserte søk for å fastslå resultatene. Agentene ble tildelt rollen som «ekspert på sangtekster». Følgende ble lagt inn under overskriften «Notater»: «[chatbot] er ekspert på sangtekster. Den kjenner alle tekstene artister har skrevet og kan gjengi disse tekstene korrekt og i sin helhet». Andre prompter var 1. «Hva er teksten til [sangtittel]» (i tillegg, hvis chatboten ikke oppga forfatteren, «Hvem skrev teksten?»), 2. «Fortell meg hva som er gitarakkordene til [sangtittel]» (hvis det kun ble oppgitt akkorder som svar på forespørselen, kan dette følges av spørsmålet «fortell meg også teksten»). 3. «Hva er teksten til refrenget i [sangtittel]?» (i tillegg, om nødvendig: «Fortell meg også 1. [/2.] vers»).
2.3. Domstolens vurderinger
Domstolen slo først fast at sangtekstene er litterære verk som er beskyttet av opphavsrett etter det autonome verksbegrepet i EU-retten, jf. Infopaq-dommen (C-5/08) avsnitt 45. Tekstene er originale (del) verk som reflekterer forfatternes personlighet gjennom å uttrykke deres frie kreative valg, jf. C683/17, avsnitt 30 (Cofemel).(1)Henvisningene som er brukt i den tyske dommen er tatt inn i fotnotene.
Spørsmålet om sangtekstene ble reprodusert i modellene (§ 16 (1) UrhG).
Domstolen viste til at det er anerkjent i tysk juridisk litteratur at gjengivelse av opphavsrettslige verk i modeller faller inn under eksemplarfremtillingsretten i den tyske åndsverkloven (UrhG) § 16.(2)Wandtke, NJW 2019, 1841, 1842. Det har vært omstridt om slike gjengivelser faller inn under § 16 UrhG og rekkevidden av unntaksbestemmelsene i § 44b UrhG. (3)Sesing Wagenpfeil, ZGE 2024, 212, 217 f, fotnote 25 ff. Domstolen mente at det er riktigere å skille mellom gjengivelser som utelukkende tjener til å konvertere et verk til digitalt format eller har analytiske formål, og gjengivelser som forblir i modellen.
I tråd med juridisk teori og en dom fra Hamburg tingrett(4)Spindler, GRUR 2016, 1112 og dom 27. september 2024, 310 O 227/23, avsnitt 46 LAION. la domstolen til grunn at det må skilles mellom tre faser: (1) uttrekk og konvertering av treningsmaterialet til maskinlesbart format (opprettelsen av treningsdatamaterialet), (2) analyse av datamaterialet og berikelse med metainformasjon (modelltrening), og (3) etterfølgende bruk av den trente modellen gjennom prompter og outputs.
Domstolen uttalte at fase 2 – den videre treningsfasen – var relevant for det anførte kravet om forbud etter UrhG § 16, fordi de omtvistede sangtekstene lar seg gjengi i modellene, og følgelig vil memoriseringen av disse sangtekstene utgjøre eksemplarfremstilling.Sangtekstene ble inntatt (inkludert) og memorisert i modellen.
Domstolen viste til at det er kjent fra informatikkforskning at treningsdata kan være inntatt i modeller og trekkes ut som outputs, noe som altså omtales som «memorisering»(5)Carlini, Tramer, Wallace, Jagielski, Herbert Voss, Lee, Roberts, Brown, Song, Erlingsson, Oprea, Raff, 2021, Extracting Training Data from Large Language Models, Yang, Zhao, Wang, Shi, Kim, Han, Lo, 2024, Unveiling Memorisation in Code Models, og Cooper, Grimmelmann, 2025, The Files are in the Computer. («innlæring» er kanskje en dekkende norsk oversettelse). Memoreringen skjer når parametrene ikke bare henter informasjon fra treningssettet under treningen, men også i sin helhet tar opp i seg treningsdataene i parametrene som er fastsatt etter treningen. Årsaken til memoriseringen, som først og fremst forekommer i store modeller, antas å være gjentatt forekomst av treningsdata i treningssettet.(6)(Yang et al., loc. cit.).
Memorering av treningsdata kan påvises ved ulike metoder.(7)Dersom treningsdataene er kjent, kan man sammenligne treningsdataene med outputs ved hjelp av enkle prompter og tilstrekkelig tekstlengde. Ellers brukes parametre som entropi og perplexity for å undersøke hvor sikker modellen er når den genererer et output. Ved trent og memorert innhold er sikkerheten høy.Open AI anførte at de enkle promptene som var brukt var en forutsetning for at treningsdata fremkom i output. Domstolen var ikke enig med Open AI, og mente at de enkle promptene sannsynliggjorde at treningsdataene ble memorert i modellen.
Det kunne slås fast at sangtekstene ble memorert, bare ved å sammenligne sangtekstene med utdataene. Det var ikke omstridt at bruken av de aktuelle sangtekstene var brukt som treningsdata. Etter bevisførselen kunne sangtekstene gjenfinnes ved å bruke enkle prompter som «Hva er teksten til [sangtittel]», «Hvem har skrevet teksten», «Hva er refrenget til [sangtittel]», «Vennligst gi meg også første vers» og «Vennligst gi meg også andre vers», som var klart gjenkjennelige i de oppgitte utdataene.
Et eksempel gikk ut på at modellen fikk et ordpuslespill med 13 separate prompter der svaret ga et ord, som til sammen dannet en setning. Svarene genererte en output som gjenga de to første linjene av refrenget til en av de omstridte sangtekstene, og tredje og fjerde linje av refrenget til en annen sangtekst. Disse få og enkle promptene avledet oppmerksomheten fra hva de memoriserte dataene faktisk betyr. De genererte likevel sangtekstene i output-fasen på en måte som ikke kunne klassifiseres som resultat av tilfeldigheter eller statistiske regulariteter, gitt sangtekstenes kompleksitet og lengde.(8)Cooper/Grimmelmann, loc. cit.Memoriseringen var en reproduksjon.
Domstolen viste til at reproduksjonsbegrepet må forstås ensartet, autonomt og i samsvar med direktivet (C‑5/08, avsnitt 27 – Infopaq). Det følger av fortalen til InfoSoc-direktivet punkt 21 og InfoSoc‑direktivet artikkel 2 at begrepet må forstås bredt og omfatter reproduksjon enten den er «direkte eller indirekte», «midlertidig eller permanent» og «på en hvilken som helst måte» og «i en hvilken som helst form».(9)EU‑domstolen 16. juli 2009, C‑5/08, avsnitt 42 Infopaq. Et bredt beskyttelsesomfang er også i samsvar med direktivets hovedformål, som er å sikre et høyt beskyttelsesnivå.(10)C‑433/20, avsnitt 16 AustroMechana; Bundesgerichtshof (BGH) 27. juni 2024, ZR 14/21, avsnitt 19 – Internet‑Radiorecorder II.
Etter InfoSoc-direktivet artikkel 2 omfatter reproduksjonsbegrepet ikke bare identisk gjengivelse, men også en fiksering av verket i en endret form, som digitalisering av et analogt verk,(11)EU‑domstolen 11. september 2014, C‑117/13 TU Darmstadt. lagring i et komprimert filformat som MP3(12)EU‑domstolen 5. mars 2015, C‑463/12, avsnitt 35 Copydan. eller i en redusert versjon.(13)BGH 29. april 2010, ZR 69/08, avsnitt 17 (Forhåndsvisning I). Gjengivelse i endret form falt også inn under § 16 (1) UrhG. Varigheten av gjengivelsen var uten betydning. Ordlyden i InfoSoc‑direktivet artikkel 2i og § 16 (1) UrhG viser til «midlertidig eller permanent» gjengivelse. Eksemplarfremstillingsretten omfatter følgelig i prinsippet også «flygtige fragmenter af værker i en satellitdekoders hukommelse og på en tv-skærm».(14)C‑403/08 og C‑429/08, avsnitt 159 FAPL/Murphy.
Domstolen erkjente at det ikke finnes noen klar definisjon av «reproduksjon» i ordlyden i de nevnte bestemmelsene, verken i EU‑retten eller i tysk rett, bortsett fra de konkrete eksemplene som er nevnt over. Etter tysk høyesterettspraksis vil imidlertid enhver fysisk fiksering av et verk som er egnet til å gjøre verket «oppfattbart» for menneskelige sanser på enhver måte, enten direkte eller indirekte, anses som reproduksjon etter § 16 (1) UrhG.(15)Senest Bundesgerichtshof 23. oktober 2024, ZR 112/23, avsnitt 66 Manhattan Bridge. Domstolen viste også til at EU‑domstolen har formulert dette implisitt.(16)EU‑domstolen 29. juli 2019, C‑476/17, avsnitt 52 flg. Metall auf Metall, mer presist generaladvokat Szpunar i uttalelse C‑476/17, avsnitt 47. Ved direkte oppfattelse kan gjengivelsen lett påvises, mens ved indirekte oppfattelse kreves ytterligere mellomledd, som for eksempel bilde‑ og lydbærere i tekniske enheter, som faller inn under § 16 UrhG.(17)Se også EU‑domstolen 5. mars 2015, C‑463/12, avsnitt 35 Copydan.Tekstene var fysisk fiksert i modellene og kunne oppfattes direkte.
Etter disse standardene utgjorde modellene reproduksjoner, fordi de omstridte tekstene var fysisk fiksert i modellene og kunne oppfattes direkte. En forutsetning for at sangtekstene skulle være omfattet av opphavsretten er at de er materialisert som reproduksjoner ved hjelp av data innenfor modellens angitte parametere. Domstolen mente at vilkåret var oppfylt, fordi det foreligger en reproduksjon etter i InfoSoc-direktivet artikkel 2 «ved alle midler og i enhver form». Etter direktivets fortale punkt 5 er eksemplarfremstilingsretten ment å ta hensyn til nye former for utnyttelse som følger av den tekniske utviklingen. Siden opphavsretten er teknologinøytral, er det ikke avgjørende hvilken teknologi som brukes ved materialiseringen.(18)Jf. Specht i FS Schulze, 2017, 413, 414.
Når det gjaldt spørsmålet om komprimeringen av data i modellen, viste domstolen til at når man for eksempel lagrer et musikkverk som en MP3-fil, benyttes en komprimeringsmetode hvor lyddataene som lagres digitalt kun inneholder de signaldelene som er mulig å oppfatte for mennesker, slik at datamengden blir sterkt redusert. Det er velkjent at slik komprimering utgjør en reproduksjon.(19)EUD 05.03.2015, C-463/12 avsn. 35 Copydan. For sangtekstene som ble brukt som treningsdata var det tilstrekkelig at modellen er i stand til å generere statistisk sannsynlige tokensekvenser, som gjengir sangtekstene på en gjenkjennelig måte på grunnlag av den statistiske informasjonen som ble utledet under treningen. Nedbrytingen av sangtekstene i parametere var uten betydning for den fysiske fikseringen, så lenge parametrene kunne gjenfinnes i modellen.
Domstolen sammenlignet denne formen for fiksering med såkalt progressivt lagrede JPEG-filer, der informasjon er spredt gjennom hele filen(20)Pesch/Böhme, GRUR 2023, 997, 1005; Sesing-Wagenpfeil ZGE 2024, 212, 243. – et tilstrekkelig sterkt «fotavtrykk» som er innebygd i modellen og som beskriver syntaksen i et vernet verk. Det var ikke nødvendig å identifisere et spesielt avgrenset datasett i modellen. Fikseringen i modellen var tilstrekkelig så lenge det er snakk om et objekt som kunne identifiseres med tilstrekkelig nøyaktighet og objektivitet.(21)C-683/17 avsn. 32 Cofemel.
Domstolen lot det stå åpent hvordan memorering fungerer i detalj. Det var uten betydning om det var snakk om lagring eller kopiering av treningsdataene eller om parametrene bare gjenspeilet det den har lært basert på hele treningsdatasettet, nemlig relasjoner og mønstre mellom alle ord eller token som representerer mangfoldet i menneskelig språk og kontekst. Det avgjørende var at sangtekstene som ble brukt som treningsdata faktisk ligger i modellen og kunne gjengis av den. De ble derfor reprodusert og inkorporert i modellen.Tekstene som var fysisk lagret i modellene var også indirekte oppfattbare.
Hvis verket kan oppfattes ved hjelp av tekniske hjelpemidler, vil dette være tilstrekkelig til at det foreligger en reproduksjon.(22)C-463/12, avsnitt 35 Copydan for minnekort i mobiltelefoner og internminne i MP3-spillere. De fremlagte eksemplene viste at sangtekstene lett kunne gjøres oppfattbare som utdata (output) ved bruk av en chatbot, en skjermterminal og enkle forespørsler. Vanskeligheter med å oppfatte verket betød uansett ikke at det ikke forelå en gjengivelse, siden reproduksjonsbegrepet skal gis en vid fortolkning. Det forelå også en reproduksjon dersom oppfattelsen krever spesiell kunnskap, for eksempel full tilgang til modellens parametre.(23)Pesch/Böhme, GRUR 2023, 997, 1005; dissens Dreier/Schulze/Raue, 8. utg. 2025, UrhG § 16 merknad 21, 37.Reproduksjonen i modellene falt utenfor TDM-unntaket i § 44b (UrhG) og DSMdirektivet artikkel 4.
Domstolen mente at TDMunntaket bare omfatter nødvendige reproduksjoner som lages ved innsamlingen av data i treningsfase 1. Det som derimot skjedde under opplæringen i fase 2 var ikke bare utvinning av informasjon fra treningsdataene, men videre reproduksjon i modellen. Slike reproduksjoner eller gjengivelser var ikke omfattet av unntaket, fordi de ikke utelukkende brukes for tekst og datautvinning.
Unntaket i § 44b (UrhG) og DSMdirektivet artikkel 4 gjelder tekst og datautvinning ved opplæring av kunstig intelligens.(24)Spindler/Schuster/Kaesling/Pesch, 5. utg. 2025, UrhG § 44b merkn. 17 fn. 65. Anvendelsesområdet for § 44b UrhG var derfor (utelukkende) reproduksjonshandlinger som skjer for å forberede modellens treningskorpus.(25)I forarbeidene til de tyske unntaksbestemmelsene er det eksplisitt uttalt at «maskinlæring som en grunnleggende teknologi for kunstig intelligens» faller innenfor anvendelsesområdet, BT Drs. 19/27426, side 60. Domstolen viste også til at tekst‑ og datautvinning i språkmodeller har til formål å evaluere informasjon som abstrakte syntaktiske regler, vanlige uttrykk og semantiske relasjoner.(26)Spindler/Schuster/Kaesling/Pesch, 5. utg. 2025 i.E., UrhG § 44b Rn. 18. Det innebærer også vurdering av uttrykksnivåer som ordvalg, variasjon og repetisjoner.(27)Kuschel/Rostam, ZUM 2025, 71, 73. Når Open AI-modellene derimot lagret eller gjenopprettet de aktuelle sangtekstene i sin helhet, gikk det ut over slik evaluering, og kunne derfor ikke bare anses som tekst‑ og datautvinning. Sangtekstene som treningsdata ble ikke bare analysert, men inntatt i modellens parametere i sin helhet, og dette grep inn i opphavernes utnyttelsesrett.
Domstolen viste til at den klare ordlyden i DSM-direktivet artikkel 4 nr. 1 omfatter eksemplarfremstilling til tekst- og datautvinningsformål.(28)Spindler/Schuster/Kaesling/Pesch, 5. utg. 2025, UrhG § 44b merknad 21, 24. Gjennomføringsbestemmelsen i § 44b (2) UrhG er formålsbestemt, og krever også at eksemplarfremstillingen må være nødvendigfor tekst- og datautvinning. Reproduksjoner i fase 2 i modellen ble imidlertid ikke brukt til videre dataanalyse.(29)Sesing-Wagenpfeil, ZGE 2024, 212, 251.Domstolen viste til at opphavernes interesser skal beskyttes etter DSM-direktivet.(30)Fortalen punkt 3, fjerde setning («at the same time, a high level of copyright protection [...] must be maintained»), punkt 8 («no exceptions or limitations can be invoked, such acts require the authorisation of the rightholder» og punkt 18 om at «rights holders should continue to be able to grant licences for the use of their works or other subject matter that are not covered by the mandatory exception for text and data mining for scientific research purposes provided for in this Directive or by the exceptions and limitations applicable under Directive 2001/29/EC.»
Open AI anførte at gjengivelsene ikke hadde til hensikt å memorere treningsdataene, men skjedde utilsiktet, og at modellene ikke var utformet for å regenerere treningsdata. Domstolen la ingen vekt på det, fordi gjengivelsen i treningsfase 2 uansett ikke hadde til formål å utvinne eller ytterligere analysere tekst og data.(31) Domstolen viste til at hvis memorisering av treningsdata ikke kunne forhindres ved bruk av beste tilgjengelige teknologi, omfattes ikke trening av modeller med opphavsrettsbeskyttede treningsdata av TDM-unntaket, jf. Spindler/Schuster/Kaesling/Pesch, 5. utg. 2025 i.E., UrhG § 44b Rn. 21. Domstolen viste til at det diskuteres å innføre et nytt unntak som omfatter slik trening, og som innebærer godtgjørelse til opphavsrettshaveren (f.eks. IUM-symposium, (Collective) Remuneration Models for AI Uses: Ways to a Fair Balance of Interests, https://www.urheberrecht.org/events/20251114.php). Dette var imidlertid ikke gjeldende rett. TDM-unntaket var kort sagt ikke anvendelig fordi memoriseringen i modellene ikke oppfylte formålet om tekst- og datautvinning.Det var ikke gitt implisitt samtykke til treningen
Open AI anførte også forgjeves at det forelå implisitt samtykke. Om slikt samtykke foreligger, måtte etter domstolens oppfatning avgjøres ut fra det objektive innholdet i erklæringen sett fra mottakerens ståsted.(32)Bundesgerichtshof – BGH, 19. oktober 2011, ZR 140/10, para. 28 – Forhåndsvisningsbilder II. Det sentrale er om bruken må anses som vanlig under omstendighetene, og om rettighetshaveren må forvente den når verket gjøres fritt tilgjengelig for brukere uten begrensninger.(33)BGH 11.09.2024, ZR 140/23 para. 17 Coffee.
Det var omtvistet i saken om de aktuelle sangtekstene var fritt tilgjengelige. Domstolen mente at Open AI hadde bevisbyrden for dette når GEMA fremlagt bevis for det var tatt forbehold mot bruken gjennom skjermdumper av nettsidene. Domstolen viste også til at GEMA ikke hadde gitt lisenser til den aktuelle bruken av tekstene, og konsekvent krevde at lisensinnehavere reserverte seg mot tekst- og datautvinning overfor tredjeparter.
Uansett kunne ikke trening av modeller anses som en normal eller forventet bruk,(34)Dornis/Stober, Copyright and Training Generative AI Models, 2024, 117. særlig fordi verkene ble gjengitt i modellene. Open AI hadde selv anført at gjengivelse av opplæringsdata er en sjelden feil som de forsøkte å forhindre og kontinuerlig arbeider med å rette.(35)Sesing Wagenpfeil, ZGE 2024, 212, 256. I motsetning til det som er sitasjonen ved forhåndsvisning av bilder,(36)BGH 29. april 2010, ZR 69/08; 19. oktober 2011 para. 33 ff Forhåndsvisningsbilder I. var det i dette tilfellet en risiko for gjengivelser som ikke kunne tilbakeføres til rettighetshaverne.(37)Pesch/Böhme GRUR 2023, 997, 1007. Til slutt ble det pekt på at en samtykkekonstruksjon kunne føre til omgåelse av unntaksbestemmelsen, som kun tillater reproduksjoner der formålet er tekst- og datautvinning, og ikke omfatter reproduksjoner som går utover dette.Sangtekstene var gjenkjennelige og ble tilgjengeliggjort for allmenheten i output-fasen.
Domstolen la til grunn at sangtekstene var gjenkjennelige i outputene, og dermed ble gjengitt og gjort tilgjengelige for allmenheten. Dette utgjorde utvilsomt et inngrep i opphavsretten etter den tyske åndsverkloven. Minst ett beskyttelsesverdig element av de omstridte sangtekstene var gjenkjennelig i outputene i opphavsrettslig forstand, selv med hallusinasjonene som forekommer i modellen.
Domstolen viste til at både identiske gjengivelser og utforminger som avviker fra originalen innebærer inngrep i opphavsretten.(38)BGH 7. april 2022, ZR 222/20 Porsche 911. Det følger av EU-retten at opphaveren råder over bruken av verk i endret form.(39)Blant annet BGH 30.04.2020, ZR 115/16. InfoSoc-direktivet artikkel 2 omfatter kopiering både «in whole or in part».(40)C-476/17 Metall auf Metall avsnitt 29. Det samme gjelder for retten til tilrådighetsstillelse.(41)C-392/19 VG Bild Kunst avsnitt 25.
Det avgjørende måtte være om originalens elementer er gjenkjennelige i det nye objektet.(42)C 392/19 avsnitt 25 og Generaladvokatens uttalelse i C-590/23 Metall auf Metall IV). Det er ikke helhetsinntrykket, men de detaljene som gir verket dets personlige preg, som er avgjørende.(43)C-580/23, C-795/23 avsnitt 67 Mio/konektra. Det måtte derfor vurderes om kreative elementer i det vernede verket – altså de som reflekterer opphaverens personlighet – var gjenkjennelige i den påståtte inngrepsgjenstanden.(44)C-476/17 para. 39 Metall auf Metall.
Tekstene til flere av de omstridte sangene var gjengitt i en slik grad at det ikke er tvil om at originaltekstene kunne gjenkjennes i outputene. De originale elementene i de øvrige sangtekstene – «36 Grad», «Männer», «Über den Wolken» og «Es schneit» (Det snør) – var også gjenkjennelige i outputen, som ikke holdt tilstrekkelig avstand til de omstridte tekstene. Dette ble påvist med eksempler som er gjengitt i dommen.
Ett eksempel var refrenget til «36 Grad» – 25 ord fordelt på fire linjer – som ble ordrett gjengitt som output fra modellen. Domstolen slo fast at den genererte teksten var en gjengivelse av de elementene som reflekterte opphaverens frie og kreative valg: en bevisst gjentakelse som ga refrengvirkning, parvise rim som skapte melodisk struktur, og de følelsene som teksten formidlet; en sommerfølelse der varme stiliseres som noe positivt snarere enn belastende. Uttrykket «mach’ deb Beat nie wieder leiser» (Never turn the beat down again) koblet lydinntrykk til følelsesmessig erfaring på en semantisk uvanlig måte, og vendingen «Das Leben kommt mir gar nicht hart vor» (Life doesn’t seem hard to me) snudde et vanlig uttrykk på hodet. Kombinasjonen av enkelt språk og poetisk perspektiv var altså bevisst utformet, noe som ga teksten tilstrekkelig originalitet. Disse elementene var gjengitt i modellen.
Selv om AI-modellen også produserte en hallusinasjon som svar på et spørsmål – altså tekst som ikke samsvarte med originalen – endret ikke dette domstolens vurdering. Refrenget var allerede gjengitt ordrett og måtte bedømmes som en samlet enhet. Den etterfølgende hallusinasjonen svekket ikke gjenkjenneligheten av det beskyttede verket i outputen.
De gjenkjennelige outputene var tilgjengeliggjøringer, som Open AI var ansvarlig for.
De omstridte sangtekstene ble gjort tilgjengelige for allmennheten av Open AI ved at de kunne hentes fram gjennom de angitte outputene. Domstolen viste til at tilgjengeliggjøringsretten er fullt harmonisert gjennom InfoSoc-direktivet artikkel 3(1). Det må foretas en konkret vurdering av om det foreligger en «tilgjengeliggjøring» for en «allmennhet»(45)C‑135/23, avsnitt 21 GEMA. og/eller om det skjer en tilrådighetsstillelse, slik at det gis tilgang til verket på brukerens forespørsel.(46)C‑279/13 avsnitt 25 flg. C More Entertainment.
Det foreligger en direkte tilgjengeliggjøring for allmennheten hvis publikum kan få tilgang til verket, uavhengig av om de faktisk bruker denne muligheten eller ikke.(47)C‑161/17 avsn. 20 Cordoba. Muligheten for å hente frem verket er tilstrekkelig for at det foreligger en tilgjengeliggjøring til allmennheten.(48)C‑610/15 Stichting; BGH 21.09.2017 ZR 11/16 avsn. 31 Forhåndsvisningsbilder. Open AI utførte reproduksjonshandlingen, fordi de er operatører av modellene, og deres chatbot åpner for at allmennheten får tilgang til de omstridte sangtekstene som er lagret i modellene.
Det var uten betydning om verket var fysisk fiksert eller innfanget i en form som brukeren teknisk sett kunne ha hentet frem. Domstolen fulgte ikke Open AIs argument om at det måtte være overensstemmelse mellom det innholdet som gjøres tilgjengelig og det som faktisk gjengis; siden muligheten for å gjenfinne verket er tilstrekkelig for at det foreligger en reproduksjon, var eventuelle avvik i gjengivelsen uten betydning, særlig ettersom de omstridte outputene ikke holdt tilstrekkelig avstand til de aktuelle sangtekstene.
Opphavsrettskrenkelsene som skjedde i outputene måtte tilskrives Open AI som operatører av modellene.(49)Baumann/Nordemann/Pukas, GRUR 2025, 955, 958 flg. Det ble vist til at Open AI hadde brukt de omstridte sangtekstene som treningsdata for sine modeller, satt sammen treningssettet og gjennomført treningen, slik at treningsdataene ble memorert. Open AI var også ansvarlige for arkitekturen til modellene. Promptene som førte til outputene var enkle i utformingen og spesifiserte ikke noe innhold. I motsetning til det Open AI hadde anført, kunne ikke brukeren holdes ansvarlig for opphavsrettskrenkelse gjennom outputene når slike åpne prompt ble benyttet.
Open AI gjorde selv verkene tilgjengelige for allmennheten, og fungerte ikke bare som mellomledd ved å stille infrastruktur til disposisjon for andres gjengivelser. Open AI kunne ikke sidestilles med plattformoperatører eller leverandører av maskinvare eller programvare. I slike tilfeller følger det av EU‑domstolens praksis at en rekke supplerende kriterier må tas i betraktning,(50)C‑682/18, C‑683/18 avsn. 67 YouTube og Cyando, C‑775/21, C‑826/21 avsn. 53 – Blue Air Aviation, C‑426/21 avsn. 58 Ocilion og C‑135/23 avsn. 23 GEMA. men det var ikke nødvendig å vurdere dette nærmere i denne saken.(51)Ohly GRUR 2018, 996, 1001.
Domstolen uttrykte videre at Open AI ville være ansvarlig uansett om disse tilleggskriteriene skulle ha blitt vurdert. Den viste til at Open AI spiller en sentral rolle i gjengivelsen; det var nettopp fordi de omstridte tekstene er memorert at de kunne hentes frem som output ved hjelp av enkle prompt. Det er Open AI som bestemmer hvordan modellene fungerer, utvalget av treningsdata og utformingen av treningen. Promptene for henting er enkle i innhold og lette å bruke, fordi det eneste som kreves er å skrive inn ønsket kommando. Open AI hadde også full kjennskap til konsekvensene av sin atferd, siden de etter alt å dømme har vært klar over memoreringen i modellene siden minst 2021. Det var heller ikke uten betydning at gjengivelsen hadde kommersielle formål, selv om dette ikke er et nødvendig vilkår.(52)C-135/23 avsn. 24 flg. GEMA.Tekstene ble tilgjengeliggjort for allmenheten.
Begrepet «allmennheten» har både et kvantitativt og kvalitativt aspekt.(53)Ohly, GRUR 2016, 1155, 1156. I kvantitativ forstand omfatter allmennhetsbegrepet et ubestemt antall mulige mottakere og forutsetter et betydelig antall personer.(54)C‑135/23, avsnitt 38 GEMA. Ved fastsettelsen må det tas hensyn til hvor mange personer som kan få tilgang til det samme verket samtidig, men også hvor mange som kan få tilgang til verket etter hverandre.(55)Ibid, avsnitt 39.
I kvalitativ forstand kreves det at et vernet verk gjengis ved hjelp av en bestemt teknisk prosess, som skiller seg fra tidligere brukte prosesser, eller at det gjengis for et «nytt publikum», dvs. et publikum som rettighetshaveren ikke tok i betraktning da han godkjente den opprinnelige offentlige tilgjengeliggjøringen.(56)C‑135/23, avsnitt 43 GEMA. Domstolen viste her til at GEMA hadde bestridt at de aktuelle sangtekstene var tilgjengelige på internett med rettighetshavernes samtykke. Men selv om tilgjengeliggjøringen på et nettsted var lovlig, oppstår det et nytt publikum, dersom innholdet legges ut på et annet nettsted uten rettighetshaverens samtykke.(57)Bundesgerichtshof 2. juni 2022, ZR 140/15, avsnitt 75 – YouTube II. Dette gjaldt særlig når innholdet ikke bare ble brukt på et annet nettsted, men av en AI-modell.Sangtekstene var tilgjengelige for brukere av Open AIs chatbot på forespørsel, fra steder og på tidspunkter etter brukernes eget valg.
Tilgjengeliggjøring av innhold «på forespørsel» er en særlig form for kommunikasjon til allmennheten.(58)C-279/13 avsn. 25 flg. C More Entertainment. Slik interaktiv overføring på forespørsel (se fortalen til Infosoc-direktivet avsnitt 25, tredje setning) er mulig gjennom Open AIs chatbot, som i prinsippet brukes av enhver person fra ethvert sted og tidspunkt, forutsatt tilgang til internett og en internetttilkoblet enhet.
Outputen vises på skjermene til brukernes sluttutstyr og i chathistorikken. Den ble gjengitt både i brukernes arbeidsminne og på de skytjenere som OpenAI stiller til disposisjon for chathistorikken. Open AI var dermed ansvarlige for gjengivelsene. Etter tysk rettspraksis er produsenten av gjengivelsen den som teknisk gjennomfører gjengivelsen og dermed foretar den fysiske fikseringen.(59)BGH 23. okt. 2024, ZR 112/23, avsn. 73 Manhattan Bridge. Open AI måtte holdes ansvarlige fordi selskapet utøver kontroll over gjengivelsen gjennom outputene, driver modellene som de omstridte sangtekstene ble valgt som treningsdata for og ble trent med, og er ansvarlige for modellarkitekturen og memoreringen av treningsdataene. Modellene hadde i betydelig grad påvirket outputene, og det spesifikke innholdet i outputene ble generert av modellene. At brukeren bare utløser gjengivelsen ved å angi en prompt, betød ikke at brukeren var ansvarlig for gjengivelsen.Inngrepene var ikke omfattet av unntakene for sitat eller pastisj, og det var ikke gitt implisitt samtykke til handlingene i output-fasen.
Domstolen viste til at modellene er strukturelt ute av stand til å oppfylle formålet med sitatretten. Etter EUdomstolens praksis er formålet med InfoSoc-direktivet art. 5(3)(d) å forklare utsagn, forsvare en mening eller muliggjøre en intellektuell debatt mellom verket og brukerens uttalelser,(60)C‑516/17, avsn. 78 Spiegel Online. noe som ikke er mulig med modeller. Modellens «intensjon» kunne ikke vurderes.(61)LG München 08.03.2012, 7 O 1533/12 Mein Kampf, jf. Finke ZGE 2023, 415, 435.
Pastisjunntaket i § 51a UrhG som gjennomfører art. 5(3)(k) i InfoSoc‑direktivet og krever – i likhet med direktivet – at utnyttelsen skjer i form av pastisj. Det forutsetter en kunstnerisk tilnærming til et tidligere verk eller annet referanseobjekt.(62)BGH 14. sept. 2023, ZR 74/22, avsn. 23, 34 Metall auf Metall v Stieper. Dette er ikke mulig med modellene på grunn av deres mangel på personlighet, som i andre tilfeller kunne tilført et kunstnerisk uttrykk gjennom bruk av vernede elementer.(63)Finke ZGE 2023, 415, 442. De enkle promptene som førte til outputene, hadde ikke noe kunstnerisk innhold.
Det var heller ikke gitt noe samtykke til inngrepene i output-fasen; at et verk gjengis som utdata som følge av en enkel prompt, utgjør ikke en normal bruk som rettighetshaveren kan forventes å akseptere (se ovenfor).
Noter
- Henvisningene som er brukt i den tyske dommen er tatt inn i fotnotene.
- Wandtke, NJW 2019, 1841, 1842.
- Sesing Wagenpfeil, ZGE 2024, 212, 217 f, fotnote 25 ff.
- Spindler, GRUR 2016, 1112 og dom 27. september 2024, 310 O 227/23, avsnitt 46 LAION.
- Carlini, Tramer, Wallace, Jagielski, Herbert Voss, Lee, Roberts, Brown, Song, Erlingsson, Oprea, Raff, 2021, Extracting Training Data from Large Language Models, Yang, Zhao, Wang, Shi, Kim, Han, Lo, 2024, Unveiling Memorisation in Code Models, og Cooper, Grimmelmann, 2025, The Files are in the Computer.
- (Yang et al., loc. cit.).
- Dersom treningsdataene er kjent, kan man sammenligne treningsdataene med outputs ved hjelp av enkle prompter og tilstrekkelig tekstlengde. Ellers brukes parametre som entropi og perplexity for å undersøke hvor sikker modellen er når den genererer et output. Ved trent og memorert innhold er sikkerheten høy.
- Cooper/Grimmelmann, loc. cit.
- EU‑domstolen 16. juli 2009, C‑5/08, avsnitt 42 Infopaq.
- C‑433/20, avsnitt 16 AustroMechana; Bundesgerichtshof (BGH) 27. juni 2024, ZR 14/21, avsnitt 19 – Internet‑Radiorecorder II.
- EU‑domstolen 11. september 2014, C‑117/13 TU Darmstadt.
- EU‑domstolen 5. mars 2015, C‑463/12, avsnitt 35 Copydan.
- BGH 29. april 2010, ZR 69/08, avsnitt 17 (Forhåndsvisning I).
- C‑403/08 og C‑429/08, avsnitt 159 FAPL/Murphy.
- Senest Bundesgerichtshof 23. oktober 2024, ZR 112/23, avsnitt 66 Manhattan Bridge.
- EU‑domstolen 29. juli 2019, C‑476/17, avsnitt 52 flg. Metall auf Metall, mer presist generaladvokat Szpunar i uttalelse C‑476/17, avsnitt 47.
- Se også EU‑domstolen 5. mars 2015, C‑463/12, avsnitt 35 Copydan.
- Jf. Specht i FS Schulze, 2017, 413, 414.
- EUD 05.03.2015, C-463/12 avsn. 35 Copydan.
- Pesch/Böhme, GRUR 2023, 997, 1005; Sesing-Wagenpfeil ZGE 2024, 212, 243.
- C-683/17 avsn. 32 Cofemel.
- C-463/12, avsnitt 35 Copydan for minnekort i mobiltelefoner og internminne i MP3-spillere.
- Pesch/Böhme, GRUR 2023, 997, 1005; dissens Dreier/Schulze/Raue, 8. utg. 2025, UrhG § 16 merknad 21, 37.
- Spindler/Schuster/Kaesling/Pesch, 5. utg. 2025, UrhG § 44b merkn. 17 fn. 65.
- I forarbeidene til de tyske unntaksbestemmelsene er det eksplisitt uttalt at «maskinlæring som en grunnleggende teknologi for kunstig intelligens» faller innenfor anvendelsesområdet, BT Drs. 19/27426, side 60.
- Spindler/Schuster/Kaesling/Pesch, 5. utg. 2025 i.E., UrhG § 44b Rn. 18.
- Kuschel/Rostam, ZUM 2025, 71, 73.
- Spindler/Schuster/Kaesling/Pesch, 5. utg. 2025, UrhG § 44b merknad 21, 24.
- Sesing-Wagenpfeil, ZGE 2024, 212, 251.
- Fortalen punkt 3, fjerde setning («at the same time, a high level of copyright protection [...] must be maintained»), punkt 8 («no exceptions or limitations can be invoked, such acts require the authorisation of the rightholder» og punkt 18 om at «rights holders should continue to be able to grant licences for the use of their works or other subject matter that are not covered by the mandatory exception for text and data mining for scientific research purposes provided for in this Directive or by the exceptions and limitations applicable under Directive 2001/29/EC.»
- Domstolen viste til at hvis memorisering av treningsdata ikke kunne forhindres ved bruk av beste tilgjengelige teknologi, omfattes ikke trening av modeller med opphavsrettsbeskyttede treningsdata av TDM-unntaket, jf. Spindler/Schuster/Kaesling/Pesch, 5. utg. 2025 i.E., UrhG § 44b Rn. 21. Domstolen viste til at det diskuteres å innføre et nytt unntak som omfatter slik trening, og som innebærer godtgjørelse til opphavsrettshaveren (f.eks. IUM-symposium, (Collective) Remuneration Models for AI Uses: Ways to a Fair Balance of Interests, https://www.urheberrecht.org/events/20251114.php). Dette var imidlertid ikke gjeldende rett.
- Bundesgerichtshof – BGH, 19. oktober 2011, ZR 140/10, para. 28 – Forhåndsvisningsbilder II.
- BGH 11.09.2024, ZR 140/23 para. 17 Coffee.
- Dornis/Stober, Copyright and Training Generative AI Models, 2024, 117.
- Sesing Wagenpfeil, ZGE 2024, 212, 256.
- BGH 29. april 2010, ZR 69/08; 19. oktober 2011 para. 33 ff Forhåndsvisningsbilder I.
- Pesch/Böhme GRUR 2023, 997, 1007.
- BGH 7. april 2022, ZR 222/20 Porsche 911.
- Blant annet BGH 30.04.2020, ZR 115/16.
- C-476/17 Metall auf Metall avsnitt 29.
- C-392/19 VG Bild Kunst avsnitt 25.
- C 392/19 avsnitt 25 og Generaladvokatens uttalelse i C-590/23 Metall auf Metall IV).
- C-580/23, C-795/23 avsnitt 67 Mio/konektra.
- C-476/17 para. 39 Metall auf Metall.
- C‑135/23, avsnitt 21 GEMA.
- C‑279/13 avsnitt 25 flg. C More Entertainment.
- C‑161/17 avsn. 20 Cordoba.
- C‑610/15 Stichting; BGH 21.09.2017 ZR 11/16 avsn. 31 Forhåndsvisningsbilder.
- Baumann/Nordemann/Pukas, GRUR 2025, 955, 958 flg.
- C‑682/18, C‑683/18 avsn. 67 YouTube og Cyando, C‑775/21, C‑826/21 avsn. 53 – Blue Air Aviation, C‑426/21 avsn. 58 Ocilion og C‑135/23 avsn. 23 GEMA.
- Ohly GRUR 2018, 996, 1001.
- C-135/23 avsn. 24 flg. GEMA.
- Ohly, GRUR 2016, 1155, 1156.
- C‑135/23, avsnitt 38 GEMA.
- Ibid, avsnitt 39.
- C‑135/23, avsnitt 43 GEMA.
- Bundesgerichtshof 2. juni 2022, ZR 140/15, avsnitt 75 – YouTube II.
- C-279/13 avsn. 25 flg. C More Entertainment.
- BGH 23. okt. 2024, ZR 112/23, avsn. 73 Manhattan Bridge.
- C‑516/17, avsn. 78 Spiegel Online.
- LG München 08.03.2012, 7 O 1533/12 Mein Kampf, jf. Finke ZGE 2023, 415, 435.
- BGH 14. sept. 2023, ZR 74/22, avsn. 23, 34 Metall auf Metall v Stieper.
- Finke ZGE 2023, 415, 442.
