1. Innledning

Den 31. juli 2026 avsa tingretten i München (Landgericht München I) dom i en sak anlagt av den den tyske rettighetsorganisasjonen GEMA mot den amerikanske leverandøren Suno Inc (sak 42 O 763/25). Retten fant at komposisjonen til seks angitte sanger var innkodet i Sunos AI-modell og nedla forbud mot fire konkrete handlinger knyttet til disse sangene:

• Reproduksjon gjennom trening av AI-modellen i USA

• Reproduksjon gjennom innkoding i AI-modellen i Tyskland

• Reproduksjon og tilgjengeliggjøring av innhold generert fra AI-modellen

• Tilgjengeliggjøring for allmenheten ved å tilby AI-modellen

Den tyske førsteinstansen tok også stilling til trening av AI-modellen som utelukkende hadde funnet sted i USA. Saken åpner således for en diskusjon om jurisdiksjon ved trening av AI-modeller i andre land slik vi også har sett i tidligere saker diskutert i denne spalten. Den samme underinstansen har tidligere avgjort en lignende sak mellom GEMA og OpenAI i november 2025 som gjaldt et tekst-til-tekst verktøy. Dette er imidlertid den første saken jeg kjenner til i Europa som konkret gjelder et generativt AI-verktøy for musikk.

Dommen er ikke rettskraftig og forventes å bli anket videre til neste instans, Oberlandesgericht München. Dette tilsvarer vår lagmannsrett. Saken reiser også EU-rettslige spørsmål som vi kanskje vil se fremmet for EU-domstolen for uttalelse før saken blir endelig avgjort.

2. partene og tvisten

GEMA er et vederlagsbyrå som kan sammenliknes med vårt norske TONO, men som også behandler såkalte mekaniske rettigheter (eksemplarfremstilling). Det fremgår direkte av navnet som GEMA er en forkortelse for: Gesellschaft für musikalische Aufführungs- und mechanische Vervielfältigungsrechte. Både TONO og GEMA representerer den praktiske forlengelsen av EUs direktiv om kollektiv forvaltning. Ettersom disse er implementert gjennom sine respektive nasjonale lovverk, er det likevel praktiske og rettslige forskjeller på hvordan disse fungerer. Som det vil fremgår lenger ned i denne saken reiste den tyske saken et spørsmål om jurisdiksjon over AI-trening som ble utført i USA. Dette ble løst under en særlig vernetingsregel i den tyske loven Gesetz über die Wahrnehmung von Urheberrechten und verwandten Schutzrechten durch Verwertungsgesellschaften. Det norske motstykket er vår lov om kollektiv forvaltning om opphavsrett. Disse to lovene er ikke identiske, og det er ikke gitt at utfallet av jurisdiksjonsspørsmålet ville ha blitt det samme under norsk rett.

GEMA har vist både evne og vilje til å ta opp kampen mot større internasjonale aktører tidligere. I Tyskland var YouTube i en lang periode blokkert for filmer som inneholdt musikk uten rettighetsklarering. Bakgrunnen var en lisensavtale med GEMA som utløp i 2009. Partene kom ikke til enighet om en ny lisensavtale, og dette utløste flere juridiske tvister mellom GEMA og YouTube. Brukere i Tyskland fikk etter hvert opp en tekstboks med følgende beskjed “This video is not available in Germany because it may contain music for which GEMA has not granted the respective music rights”. Denne meldingen ble i seg selv gjenstand for en tvist, ettersom GEMA mente at skylden for blokkering urettmessig ble tillagt GEMA. Det hele endte med et forlik i 2016 der YouTube fikk gjøre sine videoer tilgjengelig i Tyskland.

Suno Inc. er et amerikansk selskap registrert i Delaware. Suno tilbyr en AI-tjeneste som produserer avspillbare sanger basert på korte tekstinstruksjoner (prompts) fra brukerne. AI-tjenesten har blitt levert i ulike versjoner. Saken for tingretten i München gjaldt tidligere versjoner, mens Suno nå har sluppet en versjon V6. Det er en utfordring med saker som gjelder trening av AI-modeller at ulike versjoner vil kunne være basert på ulike metoder og kildedata, som igjen innebærer at det kan være vanskelig for rettighetshavere å vite hvordan den ene modellen skiller seg fra den andre. Samtidig ligger det i dette at en rettslig prosess som kan ta flere år gjennom ulike rettsinstanser vil ha kunne ha liten aktualitet når endelig avgjørelse foreligger. Leverandøren vil i mellomtiden kunne ha endret treningsprogrammet eller andre egenskaper ved AI-modellen som innebærer vesentlige endring av situasjonen overfor rettighetshaverne. Suno har vært involvert i flere andre rettstvister, og har sett pågang fra blant annet Sony, Universal, Warner og den danske motparten til TONO og GEMA: Koda.

Saken gjaldt komposisjonene for seks konkrete verk: «Atemlos durch die Nacht», «Daddy Cool», «Rasputin», «Big in Japan», «Forever Young» og refrenget i «Mambo No. 5». GEMA fremmet ikke krav under henvisning til selve sangtekstene, utøver- eller produsentrettigheter. Saksøkers krav i saken var rettet mot fire av de seks angitte verkene, der det ble krevd forføyning, ytterligere opplysninger og erstatning.

Det vesentlige av faktum i saken var ubestridt. Det var slått fast at Suno hadde trent sine modeller i USA på flere millioner ulike innspillinger av ulike musikkverk. De seks verkene som var trukket frem av GEMA inngikk i dette treningsmaterialet. Suno hadde hentet verkene fra YouTube ved bruk av såkalt «streamripping», som innebærer at innholdet lastes ned utenom plattformens nedlastingssperre. YouTube benytter blant annet et såkalt «rolling cipher» som innebærer at hver enkelt video deles opp i en rekke mindre filer med ulike rullerende URL-adresser som gjør det vanskeligere for alminnelige brukere å laste ned en video.

Suno kodet det enkelte verk med metadata om blant annet tittel, sjanger og sangtekst. Deretter inngikk verket i treningsmaterialet til AI-modellen for Suno versjon 3.5 og versjon 4. Jeg har i en tidligere artikkel i Lov & Data nr. 164 4/2025 «AI på treningsrommet – Getty Images vs. Stability AI Limited» beskrevet hvordan såkalte vekter inngår ved AI-trening. Suno brukte en tilsvarende metode tilpasset for musikkverkene. Det enkelte verk kombinert med metadata blir dekonstruert ned til mindre komponenter eller tokens. Dette omtales gjerne som tokenisering. En del av denne prosessen innebærer en vesentlig grad av komprimering ved det som kalles kvantisering. I praksis avrundes de aktuelle verdiene ned til et begrenset antall nivåer som inneholder mindre informasjon enn utgangspunktet. I dommen sammenligner tingretten dette med koding av musikk fra en CD-plate til MP3-format, der resultatet er en komprimert versjon av originalen. Det er dette materialet AI-modellen trenes på. Gjennom denne treningen dannes såkalte vekter, som innebærer innkoding i AI-modellen. Treningen skjer altså på et bredt grunnlag av komprimerte enheter, og innebærer en form for innlæring og memorering. Som en del av denne prosessen vil AI-modellen innta større eller mindre deler av innholdet av hvert enkelt originalverk.

3. Rettens vurdering

Retten la til grunn at de aktuelle AI-modellene var lagret på servere som rent fysisk var plassert i Tyskland. Når en bruker genererte sanger fra Suno ble disse midlertidig lagret på lokale servere nærmere bruken. Dette skulle gi raskere og mer stabil overføring til brukeren. GEMA hevdet at det genererte materialet viste at de seks påberopte sangene var lagret i selve modellen. Det var for store likheter mellom disse sangene og innholdet som ble publisert av de aktuelle AI-modellene. Suna nektet for at det forelå noen slik lagring, og fremholdt at det kun var snakk om matematiske mønstre som ikke kunne inneholde noen relevant andel av treningsdataene. I den grad det var noen likhet måtte dette ligge på brukeren, ikke på Suno. Suno viste også til flere andre grunnlag for hvorfor det ikke kunne foreligge noen rettslig relevant lagring fra Sunos side.

Dommeren konkluderte med at verkene rent faktisk var fiksert i selve AI-modellen. Med støtte i teknisk litteratur på området konkluderer retten med at en AI-modell memorerer et verk når det ikke bare trekkes ut mønstre og sammenheng, men også en del av selve innholdet fra verket selv (se dommens avsnitt 243 flg). Etter rettens vurdering er det ikke avgjørende hvor mye som lagres, men heller hva som lagres. Det legges altså en kvalitativ heller enn kvantitativ vurdering til grunn. Dette følger også av at det er benyttet en kvantiseringsmodell som beskrevet ovenfor, der verket i praksis komprimeres. Det er verdt å merke seg at i den tidligere omtalte saken mellom GEMA og OpenAI la tingretten til grunn at det var snakk om en fullstendig lagring av tekst, så lempes det altså her tilsynelatende noe på kravet for lydinformasjon.

Retten ser også på sammenhengen mellom brukerens forespørsel (prompt) og innholdet som blir generert fra AI-modellen. Selv om trykksterke stavelser kan forventes på trykksterke taktslag er ikke dette bestemmende for melodiens form. Det vil altså foreligge en stor grad av variasjonsmuligheter for AI-modellen. Eksempler fra GEMA viste imidlertid at melodiene som ble generert så ut til å stamme fra de aktuelle underliggende sangene. Der Suno anførte at eksemplene fra GEMA var tendensiøse og var egnet til å fremprovosere de ønskede resultatene, konkluderte retten i motsatt retning. Det ble vist til at prompts fra GEMA var gjentatt flere ganger, og at dette hang sammen med at forespørsler, parametre og den distribuerte sannsynlighet knyttet opp mot innholdsproduksjonen ville være lik. Dermed holdt det i prinsippet å vise til et enkelt resultat for hvert enkelt verk. Retten avslo i denne sammenheng også Sunos begjæring om å innkalle en sakkyndig som kunne gjennomgå eksemplene. En slik ekspert kunne kanskje ha sagt noe mer om betydningen av de prompts som GEMA hadde benyttet i sine eksempler. Her hadde nemlig GEMA benyttet hele sangtekster, og i tillegg helt konkret bedt om å få musikken fra samme tidsperiode og med stemmer som tilsvarte originalverkene. Det tok da fra 4 til 176 forsøk å fremskape musikk tilsvarende originalverkene. En ekspert på området kunne kanskje ha gått noe dypere inn i spørsmålet om graden av variasjon som gjenstår og hvor ledende et prompt kan være for å avgjøre inngrep i opphavsretten.

Tingretten konkluderte etter dette med at fiksering i denne forstand var å regne som eksemplarfremstlling etter InfoSoc-direktivet og tysk nasjonal rett. Retten sammenlignet data lagret i AI-modellen med en progressivt og spredt lagret JPEG-bildefil eller de tap av data som skjer med lagring i komprimerte formater som MP3. Selv om slike analogier kan være godt egnet for å beskrive noen av de tekniske prosessene er det likevel ingen av disse som fanger opp den metoden som helt konkret benyttes ved trening av AI-modeller. Her ligger det kanskje en sårbarhet i tingrettens avgjørelse opp mot en potensiell ankeomgang. Jeg har ovenfor vist til artikkel i Lov & Data i saken Getty Images mot Stability AI. I denne engelske saken kom High Court til et motsatt resultat basert på omfattende ekspertbevis ført for retten. Her er det riktignok snakk om ulike AI-modeller og ulikheter i faktum. Det tekniske området retten er inne på her er likevel så nytt og komplisert at det kunne ha vært ønskelig å ha fått tilført noe mer teknisk kompetanse til rettens vurderinger.

Saken inneholder flere drøftelser og vurderinger, men jeg velger å løfte frem spørsmålet om treningen av AI-modellen som foregikk i USA. Tysk rett har en bestemmelse i sin lov om kollektive vederlagsbyråer som samordner krenkelser ved en enkelt domstol. Tingretten så hen til denne bestemmelsen i kombinasjon med lovens jurisdiksjonsbestemmelse som åpner for å samle flere krav for en felles domstol. Retten landet deretter på at også treningen som skjedde i USA lå under tingrettens kompetanse i den aktuelle saken. Det ble også lagt vekt på at rettighetshaverne er tyske og at det var en nær sammenheng mellom handlingene i USA og Tyskland.

Det er viktig at det her skilles mellom på den ene siden det som er lagret i AI-modellen og innholdet som AI-modellen genererer, og på den andre siden selve treningen av AI-modellen. De første to punktene var direkte knyttet opp mot Tyskland. De to versjonene det var snakk om var begge lagret i Tyskland. Innholdet ble i tillegg direkte generert av disse versjonene av AI-modellen mens disse befant seg i Tyskland. Når det gjelder treningen skjedde det imidlertid som beskrevet ovenfor i USA. Dette var handlinger som var utført i USA, og det var ikke åpenbart at det kunne skje noen krenkelse av tysk opphavsrettslov i USA. Dersom saken blir anket vil dette være et spennende punkt å følge videre i ankesaken. Den aktuelle bestemmelsen om å samordne jurisdiksjon for vederlagssakene skyldes nok mer hensynet til prosessøkonomi enn å avklare den internasjonale rekkevidden til GEMA. Dersom denne hjemmelen ikke er dekkende for trening som skjer i USA vil det hjelpe lite å vise til at GEMA er tysk og at dette taler for tysk verneting. Det er grunn til å stille spørsmål om saksøkers nasjonalitet skal tillegges så stor vekt i et spørsmål internasjonal jurisdiksjon for tingretten i München.

Retten forbød fire handlinger knyttet til de seks verkene GEMA hadde vist til:

Eksemplarfremstilling for trening (inkludert USA), memorering i AI-modellen i Tyskland, overføring til allmennheten ved å tilby AI-modellen og eksemplarfremstilling og overføring gjennom generert innhold.

Suno ble pålagt en egen informasjonsplikt i tråd med GEMAs påstand og erstatningsansvar. Beløpet for erstatningen er p.t. ikke fastsatt. Som nevnt er dommen ikke rettskraftig, og det er forventet at Suno anker til neste instans. Det kan nevnes at saken mellom GEMA og OpenAI omtalt ovenfor allerede er anket til Oberlandesgericht München.