AI-musiktjänsten Suno har fällts för upphovsrättsintrång i en dom som kan få betydelse långt utanför de sex låtar som prövades. Domstolen i München ansåg inte bara att Suno hade skapat musik som låg för nära originalverken. Skyddade delar av låtarna bedömdes också ha lagrats i själva AI-modellen och kunnat återskapas genom relativt öppna instruktioner.
Domen meddelades av Landgericht München I den 31 juli 2026 efter en process mellan den tyska upphovsrättsorganisationen GEMA och Suno. GEMA fick rätt till förbud, information om användningen och ekonomisk ersättning.
Hur mycket Suno kan tvingas betala är ännu inte fastställt. Domen har inte heller vunnit laga kraft och kan överklagas.
Suno-domen i korthet
| Fråga | Domstolens bedömning |
|---|---|
| Vilka modeller gällde målet? | Suno v3.5 och v4 |
| Hur många verk prövades? | Sex musikverk |
| Vad var intrånget? | Träningskopior, memorisering i modellen och verkstrogna resultat |
| Vad får GEMA? | Förbud, information och rätt till ersättning |
| Är domen slutgiltig? | Nej, den kan överklagas |
Det principiellt viktigaste är domstolens syn på memorisering. En AI-modell är inte automatiskt en samling kopior bara för att den har tränats på upphovsrättsskyddade verk. I det här fallet ansåg rätten däremot att skyddade musikaliska delar hade bevarats så konkret att de kunde återges i nya genereringar.
Modellens parametrar behandlades därför inte bara som abstrakta matematiska samband. De ansågs bära på reproducerbart innehåll från de aktuella verken.
Sex kända låtar låg bakom tvisten
Målet gällde musik från sex låtar som representerades av GEMA.
| Musikverk | Dokumenterade genereringar |
|---|---|
| Atemlos durch die Nacht | 176 |
| Big in Japan | 124 |
| Daddy Cool | 14 |
| Forever Young | 12 |
| Rasputin | 8 |
| Mambo No. 5, refrängen | 4 |
Sammanlagt dokumenterade GEMA 338 genereringar.
Bland upphovspersonerna till verken finns Kristina Bach, Frank Farian och medlemmarna i Alphaville. Målet handlade om musikaliska beståndsdelar som melodier, harmonik, rytm och arrangemang. Sångtexterna prövades inte som separata upphovsrättsintrång.
GEMA använde bland annat låttiteln, originalets text och en önskad musikstil när organisationen testade Suno. Däremot beskrev prompterna inte i detalj hur melodin, harmoniken eller rytmen skulle låta.
Det blev viktigt för ansvarsfrågan.
Suno hävdade att resultaten i stor utsträckning hade skapats av användarnas instruktioner. Domstolen ansåg i stället att prompterna var för öppna för att förklara de omfattande musikaliska likheterna. Suno hade valt träningsmaterial, modellarkitektur och träningsmetod och ansågs därför ha orsakat att musiken kunde återges.
Så ska musiken ha hamnat i modellen
Det var inte omstritt att de sex musikverken hade funnits i Sunos träningsmaterial.
Enligt domstolens redovisning hade inspelningar hämtats från Youtube genom så kallad stream-ripping. Ett tekniskt skydd som används av Youtube ska samtidigt ha kringgåtts.
Materialet användes därefter när Sunos modeller tränades i USA.
Domstolen delade upp användningen i flera rättsliga steg.
Först skapades kopior när musikfilerna hämtades och behandlades under träningen. Därefter ansågs skyddade delar av verken ha memorerats och lagrats genom modellparametrarna. Slutligen genererade tjänsten nya musikstycken som innehöll igenkännbara delar av originalen.
Det var alltså inte enbart de färdiga AI-låtarna som bedömdes. Även det som fanns kvar inuti modellen fick betydelse.
Resultaten användes som bevis för memorisering
Utanför Suno är det svårt att direkt undersöka vad modellerna innehåller. GEMA byggde därför sin argumentation på modellernas resultat.
Om en modell efter en relativt allmän instruktion gång på gång producerar långa och komplicerade musikaliska sekvenser från ett känt verk blir det svårare att förklara resultatet som en tillfällighet.
Domstolen ansåg att likheterna var så omfattande och kunde återskapas så regelbundet att slumpen kunde uteslutas. Resultaten användes därmed som bevis för att skyddade delar av musiken fanns reproducerbart lagrade i modellerna.
Det är en viktig del av domen även för andra rättighetshavare.
AI-bolagens modeller är ofta slutna, medan de personer vars material använts saknar insyn i träningsdata, modellvikter och interna tekniska processer. Om starkt verkstrogna resultat kan användas för att visa memorisering minskar behovet av fullständig teknisk tillgång till modellen.
Det räcker däremot inte att en AI-låt bara har samma genre, tempo eller allmänna stämning som ett tidigare verk. Upphovsrätten skyddar inte en musikalisk stil i sig. Avgörande i Suno-målet var att konkreta och skyddade delar av de sex verken ansågs gå att återfinna.
Sunos invändningar höll inte
Suno argumenterade för att modellvikterna består av matematiska värden och inte av kopior av enskilda musikverk.
Det är i grunden en central invändning i många AI-tvister. En generativ modell behöver lära sig mönster ur stora datamängder för att kunna skapa nytt material. Ett statistiskt lärande är inte nödvändigtvis samma sak som att lagra hela eller delar av originalverken.
Domstolen avvisade dock argumentet i just detta mål eftersom musiken gick att återskapa ur modellen.
Suno hänvisade också till den amerikanska principen fair use, eftersom själva träningen hade skett i USA. Domstolen tillämpade amerikansk rätt på träningsåtgärderna men ansåg ändå inte att användningen var tillåten.
En viktig skillnad mot vissa tidigare amerikanska AI-mål var att skyddade delar av verken här kunde återkomma i modellernas resultat. Träningen framstod därför inte bara som ett omvandlande analysarbete.
Inte heller de europeiska undantagen för text- och datautvinning ansågs skydda Suno fullt ut.
Varför undantaget för datautvinning inte räckte
EU:s upphovsrättsregler tillåter under vissa förutsättningar att stora mängder material analyseras maskinellt. Undantaget för text- och datautvinning är en viktig rättslig grund för forskning, informationsanalys och utveckling av AI.
Det ger däremot inte automatiskt rätt att behålla och exploatera reproducerbara kopior av skyddade uttryck.
München-domstolens linje är att analysen måste skiljas från en modell som faktiskt kan lämna tillbaka igenkännbara delar av träningsverken. Om musikens skyddade innehåll finns kvar på ett sätt som gör det möjligt att återskapa det går användningen längre än en tillåten analys av exempelvis struktur, genre och musikaliska mönster.
Det är här domen kan få störst betydelse.
Den säger inte att all AI-träning på skyddat material är olaglig. Den drar i stället en möjlig gräns mellan att lära sig generella samband och att memorera ett verk så att skyddade delar går att plocka fram igen.
Suno kan möta betydande ekonomiska krav
GEMA fick rätt till ekonomisk ersättning, men domstolen fastställde inte något slutligt belopp.
Suno ska först lämna information som gör det möjligt att beräkna användningens omfattning och den ekonomiska skadan. Det kan bland annat handla om hur modellerna har använts, vilka intäkter tjänsten har haft och hur stor del av verksamheten som kan kopplas till den otillåtna användningen.
Ersättningen kan senare beräknas utifrån exempelvis en tänkt licensavgift, den vinst som Suno har gjort eller den skada som rättighetshavarna anses ha drabbats av.
GEMA har i ett separat sammanhang presenterat en licensmodell där upphovspersoner skulle få en andel av AI-tjänsternas nettointäkter. Den modellen är inte en del av domstolens dom och ska inte förväxlas med ett beslutat skadestånd.
Den större ekonomiska risken för Suno ligger inte heller nödvändigtvis i ersättningen för just sex verk.
Om samma resonemang kan tillämpas på tusentals eller miljontals låtar kan kraven mångdubblas. Andra upphovsrättsorganisationer, musikförlag, skivbolag och enskilda rättighetshavare kan använda domen som stöd för nya processer eller licenskrav.
Suno kan även behöva förändra sina modeller, införa starkare filter eller träna om delar av systemet. Domen visar ännu inte exakt vilka tekniska åtgärder som kommer att krävas eller om några modellversioner behöver tas bort från den tyska marknaden.
Domen kan påverka hela AI-branschens kostnadsmodell
Generativa AI-tjänster har kunnat utvecklas snabbt genom att träna på enorma mängder befintligt material. För musikmodeller kan det handla om inspelningar, kompositioner, låttexter, metadata och annan information från stora delar av musikhistorien.
Om europeiska domstolar kräver licenser när skyddat material används kommersiellt kan kostnaden för att bygga nya modeller stiga kraftigt.
Särskilt stor blir förändringen om AI-bolagen måste kunna visa:
- vilka verk som ingått i träningsmaterialet,
- att företaget haft rätt att använda dem,
- att en rättighetshavares reservation mot datautvinning har respekterats,
- att skyddade delar inte finns kvar reproducerbart i modellen,
- hur ersättning ska beräknas när materialet används.
Det kan gynna större bolag som har råd att köpa omfattande licenser och bygga avancerade system för dokumentation. Mindre AI-företag kan få svårare att konkurrera om laglig träningsdata.
Samtidigt kan tydligare regler skapa en verklig marknad där låtskrivare och andra rättighetshavare får betalt när deras verk används för att utveckla kommersiella AI-tjänster.
Den som vill förstå hur tekniken används i praktiken kan även läsa vår guide om att göra musik med AI.
Amerikansk träning skyddar inte automatiskt mot europeiska krav
Suno tränade modellerna i USA men erbjöd tjänsten i Europa.
Det är en viktig kombination. Många internationella AI-bolag har byggt sina modeller i USA och utgått från att amerikansk rätt, särskilt fair use, ger större utrymme för träning på skyddat material.
München-domstolen visade att träningens geografiska placering inte nödvändigtvis löser problemet.
Dels prövades den amerikanska träningen enligt amerikansk rätt. Dels uppstod nya upphovsrättsligt relevanta handlingar när modellerna lagrades, erbjöds och genererade resultat i Tyskland.
Även EU:s AI-förordning ställer upphovsrättsliga krav på leverantörer av generella AI-modeller som gör sina modeller tillgängliga inom unionen, oavsett var träningen har ägt rum.
Ett AI-bolag kan därför inte utgå från att europeiska regler saknar betydelse bara för att servrar, utvecklare eller träningsprocesser finns utanför EU.
Den officiella redogörelsen från domstolen i München visar samtidigt hur tydligt rätten kopplar samman träningen, memoriseringen och de genererade resultaten.
Domen förbjuder inte all AI-träning
Det är lätt att beskriva avgörandet som att en europeisk domstol har förbjudit AI-träning på upphovsrättsskyddad musik. Så långt går domen inte.
Målet gäller sex specifika verk, två versioner av Sunos modell och ett förhållandevis starkt bevisläge. Verken fanns i träningsmaterialet och kunde återges genom modellens resultat.
En modell som lär sig generella musikaliska principer utan att kunna återge skyddade delar kan bedömas annorlunda. Detsamma gäller användning som omfattas av en giltig licens eller av ett lagstadgat undantag.
Domen kommer från en domstol i första instans och är inte bindande för alla andra domstolar i Tyskland eller resten av EU. En högre instans kan ändra både den tekniska och den rättsliga bedömningen.
Den fullständiga skriftliga domen behöver också analyseras innan det går att säga exakt hur brett resonemanget om modellvikter och memorisering kan tillämpas.
Nästa steg blir avgörande
Suno har möjlighet att överklaga. En prövning i högre instans skulle kunna ge tydligare svar på flera frågor som nu är öppna.
En sådan process kan bland annat handla om när statistiska modellparametrar ska räknas som en kopia, hur mycket likhet som krävs för att visa memorisering och hur ansvaret ska delas mellan utvecklaren av en AI-tjänst och dess användare.
Även skadeståndsfrågan återstår. GEMA behöver få fram mer information innan organisationen kan precisera hur stor ersättning den kräver.
Oavsett vad som händer i nästa instans har domen redan satt fokus på den fråga som kan bli central för hela den generativa AI-marknaden:
En AI-modell får lära sig av skyddad kultur. Men vad händer när den inte bara lär sig utan också minns?