KI-Anbieter: OLG Hamburg Urteil & Best Practices | IT-Medienrecht

Rechtliche Bewertung von KI-Trainingsdaten: Urheberrecht, TDM und die Hamburger Rechtsprechung

Die Entwicklung moderner KI-Systeme ist heute untrennbar mit der Frage verbunden, wie Trainingsdaten gewonnen, verarbeitet und rechtlich bewertet werden. Das Urteil des Oberlandesgerichts Hamburg zum Umgang mit urheberrechtlich geschützten Inhalten im Kontext von Trainingsdatensätzen markierte dabei eine Zäsur. Diese Entscheidung bildet den bisher klarsten Referenzpunkt der deutschen Rechtsprechung zu automatisierten Datenanalysen. Sie betrifft insbesondere die Anwendung der Text- und Data-Mining-Schranken der §§ 44b und 60d UrhG. Gemeinsam mit dem erstinstanzlichen Urteil des Landgerichts Hamburg ergibt sich ein kohärentes Bild, das juristische und technische Grundlagen miteinander verbindet.

Die Entscheidungen zeigen deutlich, dass die urheberrechtliche Bewertung automatisierter TDM-Prozesse nicht mehr anhand traditioneller Regeln zur Vervielfältigung erfolgen kann. Stattdessen ist sie an der technischen Realität moderner KI-Modelle auszurichten. Unternehmen, die spezialisierte KI-Systeme entwickeln, erhalten dadurch erstmals einen belastbaren Rahmen. Die Anforderungen an die Compliance steigen allerdings erheblich.

Die Struktur von Datenpipelines, die Erkennung maschinenlesbarer Nutzungsvorbehalte und der Aufbau rechtlicher Dokumentation werden so zu zentralen Bausteinen der KI-Governance.

Der vorliegende Beitrag ordnet die Rechtsprechung ein und zeigt auf, welche praktischen und strategischen Leitlinien sich daraus für KI-Anbieter ergeben. Zugleich wird erläutert, wie spezialisierte KI-Modelle – etwa für Branchen wie Medizin, Recht, Finanzen, Logistik oder Medien – rechtskonform aufgebaut werden können. Neben den juristischen Ausführungen wird dargestellt, wie entsprechende Verträge, TDM-Policies und Datenarchitektur-Richtlinien gestaltet werden können. Solche Dokumente können über itmedialaw.com professionell entworfen werden.

Die Hamburger Rechtsprechung als Ausgangspunkt für KI-Trainingsdaten

Die technische Schichtung von KI-Systemen

Die Entscheidungen des LG und OLG Hamburg beruhen auf einem Umstand, der in der juristischen Diskussion häufig unterschätzt wurde. KI-Systeme bestehen technisch aus mehreren Schichten. Dazu gehören das Quellmaterial, die erzeugten Metadaten, die embeddingsbasierten Repräsentationen und der eigentliche Trainingsprozess. Lange Zeit wurde urheberrechtlich allein auf die Frage abgestellt, ob ein Werk vervielfältigt wird.

Die Hamburger Gerichte haben diesen klassisch-analogen Ansatz präzisiert. Sie differenzierten erstmals zwischen den verschiedenen Ebenen, die ein KI-System typischerweise umfasst.

Vorübergehende Vervielfältigung und abgeleitete Repräsentationen

Im Ausgangsfall war entscheidend, dass LAION zwar Bilder im Rahmen eines automatisierten Verfahrens kurzzeitig vervielfältigte. Das Ergebnis des Prozesses bestand aber nicht aus Kopien der Bilder, sondern aus Metadaten und Text-Bild-Zuweisungen. Die Gerichte betonten, dass diese strukturierten Daten keine Werkexemplare seien. Daher liegen sie außerhalb der urheberrechtlichen Verwertungssphären. Sie stellten zudem klar, dass für die vorübergehende Vervielfältigung im Rahmen technisch notwendiger Zwischenschritte die Schrankenregelungen greifen können, sofern die gesetzlichen Voraussetzungen erfüllt sind.

Diese Differenzierung hat erhebliche Bedeutung. Unternehmen, die spezialisierte KI einsetzen, profitieren davon, wenn technische Architekturen nicht auf dem dauerhaften Speichern der Originalwerke beruhen, sondern auf abgeleiteten Repräsentationen. Dies entspricht nicht nur modernen Machine-Learning-Verfahren, sondern schafft zugleich einen Abstand zum urheberrechtlichen Schutzbereich.

Datenerhebung als Teil der Compliance-Strategie

Die praktische Konsequenz ist, dass Datenerhebungsprozesse als Teil der Compliance-Strategie gestaltet werden können. Wer Embeddings oder abstrakte Feature-Vektoren speichert, minimiert das Risiko, urheberrechtliche Verwertungsrechte zu verletzen. Die Hamburger Entscheidungen bestätigen, dass solche Repräsentationen grundsätzlich nicht als Vervielfältigungen des Werks im Sinne von § 16 UrhG anzusehen sind. Damit entsteht ein strukturierter Weg, Trainingsprozesse rechtskonform zu gestalten.

Unternehmen, die für diese Architektur geeignete Verträge oder technische Richtlinien benötigen – etwa für Entwicklerteams, Datenlieferanten oder externe Data-Science-Dienstleister – können entsprechende Dokumente auf Grundlage dieser Rechtsprechung erstellen lassen. Auf itmedialaw.com besteht die Möglichkeit, solche Verträge präzise an die technische Organisation anzupassen.

Nutzungsvorbehalte und die Pflicht zur Maschinenlesbarkeit: Die neue Grenze des TDM

Die Anforderungen an einen wirksamen Nutzungsvorbehalt

Ein Kernpunkt der OLG-Entscheidung betrifft die Frage, was ein wirksamer Nutzungsvorbehalt im Sinne des § 44b Abs. 3 UrhG ist. Der Gesetzgeber hat in Umsetzung der DSM-Richtlinie den Grundsatz eingeführt, dass Text- und Data-Mining grundsätzlich erlaubt ist. Dies gilt, solange ein Rechteinhaber diesem nicht ausdrücklich widersprochen hat. Dieser Widerspruch muss jedoch so ausgestaltet sein, dass er automatisiert erkennbar ist.

Das OLG Hamburg hat klargestellt, dass ein Hinweis in Nutzungsbedingungen oder Allgemeinen Geschäftsbedingungen diesen Anforderungen nicht genügt.

Maschinenlesbarkeit als technische Notwendigkeit

In Zeiten automatisierter Datenerhebung müssen Nutzungsvorbehalte nicht an juristische Personen adressiert werden, sondern an technische Systeme. Ein Hinweis, der nur für menschliche Leser bestimmt ist, reicht nicht aus, um automatisierte Abrufe zu verhindern. Dies bedeutet zweierlei:

• Rechteinhaber müssen technische Standards einsetzen, um Opt-Out-Erklärungen in maschinenlesbarer Form zu kommunizieren.
• KI-Anbieter müssen technische Mechanismen einsetzen, um solche Nutzungsvorbehalte zu erkennen und zu respektieren.

Die Pflicht geht über moralische oder vertragsrechtliche Erwägungen hinaus. Sie ist vielmehr eine gesetzliche Voraussetzung dafür, dass die TDM-Schranke greift.

Compliance-Anforderungen für KI-Anbieter

• robots.txt
• maschinenlesbare Lizenzdateien
• standardisierte Metadatenformate

Unternehmen, die Trainingsdaten aus öffentlichen Quellen beziehen, benötigen daher eine TDM-Policy, die technische und organisatorische Regeln zusammenfasst. Eine solche Policy sollte in Entwicklerteams implementiert und im Rahmen der internen Verantwortlichkeiten dokumentiert werden. Über itmedialaw.com können entsprechende Policies, interne Anweisungen und technische Compliance-Konzepte entworfen werden, die unmittelbar in Entwicklungsumgebungen implementiert werden können.

Verträge mit Datenlieferanten, Plattformen und API-Anbietern: Lizenzarchitektur als Wettbewerbsvorteil

Die Bedeutung vertraglicher Regelungen

Die Hamburger Rechtsprechung verdeutlicht zugleich, dass die Schranken des Urheberrechts nicht als Ersatz für vertragliche Regelungen dienen. Viele wertvolle Datensätze, die für spezialisierte KI-Modelle benötigt werden, sind nicht öffentlich zugänglich. Für diese Szenarien ist die Lizenzierung nach wie vor der zentrale Rechtsmechanismus.

Im Bereich hochspezialisierter KI-Modelle – etwa medizinischer Diagnosesysteme, juristischer Expertensysteme, Finanzmarktanalysen, Industrie-IoT-Systeme oder Spielebalance-Engines – stammen wesentliche Trainingsdaten häufig aus kommerziellen Quellen. Dies betrifft sowohl große Plattformen als auch interne Datenpools von Unternehmen. Die Einzelheiten der Nutzung dieser Daten lassen sich nicht über die Schrankenregelungen abbilden; sie erfordern saubere Verträge.

Gestaltungsspielräume bei Lizenzverträgen

Die Entscheidungen aus Hamburg geben dafür eine Struktur: Verträge sollten klar zwischen der Datensatzebene und der Modellparameter-Ebene unterscheiden. Während Rohdaten reguläre urheberrechtlich geschützte Materialien sein können, können abgeleitete Repräsentationen wie Embeddings selbst nicht mehr als Werkexemplare gelten. Dies eröffnet Spielräume für die Vertragsgestaltung.

Lizenzverträge können so aufgebaut werden, dass sie die Nutzung der Rohdaten nur für den Zweck der Erstellung abgeleiteter Repräsentationen erlauben. Die späteren Modellparameter sind dann frei nutzbar. Dadurch entsteht für den Lizenzgeber ein klarer Schutz und für den Lizenznehmer ein präziser Rahmen zur wirtschaftlichen Verwertung. Gleichzeitig wird das Risiko minimiert, dass spätere Modellnutzungen in Konflikt mit urheberrechtlichen Rechten stehen.

Unternehmen, die solche Vertragswerke benötigen, können diese individuell ausarbeiten lassen. Auf itmedialaw.com besteht die Möglichkeit, strukturierte Lizenzverträge, API-Nutzungsverträge, Data-Supply-Agreements oder Data-Collaboration-Verträge zu entwerfen. Diese berücksichtigen sowohl rechtliche Schranken als auch technische Gegebenheiten. Durch die Verbindung juristischer Expertise mit technischer Architekturanalyse können Verträge erstellt werden, die nicht nur rechtssicher, sondern auch praktisch einsetzbar sind.

Organisatorische und technische Compliance: Dokumentation, Modelltransparenz und regulatorische Zukunft

Dokumentationspflichten im Zuge des AI Acts

Die OLG-Entscheidung fällt in eine Zeit, in der die europäische Regulierung von KI vor dem größten Umbruch ihrer Geschichte steht. Mit dem AI Act entstehen neue Dokumentations- und Transparenzpflichten. Die Rechtsprechung aus Hamburg lässt erkennen, dass auch das Urheberrecht künftig stärker als bisher auf organisatorische und technische Dokumentation abstellt.

Für KI-Anbieter ergibt sich daraus die Notwendigkeit, alle Schritte des Datenumgangs nachvollziehbar zu dokumentieren. Dies betrifft den Crawl-Prozess, die Erkennung maschinenlesbarer Nutzungsvorbehalte, die Erzeugung abgeleiteter Repräsentationen sowie die interne Zugriffskontrolle. Die Gerichte orientieren sich zunehmend an technischen Standards. Wer Compliance durch eindeutige Dokumentation belegt, reduziert das Risiko von Rechtsstreitigkeiten und erfüllt gleichzeitig Anforderungen von Investoren, Geschäftspartnern und Aufsichtsbehörden.

Modelltransparenz als Rechtfertigungsbasis

Die Modelltransparenz spielt hier eine wesentliche Rolle. Systeme sollten so aufgebaut sein, dass sie nicht als Replikationsmaschinen, sondern als Abstraktionsmaschinen wirken. Je deutlicher erkennbar ist, dass Modelle nicht in der Lage sind, Originalwerke zu extrahieren oder zu rekonstruieren, desto eher lassen sich Schrankenregelungen vertrags- und urheberrechtlich rechtfertigen.

• MedTech
• LegalTech
• FinTech
• GameTech

Fazit

Die Hamburger Entscheidungen markieren einen Wendepunkt im Umgang mit Trainingsdaten und automatisierten Analyseprozessen. Die Rechtsprechung schafft Klarheit, hebt die Bedeutung technischer Maschinenerkennungsmechanismen hervor und trennt präzise zwischen Datensatzebene und Modellparameter-Ebene. Für KI-Anbieter bedeutet dies, dass rechtssichere Trainingsprozesse heute technisch umsetzbar sind, wenn sie durch geeignete Compliance-Strukturen begleitet werden.

Die Gestaltung der Datenarchitektur ist nicht allein eine technische, sondern zunehmend eine rechtliche Aufgabe. Je sorgfältiger Unternehmen ihre Datenpipelines dokumentieren und je besser sie zwischen Rohdaten und abgeleiteten Repräsentationen differenzieren, desto stabiler ist ihr Geschäftsmodell.

Die Entscheidung macht zudem deutlich, dass Verträge mit Datenlieferanten, Plattformen und Entwicklern weiterhin eine zentrale Rolle spielen. Sie schaffen die Grundlage für hochwertige, domänenspezifische Trainingsdaten und ermöglichen die Entwicklung spezialisierter Modelle, die sowohl rechtlich als auch wirtschaftlich belastbar sind.

Für Unternehmen besteht die Möglichkeit, sämtliche hierfür benötigten Dokumente – von TDM-Policies über Compliance-Leitfäden bis hin zu detaillierten Data-Supply-Agreements – maßgeschneidert erstellen zu lassen. Der rechtliche Rahmen erlaubt Innovation, wenn er ernst genommen und strukturiert umgesetzt wird. Die Hamburger Entscheidungen bilden dafür die Grundlage.