KI Training & Urheberrecht – Trump feuert Copyright-Chefin: Diese Nachricht schlug hohe Wellen: Nur zwei Tage nach der Vorabveröffentlichung eines mit Spannung erwarteten Berichts des U.S. Copyright Office zur Rechtmäßigkeit von KI-Trainingsdaten hat die Trump-Administration Berichten zufolge die Leiterin der Behörde, Shira Perlmutter, entlassen. Dieser Schritt, von Kritikern als beispielloser Machtmissbrauch bezeichnet, wirft ein Schlaglicht auf den Kernkonflikt zwischen der rasanten Entwicklung Künstlicher Intelligenz und den Rechten von Urhebern. Der Bericht selbst liefert dabei entscheidende Einblicke in die komplexe Frage, ob das Trainieren von KI-Modellen mit urheberrechtlich geschützten Werken unter die „Fair Use“-Doktrin fällt – eine Frage mit potenziell milliardenschweren Konsequenzen für Tech-Giganten und Kreativschaffende gleichermaßen. Doch was genau steht in diesem brisanten Bericht und welche Auswirkungen hat er – und die darauf folgende Entlassung – wirklich?
Die Entlassung von Shira Perlmutter, der Register of Copyrights, erfolgte kurz nachdem ihr Büro eine Vorabversion seines Gutachtens veröffentlicht hatte. Dieses 113 Seiten starke Dokument analysiert minutiös die Anwendung der Fair-Use-Doktrin auf das Training generativer KI-Systeme, die oft auf riesigen Mengen an Daten trainiert werden, darunter unzählige urheberrechtlich geschützte Werke wie Texte, Bilder, Musik und Videos. Die zentrale Frage, die der Bericht zu beantworten versucht: Brauchen KI-Entwickler die Zustimmung oder müssen sie eine Vergütung zahlen, wenn sie diese Werke für das Training ihrer Modelle nutzen? Und falls ja, wie könnte das praktisch umgesetzt werden? Die Debatte wird intensiv geführt, Dutzende Klagen sind bereits anhängig, und weltweit ringen Gesetzgeber um Lösungen.
Die Einsätze sind enorm: KI-Befürworter warnen, dass Lizenzpflichten die transformative Technologie abwürgen könnten, da es praktisch unmöglich sei, Lizenzen für die benötigte Datenmenge und -vielfalt zu erhalten. Kreative hingegen befürchten, dass ihre Werke ohne Erlaubnis genutzt werden, um Systeme zu trainieren, die dann Inhalte produzieren, welche direkt mit ihnen auf dem Markt konkurrieren und so ihre Existenzgrundlage untergraben. Der Bericht des Copyright Office versucht, einen analytischen Rahmen für diese komplexe Abwägung zu schaffen. Die kurz darauf erfolgte Entlassung Perlmutters verleiht den darin enthaltenen Aussagen nun eine zusätzliche politische Brisanz.
Die Klagen gegen KI-Unternehmen nehmen zu – auch die GEMA verklagte kürzlich OpenAI.
Das musst Du wissen – KI Training & Fair Use Debatte
- Fair Use ist keine Pauschalerlaubnis: Der Bericht stellt klar, dass die Frage, ob das KI-Training mit urheberrechtlich geschützten Daten Fair Use darstellt, stark vom Einzelfall abhängt. Entscheidend sind die Art der verwendeten Werke, ihre Quelle, der Zweck des Trainings und die Kontrolle über die KI-Outputs.
- Kommerzielle Nutzung problematisch: Während Nutzungen für Forschung und Lehre eher als Fair Use gelten könnten, sieht der Bericht kommerzielle Nutzungen kritisch. Insbesondere das massenhafte Verwenden geschützter Werke zur Erstellung konkurrierender Inhalte überschreitet laut Bericht etablierte Fair-Use-Grenzen.
- Illegale Quellen wiegen schwer: Die Verwendung von Daten aus illegalen Quellen (z.B. Piraterie-Seiten, Umgehung von Paywalls) für das KI-Training schwächt die Argumentation für Fair Use erheblich und wiegt bei der Bewertung negativ.
- Lizenzmärkte entwickeln sich: Der Copyright Office Bericht erkennt an, dass freiwillige Lizenzmärkte für KI-Trainingsdaten bereits entstehen, empfiehlt aber vorerst keine gesetzlichen Eingriffe, um deren Entwicklung nicht zu stören.
- Technischer Prozess beinhaltet Kopieren: Der Bericht analysiert detailliert, wie beim Sammeln, Kuratieren und Trainieren von KI-Modellen vielfach Kopien urheberrechtlich geschützter Werke erstellt werden, was die Rechte der Urheber tangiert.
Die Entlassung & Politische Reaktionen
Die plötzliche Entlassung von Shira Perlmutter durch die Trump-Administration sorgte umgehend für Aufruhr. Rep. Joe Morelle, der ranghöchste Demokrat im zuständigen Ausschuss des Repräsentantenhauses, nannte den Vorgang einen „beispiellosen Machtmissbrauch ohne rechtliche Grundlage“. Er zog eine direkte Linie zwischen der Entlassung und dem kurz zuvor veröffentlichten Bericht. Morelle warf der Administration vor, Perlmutter gefeuert zu haben, weil sie sich geweigert habe, „Elon Musks Bemühungen abzusegnen, riesige Mengen urheberrechtlich geschützter Werke für das Training von KI-Modellen abzugreifen“.
Ob der Bericht tatsächlich der alleinige Grund für die Entlassung war oder die zeitliche Nähe nur zufällig ist, bleibt unklar, da das Weiße Haus sich dazu bisher nicht offiziell geäußert hat. Expertenmeinungen gehen auseinander. Blake Reid, Juraprofessor an der University of Colorado, bezeichnete den Bericht in einem Post vor der Entlassungsnachricht als „klare Niederlage für die KI-Unternehmen“ und spekulierte bereits über eine mögliche „Säuberung“ im Copyright Office. Reid betonte, dass Gerichte sich oft auf die Expertise des Copyright Office stützen, auch wenn dessen Berichte keine bindende Gesetzeskraft haben.
Die Urheberrechtsexpertin Meredith Rose zeigte sich skeptischer bezüglich des direkten Zusammenhangs. Sie nannte den Bericht „113 Seiten voller ‚Naja, es kommt darauf an!‘“ und fügte hinzu, dass jemand, der dies als Grund für eine Entlassung sehe, auf beiden Seiten des Streits „völlig verrückt“ sein müsse.
Verwirrung stiftete zusätzlich Präsident Trump selbst, der auf seiner Plattform Truth Social einen Kommentar von Mike Davis zur Entlassung teilte (ein „ReTruth“). Davis, ein ehemaliger Mitarbeiter von Richter Neil Gorsuch und zeitweise als Kandidat für Trumps Justizminister gehandelt, schrieb unter Verlinkung eines CBS-Artikels: „Jetzt werden Tech-Bros versuchen, die Urheberrechte von Kreativen für KI-Profite zu stehlen. Das ist zu 100% inakzeptabel.“ Diese Aussage scheint auf den ersten Blick die Position der Kreativen zu stützen, was die Motive hinter der Entlassung noch undurchsichtiger macht.
Brisant ist auch, dass am selben Tag, an dem der Copyright-Bericht erschien, Präsident Trump ebenfalls Carla Hayden, die Leiterin der Library of Congress, entließ. Das Copyright Office ist Teil der Library of Congress. Als Grund nannte die Pressesprecherin des Weißen Hauses, Karoline Leavitt, vage „besorgniserregende Dinge […] im Streben nach DEI [Diversity, Equity, Inclusion] und das Bereitstellen unangemessener Bücher für Kinder in der Bibliothek.“ Da jedes in den USA veröffentlichte Buch in der Library of Congress gesammelt wird, wirkt diese Begründung für viele Beobachter vorgeschoben und könnte ebenfalls im Kontext politischer Einflussnahme stehen.
Der Copyright Office Bericht: Was steht drin?
Der eigentliche Kern der Kontroverse liegt im Inhalt des Berichts „Copyright and Artificial Intelligence, Part 3: Generative AI Training“ des U.S. Copyright Office. Dieses Dokument analysiert tiefgehend, wie generative KI-Systeme entwickelt werden und wie dies urheberrechtliche Fragen aufwirft.
Technische Grundlagen des KI-Trainings
Der Bericht beginnt mit einer technischen Einführung (Abschnitt II), um die relevanten Prozesse für die juristische Analyse verständlich zu machen. Er erklärt, wie Maschinelles Lernen und Neuronale Netze funktionieren, insbesondere bei generativen Sprachmodellen (wie z.B. ChatGPT). Ein zentraler Punkt ist die Bedeutung der Trainingsdaten:
- Datenmerkmale: Modelle benötigen riesige Datenmengen (oft Terabytes), um gut zu funktionieren. Die Qualität der Daten (z.B. Genauigkeit, Relevanz, Fehlerfreiheit) ist dabei laut neueren Erkenntnissen oft wichtiger als die reine Menge. Auch der Zweck des Modells bestimmt die Auswahl der Daten (z.B. juristische Texte für ein Rechts-KI-Modell). Für Allzweckmodelle ist eine große Vielfalt an Daten nötig, um menschliche Sprache und Wissen breit abzubilden.
- Datenerfassung und -kuration: Daten werden oft aus „öffentlich verfügbaren“ Quellen im Internet bezogen, häufig durch automatisiertes „Scraping“. Auch vorab existierende Datenbanken (wie Wikipedia) oder lizenzierte Quellen werden genutzt. Der Bericht erwähnt explizit, dass auch bekannte Piraterie-Quellen („shadow libraries“) als Datenquellen dienen. Die Rohdaten werden dann kuratiert: gefiltert (z.B. Entfernung von minderwertigem oder explizitem Inhalt, Wasserzeichen), gereinigt (z.B. Entfernung von Navigationselementen) und oft aus verschiedenen Quellen zu größeren Datensätzen kompiliert. Wichtig: Bei der Bereinigung können auch Copyright-Informationen entfernt werden.
- Training: Der eigentliche Trainingsprozess passt die Parameter („Gewichte“) des Modells basierend auf den Trainingsdaten an, oft in mehreren Phasen (z.B. Pre-Training, Fine-Tuning). Das Ziel ist Generalisierung, nicht reines Auswendiglernen.
- Memorization (Auswendiglernen): Ein strittiger Punkt ist, inwieweit Modelle Teile ihrer Trainingsdaten „auswendiglernen“ und später exakt oder sehr ähnlich wiedergeben können. KI-Firmen bezeichnen dies oft als seltenen Fehler („Bug, not a feature“). Andere argumentieren, dass die Fähigkeit zur Reproduktion zeigt, dass die geschützte Expression im Modell gespeichert sein muss. Der Bericht stellt fest, dass Memorization auftritt und von Faktoren wie Duplikaten im Datensatz oder der Trainingshäufigkeit abhängt. Selbst eine geringe Rate (z.B. 1%) kann bei riesigen Datensätzen eine große Menge an Material bedeuten.
Prima-Facie-Urheberrechtsverletzung
Abschnitt III des Berichts analysiert, an welchen Stellen im KI-Entwicklungsprozess wahrscheinlich Urheberrechte verletzt werden (prima facie infringement), bevor mögliche Verteidigungen wie Fair Use geprüft werden.
- Datensammlung und Kuration: Das Herunterladen, Speichern, Konvertieren und Filtern von urheberrechtlich geschützten Werken stellt laut Bericht eindeutig eine Vervielfältigung dar und tangiert das Reproduktionsrecht (§ 106 Copyright Act). Auch das Recht zur Erstellung abgeleiteter Werke (§ 106(2)) kann betroffen sein, etwa durch Bearbeitung oder Übersetzung während der Kuration.
- Training: Auch der Trainingsprozess selbst beinhaltet Vervielfältigungen. Trainingsdaten müssen auf leistungsstarke Speicher kopiert werden. Während des Trainings werden Werke oder Teile davon temporär reproduziert, wenn sie dem Modell „gezeigt“ werden. Diese Kopien können lange genug bestehen, um als rechtlich relevante Fixierung zu gelten.
- Model Weights (Parameter): Der Bericht argumentiert, dass wenn ein Modell trainierte Inhalte (memorized data) exakt oder sehr ähnlich wiedergeben kann, diese geschützte Expression in den Modellparametern (Weights) gespeichert sein muss. Das Kopieren dieser Weights (z.B. beim Verteilen eines Modells) würde dann ebenfalls das Reproduktionsrecht verletzen. Ob die Weights auch ein abgeleitetes Werk darstellen, hängt davon ab, ob substanzielle geschützte Expression übernommen wurde (substantial similarity). Gerichte haben hierzu bisher unterschiedlich geurteilt.
- Retrieval-Augmented Generation (RAG): Auch Techniken wie RAG, bei denen externe Informationen (oft aus dem Web) zur Laufzeit abgerufen werden, um die Antwort des Modells zu verbessern, beinhalten das Kopieren dieser Informationen. Dies ist besonders für Nachrichtenmedien relevant.
Die Kernfrage: Fair Use beim KI-Training
Nachdem der Bericht festgestellt hat, dass KI-Training typischerweise Urheberrechte berührt, widmet sich Abschnitt IV ausführlich der Frage, ob diese Nutzung durch die Fair Use-Doktrin (§ 107 Copyright Act) gerechtfertigt sein kann. Fair Use ist eine flexible, richterrechtlich entwickelte Ausnahme im US-Urheberrecht, die auf vier Faktoren basiert und eine fallweise Abwägung erfordert.
Fair Use Faktor 1: Zweck und Charakter der Nutzung
Dieser Faktor prüft, ob die neue Nutzung einen anderen Zweck verfolgt oder einen anderen Charakter hat als das Originalwerk, insbesondere ob sie transformativ ist. Auch die Kommerzialität der Nutzung und die Rechtmäßigkeit des Zugriffs auf die Daten spielen eine Rolle.
- Transformativität: Der Bericht argumentiert, dass das Trainieren eines Basis-KI-Modells mit einem großen, diversen Datensatz oft transformativ sein kann, da der Zweck (Erstellung eines statistischen Modells für vielfältige neue Aufgaben) sich vom ursprünglichen Zweck der einzelnen Werke (z.B. Unterhaltung, Information) unterscheidet. Die Analyse muss jedoch den gesamten Nutzungskontext betrachten, nicht nur den Trainingsschritt isoliert. Der Grad der Transformativität ist entscheidend. Eine Nutzung ist weniger transformativ, wenn das Modell darauf trainiert wird, Ausgaben zu generieren, die den Originalwerken sehr ähnlich sind oder direkt mit ihnen konkurrieren (z.B. ein Musikmodell, das auf Pop-Songs trainiert wird, um neue Pop-Songs zu generieren). Solche Nutzungen ähneln eher der Erstellung unerlaubter abgeleiteter Werke. Der Bericht lehnt die Argumente ab, Training sei per se transformativ, weil es „nicht-expressiv“ sei oder dem menschlichen Lernen ähnele. KI-Training nutzt sehr wohl die Expression der Werke, und menschliches Lernen unterliegt ebenfalls urheberrechtlichen Schranken.
- Kommerzialität: Rein kommerzielle Nutzung wiegt tendenziell gegen Fair Use, besonders wenn dafür keine Lizenzgebühr gezahlt wird. Der Bericht warnt vor „Data Laundering“, bei dem kommerzielle Firmen über (vermeintlich) nicht-kommerzielle Forschungsinstitute an Trainingsdaten gelangen. Die Bewertung hängt vom konkreten Fall ab, nicht nur vom Status (Profit/Non-Profit) der beteiligten Organisation.
- Rechtmäßigkeit des Zugriffs: Die wissentliche Nutzung von Daten aus illegalen Quellen (Piraterie, Paywall-Umgehung) wiegt laut Bericht klar gegen Fair Use.
Fair Use Faktor 2: Natur des geschützten Werkes
Dieser Faktor berücksichtigt, ob das verwendete Werk eher kreativ-fiktional (stärker geschützt) oder eher faktisch-funktional (schwächer geschützt) ist. Da KI-Modelle oft mit einer Mischung aus beidem trainiert werden (z.B. Romane und Code), hängt die Bewertung vom konkreten Fall ab. Die Verwendung hochkreativer Werke wiegt eher gegen Fair Use. Auch die Nutzung unveröffentlichter Werke spricht gegen Fair Use.
Fair Use Faktor 3: Umfang und Wesentlichkeit der Nutzung
Hier geht es darum, wie viel vom Originalwerk genutzt wurde und ob dies im Verhältnis zum Zweck angemessen ist.
- Genutzte Menge: KI-Training beinhaltet typischerweise das Kopieren ganzer Werke, was grundsätzlich gegen Fair Use spricht.
- Angemessenheit: Das Kopieren ganzer Werke kann jedoch gerechtfertigt sein, wenn es für einen transformativen Zweck notwendig ist (wie bei Suchmaschinen, die ganze Webseiten indexieren müssen). Der Bericht sieht die Notwendigkeit beim KI-Training als weniger eindeutig gegeben an als bei Suchmaschinen, da KI nicht primär Informationen über die Trainingswerke liefert. Allerdings könnte die Nutzung ganzer Werke bei sehr großen Modellen praktisch notwendig sein, um die gewünschte Leistung zu erzielen.
- Öffentlich zugänglich gemachte Menge: Entscheidend ist auch, wie viel vom Originalwerk durch die Nutzung für die Öffentlichkeit zugänglich gemacht wird. Wenn (wie bei Google Books durch Snippets oder bei KI durch Guardrails) sichergestellt wird, dass keine substanziellen Teile der Originalwerke an Nutzer ausgegeben werden, die als Ersatz dienen könnten, schwächt dies das Argument gegen Fair Use ab. Wenn ein Modell jedoch trainierte Werke exakt oder sehr ähnlich ausgeben kann, wiegt dieser Faktor stärker gegen Fair Use, es sei denn, wirksame Schutzmaßnahmen (Guardrails) verhindern dies zuverlässig.
Fair Use Faktor 4: Auswirkungen auf den Markt
Dieser als oft wichtigster angesehene Faktor prüft die Auswirkungen der Nutzung auf den potenziellen Markt oder Wert des Originalwerks und seiner abgeleiteten Werke.
- Verlorene Verkäufe (Substitution): Wenn die KI-Ausgaben die Originalwerke ersetzen können (z.B. KI-generierte Nachrichtenartikel ersetzen das Original), spricht dies klar gegen Fair Use. Dies gilt auch für Werke, die speziell für KI-Training erstellt wurden. RAG-Systeme, die Zusammenfassungen statt Links liefern, können ebenfalls substituierend wirken.
- Marktverdünnung (Dilution): Der Bericht erkennt an, dass selbst nicht direkt substituierende KI-Ausgaben den Markt schädigen können, indem sie ihn mit ähnlichen Inhalten überschwemmen (z.B. tausende KI-Romane drücken den Markt für menschliche Autoren) oder den Stil eines Künstlers imitieren und so dessen Einzigartigkeit entwerten. Diese Art von Marktschaden sollte laut Bericht ebenfalls berücksichtigt werden.
- Verlorene Lizenzmöglichkeiten: Wenn ein etablierter oder sich entwickelnder Markt für die Lizenzierung von Werken für KI-Training existiert, wiegt die unlizenzierte Nutzung schwer gegen Fair Use. Der Bericht stellt fest, dass solche Märkte tatsächlich entstehen, insbesondere für hochwertige, kuratierte Inhalte von großen Anbietern (Verlage, Studios, Bildagenturen). Es ist jedoch unklar, ob diese Märkte alle Arten von Werken und alle Trainingsbedürfnisse abdecken können, insbesondere bei verwaisten Werken oder Inhalten von Einzelpersonen. Wo Lizenzierung praktisch unmöglich ist, gäbe es keinen Markt, der geschädigt werden könnte.
Abwägung & Fazit des Berichts
Der Bericht schließt (Abschnitt VI), dass es keine einfache Antwort gibt. Fair Use muss im Einzelfall abgewogen werden. Nutzungen für nicht-kommerzielle Forschung sind wahrscheinlich eher Fair Use. Kommerzielle Nutzung zur Erstellung konkurrierender Inhalte, insbesondere mit illegal beschafften Daten, überschreitet aber wohl die Grenzen des Fair Use. Die Technologie und die Märkte entwickeln sich rasant, und die Rechtslage wird sich durch Gerichtsentscheidungen weiter klären.
Lizenzierung als Lösung?
Abschnitt V des Berichts untersucht verschiedene Lizenzierungsmodelle als mögliche Alternative, falls Fair Use nicht greift.
- Freiwillige Lizenzierung (Direkt & Kollektiv): Dies ist der vom Bericht bevorzugte Ansatz. Märkte hierfür entstehen bereits. Herausforderungen sind die benötigte Datenmenge, die Vielfalt, Kosten und die Identifizierung von Rechteinhabern, besonders bei älteren oder nicht-kommerziellen Werken. Kollektive Lizenzierung durch Verwertungsgesellschaften (CMOs) könnte Transaktionskosten senken, wirft aber kartellrechtliche Fragen auf. Das Copyright Office empfiehlt hierzu Leitlinien vom Justizministerium.
- Gesetzliche Ansätze (Zwangslizenzen, ECL, Opt-out):
- Zwangslizenzen: Werden vom Bericht und den meisten Kommentatoren abgelehnt, da sie unflexibel sind, Marktentwicklungen hemmen und nur bei klarem Marktversagen gerechtfertigt wären, was derzeit nicht generell gegeben sei.
- Erweiterte Kollektivlizenzierung (ECL): Hierbei könnte eine CMO auch für Nicht-Mitglieder Lizenzen vergeben (mit Opt-out-Möglichkeit). Dies wird als flexibler als eine Zwangslizenz angesehen und könnte für bestimmte Bereiche (z.B. visuelle Künste, verwaiste Werke) eine Option sein, falls freiwillige Lizenzierung scheitert.
- Opt-out: Ein System, bei dem Rechteinhaber aktiv widersprechen müssen, wird als widersprüchlich zum Grundsatz des Urheberrechts (Opt-in) und als praktisch schwierig umsetzbar kritisiert.
Die Empfehlung des Copyright Office lautet klar: Der freiwillige Lizenzmarkt soll sich zunächst weiterentwickeln. Staatliche Eingriffe seien verfrüht.
Internationale Perspektiven
Der Bericht wirft auch einen Blick auf andere Länder (Abschnitt IV.G). Die EU hat mit der DSM-Richtlinie Ausnahmen für Text- und Data-Mining (TDM) geschaffen, die potenziell KI-Training umfassen, aber eine Opt-out-Möglichkeit für Rechteinhaber vorsehen (Artikel 4). Der neue EU AI Act verweist darauf und fordert Transparenz über Trainingsdaten. Japan und Singapur haben ebenfalls TDM-Ausnahmen mit Bedingungen (kein Genusszweck, keine Marktbeeinträchtigung in Japan; lawful access und nur für Analyse in Singapur). Israel hat KI-Training weitgehend als Fair Use eingestuft (ähnlich dem US-Konzept), aber mit Vorbehalten. China entwickelt seine Regeln noch. Die internationale Landschaft ist also im Fluss und keineswegs einheitlich.
Fazit: Ein Wendepunkt für KI und Urheberrecht?
Die Entlassung von Shira Perlmutter kurz nach der Veröffentlichung des wegweisenden Copyright Office Berichts markiert einen potenziellen Wendepunkt im Spannungsfeld zwischen KI-Innovation und Urheberrechtsschutz. Der Bericht selbst liefert keine einfachen Antworten, sondern einen detaillierten analytischen Rahmen, der die Komplexität der Fair-Use-Frage beim KI-Training unterstreicht. Er macht deutlich, dass ein Freifahrtschein für das unlizenzierte Training mit urheberrechtlich geschützten Werken, insbesondere für kommerzielle Zwecke und bei Nutzung illegaler Quellen, nach aktueller Rechtslage unwahrscheinlich ist. Gleichzeitig erkennt er an, dass bestimmte Nutzungen, vor allem im Forschungsbereich, durchaus als Fair Use gelten könnten.
Die Kernaussage des Berichts – „Es kommt darauf an“ – mag unbefriedigend klingen, spiegelt aber die differenzierte Natur der Fair-Use-Doktrin wider. Sie verlagert die Entscheidung maßgeblich in die Gerichtssäle, wo die anhängigen Klagen gegen große KI-Unternehmen nun unter Berücksichtigung dieser Analyse entschieden werden dürften. Die Ergebnisse dieser Prozesse werden weitreichende Folgen haben: Sie könnten entweder die Entwicklung generativer KI beschleunigen oder aber zu einem Umdenken zwingen, das Lizenzmodelle in den Vordergrund rückt.
Der Bericht betont die Bedeutung funktionierender Lizenzmärkte und empfiehlt, deren Entwicklung Raum zu geben, bevor über gesetzliche Eingriffe nachgedacht wird. Ob die Trump-Administration durch die Entlassung Perlmutters versucht hat, Einfluss auf diese Entwicklung zu nehmen oder andere Motive verfolgte, bleibt spekulativ. Klar ist jedoch, dass die Debatte um KI und Urheberrecht nicht nur eine juristische und technologische, sondern auch eine hochpolitische ist. Die Balance zwischen der Förderung bahnbrechender Technologien und dem Schutz der Kreativen, deren Werke diese Technologien erst ermöglichen, muss sorgfältig austariert werden – eine Aufgabe, die Gesetzgeber, Gerichte und die Gesellschaft noch lange beschäftigen wird. Der Bericht des Copyright Office liefert dafür eine fundierte, wenn auch nicht abschließende Diskussionsgrundlage.
www.KINEWS24-academy.de – KI. Direkt. Verständlich. Anwendbar.
Quellen
- Davis, Wes. (2025, May 11). Trump fires head of Copyright Office two days following report that AI training may not be fair use. The Verge. https://www.theverge.com/news/664768/trump-fires-us-copyright-office-head
- U.S. Copyright Office. (2025, May). Copyright and Artificial Intelligence, Part 3: Generative AI Training (Pre-Publication Version). A Report of the Register of Copyrights. Abgerufen von https://www.copyright.gov/ai/Copyright-and-Artificial-Intelligence-Part-3-Generative-AI-Training-Report-Pre-Publication-Version.pdf
#KI #AI #ArtificialIntelligence #KuenstlicheIntelligenz #Urheberrecht #FairUse #CopyrightOffice #Trump, KI Training Urheberrecht
