Das Urteil des US-Berufungsgerichts für den Dritten Circuit betrifft keinen Chatbot, der frei formulierte Antworten erzeugt. Es betrifft auch keinen allgemeinen Web-Crawl über Milliarden Dokumente. Der Fall ist enger, technischer und gerade deshalb wichtig: Ross Intelligence nutzte redaktionelle Westlaw-Leitsätze von Thomson Reuters ohne Lizenz, um ein eigenes juristisches Suchwerkzeug zu trainieren, das mit Westlaw konkurrieren sollte.
Ende September 2026 bestätigte das Gericht eine frühere Entscheidung: Diese Nutzung war keine faire Nutzung im Sinne der US-amerikanischen Fair-Use-Doktrin. Die Entscheidung gehört damit zu den ersten Urteilen eines Bundesberufungsgerichts, die ein Fair-Use-Argument für die Nutzung von Verlagsinhalten zum Training eines kommerziellen KI-Produkts ablehnen. Sie hängt aber stark an der konkreten Systemarchitektur und am Zweck der Nutzung.
Der Fall beginnt bei einem Datenbaustein
Westlaw ist eine juristische Rechercheplattform. Ein zentraler Bestandteil des Produkts sind sogenannte Headnotes, im Deutschen am ehesten Leitsätze: redaktionelle Zusammenfassungen von Rechtspunkten aus Gerichtsentscheidungen. Sie sind keine bloßen Rohdaten. Sie werden ausgewählt, formuliert, geordnet und mit juristischer Einordnung versehen. Genau diese redaktionelle Schicht war im Verfahren entscheidend.
Warum der Trainingsweg im Ross-Fall entscheidend war
Die Grafik zeigt die Datenkette von redaktionellen Westlaw-Leitsätzen über Trainingsdaten bis zum konkurrierenden Suchsystem und die Stelle der gerichtlichen Prüfung.
Ross Intelligence entwickelte ein KI-gestütztes Werkzeug für juristische Recherche. Nach den im Verfahren bestätigten Feststellungen verwendete Ross Westlaw-Headnotes ohne Lizenz, um Trainingsdaten für das eigene System zu erstellen. Das Ziel war ein Produkt, das Anwälten und Juristen bei der Suche nach Rechtsinformationen helfen sollte. Technisch betrachtet ging es also nicht um beiläufiges Lernen aus öffentlich verfügbarem Material, sondern um die Nutzung eines kuratierten Wettbewerbsprodukts als Input für ein eigenes Rechercheprodukt.
Richterin Tamika Montgomery-Reeves betonte in der Entscheidung, die Materialien von Thomson Reuters hätten einen „kreativen Funken“. Damit stellte das Gericht klar, dass auch kurze redaktionelle Zusammenfassungen urheberrechtlich relevante Auswahl- und Formulierungsleistungen enthalten können. Für die Fair-Use-Abwägung war außerdem wichtig, dass Ross als direkter Konkurrent dieselben Materialien für einen „sehr ähnlichen Zweck“ nutzte.
Warum die Architektur zählt
Bei KI-Training wird häufig abstrakt über Modelle, Parameter und Muster gesprochen. Im konkreten Verfahren lag der Schwerpunkt näher an der Datenpipeline: Welche Inhalte wurden kopiert? Aus welchem Produkt stammten sie? Wofür wurden sie verwendet? Und welches Produkt entstand daraus?
Diese Kette ist entscheidend. Am Anfang stehen die Westlaw-Headnotes als redaktionelle Arbeit. Danach folgt die unlizenzierte Übernahme in einen Trainingsbestand. Dieser Bestand dient dazu, ein Suchsystem auf juristische Fragen, Formulierungen und Zuordnungen auszurichten. Am Ende steht ein kommerzielles Recherchewerkzeug, das auf demselben Markt eingesetzt werden sollte wie Westlaw.
Das Gericht musste deshalb nicht allgemein entscheiden, ob jedes KI-Training mit urheberrechtlich geschützten Werken unzulässig ist. Es bewertete eine bestimmte Kopier- und Nutzungskette. In dieser Kette war die Nähe zwischen Quelle, Trainingszweck und Zielprodukt besonders hoch. Die Headnotes wurden nicht genutzt, um ein entferntes Analysewerkzeug zu bauen. Sie wurden genutzt, um ein konkurrierendes juristisches Suchsystem zu entwickeln.
Fair Use scheitert hier am Zweck
Die Fair-Use-Doktrin prüft in den USA mehrere Faktoren. Einer der wichtigsten ist der Zweck der Nutzung. KI-Unternehmen argumentieren häufig, Training sei transformativ: Das System kopiere Werke nicht einfach, sondern lerne statistische Zusammenhänge, Strukturen oder Muster. Aus dieser Sicht entsteht aus den Trainingsdaten ein anderes technisches Artefakt als das Ausgangswerk.
Im Ross-Fall reichte dieses Argument nicht. Die Nutzung war nach Ansicht des Gerichts zu nah am ursprünglichen Markt und am ursprünglichen Zweck. Thomson Reuters verkauft redaktionell aufbereitete juristische Recherche. Ross nutzte diese redaktionelle Aufbereitung, um ein eigenes juristisches Rechercheprodukt zu bauen. Die technische Verarbeitung der Daten änderte aus Sicht des Gerichts nicht ausreichend, dass der Input aus einem geschützten Konkurrenzprodukt stammte und zur Entwicklung eines ähnlichen Produkts eingesetzt wurde.
Das ist die operative Linie des Urteils: Je direkter ein KI-System geschützte redaktionelle Arbeit aus einem bestehenden Produkt übernimmt, um ein funktional ähnliches Produkt zu bauen, desto schwächer wird das Fair-Use-Argument. Die Entscheidung bewertet also nicht nur den Akt des Kopierens, sondern die gesamte Zweckkette vom Trainingsmaterial bis zum kommerziellen Output.
Kein allgemeines Urteil über alle Sprachmodelle
Für die KI-Branche ist die Entscheidung relevant, aber sie lässt offene Bereiche. Der Fall betraf nach den bekannten Informationen kein großes generatives Sprachmodell, das aus sehr breiten Datensammlungen neue Texte erzeugt. Es ging um ein juristisches Suchsystem, das bestehende Rechtsinformationen auffindbar machen sollte. Diese Einschränkung ist wichtig.
Viele laufende und künftige Verfahren zu generativer KI werden andere technische Konfigurationen betreffen: größere Trainingsmengen, stärker vermischte Quellen, andere Ausgabemechanismen, andere Produktmärkte. Ein Gericht könnte dort anders gewichten, ob die Nutzung transformativ ist, ob der Markt des Rechteinhabers beeinträchtigt wird oder ob die verwendeten Werke im Modell noch nachvollziehbar wirken.
Trotzdem setzt das Urteil eine belastbare Markierung. Es zeigt, dass Gerichte KI-Training nicht automatisch als abstrakten Lernvorgang behandeln. Sie können die Pipeline zerlegen: Quelle, Kopie, Trainingsbestand, Modellfunktion, Produktzweck, Marktbezug. Wenn diese Elemente eng zusammenfallen, wird aus technischer Verarbeitung kein rechtlicher Freibrief.
Was sich für KI-Entwickler praktisch ändert
Für Unternehmen, die KI-Systeme auf redaktionellen Spezialdaten aufbauen, steigt der Druck auf saubere Datenbeschaffung. Besonders betroffen sind Bereiche, in denen Inhalte teuer kuratiert werden: juristische Recherche, Finanzdaten, wissenschaftliche Datenbanken, Fachverlage, Medienarchive. Dort besteht der Wert nicht nur im Rohtext, sondern in Auswahl, Strukturierung, Klassifikation und Zusammenfassung.
Technisch bedeutet das: Datenherkunft wird wichtiger. Wer ein Modell für einen Spezialmarkt trainiert, muss dokumentieren können, welche Daten in den Trainingsbestand gelangt sind, unter welchen Rechten sie genutzt werden und ob das Zielprodukt mit dem Datenlieferanten konkurriert. Lizenzverträge, synthetische Daten, eigene Datenerhebung oder öffentlich lizenzierte Korpora werden nicht automatisch einfacher, aber sie werden rechtlich besser kalkulierbar als die nachträgliche Fair-Use-Verteidigung.
Für Rechteinhaber stärkt das Urteil die Verhandlungsposition. Thomson Reuters konnte zeigen, dass seine redaktionellen Leitsätze nicht nur Beiwerk einer Datenbank sind, sondern ein geschützter Bestandteil des Produkts. Andere Verlage und Datenanbieter werden genau diesen Punkt beobachten: Wenn ihre redaktionelle Arbeit als Trainingsrohstoff für Konkurrenzprodukte genutzt wird, ist der Ross-Fall ein konkreter Anknüpfungspunkt.
Die Grenze verläuft durch die Pipeline
Das Urteil macht die Debatte über KI und Urheberrecht weniger abstrakt. Es fragt nicht nur, ob eine Maschine lernt. Es fragt, woraus sie lernt, wer diese Inhalte geschaffen hat, wie nah das neue Produkt am alten Markt liegt und ob die Nutzung die wirtschaftliche Funktion des Originals ersetzt.
Für allgemeine KI-Modelle bleibt vieles offen. Für KI-Produkte, die auf eng umrissenen Verlags- oder Fachdaten beruhen und denselben Markt bedienen, ist die Botschaft dagegen deutlich. Die technische Umwandlung von redaktioneller Arbeit in Trainingsdaten löscht den urheberrechtlichen Ursprung nicht. Wenn aus einem kuratierten Produkt der Datenkern eines Konkurrenzsystems wird, kann Fair Use an der Architektur scheitern.
Jens analysiert seit Jahren digitale Märkte, Preisbewegungen und Plattform-Strategien. Als Betreiber mehrerer datengetriebener Systeme wertet er täglich große Mengen an Produkt- und Trenddaten aus. Sein Fokus liegt auf Einordnung statt Hype: Was bedeutet eine Entwicklung wirklich für Nutzer, Preise und Märkte?
