Kreativ, aber kein Urheber: Was KI in der Kunst kann – und was das Recht dazu sagt

Kann eine Maschine Künstlerin sein? Die Debatte wird meist zwischen zwei Lagern geführt. Die einen halten auch menschliche Kreativität für nichts anderes als die geschickte Kombination von Gelerntem und sehen die Künstliche Intelligenz auf dem besten Weg, Gestalter, Musiker, Schauspieler und Buchautoren zu ersetzen. Die anderen halten dagegen, eine Künstliche Intelligenz könne ihre vorgezeichneten Bahnen nie verlassen. Beide Positionen halten einer kritischen Prüfung nur teilweise stand. Und während Feuilleton und Tech-Branche noch diskutieren, haben Gerichte und Gesetzgeber längst eine eigene Antwort gegeben.

Das Gehirn als Sprachmodell? Eine verführerische Analogie

Das stärkste Argument der Künstliche-Intelligenz-(KI)-Optimisten kommt aus der Hirnforschung. Kreativitätsforscher wie Roger Beaty zeigen, dass Erinnern und Vorstellen auf denselben Mechanismus zurückgreifen: das flexible Neu-Zusammensetzen von Erlebtem – Personen, Orte, Ereignisse. Geoffrey Hinton, Nobelpreisträger und einer der Väter des Deep Learning, geht noch weiter. Der Mensch sei vor allem eine Analogiemaschine, über der nur eine dünne Schicht logischen Denkens liegt.

Wenn das stimmt, ist der Unterschied zwischen einem Menschen, der aus seinem Erfahrungsschatz schöpft, und einem Modell, das aus seinen Trainingsdaten schöpft, eher graduell als kategorial. Hinton zieht daraus den Schluss, große Sprachmodelle seien ausgesprochen kreativ – gerade weil sie gewaltige Wissensmengen nur dadurch in ihr Netz pressen können, dass sie Analogien zwischen den verschiedensten Dingen erkennen.

Die Analogie hat allerdings eine Lücke, und zwar genau dort, wo es interessant wird. Dieselbe Forschung zeigt nämlich, dass das bloße Abrufen von Gedächtnisinhalten selten zu den originellsten Ideen führt. Kreative Leistung entsteht im Zusammenspiel von assoziativem Gedächtnis und kognitiver Kontrolle – der Fähigkeit, das Naheliegende bewusst zu verwerfen. Wer das Gehirn mit einem Sprachmodell gleichsetzt, unterschlägt diese zweite Hälfte. Es ist ausgerechnet die Hälfte, an der heutige Modelle (noch) messbar scheitern.

„Unzählige Rückschleifen“: Der Einwand der fehlenden Rückkopplung

Ein Einwand, der in Diskussionen über KI-Kreativität häufig fällt, verdient eine genauere Prüfung: Im Gehirn gebe es unzählige Rückschleifen, die KI dagegen arbeite nur mit einem simplen „Decoding“ in eine Richtung. Fachlich spricht man von Rückkopplung oder rekurrenter Verarbeitung. Der Einwand trifft einen wahren Kern – allerdings nicht ganz dort, wo er meist vermutet wird.

Im Gehirn ist Rückkopplung der Normalfall

Wie stark das Gehirn auf Rückkopplung setzt, zeigt schon das Sehsystem. Die Schaltstelle im Thalamus, die Signale vom Auge an die Großhirnrinde weiterreicht, bezieht nur 5 bis 10 Prozent ihrer Synapsen aus der Netzhaut. Je etwa ein Drittel stammt aus der Hirnrinde selbst und aus dem Hirnstamm. Die wenigen Netzhaut-Synapsen sind zwar besonders wirkungsstark, doch der Großteil der Verbindungen dient dazu, den Informationsfluss von oben zu steuern.

Der Amsterdamer Neurowissenschaftler Victor Lamme hat aus solchen Befunden eine einflussreiche Bewusstseinstheorie entwickelt. Sinnesinformation durchläuft die Hirnareale danach zunächst in einer schnellen Vorwärtswelle. Bewusst wahrgenommen wird sie erst, wenn höhere Areale Signale in frühere zurückspeisen. Die Theorie des Predictive Coding geht noch weiter: Höhere Areale senden fortlaufend Vorhersagen nach unten, nach oben gemeldet werden vor allem die Abweichungen davon.

Auch Kreativität selbst ist ein Kreisprozess. Eine fMRT-Studie kanadischer Forscher zeigte, dass beim Erzeugen von Ideen vor allem Gedächtnisregionen im medialen Schläfenlappen arbeiten, beim Bewerten dagegen ein Verbund aus Kontroll- und Default-Netzwerk. Kreatives Arbeiten pendelt zwischen beiden Modi: erzeugen, prüfen, verwerfen, neu ansetzen.

In der KI: Was „Decoding“ tatsächlich bedeutet

Der Begriff „Decoding“ ist auf KI-Seite nicht falsch gewählt, bedarf aber der Präzisierung. Die heute verbreiteten großen Sprachmodelle beruhen überwiegend auf sogenannten Decoder-only-Transformern. Ihr Text entsteht durch autoregressives Decoding: Das Modell berechnet in einem einzigen Durchlauf durch alle Schichten, dem Forward Pass, eine Wahrscheinlichkeitsverteilung für das nächste Wortstück (Token). Es wählt eines aus, hängt es an den bisherigen Text an und beginnt von vorn. Innerhalb eines solchen Durchlaufs gibt es tatsächlich keine Rückkopplung. Die Transformer-Architektur wurde 2017 bewusst so entworfen, dass sie ohne jede Rekurrenz auskommt. Das machte sie stark parallelisierbar und damit erst im heutigen Maßstab trainierbar.

Ganz schleifenfrei ist die KI trotzdem nicht. Jedes erzeugte Token wird zur Eingabe für den nächsten Schritt – das ist eine Rückkopplung, nur über einen engen Flaschenhals. Was die obersten Schichten des Modells berechnet haben, erreicht die unteren Schichten im nächsten Schritt im Wesentlichen nur über dieses eine ausgewählte Token. Dass schon diese äußere Schleife viel bewirkt, ist inzwischen mathematisch untermauert. Ein Transformer, der sofort antworten muss, kann – unter den in der Komplexitätstheorie üblichen Annahmen – bestimmte einfache Aufgaben nachweislich nicht lösen, etwa die Frage, ob zwei Punkte in einem Netz miteinander verbunden sind. Darf er Zwischenschritte ausschreiben, wächst seine Rechenkraft mit der Zahl dieser Schritte. Genau darauf beruhen die Reasoning-Modelle, die vor ihrer Antwort lange Gedankenketten (Chain of Thought) erzeugen.

Die Forschung arbeitet zudem daran, den Flaschenhals zu weiten. Bei Meta ließ man ein Modell statt eines Wortes seinen letzten inneren Zustand zurückspeisen, es also gewissermaßen ohne Worte weiterdenken. Die Autoren verweisen dabei auf Befunde, wonach das Sprachnetzwerk des Gehirns bei vielen Denkaufgaben weitgehend still bleibt. Sogenannte Recurrent-Depth-Modelle durchlaufen denselben Block von Schichten beliebig oft, bevor sie ein Token ausgeben. Ein Modell mit 3,5 Milliarden Parametern rechnete so zur Laufzeit so viel wie ein Modell mit rund 50 Milliarden Parametern und verbesserte sich dabei teils deutlich. Ein im Juli 2026 veröffentlichtes Preprint berichtet, dass solche „geloopten“ Transformer bei gleichem Trainingsaufwand herkömmliche Modelle überholen können.

Besonders lehrreich ist der Fall des Hierarchical Reasoning Model von 2025. Es ahmte ausdrücklich das Gehirn nach: zwei rekurrente Module, ein langsames für abstrakte Planung, ein schnelles für Details. Mit nur 27 Millionen Parametern übertraf es weit größere Sprachmodelle bei Denksportaufgaben. Die Nachprüfung durch das Team des ARC Prize ergab allerdings, dass die hirnähnliche Hierarchie wenig beitrug. Entscheidend war eine äußere Verfeinerungsschleife, in der das Modell seine eigene Antwort wiederholt überarbeitet. Ein Nachfolgemodell mit nur 7 Millionen Parametern verzichtet auf die Hierarchie ganz und schneidet auf dem ARC-Test dennoch besser ab als die meisten großen Sprachmodelle. Die Lehre: Nicht die biologische Form der Rückkopplung zählt, sondern dass es überhaupt eine Schleife aus Versuch und Korrektur gibt.

Was der KI noch fehlt

Präzise formuliert fehlt der KI also nicht „die Rückschleife“ schlechthin, sondern bisher noch dreierlei:

• Rückkopplung innerhalb der Verarbeitung. Das Gehirn speist Signale ständig, parallel und auf allen Ebenen zurück. Ein gängiges Sprachmodell tut das nur am Ende jedes Schritts, über ein einziges Token.
• Lernende Rückkopplung. Das Gehirn verändert seine Verbindungen mit jeder Erfahrung. Die Gewichte eines Sprachmodells sind im Betrieb eingefroren. Was es im Gespräch „lernt“, steht nur im Kontextfenster und geht danach verloren, sofern es nicht eigens gespeichert wird.
• Rückkopplung mit der Welt. Menschen handeln, spüren die Folgen und passen sich an. Ein Sprachmodell kennt die Welt im Wesentlichen aus Text. Genau hier setzt Yann LeCun an, der statt immer größerer Sprachmodelle sogenannte Weltmodelle fordert.

„Decoding“ in der Hirnforschung: Wo sich Gehirn und Modell vergleichen lassen

In der Hirnforschung bezeichnet „Decoding“ etwas ganz anderes: das Auslesen von Wahrnehmungen oder Gedanken aus gemessener Hirnaktivität. Ausgerechnet hier erweisen sich Sprachmodelle als überraschend nützliches Werkzeug. Forscher in Austin übersetzten 2023 mithilfe eines neuronalen Sprachmodells fMRT-Signale in fortlaufenden Text – meist sinngemäß, selten wörtlich.

Eine Studie mit Hirnscans von 304 Probanden zeigte, dass sich die inneren Zustände von Sprachmodellen linear auf die Hirnaktivität beim Zuhören abbilden lassen. Sie zeigte aber auch den Unterschied: Sprachmodelle sind darauf trainiert, das jeweils nächste Wort vorherzusagen. Das Gehirn dagegen sagt weiter voraus, und zwar auf mehreren Abstraktionsebenen zugleich. Ergänzte man die Modelle um solche weiter reichenden Vorhersagen, passten sie besser zum Gehirn. Gehirn und Sprachmodell sind sich also ähnlicher, als viele Skeptiker glauben. Das Gehirn plant aber weiter voraus und denkt hierarchischer, als heutige Modelle es tun.

Begriffe kurz erklärt

Rückkopplung / rekurrente Verarbeitung: Signale laufen von späteren zu früheren Verarbeitungsstufen zurück. Umgangssprachlich oft „Rückschleifen“.

Feedforward / Forward Pass: Ein Rechendurchlauf strikt in einer Richtung, von der Eingabe zur Ausgabe.

Autoregressives Decoding: Textgenerierung Token für Token; jedes erzeugte Token wird an die Eingabe des nächsten Schritts angehängt.

Chain of Thought: Das Modell schreibt Zwischenschritte aus, bevor es antwortet – eine Schleife über den eigenen Text.

Latent Reasoning / Recurrent Depth: Das Modell wiederholt innere Rechenschritte, ohne Zwischenergebnisse in Worte zu fassen.

Predictive Coding: Theorie, nach der das Gehirn fortlaufend Vorhersagen bildet und vor allem die Abweichungen davon weiterleitet.

Neural Decoding: Das Auslesen von Wahrnehmungen oder Gedanken aus gemessener Hirnaktivität.

Besser als der Durchschnitt – und genau das ist das Problem

Die bislang größte Vergleichsstudie stellte über 100.000 Menschen neun führenden KI-Systemen gegenüber. Das Ergebnis: Einige Sprachmodelle übertreffen bei klar definierten Aufgaben inzwischen die durchschnittliche menschliche Kreativität. Die kreativsten Menschen liegen jedoch weiterhin deutlich vorn, insbesondere bei Lyrik und Handlungsentwürfen. Und neuere Modelle erwiesen sich nicht automatisch als kreativer als ältere.

Noch aufschlussreicher ist ein Befund, den die NeurIPS 2025, eine der wichtigsten KI-Konferenzen, als bestes Paper ausgezeichnet hat: der „Artificial Hivemind“. Mehr als 70 Sprachmodelle unterschiedlichster Hersteller liefern auf offene Fragen auffallend ähnliche Antworten – nicht nur jedes Modell für sich, sondern auch untereinander. Bittet man sie um eine Metapher für die Zeit, landen die meisten bei einer Variante des Flusses. Das ist ziemlich genau das Gegenteil dessen, was wir von Kunst erwarten.

Ein Experiment in Science Advances zeigt, was das für menschliche Kreative bedeutet. Autorinnen und Autoren, die sich von einer KI Ideen liefern ließen, schrieben Geschichten, die als kreativer und besser geschrieben bewertet wurden – vor allem die weniger begabten. Zugleich glichen sich diese Geschichten stärker als die ohne KI-Hilfe. Für den Einzelnen lohnt sich die Maschine, für die Kultur insgesamt wird es enger: ein klassisches soziales Dilemma.

„Besser als der Durchschnitt“ ist deshalb ein zweischneidiges Kompliment. Kunst lebt nicht vom statistisch Wahrscheinlichen, sondern vom Unwahrscheinlichen, das sich im Nachhinein als richtig erweist. Ein System, das darauf trainiert ist, die plausibelste Fortsetzung zu liefern, arbeitet strukturell gegen dieses Prinzip – auch wenn geschicktes Prompting den Effekt abmildern kann.

Kann die Maschine aus ihren Bahnen ausbrechen?

Hier lohnt der Blick über die Kunst hinaus. Demis Hassabis, Chef von Google DeepMind, unterscheidet drei Stufen der Kreativität: Interpolation, also das Mitteln des Bekannten; Extrapolation, also Neues innerhalb bekannter Regeln, wie AlphaGos berühmter „Zug 37“; und schließlich Erfindung, also neue Regeln, neue Spiele, neue Paradigmen. Die dritte Stufe hat KI aus seiner Sicht noch nicht erreicht. Sein Maßstab ist ein „Einstein-Test“: Könnte ein Modell, ausgestattet nur mit dem Wissensstand, den Einstein hatte, die Relativitätstheorie selbst finden? Yann LeCun ist noch skeptischer. Sprachmodelle seien hervorragend im Abrufen, in ihrer reinen Form aber unfähig, Neues zu erfinden.

Die Gegenbeispiele häufen sich allerdings, und zwar in einem Tempo, das vor wenigen Jahren kaum jemand für möglich gehalten hätte. Wer behauptet, KI könne grundsätzlich nichts finden, was nicht schon in ihren Trainingsdaten steckt, hat seither ein Erklärungsproblem. Ein Blick auf die markantesten Fälle lohnt sich, gerade weil sich an ihnen ablesen lässt, wie diese Kreativität zustande kommt.

Markante Fälle

• Algorithmen (2025): Ein Rekord fällt nach 56 Jahren. Googles System AlphaEvolve fand einen Weg, 4×4-Matrizen aus komplexen Zahlen mit nur 48 Multiplikationen zu verrechnen, und schlug damit das Verfahren, das der deutsche Mathematiker Volker Strassen 1969 gefunden hatte. Eine von AlphaEvolve entdeckte Heuristik läuft seit über einem Jahr in Googles Rechenzentren und gewinnt dort im Schnitt rund 0,7 Prozent der weltweiten Rechenkapazität zurück. Bei mehr als 50 offenen Problemen erreichte das System in rund drei Vierteln der Fälle den Stand der Forschung und übertraf ihn in rund einem Fünftel.
• Mathematik-Olympiade (Juli 2025): Gold. Googles Gemini Deep Think und ein experimentelles Modell von OpenAI lösten fünf von sechs Aufgaben der Internationalen Mathematik-Olympiade, in natürlicher Sprache und auf Goldmedaillen-Niveau. Das Google-Modell wurde offiziell bewertet und blieb im Zeitlimit von viereinhalb Stunden. Allerdings haben Olympiade-Aufgaben bekannte Lösungen. Das ist Spitzenleistung, aber noch keine Entdeckung.
• Quanteninformatik (September 2025): der entscheidende Kniff. Der Informatiker Scott Aaronson berichtete, dass GPT-5 ihm und seinem Koautor den Schlüsselschritt eines Beweises vorschlug: eine bestimmte Funktion, über die sich das Problem lösen ließ. Die erste Antwort war falsch, erst nach rund einer halben Stunde Korrektur kam die brauchbare Idee. Aaronson nennt sie im Nachhinein naheliegend, würde einen Studenten für diesen Einfall aber als clever loben. Ohne KI hätte das Team nach eigener Einschätzung ein bis zwei Wochen gebraucht.
• Kombinatorik (Februar 2026): Knuths Überraschung. Donald Knuth, einer der Gründerväter der Informatik, hatte ein offenes Problem über die Zerlegung eines Graphen in drei Hamiltonkreise formuliert. Claude Opus 4.6 fand nach rund einer Stunde und 31 Anläufen eine Konstruktion für alle ungeraden Größen. Knuth schrieb, er müsse seine Meinung über generative KI revidieren. Den strengen Beweis lieferte er allerdings selbst; der gerade Fall wurde später unter Beteiligung weiterer KI-Systeme gelöst.
• Diskrete Geometrie (Mai 2026): Erdős widerlegt. Ein internes Reasoning-Modell von OpenAI widerlegte eine fast 80 Jahre alte Vermutung von Paul Erdős darüber, wie viele Paare von Punkten in der Ebene genau den Abstand 1 haben können. Externe Mathematiker prüften den Beweis; Tim Gowers würde ihn nach eigenem Bekunden zur Veröffentlichung in den Annals of Mathematics empfehlen. Im August legte ein weiteres OpenAI-Modell zehn neue Resultate nach; viele Mathematiker sprechen von einem Phasenübergang. Einschränkungen: Das Modell ist nicht öffentlich zugänglich, die Darstellung stammt vom Unternehmen selbst, und die eigentliche Frage nach dem richtigen Wachstum ist weiter offen.
• Physik (April 2025): Detektoren, die niemand versteht. Ein Team um den Physiker Mario Krenn ließ das KI-System Urania Gravitationswellen-Detektoren entwerfen. Die 50 besten Entwürfe könnten den Bereich nachweisbarer Signale um mehr als eine Größenordnung erweitern. Viele der Tricks, die die KI dabei anwendet, sind den Forschern noch völlig fremd. Aufgabe der Menschen sei es nun, so Krenn, zu verstehen, was die Maschine getan habe.
• Materialforschung (2023/24): Entdeckung mit Sternchen. Google DeepMind meldete, sein System GNoME habe die Strukturen von 2,2 Millionen neuen Kristallen vorhergesagt, davon rund 380.000 stabil. Fachleute der University of California, Santa Barbara, prüften die Flut nach und fanden kaum Belege für Verbindungen, die zugleich neu, glaubwürdig und nützlich waren. Der Fall zeigt die Kehrseite maschineller Produktivität: Masse ist nicht Originalität.
• Mikrobiologie (2025): zehn Jahre in zwei Tagen? Googles „AI Co-Scientist“ kam auf dieselbe Hypothese zur Ausbreitung von Antibiotikaresistenzen, an der das Team von José Penadés am Imperial College London jahrelang gearbeitet hatte. Die Schlagzeile relativiert sich jedoch: Das Team hatte den zugrunde liegenden Mechanismus bereits 2023 beschrieben und der KI eigene Daten und Fachliteratur zur Verfügung gestellt. Kritiker warnen, solche Systeme setzten vorhandenes Wissen womöglich nur neu zusammen.

Was die Fälle gemeinsam haben

Erstens: Es gibt immer einen Prüfstein. Alle diese Durchbrüche stammen aus Feldern, in denen sich ein Ergebnis objektiv prüfen lässt – durch einen Beweis, ein Prüfprogramm, eine Simulation oder einen Laborversuch. AlphaEvolve etwa lässt Modelle laufend Programmvarianten vorschlagen, bewertet sie automatisch und entwickelt die besten weiter. Das ist genau der Kreislauf aus Erzeugen und Bewerten, den die Hirnforschung beim kreativen Menschen beobachtet. Für einen Roman, eine Oper oder eine Bühnenfigur gibt es keinen solchen Prüfstein. Dort fehlt der Maschine das zweite Glied der Schleife: das Urteil darüber, was gelungen ist.

Zweitens: Der menschliche Anteil bleibt (noch) groß. In fast allen Fällen stellten Menschen das Problem, prüften das Ergebnis und schrieben den Beweis aus. Aaronson korrigierte GPT-5 mehrfach, Knuth lieferte den strengen Beweis selbst, und die Erdős-Resultate wurden von menschlichen Fachleuten verifiziert. Die Maschine liefert den Einfall, der Mensch verantwortet ihn.

Drittens: Vorsicht vor der Schlagzeile. Mehrere vermeintliche Sensationen schrumpfen bei näherem Hinsehen. Ein DeepMind-Team räumte ein, dass viele der von KI gelösten „offenen“ Erdős-Probleme eher wegen ihrer Unbekanntheit als wegen ihrer Schwierigkeit offen waren, und warnte vor einer Art unbewusstem Plagiat durch die Maschine. Beim „AI Co-Scientist“ war die scheinbar in zwei Tagen gefundene Hypothese in Teilen längst publiziert. Und wo eine KI massenhaft „Neues“ ausgibt wie bei den Kristallstrukturen, ist Masse eben noch keine Originalität.

Die 2025 verstorbene Kognitionswissenschaftlerin Margaret Boden hat genau diese Schwachstelle früh benannt: Maschinen würden Ideen mühelos erzeugen, aber an der Bewertung ihres Werts scheitern. Das Urteil darüber, was gelungen ist, liegt bislang beim Menschen – und damit auch ein guter Teil der eigentlichen kreativen Leistung.

Ersetzt KI die Künstler? Unten ja, oben nein – noch

Am Markt ist die Frage bereits teilweise beantwortet, nur anders als in den Schlagzeilen. Nach dem Start von ChatGPT sank die Nachfrage nach freiberuflichen Textern um rund 30 Prozent, nach dem Start der Bildgeneratoren die nach Grafikdesign und 3D-Modellierung um 17 Prozent. In der Musik machten KI-Titel im Frühjahr 2026 rund 44 Prozent aller täglichen Uploads bei Deezer aus; ein KI-generiertes Country-Projekt führte eine Billboard-Verkaufsliste an.

Bei Schauspielerinnen und Schauspielern sind die Grenzen dagegen gezogen. Die KI-„Schauspielerin“ Tilly Norwood löste 2025 einen Aufschrei in Hollywood aus. Der seit Juli 2026 geltende Tarifvertrag der US-Schauspielergewerkschaft SAG-AFTRA lässt synthetische Darsteller nur noch zu, wenn sie gegenüber einem echten Schauspieler einen erheblichen Mehrwert bieten.

KI ersetzt nicht den Ausnahmekünstler. Sie ersetzt den Mittelbau.

Das Muster ist deutlich: Verdrängt werden die Auftragsillustration, der Werbetext, die Hintergrundmusik, die Sprecherstimme für den Erklärfilm. Das mag beruhigend klingen, ist es aber nicht. Denn genau in diesem Mittelbau verdienen Kreative ihr Geld, während sie ihr Handwerk lernen. Wer die Ausbildungsstufe wegautomatisiert, sollte sich nicht wundern, wenn in zwanzig Jahren die Spitze fehlt.

Hinzu kommt der Einwand, den Künstler selbst am lautesten formulieren. Der Schriftsteller Ted Chiang argumentiert, Kunst sei das Ergebnis unzähliger bewusster Entscheidungen und ein Akt der Kommunikation mit dem Publikum; ein Sprachmodell bilde dagegen nur den Durchschnitt der Entscheidungen anderer ab. Nick Cave formulierte es drastischer: Songs entstünden aus Leid, und Algorithmen fühlten nichts. Man muss diese Haltung nicht teilen, um ihren Kern ernst zu nehmen: Ein großer Teil dessen, was wir an Kunst schätzen, ist die Gewissheit, dass ein Mensch uns etwas mitteilen wollte.

Die IP-Perspektive: Das Recht hat sich längst entschieden

Während Philosophie und Feuilleton streiten, haben die Gerichte eine klare Linie gezogen – und zwar für den Menschen. Im deutschen Recht folgt das schon aus dem Gesetz: Geschützt sind nach § 2 Abs. 2 UrhG nur persönliche geistige Schöpfungen. In den USA hat der Supreme Court im März 2026 die Revision im Fall Thaler v. Perlmutter nicht angenommen. Damit bleibt es dabei: Was eine KI ohne nennenswerten menschlichen Beitrag erzeugt, genießt keinen Urheberrechtsschutz – und selbst ausführliche, detaillierte Prompts genügen dafür nicht ohne Weiteres.

Im Patentrecht hat der BGH im DABUS-Beschluss dieselbe Grundentscheidung getroffen: Eine KI kann nicht Erfinder sein. Zugleich hat er eine pragmatische Tür offen gelassen. Benannt werden kann der Mensch, der die KI veranlasst hat, die Erfindung zu generieren; es genügt ein menschlicher Beitrag, der den Gesamterfolg wesentlich beeinflusst.

Kritisch betrachtet entsteht hier eine Spannung zwischen den Schutzrechten. Das Patentrecht zeigt sich großzügig und lässt den veranlassenden Menschen genügen. Das Urheberrecht verlangt dagegen einen eigenen schöpferischen Beitrag. Je autonomer die Systeme arbeiten, desto mehr wird die Zuordnung zum Menschen in beiden Rechtsgebieten zur Konstruktion. Und weil reiner KI-Output schutzlos ist, entsteht ein handfester Anreiz, menschliche Beiträge größer darzustellen, als sie waren. Wo genau das Prompten endet und das Schaffen beginnt, ist bis heute nicht geklärt. Diese Rechtsunsicherheit tragen am Ende die Kreativen und ihre Auftraggeber.

Die zweite Front betrifft nicht den Output, sondern das Training. Das Landgericht München I hat im November 2025 im Verfahren GEMA gegen OpenAI entschieden, dass Liedtexte, die reproduzierbar im Modell gespeichert sind, vervielfältigt wurden, und dass deren Ausgabe eine öffentliche Zugänglichmachung darstellt – zu verantworten vom Anbieter, nicht vom Nutzer. Die Berufung liegt beim Oberlandesgericht München. Im Juli 2026 folgte dieselbe Kammer im Verfahren GEMA gegen Suno dieser Linie für sechs bekannte Musikwerke. Beide Urteile sind nicht rechtskräftig.

Diese Entscheidungen treffen den Kern der optimistischen Erzählung vom „lernenden“ Künstler. Wo sich ein Werk aus dem Modell reproduzieren lässt, sieht das Gericht keine Inspiration, sondern eine Kopie. Das ist rechtlich folgerichtig, für die Optimisten aber unbequem: Je mehr ein Modell wörtlich wiedergeben kann, desto weniger erschafft es – und desto größer wird das Haftungsrisiko seines Anbieters. Ein Mensch, der einen Song im Kopf hat, haftet dafür nicht. Ein Modell schon. Diese Ungleichbehandlung ist gewollt, und sie ist berechtigt: Ein Mensch kann nicht millionenfach pro Tag aus dem Gedächtnis zitieren.

Flankiert wird das durch die KI-Verordnung der EU. Seit dem 2. August 2026 gelten die Transparenzpflichten aus Artikel 50 AI Act: Deepfakes und KI-Texte, die die Öffentlichkeit über Angelegenheiten von öffentlichem Interesse informieren sollen, sind offenzulegen. Für offenkundig künstlerische, fiktionale oder satirische Werke ist die Pflicht abgeschwächt – dort genügt ein Hinweis in einer Form, die den Genuss des Werks nicht beeinträchtigt. Bemerkenswert: Selbst der Gesetzgeber geht damit stillschweigend davon aus, dass KI künstlerisch eingesetzt wird.

Fazit: Die falsche Frage

Ist KI kreativ? In einem messbaren, kombinatorischen Sinn: ja – und zwar besser als viele Menschen. Kann sie aus vorgefertigten Bahnen ausbrechen? Dort, wo ein objektiver Prüfstein die Schleife aus Erzeugen und Bewerten schließt, zunehmend. In der Kunst ist das bislang nicht nachgewiesen, und die Tendenz der Modelle zur statistischen Mitte spricht eher dagegen. Fehlt der KI die Rückkopplung des Gehirns? Ja, aber das beschreibt den heutigen Bauplan, keine Naturgrenze. Die Forschung baut die Schleifen gerade ein. Wird KI Künstler ersetzen? Sie ersetzt bereits kreative Arbeit – aber keine Urheberschaft.

Die eigentlich spannende Frage lautet deshalb nicht, ob eine Maschine kreativ sein kann, sondern wer für ihr Ergebnis verantwortlich ist und wer daran verdient. Darauf geben Gesetz und Rechtsprechung derzeit eine eindeutige Antwort: der Mensch. Das ist keine Technikfeindlichkeit, sondern der Kern des Immaterialgüterrechts. Es schützt die Person hinter dem Werk, nicht das Produkt.

Was das für die Praxis bedeutet

• Menschlichen Beitrag dokumentieren. Entwürfe, Auswahlentscheidungen und Überarbeitungen festhalten. Das ist im Urheberrecht wie bei Erfindungen die Grundlage jeder späteren Schutzbehauptung.
• Verträge anpassen. Vereinbarungen mit Agenturen, Freelancern und Kreativen sollten regeln, ob und wie KI eingesetzt werden darf, welche Rechte eingeräumt werden und wer für die Rechtefreiheit des Ergebnisses einsteht.
• Outputs vor der Verwertung prüfen. Nach den Münchner Urteilen ist klar, dass Modelle geschützte Werke wiedergeben können. Wer KI-Ergebnisse kommerziell nutzt, sollte sie auf auffällige Nähe zu bekannten Werken prüfen.
• Kennzeichnungspflichten klären. Ob und wie KI-Inhalte nach Artikel 50 AI Act offengelegt werden müssen, hängt von Rolle, Inhalt und Verwendungszweck ab – eine pauschale Antwort gibt es nicht.