📈 economics

Creative Ownership in the Age of AI

Dieses Papier schlägt vor, Urheberrechtsverletzungen durch generative KI nicht mehr an der Ähnlichkeit, sondern daran zu messen, ob ein Output ohne das spezifische Trainingswerk entstanden wäre, und zeigt auf, dass regulatorische Einschränkungen nur dann dauerhaft wirksam sind, wenn die Entstehung menschlicher Werke einer schweren Verteilung folgt.

Ursprüngliche Autoren: Annie Liang, Jay Lu

Veröffentlicht 2026-02-13

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Annie Liang, Jay Lu

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

🎨 Wenn KI Kunst macht: Wer ist der wahre Erfinder?

Stell dir vor, du hast einen riesigen Kochbuch-Schrank (das ist die Datenbank, mit der die KI trainiert wird). Darin liegen Millionen von Kochbüchern von berühmten Köchen. Eine KI ist wie ein genialer, aber etwas verwirrter Koch, der all diese Bücher liest und dann neue Gerichte erfindet.

Das Problem: Wenn der KI-Koch ein neues Gericht kocht, das genau so schmeckt wie das berühmte „Schokoladenkuchen-Rezept" von Chef Müller, aber keine Zutaten direkt kopiert hat, ist das dann Diebstahl?

Das Papier stellt eine völlig neue Frage: „Hätte dieser Kuchen existieren können, wenn das Rezept von Chef Müller nicht in unserem Schrank gelegen hätte?"

1. Das alte Gesetz vs. die neue Frage

Bisher fragten Gerichte: „Sieht das neue Gericht dem alten so ähnlich, dass man es verwechselt?" (Das nennt man „substantielle Ähnlichkeit").

Das Problem: Eine KI kann den Stil von Chef Müller perfekt imitieren, ohne das Rezept zu kopieren. Nach altem Recht ist das erlaubt. Aber die Autoren sagen: Das ist unfair, wenn die KI das Gericht nur deshalb kochen konnte, weil sie Müllers Rezept im Schrank hatte.

Die neue Regel (die „Was-wäre-wenn"-Regel):
Ein KI-Gericht ist nur dann erlaubt, wenn es auch ohne das spezifische Rezept von Chef Müller im Schrank gekocht worden wäre.

Wenn das Gericht nur mit Müllers Rezept möglich ist → Verstoß (Infringement).
Wenn das Gericht auch mit tausend anderen Rezepten möglich wäre → Erlaubt.

2. Die KI als „Kreativer Kompass"

Die Autoren stellen sich die KI als einen Kompass vor, der von den vorhandenen Kochbüchern (den Daten) gesteuert wird.

Der „erlaubte Raum": Das sind alle Gerichte, die der Koch auch dann noch kochen könnte, wenn wir ein bestimmtes Buch aus dem Schrank entfernen.
Der „verbotene Raum": Das sind Gerichte, die nur existieren, weil ein bestimmtes Buch da ist.

Die spannende Entdeckung:
Je mehr Kochbücher wir in den Schrank legen, desto größer wird der „erlaubte Raum".

Frühe Phase: Wenn der Schrank noch leer ist, ist jedes neue Gericht fast immer abhängig von den wenigen Büchern, die da sind. Die KI ist hier sehr eingeschränkt.
Späte Phase (Der „Reichtum"-Effekt): Wenn der Schrank voll ist, gibt es so viele Wege, ein Gericht zu kochen, dass man kein einziges Buch mehr braucht. Die KI kann alles Mögliche machen, ohne jemanden zu verletzen.

3. Der große Unterschied: Langsame Entwicklung vs. Geniale Durchbrüche

Hier kommt der wichtigste Teil des Papers, der mit zwei Arten von Kreativität zu tun hat:

Szenario A: Der sanfte Hügel (Leichte Verteilung)
Stell dir vor, neue Kochbücher kommen jeden Tag dazu, aber sie sind nur kleine Variationen von dem, was es schon gibt (z. B. immer nur leicht andere Gewürzmischungen).

Ergebnis: Irgendwann ist der Schrank so voll, dass es für jedes Gericht unzählige Alternativen gibt. Die KI kann dann fast alles machen, ohne jemanden zu verletzen. Die Gefahr, jemanden zu kopieren, verschwindet fast komplett.
Beispiel: Genre-Romane, kommerzielle Filme, Standard-Designs.

Szenario B: Der steile Berg (Schwere Verteilung / „Heavy Tails")
Stell dir vor, ab und zu kommt ein geniales Kochbuch in den Schrank, das eine völlig neue Art des Kochens einführt (z. B. das erste Buch über Molecular Gastronomy). Dieses eine Buch ist so einzigartig, dass man ohne es gar nicht an diese Gerichte herankommt.

Ergebnis: Selbst wenn der Schrank riesig ist, bleibt dieses eine Buch unverzichtbar. Die KI kann die Gerichte aus diesem Buch nicht nachmachen, ohne es zu nutzen.
Ergebnis: Die Gefahr, jemanden zu verletzen, verschwindet niemals. Die KI muss immer noch vorsichtig sein, weil es immer noch „einzigartige Meisterwerke" gibt, auf die sie angewiesen ist.
Beispiel: Avantgarde-Kunst, bahnbrechende wissenschaftliche Entdeckungen, revolutionäre Filme.

4. Was bedeutet das für die Zukunft?

Die Autoren sagen uns zwei Dinge:

Für den Durchschnitt: In den meisten kreativen Bereichen (wie Popmusik oder Standard-Design) wird die KI mit der Zeit immer freier. Je mehr Daten wir haben, desto weniger wichtig wird das einzelne Buch. Die KI wird dann wie ein freier Künstler, der aus dem ganzen Fundus schöpft, ohne jemanden zu kopieren.
Für die Genies: Für die wirklich revolutionären Werke (die „Superstars" der Kreativwelt) ändert sich nichts. Solange es diese einzigartigen, bahnbrechenden Werke gibt, die keine Alternative haben, bleibt die KI auf sie angewiesen. Hier muss es weiterhin Regeln geben, damit diese Schöpfer fair behandelt werden.

Zusammenfassung in einem Satz:

Die KI wird mit der Zeit immer freier, solange die Kreativität langsam wächst; aber wenn es immer wieder echte Revolutionen gibt, muss die KI auch in Zukunft respektvoll mit den „Urvätern" dieser Ideen umgehen.

Die Moral der Geschichte:
Es kommt nicht darauf an, wie ähnlich die KI einem alten Werk sieht, sondern darauf, ob sie das Werk gebraucht, um etwas Neues zu erschaffen. Und je mehr wir haben, desto weniger brauchen wir das Einzelne – außer es ist wirklich einzigartig.

1. Problemstellung und Kontext

Das Papier adressiert die wachsende Spannung zwischen dem bestehenden Urheberrecht und der Fähigkeit generativer KI-Systeme, kreative Inhalte zu erzeugen.

Das Kernproblem: Das aktuelle Urheberrecht basiert auf dem Konzept der „substantiellen Ähnlichkeit" (substantial similarity). KI-Systeme können jedoch den Stil, die Struktur oder den Ton eines Autors oder Künstlers imitieren, ohne den Inhalt direkt zu kopieren. Solche Outputs fallen oft nicht unter die traditionellen Urheberrechtsverletzungen, obwohl sie kritisch von den Trainingsdaten abhängen.
Die Lücke: Es fehlt ein rechtliches Kriterium, das erfasst, ob ein KI-Output essentiell von einem spezifischen Trainingswerk abhängt, selbst wenn keine direkte Kopie vorliegt. Dies führt zu Unsicherheit in laufenden Rechtsstreitigkeiten (z. B. Andersen v. Stability AI, The New York Times v. OpenAI).

2. Methodik und Modellierung

Die Autoren entwickeln ein formales mathematisches Modell, das generative Systeme als Abschlussoperatoren (Closure Operators) behandelt.

Grundlegende Definitionen:
- Kreationen: Werden als Vektoren $c \in \mathbb{R}^d$ modelliert (z. B. Texte, Bilder, Charaktere).
- Korpus ( $C$ ): Eine Teilmenge existierender Kreationen.
- Generator ( $g$ ): Eine Abbildung $g: \mathcal{C} \to \mathcal{C}$ $g : C \to C$ , die einen Korpus auf die Menge der generierbaren Outputs abbildet. Der Generator muss drei Eigenschaften erfüllen:
  1. Erhaltung (Preservation): $C \subseteq g(C)$ (Input bleibt generierbar).
  2. Monotonie: $C \subseteq D \implies g(C) \subseteq g(D)$ (Erweiterter Korpus erweitert die Outputs).
  3. Idempotenz: $g(g(C)) = g(C)$ (Anwendung auf den Output erzeugt nichts Neues).
- Beispiele für Generatoren sind die konvexe Hülle (Convex Hull), das „Splicing" von Merkmalen oder Kombinationen daraus.
Neues Kriterium für Verletzung (Infringement):
Statt auf Ähnlichkeit zu schauen, definieren die Autoren Verletzung kontrafaktisch:
- Ein Output ist eine Verletzung bezüglich eines Werks $c \in C$ , wenn er generierbar ist aus $C$ , aber nicht generierbar ist aus $C \setminus \{c\}$ .
- Die erlaubte Menge (Permissible Set) $p_g(C)$ ist der Schnitt aller Mengen, die generierbar sind, wenn jeweils ein einzelnes Werk aus dem Korpus entfernt wird.
- Mathematisch: $p_g(C) = \bigcap_{c \in C} g(C \setminus \{c\})$ .

3. Schlüsselbeiträge und Ergebnisse

Das Papier liefert drei Hauptbeiträge: eine neue Definition, strukturelle Eigenschaften und asymptotische Ergebnisse.

A. Strukturelle Eigenschaften der erlaubten Menge (Abschnitt 3)

Monotonie: Wenn der Korpus wächst, wächst die erlaubte Menge schwach (Proposition 1).
Stabilität: Die Anwendung des Generators auf erlaubte Outputs erzeugt nur erlaubte Outputs. Verletzung kann nicht durch Kombination nicht-verletzender Werke entstehen.
Nicht-Leerheit: Die Autoren leiten eine hinreichende Bedingung für die Nicht-Leerheit der erlaubten Menge her, basierend auf der Radon-Zahl $R(g)$ $R (g)$ aus der konvexen Geometrie.
- Ergebnis: Wenn die Anzahl der Werke im Korpus $|C| \ge R(g)$ ist, ist die erlaubte Menge nicht leer. Für den konvexen Hüllen-Generator in $\mathbb{R}^d$ gilt $R(g) = d+2$ .
Vergleichende Statik:
- Fügt man ein bereits erlaubtes Werk hinzu, bleibt die erlaubte Menge unverändert.
- Fügt man ein Werk hinzu, das zuvor eine Verletzung war, erweitert sich die erlaubte Menge strikt. Das Werk wird zu einer primären Quelle und bricht die Abhängigkeit von den ursprünglichen Quellen.

B. Asymptotisches Verhalten (Abschnitt 4)

Dies ist das zentrale Ergebnis des Papers. Die Autoren untersuchen, wie sich das Verhältnis von erlaubten zu generierbaren Werken entwickelt, wenn der Korpus gegen unendlich wächst ( $n \to \infty$ ).

Leichte Verteilungsschwänze (Light-Tailed Distributions):
- Wenn neue Kreationen aus einer Verteilung mit leichten Schwänzen stammen (z. B. Normalverteilung), werden extreme Realisierungen exponentiell selten.
- Theorem 1: Das Verhältnis des Volumens der erlaubten Menge zum Volumen der generierbaren Menge konvergiert fast sicher gegen 1.
- Interpretation: In Märkten mit inkrementeller Innovation wird der Korpus so reichhaltig, dass für jeden Output mehrere „generative Pfade" existieren. Die Abhängigkeit von einem einzelnen Werk verschwindet; Regulierung wird langfristig irrelevant.
Schwere Verteilungsschwänze (Heavy-Tailed Distributions):
- Wenn Innovationen „Durchbrüche" darstellen (z. B. Pareto-Verteilung, „Superstar"-Effekte), bleiben extreme Punkte auch in großen Korpora einzigartig.
- Ergebnis: Ein positives Maß an Outputs bleibt dauerhaft eine Verletzung. Die jüngsten bahnbrechenden Werke definieren weiterhin einen signifikanten Teil des Verletzungsbereichs.
- Interpretation: In Bereichen wie Avantgarde-Kunst oder literarischer Fiktion bleibt der Schutz individueller Werke auch bei großen Korpora relevant, da diese Werke für die Generierung von Outputs in der „Frontier" des kreativen Raums essenziell bleiben.

C. Erweiterung auf Gruppenverletzungen (Abschnitt 5)

Das Modell wird auf Fälle erweitert, in denen geschützte Werke als Mengen (z. B. Kataloge von Autoren) betrachtet werden.

Superadditivität: Wenn mehrere Autoren eine Koalition bilden, kann die Menge der Verletzungen größer sein als die Summe der individuellen Verletzungen. Dies stärkt die Verhandlungsposition von Kollektiven.

4. Signifikanz und Implikationen

Paradigmenwechsel im Urheberrecht: Das Papier schlägt vor, den Fokus von der Ähnlichkeit des Outputs auf die Abhängigkeit von den Trainingsdaten zu verlagern. Dies bietet eine theoretische Grundlage für Fälle, in denen KI-Stilimitationen rechtlich problematisch sind, ohne dass eine direkte Kopie vorliegt.
Regulatorische Konsequenzen:
- In inkrementellen Märkten (z. B. Genre-Literatur, kommerzielle Filme) könnte die Regulierung langfristig kaum noch greifen, da die Abhängigkeit von einzelnen Werken verschwindet.
- In bahnbrechenden Märkten (Avantgarde, Pionierarbeit) bleibt das Risiko der Verletzung bestehen, was einen fortgesetzten Schutz für Pioniere rechtfertigt.
Technische Machbarkeit: Die Autoren diskutieren, dass das Kriterium der „kontrafaktischen Generierbarkeit" zwar theoretisch klar ist, aber in der Praxis durch Techniken wie „Machine Unlearning" oder Einflussfunktionen (Influence Functions) angenähert werden könnte, um zu prüfen, ob ein Output ohne ein spezifisches Trainingsdatum noch generierbar wäre.
Wirtschaftliche Theorie: Die Ergebnisse verbinden Urheberrechtstheorie mit der Literatur über kreative Prozesse und schwere Verteilungsschwänze. Sie deuten darauf hin, dass die optimale Regulierung stark von der Natur der kreativen Innovation (inkrementell vs. disruptiv) abhängt.

Fazit

Liang und Lu bieten ein rigoroses mathematisches Framework, das zeigt, dass die Anwendbarkeit von Urheberrechtsansätzen gegen KI nicht statisch ist, sondern dynamisch von der Verteilung der menschlichen Kreativität abhängt. Während in reifen, dichten Märkten die KI-Freiheit zunimmt, bleibt in innovativen, schwer verteilten Märkten die Notwendigkeit eines Schutzes für einzelne Pionierwerke bestehen.