AI og opphavsrett: 130 søksmål endrer innkjøpet

Nøkkelpunkter per 1. september 2026:

130 opphavsrettssøksmål mot AI-selskaper er verifisert mot offentlige rettsdokumenter, og OpenAI er det mest saksøkte selskapet (ailawsuittracker.com, 2025).
Forliket i Bartz mot Anthropic på 1,5 milliarder dollar er det største opphavsrettsforliket i amerikansk historie (manuscriptreport.com, 2026).
Sony Music og Warner Chappell har saksøkt Anthropic og to av grunnleggerne for det de kaller en «brazen campaign» av piratkopiering (TechCrunch, 2026).
EU AI Act artikkel 53 krever publisert sammendrag av treningsdata, med bøter opp til 15 millioner euro eller en andel av global omsetning (manuscriptreport.com, 2026).
Domstolene spriker: Meta vant fram med fair use i Kadrey, mens fair use ble avvist i Thomson Reuters mot Ross Intelligence (manuscriptreport.com, 2026).

Hva striden om AI og opphavsrett faktisk handler om

Siden 2023 har rettighetshavere gått til sak mot selskapene som bygger de store språkmodellene. For de fleste norske virksomheter har dette vært en juridisk nyhet på siden av driften: interessant, men ikke noe som endrer hva man kjøper. Det er en feilvurdering. Sakene handler om hvordan modellene ble laget, og den som kjøper tilgang til en modell kjøper også en andel av usikkerheten rundt hvordan den ble til.

Poenget for en innkjøper er ikke å ha en mening om amerikansk opphavsrettsdoktrine. Poenget er at utfallene får praktiske konsekvenser: hvilke datasett som må fjernes, hvilke modeller som må trenes på nytt, hvilke leverandører som får en regning de ikke hadde budsjettert for, og hvilke tjenester som endrer vilkår midt i en avtaleperiode. 2026 er året da amerikanske føderale dommere for første gang begynte å avgjøre om AI-trening kvalifiserer som fair use. Antallet saker er nå så stort at det er lettere å telle dem i en database enn å følge dem enkeltvis.

Tre steder opphavsretten kan brytes

De aller fleste søksmålene angriper minst ett av tre punkter i verdikjeden. Det første er anskaffelsen: hvordan selskapet skaffet seg verkene i utgangspunktet, om det var kjøp, lisens, skraping eller nedlasting fra piratkilder. Det andre er selve treningen: om det å bruke et beskyttet verk til å justere modellvekter er en handling som krever tillatelse. Det tredje er output: om modellen gjengir beskyttet materiale i det den faktisk produserer for brukeren.

Skillet er ikke akademisk. Domstolene har begynt å svare ulikt på de tre spørsmålene, og det betyr at en leverandør kan være trygg på ett punkt og eksponert på et annet. Hvis du vil forstå hvordan trening og modellvekter henger sammen rent teknisk, har vi en egen oversikt over AI-teknologiene. For innkjøpsformål holder det å vite at de tre punktene må vurderes hver for seg.

Fair use er amerikansk, konsekvensene er det ikke

Fair use er en amerikansk unntaksregel uten direkte motstykke i norsk rett. Likevel er det amerikanske domstoler som avgjør økonomien til leverandørene norske virksomheter faktisk bruker. Et tap i USA treffer prisen, produktporteføljen og avtalevilkårene i Norge, uten at en norsk domstol har sagt noe som helst.

Europa har samtidig sin egen linje. GEMA mot OpenAI omtales som den første europeiske dommen som holder en AI-utvikler ansvarlig for memorering og gjengivelse av beskyttet tekst (manuscriptreport.com, 2026). Det betyr at europeiske og amerikanske utfall kan trekke i hver sin retning samtidig, og at en leverandør kan vinne på ett kontinent og tape på et annet.

Skillet mellom lovlig anskaffet og piratkopiert

Den enkeltavklaringen som har hatt størst praktisk betydning så langt, gjelder hvordan dataene ble skaffet. I Bartz mot Anthropic ble det lagt til grunn at trening på lovlig anskaffede bøker kan være rimelig bruk, mens trening på piratkopierte kopier fra skyggebibliotek ikke er det (ailawsuittracker.com, 2025). To modeller kan altså være teknisk like og juridisk helt ulike.

For en innkjøper er dette den viktigste enkeltinnsikten i hele saksbildet. Spørsmålet du stiller leverandøren er ikke bare hva modellen kan, men hvordan den fikk vite det. Anskaffelseshistorikken er blitt et innkjøpsspørsmål på linje med databehandleravtale og oppetidsgaranti.

Statusen i rettssalene ved inngangen til 2026

AI Lawsuit Tracker sporer 130 opphavsrettssøksmål mot AI-selskaper, verifisert mot offentlige rettsdokumenter og oppdatert ukentlig (ailawsuittracker.com, 2025). Den kuraterte opphavsrettslisten er en del av en større database med totalt 200 saker. Det er ikke lenger en håndfull prinsippsaker. Det er en portefølje av krav som treffer nesten alle de store modellleverandørene samtidig.

Inngangen til 2026 er beskrevet som en avgjørende fase, fordi føderale dommere for første gang begynte å ta stilling til om generativ AI-trening kvalifiserer som fair use. Dommer Vince Chhabria har advart om at AI-trening «i mange tilfeller» ikke vil kvalifisere som fair use. Det er en formulering leverandørenes jurister har lest nøye, og som kundene deres også bør registrere.

Hvem som saksøkes mest

OpenAI er det mest saksøkte AI-selskapet på opphavsrett (ailawsuittracker.com, 2025). Anthropic er heller ikke ny i denne rollen: det nye musikksøksmålet er ikke første gang selskapet er saksøkt for immaterialrettsbrudd (TechCrunch, 2026). Perplexity, Stability AI og Meta står i egne saker.

Det er fristende å lese antall søksmål som en rangering av hvem som er mest useriøs. Den lesningen holder ikke. Antall saker følger i stor grad markedsandel, synlighet og hvor dypt lommene er. En liten leverandør uten søksmål kan være mer eksponert enn en stor med mange, rett og slett fordi ingen har brydd seg med å saksøke den ennå.

Hva en tracker ikke forteller deg

En sporingsdatabase teller saker. Den måler ikke eksponering. En sak kan være strategisk viktig og økonomisk ubetydelig, eller motsatt. Mange saker forliker uten at vilkårene blir offentlige, og et forlik avklarer sjelden det underliggende rettsspørsmålet for andre enn partene.

Bruk derfor trackeren som et kart, ikke som en risikoscore. Det den er god til, er å vise hvilke typer krav som gjentar seg: anskaffelse fra piratkilder, konkurrerende produkter bygget på en annens innhold, og gjengivelse av beskyttet materiale i output. De tre mønstrene er det du skal gjenkjenne når du leser en leverandørs egen dokumentasjon.

Les også: Kvante-AI og fremtidens beregningskraft: Kvantecomputing møter kunstig intelligens. Det som tar en supercomputer 10 000 år kan en kvantecomputer løse på fire minutter.

Søksmålet fra Sony Music og Warner Chappell mot Anthropic

Sony Music Publishing, Warner Chappell og flere andre musikkselskaper har saksøkt Anthropic og medgründerne Dario Amodei og Benjamin Mann (TechCrunch, 2026). Søksmålet ble levert i U.S. District Court for the Northern District of California, og retter seg mot hvordan treningsmaterialet til modellen Claude ble skaffet. At saksøkerne går etter grunnleggerne personlig og ikke bare selskapet, er et signal om hvor aggressivt kravet er formulert (The Verge, 2026).

Anthropic avviser påstandene og har sagt at selskapet vil forsvare seg i retten (TechCrunch, 2026). Ingen har fått medhold i noe ennå. Det er verdt å holde fast ved, særlig når overskriftene er så sterke som i denne saken.

Anskaffelsen er kjernen, ikke bare treningen

Søksmålet beskriver det saksøkerne kaller en «brazen campaign» med ulovlig torrenting, skraping og nedlasting av opphavsrettsbeskyttede verk, og omtaler det som «flagrant piracy» for å skaffe millioner av kopier av bøker (TechCrunch, 2026). Legg merke til hva som angripes: ikke først og fremst at en modell lærte av materialet, men at kopiene ble hentet fra kilder saksøkerne mener er ulovlige.

Det er samme brudd som avgjorde Bartz-saken. Når to store søksmål mot samme selskap begge dreier seg om anskaffelsesmåte, er det ikke tilfeldig. Det er der rettighetshaverne mener beviskravet er lettest å oppfylle, og det er der en leverandør har minst rom for å argumentere seg ut av det.

Hva saken betyr for deg som kunde

Den betyr ikke at du må slutte å bruke tjenester fra selskaper som er saksøkt. Da ville du hatt svært få leverandører igjen å velge mellom. Den betyr at du bør vite hva som skjer med avtalen din hvis saken går galt for leverandøren: om vilkårene kan endres ensidig, om prisen kan justeres, og om en funksjon kan forsvinne uten varsel.

Et krav som treffer selskapet selv, treffer også kunden indirekte gjennom pris, produktendringer og leveringsevne. Det er en ordinær leverandørrisiko, av samme type som du allerede vurderer for skytjenester og betalingsleverandører. Forskjellen er at få norske innkjøpsprosesser har begynt å vurdere den systematisk for AI.

Domstolene spriker i hver sin retning

Det finnes ikke ett svar på om AI-trening er lovlig. Det finnes flere avgjørelser som peker ulikt, og som gjelder ulike deler av kjeden. En oversikt over de viktigste utfallene så langt gir et mer nyansert bilde enn overskriftene (manuscriptreport.com, 2026).

Sak	Utfall så langt	Hva det betyr for en innkjøper
Bartz mot Anthropic	Trening på lovlig anskaffede bøker kan være rimelig bruk, men ikke på piratkopierte kopier fra skyggebibliotek	Anskaffelsesmåten avgjør. Spør hvordan dataene ble skaffet, ikke bare hva de inneholder
Kadrey mot Meta	Meta fikk medhold i at trening på bøker var fair use, men begrenset til de 13 saksøkerne	En smal seier gir ingen generell trygghet for andre modeller
Thomson Reuters mot Ross Intelligence	Fair use ble avvist for treningsdata i et konkurrerende juridisk søkeverktøy	Risikoen er høyest når produktet konkurrerer med kilden det ble trent på
Getty Images mot Stability AI (UK)	Modellvekter ble ikke ansett som en kopi	Selve modellfilen er ikke nødvendigvis problemet. Anskaffelse og output kan være det
GEMA mot OpenAI	Første europeiske dom som holder en AI-utvikler ansvarlig for memorering og gjengivelse	Europeisk praksis følger ikke automatisk den amerikanske
Andersen mot Stability AI	Første amerikanske AI-opphavsrettssak som går til jury	Utfallet avgjøres av lekfolk, ikke bare av juridisk doktrine

Alura mener rettspraksis spriker for mye til at noen bør planlegge for ett utfall. AI-valg bør tåle at fair use-spørsmålet lander begge veier, og det er en designbeslutning like mye som en juridisk vurdering.

Bartz: skillet som ble dyrt

Bartz mot Anthropic endte i det som omtales som det største opphavsrettsforliket i USAs historie (manuscriptreport.com, 2026). Det avgjørende var ikke at modellen lærte av bøker, men at en del av bøkene kom fra piratkilder. Selve læringen kunne forsvares. Nedlastingen kunne den ikke.

Konsekvensen er at datainnkjøp er blitt en kostnadspost for AI-selskapene, ikke en gratis ressurs. Den kostnaden må dekkes et sted, og den ender til slutt i prisen kunden betaler.

Kadrey: en seier med kort rekkevidde

I Kadrey mot Meta fikk selskapet medhold i at trening på bøker var fair use, men avgjørelsen var begrenset til de 13 saksøkerne i saken (manuscriptreport.com, 2026). Det er en viktig presisering. En overskrift om at «AI-trening er lovlig» dekker i praksis et sett saksøkere som ikke klarte å vise skade godt nok.

Samtidig advarte dommer Vince Chhabria om at AI-trening «i mange tilfeller» ikke vil kvalifisere som fair use. En leverandør som siterer denne saken som bevis på at alt er avklart, har enten ikke lest den eller regner med at du ikke har gjort det.

Thomson Reuters og det europeiske sporet

I Thomson Reuters mot Ross Intelligence ble fair use avvist for trening av et konkurrerende juridisk søkeverktøy på Westlaw-headnotes (ailawsuittracker.com, 2025). Mønsteret er tydelig: jo mer AI-produktet erstatter kilden det ble trent på, jo svakere står forsvaret. Det gjelder også for deg som kunde, hvis du bygger en tjeneste som konkurrerer med et innholdsmarked.

I Europa peker utfallene ulikt. Getty Images mot Stability AI i Storbritannia konkluderte med at modellvekter ikke er en kopi, mens GEMA mot OpenAI holdt utvikleren ansvarlig for memorering og gjengivelse (manuscriptreport.com, 2026). Modellen i seg selv er altså mindre utsatt enn det som kommer ut av den.

Fire spørsmål du stiller AI-leverandøren før signering

Alura mener treningsdata og ansvarsvilkår hører hjemme i innkjøpsprosessen, ikke i en juridisk opprydding i etterkant. Det koster en time i en leverandørsamtale å stille fire spørsmål. Det koster langt mer å finne svarene etter at tjenesten er integrert i fem arbeidsflyter.

Spørsmål	Et godt svar ser slik ut	Varsellampe
Hvor kommer treningsdataene fra?	Publisert sammendrag med datakategorier og lisensgrunnlag	«Offentlig tilgjengelige data fra internett» og ikke noe mer
Hvem bærer ansvaret hvis vi blir saksøkt?	Skriftlig ansvarsgaranti i avtaleteksten med kjent beløpsgrense	Garantien finnes bare i markedsføringsmateriellet
Hva skjer hvis en modell må endres eller trekkes?	Varslingsfrist, migreringsvei og rett til å avslutte uten kostnad	Leverandøren kan bytte modell og vilkår uten varsel
Hva skjer med våre prompter og logger?	Oppgitt lagringstid, slettemekanisme og hvem som kan kreve innsyn	Uklart om innholdet brukes til videre trening

Hvor kommer treningsdataene fra, og hvordan ble de skaffet

Still spørsmålet i to deler. Hva består datagrunnlaget av, og hvordan ble det anskaffet. Det er den andre delen som har avgjort saker så langt, og det er den delen leverandører oftest svarer vagt på. Et svar som bare nevner «offentlig tilgjengelig innhold» sier ingenting om lisensgrunnlaget.

Du trenger ikke vurdere svaret juridisk selv. Du trenger å arkivere det. Et skriftlig svar fra leverandøren er dokumentasjonen som viser at virksomheten faktisk stilte spørsmålet, og det er den dokumentasjonen som betyr noe hvis noen spør deg senere.

Hvem bærer ansvaret hvis kravet kommer til oss

Flere store leverandører tilbyr en form for ansvarsgaranti mot opphavsrettskrav knyttet til output. Les hva den faktisk dekker: hvilke produkter som omfattes, om den gjelder når du slår av innholdsfiltre, hvilken beløpsgrense som gjelder, og om den bortfaller når du finjusterer modellen på egne data.

En garanti med lav beløpsgrense og bred unntaksliste er markedsføring, ikke risikooverføring. En garanti uten beløpsgrense, men med krav om at du bruker produktet som beskrevet, er ofte reell. Forskjellen ligger i avtaleteksten, ikke i pressemeldingen.

Hva skjer hvis modellen må endres eller trekkes

Dette er spørsmålet nesten ingen stiller, og det er det mest praktiske av de fire. Et forlik eller en dom kan tvinge fram fjerning av datasett, ny trening eller nedleggelse av en modellversjon. Hvis arbeidsflyten din er bygget rundt en bestemt modell, er du prisgitt hvor raskt leverandøren kan tilby noe tilsvarende.

Be om varslingsfrist ved modellendringer og en beskrevet migreringsvei. Bygg samtidig integrasjonen slik at modellen kan byttes uten at hele løsningen må skrives om. Det er billig å gjøre i utgangspunktet og dyrt å ettermontere.

Hva skjer med promptene og loggene deres

I saken mellom The New York Times og OpenAI måtte selskapet produsere 20 millioner ChatGPT-logger (manuscriptreport.com, 2026). Det illustrerer et poeng som er lett å overse: det dine ansatte skriver inn i et AI-verktøy kan bli bevismateriale i en rettssak som ikke er din.

Spør derfor hvor lenge logger lagres, om de kan slettes på forespørsel, om de brukes til videre trening, og hva som skjer med dem i en rettsprosess. Dette er også et personvernspørsmål, men her er det innsynsrisikoen som er poenget, ikke bare behandlingsgrunnlaget.

Rammeverk for gjennomgang av egen AI-portefølje

En gjennomgang blir uhåndterlig hvis alle AI-verktøy behandles likt. Et internt verktøy som lager utkast til møtereferater krever ikke samme dokumentasjon som en modell som genererer tekst dere selger videre. Sorter etter hva output brukes til, ikke etter hvor avansert teknologien er.

Bruksområde	Eksponering	Dokumentasjon du bør ha
Intern idemyldring og utkast som skrives om av mennesker	Lav	Kjøreregel for ansatte og oversikt over godkjente verktøy
Oppsummering av egne dokumenter til internt beslutningsgrunnlag	Lav til middels	Databehandleravtale, logg- og slettepraksis
Kundevendt innhold publisert i eget navn	Middels	Menneskelig godkjenning og sammendrag av treningsdata fra leverandøren
AI-output som inngår i noe dere selger videre	Høy	Ansvarsgaranti i avtalen og sporbarhet på hvilken modell som ble brukt
Generert kode som settes i produksjon	Høy	Lisensfiltrering, kodegjennomgang og avklarte vilkår for kodeforslag

Skill mellom modellleverandør og applikasjonsleverandør

De fleste norske SMB-er kjøper ikke modeller. De kjøper programvare som har en modell inni seg: et CRM med skrivehjelp, et kundeservice-verktøy med automatiske svar, et designverktøy med bildegenerering. Da er det to avtaler i spill, og bare den ene er synlig for deg.

Spør applikasjonsleverandøren hvilken modell som ligger under, om den kan byttes, og hvilke vilkår som gjelder mellom dem og modellleverandøren. Overraskende ofte er svaret at leverandøren ikke vet. Det svaret er i seg selv informasjon, og det bør påvirke hvor mye av virksomheten du bygger på verktøyet. Vi har samlet det bredere bildet i en komplett guide for norske bedrifter.

Hvor mye juss trenger en norsk SMB egentlig

Alura mener en norsk SMB ikke trenger en egen juridisk vurdering av hver enkelt modell, men trenger dokumentasjon fra leverandøren som virksomheten kan vise til. Forskjellen er stor både i kostnad og i praktisk gjennomførbarhet. Egne vurderinger blir utdaterte i takt med at modellene oppdateres, mens leverandørens dokumentasjon oppdateres av leverandøren.

Målet er at daglig leder skal kunne svare på tre ting uten forberedelse: hvilke AI-verktøy vi bruker, hva leverandørene har sagt om treningsdata, og hvem som bærer ansvaret hvis det kommer et krav. Klarer dere det, er dere foran de fleste. Trenger noen i organisasjonen et felles utgangspunkt først, fungerer en innføring i kunstig intelligens godt som utgangspunkt for samtalen.

Praktisk: dette gjør du mandag morgen

Gjennomgangen krever ingen jurist for å komme i gang. Den krever at noen får ansvaret og en frist. De fleste virksomheter oppdager underveis at det største funnet ikke er juridisk, men at ingen visste hvor mange AI-verktøy som faktisk var i bruk.

Steg	Hvem gjør det	Resultat
Lag en liste over AI-verktøy i faktisk bruk	IT sammen med avdelingslederne	Ett regneark med verktøy, eier og bruksområde
Hent leverandørenes vilkår og sammendrag av treningsdata	Innkjøp	En mappe med dokumentasjon per leverandør
Marker hva som treffer kunder eller produkt	Produktansvarlig	Kort liste over høyeksponert bruk
Skriv en kjøreregel for hva output kan brukes til	Ledelsen	Ett dokument på en side, kjent for alle ansatte
Sett dato for neste gjennomgang	Ledelsen	Fast punkt i styringsmøtet

Kartlegg hva som faktisk er i bruk

Start med regnskapet og med nettleserne. Abonnementer på AI-verktøy dukker ofte opp som småbeløp på firmakort, godkjent av en avdelingsleder uten at IT er involvert. Legg til gratisverktøy ansatte bruker på egen hånd, for de er ofte de som håndterer mest ustrukturert kundeinformasjon.

Bruk en åpen tilnærming når du spør. Hvis kartleggingen oppleves som en jakt på regelbrudd, får du en liste som er pen og feil. Hvis den oppleves som en opprydding, får du en liste som er ubehagelig og riktig.

Hent dokumentasjonen som allerede ligger ute

Mye av det du trenger er allerede publisert. Vilkår, databehandleravtaler, sikkerhetsdokumentasjon og etter hvert sammendrag av treningsdata ligger tilgjengelig hos de fleste større leverandører. Last ned versjonen som gjelder i dag, og noter datoen. Vilkår endres, og en skjermdump med dato er et bedre bevis enn en lenke.

For leverandører som ikke publiserer noe, send et kort e-postspørsmål med de fire spørsmålene. Svaret, eller mangelen på svar, er dokumentasjon i seg selv.

Skriv kjøreregelen på en side

En kort intern kjøreregel gjør mer enn en lang policy ingen leser. Den bør si hvilke verktøy som er godkjent, hva som aldri skal limes inn i et AI-verktøy, når output må godkjennes av et menneske før publisering, og hvem man spør når man er i tvil. Fire punkter holder.

Legg til en enkel regel om merking internt: hvilket materiale som er AI-generert, og hvilken modell som ble brukt. Det koster nesten ingenting mens du jobber, og det er forskjellen på en målrettet gjennomgang og en full opprydding hvis noe må rettes senere. Samme dokumentasjonsbehov dukker opp i offentlig sektor og utdanning, som vi har beskrevet i teksten om AI i norsk skole.

Les også: Kunstig intelligens: den komplette guiden for norske bedrifter (2026). Hva er kunstig intelligens, hvordan fungerer det, og hvordan bruker norske bedrifter AI i 2026?

EU AI Act artikkel 53 og innsyn i treningsdata

EU AI Act artikkel 53 krever at leverandører av AI-modeller publiserer et sammendrag av treningsdataene (manuscriptreport.com, 2026). Manglende sammendrag kan sanksjoneres med bøter på inntil 15 millioner euro, eller en andel av selskapets globale omsetning. Det er første gang spørsmålet «hva er denne modellen trent på» har en regulatorisk adresse i stedet for bare en juridisk.

Uavhengig av hvordan og når regelverket tas inn i norsk rett, er dokumentene offentlige når de først er publisert. En norsk kjøper kan lese dem, sammenligne dem og vise til dem i en anskaffelse, uten å være underlagt plikten selv.

Sammendraget er et innsynsverktøy, ikke bare en plikt

Alura mener kravet om sammendrag av treningsdata er et praktisk innsynsverktøy for kunder, ikke bare en plikt for leverandøren. Det gir en felles mal å sammenligne leverandører mot, og det flytter samtalen fra generelle forsikringer til et dokument med et navn og en dato.

Forvent ikke en fullstendig liste over verk. Sammendraget er nettopp et sammendrag, og det vil beskrive kategorier, kilder og lisensgrunnlag på et overordnet nivå. Det er likevel langt mer enn det som fantes for et par år siden.

Slik bruker du det i en anskaffelse

Legg inn et enkelt krav i konkurransegrunnlag og avtaler: leverandøren skal vise til sitt publiserte sammendrag av treningsdata, eller forklare skriftlig hvorfor det ikke finnes. Krev at det oppdateres ved vesentlige modellendringer, og at dere varsles.

Sammenlign deretter to ting mellom leverandørene: hvor spesifikt sammendraget er, og om det sier noe om hvordan dataene ble anskaffet. Det er den siste opplysningen som har vist seg avgjørende i rettssalen, og det er også den de fleste sammendrag er vagest på.

Kostnadsbildet: forlik, bøter og prisen på lisensiert data

Kostnadene ved opphavsrettsstriden betales i første omgang av AI-selskapene. De ender likevel hos kundene, gjennom pris, produktendringer og leverandørenes evne til å levere over tid. Det er derfor kostnadsbildet hører hjemme i en innkjøpsvurdering og ikke bare i en bransjeanalyse.

Kostnadstype	Hvem betaler først	Hvordan den treffer deg
Forlik og erstatning	AI-leverandøren	Prisøkning, endrede vilkår eller svekket leveringsevne
Bøter for manglende dokumentasjon	Modellleverandøren	Leverandører uten dokumentasjon blir vanskeligere å forsvare internt
Lisensiering av treningsdata	AI-leverandøren	Høyere abonnementspris, men lavere juridisk usikkerhet
Bytte av leverandør midt i avtaleperioden	Deg	Ny integrasjon, ny testing og tapt tid i prosjektet
Opprydding i allerede publisert innhold	Deg	Manuell gjennomgang av materiale som er sendt ut

Forlik i milliardklassen

Forliket i Bartz mot Anthropic på 1,5 milliarder dollar er det største opphavsrettsforliket i USAs historie (manuscriptreport.com, 2026). Kravprosenten i forliket var svært høy, og den er verdt å merke seg for andre grunner enn beløpet: den viser at rettighetshaverne var organiserte nok til å melde seg.

Et forlik i den størrelsen setter en referanse. Det gjør neste saksøker mer ambisiøs, og det gjør neste leverandør mer forsiktig med hvor treningsdataene hentes fra. Begge deler påvirker prisen på AI-tjenester framover.

Kravene som ennå ikke er avgjort

Erstatningskravet i Concord, UMG og ABKCO mot Anthropic, kjent som Lyrics II, er på 3 milliarder dollar (manuscriptreport.com, 2026). Krav er ikke dommer, og beløp i stevninger er forhandlingsposisjoner. Men når flere krav av denne størrelsen løper parallelt mot samme selskap, blir det en balansepost og ikke bare en fotnote.

Legg til bøtenivået i EU AI Act for manglende dokumentasjon, og bildet blir at både det å ha skaffet data feil og det å ikke kunne redegjøre for det har en pris. Det er den kombinasjonen som gjør at markedet nå beveger seg mot lisensiering.

Kostnaden du bærer selv

Den kostnaden som treffer en norsk SMB hardest, står ikke i noen dom. Den er bytte-kostnaden: å måtte flytte en arbeidsflyt til en annen leverandør på kort varsel, teste alt på nytt og lære opp folk om igjen. Jo dypere AI-verktøyet er integrert, jo dyrere blir den flyttingen.

Den andre er ryddekostnaden. Hvis dere har publisert mye materiale uten å notere hva som ble generert hvordan, blir en eventuell gjennomgang et manuelt arbeid uten sluttdato. Sporbarhet er billig på forhånd og dyr i etterkant, og det er i praksis hele argumentet for å gjøre kartleggingen nå.

Markedsobservasjon: lisensavtaler og sertifisering vokser fram

Mens sakene pågår, endrer markedet seg uansett utfall. Bevegelsen går fra skraping mot avtaler, og fra taushet om treningsdata mot dokumentasjon som selges inn som et kvalitetstegn. Det er en markedsutvikling en innkjøper kan lese av allerede nå, uten å vente på rettskraftige dommer.

Lisensinntekter og hvem de tilfaller

Modellklausulene fra Authors Guild anbefaler at forfattere får 75 til 85 prosent av inntektene fra AI-lisensiering av verkene deres (manuscriptreport.com, 2026). Slike standardklausuler er en indikasjon på at innholdssiden organiserer seg. Når en bransje går fra enkeltsøksmål til standardvilkår, er den i ferd med å bygge et marked.

For AI-leverandørene betyr det at treningsdata får en løpende pris i stedet for å være en engangskostnad. For kunder betyr det at gapet mellom billige og dokumenterte modeller trolig blir tydeligere, ikke mindre.

Sertifisering av menneskeskapt innhold

Over 3 000 forfattere er sertifisert under merkeordningen Human Authored (manuscriptreport.com, 2026). Ordningen er liten i det store bildet, men retningen er interessant: menneskelig opphav er i ferd med å bli en egenskap noen betaler for å kunne dokumentere.

Det samme mønsteret vil trolig treffe leverandørsiden. En modell som kan vise hvor dataene kom fra blir lettere å kjøpe for offentlige og regulerte kunder, selv om den koster mer. Innsyn er på vei fra å være en plikt til å bli et salgsargument.

Vanlige feil norske virksomheter gjør i AI-innkjøp

Feilene går igjen på tvers av bransjer, og de handler sjelden om manglende vilje. De handler om at AI ble kjøpt inn som et produktivitetsverktøy og ikke som en leverandøravhengighet, og at ingen justerte innkjøpsrutinen da bruken vokste.

Å lese ansvarsgarantien som en forsikring

En ansvarsgaranti dekker typisk krav som rettes mot deg fordi du brukte tjenesten som avtalt. Den dekker sjelden at tjenesten endres, at en funksjon fjernes, eller at prisen stiger fordi leverandøren må begynne å lisensiere data den tidligere hentet gratis.

Sjekk beløpsgrense, hvilke produkter som omfattes, og hvilke bruksmåter som faller utenfor. En garanti som bortfaller så snart du slår av et filter eller finjusterer på egne data, dekker sannsynligvis ikke måten dere faktisk bruker verktøyet på.

Å vente på at jussen skal bli tydelig

Avgjørelser ankes, og ankebehandling tar tid. Samtidig er 2026 beskrevet som en avgjørende fase, ikke en avsluttende. Å utsette AI-bruk til alt er avklart er i praksis å utsette den i flere år, og konkurrentene venter ikke.

Den motsatte feilen er like vanlig: å ta i bruk alt uten dokumentasjon fordi «alle andre gjør det». Mellomveien er å bruke AI aktivt, men bygge slik at leverandøren kan byttes og bruken kan dokumenteres.

Å vurdere modellen, men glemme laget over

Mange gjennomganger stopper ved de kjente modellnavnene. Risikoen sitter ofte et lag høyere: i den lille SaaS-leverandøren som har bygget en funksjon på et API og videreformidler vilkår ingen har lest. Går den leverandøren konkurs eller mister tilgangen sin, forsvinner funksjonen din uten at modellleverandøren merker noe.

Behandle derfor applikasjonsleverandøren som en selvstendig risiko. Spør hvilken modell som ligger under, om den kan byttes, og hva som skjer med dataene dine hvis avtalen mellom dem og modellleverandøren opphører.

Ofte stilte spørsmål om AI og opphavsrett

Spørsmålene under er de som oftest kommer opp i ledergrupper som skal ta stilling til AI-innkjøp. Svarene er korte med vilje, og de peker på hva som er avklart og hva som fortsatt ikke er det.

Kan vi bli saksøkt for å bruke et AI-verktøy?

Søksmålene som spores i dag retter seg i all hovedsak mot utviklerne av modellene, ikke mot kundene deres (ailawsuittracker.com, 2025). Den praktiske risikoen for en norsk SMB ligger et annet sted: at innhold dere publiserer ligner for mye på et beskyttet verk, eller at generert kode drar med seg en lisens dere ikke kan oppfylle. Begge deler håndteres med menneskelig gjennomgang før publisering, ikke med juridiske utredninger.

Gjelder de amerikanske dommene i Norge?

Nei, ikke direkte. Men de avgjør økonomien og produktvalgene til leverandørene norske virksomheter kjøper fra. I tillegg har Europa egne avgjørelser som peker ulikt: GEMA mot OpenAI holdt utvikleren ansvarlig, mens Getty-saken i Storbritannia kom til at modellvekter ikke er en kopi (manuscriptreport.com, 2026). Å planlegge for ett rettsområde alene er derfor risikabelt.

Hva er egentlig forskjellen på lovlig anskaffet og piratkopiert treningsdata?

Forskjellen er hvordan kopien ble til før treningen startet. I Bartz-saken ble trening på lovlig anskaffede bøker vurdert som mulig rimelig bruk, mens trening på piratkopierte kopier fra skyggebibliotek ikke var det (ailawsuittracker.com, 2025). To modeller kan derfor være teknisk identiske og juridisk svært ulike, avhengig av hvor materialet kom fra.

Hva har vi rett til å få se fra leverandøren?

Etter EU AI Act artikkel 53 skal leverandører av AI-modeller publisere et sammendrag av treningsdataene, med bøter for manglende etterlevelse (manuscriptreport.com, 2026). Sammendraget er offentlig når det først finnes, og kan brukes fritt i en norsk anskaffelse. I tillegg kan du alltid be om skriftlige svar på ansvarsvilkår og loggpraksis, uavhengig av regelverk.

Bør vi vente med AI til rettstilstanden er avklart?

Nei, men bygg for at svaret kan gå begge veier. Domstolene har til nå kommet til ulike konklusjoner om fair use i saker som Kadrey og Thomson Reuters, og flere spørsmål avgjøres først i årene som kommer. Løsninger som tåler modellbytte, og en dokumentasjonspraksis som er på plass fra start, gjør at utfallet betyr mindre for dere.

Oppsummering og neste steg

Opphavsrettsstriden om AI er ikke en juridisk nyhet på siden av driften. Den er en leverandørrisiko som allerede påvirker pris, produktvalg og avtalevilkår, og den er dokumentert i offentlige rettsdokumenter for et stort antall saker (ailawsuittracker.com, 2025). Det som skiller virksomheter som håndterer dette godt fra dem som ikke gjør det, er ikke juridisk kompetanse. Det er om noen har stilt fire spørsmål og arkivert svarene.

Rettsbildet er delt. Anskaffelsesmåten har vist seg avgjørende, seire som Kadrey har hatt smal rekkevidde, og europeiske avgjørelser følger ikke automatisk de amerikanske (manuscriptreport.com, 2026). Samtidig er markedet i bevegelse mot lisensavtaler og publisert dokumentasjon, uavhengig av hva domstolene lander på.

Neste steg er konkret og lite: lag listen over AI-verktøy dere faktisk bruker, hent leverandørenes dokumentasjon, marker hva som treffer kunder eller produkt, og skriv en kjøreregel på en side. Sett så en dato for neste gjennomgang. Da har dere gjort jobben som betyr noe, uansett hvordan de 130 sakene ender.

I Alura kombinerer vi teknisk AI-kompetanse med praktisk forståelse for GDPR, EU AI Act og Datatilsynets forventninger. Vi hjelper norske virksomheter å bygge AI som tåler en revisjon, uten å bremse innovasjonen.

Bestill en compliance-vurdering: vi kartlegger dine AI-systemer mot gjeldende og kommende krav, og leverer en handlingsplan som faktisk er gjennomførbar. Uforpliktende.

Kilder

ailawsuittracker.com (2025). AI Copyright Lawsuits Tracker (2026) — Cases We Track
manuscriptreport.com (2026). AI Copyright Lawsuits for Authors & Publishers (2026 Tracker)
TechCrunch (2026). Sony Music, Warner sue Anthropic, alleging a “brazen campaign” of intellectual property theft
The Verge (2026). Sony Music and Warner Chappell sue Anthropic over copyright infringement