15. Juli 2026 wurde der interne Quellcode von Suno — einem der größten KI-basierten Musikgeneratoren — öffentlich zugänglich. Der Leak hat das erreicht, was Kläger über Jahre in den Gerichten angestrebt haben: Er zeigte mit genauen Zahlen, woher der Dienst seine Daten zum Trainieren bezogen hat. Die Antwort lautet: aus dem gesamten Internet, durch industrielles Scraping, in einem Umfang, der physisch ohne Proxy-Infrastruktur unmöglich ist. Lassen Sie uns herausfinden, was genau ans Licht kam und warum diese Geschichte die tragende Schicht der gesamten KI-Industrie betrifft und nicht nur einen einzelnen Dienst.
Was passiert ist: Der Hack hat die Hintergründe von Suno aufgedeckt
Laut 404 Media und TechCrunch erhielt ein Hacker mit dem Pseudonym ellie.191 bereits im November 2025 Zugang zu den Systemen von Suno durch einen Angriff auf die Lieferkette — einen Wurm namens Shai-Hulud, der Anmeldedaten von GitHub und Cloud-Diensten sammelt. Nachdem er das Konto eines Mitarbeiters kompromittiert hatte, lud der Angreifer den Quellcode und interne Konfigurationen herunter, zusammen mit Informationen über Hunderttausende von Suno-Kunden und Zahlungsdaten von Stripe (E-Mail, Telefonnummern, Teile von Kartennummern).
Der Vorfall selbst ereignete sich Ende 2025, aber Suno informierte die Nutzer nicht und bezeichnete es bis heute als „ein begrenztes Sicherheitsvorfall, das schnell lokalisiert wurde“. Öffentlich wurden die Materialien erst jetzt, im Juli 2026 — und der Hauptwert des Leaks liegt nicht in den persönlichen Daten, sondern in den Kommentaren im Code, in denen die Quellen und das Volumen des Trainingsdatensatzes aufgelistet sind.
Zahlen, die nicht gezeigt werden sollten
Früher gab sich Suno mit vagen Formulierungen zufrieden — das Training erfolgte mit „praktisch allen Musikdateien akzeptabler Qualität, die im offenen Internet verfügbar sind“, das seien „Zehntausende von Millionen von Aufnahmen“. Der geleakte Code ersetzte die Unbestimmtheit durch Konkretheit. Hier ist, was tatsächlich in das Modell eingespeist wurde:
- YouTube Music — 2.013.545 Musikvideos, 113.879 Stunden; ein separater annotierter Korpus „YTM Tagged“ — weitere 152.162 Stunden;
- Pond5 (Stockmusik) — 62.117 Stunden;
- IMSLP (International Music Score Library Project, Notenbibliothek) — 19.514 Stunden;
- Genius (Songtexte) — 17.615 Stunden;
- Deezer — 12.287 Stunden;
- Jamendo — 3.726 Stunden;
- Freesound — 410 Stunden;
- MuseScore — Texte und Noten;
- Podcasts über RSS — der Code identifizierte etwa 420.000 Podcasts mit fünf oder mehr Episoden, die länger als 30 Minuten sind, mit dem Ziel, etwa 1 Million Stunden Audio zu extrahieren.
Die Kommentare im Code lassen keinen Raum für Interpretationen: Das System zog Daten aus „genius_hq, youtube_music, freesound, jamendo, imslp, deezer, ytm_tagged“, während „nicht-musikalische Inhalte“ in der Nachbearbeitung herausgefiltert wurden. Das sind keine grauen Zonen und keine zufälligen Downloads — das ist eine konzipierte Datenbeschaffungsstraße aus dem gesamten verfügbaren Web.
Warum das ohne Proxys unmöglich ist
Ein entscheidendes Detail, das leicht übersehen werden kann: YouTube Music, Deezer und die meisten Streaming-Plattformen schützen sich aggressiv gegen massenhafte Downloads. Strenge Anfrageratenlimits pro IP, Verhaltens- und TLS-Fingerprinting, Captchas, IP-Sperren — all das, worüber wir regelmäßig schreiben. Es ist unmöglich, zwei Millionen Clips und Hunderttausende von Stunden Audio von einer oder sogar Hunderten von Adressen herunterzuladen: Die Infrastruktur der Plattform blockiert die Quelle nach den ersten Tausend Anfragen.
Um eine Pipeline in diesem Umfang über Monate hinweg zu betreiben, benötigt man eine Rotation von Tausenden verschiedenen IP-Adressen, die wie echte Nutzer aussehen — das heißt residential und mobile Proxys. Rechenzentrumsadressen bei beliebten Streaming-Diensten werden praktisch sofort nach ASN blockiert. Der Download-Mechanismus selbst ist dabei typisch — eine Kombination wie yt-dlp mit einer Proxy-Schicht; wir haben dies ausführlich in unserem Leitfaden wie man mit yt-dlp und Proxys von YouTube herunterlädt, um Sperren zu umgehen behandelt. Der Leak von Suno ist ein seltener Fall, in dem man von außen den Umfang dieser „unsichtbaren tragenden Schicht“ sieht: Das Modell selbst ist die Schaufenster, und darunter läuft seit Jahren eine Proxy-Farm, die Inhalte in industriellen Mengen extrahiert.
Das erklärt auch, warum der Proxy-Markt 2026 als Infrastruktur für KI wahrgenommen wurde und nicht als Nischenwerkzeug für Scraper. Jeder große Trainingsdatensatz — sei es Musik, Text oder Video — ist in erster Linie Logistik der Datensammlung: Tausende IPs, Umgehung von Erkennung, Lastverteilung. Wenn Sie diese Schicht tiefer verstehen möchten, haben wir eine separate Analyse von Proxys für KI-Training und Datensammlung.
Juristische Mine: Es geht nicht um Proxys, sondern darum, was und woher
Suno hat bereits zuvor mit großen Labels geklagt, und der Leak stärkt ihre Position. Das Unternehmen verteidigt sich mit der Doktrin des fairen Gebrauchs: Das Training mit öffentlich zugänglicher Musik sei legal. Aber die Rechteinhaber haben ein ernsthafteres Argument als das Urheberrecht — DMCA. Ihr Argument: Das Scraping von YouTube in industriellem Umfang bedeutet Umgehung der technischen Schutzmaßnahmen, die die Plattform gegen automatisierte Downloads eingerichtet hat. Und die Umgehung solcher Maßnahmen ist bereits ein separates Vergehen, unabhängig davon, wie der Streit über den fairen Gebrauch letztendlich ausgeht. Ähnliche Klagen werden auch gegen Sunos Konkurrenten Udio erhoben, der des ähnlichen Scraping von YouTube beschuldigt wird.
Die Schlussfolgerung für alle, die Daten sammeln, ist hier dieselbe wie in der Geschichte mit den EDPB-Richtlinien zum Scraping unter GDPR: Proxys lösen das technische Zugangsproblem, bieten aber keine rechtliche Grundlage. Eine residential IP lässt Sie wie einen normalen Besucher erscheinen — sie hebt nicht die Nutzungsbedingungen der Plattform, das Urheberrecht und den DMCA auf. Der rechtliche Rahmen wird durch das bestimmt, WAS und WARUM Sie sammeln, nicht durch die Sauberkeit Ihres Traffics.
Was man daraus mitnehmen kann
Selbst wenn Sie nie Musik für KI gesammelt haben, ist der Fall Suno eine konzentrierte Lektion über die Datensammlung im Jahr 2026:
- Der Umfang basiert auf Proxys. Jede ernsthafte Sammlung von Streaming- und geschützten Plattformen erfordert residential oder mobile IPs mit Rotation — Rechenzentren werden innerhalb von Minuten nach ASN blockiert. Der Typ des Proxys wird je nach Ziel ausgewählt: residential für das breite Web, mobile für die aggressivsten Anti-Bot-Systeme.
- Technischer Zugang ≠ Recht. Die Umgehung von Anti-Scraping-Schutz kann als Verletzung des DMCA und der Nutzungsbedingungen qualifiziert werden. Trennen Sie offene Daten ohne technische Barrieren von geschützten Inhalten — das sind unterschiedliche Risikostufen.
- Hygiene und Herkunft der Proxys sind wichtig. Vor dem Hintergrund der Schließung von Botnetzen wie NetNut ist die Herkunft der residential IPs ein Auswahlkriterium geworden: Ein sauberer Pool von einem transparenten Anbieter bedeutet sowohl Stabilität als auch geringere rechtliche Risiken.
- Daten fließen zusammen mit den Methoden. Suno hat jahrelang direktes Scraping geleugnet — und ein einziger Hack hat alle Formulierungen zunichtegemacht. Bauen Sie Ihre Pipeline so, als würde sie morgen vor Gericht gelesen werden.
Fazit
Der Hack von Suno ist nicht wegen der persönlichen Daten interessant, sondern weil er zum ersten Mal die Hintergründe eines großen KI-Produkts in konkreten Zahlen gezeigt hat: 2.013.545 Clips von YouTube Music, Dutzende von Quellen, eine Million Stunden Podcasts in Planung. Hinter diesen Zahlen steckt keine Magie des neuronalen Netzes, sondern banale Logistik der Datensammlung: Proxy-Farm, Umgehung der Erkennung, Monate des Extrahierens. Der KI-Wettlauf der letzten Jahre ist in vielerlei Hinsicht ein Wettlauf um Daten, und der Wettlauf um Daten ist ein Wettlauf um Zugangs-Infrastruktur. Suno war einfach derjenige, bei dem diese Infrastruktur abgekupfert wurde.
Wenn Sie eine legale Datensammlung aufbauen — für Analysen, Modelltraining oder Monitoring — beginnen Sie mit der richtigen tragenden Schicht: sauberen residential und mobilen Proxys mit transparenter Herkunft. Die Zugangstechnik ist lösbar; das Wichtigste ist, sie im Rahmen des Gesetzes und des gesunden Menschenverstands zu halten.