Sunos træningsdata er nu en specificeret liste

En medarbejder, en orm, hele pipelinen

Vejen ind i Suno gik gennem en enkelt persons maskine. En hacker inficerede en enkelt medarbejder med en orm, der høstede adgangsoplysninger til GitHub og til virksomhedens skytjenester, og derfra nåede angriberen de systemer, der betød noget. Det, der kom ud, var ikke en kundedatabase i almindelig forstand, selv om hundredtusindvis af kundeoplysninger inklusive e-mailadresser og telefonnumre blev eksponeret sammen med betalingsinformation fra Stripe. Det, der kom ud, var kildekoden fra 2023 og 2024: de scripts, der byggede modellen, og de kommentarer, ingeniørerne efterlod til hinanden undervejs.

Det her er den moderne form for et brud, og det fortjener at blive forstået som en kategori frem for en enkeltstående hændelse. Ingen angreb Sunos produkt. Ingen fandt en fejl i modellen. Nogen kompromitterede en udvikler, og en udviklers adgangsoplysninger åbner repositoriet, og repositoriet er der, hvor en virksomhed opbevarer den mest ærlige redegørelse for, hvad den rent faktisk gjorde. Jeres sikkerhedsprogram behandler formentlig kildekode som immaterielle rettigheder, der skal beskyttes mod konkurrenter. Den dyrere læsning er, at kildekode er en samtidig optegnelse over jeres beslutninger, skrevet af folk, der gik ud fra, at de eneste læsere ville være kolleger.

Sunos redegørelse for tidsforløbet er den del, der bør gøre enhver med ansvar for en hændelsesproces urolig. Virksomheden siger, at indtrængningen fandt sted i november 2025, at den hurtigt blev inddæmmet, og at ingen følsomme personoplysninger blev kompromitteret. Tag det for pålydende, og det ændrer intet ved udfaldet, for materialet dukkede op i juli 2026, cirka otte måneder senere, på en journalists skrivebord. Inddæmning beskriver, hvad I gjorde ved angriberen. Den siger intet om kalenderen hos den, der sidder med kopien, og det er vedkommende, der vælger udgivelsesdatoen, ikke jer.

De tal, koden gik og gemte på

Detaljeringsgraden er det, der gør denne sag anderledes end enhver tidligere historie om AI-træningsdata. En kommentar i én fil opregner de kilder, der blev trukket fra: genius_hq, youtube_music, freesound, jamendo, imp, deezer, ytm_tagged. En fil ved navn youtube_music registrerer indtagelsen af 2.013.545 musikklip. Et andet sæt kommentarer opregner datasættene efter varighed: 113.879 timer youtube_music, 152.162 timer ytm_tagged, 62.117 timer pond5_music, 19.514 timer materiale fra International Music Score Library Project, 17.615 timer genius_hq, 12.287 timer deezer, 3.726 timer jamendo, 410 timer freesound og 103 timer musescore_lyrics. Koden beskriver også filtrering, der skulle sortere det fra, som ikke var musik, og podcasts blev hentet via RSS-feeds.

Læs de tal, som en ingeniør ville, og de er hverdagsagtige. Læs dem, som en jurist ville, og de er en opgørelse. Indtil nu er diskussionen om, hvad AI-musiksystemer har indtaget, blevet ført i tillægsord. Rettighedshaverne sagde enorme mængder. Virksomhederne sagde offentligt tilgængeligt materiale. Begge udsagn er ufalsificerbare på en brugbar måde, hvilket passede alle parter, for om en abstraktion kan man skændes i årevis. Om et tal kan man ikke. Deezer er ikke et vagt hjørne af det åbne internet; det er en navngiven europæisk tjeneste med et katalog og vilkår, og koden siger 12.287 timer.

Så er der spørgsmålet om, hvordan man kom til materialet. Rapporteringen indikerer, at Suno kan have brugt proxytjenester til at hente musik fra YouTube, herunder acapella-versioner af sange, som er de isolerede vokalspor, en model gerne vil have, og som en lytter ikke tilfældigt støder på. Brug af proxy er et helt almindeligt teknisk svar på anmodningsgrænser og blokeringer. Det er et betydeligt mindre almindeligt faktum, når spørgsmålet for en domstol er, om adgangen var autoriseret, for en proxy findes for at få en forespørgsel til at se ud, som om den kom et andet sted fra, end den gjorde.

Suno blev ikke grebet i løgn, og det er værre

Virksomhedens udtalelse efter bruddet er ikke en tilbagetrækning. Suno sagde, at selskabets modeller, som det har fremgået af offentlige indberetninger og oplysninger, er trænet på offentligt tilgængelige musikfiler og tilhørende metadata, der er tilgængelige på tredjepartswebsteder på det åbne internet. Hold den sætning op mod koden, og der er ingen modsigelse. YouTube Music ligger på det åbne internet. Det gør Deezer også, det samme gør Genius, det samme gør Jamendo. Virksomheden har tidligere sagt, at den trænede på stort set alle musikfiler af rimelig kvalitet, der er tilgængelige på det åbne internet, og har argumenteret for, at det udgør fair use. Alt, hvad koden viser, stemmer med alt, hvad virksomheden har sagt.

Den overensstemmelse er problemet, ikke forsvaret. Den offentlige sætning og den private kommentar beskriver den samme handling i to forskellige opløsninger, og kun den ene kan krydsforhøres. En dommer kan ikke stille meget op med offentligt tilgængelige musikfiler. En dommer kan stille en hel del op med 2.013.545 klip og et regnskab over timer kilde for kilde, for det forvandler et spørgsmål om karakteristik til et spørgsmål om omfang, og omfang er det, erstatning beregnes ud fra. Sunos juridiske position kan sagtens overleve. Virksomhedens forhandlingsposition har netop ændret sig, for modparten skal ikke længere bevise størrelsen på tingen.

Den kommercielle historie omkring sagen viser præcis, hvad der står på spil. Pladeselskaber sagsøgte Suno for krænkelse af ophavsretten, og Warner Music Group trak sig efterfølgende ud af sagen til gengæld for en licensaftale. Det er det afslørende træk. Denne strid var aldrig på vej mod en principiel afgørelse om maskinlæring og ophavsret; den var på vej mod et sæt licenser til en pris. Hvert faktum, der fastnagler, hvor meget der blev taget fra hvem, er et faktum, der flytter den pris, og en specificeret liste med timetal er det mest prisflyttende dokument i hele sagen.

Jeres repositorium er et vidne

Generaliser ud over musikbranchen, for mekanismen har intet med musik at gøre. Enhver organisation, der træner eller finjusterer en model, har en pipeline, og den pipeline har kilder, og et sted har en dygtig ingeniør skrevet ned, hvad de kilder er, og hvor meget der kom fra hver enkelt, for det er, hvad dygtige ingeniører gør. Det kan være en kommentar, et navn på et datasæt, en konfigurationsfil, en række i et manifest. Under normale forhold er den dokumentation et tegn på et velkørende system. Under en retssag, eller under et brud, er den samme dokumentation den klareste tilgængelige erklæring om, hvad organisationen har indtaget, forfattet af organisationen selv, i en tone som ingen kommunikationsafdeling nogensinde har gennemgået.

Den kløft, der betyder noget, er mellem det, jeres jurister tror, I gjorde, og det, jeres repositorium registrerer, at I gjorde. De to redegørelser er skrevet af forskellige mennesker, på forskellige tidspunkter, til forskellige modtagere, og kun den ene bliver kontrolleret, før den går ud. Ingeniøren, der opkalder en bucket efter det websted, indholdet blev skrabet fra, er ikke uforsigtig. Vedkommende er præcis, på et tidspunkt hvor ingen havde sagt til vedkommende, at præcisionen ville blive læst højt. Er de to redegørelser gledet fra hinanden i jeres egen virksomhed, er et brud en af flere måder at finde ud af det på, og det er den, hvor I får det at vide samtidig med alle andre.

Intet af det her taler for at skrive dårligere kommentarer. En ingeniørkultur, der skjuler for sit eget repositorium, hvad den laver, producerer systemer, ingen kan revidere, og den fejl koster mere end nogen retssag. Argumentet er at lukke kløften fra den anden ende: vid, hvad jeres pipeline har indtaget, vær i stand til at sige det i de samme vendinger, som koden siger det, og sørg for, at den offentlige sætning og den private kommentar beskriver den samme handling i samme opløsning. Gør de det, er et brud en sikkerhedshændelse. Gør de det ikke, er det en offentliggørelse.

Hvad I skal gøre med det her, før kvartalet slutter

Skriv jeres models proveniens ned, mens det stadig er jeres eget dokument. For hver model, I træner, finjusterer eller bestiller, så noter hvilke kilder data kom fra, på hvilken hjemmel, og cirka hvor meget der kom fra hver. Er den liste svær at fremstille, er selve vanskeligheden fundet, og det er bedre at møde den nu, i jeres eget tempo, end under edition i en retssag eller i en journalists indbakke. De organisationer, der kommer godt gennem de næste par år, er dem, hvis svar på spørgsmålet om, hvad de har trænet på, er et dokument frem for et tillægsord.

Behandl udviklernes maskiner som kronjuvelerne, for det er de. Suno mistede sin pipeline gennem én medarbejders adgangsoplysninger til GitHub og til skytjenester. Den kontrol, der betyder noget, er ikke en større perimeter, men sprængradius for en enkelt kompromitteret udvikler: phishingresistent autentificering på kodeplatformen, kortlivede adgange til skyen frem for varige, og nok adskillelse til, at én maskine ikke låser hele it-landskabet op. Det er glansløst arbejde uden et produkt at købe, og det er forskellen på en hændelse og en opgørelse.

Endelig: hold op med at behandle inddæmning som afslutning. Suno inddæmmede en indtrængning i november 2025 og læste om sin egen kildekode i juli 2026. Når data forlader huset, stopper eksponeringsuret ikke, når indtrængeren er smidt ud; det stopper, når kopien er værdiløs, og kopien er først værdiløs, når de fakta, den rummer, ikke længere betyder noget. Har I haft en hændelse, der blev inddæmmet, men hvor data forlod huset, er den ærlige status ikke lukket. Den er afventende, og en anden sidder med udgivelsesdatoen.

Læs videre: TfL betalte ingen løsesum og tabte alligevel 29 millioner  |  Ét commit er ikke et revisionsspor