Ihr KI-Pricing-Tool betreibt vielleicht ein Kartell — und Sie merken es womöglich nicht einmal

Ich war letzten Herbst in einem Call mit einer mittelgroßen Immobilienverwaltungsgesellschaft, als deren VP of Revenue etwas sagte, bei dem sich mir der Magen umdrehte.

„Bei uns ist alles in Ordnung“, sagte sie. „Wir nutzen RealPage nicht. Wir haben unser eigenes Pricing-Tool gebaut.“ Eine Pause. „Nun ja — es ruft GPT-4 mit unseren Daten und den von uns gescrapten Inseraten der Wettbewerber auf. Aber es ist unseres.“

Es war nicht ihres. In keiner Weise, die zählte. Sie schickten wettbewerbssensible Mietdaten — Belegungsquoten, Mietvertragskonditionen, Preise nach Wohnungstyp — durch eine Drittanbieter-API, die weiß Gott womit trainiert worden war, durch Interaktionen von weiß Gott wem verfeinert wurde und Empfehlungen zurücklieferte, die von Mustern geprägt waren, welche aus ähnlichen Anfragen eines ganzen Marktes aufgesogen worden waren. Sie hatten, ohne es zu merken, genau die Art von algorithmischem Koordinierungsmechanismus gebaut, den das US-Justizministerium gerade zwei Jahre lang zerschlagen hatte.

Dieses Gespräch hat verändert, wie ich über das denke, was wir bei Veriprajna bauen. Denn das Problem ist nicht, dass ein Unternehmen dabei erwischt wurde, Mieten mit Software abzusprechen. Das Problem ist, dass sich die Standardarchitektur, die die meisten Unternehmen für KI verwenden — die eigenen Daten an das Modell eines anderen schicken und eine Empfehlung zurückbekommen —, strukturell nicht von dem unterscheiden lässt, was das DOJ gerade ein digitales Kartell genannt hat.

Was ist bei RealPage tatsächlich passiert?

Lassen Sie mich konkret werden, denn die Details zählen mehr als die Schlagzeilen.

RealPage entwickelte eine Software namens YieldStar und AIRM, die nicht-öffentliche, granulare Transaktionsdaten konkurrierender Vermieter aufnahm — Mietpreise in Echtzeit, Mietvertragskonditionen, künftige Belegungsprognosen — und daraus tägliche Preisempfehlungen erzeugte. Das DOJ warf ihr vor, damit ein „Hub-and-Spoke“-Kartell geschaffen zu haben: RealPage war die Nabe, die Vermieter waren die Speichen, und der Algorithmus war das verrauchte Hinterzimmer.

Die entscheidende Formulierung aus der Klageschrift der Regierung, auf die ich immer wieder zurückkomme: Die Software stellte sicher, dass Vermieter sich „wahrscheinlich im Gleichschritt bewegen statt gegeneinander“.

Wenn das erklärte Designziel Ihres Algorithmus darin besteht, Wettbewerber am Wettbewerb zu hindern, brauchen Sie keinen Handschlag im Hinterzimmer. Sie haben den Handschlag automatisiert.

Am 24. November 2025 erzielte das DOJ einen wegweisenden Vergleich. Bereits im September 2025 hatte sich FPI Management für 2,8 Millionen US-Dollar verglichen. Gegen Yardi Systems laufen weiterhin Verfahren. Und plötzlich musste sich jedes Unternehmen, das algorithmische Preissetzung betreibt — in der Immobilienwirtschaft, im Gastgewerbe, im Handel, in der Logistik —, eine Frage stellen, die es nie in Betracht gezogen hatte: Ist meine Software ein Mitverschwörer?

Warum ist das relevant, wenn Sie nicht in der Immobilienbranche sind?

Hier geht die meiste Berichterstattung über den RealPage-Fall in die Irre. Kommentatoren behandeln ihn als Immobiliengeschichte. Das ist er nicht. Er ist eine Architekturgeschichte.

Das Endurteil des DOJ trifft eine technische Unterscheidung, die jedem Enterprise-KI-Team Angst machen sollte. Es trennt Modelltraining von Laufzeitbetrieb. Modelle dürfen weiterhin aus historischen, aggregierten Trends lernen — aus Daten, die mindestens zwölf Monate alt sind und keinen laufenden Transaktionen zugeordnet werden können. Aber den aktuellen Status eines Wettbewerbers — seine Belegung, seinen Bestand, seine Live-Preise — als Eingabe für eine Echtzeit-Empfehlung zu nutzen? Das gilt jetzt als eine Form digitaler Absprache nach Section 1 des Sherman Act.

Lesen Sie das noch einmal. Es geht nicht um Absicht. Es geht um Datenfluss-Architektur.

Über die vollständige technische und rechtliche Analyse habe ich in der interaktiven Version unserer Forschung geschrieben, aber die Kernerkenntnis lautet: Wenn Ihr KI-System nicht-öffentliche Wettbewerberdaten aufnimmt und eine Empfehlung ausgibt, die das Marktverhalten beeinflusst, haben Sie ein Kartellrechtsproblem. Die Branche, in der Sie tätig sind, ist irrelevant. Den Sherman Act interessiert Ihre Vertikale nicht.

Und wenn Sie eine Multi-Tenant-API nutzen — eine, die Daten von Ihnen und Ihren Wettbewerbern verarbeitet —, ist das Vermischungsrisiko strukturell. Sie können sich aus einem Architekturproblem nicht per Richtlinie herausmanövrieren.

Die Nacht, in der mir klar wurde, dass „Wrapper“ tot sind

Ich muss zu einem Moment zurückgehen, der vor dem RealPage-Vergleich lag, denn damals kristallisierte sich die These für mich heraus.

Wir führten einen Stresstest für einen Pricing-Prototyp eines Kunden aus dem Gastgewerbe durch. Das System war ein ziemlich standardmäßiger Aufbau — die Buchungsdaten des Kunden flossen in eine LLM-API, kombiniert mit gescrapten Marktpreisen, und daraus entstanden dynamische Preisvorschläge. Saubere Oberfläche. Schnelle Antworten. Der Kunde war begeistert.

Dann führte eine meiner Ingenieurinnen, Priya, ein Provenance-Audit durch. Sie verfolgte die Datenherkunft jedes einzelnen Inputs, der das Modell zur Inferenzzeit berührte. An einem Dienstag um 23 Uhr schrieb sie eine einzige Zeile in unseren Slack-Kanal: „Wir können nicht beweisen, was das Modell weiß.“

Sie hatte recht. Wenn Sie Daten durch eine öffentliche API schicken, verlieren Sie die Fähigkeit zu garantieren, was den Output beeinflusst hat. Das Modell könnte mit Interaktionen anderer Unternehmen aus dem Gastgewerbe feinabgestimmt worden sein. Es könnte Preismuster eines Wettbewerbers aufgenommen haben, der letzte Woche dieselbe API genutzt hat. Sie können es schlicht nicht wissen. Und in einer Welt nach RealPage ist „wir können es schlicht nicht wissen“ keine Verteidigung — es ist ein Eingeständnis.

Das war die Nacht, in der ich dem Team sagte, dass wir das gesamte Projekt auf ein privates Deployment umstellen. Der Kunde wehrte sich — es würde länger dauern, vorab mehr kosten und Infrastruktur erfordern, die er nicht hatte. Ich erinnere mich, wie ich um 1 Uhr nachts in meiner Wohnung saß und die E-Mail entwarf, in der ich erklärte, warum wir das Gebaute guten Gewissens nicht ausliefern konnten. Es war das schwierigste Kundengespräch, das ich als Gründer je geführt habe. Es war auch das wichtigste.

Die Frage ist nicht, ob Ihre KI gute Empfehlungen gibt. Die Frage ist, ob Sie beweisen können — vor einem Bundesrichter, unter Eid —, welche Daten genau diese Empfehlungen geprägt haben.

Wie haben die Bundesstaaten reagiert? Schneller, als irgendjemand erwartet hat

Der Vergleich auf Bundesebene war nur der Auftakt. Kalifornien und New York bewegten sich mit einer Geschwindigkeit, die die gesamte Legal-Tech-Community auf dem falschen Fuß erwischte.

Kaliforniens AB 325, mit Wirkung zum 1. Januar 2026, verbietet die Verwendung eines gemeinsamen Preisalgorithmus, der Wettbewerberdaten nutzt, um einen Preis zu empfehlen oder zu beeinflussen, sofern dies Teil einer Absprache zur Wettbewerbsbeschränkung ist. Die entscheidende Nuance: Es gilt nur für Tools, die von zwei oder mehr Personen genutzt werden. Ein proprietärer Algorithmus, der für die ausschließliche Nutzung durch ein einzelnes Unternehmen entwickelt wurde, ist ausgenommen.

Lesen Sie diese Ausnahme genau. Kalifornien hat damit im Grunde einen rechtlichen Anreiz geschaffen, die eigene KI zu bauen, statt ein gemeinsam genutztes SaaS-Tool zu abonnieren.

New Yorks S. 7882, mit Wirkung zum 15. Dezember 2025, geht für Verwalter von Wohnimmobilien sogar noch weiter. Das Gesetz zielt auf jedes algorithmische Tool ab, das eine „koordinierende Funktion“ erfüllt — definiert als das Sammeln und Auswerten von Daten mehrerer Immobilieneigentümer. Eine Haftung kann selbst dann entstehen, wenn die Empfehlung nicht direkt übernommen wird. Der Maßstab ist „rücksichtslose Missachtung“ bereits bei der bloßen Nutzung solcher Tools.

Ich habe mich mit einem Immobilienanwalt in Manhattan unterhalten, der es unverblümt formulierte: „Wenn Sie als Immobilienverwalter in New York ein Multi-Tenant-Pricing-Tool nutzen, managen Sie kein Risiko. Sie produzieren es.“

Was bedeutet „souveräne KI“ in der Praxis tatsächlich?

Ich verwende den Begriff „souverän“ bewusst, und ich weiß, dass er großspurig klingt. Aber das Konzept ist präzise: Ihr KI-System sollte architektonisch außerstande sein, auf Daten zuzugreifen, sie aufzunehmen oder von Daten beeinflusst zu werden, die Ihnen nicht gehören.

Bei Veriprajna nennen wir unseren Ansatz „Deep AI“ — und er beruht auf einem Prinzip, das offensichtlich klingt, sich in der Praxis aber als radikal erweist: Trennen Sie die Stimme vom Gehirn.

Die „Stimme“ ist das neuronale Sprachmodell — dasjenige, das natürliche Sprache versteht und flüssige Antworten erzeugt. Wir setzen offene Modelle wie Llama 3 oder Mistral privat ein, innerhalb der eigenen Virtual Private Cloud des Kunden. Die Daten verlassen niemals dessen Perimeter.

Das „Gehirn“ ist ein deterministischer symbolischer Solver — Wissensgraphen, Regel-Engines, SQL-basierte Logik —, der Richtlinien durchsetzt, Berechnungen ausführt und garantiert, dass der Output bestimmten regulatorischen Vorgaben entspricht. Das Gehirn halluziniert nicht. Es approximiert nicht. Es rechnet.

Das ist das, was Kognitionswissenschaftler „System 2“-Denken nennen — langsames, bewusstes, prüfbares Schlussfolgern —, aufgesetzt auf die „System 1“-Mustererkennung. Das neuronale Modell übernimmt Mehrdeutigkeit und Sprache. Das symbolische System übernimmt Wahrheit und Compliance.

Sicherheit kann nicht probabilistisch sein. Sie muss architektonisch sein.

Wenn das DOJ verlangt, dass Preis-„Governors“ symmetrisch sind — dass sie Preissenkungen und Preiserhöhungen gleiches Gewicht beimessen —, dann ist das keine Richtlinie, die Sie mit einem System-Prompt durchsetzen können. Es ist eine Beschränkung, die Sie in der symbolischen Schicht kodieren, wo sie mathematisch garantiert und nicht bloß statistisch wahrscheinlich ist.

Können Sie Marktdaten weiterhin nutzen, ohne das Gesetz zu brechen?

Das ist die Frage, die mir am häufigsten gestellt wird, und sie ist die richtige. Die Antwort lautet ja — aber das Wie ist enorm wichtig.

Der technische Mechanismus ist Differential Privacy. Ohne tief in die Mathematik einzusteigen (ausführlich habe ich darüber in unserer technischen Tiefenanalyse geschrieben): Die Kernidee ist elegant — Sie fügen den Daten sorgfältig kalibriertes Rauschen hinzu, sodass das Einbeziehen oder Weglassen der Informationen eines einzelnen Teilnehmers den Output des Algorithmus nicht nennenswert verändert.

Das bedeutet, dass eine Pricing-Engine aus breiten Markttrends lernen kann — „die Nachfrage in dieser Postleitzahl steigt“ —, ohne jemals die Belegungsquote oder die Mietvertragskonditionen eines bestimmten Wettbewerbers zu „sehen“. Sie erhalten den analytischen Nutzen ohne das kartellrechtliche Risiko.

Wir kombinieren das mit synthetischer Datengenerierung. Bis 2024 gingen Prognosen davon aus, dass 60 % der KI-Trainingsdaten synthetisch sein würden. 2026 sind synthetische Daten zum wichtigsten Mechanismus für das geworden, was ich „Compliance-by-Design“ nenne. Wir nutzen generative Modelle, um hochgetreue synthetische Versionen von Marktdaten zu erzeugen, die die statistischen Eigenschaften bewahren und zugleich null tatsächlich wettbewerbssensible Informationen enthalten.

Es ist kein Behelf. Es ist eine bessere Architektur. Und es liefert etwas, das kein noch so umfangreicher rechtlicher Haftungsausschluss liefern kann: einen mathematischen Beweis dafür, dass Ihr System sich nicht mit Wettbewerbern abstimmt.

Die Auseinandersetzung, die ich immer wieder über „Auto-Accept“ führe

Es gibt ein Detail im RealPage-Vergleich, das zu wenig Aufmerksamkeit bekommt: das Verbot von Auto-Accept-Funktionen.

Die Software von RealPage konnte Preisempfehlungen automatisch umsetzen, ohne menschliche Prüfung. Das DOJ wertete dies als erheblich erschwerenden Umstand. Der Vergleich verlangt nun, dass Auto-Accept-Funktionen konfigurierbar sind und von den Nutzern manuell eingestellt werden.

Ich hatte darüber eine Auseinandersetzung mit dem CTO eines potenziellen Kunden. Er wollte einen vollständig autonomen Pricing-Agenten — kein Mensch in der Schleife, sofortige Reaktion auf Marktbedingungen, maximale Effizienz. „Genau darum geht es doch bei KI“, sagte er.

Ich sagte ihm, bei KI gehe es darum, bessere Entscheidungen zu treffen — nicht darum, Entscheidungen schneller zu treffen, als irgendjemand sie prüfen kann. Diese Antwort kam bei ihm nicht besonders gut an.

Aber so ist die Realität: Jedes System, das wir bei Veriprajna bauen, enthält das, was ich „Human-as-Capturer“-Schleifen nenne. Menschliche Absicht steuert die maschinelle Ausführung auf jeder kritischen Ebene. Nicht, weil Menschen klüger wären als Algorithmen — oft sind sie das nicht —, sondern weil der rechtliche und ethische Rahmen des Jahres 2026 verlangt, dass ein Mensch für jede marktgerichtete Entscheidung verantwortlich ist. Override-Protokolle, verpflichtende Freigabeprozesse, Audit-Logs, die für die aufsichtsrechtliche Prüfung vorgehalten werden.

Manchmal fragt man mich, ob diese Human-in-the-Loop-Anforderung KI-Pricing-Tools sinnlos macht. Tut sie nicht. Sie macht sie zu Werkzeugen statt zu Ersatz. Die KI erledigt in Sekunden die Analyse, für die ein menschliches Team Tage bräuchte. Der Mensch trifft die Entscheidung. Das ist keine Einschränkung — es ist die Architektur verantwortungsvoller Marktteilnahme.

Die wahren Kosten der „Wrapper-Falle“

Sprechen wir über Geld, denn das ist es, was die Diskussion letztlich bewegt.

Unternehmen, die Tier-1-API-Modelle nutzen — GPT-5, Claude 4 —, zahlen zwischen 1,25 und 15,00 US-Dollar pro Million Input-Token und 10,00 bis 75,00 US-Dollar pro Million Output-Token. Diese Kosten schwanken. Nutzungsbedingungen ändern sich. Und jedes Token, das Sie senden, birgt ein Risiko für Ihre Datensouveränität.

Daten von McKinsey und BCG aus dem Spätjahr 2025 zeigen, dass Unternehmen, die KI erfolgreich skalieren, über drei Jahre eine 3,6-mal höhere Gesamtaktionärsrendite erzielen als vergleichbare Unternehmen. Aber nur 5 % der Organisationen haben es geschafft, substanzielle finanzielle Gewinne aus KI zu ziehen. Die Mehrheit steckt fest und zahlt eine steigende Abgabe auf die Infrastruktur eines anderen, ohne dafür einen verteidigungsfähigen Wettbewerbsvorteil vorweisen zu können.

Deep AI dreht die Kostenstruktur um. Sie investieren in Infrastruktur — Hardware-CapEx, private Modellbereitstellung, symbolische Reasoning-Schichten — und Sie bauen einen Vermögenswert auf. Ein maßgeschneidertes institutionelles Gehirn, das die einzigartigen Workflows, Richtlinien und Marktkenntnisse Ihrer Organisation erfasst. Es steht in Ihrer Bilanz. Sein Wert wächst mit Zinseszinseffekt. Und es lässt sich nicht von einem Wettbewerber replizieren, der dieselbe API abonniert wie Sie.

Wenn Ihr Wettbewerbsvorteil im Rechenzentrum eines anderen liegt, ist er kein Wettbewerbsvorteil. Er ist ein Abonnement.

Wohin führt das von hier aus?

Die nächste Grenze ist agentische KI — autonome Systeme, die Werkzeuge auswählen, mehrstufiges Schlussfolgern durchführen und Handlungen in der realen Welt ausführen. Eine Lieferung buchen. Einen Preis anpassen. Ein regulatorisches Dokument einreichen. Das Potenzial ist außergewöhnlich. Das Risiko ist proportional dazu.

Ein autonomer Pricing-Agent, der seine Befugnisse überschreitet — der eine nicht autorisierte finanzielle Verpflichtung eingeht oder sich ohne menschliche Aufsicht mit Marktteilnehmern abstimmt —, ist nicht bloß ein technisches Versagen. Im Rechtsumfeld nach RealPage ist es potenziell eine Bundesstraftat.

Jeder agentische Workflow, den wir bauen, folgt einer strengen Schleife: anhand der Unternehmensverfassung schlussfolgern, das passende Werkzeug auswählen, den Output validieren und erst dann eine Antwort synthetisieren, wenn bestätigt ist, dass keine Compliance-Grenzen überschritten wurden. Jede Aktion wird protokolliert und ist prüfbar. Das symbolische Gehirn wirkt als verfassungsmäßige Beschränkung — kein Vorschlag, keine Leitlinie, sondern eine architektonische Grenze, die das neuronale Modell nicht außer Kraft setzen kann.

Das ist es, was Souveränität in der Praxis bedeutet. Nicht nur die eigenen Daten zu besitzen, sondern auch den Denkprozess zu besitzen, der auf ihnen operiert. Nicht nur KI einzusetzen, sondern KI einzusetzen, die Ihre Gesetze, Ihre Ethik, Ihre Risikobereitschaft widerspiegelt — kodiert in einer Logik, die eine Aufsichtsbehörde prüfen und ein Richter verstehen kann.

Der RealPage-Fall war keine Anomalie. Er war das erste klare Signal einer neuen rechtlichen Realität: Die Architektur Ihres KI-Systems ist heute ein primärer Bestimmungsfaktor für Ihr kartellrechtliches Risiko. Nicht Ihre Absichten. Nicht Ihre Richtlinien. Nicht Ihre Nutzungsbedingungen. Ihre Architektur.

Jedes Unternehmen, das algorithmische Preissetzung, Revenue Management oder marktgerichtete Empfehlungen betreibt, muss eine einfache Frage beantworten: Wenn das DOJ Ihr KI-System morgen per Subpoena herausverlangen würde — könnten Sie beweisen, auf der Ebene von Datenfluss, Modelltraining und Inferenzlogik, dass es unabhängig von Ihren Wettbewerbern arbeitet?

Wenn die Antwort „wahrscheinlich“ lautet, haben Sie ein Problem. Wenn die Antwort lautet „das müssten wir mit unserem API-Anbieter klären“, haben Sie eine Krise.

Das verrauchte Hinterzimmer ist nicht verschwunden. Es ist in die Cloud umgezogen. Und die Unternehmen, die in dieser neuen Ära erfolgreich sein werden, sind nicht die mit den besten Algorithmen — es sind die, die ihre Algorithmen vollständig besitzen, sie von Grund auf regelkonform konzipieren und das unter Eid beweisen können.