Ihr Preisalgorithmus ist zwei Klagen, nicht eine – und die meisten Unternehmen verteidigen sich nur gegen eine

Die erste Preis-Engine, die mein Team prüfte, bestand die Prüfung sauber.

Wir hatten einen Fairness-Scanner gebaut – das Naheliegende. Man richtet ihn auf einen Preisalgorithmus, prüft, ob das Modell Rasse, Geschlecht, Alter oder irgendeine geschützte Kategorie als Eingabe verwendet, und markiert es, falls ja. Wir ließen ihn gegen den Personalisierungs-Stack eines mittelständischen Einzelhändlers laufen, und er meldete grün. Keine geschützten Felder. Nichts zu sehen.

Ich hätte den Bericht fast abgeschickt. Dann zog ich das Feature-Importance-Diagramm für das Modell auf – die geordnete Liste, welche Eingaben den Preis tatsächlich bewegten – und das drittstärkste Signal war device_type. Darunter: die Postleitzahl. Darunter die Tageszeit, zu der die Sitzung begann.

Der Algorithmus hatte nie Rasse oder Einkommen gesehen. Er brauchte es nicht. Ein Nutzer, der auf einem älteren Android-Telefon aus einer einkommensschwächeren Postleitzahl um 23 Uhr surfte, bekam systematisch andere Preise als ein iPhone-Nutzer in einem wohlhabenden Vorort um 14 Uhr nachmittags. Und Volkszählungsdaten sagen einem genau, womit diese Eingabecluster korrelieren. Unser Scanner sagte "konform". Eine Disparate-Impact-Regression hätte "nicht zu verteidigen" gesagt. Wir hatten ein Werkzeug gebaut, das nach dem Verbrechen suchte, das niemand mehr begeht.

Das war der Moment, in dem ich verstand, was AI-Preiskonformität tatsächlich ist und warum es fast alle falsch verstehen.

2025 zog die FTC 2,56 Milliarden Dollar von zwei Unternehmen ein, und sie wurden nicht wegen desselben verklagt

Hier ist die Zahl, die in jedem Büro eines E-Commerce-Chefsyndikus an einem Whiteboard stehen sollte. In einem einzigen Jahr regelte die Federal Trade Commission algorithmische Preisfälle mit Instacart für 60 Millionen Dollar und mit Amazon für 2,5 Milliarden Dollar. Verschiedene Unternehmen, unterschiedliches Verhalten, unterschiedliche Rechtstheorien – und diese Unterscheidung ist das ganze Spiel.

Bei Instacart ging es um Diskriminierung. Sein Preistool Eversight führte Experimente durch, die bis zu fünf verschiedene Preise für denselben Artikel im selben Geschäft erzeugten, mit einer Schwankung von bis zu 23 %. Drei Viertel des Katalogs unterlagen algorithmischer Preisvariation. Der Vergleich der FTC hing nicht davon ab, dass jemand nachwies, dass Instacart beabsichtigte, ärmeren Käufern mehr zu berechnen. Er hing am Ergebnis: Bestimmte Verbraucherprofile zahlten systematisch mehr – geschätzt in Höhe von 1.200 Dollar pro Haushalt und Jahr.

Bei Amazon ging es um Kollusion. Project Nessie erzielte geschätzte 1,4 Milliarden Dollar Übergewinn, indem es vorhersagte, wann Wettbewerber einer Preiserhöhung folgen würden, und dann die Preise für mehr als 8 Millionen Artikel anhob. Es gab kein Treffen, keine Vereinbarung, keinen Telefonanruf zwischen Führungskräften. Nur einen Algorithmus, der gelernt hatte, dass die meisten Wettbewerber Wie-du-mir-so-ich-dir-Preisregeln anwendeten, und das ausnutzte. Der Kartellprozess, FTC gegen Amazon, ist für Oktober 2026 angesetzt und wird prüfen, ob stillschweigende Kollusion per Algorithmus gegen Section 5 des FTC Act verstößt.

Eine Preis-Engine. Zwei Durchsetzungswege. Die meisten Unternehmen bauen eine Verteidigung für den einen auf und sehen den anderen nie kommen.

Das ist die Falle. Ein Pricing-Team hört "Compliance" und greift zu einem Offenlegungsbanner – die verbraucherschutzrechtliche Antwort. Oder es hört "Kartellrecht" und ruft eine Kanzlei für ein Memo an. Fast niemand betrachtet den einen Algorithmus, der in Produktion läuft, und stellt beide Fragen gleichzeitig: Ist diese Ausgabe diskriminierend, und kolludiert sie?

Lesen Sie, was wir für beide Wege gebaut haben →

Warum der Offenlegungsbanner-Instinkt eine Falle ist

Für etwa eine Woche war ich anfangs überzeugt, dieses ganze Problem sei eine UI-Übung.

New York hatte gerade seinen Algorithmic Pricing Disclosure Act verabschiedet, gültig ab November 2025 – "klare und deutliche Offenlegung", wann immer Preise personenbezogene Verbraucherdaten verwenden, 1.000 Dollar pro Verstoß. Es las sich wie ein Cookie-Banner-Problem. Klatscht einen Hinweis auf die Seite, protokolliert die Einwilligung, fertig. Ich hatte einen Entwurf der Offenlegungssprache markiert und bereit.

Dann las ich die Änderungen des California Cartwright Act, und die Banner-Idee fiel auseinander.

Kaliforniens AB 325 und SB 763, gültig ab Januar 2026, kümmern sich nicht um Ihre Offenlegung. Sie machen die Nutzung eines "gemeinsamen Algorithmus" zur gesetzlichen Haftung – definiert als einer, der von zwei oder mehr Parteien genutzt wird, um Preise anhand von Wettbewerberinformationen zu beeinflussen. Sie senkten die Schlüssigkeitsanforderung, sodass ein Kläger nicht mehr eigenständiges Handeln ausschließen muss, nur um einen Antrag auf Klageabweisung zu überstehen. Und sie erhöhten die Unternehmensstrafe auf den höheren Betrag von 6 Millionen Dollar oder dem Doppelten des Gewinns, mit dreifachem Schadensersatz und Anwaltskosten in Privatklagen. Kein Banner der Welt offenbart Sie da heraus. Die Gefährdung liegt nicht in dem, was Sie dem Verbraucher sagen; sie liegt in dem, was Ihr Algorithmus direkt oder über einen Anbieter mit dem Rest des Marktes teilt.

Das war der eigentliche Wendepunkt für uns. Offenlegung ist die Untergrenze des Verbraucherschutz-Wegs. Der Kollusions-Weg verläuft darunter nach völlig anderer Physik, und der gefährlichste Teil ist, dass Sie ihn über einen Anbieter auslösen können, den Sie nie für ein Risiko gehalten haben.

Das Anbieterproblem: Ihre Preissoftware könnte Ihre Haftung sein

Wenn Sie ein Preistool eines Drittanbieters lizenzieren – Pricefx, PROS, Zilliant, Competera – haben Sie Ihre Optimierung ausgelagert. Sie haben Ihre Haftung nicht ausgelagert. Sie haben sie womöglich importiert.

Der Ninth Circuit zog die Linie in Gibson gegen Cendyn im August 2025, dem ersten bundesgerichtlichen Berufungsurteil zum algorithmischen Preiskartellrecht. Die gute Nachricht: Unabhängig denselben Preisalgorithmus wie Ihr Wettbewerber zu abonnieren, ist für sich genommen nicht illegal. Die schlechte Nachricht sind die drei Bedingungen, die den Schutzraum sprengen. Sie verlieren den Schutz, wenn das Tool wettbewerblich sensible, nicht-öffentliche Daten über Kunden hinweg zusammenführt, wenn der Anbieter mit seiner Fähigkeit wirbt, "Preise branchenweit anzuheben", oder wenn es den Austausch nicht-anonymisierter Wettbewerberdaten erleichtert. Derselbe Anbieter ist in Ordnung. Derselbe Anbieter, der die Live-Zahlen Ihrer Rivalen in das Modell zusammenführt, das Ihren Katalog bepreist, ist eine Gefährdung durch Hub-and-Spoke-Verschwörung, selbst wenn Sie nie mit einem Wettbewerber gesprochen haben.

Eine der ersten Fragen, die ich inzwischen jedem Kunden stelle, lautet also nicht "Was macht Ihr Preismodell", sondern "Haben Sie den Auftragsverarbeitungszusatz Ihres Anbieters gelesen?". Denn die Klausel, die stillschweigend kundenübergreifende Datenzusammenführung erlaubt, ist der Ort, an dem das Kartellrisiko lebt, und sie liegt drei Ebenen tief in einem Vertrag, den das Rechtsteam unterschrieb und das Pricing-Team nie sah.

Hier spielt auch die 6(b)-Studie der FTC zu Surveillance Pricing eine Rolle. 2024 sandte sie Anordnungen an acht Firmen – darunter Mastercard, PROS, Accenture und McKinsey –, um zu erfahren, wie sie Verbraucherdaten zur Preisfestsetzung nutzen. Einige der gängigsten Preisplattformen werden in dieser Studie genannt. Ihr Algorithmus könnte Ihre Haftung sein, und "wir haben nur die Software gekauft" war noch nie eine Verteidigung.

Was verlangt der RealPage-Vergleichsbeschluss tatsächlich?

Das aufschlussreichste Dokument in diesem gesamten Bereich ist kein Gesetz. Es ist der RealPage-Vergleichsbeschluss des DOJ vom November 2025, und der Grund, warum er für den E-Commerce wichtig ist – obwohl RealPage ein Mietwohnungsfall ist –, ist, dass eine Aufsichtsbehörde zum ersten Mal in technischen Details niederschrieb, wie ein konformer Preisalgorithmus aussieht.

Ich habe eine gedruckte Kopie. Die schlagzeilenträchtige Berichterstattung lautete "DOJ geht gegen Mietpreis-Software vor". Die eigentlichen Zähne sind eine Ingenieursspezifikation:

• Kein Training auf Mietvertragsdaten, die jünger sind als 12 Monate – das Modell kann nicht auf Live-Marktsignale von Wettbewerbern reagieren.
• Keine geografische Analyse enger als die Staatenebene – kein Einsatz von Sub-Markt-Clustering, um Preismacht punktgenau zu bestimmen.
• Die "Governor"-Leitplanken – die Unter- und Obergrenzen dessen, was der Algorithmus empfehlen kann – müssen symmetrisch sein, damit das Tool nicht stillschweigend so abgestimmt werden kann, dass es Preise nur nach oben schraubt.
• Auto-Accept-Funktionen erfordern vom Nutzer festgelegte Parameter, eine 180-tägige Umsetzungsfrist und einen dedizierten Kartellrechts-Compliance-Beauftragten für eine Amtszeit von sieben Jahren.

Der RealPage-Beschluss ist das Nächste, was wir dazu haben, dass eine Aufsichtsbehörde einem das Datenblatt für einen verteidigungsfähigen Algorithmus in die Hand drückt. Die meisten Unternehmen lasen die Pressemitteilung und verpassten den Bauplan.

Als ich das zum ersten Mal las, war meine Reaktion, dass die Regierung gerade die Hälfte meiner Produkt-Roadmap kostenlos erledigt hatte. Symmetrische Governors, Daten-Alterungsanforderungen, geografische Untergrenzen – das sind keine juristischen Abstraktionen. Es sind Beschränkungen, die man umsetzen, testen und nachweisen kann. Das ist der Unterschied zwischen einem Compliance-Memo und einem Compliance-System.

Das forensische Problem, für das niemand budgetiert

Beobachten Sie, was tatsächlich passiert, wenn eine zivilrechtliche Ermittlungsanordnung (Civil Investigative Demand) der FTC mit ihrer 30-Tage-Produktionsuhr auf dem Schreibtisch eines Pricing-Teams landet.

Sie können sie nicht beantworten. Nicht weil sie schuldig sind – sondern weil sie nie die richtigen Daten protokolliert haben. Sie können Ihnen sagen, was der Algorithmus letzten Dienstag als Preis festlegte, aber nicht warum: welche Eingaben diesen konkreten Preis trieben, ob die Spanne über Nutzersegmente hinweg mit etwas Geschütztem korrelierte, ob die Zahl eines Wettbewerbers die Ausgabe beeinflusste. Also verbringen sie sechs bis zwölf Monate mit forensischer Datenextraktion und rekonstruieren Entscheidungen, die das System tausende Male pro Sekunde traf und nie aufzeichnete.

Das ist der Teil, den ich guten Unternehmen gegenüber wirklich unfair finde. Ein Einzelhändler kann eine vollkommen verteidigungsfähige Preisstrategie fahren und dennoch außerstande sein, sie zu beweisen, weil der Beweis eine Model Card für jeden Preis erfordert – ein mit Zeitstempel versehenes Protokoll darüber, welche Eingaben verwendet wurden, was die Ausgabe war und wie sie gegen demografische Proxys getestet wurde – und niemand baut das, bevor die Anordnung eintrifft.

Wir begannen, zuerst für die Anordnung zu entwerfen. Prüfpfad als erstklassige Ausgabe der Preisentscheidung, nicht als archäologisches Projekt im Nachhinein. Als der kalifornische Generalstaatsanwalt im Januar 2026 seine Ermittlungswelle startete – Schreiben an Einzelhandels-, Lebensmittel- und Hotelunternehmen mit der Frage, wie genau sie Kaufhistorie, Surfverhalten, Standort und Demografie zur Preisfestsetzung nutzen –, waren die Unternehmen, die in Tagen statt Quartalen antworten konnten, diejenigen, die die Entscheidung instrumentiert hatten, nicht nur den Preis.

Warum macht agentisches Pricing all dies schlimmer?

Die Compliance-Frameworks, die alle gerade fieberhaft aufzubauen versuchen, gehen davon aus, dass ein Mensch Preisentscheidungen prüft. Diese Annahme läuft bereits aus.

Walmart reichte im Januar 2026 zwei AI-Pricing-Patente ein und rollt bis Jahresende digitale Regaletiketten in allen 5.200 seiner Geschäfte aus – wobei das Unternehmen sorgsam von "algorithmischem Merchandising" statt "dynamischer Preisgestaltung" spricht und darauf beharrt, dass die Preise unabhängig davon, wer einkauft, gleich bleiben. McKinsey nennt agentischen Handel den prägenden E-Commerce-Trend 2026: KI-Agenten, die autonom recherchieren, vergleichen und kaufen. Forrester erwartet, dass bis 2027 jeder fünfte Verkäufer verkäuferseitig gesteuerte Preis-Gegenagenten einsetzt.

Das ist die Version des Problems, die mich nachts wachhält, denn die Compliance-Frage hat noch keine Antwort. Wenn der KI-Agent eines Käufers einen Preis mit dem KI-Agenten eines Verkäufers aushandelt und sich der vereinbarte Preis als diskriminierend herausstellt – wer haftet? Es gibt keinen regulatorischen Rahmen für Agent-zu-Agent-Preisgestaltung. Ein System, das darauf ausgelegt ist, auf tausende autonome Entscheidungen pro Sekunde zu skalieren, kann keinen Menschen in der Schleife haben, der jede einzelne auf Proxy-Diskriminierung oder kollusive Konvergenz prüft. Die Compliance muss im Agenten sein, oder sie existiert nicht.

Das ist kein Zukunftsproblem. Es ist die Design-Beschränkung für jedes Preissystem, das heute konzipiert wird.

"Ist das nicht einfach nur ein Kostenfaktor?"

Der Einwand, den ich am häufigsten höre, meist von einem CRO, ist, dass Compliance-Werkzeuge Gemeinkosten für eine Funktion sind, deren ganzer Zweck es ist, Geld zu verdienen.

Ich würde die Zahlen nebeneinanderlegen und sie für sich sprechen lassen. Ein vollständiges Preis-Compliance-Programm – demografische Auswirkungsanalyse, Kollusionsrisikobewertung, Offenlegung über mehrere Rechtsordnungen hinweg, Prüfpfad-Erstellung – kostet im ersten Jahr grob 100.000 bis 505.000 Dollar, wobei kontinuierliche Überwachung noch spürbar hinzukommt. Der Vergleich von Instacart betrug 60 Millionen Dollar. Der von Amazon 2,5 Milliarden Dollar. Ein paar hunderttausend Dollar Compliance gegen einen neunstelligen Vergleich sind kein Kostenfaktor; sie sind die billigste Versicherungspolice im Gebäude.

Der zweite Einwand ist subtiler: Werden Offenlegungs- und Fairness-Beschränkungen nicht die Optimierung zunichtemachen? Und hier ist das, was ich zu Beginn nicht erwartet hatte – 62 % der US-Erwachsenen sagten Talker Research im Dezember 2025, sie seien besorgt über personalisierte Preise. Walmarts Preis-Patente lösten in den sozialen Medien Gegenwind aus. Das Markenrisiko, die nächste Instacart-Schlagzeile zu sein, ist real und quantifizierbar. Und ich erinnere den CRO daran, dass Project Nessies 1,4 Milliarden Dollar Übergewinn den Kontakt mit der FTC nicht überlebten – Umsatz, den man nicht verteidigen kann, ist Umsatz, den man irgendwann zurückerstattet. Eine Preis-Engine, hinter die man sich öffentlich stellen kann, ist mehr wert als ein paar zusätzliche Basispunkte, die man verstecken muss.

Was wir tatsächlich gebaut haben

Die Lücke, auf die ich immer wieder stieß, ist, dass sich der Markt sauber in der Mitte teilt und keine der beiden Seiten bedient. Preisplattformen optimieren Preise und bieten null Fairness-Tests, null Kollusionsüberwachung, null Offenlegungsautomatisierung – ihr Algorithmus könnte Ihre Haftung sein. Kanzleien und die Big Four schreiben ausgezeichnete Beratungs-Memos und betreiben nichts Automatisiertes; ein Kartellmandat bei Deloitte oder McKinsey ist Beratung ab 500.000 Dollar, ohne ein Werkzeug am Ende. ORCAA und FTI bringen echte Audit- und Wirtschaftsexpertise mit, aber ausschließlich beratend, prozessgeformt.

Niemand saß in der Mitte: eine integrierte Schicht, die demografische Auswirkungsanalysen bei personalisierten Preisen durchführt, algorithmisches Kollusionsrisiko bewertet, die Offenlegungslogik über mehrere Rechtsordnungen hinweg für New York, Kalifornien, Colorado und den EU AI Act automatisiert und den Prüfpfad erzeugt, den eine FTC- oder DOJ-Ermittlung verlangen wird. Dieser Raum – zwischen dem, was die Optimierer tun, und dem, was die Anwälte tun – ist das, was wir mit Veriprajnas Preis-Compliance-System füllen wollten.

Die regulatorische Landkarte, die es abdecken muss, ist nicht stabil, und genau das ist der Sinn der Automatisierung. Colorados AI Act tritt im Juni 2026 in Kraft und verlangt für Hochrisikosysteme, die folgenschwere Entscheidungen treffen, Auswirkungsbewertungen vor der Bereitstellung, jedes Jahr danach und erneut innerhalb von 90 Tagen nach jeder wesentlichen Modelländerung. Die Hochrisiko-Pflichten des EU AI Act greifen im August 2026 und tragen Strafen von bis zu 35 Millionen Euro oder 7 % des weltweiten Umsatzes. 2025 gab es 51 Gesetzentwürfe zu algorithmischen Preisen in 24 Bundesstaaten, wobei Tennessee und New Mexico 2026 bereits in Bewegung sind. Kein menschliches Team verfolgt diese Matrix von Hand und bleibt aktuell. Ein Compliance-System, das sich mit dem Gesetz aktualisiert, ist die einzige Version, die funktioniert.

Ich denke viel an jene erste saubere Prüfung.

Das Beängstigendste an algorithmischer Preisgestaltung ist nicht das Unternehmen, das sich vornimmt zu diskriminieren oder zu kolludieren. Es ist jenes, das beides tut, versehentlich, durch ein Modell, dem nur je gesagt wurde, den Umsatz zu maximieren – und das erst herausfindet, wenn die zivilrechtliche Ermittlungsanordnung eintrifft, dass es das Gegenteil nicht beweisen kann. Der Algorithmus beabsichtigte nie etwas. Die Ausgabe ist trotzdem illegal, und Absicht war nie die Frage.

Ihre Preis-Engine führt jedes Mal, wenn sie einen Preis festlegt, ein Rechtsargument. Das Einzige, was in Frage steht, ist, ob Sie in der Lage sein werden, es zurückzulesen.