Amazons geheimer Algorithmus kostete Verbraucher über 1 Mrd. $. Ist Ihrer der nächste?

Das Problem

Amazon entwickelte einen geheimen Preisgestaltungsalgorithmus namens Project Nessie. Er schöpfte über 1 Milliarde US-Dollar an Zusatzgewinnen von Verbrauchern ab, indem er Wettbewerber dazu verleitete, ihre Preise anzuheben. Der Algorithmus lief zwischen 2014 und 2019 und setzte Preise für mehr als 8 Millionen einzelne Artikel fest. Er funktionierte, indem er Millionen von Preispunkten der Konkurrenz in Echtzeit überwachte. Wenn er vorhersagte, dass ein Rivale wie Walmart oder Target eine Preiserhöhung mitgehen würde, erhöhte er Amazons Preis zuerst. Die eigenen automatisierten Systeme der Wettbewerber zogen daraufhin nach. Amazons eigene Führungskräfte bezeichneten die Praktiken Berichten zufolge als „zwielichtig“ und als einen „unausgesprochenen Krebs“. Wenn ein Wettbewerber die Erhöhung nicht mitmachte, setzte der Algorithmus die Preise automatisch zurück — was Amazons Risiko begrenzte, während er die Preisobergrenze des Marktes austestete.

Doch dabei blieb es nicht. Amazon unterhielt zudem eine „Preisüberwachungsgruppe“, die Drittanbieter bestrafte, die es wagten, auf anderen Websites niedrigere Preise anzubieten. Die Strafe? Der Verlust des Zugangs zur Buy Box — der Benutzeroberfläche, über die 98 % der Amazon-Verkäufe abgewickelt werden. Verkäufer wurden faktisch gezwungen, Amazons künstlich überhöhten Preis überall als ihren Mindestpreis beizubehalten. Wenn Ihr Unternehmen heute irgendeine Form von algorithmischer Preisgestaltung einsetzt, ist diese Geschichte Ihr Warnschuss. Die FTC geht im Oktober 2026 vor Gericht, und die rechtlichen Fragen, die Amazon gestellt werden, werden bald auch Ihnen gestellt werden.

Warum das für Ihr Unternehmen von Bedeutung ist

Die finanzielle und rechtliche Exponierung ist hier enorm — und sie breitet sich rasch aus. Beim Verfahren der FTC gegen Amazon geht es nicht nur um ein einzelnes Unternehmen. Es geht darum, ob Algorithmen, die das Verhalten von Wettbewerbern vorhersagen und herbeiführen, als illegale Kollusion gelten. Wenn die FTC gewinnt, werden die Folgewirkungen jedes Unternehmen treffen, das Tools zur dynamischen Preisgestaltung einsetzt.

Das steht für Ihre Organisation auf dem Spiel:

• Direkte finanzielle Haftung. Amazons Project Nessie generierte über 1 Milliarde US-Dollar an Zusatzgewinnen. Die FTC erwirkte einen historischen Vergleich über 2,5 Milliarden US-Dollar. Ihre Exponierung skaliert mit Ihrem Umsatz.
• Neue Bundesstaatsgesetze mit echter Durchsetzungskraft. Kaliforniens aktualisierter Cartwright Act, gültig ab Januar 2026, zielt auf jeden „gemeinsamen Preisgestaltungsalgorithmus“ mit zwei oder mehr Nutzern ab, der auf Wettbewerberinformationen basiert. Er senkt zudem die rechtliche Hürde für Kläger — diese müssen im Stadium des Antrags auf Klageabweisung (Motion to Dismiss) nicht mehr beweisen, dass Sie nicht unabhängig gehandelt haben.
• Colorados AI Act tritt im Juni 2026 in Kraft. Er verlangt Folgenabschätzungen für „Hochrisiko“-KI-Systeme — einschließlich solcher, die Preisentscheidungen beeinflussen. Sie müssen Risiken und Einschränkungen dokumentieren und offenlegen.
• New York verlangt von Unternehmen nun die Anzeige einer „deutlichen Warnung“, wenn Algorithmen personenbezogene Daten für die Preisgestaltung verwenden. Dies schafft einen Echtzeit-Prüfpfad, dem Regulierungsbehörden folgen können.

Wenn Ihr Vorstand fragt, ob Ihre Preisgestaltungstools den Vorschriften von 2026 entsprechen, brauchen Sie eine klare Antwort. „Wir nutzen einen Drittanbieter“ ist keine Verteidigung. Tatsächlich hat das Bundesberufungsgericht des 9. Bezirks (Ninth Circuit) signalisiert, dass das Risiko drastisch steigt, wenn Ihr Algorithmus Preisempfehlungen auf der Grundlage zusammengeführter vertraulicher Wettbewerberdaten generiert.

Was tatsächlich unter der Haube passiert

Die meisten Online-Händler nutzen eine einfache regelbasierte Preisgestaltung. Man kann sich das wie einen Reflex vorstellen: „Wenn ein Wettbewerber seinen Preis um fünf Dollar senkt, ziehe mit.“ Diese Systeme sind vorhersehbar. Und genau diese Vorhersehbarkeit nutzt hochentwickelte KI aus.

Amazons Algorithmus erkannte diese Reflexe in den Systemen der Wettbewerber. Er lernte: Wenn Amazon einen Preis erhöht, zieht das regelbasierte Tool des Wettbewerbers automatisch nach. Kein Telefonanruf. Kein geheimes Treffen. Nur zwei Maschinen, die aufeinander reagieren — eine intelligent, eine reaktiv. Forscher der Carnegie Mellon University stellten fest: Wenn ein Reinforcement-Learning-Agent (eine KI, die durch Versuch und Irrtum lernt) gegen diese regelbasierten Systeme antritt, erkennt er schnell das „Tit-for-Tat“-Muster. Anschließend optimiert er auf höhere Marktpreise hin, was die Gewinne aller Verkäufer steigert, während es den Verbrauchern schadet.

Dies wird als implizite oder „stille“ Kollusion bezeichnet. Das traditionelle Kartellrecht erfordert den Nachweis eines „Meeting of the Minds“ (einer tatsächlichen Willensübereinstimmung) — also einer realen Kommunikation zwischen Wettbewerbern. Algorithmische Koordination umgeht diese Anforderung vollständig. Ihre KI muss die KI Ihres Wettbewerbers nicht anrufen. Sie muss lediglich vorhersagen, was dieses System tun wird — und entsprechend handeln.

Die nächste Generation verschärft dies noch. „Reasoning AI“-Systeme nutzen nun zusätzliche Rechenleistung im Moment der Entscheidung, um mehrere potenzielle Aktionen zu simulieren. Sie planen mehrere Züge im Voraus, ähnlich einer Schach-Engine. Sie können eine Preiserhöhung testen, modellieren, wie Wettbewerber reagieren werden, und Anpassungen vornehmen — alles, bevor sich ein einziger Preis auf Ihrer Website ändert. Dies verleiht Ihrer KI eine aktive Problemlösungskompetenz. Es bedeutet jedoch auch, dass der interne „Denkprozess“ der KI gezielt auf Ergebnisse hinsteuern kann, die für eine Regulierungsbehörde nach Kollusion aussehen.

Was funktioniert (und was nicht)

Viele Unternehmen haben sich bei der Einführung von KI beeilt und dünne Anwendungsschichten auf öffentlichen APIs wie GPT-4 oder Claude aufgebaut. Dieser „Wrapper“-Ansatz lässt sich schnell bereitstellen. Er ist jedoch für folgenschwere Entscheidungen wie die Preisgestaltung grundlegend ungeeignet. Hier ist, was scheitert:

• „Mega-Prompt“-Architekturen. Diese stopfen Geschäftsregeln, Dokumente und Anweisungen in eine einzige massive Eingabe. Geringfügige Formulierungsänderungen oder Modellaktualisierungen des API-Anbieters können zu drastisch abweichenden Preisgestaltungsergebnissen führen. Sie können keine stabilen Ergebnisse garantieren.
• Black-Box-Abhängigkeit von Drittanbietermodellen. Sie können nicht belegen, warum Ihr System eine bestimmte Preisentscheidung getroffen hat. Wenn eine Regulierungsbehörde nach dem logischen Prüfpfad fragt, haben Sie nichts vorzuweisen. Zudem kann jeder Wettbewerber Ihr Tool innerhalb eines Tages kopieren — es gibt keinerlei Wettbewerbsvorteil.
• Fehlende Governance-Ebene. Öffentlichen APIs fehlen integrierte Compliance-Kontrollen. Sie sind anfällig dafür, im Produktivbetrieb nicht-konforme oder diskriminierende Ausgaben zu erzeugen. Eine Preisempfehlung, die gegen den kalifornischen Cartwright Act verstößt, sieht gleich aus, unabhängig davon, ob ein Mensch oder eine API sie generiert hat.

Was hingegen funktioniert, ist eine Architektur, die auf drei Prinzipien aufbaut:

1. Souveräne Bereitstellung. Betreiben Sie Ihre KI-Modelle auf eigener Hardware oder in einer Private Cloud. Nutzen Sie leistungsstarke Open-Source-Modelle, die über sichere Container orchestriert werden. Ihre sensiblen Marktdaten verlassen niemals Ihr Netzwerk. Kein Dritter speichert sie oder greift darauf zu.
2. Gesteuerte Multi-Agenten-Workflows. Nutzen Sie anstelle eines einzelnen überlasteten Modells spezialisierte Agenten — einen Planungsagenten, der den Workflow festlegt, einen Compliance-Agenten, der jede Ausgabe anhand Ihrer regulatorischen Anforderungen validiert, und einen Verifizierungsagenten, der die Genauigkeit prüft. Jeder Agent ist ein separates, beobachtbares Modul.
3. Deterministische Prüfpfade. Jede Entscheidung durchläuft ein System, das Eingaben, Denkschritte und Ausgaben aufzeichnet. Nutzen Sie eine einzige auditierbare Datenbank — wie PostgreSQL mit pgvector — für Benutzer, Berechtigungen und Daten-Embeddings. Ihr Compliance-Team kann jede Preisentscheidung lückenlos auf ihre Quelldaten und ihre Logik zurückführen.

Dieser Prüfpfad unterscheidet rechtliche Belastbarkeit von rechtlicher Exponierung. Das NIST AI Risk Management Framework definiert sieben Merkmale vertrauenswürdiger KI, darunter Erklärbarkeit, Rechenschaftspflicht und Transparenz. Ihr System sollte alle vier NIST-Funktionen implementieren: Govern (Verantwortlichkeiten festlegen), Map (Auswirkungen erfassen), Measure (Risiken quantifizieren) und Manage (in Echtzeit handeln). Wenn Ihre Regulierungsbehörde oder Ihr Vorstand fragt, wie ein Preis festgelegt wurde, sollte die Antwort eine dokumentierte Beweiskette sein — und kein Achselzucken in Richtung einer Drittanbieter-API.

Um Ihr kartellrechtliches Risiko gezielt zu senken, sollten Ihre Preisgestaltungstools niemals mit gemeinsam genutzten, nicht anonymisierten Wettbewerbsdaten trainiert werden. Sie sollten Ihrem Team stets ermöglichen, algorithmische Empfehlungen ohne Nachteile abzulehnen. Zudem sollten Sie das Verhalten des Algorithmus regelmäßig in simulierten Umgebungen testen, um sicherzustellen, dass er keine kollusiven Preismuster erzeugt.