Algorithmische Preis-Compliance
Im Jahr 2025 trieb die FTC 2,56 Milliarden US-Dollar an Vergleichszahlungen wegen algorithmischer Preisgestaltung von zwei Unternehmen ein. New York, Kalifornien und Colorado haben Gesetze erlassen, die jeden KI-gesteuerten Preis zu einem potenziellen Verstoß machen. Wenn Ihre Preis-Engine auf einem Drittanbieter-Algorithmus, Verbraucherdaten oder bestärkendem Lernen basiert, ist die Frage nicht, ob die Regulierungsbehörden hinschauen werden. Die Frage ist, ob Sie ihre Fragen beantworten können, wenn sie es tun.
2,56 Mrd. USD
FTC-Preisvergleiche, 2025
Instacart 60 Mio. USD + Amazon 2,5 Mrd. USD
51 Gesetzentwürfe
Gesetzesvorschläge der Bundesstaaten zur algorithmischen Preisgestaltung
In 24 Bundesstaaten im Jahr 2025
180 Tage
RealPage-Compliance-Frist
DOJ-Vergleichsverfügung, Nov. 2025
Die Regulierungsbehörden verfolgen die algorithmische Preisgestaltung an zwei klar getrennten Fronten. Die meisten Unternehmen bereiten sich auf die eine vor und ignorieren die andere.
Ihr Algorithmus berechnet verschiedenen Nutzern für dasselbe Produkt unterschiedliche Preise auf der Grundlage personenbezogener Daten. Dies wird rechtswidrig, wenn diese Preisunterschiede mit geschützten demografischen Merkmalen korrelieren.
Der Fall Instacart machte dies greifbar: Das Preis-Tool Eversight erzeugte bis zu fünf verschiedene Preise für denselben Artikel im selben Geschäft, mit Abweichungen von bis zu 23 %. Der Vergleich der FTC über 60 Mio. USD hing nicht von vorsätzlicher Diskriminierung ab. Er hing vom Ergebnis ab: Verbraucher mit bestimmten Profilen zahlten systematisch mehr.
Die technische Falle sind Proxy-Variablen. Ihr Algorithmus sieht weder ethnische Zugehörigkeit noch Einkommen. Aber er sieht Postleitzahl, Gerätetyp, Browsing-Zeit und App-Version. Ein Nutzer, der um 23 Uhr auf einem älteren Android-Gerät aus einer einkommensschwächeren Postleitzahlenregion browst, erhält eine andere Preisbehandlung als ein iPhone-Nutzer in einem einkommensstarken Vorort um 14 Uhr. Volkszählungsdaten zeigen, dass diese Eingabe-Cluster mit ethnischen und Einkommensmerkmalen in einem Maße korrelieren, das eine Disparate-Impact-Analyse nicht bestehen würde. Der Algorithmus hatte nie die Absicht zu diskriminieren. Das Ergebnis ist trotzdem diskriminierend.
Ihr Algorithmus konvergiert in Abstimmung mit Wettbewerbern auf höhere Preise, sogar ohne jegliche ausdrückliche Vereinbarung. Dies ist die Theorie hinter FTC v. Amazon, dessen Verhandlung für 2026 angesetzt ist.
Amazons Project Nessie erzielte 1,4 Milliarden US-Dollar, indem es vorhersagte, wann Wettbewerber eine Preiserhöhung mitziehen würden, und dann die Preise von 8 Millionen Artikeln anhob. Der Algorithmus erkannte, dass die meisten Wettbewerber Tit-for-tat-Preisregeln anwendeten. Wenn Amazon die Preise erhöhte, folgte der Wettbewerber-Algorithmus automatisch. Kein Treffen. Keine Vereinbarung. Kein Telefonat. Nur zwei Algorithmen, die dasselbe supra-wettbewerbliche Gleichgewicht erreichten.
Das Risiko vervielfacht sich, wenn Sie einen Drittanbieter als Preis-Anbieter nutzen. Wenn Ihr Anbieter Ihre Wettbewerber bedient und sein Algorithmus Daten über mehrere Kunden hinweg bündelt, kann ein Hub-and-Spoke-Verschwörungsrisiko bestehen, selbst wenn Sie nie ein Wort mit einem Wettbewerber gewechselt haben. Kaliforniens neue Cartwright-Act-Änderungen (in Kraft ab Januar 2026) kodifizieren dies: Ein „gemeinsamer Preisalgorithmus“ mit zwei oder mehr Nutzern, der Preise unter Verwendung von Wettbewerberinformationen beeinflusst, begründet eine gesetzliche Haftung.
Diese Tabelle verfolgt jedes geltende Gesetz, jeden Vergleichspräzedenzfall und jede Durchsetzungsmaßnahme, die die algorithmische Preisgestaltung betreffen. Aktualisiert im April 2026.
| Zuständigkeitsbereich | Gesetz / Präzedenzfall | Zentrale Anforderung | Strafe | Status |
|---|---|---|---|---|
| New York | Algorithmic Pricing Disclosure Act | Auffällige Offenlegung, wenn Preise personenbezogene Verbraucherdaten verwenden | 1.000 USD/Verstoß | Erlassen Nov. 2025; Durchsetzung ausgesetzt bis zur Entscheidung über die NRF-Verfügung |
| Kalifornien | Cartwright Act (AB 325 / SB 763) | Verbietet „gemeinsame Algorithmen“, die Wettbewerberdaten zur Preisfestsetzung nutzen; untersagt das Erzwingen algorithmischer Empfehlungen | Höherer Betrag aus 6 Mio. USD oder dem Doppelten des Gewinns/Verlusts; dreifacher Schadensersatz bei Privatklagen | In Kraft ab 1. Jan. 2026 |
| Colorado | AI Act (SB 24-205) | Folgenabschätzungen für hochriskante KI-Systeme, die „folgenschwere Entscheidungen“ treffen, einschließlich der Preisgestaltung | AG-Durchsetzung; Unterlassungsanspruch | In Kraft ab 30. Juni 2026 |
| Bund (FTC) | FTC Act Section 5 | Verbietet „unlautere Wettbewerbsmethoden“. Der Prozess FTC v. Amazon wird die Frage prüfen, ob algorithmische stillschweigende Kollusion darunterfällt | Unterlassungsanspruch + Gewinnabschöpfung (Amazon: 2,5 Mrd. USD Vergleich) | Verhandlung angesetzt Okt. 2026 |
| Bund (DOJ) | RealPage-Vergleichsverfügung | Keine Wettbewerberdaten, die jünger als 12 Monate sind; keine substaatliche Geografie; symmetrische Leitplanken; Antitrust-Compliance-Beauftragter | 7-jährige Überwachungsfrist | Aktiv seit Nov. 2025; 180-tägige Compliance-Frist |
| Bund (Rechtsprechung) | Gibson v. Cendyn (9th Cir.) | Safe Harbor: derselbe Anbieter zulässig, wenn keine gebündelten nicht-öffentlichen Daten, kein „Preise erhöhen“-Marketing, keine nicht-anonymisierten Wettbewerberdaten | Verteidigungspräzedenzfall | Entschieden Aug. 2025 |
| Europäische Union | EU AI Act (Bestimmungen für hohes Risiko) | Folgenabschätzungen, Transparenzdokumentation, Antidiskriminierungsmaßnahmen für KI-Systeme, die folgenschwere Entscheidungen treffen | 35 Mio. € oder 7 % des weltweiten Umsatzes | Hochrisiko-Pflichten in Kraft ab 2. Aug. 2026 |
| 24 Bundesstaaten | 51 vorgeschlagene Gesetzentwürfe (2025) | Verschiedene: Offenlegungspflichten, Verbote von Überwachungspreisen, Anforderungen an algorithmische Audits | Variiert je nach Bundesstaat | Gesetzentwürfe in TN, NM aktiv im Jahr 2026; weitere erwartet |
Quellen: FTC-Pressemitteilungen, DOJ Office of Public Affairs, Wilson Sonsini Antitrust-Hinweise, Cleary-Gottlieb-Publikationen, Arnold & Porter-Beratungen. Aktualisiert im April 2026.
Wenn Sie Optionen prüfen, finden Sie hier, was jede Kategorie von Anbietern tatsächlich liefert und wo die Lücken liegen.
| Anbietertyp | Beispiele | Was sie tun | Compliance-Lücke | Typische Kosten |
|---|---|---|---|---|
| Preisplattformen | Pricefx, PROS, Zilliant, Competera | Optimieren Preise mittels KI/ML. Einige in FTC-6(b)-Verfügungen zu Überwachungspreisen genannt. | Keine Fairness-Tests. Keine Offenlegungsautomatisierung. Keine Kollusionsüberwachung. Deren Algorithmus kann zu Ihrer Haftung werden. | 200.000–über 1 Mio. USD/Jahr |
| Big 4 / große Systemintegratoren | Deloitte, PwC, Accenture, McKinsey | Antitrust-Beratung, Risikobewertungs-Memos, Management der regulatorischen Beziehungen | Nur Beratung. Keine automatisierten Compliance-Tools. Mandate dauern Monate und liefern PDFs, keine Infrastruktur. Einige selbst in FTC-6(b)-Verfügungen genannt. | 500.000–über 5 Mio. USD |
| Antitrust-Kanzleien | Wilson Sonsini, Cleary Gottlieb, Arnold & Porter | Rechtsgutachten, Gestaltungsrichtlinien, Prozessverteidigung | Rechtsberatung, keine technische Umsetzung. Können Ihnen sagen, was Sie bauen sollen, aber es nicht bauen. Unverzichtbare Partner, keine Alternativen. | 800–2.000 USD/Std. |
| Algorithmische Prüfer | ORCAA, FTI Consulting | Punktuelle algorithmische Audits, Sachverständigenaussagen, Bias-Bewertungen | Momentaufnahme-Audits, keine kontinuierliche Überwachung. Keine preisspezifischen Tools. Wertvoll für Prozesse, aber nicht für laufende Compliance. | 100.000–400.000 USD pro Audit |
| Spezialisierte KI-Beratung | Veriprajna | Bauen Preis-Compliance-Infrastruktur: Prüfschichten, Offenlegungsautomatisierung, Kollusionsüberwachung, Audit-Trails | Können organisatorischen Widerstand gegen Preistransparenz oder grundlegende Datenqualitätsprobleme in Ihren Transaktionsprotokollen nicht lösen. Wir bauen die technische Schicht, nicht den kulturellen Wandel. | 150.000–500.000 USD |
Wir optimieren keine Preise. Wir konkurrieren nicht mit Ihrer Preisplattform. Wir setzen auf jede Engine auf, die Sie betreiben, und machen sie nachweisbar konform.
Wir erfassen jede Dateneingabe in Ihre Preis-Engine und testen jede einzelne auf demografische Proxy-Korrelation. Postleitzahl, Gerätetyp, Dauer der Browsing-Sitzung, Tageszeit, App-Version: Wir messen die Korrelation mit ethnischen, Einkommens- und Altersmerkmalen anhand volkszählungsbasierter geografischer Daten und Statistiken zum Gerätebesitz.
Dann führen wir kontrafaktische Simulationen durch. Für jede Preisentscheidung in einer Stichprobe halten wir alle Nachfragetreiber konstant und variieren nur die Proxy-Variable. Wenn sich die Preise um mehr als 20 % des Höchstgruppen-Tarifs verschieben (die aus den EEOC-Disparate-Impact-Standards abgeleitete Vier-Fünftel-Schwelle), wird diese Eingabe markiert.
Das Ergebnis ist ein Risiko-Scorecard über fünf Dimensionen, abgeleitet aus dem RealPage-Vergleichsrahmen und den Duane-Morris-Gestaltungsrichtlinien: Datenherkunft, Granularität der Empfehlungen, Wahrung der Unabhängigkeit, Transparenz und menschliches Eingreifen zur Übersteuerung.
Wir bauen die Compliance-Middleware zwischen Ihrer Preis-Engine und dem Checkout. Für New York: Echtzeit-Klassifizierung, ob jeder Preis personenbezogene Verbraucherdaten verwendet hat, mit bedingtem Rendering der Offenlegung. Für Kalifornien: Verifizierung der Daten-Firewall, die bestätigt, dass Ihr Anbieter keine Wettbewerberdaten über Kunden hinweg bündelt.
Für Colorado (in Kraft ab Juni 2026): automatisierte Erstellung von Folgenabschätzungen, gebunden an die Versionshistorie Ihres Modells. Für die EU (in Kraft ab August 2026): Transparenzdokumentation nach Artikel 13/14, exportiert in dem Format, das das AI Office erwartet.
Die Middleware nutzt die Erkennung des Zuständigkeitsbereichs anhand der Geolokalisierung des Nutzers, sodass sich die Offenlegungsregeln automatisch anpassen. Eine API-Schicht bedient alle Zuständigkeitsbereiche. Wenn Tennessee oder New Mexico ihre anhängigen Gesetzentwürfe erlassen, fügen wir die Regeln hinzu, ohne Ihre Preis-Engine anzufassen.
Wir prüfen Ihre Beziehung zum Preis-Anbieter anhand des dreiteiligen Tests aus Gibson v. Cendyn: Bündelt der Anbieter nicht-öffentliche Wettbewerberdaten, vermarktet er die Fähigkeit, die Preise branchenweit anzuheben, teilt er nicht-anonymisierte Wettbewerberinformationen? Wenn auch nur eine Bedingung versagt, begründet Ihre Anbieterbeziehung ein Hub-and-Spoke-Verschwörungsrisiko.
Für Ihren eigenen Algorithmus führen wir Kollusions-Simulationstests durch. Wir setzen Ihr Preismodell gegen drei Wettbewerber-Agenten-Archetypen ein (Tit-for-tat-Regel-Mitzieher, Bertrand-Wettbewerbsagenten und Agenten mit bestärkendem Lernen) und messen, ob innerhalb von 10.000 simulierten Marktzyklen supra-wettbewerbliche Gleichgewichte entstehen.
Für die laufende Überwachung bauen wir Dashboards, die Muster der Preiskonvergenz markieren: gleichzeitige Preisbewegungen, sich verengende Preisstreuung zwischen Wettbewerbern und Margenkompression, die sich ohne nachfrageseitige Erklärung umkehrt.
Wir bauen die Audit-Trail-Infrastruktur, bevor Sie sie brauchen. Eine ereignisgesteuerte Protokollierungsschicht erfasst jede Preisentscheidung in Echtzeit: verwendete Dateneingaben, Modellversion, Roh-Empfehlung, angewandte Constraint-Prüfungen, ob die Empfehlung übersteuert wurde, Offenlegungsstatus und endgültig angezeigter Preis.
Der Speicher ist append-only und unveränderlich. Das Protokollierungsschema ist nach dem modelliert, was FTC Civil Investigative Demands tatsächlich anfordern, basierend auf den Instacart- und Amazon-CID-Strukturen, die nun Teil des öffentlichen Aktenbestands sind.
Wenn ein CID eintrifft, erstellen Sie konforme Dokumentationspakete in 48–72 Stunden. Die meisten Unternehmen ohne diese Infrastruktur verbringen 6–12 Monate mit reaktiver forensischer Extraktion und entdecken dabei oft Lücken in ihren Daten, die ihre Position schwächen. Die Kosten für den proaktiven Aufbau betragen einen Bruchteil eines einzigen Monats Notfall-Mandat externer Anwälte zu CID-Reaktionssätzen.
Hier sehen Sie, was passiert, wenn wir eine Multi-Armed-Bandit-Preis-Engine auf Proxy-Diskriminierung prüfen. Dies ist einer von vier Audit-Pfaden; wir gehen diesen durch, weil MAB-basierte Systeme im E-Commerce-Bereich der dynamischen Preisgestaltung am häufigsten vorkommen und die Architektur sind, die Instacarts Eversight nutzte.
Wir extrahieren den vollständigen Merkmalsvektor aus der Kontexteingabe Ihres MAB. In einem typischen E-Commerce-MAB umfasst dies: Nutzersegment-ID, Sitzungsanzahl, Gerätetyp, Betriebssystem, Bildschirmauflösung, geografische Koordinaten oder Postleitzahl, Tageszeit, Wochentag, Warenkorbzusammensetzung, historische Kaufhäufigkeit und manchmal die Verweildauer beim Browsen.
Für jedes Merkmal berechnen wir Pearson-Korrelationskoeffizienten gegen volkszählungsbasierte demografische Verteilungen auf der ZIP+4-Ebene. Ein Merkmal mit |r| > 0,3 gegen einen beliebigen Proxy für eine geschützte Klasse (ethnische Zugehörigkeit, Einkommensquintil, Altersgruppe) wird für kontrafaktische Tests markiert. Nach unserer Erfahrung überschreiten Postleitzahl und Gerätetyp diese Schwelle fast immer. Sitzungszeit und Browsing-Tiefe tun dies häufig ebenfalls.
Für jedes markierte Merkmal erzeugen wir kontrafaktische Nutzerprofile. Wir nehmen 10.000 echte Preisentscheidungen aus Ihren Produktionsprotokollen und erstellen synthetische Varianten, bei denen sich nur die markierte Proxy-Variable ändert. Ein Nutzer aus der Postleitzahl 10021 (Upper East Side, mittleres Haushaltseinkommen 138.000 USD) wird zu einem Nutzer aus der Postleitzahl 10456 (South Bronx, mittleres Haushaltseinkommen 27.000 USD), wobei alle anderen Nachfragesignale konstant gehalten werden.
Wir leiten sowohl die Original- als auch die kontrafaktischen Profile durch Ihr MAB und messen das Preisdelta. Wenn das durchschnittliche Delta 20 % des Höchstgruppen-Preises überschreitet (die Vier-Fünftel-Schwelle), erzeugt das Merkmal einen rechtlich verfolgbaren Disparate Impact. Wir berichten das exakte Delta, die am stärksten betroffenen demografischen Gruppen und die Anzahl der Produktionstransaktionen, bei denen dieses Muster auftrat.
Für Merkmale, die den kontrafaktischen Test nicht bestehen, bauen wir Constraint-Schichten, die den Aktionsraum des MAB begrenzen. Dies ist keine einfache Schwelle (die der Algorithmus bis an den Rand optimieren würde). Wir verwenden fairness-bewusstes Reward Shaping: Die Reward-Funktion des MAB wird so modifiziert, dass sie Preisempfehlungen bestraft, die eine gruppenübergreifende Varianz oberhalb der Schwelle erzeugen. Das Constraint ist in die Optimierung eingebacken, nicht als nachträglicher Filter aufgesetzt. Das Ergebnis ist eine Preis-Engine, die weiterhin den Umsatz optimiert, aber keine diskriminierenden Ergebnisse erzeugen kann, wobei die Auswirkung des Constraints auf den Umsatz typischerweise im Bereich von 1–3 % liegt.
Ein typisches Mandat läuft 10–14 Wochen vom Kickoff bis zur Produktionsüberwachung. Der Zeitrahmen hängt davon ab, wie viele Preissysteme Sie betreiben, in wie vielen Zuständigkeitsbereichen Sie tätig sind und ob Ihre Dateninfrastruktur eine Echtzeit-Protokollierung unterstützen kann.
Wochen 1–3
Inventarisierung aller Preissysteme, Anbieterbeziehungen und Datenflüsse. Erfassung Ihres Zuständigkeitsrisikos (wo Ihre Kunden sind, nicht wo Ihre Server stehen). Prüfung der Anbieterverträge auf Daten-Firewall-Bestimmungen und CID-Reaktionspflichten.
Liefergegenstand: Risikokarte der Preis-Compliance mit Schweregradbewertungen über die Dimensionen Diskriminierung, Kollusion, Offenlegung und Untersuchungsbereitschaft.
Wochen 3–7
Aufbau der Audit-Infrastruktur: ereignisgesteuerte Protokolle der Preisentscheidungen, Offenlegungs-Middleware, Constraint-Validierungsschichten. Durchführung des Diskriminierungsaudits und der Kollusionssimulation. Konzeption des Anbieter-Risikobewertungsrahmens, der spezifisch auf Ihre Preis-Tools zugeschnitten ist.
Liefergegenstand: funktionierende Compliance-Schicht im Staging, Ergebnisse des Diskriminierungsaudits, Anbieter-Risikobewertung.
Wochen 7–10
Einsatz der Compliance-Schicht im Shadow-Modus parallel zu Ihrer Produktionspreisgestaltung. Jede Preisentscheidung durchläuft die Constraint-Prüfungen und die Offenlegungslogik, ohne zu beeinflussen, was der Kunde sieht. Wir vergleichen eingeschränkte mit uneingeschränkter Preisgestaltung, um die Umsatzauswirkung zu messen und zu verifizieren, dass alle zuständigkeitsspezifischen Offenlegungen korrekt ausgelöst werden.
Liefergegenstand: Validierungsbericht zum Shadow-Modus mit Analyse der Umsatzauswirkung und Compliance-Abdeckungsmetriken.
Ab Woche 10 (laufend)
Übergang in die Produktion. Die Compliance-Schicht erzwingt Constraints, löst Offenlegungen aus und protokolliert Entscheidungen in Echtzeit. Überwachungs-Dashboards verfolgen Disparate-Impact-Metriken, Muster der Preiskonvergenz, Offenlegungs-Compliance-Raten und die Vollständigkeit des Audit-Trails.
Vierteljährliche Re-Audits erkennen Modelldrift. Wenn neue Gesetzgebung verabschiedet wird (Tennessee, New Mexico oder der nächste Bundesstaat), aktualisieren wir die Zuständigkeitsregeln, ohne Ihre Preis-Engine anzufassen.
Was dieses Mandat nicht umfasst: Wir gestalten Ihre Preisstrategie nicht neu, wählen oder ersetzen Ihren Preis-Anbieter nicht, erstellen keine Rechtsgutachten und treten nicht als Sachverständige auf. Diese Funktionen obliegen jeweils Ihrem Preisteam, Ihren Antitrust-Anwälten und Ihren Wirtschaftsberatern. Wir bauen die technische Compliance-Infrastruktur, die ihre Empfehlungen durchsetzbar und prüfbar macht.
Beantworten Sie sieben Fragen zu Ihrer Preisinfrastruktur. Die Bewertung erfasst Ihr Risiko über die Dimensionen Diskriminierung, Kollusion, Offenlegung und Untersuchungsbereitschaft, mit konkreten nächsten Schritten, die Sie mit oder ohne externe Hilfe gehen können.
Frage 1 von 7
Die Offenlegungspflicht trifft das Unternehmen, das den Verbraucher bedient, nicht den Preis-Anbieter. Sie benötigen eine Echtzeit-Klassifizierungsschicht, die bestimmt, ob jeder angezeigte Preis unter Verwendung personenbezogener Verbraucherdaten (Browserverlauf, Standort, Kaufmuster) oder aggregierter Marktdaten erzeugt wurde. Wenn personenbezogene Daten den Preis beeinflusst haben, muss die vorgeschriebene Offenlegung erscheinen, bevor der Verbraucher sich zur Transaktion verpflichtet.
Die technische Herausforderung besteht darin, dass die meisten Drittanbieter-Preis-Tools (Pricefx, PROS, Competera) nicht offenlegen, welche Dateneingaben jede spezifische Preisempfehlung bestimmt haben. Sie benötigen eine Middleware, die die Antwort der Preis-API abfängt, prüft, welche Datenkategorien verwendet wurden, und die Offenlegung bedingt rendert.
Die Strafe von 1.000 USD pro Verstoß gilt pro Transaktion, sodass eine umsatzstarke E-Commerce-Plattform, die in New York 100.000 Bestellungen pro Tag verarbeitet, selbst bei niedrigen Non-Compliance-Raten einem erheblichen Risiko ausgesetzt ist. Wir bauen die Klassifizierungs- und Offenlegungsschicht als API-Middleware, die zwischen Ihrer Preis-Engine und Ihrem Checkout-Flow sitzt, mit Erkennung des Zuständigkeitsbereichs, sodass sich die Offenlegungsregeln je nach Standort des Verbrauchers anpassen.
Die RealPage-Vergleichsverfügung (DOJ, November 2025) etablierte fünf spezifische technische Verbote, die Antitrust-Anwälte bereits als Compliance-Vorlage über den Mehrfamilienwohnungsbereich hinaus nutzen. Die Kernanforderungen: kein Training mit Wettbewerberdaten, die jünger als 12 Monate sind, keine geografische Analyse feiner als auf Bundesstaatenebene, keine Weitergabe von Daten nicht verbundener Immobilien selbst in aggregierter Form, symmetrische Leitplanken (wenn der Algorithmus die Preise über eine Obergrenze treiben kann, müssen Nutzer sie gleichermaßen unter eine Untergrenze drücken können) und verpflichtende Antitrust-Compliance-Beauftragte mit jährlicher Zertifizierung.
Für den E-Commerce sind die unmittelbar relevantesten Bestimmungen die Anforderungen an die Daten-Firewall und das Gebot symmetrischer Leitplanken. Wenn Ihr Preis-Anbieter Wettbewerber-Preisdaten aufnimmt und sie zur Erzeugung Ihrer Empfehlungen verwendet, besteht für Sie wahrscheinlich ein Risiko nach derselben Theorie, die das DOJ gegen RealPage anwandte.
Wir prüfen Ihre Anbieter-Datenflüsse anhand des Rahmens der Vergleichsverfügung, testen, ob Ihre Leitplanken symmetrisch sind, und bauen die Datenlinien-Dokumentation, die die Compliance nachweist.
Der häufigste Fehler von Unternehmen ist „Fairness durch Unkenntnis“: ethnische Zugehörigkeit, Geschlecht und Einkommen aus den Eingaben des Modells zu entfernen und anzunehmen, der Algorithmus könne nicht mehr diskriminieren. Dies scheitert, weil Proxy-Variablen dasselbe demografische Signal tragen. Daten von Pew Research zeigen, dass der iPhone-Besitz bei Haushalten mit einem Einkommen von über 100.000 USD um 30 % höher ist als bei Haushalten unter 30.000 USD. Volkszählungsdaten auf der ZIP+4-Ebene korrelieren in den meisten Ballungsräumen die Postleitzahl mit der ethnischen Zusammensetzung bei r=0,6 oder höher. Ihr Algorithmus sieht die demografischen Merkmale nie direkt, aber er sieht ihre statistischen Schatten.
Die Erkennung erfordert das Testen von Wechselwirkungen zwischen Variablen, nicht nur einzelner Eingaben. Die Postleitzahl allein zeigt möglicherweise eine moderate demografische Korrelation, aber die Postleitzahl in Kombination mit Gerätetyp und Sitzungszeit erzeugt einen zusammengesetzten Proxy, der weitaus aussagekräftiger ist. Wir testen sowohl einzelne Merkmale als auch Cluster von Merkmalswechselwirkungen mittels Transinformationsanalyse, die nichtlineare Beziehungen erfasst, die der Pearson-Korrelation entgehen. Ein häufiger Befund: Die Verweildauer beim Browsen auf Produktseiten hat eine nahezu nullwertige eigenständige Korrelation mit dem Einkommen, aber in Kombination mit der Referrer-Quelle (organische Suche vs. Preisvergleichsseite) sagt das Paar das Einkommensquintil mit überraschender Genauigkeit voraus.
Der praktische Ansatz ist, die Erkennung vor dem Deployment durchzuführen (um die offensichtlichen Proxys zu erkennen) und dann kontinuierlich in der Produktion (um emergente Wechselwirkungen zu erkennen, wenn das Modell neu trainiert wird). Wir markieren Proxy-Kandidaten zur Prüfung, entfernen sie aber nicht automatisch, da einige Proxys auch legitime Nachfragesignale sind. Die Entscheidung, eine bestimmte Eingabe einzuschränken, ist eine geschäftliche und rechtliche Beurteilung, keine rein statistische. Wir liefern die Belege; Ihr Rechtsteam trifft die Entscheidung.
Ja, je nach Datenarchitektur des Anbieters. Die Entscheidung Gibson v. Cendyn (Ninth Circuit, August 2025) stellte fest, dass das bloße Abonnieren derselben Preissoftware wie Ihre Wettbewerber nicht automatisch wettbewerbswidrig ist. Aber das Gericht hob drei Bedingungen hervor, die das Risiko erheblich erhöhen: wenn der Anbieter nicht-öffentliche, wettbewerbssensible Daten von mehreren Kunden bündelt, um Empfehlungen zu trainieren oder abzustimmen, wenn der Anbieter die Fähigkeit des Tools vermarktet, die Preisgestaltung branchenweit zu koordinieren oder anzuheben, oder wenn die Software den Austausch nicht-anonymisierter Wettbewerberdaten erleichtert.
Die meisten E-Commerce-Unternehmen prüfen die Datenarchitektur ihres Preis-Anbieters nicht auf dieser Ebene. Wir führen eine Anbieter-Risikobewertung durch, die genau erfasst, welche Daten in Ihr Preis-Tool hinein- und herausfließen, ob Wettbewerberdaten (selbst aggregiert) Ihre Empfehlungen beeinflussen und ob Ihr Anbietervertrag angemessene Daten-Firewall-Bestimmungen enthält.
Nach Kaliforniens neuen Cartwright-Act-Änderungen (AB 325, in Kraft ab Januar 2026) begründet ein „gemeinsamer Preisalgorithmus“ mit zwei oder mehr Nutzern, der Wettbewerberinformationen verwendet, eine potenzielle Haftung mit dreifachem Schadensersatz, und der gesenkte Schlüssigkeitsmaßstab bedeutet, dass Kläger einen Antrag auf Klageabweisung leichter überstehen können.
Ein FTC CID verlangt typischerweise eine umfassende Dokumentation innerhalb von 30–45 Tagen: alle Dateneingaben in Ihre Preismodelle, Modellarchitektur- und Trainingsdokumentation, Entscheidungsprotokolle, die zeigen, wie Preise für bestimmte Transaktionen festgelegt wurden, etwaige A/B-Test- oder Experimentierprotokolle, Kommunikation zur Preisstrategie sowie Anbieterverträge und Datenfreigabevereinbarungen.
Die meisten Unternehmen verbringen 6–12 Monate mit reaktiver forensischer Datenextraktion, weil sie nie die Protokollierungsinfrastruktur aufgebaut haben, um diese Fragen zu beantworten. Die praktischen Vorbereitungsschritte sind: erstens, noch heute eine unveränderliche Audit-Protokollierung bei jeder Preisentscheidung implementieren. Jeder Protokolleintrag sollte den Zeitstempel, die verwendeten Nutzerkontextdaten, die Modellversion, die Roh-Empfehlung, etwaige angewandte Constraint-Prüfungen, ob die Empfehlung übersteuert wurde, und den endgültig angezeigten Preis erfassen. Zweitens, Ihre Modellarchitektur und die Herkunft der Trainingsdaten in einem Format dokumentieren, das ein nicht-technischer FTC-Anwalt verstehen kann. Drittens, alle Anbieter-Datenflüsse inventarisieren und sicherstellen, dass Ihre Verträge die CID-Reaktionspflichten zuweisen. Viertens, eine Übung zur Reaktion auf einen Schein-CID durchführen.
Wir bauen die Audit-Trail-Infrastruktur als ereignisgesteuerte Protokollierungsschicht, die Preisentscheidungen in Echtzeit erfasst, sie in append-only-Speicher ablegt und auf Anfrage CID-formatierte Exportpakete erzeugt. Ziel ist es, konforme Dokumentation in 48–72 Stunden zu erstellen, wenn die Anforderung eintrifft, nicht in 6 Monaten.
Die Änderungen des California Cartwright Act (AB 325 und SB 763, in Kraft ab 1. Januar 2026) schaffen für Unternehmen, die algorithmische Preisgestaltung nutzen, ein erheblich höheres Haftungsrisiko als das föderale Antitrust-Recht. Drei spezifische Änderungen sind relevant.
Erstens definiert das Gesetz nun ausdrücklich „gemeinsame Preisalgorithmen“ als Technologie mit zwei oder mehr Nutzern, die Wettbewerberinformationen verwendet, um Preise zu beeinflussen, und verbietet die Nutzung solcher Algorithmen zur Kollusion oder das Erzwingen der Übernahme von Empfehlungen durch Nutzer. Dies kodifiziert eine Haftung, die das föderale Recht noch als unklar behandelt.
Zweitens ist der Schlüssigkeitsmaßstab niedriger: Kläger müssen im Stadium des Antrags auf Klageabweisung keine Tatsachen mehr behaupten, die die Möglichkeit unabhängigen Handelns ausschließen. Nach den föderalen Sherman-Act-Standards (Twombly/Iqbal) werden die meisten Fälle algorithmischer Preisgestaltung früh abgewiesen, weil parallele Preisgestaltung durch unabhängiges Algorithmusverhalten erklärt werden kann. Kalifornien hat diese Verteidigung im Stadium der Schlüssigkeitsprüfung beseitigt.
Drittens wurden die Strafen auf den höheren Betrag aus 6 Millionen USD oder dem Doppelten des geldwerten Gewinns oder Verlusts angehoben (von zuvor 1 Million USD), wobei in Privatprozessen dreifacher Schadensersatz und Anwaltskosten verfügbar sind. Für ein E-Commerce-Unternehmen, das in Kalifornien tätig ist, bedeutet dies, dass ein Sammelklagekläger nun mit schwächeren Behauptungen eine Abweisung überstehen kann und das Schadensersatzrisiko erheblich höher ist. Wir helfen Unternehmen, ihr kalifornienspezifisches Risiko einzuschätzen, indem wir ihre Beziehungen zu Preis-Anbietern, Datenflüsse und die Compliance ihrer Empfehlungen anhand der neuen gesetzlichen Definitionen erfassen.
Die interaktiven Whitepapers hinter dieser Lösungsseite. Sie liefern die vollständige technische Analyse, die Fallforensik und die Architekturrahmen.
Forensische Analyse des Instacart/Eversight-Preiszusammenbruchs. Neuro-symbolische Constraint-Architekturen für Preisfairness. Compliance-Rahmen für FTC Act und NY Disclosure Act.
Nachbetrachtung von Amazons Vergleich über 2,5 Mrd. USD. Mechanik der Kollusion durch bestärkendes Lernen. Analyse der RealPage-Vergleichsverfügung. Safe-Harbor-Rahmen aus Gibson v. Cendyn.
Instacarts Vergleich über 60 Mio. USD begann mit Preisexperimenten, die das Unternehmen für routinemäßige Optimierung hielt.
Ein Compliance-Programm kostet einen Bruchteil einer einzigen Durchsetzungsmaßnahme. Wir beginnen mit einem 3-wöchigen Risikozuordnungs-Mandat, das Ihre Preissysteme inventarisiert, auf Proxy-Diskriminierung testet und Ihr Anbieterrisiko über jeden geltenden Zuständigkeitsbereich hinweg bewertet.