Zum Inhalt springen
Wenn Sie die Nachrichten zur Preisregulierung in diesem Jahr verfolgt haben, könnten Sie zu dem Schluss kommen, dass das rechtliche Risiko davon abhängt, wie ausgereift Ihr Modell ist: Einfachere Systeme sind sicher, während komplexe Systeme einem Risiko ausgesetzt sind. Eine Variante dieser Sichtweise höre ich in fast jedem Gespräch mit Unternehmen, meist in Form von Bedenken hinsichtlich einer „Black-Box“-KI. Ich verstehe, warum das so ist, doch die Gesetze, die 2026 tatsächlich verabschiedet wurden, zeigen, warum.
Das bedeutendste davon ist das New Yorker „One Fair Price Act“. Zusammen mit den Gesetzen, die in anderen Bundesländern folgten, zog es eine Grenze anhand eines einzigen Kriteriums: der personenbezogenen Daten eines einzelnen Verbrauchers. Einzelhändler, die Preismodelle für erklärbare KI prüfen, müssen diesen Unterschied verstehen, da er Einfluss darauf hat, welche Fragen es sich lohnt, einem Anbieter zu stellen.
Worauf das Gesetz über den einheitlichen Preis tatsächlich abzielt
Das New Yorker Gesetz über einheitliche Preise („One Fair Price Act“, S.8623B/A.9349B) wurde im Juni 2026 Juni 2026 und wartet nun auf die Unterschrift von Gouverneurin Hochul; eine Entscheidung wird bis Ende des Jahres erwartet. Der Gesetzentwurf zielt darauf ab, die Nutzung personenbezogener Daten wie des Browserverlaufs, des Standorts oder des abgeleiteten Einkommens zur Festlegung maßgeschneiderter Preise zu regeln.
Das Gesetz wahrt ausdrücklich legitime Rabatte, Treueprogramme und Gutscheine. Dies stellt zudem eine Abkehr von New Yorks bisherigem Ansatz dar. Die Gesetz über die Offenlegung algorithmischer Preisgestaltung, das seit November 2025 in Kraft ist, erlaubt eine personalisierte Preisgestaltung, solange der Händler den Hinweis „DIESER PREIS WURDE VON EINEM ALGORITHMUS UNTER VERWENDUNG IHRER PERSONENBEZOGENEN DATEN FESTGELEGT“ anbringt. Das „One Fair Price Act“ würde diese Möglichkeit der Offenlegung abschaffen, da es diese Praxis gänzlich verbietet, anstatt lediglich eine Kennzeichnung vorzuschreiben.
Maryland und Connecticut hatten bereits Anfang 2026 entsprechende Gesetze verabschiedet. New Jersey folgte diesem Beispiel und unterzeichnete am 23. Juli 2026 ein Gesetz zur Preisgestaltung bei Lebensmitteln und Lebensmittellieferungen, das jedoch erst im August 2027 in Kraft tritt.
Entscheidend ist, ob die personenbezogenen Daten einer Person zur individuellen Preisgestaltung verwendet werden; die Komplexität des Modells spielt dabei kaum eine Rolle. Eine einfache Regel-Engine, die mit Browserverläufen gefüttert wird, fällt unter diese Regelung; ein auf aggregierten Transaktionsdaten trainiertes Nachfragemodell hingegen nicht.
Aus diesem Grund ist die Debatte „Black Box versus Transparenz“ der falsche Ansatz für die Einhaltung gesetzlicher Vorschriften, auch wenn Interpretierbarkeit und Erklärbarkeit aus einem anderen Grund von enormer Bedeutung sind. Entscheidend ist vielmehr, welche Daten in die Engine gelangen.
7Learnings stützt sich auf Transaktionsvolumina auf SKU-Ebene, historische Nachfragedaten, Lagerbestände und saisonale Muster und erfasst keine Cookies, Gerätekennungen, Browserverläufe oder individuelle Kundenprofile.
Ein Hinweis: Ihre Verpflichtungen hängen von Ihrem gesamten Preisgestaltungssystem ab und nicht von einer einzelnen Komponente. Wenn eine Empfehlung in eine nachgelagerte Personalisierungsschicht einfließt, die Daten auf Kundenebene nutzt, wird das gesamte System von der Aufsichtsbehörde bewertet – und dies ist eine Angelegenheit, die Sie mit Ihrer Rechtsabteilung besprechen sollten.
Warum „Vertrauen Sie dem Algorithmus“ nicht ausreicht
Wenn die Logik hinter einem Preis undurchsichtig ist, kann niemand eine Änderung aus finanziellen oder vermarktungstechnischen Gründen rechtfertigen, und die Umsetzung kommt zum Stillstand, selbst wenn das Modell solide ist. „Vertrauen Sie dem Algorithmus“ ist keine Antwort, die ein Leiter der Preisgestaltung einem Finanzvorstand, einem Wirtschaftsprüfer oder einer Aufsichtsbehörde geben kann.
Die Lücke bei der Rechenschaftspflicht
Eine Preisentscheidung, die das Team nicht begründen kann, stellt eher ein Risiko als einen Effizienzgewinn dar. Die Automatisierung der Preisgestaltung soll in großem Maßstab zu besseren Entscheidungen führen; eine Empfehlung, für die niemand Rechenschaft ablegen kann, verlagert das Risiko jedoch lediglich auf denjenigen, der sie genehmigt hat. Die Kluft zwischen „Das Modell hat es so ergeben“ und „Hier sind die Gründe für die Preisänderung“ ist genau das, worauf interne Interessengruppen – und mittlerweile auch die Aufsichtsbehörden – drängen.
Wenn mangelnde Transparenz die Einführung behindert
Intransparenz untergräbt das Vertrauen, noch bevor das Modell einer fairen Prüfung unterzogen werden kann. Ein Preis, der auf der Grundlage einer Umsatzprognose von Null festgelegt wurde, oder eine Wettbewerbsregel, die zu einem offensichtlich falschen Ergebnis führt, sind für sich genommen zwar nur kleine Fehler, doch da keine Möglichkeit besteht, nachzuvollziehen, was genau geschehen ist, werden sie als Beweis dafür gewertet, dass dem System kein Vertrauen geschenkt werden kann.
Teams setzen sich über Empfehlungen hinweg, kehren zur manuellen Arbeit zurück, und die Investition macht sich nie bezahlt. Erst die Erklärbarkeit verhindert, dass ein gutes Modell beim Kontakt mit denjenigen, für die es eigentlich bestimmt ist, versagt.
Was die Preisgestaltung bei erklärbarer KI tatsächlich bedeutet
Erklärbarkeit wird oft auf einen Konfidenzwert reduziert; daher lohnt es sich, diesen Begriff konkret zu definieren. Bei der Preisgestaltung für erklärbare KI zeigt die Plattform auf, welche Faktoren zu einer bestimmten Empfehlung geführt haben, und welche Auswirkungen auf Gewinn und Marge prognostiziert werden – anstatt lediglich eine bloße Zahl auszugeben.
Die Faktoren hinter einer Preisempfehlung
In der Praxis kann ein Merchandiser jede SKU aufrufen und die einzelnen Faktoren der Argumentation der Reihe nach einsehen: die Nachfrageprognose, die Preiselastizität, den Lagerbestand, das Wettbewerbsumfeld und wie sich die einzelnen Faktoren auf die endgültige Zahl ausgewirkt haben.
Bei 7Learnings wird dies im sogenannten „Rule Funnel“ dargestellt, einer Schritt-für-Schritt-Ansicht, in der der Preis jeden Filter – von der Prognose bis zur Empfehlung – durchläuft, und zwar direkt in der Benutzeroberfläche. Diese Art der Darstellung der Variablenbedeutung – die zeigt, welche Eingabevariablen den größten Einfluss auf den Endpreis hatten – ist es, was verantwortungsbewusste KI-Systeme von „Black Boxes“ unterscheidet.
Die Erklärbarkeit, die in einem nachträglich erstellten PDF enthalten ist, unterscheidet sich von der Erklärbarkeit, die Sie in einer Besprechung mit Ihrem Finanzvorstand vorlegen können. Weitere Informationen zum Erkennen von Regeln, die als KI getarnt sind, finden Sie in unserem Leitfaden zum Thema Wie lässt sich feststellen, was sich tatsächlich unter der Motorhaube verbirgt.
Erklärbarkeit ist mehr als nur ein Konfidenzwert
Ein Konfidenzwert gibt Ihnen Auskunft darüber, wie sicher das Modell ist, nicht jedoch darüber, warum. „Das Modell ist zu 92 % sicher“ ist für den Finanzbereich nicht besser begründbar als eine bloße Zahl. Echte Erklärbarkeit benennt die Faktoren, die hinter der Empfehlung stehen, und ermöglicht es einem Menschen, diese zu hinterfragen. Das ist der Unterschied zwischen einem System, das Sie verantwortungsbewusst betreiben können, und einem, auf das Sie sich lediglich verlassen können.
Wie lässt sich nachweisen, dass die Modelle tatsächlich funktionieren?
Die Erklärbarkeit beantwortet die erste Frage. Die zweite Frage lautet, ob das Modell tatsächlich funktioniert, und diese Frage wird in der Finanzbranche unabhängig vom regulatorischen Umfeld gestellt werden. Die Genauigkeitsangaben der Anbieter reichen hierfür nicht aus. Ausschlaggebend ist vielmehr der in einem kontrollierten Test gemessene Leistungszuwachs.
Führen Sie einen A/B-Test durch, um den tatsächlichen Effekt zu messen
Das Konzept ist einfach: Bewerten Sie einen Teil eines vergleichbaren Sortiments mit dem Tool, den Rest mit Ihrem bisherigen Verfahren, und vergleichen Sie anschließend Gewinn, Umsatz und Absatz im gleichen Zeitraum. Ein nachgewiesener Wert hat weitaus mehr Gewicht als eine Prognose.
Als der Off-Price-Einzelhändler Outletcity im Rahmen seines Saisonausverkaufs eine prädiktive Preisgestaltung einsetzte, einschließlich der Berücksichtigung von Lücken in den Größenreihen, erzielte das Unternehmen einen um 26 % höheren Gewinn, einen um 11 % höheren Umsatz und ein um 5 % höheres Verkaufsvolumen im Vergleich zu einer Kontrollgruppe. Der ROI wurde in Echtzeit gemessen. Es handelt sich um ein europäisches Ergebnis und nicht um ein spezifisches Versprechen für die USA, doch die Methode ist entscheidend: Die Zahlen stammen aus einem Live-Test und nicht aus einer Laborprognose.
Genau hier kommen auch KI-Steuerungs- und Genehmigungsabläufe zum Tragen, bei denen der Mensch in den Prozess eingebunden ist. Wenn Merchandiser Empfehlungen tatsächlich prüfen und genehmigen, entsteht ein Protokoll darüber, wer was wann genehmigt hat – was für eine Prüfung ebenso wichtig ist wie für das interne Vertrauen.
Backtesting und Simulationen, bevor die Kurse live geschaltet werden
Das Backtesting eines Modells anhand historischer Zeiträume zeigt, ob dessen Empfehlungen die bisherigen Ergebnisse verbessert hätten, und die Simulation der prognostizierten Auswirkungen eines Preises vor dessen Einführung ermöglicht es einem Team, die voraussichtlichen Auswirkungen auf Gewinn, Marge und Absatz im Voraus zu erkennen. Durch diese Art der kontinuierlichen Modellüberwachung wird die Entscheidung, einen Live-Test durchzuführen, von einem Vertrauensvorschuss zu einem kalkulierten nächsten Schritt.
Fragen, die Sie einem Anbieter zu dessen Modellen stellen sollten
Wenn Sie eine praktische Erkenntnis aus diesem Text mitnehmen möchten, erstellen Sie eine kurze Checkliste, die Sie jedem Anbieter von KI-Preisberechnungslösungen – einschließlich uns – vorlegen können. Jede Frage ist rein sachlicher Natur und stellt keinen Seitenhieb gegen einen namentlich genannten Wettbewerber dar. Kann ein Anbieter keine klare Antwort geben, ist dies bereits die Antwort an sich.
- Welche Daten werden in Ihre Preisberechnungs-Engine übertragen, und lassen sich anhand dieser Daten einzelne Verbraucher identifizieren?
- Wird in der Benutzeroberfläche angezeigt, welche Faktoren zu einer bestimmten Empfehlung geführt haben und wie sie den Kurs beeinflusst haben?
- Wie lässt sich der Nutzen messen, und können wir einen A/B-Test mit unserem bestehenden Verfahren durchführen, um dies zu überprüfen?
- Wie gehen Sie mit Eigenmarkenprodukten um, für die es keinen Vergleichspreis eines Mitbewerbers gibt?
- Wer trifft die endgültige Entscheidung, ist diese Genehmigung echt und dokumentiert, und werden unsere Daten von denen anderer Einzelhändler getrennt aufbewahrt, anstatt in einem gemeinsamen Modell zusammengefasst zu werden?
Wir haben 7Learnings entwickelt, um jede dieser Fragen direkt zu beantworten, und der Grund dafür , warum regelbasierte Tools und echte Machine-Learning- diese Fragen so unterschiedlich beantworten, ist eher architektonischer als rein oberflächlicher Natur.
Für Teams, die erfahren möchten, wie ein zielorientierter, nachvollziehbarer Ansatz zur Preisoptimierung in der Praxis aussieht, bietet unsere Arbeit zur Zielsteuerung sowie unser Leitfaden zur prädiktiven Preisgestaltung gehen beide noch einen Schritt weiter, ebenso wie unsere Sichtweise darauf, was Einzelhändler in Bezug auf KI am häufigsten falsch verstehen.
Verlangen Sie, die Begründung und den Nachweis zu sehen
Nachvollziehbare Empfehlungen und nachweisbare Umsatzsteigerungen sind der eigentliche Maßstab für die Preisgestaltung im Bereich der KI. Einem Tool, das diese beiden Kriterien nicht erfüllt, sollten Sie Ihre Gewinnspanne nicht anvertrauen. Die aktuellen regulatorischen Entwicklungen unterstreichen dies nur noch.
Die Einzelhändler, die gut mit den neuen Preisgesetzen umgehen, sind diejenigen, die ihre Preisgestaltung anhand der Struktur ihres Systems begründen können: Eine klare Datenabgrenzung schützt sie vor den Vorschriften zur Überwachungspreisgestaltung, die Erklärbarkeit ermöglicht es ihnen, jede Zahl zu rechtfertigen, und isolierte Daten bewahren sie vor Absprachenvorwürfen. Die Einhaltung der Vorschriften ist eher eine Eigenschaft der Architektur als der Richtlinien.
Nur wenn man versteht, warum ein Modell einen bestimmten Preis empfohlen hat, und die dahinter stehende, im A/B-Test ermittelte Umsatzsteigerung kennt, lässt sich ein KI-Preisberechnungstool wirklich beurteilen. Vereinbaren Sie eine 7Learnings-Demo und überprüfen Sie sowohl die Begründung als auch den Nachweis anhand Ihres eigenen Sortiments.
Häufig gestellte Fragen zur Preisgestaltung für erklärbare KI
Was versteht man unter „erklärbarer KI“ im Bereich der Preisgestaltung?
Die Preisgestaltung mittels erklärbarer KI ist ein Ansatz, bei dem das System aufzeigt, welche Faktoren zu einer bestimmten Preisempfehlung geführt haben – beispielsweise die Nachfrageprognose, die Preiselastizität, der Lagerbestand und das Wettbewerbsumfeld –, zusammen mit den prognostizierten Auswirkungen auf Gewinn und Marge.
Anstatt lediglich eine bloße Zahl oder einen Konfidenzwert auszugeben, ermöglicht es einem Merchandiser, nachzuvollziehen, wie die Empfehlung zustande gekommen ist. Der Zweck liegt in der Nachvollziehbarkeit: Ein Preis, den ein Team erklären kann, ist ein Preis, den es gegenüber der Finanzabteilung, der Merchandising-Abteilung und gegebenenfalls gegenüber einem Wirtschaftsprüfer oder einer Aufsichtsbehörde verteidigen kann.
Wie kann ich feststellen, ob ein KI-Preismodell tatsächlich funktioniert?
Ein zuverlässiger Test besteht darin, die Umsatzsteigerung in einem kontrollierten A/B-Test zu messen, anstatt sich auf die Genauigkeitsangaben eines Anbieters zu verlassen. Legen Sie die Preise für einen Teil eines vergleichbaren Sortiments mit dem Tool fest, den Rest mit Ihrem derzeitigen Verfahren, und vergleichen Sie Gewinn, Umsatz und Absatz im gleichen Zeitraum.
Ein verifiziertes Ergebnis, wie beispielsweise die durch A/B-Tests belegte Gewinnsteigerung von 26 % bei Outletcity, hat weitaus mehr Gewicht als eine Prognose. Backtesting und Simulationen vor der Markteinführung schaffen Vertrauen, doch ein kontrollierter Live-Test mit einer echten Kontrollgruppe ist der Standard, auf den man bestehen sollte.
Worin besteht der Unterschied zwischen der Preisgestaltung für erklärbare KI und einem Black-Box-Modell?
Ein Black-Box-Modell gibt einen Preis zurück, ohne seine Überlegungen offenzulegen, sodass das Team sich auf diese Zahl verlassen muss. Die Preisgestaltung mittels erklärbarer KI legt die Faktoren hinter jeder Empfehlung sowie die prognostizierten Auswirkungen offen, sodass ein Mensch nachvollziehen kann, warum sich der Preis verändert hat, und dies hinterfragen kann.
Der praktische Unterschied zeigt sich, wenn Sie gebeten werden, einen Preis zu begründen. Bei einer „Black Box“ ist dies nicht möglich, doch ein erklärbares System ermöglicht es Ihnen, die Begründung im Meeting darzulegen. Bei der Erklärbarkeit geht es um Rechenschaftspflicht, weshalb sie auch dann von Bedeutung ist, wenn gesetzliche Vorschriften dies nicht vorschreiben.
Verbietet das New Yorker „One Fair Price Act“ KI oder dynamische Preisgestaltung?
Nein. Das „One Fair Price Act“ zielt auf die Überwachungspreisgestaltung ab, d. h. die Verwendung der personenbezogenen Daten einer Person zur Festlegung eines auf diese Person zugeschnittenen Preises. Die dynamische Preisgestaltung auf der Grundlage aggregierter Marktsignale wie Angebot und Nachfrage, Lagerbestände, Preise der Wettbewerber und saisonale Schwankungen bleibt erhalten, und diese Faktoren werden in den gesetzlichen Bestimmungen ausdrücklich ausgenommen.
Ein Modell, das auf aggregierten Transaktionsdaten statt auf individuellen personenbezogenen Daten basiert, zielt auf eine andere Vorgehensweise ab als die, die gesetzlich eingeschränkt ist. Inwieweit das Gesetz auf Ihre konkrete Situation Anwendung findet, ist eine Frage, die Sie mit Ihrem Rechtsbeistand klären sollten.
Können Preisempfehlungen der KI überprüft werden?
Ja, sofern das System dafür ausgelegt ist. Die Überprüfung einer Preisempfehlung erfordert zwei Dinge: eine Aufzeichnung der Faktoren, die zu dieser Empfehlung geführt haben, sowie eine Aufzeichnung darüber, wer sie geprüft und genehmigt hat. Eine erklärbare Plattform liefert Ersteres durch ihren Argumentationspfad und ihre Rückverfolgbarkeitsprotokolle und Letzteres durch ein Genehmigungsprotokoll, bei dem ein Mensch in den Entscheidungsprozess eingebunden ist.
Dies ist zunehmend das, was Wirtschaftsprüfer, Vorstände und Aufsichtsbehörden bei informellen Anfragen erwarten, und es ist weitaus einfacher, dies aus einem System zu generieren, das die Argumentation bei der Preisbildung erfasst, als es im Nachhinein zu rekonstruieren.
