Algorithmische Inflation: Dynamische Preisgestaltung und das Ende des transparenten Preises

Inflation ist längst keine Frage der Geldpolitik mehr, sondern der Algorithmen. Dynamic-Pricing-Bots verarbeiten riesige Datenmengen, schätzen die Zahlungsberei

Die Inflation ist in ihrer traditionellen makroökonomischen Bedeutung ein Phänomen, das mit der Ausweitung der Geldmenge, Schocks in den Lieferketten oder geopolitischen Krisen verbunden ist. KI-gesteuerte Pricing-Bots verfügen nicht über die Hebel, um „Geld zu drucken" oder systemische Inflation zu verursachen. Die jüngste wirtschaftswissenschaftliche und empirische Literatur zeigt jedoch unmissverständlich, dass Algorithmen die Inflation mit chirurgischer Präzision verstärken und umverteilen können. Indem sie Preise hyperreaktiv, granular personalisiert und strukturell schwer vergleichbar machen, gelingt es Dynamic-Pricing-Software, die Gewinnmargen der Unternehmen zu steigern und die Kosten der wirtschaftlichen Unsicherheit stillschweigend auf diejenigen zu verlagern, die weniger Zeit, weniger Daten oder eine geringere Verhandlungsmacht haben. Der kritische Punkt, dem sich Gesetzgeber und Kartellbehörden heute stellen müssen, ist nicht die Existenz dynamischer Preise an sich, sondern die völlige Intransparenz, das Risiko der Kollusion und das Fehlen von Schutzmechanismen für den Endverbraucher.

Der unsichtbare Mechanismus: Vom Schaufenster zur granularen Diskriminierung

Jahrzehntelang basierte die Einzelhandelswirtschaft auf einer impliziten Annahme: Die Kosten für die Änderung eines Preisschildes (die sogenannten „Menükosten" oder menu costs) zwangen Unternehmen, die Preise über längere Zeiträume stabil zu halten. Wie eine Mitteilung der norwegischen Delegation bei der OECD (2023) feststellt, haben Algorithmen die Änderungskosten auf null reduziert und ermöglichen Anpassungen mit höchster Frequenz: Die Preise steigen sofort, wenn die Nachfrage wächst, und sinken ebenso schnell, wenn sie fällt [2956].

Doch die künstliche Intelligenz geht weit über die bloße Anpassung an die Gesamtnachfrage hinaus. Ein grundlegendes OECD-Dokument aus dem Jahr 2025 zu den nachgelagerten Märkten (downstream markets) argumentiert, dass KI die Fähigkeit zur Schätzung der sogenannten „Zahlungsbereitschaft" (willingness to pay) des einzelnen Verbrauchers maßlos erweitert. Durch die Integration enormer Mengen verhaltensbezogener Daten, Surfhistorien und Geolokalisierung ermöglichen die Algorithmen eine hochgradig granulare Preisdiskriminierung und hyperspezialisierte Angebote [2954]. In diesem neuen Paradigma wird dasselbe identische Produkt oder dieselbe Dienstleistung zu grundlegend unterschiedlichen Preisen verkauft: Es wird systematisch mehr kosten für diejenigen, die zeigen, dass sie weniger Alternativen, weniger Zeit für den Vergleich oder ein höheres Dringlichkeitsniveau haben.

Der Schatten der Kartelle: Stillschweigende Kollusion und Hub-and-Spoke-Modelle

Die alarmierendste Auswirkung des algorithmischen Pricing betrifft den Marktwettbewerb. Das solideste institutionelle Dokument zu diesem Thema, das von der OECD für die G7-Jurisdiktionen erstellt wurde (Algorithmic pricing and competition in G7 jurisdictions, 2025), unterscheidet drei Szenarien zunehmenden Risikos: die durch Maschinen erleichterte explizite Kollusion, die heimtückischen Hub-and-Spoke-Schemata und die autonome stillschweigende Kollusion [2952].

Das Hub-and-Spoke-Schema stellt heute die komplexeste kartellrechtliche Bedrohung dar: Wettbewerbende Unternehmen schließen keine geheime illegale Vereinbarung untereinander (die Speichen, oder spokes), sondern lagern alle die Verwaltung ihrer Preise an denselben Anbieter von Algorithmus-Software aus (die Nabe, oder hub). Der zentrale Algorithmus, darauf trainiert, die Margen der gesamten Branche zu maximieren, stabilisiert die Preise nach oben, ohne dass es jemals einen menschlichen Handschlag gegeben hätte.

Noch raffinierter ist die autonome stillschweigende Kollusion. Wie bereits in einer historischen OECD-Rundtischdiskussion von 2017 hervorgehoben wurde, können Machine-Learning-Modelle, die sich gegenseitig beobachten und aufeinander reagieren, durch Versuch und Irrtum lernen, dass die Auslösung von Preiskriegen suboptimal ist, und spontan zu einem kollusiven Gleichgewicht und künstlich hohen Preisen konvergieren [2957, 2959]. Das Global Forum on Competition der OECD (2025) hat einen grundlegenden technischen Baustein zum Verständnis dieses Phänomens hinzugefügt: Künstliche Intelligenz reduziert die Unsicherheit der Nachfrage. In einem traditionellen Markt fällt es einem Unternehmen, das einen Umsatzrückgang erlebt, schwer zu verstehen, ob es sich um eine allgemeine Nachfragekontraktion oder um einen Wettbewerber handelt, der heimlich die Preise senkt. KI löst diesen Nebel auf. Indem sie es Unternehmen ermöglicht, sofort einen Marktschock von einer wettbewerblichen Abweichung zu unterscheiden, macht sie stillschweigende „Vereinbarungen" der Nicht-Bekämpfung wesentlich nachhaltiger und algorithmische Bestrafungen gegen diejenigen, die die Preise senken, extrem schnell [2955].

Die empirische Wirkung dieser Hyper-Rationalisierung wurde präzise dokumentiert. Eine Studie der Federal Reserve Bank of Richmond (2026) analysierte den deutschen Tankstellenmarkt: Nach der massiven Einführung algorithmischer Preisbestimmungssoftware im Jahr 2017 kam es nicht zu einer Explosion von Preissenkungskriegen. Im Gegenteil, die Preise und Durchschnittsmargen für Tankstellen stiegen um etwa 1,3 Cent pro Liter, ein Nettoanstieg der Marge von schätzungsweise rund 15% [2961]. Der Algorithmus erzeugt die Inflation nicht aus dem Nichts, aber er ist außerordentlich effizient darin, die Konsumentenrente abzuschöpfen und in Gewinn umzuwandeln.

Der empirische Kontrapunkt: Effizienz ist kein Mythos

Es wäre jedoch ein Fehler, in einen absoluten technologischen Determinismus zu verfallen und jede digitale Preisvariation als Betrug zu brandmarken. Die empirische Literatur erzwingt eine differenzierte Lesart und zeigt, dass die Wirkung des Dynamic Pricing eng von der Marktstruktur, der Datenart und den Engagement-Regeln abhängt.

Eine groß angelegte Studie der UC San Diego (2025), basierend auf der Analyse von über 180 Millionen Produktbeobachtungen, hat die Befürchtungen vor Surge Pricing (preiserhöhungen aufgrund von Überlastung) in physischen Supermärkten kategorisch widerlegt. Die Forschung fand keinerlei Hinweise darauf, dass die Einführung elektronischer Regaletiketten opportunistische Preisspitzen in Echtzeit erzeugt hat, nicht einmal während Perioden hoher allgemeiner Inflation. Die Preiserhöhungen in Supermärkten folgten peinlich genau den Großhandelskosten, den Zügen der benachbarten Konkurrenz und den Werbezyklen der Hersteller [2962]. Es ist daher wesentlich, die banale Weitergabe der Inflation der Logistikkette nicht mit einer algorithmischen Verschwörung zu verwechseln.

Es gibt zudem Sektoren, in denen die hochfrequente dynamische Preisgestaltung eindeutige Systemvorteile generiert. Im Bereich des Food Delivery hat eine Forschung der University of Arizona (2024) festgestellt, dass algorithmisches Pricing die Volatilität der Nachfrage erheblich reduziert hat, indem es die Bestellungen rationaler verteilt, die Gesamtproduktion der Küchen erhöht und sogar die Endpreise für die Nutzer im Durchschnitt gesenkt hat [2965].

Diese empirischen Daten stützen die Verteidigungsthesen des Mercatus Center (2025), das argumentiert, dass dynamisches Pricing eine immens effizientere Ressourcenallokation im Vergleich zu festen Preisen gewährleistet und Verbraucher, die bereit sind, in nachfrageschwachen Zeiten zu kaufen, mit substanziellen Rabatten belohnt. In idealen Szenarien hohen Wettbewerbs könnte die Preisindividualisierung sogar einkommensschwache Verbraucher begünstigen, indem sie ihnen Tarife anbietet, die auf eine geringere Ausgabefähigkeit zugeschnitten sind [2964].

Die Informationsasymmetrie und die Steuer auf die Dringlichkeit

Die wahre soziologische und politische Frage, die sich hinter der algorithmischen Inflation verbirgt, ist nicht „Treiben Algorithmen die Preise in absoluter Hinsicht in die Höhe?", sondern vielmehr: „Wer zahlt mehr, wenn sich der Preis in Echtzeit ändert, und wer wird subventioniert?".

Die künstliche Intelligenz, befreit von moralischen Absichten, beschränkt sich darauf, die transaktionale Verwundbarkeit zu kartieren. Ein Algorithmus kann durchaus den Preis eines Interkontinentalflugs senken, der sechs Monate im Voraus von einem flexiblen Touristen gebucht wird, aber er wird gnadenlos den des Last-Minute-Flugs erhöhen, der von einem Arbeitnehmer in einer familiären Notlage gekauft wird. Er kann einen gezielten Rabatt für diejenigen anbieten, die ein niedriges Einkommen und viel Freizeit haben, um Online-Angebote zu vergleichen, und gleichzeitig den maximal möglichen Wert aus der Kreditkarte derjenigen ziehen, die den Kauf nicht aufschieben können und keine Zeit für vergleichende Recherche haben [2961, 2964, 2954].

In dieser Dynamik hört der Preis auf, ein transparenter Indikator für den intrinsischen Wert eines Gutes oder dessen Produktionskosten zu sein, und verwandelt sich in einen undurchsichtigen Spiegel der momentanen Notwendigkeit des Käufers. Die algorithmische Inflation ist letztlich nicht nur ein kalter statistischer Indikator, der in den von den Zentralbanken erstellten Verbraucherpreisindizes erscheint; sie ist das ständige und allgegenwärtige Gefühl, das Millionen von Bürgern täglich erleben, dass der Einkaufswagen, das Flugticket oder die Miete ihren Betrag einen Moment ändern, bevor man noch verstehen kann, warum [2952, 2961, 2962].

Bibliografische Referenzen und Quellen

  • [Algorithmic pricing and competition in G7 jurisdictions — OECD, 2025] [2952]
  • [AI-related competition concerns in downstream markets — OECD, 2025] [2954]
  • [Understanding Algorithmic Pricing — Federal Reserve Bank of Richmond, 2026] [2961]
  • [Algorithms and collusion — OECD, 2017] [2957, 2959]
  • [Artificial Intelligence and Competition — OECD Global Forum on Competition, 2025] [2955]
  • [Algorithmic competition — Note by Norway — OECD, 2023] [2956]
  • [New Research Debunks Fears of Supermarket Surge Pricing — UC San Diego, 2025] [2962]
  • [Dynamic Pricing, Intertemporal Spillovers, and Efficiency — University of Arizona, 2024] [2965]
  • [The Case for Algorithmic Pricing — Mercatus Center, 2025] [2964]

Artikel von der Redaktion von La Bussola dell’IA