Englisch: Dynamic pricing, algorithmic pricing
Onlinehändler und Plattformen lassen ihre Preise automatisch an Nachfrage, Kosten, Kapazität und die Preise der Konkurrenz anpassen.
Den Anwendungsfall verstehen
Airbnb und der Onlinemodehändler Myntra setzen nach eigenen Fachbeiträgen lernende Preismodelle ein.
Die Seite beschreibt einen typischen Aufbau. Die tatsächlichen Datenwege und Befugnisse ergeben sich aus Ihrer Umsetzung.
Aufbau und Datenwege
Nachfrage, Lagerbestand, Kosten, Kapazität und Preise der Konkurrenz kommen laufend herein.
Wettbewerberpreise und Nachfragesignale stammen von außen und lassen sich gezielt beeinflussen. Bildet das System Preise nach Profil oder Verhalten einzelner Personen, verarbeitet es personenbezogene Daten; die Verbraucherzentralen fanden das selten.
Ein Modell schätzt die Nachfrage bei verschiedenen Preisen und wählt den Preis, der die vorgegebene Kennzahl am stärksten verbessert.
Das System verarbeitet Nachfrage, Verfügbarkeit und weitere zugelassene Einflussgrößen und leitet daraus Preisvorschläge ab. Geschäftsregeln können Preisgrenzen und Gültigkeitszeiträume festlegen. Erst die Übergabe an das Verkaufssystem macht aus einer Modellberechnung einen tatsächlich angebotenen Preis.
Das System setzt den Preis selbst oder schlägt ihn vor.
Das Ergebnis beschreibt die definierte Modellaufgabe. Ein Treffer, eine Kategorie oder eine Prognose erhält seine fachliche Bedeutung erst zusammen mit den zugrunde liegenden Daten und dem vorgesehenen Verwendungszweck.
Kundinnen und Kunden zahlen den Preis, der gerade gilt, und die Verkäufe fließen in das Modell zurück.
Die Einbindung bestimmt, ob das Ergebnis lediglich angezeigt, nach Freigabe übernommen oder direkt in ein Fachverfahren geschrieben wird. Diese Varianten unterscheiden sich in ihren Datenwegen und Befugnissen.
Aufbau aktiv erkunden: Wählen Sie einen Baustein, um seine Aufgabe, die ein- und ausgehenden Daten und die Einbindung im Anwendungsfall zu sehen. Der geführte Ablauf erläutert jede Phase. Mit Ja, Offen und Nein können Sie anschließend Ihre konkrete Systemvariante abbilden.
8 zuerst zu prüfen8 zu klären8 Grundlagen
Das Bild zeigt den Anwendungsfall, wie er typischerweise gebaut ist. Wählen Sie einen Baustein, um zu sehen, was dort geschieht, und stellen Sie seine Merkmale auf Ihr System um. Mit „Analysehinweise“ sehen Sie anschließend, welche Prüfkandidaten zu diesem Aufbau gehören. Die Prüfliste der Seite bleibt auf den typischen Fall bezogen.
Noch keine. Jede Umstellung erscheint hier.
Im gezeigten Aufbau: 8 zuerst zu prüfen, 8 zu klären, 8 Grundlagen.
Zugang von außen: Hängt von Ihrem System ab
Zu klären
Eingabe: Gehört zu jedem KI-System
Zuerst prüfen
Grundlage für jedes KI-System
Inhalte Dritter: Vorhanden
KI-Modell: Gehört zu jedem KI-System
Zuerst prüfen
Grundlage für jedes KI-System
Dienst eines Anbieters: Hängt von Ihrem System ab
Zu klären
Training und Rückmeldung: Vorhanden
Zuerst prüfen
Ergebnis: Gehört zu jedem KI-System
Zuerst prüfen
Fachanwendung oder Anlage: Hängt von Ihrem System ab
Zu klären
Mensch: Gehört zu jedem KI-System
Grundlage für jedes KI-System
Betroffene Person: Hängt von Ihrem System ab
KI-Dienste ohne Freigabe: Hängt von Ihrem System ab
Zu klären
Lieferkette und technische Basis: 5 Grundlagen, die für jedes KI-System gelten
Grundlage für jedes KI-System
Sagt nur die Nachfrage voraus und legt keine Preise fest
Legt fest, welche Angebote in welcher Reihenfolge erscheinen, nicht ihren Preis
Wettbewerberpreise und Nachfragesignale stammen von außen und lassen sich gezielt beeinflussen. Bildet das System Preise nach Profil oder Verhalten einzelner Personen, verarbeitet es personenbezogene Daten; die Verbraucherzentralen fanden das selten.
Das Modell verarbeitet die Eingaben. Ob es intern oder bei einem Dienstleister läuft, muss für die konkrete Umsetzung geklärt werden.
Das Preismodell lernt aus den eigenen Buchungs- und Verkaufsdaten des Betreibers. Die Verkäufe zu den gesetzten Preisen fließen als neue Daten in das Modell zurück.
Manche Systeme setzen Preise selbst im Shop, andere legen sie nur als Vorschlag vor.
Ein eingebundener Anbieter legt den Verarbeitungsort nicht automatisch fest. Speicherort, Unterauftragnehmer, Löschfristen und die Nutzung für Training sind im konkreten Betrieb zu prüfen.
Risiken einordnen und Maßnahmen festlegen
Daten, Beteiligte, Schnittstellen und Rechte erfassen. Offene Merkmale im Modell klären.
Prüfkandidaten auf die tatsächlichen Datenwege beziehen: Was könnte passieren und wer wäre betroffen?
Auswirkungen und Eintrittswahrscheinlichkeit im Einsatzkontext bewerten. Die Anzahl der Prüfkandidaten ist kein Risikowert.
Geeignete Kontrollen auswählen, Verantwortliche und Wirksamkeitsprüfungen festlegen. Restrisiken und Freigaben dokumentieren.
Insgesamt kommen bei diesem Anwendungsfall 24 Bedrohungen aus dem Bedrohungskatalog infrage.
Misalignment (Fehlausrichtung)
Das Modell lernt, dass es in Notlagen oder bei knappen Kapazitäten besonders hohe Preise durchsetzen kann. Der Umsatz steigt, doch Kundinnen und Kunden fühlen sich übervorteilt, und die Aufsicht wird aufmerksam.
Ein Wettbewerber setzt kurzzeitig auffällige Preise oder erzeugt künstliche Nachfrage. Das Modell lernt daraus und passt die eigenen Preise in eine Richtung an, die dem Betreiber schadet.
Unsicherer Umgang mit Modellausgaben
Die berechneten Preise gehen ohne Prüfung in den Shop. Ein Fehler in den Eingangsdaten führt dann zu Preisen weit unter den Kosten oder weit über dem Markt, die sofort gelten.
Gezielte Datenvergiftung / Label-Vergiftung
Wer die Kennzeichnungen in den Trainingsdaten fälscht, kann die Ergebnisse des Modells gezielt verschieben.
Steht hier wegen dieser Eigenschaft
Über Trainingsdaten oder ein übernommenes Grundmodell kann das Modell versteckte Auslöser für Fehlverhalten enthalten.
Steht hier wegen dieser Eigenschaft
Mit gezielten Abfragen lassen sich personenbezogene und schutzbedürftige Trainingsdaten teilweise aus dem Modell zurückgewinnen.
Steht hier wegen dieser Eigenschaft
Offenlegung sensibler Informationen
Vertrauliche Inhalte können in Antworten, im mitgegebenen Kontext oder in Protokollen auftauchen.
Steht hier wegen dieser Eigenschaft
Exfiltration aus der ML-Anwendung
Schutzbedürftige Daten können über Werkzeuge, Netzverbindungen, Speicher oder Innentäter abfließen.
Steht hier wegen dieser Eigenschaft
Je nach Aufbau Ihres Systems kommen bis zu 8 weitere hinzu. Neun Bedrohungen prüfen Sie bei jedem KI-System. Eine davon ist hier besonders wichtig und steht deshalb oben.
Jedes Ja setzt weitere Bedrohungen auf Ihre Prüfliste, insgesamt bis zu 8. Können Sie eine Frage noch nicht beantworten, prüfen Sie die Bedrohungen mit.
Wie Ihr System gebaut ist
Wie Sie das System betreiben
Manche Systeme setzen Preise selbst im Shop, andere legen sie nur als Vorschlag vor.
Wenn ja, kommt hinzu
Diese Fragen stellen sich bei fast jedem KI-System.
Wenn ja, kommt hinzu
Wenn ja, kommt hinzu
Wenn ja, kommt hinzu
Wenn ja, kommt hinzu
Wenn ja, kommt hinzu
Maßnahmen zu den Prüfschwerpunkten sind direkt geöffnet. Die verlinkten Maßnahmen erläutern jeweils die Umsetzung.
Maßnahmen gegen die übrigen Bedrohungen finden Sie auf deren Seiten im Bedrohungskatalog.
Für jedes KI-System Gilt seit dem 2. Februar 2025.
Je nach Einsatz Prüfanlass seit dem 2. Februar 2025.
Greift, wenn Beschäftigte oder Beauftragte KI-Systeme betreiben oder nutzen.
Gilt seit dem 2. Februar 2025.
Die Pflichten im Einzelnen
Greift, wenn das System Preise gezielt so bildet, dass es die Notlage oder Schutzbedürftigkeit einzelner Personen ausnutzt und ihnen dadurch erheblicher Schaden droht.
Gilt seit dem 2. Februar 2025.
Die Pflichten im Einzelnen
Ihr System im Schnellprüfer einordnen Alle Pflichten im Pflichtenkompass
Diese Bedrohungen prüfen Sie bei jedem KI-System, egal wofür es eingesetzt wird.
Trifft eine dieser Fragen bei Ihrem System doch zu, kommen die genannten Bedrohungen hinzu.
Schreibt das System eigene Texte, etwa Antworten, Entwürfe oder Zusammenfassungen?
Wenn ja, kommt hinzu
Erzeugt oder verändert das System Bilder, Töne, Stimmen oder Videos?
Wenn ja, kommt hinzu
Schreibt oder gestaltet das System auf freie Anfrage neue Inhalte, die Menschen direkt lesen, sehen oder hören? Übersetzen, Vorlesen und Abschreiben zählen nicht.
Wenn ja, kommt hinzu
Kann man dem System in normaler Sprache Aufträge geben, die es dann ausführt?
Wenn ja, kommt hinzu
Sucht das System in einer eigenen Sammlung von Dokumenten oder Datensätzen nach passenden Inhalten?
Wenn ja, kommt hinzu
Formuliert das System seine Antwort aus gefundenen Dokumenten?
Wenn ja, kommt hinzu
Nutzt das System ein Begriffsnetz (Wissensgraph), in dem Begriffe und ihre Beziehungen gespeichert sind?
Wenn ja, kommt hinzu
Merkt sich das System Inhalte aus früheren Gesprächen oder Aufgaben und nutzt sie später wieder?
Wenn ja, kommt hinzu
Ruft das System selbst andere Programme, Schnittstellen oder Suchdienste auf, auch wenn es dort nur liest?
Wenn ja, kommt hinzu
Legt das System seine nächsten Arbeitsschritte selbst fest, je nachdem, was vorher herauskam?
Wenn ja, kommt hinzu
Gibt das System Aufgaben an andere KI-Agenten weiter oder übernimmt es deren Ergebnisse?
Wenn ja, kommt hinzu
Ist das System über das Model Context Protocol (MCP) an Werkzeuge oder Datenquellen angebunden?
Wenn ja, kommt hinzu
Liegen Dokumente mehrerer Kunden, Abteilungen oder Berechtigungsgruppen im selben Suchspeicher?
Wenn ja, kommt hinzu
Können Menschen außerhalb Ihrer Organisation das System nutzen, auch ohne Anmeldung?
Wenn ja, kommt hinzu
Verarbeitet das System mehrere Arten von Eingaben zusammen, etwa Text mit Bild oder Sprache?
Wenn ja, kommt hinzu
Erzeugt das System Programmcode, Skripte oder Datenbankabfragen, die weiterverwendet werden?
Wenn ja, kommt hinzu
Führt das System selbst Programme, Skripte oder Befehle aus?
Wenn ja, kommt hinzu
Ye u. a., Customized Regression Model for Airbnb Dynamic Pricing, KDD 2018 Nach Angabe des Betreibers
Nach Angabe der Forschenden von Airbnb steuert das beschriebene Preismodell im laufenden Betrieb die Funktionen Price Tips und Smart Pricing.
Kedia, Jain und Sharma (Myntra Designs), Price Optimization in Fashion E-commerce (arXiv 2007.05216) Nach Angabe des Betreibers
Myntra verbindet eine Nachfrageprognose je Rabattstufe mit einer Optimierung über das Sortiment und setzt das Verfahren nach eigener Angabe ein, geprüft in A/B-Tests.
Eine Untersuchung bei 16 deutschen Onlinehändlern und Amazon ergab, dass sich Preise im Zeitverlauf stark ändern, aber selten für einzelne Personen zugeschnitten werden.
Das Bundeskartellamt beschreibt, wie das Wettbewerbsrecht algorithmische Preissetzung erfasst.
Stand: 30. September 2026. Regelwerk der Prüfliste in Fassung 0.3.2, Bedrohungskatalog in Fassung 2026.10.24.2. Wie diese Seiten aufgebaut sind