{"id":17922,"date":"2026-08-25T09:53:33","date_gmt":"2026-08-25T07:53:33","guid":{"rendered":"https:\/\/7learnings.com\/?p=17922"},"modified":"2026-10-16T10:06:53","modified_gmt":"2026-10-16T08:06:53","slug":"erklarbare-ki-preistransparenz","status":"publish","type":"post","link":"https:\/\/7l-dev.mr2-media.de\/de\/blog\/erklarbare-ki-preistransparenz\/","title":{"rendered":"\u201eOne Fair Price\u201c: Was die neuen Preisgesetze f\u00fcr die Preisgestaltung im Bereich der erkl\u00e4rbaren KI bedeuten"},"content":{"rendered":"\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Wenn Sie die Nachrichten zur Preisregulierung in diesem Jahr verfolgt haben, k\u00f6nnten Sie zu dem Schluss kommen, dass das rechtliche Risiko davon abh\u00e4ngt, wie ausgereift Ihr Modell ist: Einfachere Systeme sind sicher, w\u00e4hrend komplexe Systeme einem Risiko ausgesetzt sind. Eine Variante dieser Sichtweise h\u00f6re ich in fast jedem Gespr\u00e4ch mit Unternehmen, meist in Form von Bedenken hinsichtlich einer \u201eBlack-Box\u201c-KI. Ich verstehe, warum das so ist, doch die Gesetze, die 2026 tats\u00e4chlich verabschiedet wurden, zeigen, warum. <\/span><\/p>

Das bedeutendste davon ist das New Yorker <\/span>\u201eOne Fair Price Act\u201c<\/span><\/a>. Zusammen mit den Gesetzen, die in anderen Bundesl\u00e4ndern folgten, zog es eine Grenze anhand eines einzigen Kriteriums: der personenbezogenen Daten eines einzelnen Verbrauchers. Einzelh\u00e4ndler, die Preismodelle f\u00fcr erkl\u00e4rbare KI pr\u00fcfen, m\u00fcssen diesen Unterschied verstehen, da er Einfluss darauf hat, welche Fragen es sich lohnt, einem Anbieter zu stellen. <\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t

Worauf das Gesetz \u00fcber den einheitlichen Preis tats\u00e4chlich abzielt\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Das New Yorker Gesetz \u00fcber einheitliche Preise (\u201eOne Fair Price Act\u201c, S.8623B\/A.9349B)<\/span> wurde im Juni 2026 <\/span>Juni 2026<\/span><\/a> 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 ma\u00dfgeschneiderter Preise zu regeln. <\/span><\/p>

Das Gesetz <\/span>wahrt ausdr\u00fccklich<\/span><\/a> legitime Rabatte, Treueprogramme und Gutscheine. Dies stellt zudem eine Abkehr von New Yorks bisherigem Ansatz dar. Die <\/span>Gesetz \u00fcber die Offenlegung algorithmischer Preisgestaltung<\/span><\/a>, das seit November 2025 in Kraft ist, erlaubt eine personalisierte Preisgestaltung, solange der H\u00e4ndler den Hinweis \u201eDIESER PREIS WURDE VON EINEM ALGORITHMUS UNTER VERWENDUNG IHRER PERSONENBEZOGENEN DATEN FESTGELEGT\u201c anbringt. Das \u201eOne Fair Price Act\u201c w\u00fcrde diese M\u00f6glichkeit der Offenlegung abschaffen, da es diese Praxis g\u00e4nzlich verbietet, anstatt lediglich eine Kennzeichnung vorzuschreiben. <\/span><\/p>

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. <\/span><\/p>

Entscheidend ist, ob die personenbezogenen Daten einer Person zur individuellen Preisgestaltung verwendet werden; die Komplexit\u00e4t des Modells spielt dabei kaum eine Rolle. Eine einfache Regel-Engine, die mit Browserverl\u00e4ufen gef\u00fcttert wird, f\u00e4llt unter diese Regelung; ein auf aggregierten Transaktionsdaten trainiertes Nachfragemodell hingegen nicht. <\/span><\/p>

Aus diesem Grund ist die Debatte \u201eBlack Box versus Transparenz\u201c der falsche Ansatz f\u00fcr die Einhaltung gesetzlicher Vorschriften, auch wenn Interpretierbarkeit und Erkl\u00e4rbarkeit aus einem anderen Grund von enormer Bedeutung sind. Entscheidend ist vielmehr, welche Daten in die Engine gelangen. <\/span><\/p>

7Learnings st\u00fctzt sich auf Transaktionsvolumina auf SKU-Ebene, historische Nachfragedaten, Lagerbest\u00e4nde und saisonale Muster und erfasst keine Cookies, Ger\u00e4tekennungen, Browserverl\u00e4ufe oder individuelle Kundenprofile. <\/span><\/p>

Ein Hinweis: Ihre Verpflichtungen h\u00e4ngen von Ihrem gesamten Preisgestaltungssystem ab und nicht von einer einzelnen Komponente. Wenn eine Empfehlung in eine nachgelagerte Personalisierungsschicht einflie\u00dft, die Daten auf Kundenebene nutzt, wird das gesamte System von der Aufsichtsbeh\u00f6rde bewertet \u2013 und dies ist eine Angelegenheit, die Sie mit Ihrer Rechtsabteilung besprechen sollten. <\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"Infographic\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Warum \u201eVertrauen Sie dem Algorithmus\u201c nicht ausreicht<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Wenn die Logik hinter einem Preis undurchsichtig ist, kann niemand eine \u00c4nderung aus finanziellen oder vermarktungstechnischen Gr\u00fcnden rechtfertigen, und die Umsetzung kommt zum Stillstand, selbst wenn das Modell solide ist. \u201eVertrauen Sie dem Algorithmus\u201c ist keine Antwort, die ein Leiter der Preisgestaltung einem Finanzvorstand, einem Wirtschaftspr\u00fcfer oder einer Aufsichtsbeh\u00f6rde geben kann. <\/span><\/p>

Die L\u00fccke bei der Rechenschaftspflicht<\/b><\/h3>

Eine Preisentscheidung, die das Team nicht begr\u00fcnden kann, stellt eher ein Risiko als einen Effizienzgewinn dar. Die Automatisierung der Preisgestaltung soll in gro\u00dfem Ma\u00dfstab zu besseren Entscheidungen f\u00fchren; eine Empfehlung, f\u00fcr die niemand Rechenschaft ablegen kann, verlagert das Risiko jedoch lediglich auf denjenigen, der sie genehmigt hat. Die Kluft zwischen \u201eDas Modell hat es so ergeben\u201c und \u201eHier sind die Gr\u00fcnde f\u00fcr die Preis\u00e4nderung\u201c ist genau das, worauf interne Interessengruppen \u2013 und mittlerweile auch die Aufsichtsbeh\u00f6rden \u2013 dr\u00e4ngen. <\/span><\/p>

Wenn mangelnde Transparenz die Einf\u00fchrung behindert<\/b><\/h3>

Intransparenz untergr\u00e4bt das Vertrauen, noch bevor das Modell einer fairen Pr\u00fcfung unterzogen werden kann. Ein Preis, der auf der Grundlage einer Umsatzprognose von Null festgelegt wurde, oder eine Wettbewerbsregel, die zu einem offensichtlich falschen Ergebnis f\u00fchrt, sind f\u00fcr sich genommen zwar nur kleine Fehler, doch da keine M\u00f6glichkeit besteht, nachzuvollziehen, was genau geschehen ist, werden sie als Beweis daf\u00fcr gewertet, dass dem System kein Vertrauen geschenkt werden kann. <\/span><\/p>

Teams setzen sich \u00fcber Empfehlungen hinweg, kehren zur manuellen Arbeit zur\u00fcck, und die Investition macht sich nie bezahlt. Erst die Erkl\u00e4rbarkeit verhindert, dass ein gutes Modell beim Kontakt mit denjenigen, f\u00fcr die es eigentlich bestimmt ist, versagt. <\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t

Was die Preisgestaltung bei erkl\u00e4rbarer KI tats\u00e4chlich bedeutet<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Erkl\u00e4rbarkeit wird oft auf einen Konfidenzwert reduziert; daher lohnt es sich, diesen Begriff konkret zu definieren. Bei der Preisgestaltung f\u00fcr erkl\u00e4rbare KI zeigt die Plattform auf, welche Faktoren zu einer bestimmten Empfehlung gef\u00fchrt haben, und welche Auswirkungen auf Gewinn und Marge prognostiziert werden \u2013 anstatt lediglich eine blo\u00dfe Zahl auszugeben. <\/span><\/p>

Die Faktoren hinter einer Preisempfehlung<\/b><\/h3>

In der Praxis kann ein Merchandiser jede SKU aufrufen und die einzelnen Faktoren der Argumentation der Reihe nach einsehen: die Nachfrageprognose, die Preiselastizit\u00e4t, den Lagerbestand, das Wettbewerbsumfeld und wie sich die einzelnen Faktoren auf die endg\u00fcltige Zahl ausgewirkt haben. <\/span><\/p>

Bei 7Learnings wird dies im sogenannten \u201eRule Funnel\u201c dargestellt, einer Schritt-f\u00fcr-Schritt-Ansicht, in der der Preis jeden Filter \u2013 von der Prognose bis zur Empfehlung \u2013 durchl\u00e4uft, und zwar direkt in der Benutzeroberfl\u00e4che. Diese Art der Darstellung der Variablenbedeutung \u2013 die zeigt, welche Eingabevariablen den gr\u00f6\u00dften Einfluss auf den Endpreis hatten \u2013 ist es, was verantwortungsbewusste KI-Systeme von \u201eBlack Boxes\u201c unterscheidet. <\/span><\/p>

Die Erkl\u00e4rbarkeit, die in einem nachtr\u00e4glich erstellten PDF enthalten ist, unterscheidet sich von der Erkl\u00e4rbarkeit, die Sie in einer Besprechung mit Ihrem Finanzvorstand vorlegen k\u00f6nnen. Weitere Informationen zum Erkennen von Regeln, die als KI getarnt sind, finden Sie in unserem Leitfaden zum Thema <\/span>Wie l\u00e4sst sich feststellen, was sich tats\u00e4chlich unter der Motorhaube verbirgt<\/span><\/a>.<\/span><\/p>

Erkl\u00e4rbarkeit ist mehr als nur ein Konfidenzwert<\/b><\/h3>

Ein Konfidenzwert gibt Ihnen Auskunft dar\u00fcber, wie sicher das Modell ist, nicht jedoch dar\u00fcber, warum. \u201eDas Modell ist zu 92 % sicher\u201c ist f\u00fcr den Finanzbereich nicht besser begr\u00fcndbar als eine blo\u00dfe Zahl. Echte Erkl\u00e4rbarkeit benennt die Faktoren, die hinter der Empfehlung stehen, und erm\u00f6glicht es einem Menschen, diese zu hinterfragen. Das ist der Unterschied zwischen einem System, das Sie verantwortungsbewusst betreiben k\u00f6nnen, und einem, auf das Sie sich lediglich verlassen k\u00f6nnen. <\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t

Wie l\u00e4sst sich nachweisen, dass die Modelle tats\u00e4chlich funktionieren?\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Die Erkl\u00e4rbarkeit beantwortet die erste Frage. Die zweite Frage lautet, ob das Modell tats\u00e4chlich funktioniert, und diese Frage wird in der Finanzbranche unabh\u00e4ngig vom regulatorischen Umfeld gestellt werden. Die Genauigkeitsangaben der Anbieter reichen hierf\u00fcr nicht aus. Ausschlaggebend ist vielmehr der in einem kontrollierten Test gemessene Leistungszuwachs. <\/span><\/p>

F\u00fchren Sie einen A\/B-Test durch, um den tats\u00e4chlichen Effekt zu messen<\/b><\/h3>

Das Konzept ist einfach: Bewerten Sie einen Teil eines vergleichbaren Sortiments mit dem Tool, den Rest mit Ihrem bisherigen Verfahren, und vergleichen Sie anschlie\u00dfend Gewinn, Umsatz und Absatz im gleichen Zeitraum. Ein nachgewiesener Wert hat weitaus mehr Gewicht als eine Prognose. <\/span><\/p>

Als der Off-Price-Einzelh\u00e4ndler Outletcity im Rahmen seines Saisonausverkaufs eine pr\u00e4diktive Preisgestaltung einsetzte, einschlie\u00dflich der Ber\u00fccksichtigung von L\u00fccken in den Gr\u00f6\u00dfenreihen, erzielte das Unternehmen <\/span>einen um 26 % h\u00f6heren Gewinn, einen um 11 % h\u00f6heren Umsatz und ein um 5 % h\u00f6heres Verkaufsvolumen<\/span><\/a> im Vergleich zu einer Kontrollgruppe. Der ROI wurde in Echtzeit gemessen. Es handelt sich um ein europ\u00e4isches Ergebnis und nicht um ein spezifisches Versprechen f\u00fcr die USA, doch die Methode ist entscheidend: Die Zahlen stammen aus einem Live-Test und nicht aus einer Laborprognose. <\/span><\/p>

Genau hier kommen auch KI-Steuerungs- und Genehmigungsabl\u00e4ufe zum Tragen, bei denen der Mensch in den Prozess eingebunden ist. Wenn Merchandiser Empfehlungen tats\u00e4chlich pr\u00fcfen und genehmigen, entsteht ein Protokoll dar\u00fcber, wer was wann genehmigt hat \u2013 was f\u00fcr eine Pr\u00fcfung ebenso wichtig ist wie f\u00fcr das interne Vertrauen. <\/span><\/p>

Backtesting und Simulationen, bevor die Kurse live geschaltet werden<\/b><\/h3>

Das Backtesting eines Modells anhand historischer Zeitr\u00e4ume zeigt, ob dessen Empfehlungen die bisherigen Ergebnisse verbessert h\u00e4tten, und die Simulation der prognostizierten Auswirkungen eines Preises vor dessen Einf\u00fchrung erm\u00f6glicht es einem Team, die voraussichtlichen Auswirkungen auf Gewinn, Marge und Absatz im Voraus zu erkennen. Durch diese Art der kontinuierlichen Modell\u00fcberwachung wird die Entscheidung, einen Live-Test durchzuf\u00fchren, von einem Vertrauensvorschuss zu einem kalkulierten n\u00e4chsten Schritt. <\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t

Fragen, die Sie einem Anbieter zu dessen Modellen stellen sollten\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Wenn Sie eine praktische Erkenntnis aus diesem Text mitnehmen m\u00f6chten, erstellen Sie eine kurze Checkliste, die Sie jedem Anbieter von KI-Preisberechnungsl\u00f6sungen \u2013 einschlie\u00dflich uns \u2013 vorlegen k\u00f6nnen. 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. <\/span><\/p>