Algorithmische Preisgestaltung: Wenn ein Algorithmus deine Preise setzt
Algorithmische Preisgestaltung erklärt: was Studien zu Airbnb, Repricing und Preisabsprachen zeigen und wann sich ein Preisalgorithmus für kleine Händler lohnt.

Kurz gesagt
- Algorithmische Preisgestaltung heißt, dass ein Programm Preise automatisch nach Nachfrage, Wettbewerb, Bestand oder Zeitpunkt berechnet und anpasst.
- Airbnb-Gastgeber nutzten ein kostenloses Preiswerkzeug kaum, vor allem weil sie seine Leistung zu pessimistisch einschätzten, und dem Werkzeug fehlten Angaben zu ihren Kosten.
- Händler, die im Onlinehandel ein Repricing-Werkzeug einführten, senkten ihre Preise im Schnitt um 16,93 %, doch Strategien mit regelmäßigem Zurücksetzen hoben die Marktpreise in kleinen Märkten später um 11,4 %.
- Dass lernende Preisalgorithmen von selbst Preisabsprachen lernen, ist laut einer Analyse in Management Science unter realistischen Bedingungen wenig wahrscheinlich, Software zur Umsetzung echter Absprachen bleibt das Problem.
- Für kleine Händler lohnt sich ein Preisalgorithmus nur mit hinterlegten Kosten, klaren Unter- und Obergrenzen und ohne Regeln, die automatisch einen Preiskampf auslösen.
Inhalt8 Abschnitte
- Was algorithmische Preisgestaltung ist
- Warum Gastgeber ein kostenloses Preiswerkzeug liegen ließen
- Repricing im Onlinehandel: Preiskampf und zurückgesetzte Preise
- Lernen Algorithmen von selbst, Preise abzusprechen
- Wenn der Algorithmus nur empfiehlt
- Algorithmische Preisgestaltung für kleine Unternehmen
- Warum ich bei meinen Angeboten keine Algorithmen einsetze
- Fazit
Algorithmische Preisgestaltung bedeutet, dass ein Computerprogramm Preise automatisch berechnet und anpasst, etwa nach Nachfrage, Wettbewerbspreisen, Lagerbestand oder Zeitpunkt. Sie reicht von einfachen Regeln wie „immer einen Euro unter dem günstigsten Anbieter“ bis zu lernenden Systemen, die selbst herausfinden, welcher Preis den meisten Gewinn bringt. Studien zeigen, dass solche Werkzeuge oft weniger genutzt werden, als sie könnten, und dass sie den Wettbewerb sowohl verschärfen als auch dämpfen können.
Preise sind für mich einer der stärksten Hebel im ganzen Unternehmen, oft stärker als Marketing. Warum ich das so sehe, beschreibe ich im Artikel Pricing als Wachstumshebel. Wenn ein Algorithmus diesen Hebel übernimmt, lohnt es sich deshalb, genau hinzusehen, was er eigentlich tut.
Eine Abgrenzung vorab. Wie Kunden schwankende Preise wahrnehmen und wann sie sie fair finden, habe ich im Artikel über dynamische Preise beschrieben. Hier geht es um die andere Seite: um die Maschine, die die Preise setzt. Die Forschung dazu ist ungewöhnlich stark. Drei der vier Studien, die ich hier nutze, sind in Management Science erschienen, eine in Marketing Science. Beide gehören zu den angesehensten Zeitschriften in diesem Feld.
Was algorithmische Preisgestaltung ist
Man kann zwei Arten von Preisalgorithmen unterscheiden. Regelbasierte Algorithmen folgen festen Anweisungen, die ein Mensch vorgibt. Im Onlinehandel heißen solche Werkzeuge oft Repricing-Tools: Sie beobachten die Preise der Konkurrenz und passen den eigenen Preis nach einer Regel an. Lernende Algorithmen probieren dagegen selbst Preise aus und lernen aus den Ergebnissen, welche Preise den größten Gewinn bringen.

Funktionsweise Regelbasierte Werkzeuge setzen Vorgaben um, etwa einen Abstand zum günstigsten Anbieter. Lernende Verfahren testen Preise und passen sich an die Ergebnisse an.
Beispiel Repricing-Tools sind bei Marktplatz-Händlern verbreitet. Lernende Systeme kommen eher bei Plattformen mit viel Nachfragedaten zum Einsatz.
Kontrolle Bei Regeln weißt du genau, warum ein Preis entsteht. Bei lernenden Verfahren ist das schwerer nachzuvollziehen.
Datenbedarf Lernende Algorithmen brauchen viele Beobachtungen, um sinnvolle Muster zu erkennen.
Typisches Risiko Eine Unterbieten-Regel kann Preise nach unten treiben. Bei lernenden Systemen ist oft unklar, warum ein Preis gewählt wurde.
Daneben gibt es eine Zwischenform, die in der Praxis häufig ist: Der Algorithmus empfiehlt nur, und ein Mensch entscheidet. Genau diese Form hat sich in einer der Studien als überraschend heikel erwiesen. Dazu gleich mehr.
Ein Beispiel für eine einfache Regel. Angenommen, ein Händler verkauft Kaffeemühlen auf einem Marktplatz und stellt sein Werkzeug so ein: Preis immer 50 Cent unter dem günstigsten Anbieter, aber nie unter 39 €. Das Werkzeug prüft die Konkurrenz mehrmals am Tag und passt an. Die Untergrenze ist dabei der wichtigste Teil der Regel. Ohne sie folgt der Händler jedem Wettbewerber nach unten, auch einem, der gerade Restbestände verramscht.
Warum Gastgeber ein kostenloses Preiswerkzeug liegen ließen
Foroughifar und Mehta (2026) untersuchen in Marketing Science das Preiswerkzeug Smart Pricing von Airbnb. Airbnb stellte es Gastgebern kostenlos zur Verfügung. Es sollte vor allem denen helfen, die ihre Preise selten an Schwankungen der Nachfrage anpassten.
Das Werkzeug wurde aber wenig genutzt, und am wenigsten genau von den Gastgebern, für die es gedacht war. Mit einem ökonomischen Strukturmodell haben die Autoren drei mögliche Gründe auseinandergenommen: den Aufwand der Einführung, pessimistische Vorannahmen der Gastgeber über die Leistung des Werkzeugs und Schwächen des Werkzeugs selbst.
Ihre Ergebnisse:
- Der Hauptgrund für die geringe Nutzung waren die pessimistischen Vorannahmen der Gastgeber. Bei Gastgebern, die ihre Preise selten änderten, waren sie besonders ausgeprägt.
- Der Nutzen für Gastgeber und Airbnb ließe sich steigern, wenn Airbnb die Gastgeber über die tatsächliche Leistung des Werkzeugs informieren würde.
- Airbnb kennt die Grenzkosten der Gastgeber nicht, also was sie eine zusätzliche Übernachtung kostet. Würde das Werkzeug mit geschätzten Kosten neu trainiert, stiege die Profitabilität für beide Seiten deutlich.
Der erste Punkt ist klassische Algorithmus-Abneigung, und zwar mit Folgen fürs Geld. Warum Menschen Algorithmen oft zu wenig zutrauen, beschreibe ich im Artikel über Algorithm Aversion. Für mich noch wichtiger ist der dritte Punkt. Ein Preisalgorithmus optimiert auf das, was er kennt. Kennt er deine Kosten nicht, optimiert er im Zweifel auf Umsatz oder Auslastung statt auf deinen Gewinn.
Repricing im Onlinehandel: Preiskampf und zurückgesetzte Preise
Die Studie mit den greifbarsten Zahlen kommt von Musolff (2026) in Management Science. Er hat mit einem neuen Datensatz aus dem Onlinehandel untersucht, was passiert, wenn Händler Repricing-Werkzeuge einsetzen.
In einer Ereignisstudie zeigt sich zuerst ein Preiskampf. Händler, die ein solches Werkzeug einführen, senken ihre Preise im Schnitt um 16,93 %, und die Marktpreise fallen um 9,67 %. Das ist der Effekt, den man von automatischem Unterbieten erwarten würde.
Dann kommt die überraschende Wendung. Anbieter solcher Werkzeuge haben Strategien entwickelt, die Musolff „Resetting“ nennt. Dabei werden die Preise regelmäßig angehoben, in der Hoffnung, dass die Konkurrenz mitzieht. Das funktioniert offenbar. Wird eine solche Strategie in einem Markt mit weniger als sechs ernsthaften Wettbewerbern eingesetzt, steigen die Preise der Konkurrenz und die Marktpreise am Ende um 11,4 %.

Eigene Preise nach Einführung So stark senken Händler laut der Ereignisstudie von Musolff ihre Preise, nachdem sie ein Repricing-Werkzeug einführen.
Marktpreise nach Einführung Auch die Preise im gesamten Markt fallen, ein typisches Bild eines Preiskampfs.
Marktpreise mit Resetting In Märkten mit weniger als sechs ernsthaften Wettbewerbern steigen Preise der Konkurrenz und Marktpreise am Ende um diesen Wert, wenn eine Resetting-Strategie eingesetzt wird.
Die entstehenden Preiszyklen passen laut Musolff am besten zu einem Modell, in dem Händler ihre Strategie an Algorithmen übergeben. Nach diesem Modell läge der Durchschnittspreis über einen Zyklus beim Preis, den ein Monopolist verlangen würde. Musolff ordnet das aber selbst ein: Solche Zyklen sind in den Daten bisher relativ selten, selbst bei Produkten, bei denen mindestens ein Händler ein Repricing-Werkzeug nutzt.
Für kleine Händler lese ich daraus zwei Dinge. Eine Regel wie „immer unter dem Günstigsten“ ist ein Ticket in den Preiskampf. Und Werkzeuge können Preise auch nach oben bewegen, ohne dass ein Mensch das beabsichtigt hat. Beides solltest du kennen, bevor du einem Werkzeug deine Preise überlässt.
Lernen Algorithmen von selbst, Preise abzusprechen
Seit einigen Jahren gibt es eine Sorge in der Wettbewerbspolitik. Lernende Preisalgorithmen könnten von selbst lernen, dass hohe Preise für alle besser sind, und so stillschweigende Absprachen treffen, ohne dass Menschen sich je abgesprochen haben. Experimente mit einem lernenden Verfahren namens Q-Learning hatten überhöhte Preise gezeigt.
Den Boer, Meylahn und Schinkel (2026) haben sich die Funktionsweise dieser Algorithmen in Management Science genau angesehen. Ihr Ergebnis dämpft die Sorge. Q-Learning erfüllt oft nicht die Bedingungen für eine Absprache, die in der Praxis ein Kartellrisiko wäre. Es lernt abgestimmte Preise nur über Zeiträume, die für Unternehmen keine Rolle spielen. Und es braucht dafür eine starke Gleichschaltung: Alle Wettbewerber müssten denselben Algorithmus nutzen, zum selben Zeitpunkt starten und dieselben Einstellungen verwenden, obwohl der Algorithmus dabei schon von der ersten alternativen Preisregel übertroffen wird.
Die Autoren folgern, dass so viel Abstimmung eher auf eine ausdrückliche Absprache hindeutet. Ob vollständig selbstständige Absprachen durch Algorithmen eine echte Gefahr werden, bleibe abzuwarten. Wettbewerbsbehörden hätten bisher keinen Grund, Preisalgorithmen allgemein zu misstrauen. Die Ausnahme ist das, was sie „Absprache per Algorithmus“ nennen: Software, mit der echte Kartellabsprachen umgesetzt werden oder die von vornherein mit dieser Absicht programmiert wurde.
Für dich heißt das: Entscheidend ist, wofür du die Software benutzt. Tausch keine vertraulichen Preisdaten mit Wettbewerbern aus, auch nicht über ein gemeinsames Werkzeug. Und wenn ein Anbieter damit wirbt, dass seine Software die Preise im ganzen Markt stabilisiert, solltest du rechtlich prüfen lassen, was das konkret bedeutet.
Wenn der Algorithmus nur empfiehlt
Die vierte Studie hat mich am meisten zum Nachdenken gebracht. Garcia, Tolvanen und Wagner (2026) untersuchen in Management Science sehr detaillierte Daten zur Preissetzung von Hotelzimmern. Dort gibt ein Algorithmus Preisempfehlungen, und Menschen setzen die Preise.
Das Problem: Menschen ändern Preise nicht gern, jede Anpassung kostet Zeit und Aufmerksamkeit. Diese Trägheit erzeugt einen Interessenkonflikt mit dem Algorithmus. Die Autoren zeigen mit einem Modell, dass die Empfehlungen im Gleichgewicht strategisch verzerrt sind. Vereinfacht gesagt rechnet der Algorithmus die Trägheit des Menschen in seine Empfehlung ein. Am Ende führt das zu schlechteren Preisen. Die Autoren beziffern die Verluste mit einem Strukturmodell und schätzen, was eine vollständig automatische Preissetzung bringen könnte. Die konkreten Werte nennt das Abstract nicht.
Für mich ist das eine wichtige Ergänzung zu allem, was ich über Leitplanken und menschliche Kontrolle geschrieben habe. Die Mischform aus Empfehlung und menschlicher Entscheidung ist nicht automatisch die sichere Mitte. Wenn der Mensch Empfehlungen nur halbherzig umsetzt, passt sich das System an und wird schlechter. Welche Entscheidungen du ganz, teilweise oder gar nicht an Algorithmen gibst, beschreibe ich im Artikel über algorithmische Entscheidungen.
Algorithmische Preisgestaltung für kleine Unternehmen
Aus den vier Studien leite ich sechs Schritte ab, bevor du einem Werkzeug deine Preise überlässt:
- Prüfen, ob deine Preise überhaupt schwanken sollten. Bei Dienstleistungen mit Festpreis ist Stabilität oft ein Verkaufsargument. Algorithmische Preisgestaltung lohnt sich eher bei vielen Produkten, schwankender Nachfrage und viel Wettbewerb.
- Kosten hinterlegen. Gib dem Werkzeug deine Kosten pro Stück oder pro Buchung. Die Airbnb-Studie zeigt, was fehlt, wenn ein Algorithmus sie nicht kennt.
- Unter- und Obergrenze setzen. Eine Untergrenze schützt deine Marge, eine Obergrenze schützt deinen Ruf.
- Keine reine Unterbieten-Regel. „Immer einen Euro unter dem Günstigsten“ führt in den Preiskampf, den Musolff in seinen Daten sieht.
- Entweder richtig automatisieren oder bewusst entscheiden. Wenn du Empfehlungen bekommst, setz sie konsequent um oder lehn sie begründet ab. Halbherziges Umsetzen macht die Empfehlungen laut Garcia und Kollegen schlechter.
- Fairness und Recht mitdenken. Keine Preisdaten mit Wettbewerbern teilen und Preisschwankungen so gestalten, dass Kunden sie nachvollziehen können.
Ein Preisalgorithmus kennt den Markt, aber deine Kosten kennt er erst, wenn du sie ihm gibst.
Bevor du einen Algorithmus einsetzt, solltest du außerdem wissen, was deine Kunden zu zahlen bereit sind. Sonst optimiert er auf Daten, die du nie geprüft hast. Wie du das herausfindest, beschreibe ich im Artikel Zahlungsbereitschaft ermitteln.
Warum ich bei meinen Angeboten keine Algorithmen einsetze
Bei quik arbeite ich mit Festpreisen, und dem Kunden gehört am Ende alles. Ein Festpreis ist ein Versprechen: Du weißt vorher, was du bekommst und was es kostet. Ein Algorithmus, der diesen Preis je nach Nachfrage verschiebt, würde genau dieses Versprechen aufweichen. Warum ich Festpreise für Dienstleister so wichtig finde, beschreibe ich im Artikel Festpreis statt Stundensatz.
Das heißt nicht, dass ich algorithmische Preisgestaltung ablehne. Für einen Onlinehändler mit Hunderten Produkten auf mehreren Marktplätzen wäre Handarbeit bei den Preisen schlicht nicht machbar. Dort würde ich ein Werkzeug einsetzen, aber mit den Grenzen aus der Liste oben. Aus meiner Zeit in der Business Intelligence bei Snipes weiß ich, wie verführerisch Zahlen sind, die sich automatisch bewegen. Die Frage bleibt immer, worauf sie optimiert werden.
Fazit
Algorithmische Preisgestaltung ist ein starkes Werkzeug mit klaren Fallstricken. Die Studien zeigen: Menschen trauen Preiswerkzeugen oft zu wenig zu, und den Werkzeugen fehlen oft die Kosten. Repricing kann einen Preiskampf auslösen und Preise später wieder nach oben drücken. Selbstständige Preisabsprachen lernender Algorithmen sind unter realistischen Bedingungen unwahrscheinlich, Absprachen per Software bleiben verboten. Und die Mischform aus Empfehlung und menschlicher Entscheidung hat eigene Kosten.
Mein Vorschlag für diese Woche: Wenn du bereits ein Preiswerkzeug nutzt, prüf, ob deine Kosten hinterlegt sind und ob es eine Untergrenze gibt. Wenn nicht, schreib für deine fünf wichtigsten Produkte auf, welchen Preis du nie unterschreiten würdest. Was ich bei meinen eigenen Preisen ausprobiere, teile ich in den Unternehmer Thoughts.
Mit KI weiterdenken
Frag deine KI zu diesem Artikel
Öffnet den Dienst in einem neuen Tab. Erst mit dem Klick geht der Prompt an den Anbieter, vorher wird nichts übertragen.
Häufige Fragen
Was ist algorithmische Preisgestaltung?
Algorithmische Preisgestaltung ist das automatische Berechnen und Anpassen von Preisen durch Software. Die Software nutzt dafür Daten wie Nachfrage, Wettbewerbspreise, Lagerbestand oder Uhrzeit und arbeitet entweder mit festen Regeln oder mit lernenden Verfahren.
Was ist der Unterschied zwischen dynamischen Preisen und algorithmischer Preisgestaltung?
Dynamische Preise beschreiben das Ergebnis, nämlich Preise, die sich über die Zeit ändern. Algorithmische Preisgestaltung beschreibt das Werkzeug, mit dem Preise automatisch berechnet werden. Ein Algorithmus kann dynamische Preise erzeugen, er kann aber auch nur Empfehlungen geben, über die ein Mensch entscheidet.
Ist algorithmische Preisgestaltung legal?
Grundsätzlich ja. Verboten ist es, Preisalgorithmen zu nutzen, um Absprachen mit Wettbewerbern umzusetzen, etwa über gemeinsame Software, die vertrauliche Preisdaten austauscht. Bei personalisierten Preisen und Fragen des Verbraucherschutzes solltest du dich im Einzelfall rechtlich beraten lassen.
Lohnt sich ein Repricing-Tool für kleine Onlinehändler?
Es kann sich lohnen, wenn du viele Produkte auf Marktplätzen verkaufst, auf denen sich Preise oft ändern. Wichtig ist eine Preisuntergrenze auf Basis deiner Kosten, sonst führt das automatische Unterbieten schnell in einen Preiskampf, der allen schadet.
Quellen4 Quellen
- Foroughifar, Mehta (2026): The Challenges of Deploying an Algorithmic Pricing Tool: Evidence from Airbnb. Marketing Science (öffnet in neuem Tab)
- Musolff (2026): Algorithmic Pricing, Price Wars, and Tacit Collusion: Evidence from E-Commerce. Management Science (öffnet in neuem Tab)
- den Boer, Meylahn, Schinkel (2026): Artificial Collusion: Examining Supracompetitive Pricing by Q-Learning Algorithms. Management Science (öffnet in neuem Tab)
- Garcia, Tolvanen, Wagner (2026): Strategic Responses to Algorithmic Recommendations: Evidence from Hotel Pricing. Management Science (öffnet in neuem Tab)
Woran ich baue
- Boutique für digitales WachstumquikWebsites, Sichtbarkeit und Messung als ein System
- Marktplatz und Studio für AI Website Templatesai-website.comWebsites, die deine KI weiterbaut
- KI-fähiger Workspace aus Deutschlandquik OSEin Workspace, in dem KI-Assistenten mitarbeiten
Erstgespräch mit mir buchenUnternehmer Thoughts lesenAlle Projekte