Wenn deine KI gegen sich selbst kämpft: das kuriose Problem konkurrierender eCommerce Optimierung

Das Problem: ein Algorithmus, drei konkurrierende Shops

Beim Bau von GrowCentric.ai bin ich auf eine echte Kopfnuss gestoßen. Die Plattform optimiert mit Machine Learning das Marketing von eCommerce Shops. Sie analysiert den Katalog eines Shops und findet die Produkte mit dem besten Gewinnpotenzial. Sie schaut sich Versandkosten und Lieferzeiten an, denn kostenlose Lieferung am nächsten Tag ist bares Geld wert. Sie verteilt das Werbebudget automatisch über Google, Meta und alle anderen Kanäle, auf denen der Shop wirbt, und sie reagiert auf das, was die Konkurrenz tut. Außerdem findet sie die versteckten Perlen, also Produkte, die sich deutlich besser verkaufen könnten, als sie es gerade tun.

Dann fiel mir etwas auf. Was, wenn drei Shops denselben Akkustaubsauger verkaufen, alle drei kostenlose Lieferung am nächsten Tag anbieten, alle drei dieselbe Plattform nutzen und alle drei dieselben Kunden wollen? Die Aufgabe des Algorithmus ist, für jeden von ihnen Gewinn und Wachstum zu maximieren. Er würde Schach gegen sich selbst spielen, und zwar gleich dreimal.

Das ist das Multi Agent Problem: mehrere Optimierer, jeder erledigt seine Aufgabe gut, in einem gemeinsamen Markt. Was dann passiert, erwarten die wenigsten, und ein Teil davon ist eine Frage des Kartellrechts. Dieser Artikel geht durch die Spieltheorie, die Mathematik des Lernens und die rechtliche Grenze, jeweils mit Rechenbeispielen. Die Shops und Zahlen in den Beispielen sind erfunden, damit ich jeden Schritt zeigen kann. Niemand davon ist echt, kein Kunde.

Das Gefangenendilemma erklärt, warum vernünftige Bieter einander schaden

Das Gefangenendilemma entstand um 1950 bei der RAND Corporation. Merrill Flood und Melvin Dresher entwarfen das Spiel, Albert Tucker gab ihm die Geschichte mit den Gefangenen.¹ Zwei Verdächtige werden getrennt verhört. Schweigen beide, bekommt jeder ein Jahr. Packt einer aus und der andere schweigt, kommt der Aussagende frei und der andere bekommt zehn Jahre. Packen beide aus, bekommt jeder fünf.

Egal, was der andere tut, für jeden allein ist Auspacken besser. Also packen beide aus und sitzen je fünf Jahre, obwohl beidseitiges Schweigen sie nur eines gekostet hätte. Für den Einzelnen vernünftig, für beide zusammen schlechter. Wie ich die Idee von Grund auf aufbaue, mit einem Preisbeispiel, steht in meinem Artikel über Spieltheorie in der Preisgestaltung.

Werbung ist der Lehrbuchfall. Wenn Konkurrenten ihre Kunden vor allem einander abjagen, zwingt jeder Euro, den der eine ausgibt, den anderen, ebenfalls einen Euro auszugeben, nur um auf der Stelle zu bleiben. Das Verbot von Zigarettenwerbung im US Fernsehen von 1970 ist das klassische natürliche Experiment dazu. Eine Studie dazu fand, dass die Einschränkung der Werbung den Wettbewerb zwischen den Zigarettenherstellern verringert hat.² Anders gesagt: Ein guter Teil der Ausgaben sieht danach aus, dass Rivalen sich um dieselben Raucher geprügelt haben, und das Gesetz beendete ein Wettrüsten, das keiner von ihnen allein beenden konnte.

Jetzt ersetz die zwei Vorstandsetagen der Tabakkonzerne durch drei identische Algorithmen, die den ganzen Tag lang für jede einzelne Auktion ihre Gebote anpassen.

Rechenbeispiel: zwei Shops und ein Suchbegriff

Zwei erfundene Onlineshops verkaufen denselben Akkustaubsauger für 399 €: Fleetwerk Haushalt in Hamburg und Rheinbogen Geräte in Köln. Beide liefern kostenlos am nächsten Tag. Das Beispiel beruht auf drei Annahmen, die ich offen hinschreibe, damit du sie ändern kannst.

1. Jeder Verkauf bringt 60 € Deckungsbeitrag vor Werbekosten.
2. Jeder Shop macht aus 2,5 % seiner Anzeigenklicks einen Verkauf.
3. Auf dem Suchbegriff, den beide wollen, gibt es rund 1.000 Klicks pro Woche.

Zuerst: Was ist ein Klick für jeden Shop wert? Der Erwartungswert eines Klicks ist die Conversion Rate mal der Deckungsbeitrag pro Verkauf.

$$v = c \times m$$

Dabei ist $v$ der Wert eines Klicks in Euro, $c$ die Conversion Rate als Anteil der Klicks und $m$ der Deckungsbeitrag pro Verkauf vor Werbekosten. Ein Klick ist eine Wette, und $v$ ist ihre durchschnittliche Auszahlung (Grundlagen: Erwartungswert, und für die Rate selbst Grundlagen: Verhältnisse und Raten).

Für beide Shops gilt $v = 0{,}025 \times 60 = 1{,}50$ €. Jeder Klick, der unter 1,50 € gekauft wird, bringt im Schnitt Geld, jeder darüber kostet Geld.

Der Optimierer jedes Shops kann sein Gebot niedrig halten oder hochtreiben. Für eine Woche nehmen wir diese Ergebnisse an.

Beide halten: Jeder bekommt 500 Klicks zu 1,00 €. Der Gewinn für jeden ist $500 \times (1{,}50 - 1{,}00) = 250$ €.

Einer treibt, einer hält: Der Treibende bekommt 850 Klicks zu 1,10 €, also $850 \times (1{,}50 - 1{,}10) = 340$ €. Der Haltende bekommt 150 Klicks zu 1,00 €, also $150 \times 0{,}50 = 75$ €.

Beide treiben: Jeder bekommt 500 Klicks, zahlt aber jetzt 1,30 €, weil das Gebot des anderen direkt darunter liegt. Der Gewinn für jeden ist $500 \times (1{,}50 - 1{,}30) = 100$ €.

	Rheinbogen hält	Rheinbogen treibt
Fleetwerk hält	250 €, 250 €	75 €, 340 €
Fleetwerk treibt	340 €, 75 €	100 €, 100 €

Fleetwerk wählt die Zeile, Rheinbogen die Spalte, und die erste Zahl in jeder Zelle gehört Fleetwerk. Lies Fleetwerks Möglichkeiten. Hält Rheinbogen, bringt Treiben 340 € statt 250 €. Treibt Rheinbogen, bringt Treiben 100 € statt 75 €. Treiben gewinnt in beiden Fällen, für Rheinbogen gilt dasselbe, und beide landen bei 100 € pro Woche statt bei 250 €. Die Auktion kommt dabei gut weg: Sie verkauft dieselben 1.000 Klicks für $1.000 \times 1{,}30 = 1.300$ € statt für $1.000 \times 1{,}00 = 1.000$ €.

Wie ein Bieterkrieg abläuft, Schritt für Schritt

Dass der Preis steigt, wenn beide treiben, habe ich nicht für das Beispiel erfunden. Google beschreibt den tatsächlichen Cost per Click als den Betrag, der mindestens nötig ist, um die Schwellenwerte für den Anzeigenrang zu erreichen und den Anzeigenrang des Mitbewerbers direkt unter dir zu übertreffen. Ist niemand unter dir, zahlst du nur den Mindestpreis.³ Ein Rivale direkt unter deinem Gebot treibt also deinen Preis hoch, und dein Gebot treibt seinen. Die ganze Auktion erkläre ich in Auktionstheorie für Suchanzeigen.

Auch das Tempo spielt mit. Die Smart Bidding Strategien von Google setzen in jeder einzelnen Auktion ein Gebot, Google nennt das Gebote zum Zeitpunkt der Auktion.⁴ Zwei automatische Bieter können sich gegenseitig viel schneller hochschaukeln, als ein Mensch es beim wöchentlichen Blick in den Report bemerken würde.

Der Ablauf führt von der ersten Gebotserhöhung bis zu dem Punkt, an dem die Eskalation endet. Die Erkenntnis steckt im Entscheidungsfeld: Bei identischen Shops stoppt nichts die Schleife, bis der Preis eines Klicks fast seinen Wert erreicht hat. Das ist dieselbe Logik wie in einem Bertrand Preiskrieg, den ich in strategischen Interaktionsmodellen durchrechne.

Rechenbeispiel: ein dritter identischer Shop kommt dazu

Pleißeland Elektro in Leipzig steigt ein, mit demselben Staubsauger, derselben Lieferung und denselben Zahlen. Bei drei identischen Optimierern und einem Klickwert von 1,50 € für jeden hat jeder Shop, der unterboten wird, einen Grund, ein bisschen mehr zu bieten, solange der Preis unter 1,50 € liegt.

Angenommen, die Eskalation pendelt sich bei 1,45 € pro Klick ein, und die 1.000 Klicks verteilen sich ungefähr gleichmäßig, rund 333 pro Shop. Jeder Shop verdient $333 \times (1{,}50 - 1{,}45) = 333 \times 0{,}05 \approx 17$ € pro Woche. Die Auktion nimmt $1.000 \times 1{,}45 = 1.450$ € ein. Die Shops haben fast den gesamten Wert des Klicks an die Auktion abgegeben, und jeder Optimierer hat genau das getan, was man ihm aufgetragen hat.

Ein Nash Gleichgewicht ist stabil, und stabil heißt nicht gut

Der Punkt, an dem der Krieg aufhört, hat einen Namen. Ein Nash Gleichgewicht ist eine Kombination von Strategien, eine pro Spieler, bei der niemand besser fährt, wenn er nur seine eigene Strategie ändert.⁵ John Nash bewies 1950, dass jedes endliche Spiel mindestens ein solches Gleichgewicht hat, sobald die Spieler ihre Züge zufällig mischen dürfen.⁵

$$u_i(s_i^*, s_{-i}^*) \geq u_i(s_i, s_{-i}^*) \quad \text{für jeden Spieler } i \text{ und jede Strategie } s_i$$

Dabei ist $u_i$ die Auszahlung von Spieler $i$ (für einen Shop sein Gewinn), $s_i^*$ die Gleichgewichtsstrategie von Spieler $i$, $s_{-i}^*$ die Gleichgewichtsstrategien aller anderen und $s_i$ jede andere Strategie, die Spieler $i$ wählen könnte. Die Ungleichung sagt: Bleiben alle anderen bei ihrer Wahl, bringt Spieler $i$ keine Alternative mehr ein. Eine Auszahlungstabelle ist ein Raster solcher Zahlen (Grundlagen: Matrizen).

Rechenbeispiel: die vier Zellen prüfen

Nimm die Tabelle mit den zwei Shops. Prüf jede Zelle, indem du jeden Shop fragst: Wenn ich wechsle und der andere nicht, verdiene ich dann mehr?

Beide halten (250 €, 250 €): Fleetwerk würde zum Treiben wechseln und 340 € verdienen. Nicht stabil.

Fleetwerk treibt, Rheinbogen hält (340 €, 75 €): Rheinbogen würde zum Treiben wechseln und 100 € statt 75 € verdienen. Nicht stabil.

Fleetwerk hält, Rheinbogen treibt (75 €, 340 €): Fleetwerk würde wechseln und 100 € verdienen. Nicht stabil.

Beide treiben (100 €, 100 €): Wechselte Fleetwerk zum Halten, verdiente es 75 €, und für Rheinbogen gilt dasselbe. Niemand gewinnt, wenn er sich allein bewegt. Das ist das Nash Gleichgewicht.

Das Gleichgewicht ist also für beide Shops zusammen die schlechteste Zelle, 200 € pro Woche für beide gemeinsam.

Pareto Effizienz fragt, ob jemand besser dastehen könnte

Ökonomen beurteilen Ergebnisse nach der Pareto Effizienz. Ein Ergebnis ist einem anderen Pareto überlegen, wenn mindestens ein Spieler besser dasteht und keiner schlechter. Wer in einem Pareto unterlegenen Ergebnis bleibt, verschenkt etwas.⁶

$$x \text{ ist Pareto effizient, wenn es kein } y \text{ gibt mit } u_i(y) \geq u_i(x) \text{ für jedes } i \text{ und } u_j(y) > u_j(x) \text{ für mindestens ein } j$$

Dabei ist $x$ das Ergebnis, das beurteilt wird, $y$ jedes andere mögliche Ergebnis, $u_i(x)$ die Auszahlung, die Spieler $i$ in $x$ bekommt, und $j$ ein Spieler, der echt besser dastünde. Gibt es ein solches $y$, verschenkt $x$ Wert. Die Auszahlungen sind die Zellen desselben Rasters (Grundlagen: Matrizen).

Die Lücke zwischen den beiden Begriffen ist das ganze Problem, und sie ist der Kern meines Artikels über Spieltheorie. Nash sagt dir, wo sich Eigeninteresse einpendelt. Pareto sagt dir, ob dieser Ort etwas taugt.

Rechenbeispiel: ist beidseitiges Treiben effizient?

Vergleich beide treiben (100 €, 100 €) mit beide halten (250 €, 250 €). Bei beide halten bekommt Fleetwerk mehr ($250 > 100$) und Rheinbogen auch ($250 > 100$). Beide halten ist also Pareto überlegen, und das Gleichgewicht ist Pareto ineffizient. Zusammen verlieren die Shops $500 - 200 = 300$ € pro Woche, und die Auktion gewinnt $1.300 - 1.000 = 300$ €. Das Geld ist nicht verschwunden. Es ist umgezogen.

Der naheliegende Schluss wäre, dass die Plattform beide Shops einfach in die Zelle beide halten setzen sollte. Genau da kommt das Recht ins Spiel.

Kleine Unterschiede lösen das Patt

Vollständige Gleichheit ist selten. Der eine Shop hat bessere Konditionen beim Lieferanten, der andere ein Lager näher an bestimmten Postleitzahlen, der dritte eine treue Stammkundschaft. Jeder Unterschied verändert den Wert eines Klicks und damit das, was jeder Optimierer vernünftigerweise tut.

Rechenbeispiel: Fleetwerk verlangt Versandkosten

Fleetwerk verlangt jetzt 3,50 € für den Versand, die beiden anderen liefern weiter kostenlos. Angenommen, die Conversion Rate fällt auf 2,0 % und Fleetwerk behält die 3,50 €, dann steigt der Deckungsbeitrag pro Verkauf auf 63,50 €.

Der Wert pro Klick ist dann $v = 0{,}020 \times 63{,}50 = 1{,}27$ €.

Bei einem umkämpften Preis von 1,30 € verliert Fleetwerk $1{,}27 - 1{,}30 = -0{,}03$ € an jedem Klick. Bei 1,00 € verdient es $1{,}27 - 1{,}00 = 0{,}27$ €. Sein eigener Optimierer, der nur aus den eigenen Zahlen schließt, hört bei diesem Produkt auf zu treiben und verschiebt Budget zu Produkten, bei denen Fleetwerk stärker ist. Der Kampf um den Staubsauger wird zum Zweikampf, Rheinbogen gegen Pleißeland, statt zum Dreikampf.

Rechenbeispiel: jeder Shop gewinnt sein eigenes Segment

Der Algorithmus lernt mit der Zeit Muster. Sagen wir, Fleetwerk macht aus 3,0 % der Klicks auf dem Smartphone einen Verkauf und aus 2,0 % am Desktop, und bei Rheinbogen ist es umgekehrt, 2,0 % auf dem Smartphone und 3,0 % am Desktop. Der Deckungsbeitrag liegt für beide bei 60 € pro Verkauf.

Fleetwerk bewertet einen Klick auf dem Smartphone mit $0{,}030 \times 60 = 1{,}80$ € und einen am Desktop mit $0{,}020 \times 60 = 1{,}20$ €. Rheinbogen bewertet einen Smartphone Klick mit 1,20 € und einen Desktop Klick mit 1,80 €.

Jeder Optimierer bietet, nur mit den Daten seines eigenen Shops, bis zu seinem eigenen Wert. Auf dem Smartphone hört Rheinbogen unter 1,20 € auf, und Fleetwerk kann sich mehr leisten. Also gewinnt Fleetwerk die meisten Smartphone Klicks und zahlt ungefähr, was es braucht, um Rheinbogen zu schlagen, sagen wir 1,15 €, und behält $1{,}80 - 1{,}15 = 0{,}65$ € pro Klick. Am Desktop passiert dasselbe umgekehrt. Niemand hat etwas vereinbart. Jeder Shop ist seiner eigenen Stärke gefolgt, und beide stehen viel besser da als im direkten Bieterkrieg.

Das ist die gesunde Form der Differenzierung: jeden Shop für seine eigene Position optimieren, nicht jedes Produkt für einen Shop von der Stange. Fragen wie die, wer wo konvertiert, sind das tägliche Brot von Data Science für Wachstum.

Die Überschneidung verschwindet nie ganz. Wollen beide Shops dieselben 10.000 Menschen für dasselbe Produkt, gibt es in dieser Überschneidungszone einen Krieg, egal wie verschieden der Rest ihrer Kundschaft ist. Differenzierung verkleinert das Schlachtfeld. Sie schafft es nicht ab.

Lernende Agenten jagen ein Ziel, das sich ständig bewegt

Das Fachgebiet für viele lernende Optimierer in einem Markt heißt Multi Agent Reinforcement Learning. Seine zentrale Schwierigkeit: Aus Sicht jedes einzelnen Agenten ist die Welt nicht stationär. Sobald die anderen Agenten ihre Strategien anpassen, verschiebt sich das Lernziel.⁷ Ändert Rheinbogen seine Strategie, gibt es den Markt, aus dem Fleetwerks Optimierer gelernt hat, nicht mehr.

Die Forschung geht damit grob auf drei Arten um.

1. Unabhängiges Lernen. Jeder Agent lernt, als wären die anderen Teil der Kulisse. Das ist einfach, und genau hier schlägt das Problem des beweglichen Ziels am härtesten zu. Klassisches Q Learning wird, so formuliert es ein Aufsatz, von dieser inhärenten Nichtstationarität herausgefordert.⁸
2. Zentrales Training mit dezentraler Ausführung. Die Agenten werden gemeinsam trainiert und berücksichtigen dabei die Strategien der anderen, danach handeln sie jeder für sich.⁸ Das ist vielversprechend, und für konkurrierende Unternehmen ist es zugleich das Warnsignal: Gemeinsames Training heißt, dass der Trainer die Daten aller sieht.
3. Mean Field Methoden. Bei sehr vielen Agenten reagiert jeder auf die durchschnittliche Wirkung der ganzen Population statt auf jeden Rivalen einzeln.⁹ Nützlich, wenn es Dutzende Mitbewerber gibt und keiner allein viel ausmacht.

Rechenbeispiel: zwei Optimierer, die ständig überreagieren

Nimm die Tabelle mit den zwei Shops und gib jedem Optimierer eine naive Regel: Spiel jede Woche das, was gegen den Zug des Rivalen in der Vorwoche am besten gewesen wäre.

Woche eins, beide halten. Jeder sieht, dass Treiben gegen einen Haltenden mehr gebracht hätte (340 € statt 250 €), also treiben in Woche zwei beide.

Woche zwei, beide treiben. Jeder sieht, dass Treiben auch gegen einen Treibenden das Beste war (100 € statt 75 €), also treiben beide auch in Woche drei, und in jeder Woche danach.

Die naiven Lerner laufen geradewegs ins Gleichgewicht und bleiben dort. Ein klügerer Lerner, der sich an die Vergangenheit erinnert, kann etwas anderes tun, und das ist das nächste Problem.

Der Elefant im Raum: Algorithmen können Absprachen treffen

Wenn die Optimierer lernen, dass alle besser fahren, solange Gebote und Preise ruhig bleiben, ist das dann ein Kartell? Wettbewerbsbehörden nehmen die Frage ernst. Im Juli 2024 unterzeichneten die Europäische Kommission, die britische Competition and Markets Authority, das US Justizministerium und die US Federal Trade Commission eine gemeinsame Erklärung zu KI. Sie nennt das Risiko, dass Algorithmen es Wettbewerbern ermöglichen, wettbewerblich sensible Informationen auszutauschen, Preise abzusprechen oder sich über andere Konditionen und Geschäftsstrategien abzustimmen.¹⁰

Das Bundeskartellamt und die französische Autorité de la concurrence beschreiben in ihrer gemeinsamen Studie zu Algorithmen und Wettbewerb drei Wege, auf denen das passieren kann.¹¹

1. Algorithmen, die eine bestehende, ganz klassische Absprache zwischen Unternehmen umsetzen, überwachen oder verschleiern.
2. Ein Dritter, etwa ein Softwareanbieter oder Berater, stellt Wettbewerbern denselben oder einen abgestimmten Algorithmus bereit. Viele Autoren nennen das Hub and Spoke, und die Abstimmung kann im Code liegen oder in einem gemeinsamen Datenpool.
3. Parallel eingesetzte Algorithmen, die jedes Unternehmen für sich gebaut hat, gleichen das Marktverhalten an, allein durch das Zusammenspiel der Rechner.

Der dritte Weg ist keine Science Fiction. In einem simulierten Markt lernten KI Preisagenten auf Basis von Q Learning zuverlässig, Preise über dem Wettbewerbsniveau zu verlangen, ohne miteinander zu kommunizieren. Gehalten wurde das durch Strategien, die eine Preissenkung eine Zeit lang bestraften und danach schrittweise zur Kooperation zurückkehrten.¹²

Für den ersten Weg gibt es schon einen Fall, den die Studie als Beispiel anführt: Zwei Händler auf dem britischen Amazon Marktplatz hatten vereinbart, einander bei bestimmten Postern und Rahmen nicht zu unterbieten, und setzten das mit Repricing Software um.¹¹ In Deutschland verbietet § 1 GWB genau solche Vereinbarungen und abgestimmten Verhaltensweisen, die eine Verhinderung, Einschränkung oder Verfälschung des Wettbewerbs bezwecken oder bewirken.¹³ Die Geldbuße kann für ein Unternehmen bis zu 10 % des Gesamtumsatzes im Geschäftsjahr vor der Entscheidung erreichen, für die beteiligten Personen bis zu einer Million Euro.¹⁴ Und wer bei einer Ausschreibung ein Angebot abgibt, das auf einer solchen Absprache beruht, riskiert nach dem Strafgesetzbuch bis zu fünf Jahre Freiheitsstrafe.¹⁵

Hub and Spoke ist der Weg, der für eine Plattform wie meine zählt, und für jeden Shop, der Software zur algorithmischen Preisgestaltung einsetzt. Die Studie hält fest, dass es dazu bisher kaum algorithmusspezifische Rechtsprechung gibt, und dass nach der Rechtsprechung des Europäischen Gerichtshofs eine der zentralen Fragen ist, ob die Wettbewerber vom wettbewerbswidrigen Handeln des Dritten wussten oder es zumindest vernünftigerweise vorhersehen konnten.¹¹ Der US Fall gegen RealPage ist die warnende Geschichte. Das US Justizministerium und mehrere Bundesstaaten verklagten RealPage und große Vermieter 2024 mit dem Vorwurf, die Software zur Mietpreisgestaltung habe nicht öffentliche, wettbewerblich sensible Daten konkurrierender Vermieter genutzt. Nach einem Vergleichsvorschlag vom 24. November 2025, der zum Zeitpunkt des Berichts noch auf die Zustimmung des Gerichts wartete, darf RealPage seine laufenden Mietempfehlungen nur auf die eigenen Daten eines Vermieters und öffentlich verfügbare Informationen stützen, und nicht öffentliche Daten dürfen seine Modelle erst trainieren, wenn sie mindestens 12 Monate alt sind.¹⁶

Rechenbeispiel: die Zelle, die die Plattform nicht wählen darf

Zurück zur Tabelle mit den zwei Shops. Eine Plattform, die beide Shops betreut, könnte sehen, dass beide halten den zwei Shops zusammen 500 € pro Woche bringt, gegenüber 200 € im Gleichgewicht. Sie könnte beide Gebote still und leise niedrig halten.

Frag dich, was das ist. Die Gebote zweier Wettbewerber werden gemeinsam festgelegt, von einer Partei, die beide Datensätze sieht, damit keiner so hart konkurriert, wie er es allein täte. Art. 101 AEUV verbietet im Binnenmarkt insbesondere die unmittelbare oder mittelbare Festsetzung von Preisen und die Aufteilung der Märkte.¹⁷ Für den Austausch über einen Dritten gelten nach der Studie der beiden Behörden die etablierten Grundsätze für den Informationsaustausch, und eine Abstimmung von Preisen oder Preisparametern im Code ist wahrscheinlich schon ihrem Zweck nach eine Wettbewerbsbeschränkung.¹¹ Ein gemeinsamer Optimierer, der die Gebote von Rivalen zu ihrem gemeinsamen Vorteil niedrig hält, ist all dem unangenehm nah. Die 300 € pro Woche sind es nicht wert.

Wo die Grenze verläuft

Grob lässt sich das so unterscheiden.

Wahrscheinlich in Ordnung: Der Optimierer jedes Shops reagiert auf das, was öffentlich sichtbar ist, auf seine eigenen Auktionspreise und seine eigenen Ergebnisse. Steigt der Preis eines Klicks, sieht er das im eigenen Konto und kann sich zurückziehen.

Nicht in Ordnung: vertrauliche Daten eines Kunden, die in Entscheidungen für einen konkurrierenden Kunden einfließen, oder ein gemeinsamer Algorithmus, der Preise oder Gebote von Rivalen gemeinsam festlegt.

Die Marktaufteilung verdient eine eigene Erwähnung, denn in diese Falle tappt ein wohlmeinender Optimierer. Im Segmentbeispiel oben hat Fleetwerk das Smartphone gewonnen und Rheinbogen den Desktop, weil jeder seinen eigenen Zahlen gefolgt ist. Hätte die Plattform stattdessen aus den Daten beider Shops entschieden "du nimmst das Smartphone, du nimmst den Desktop", dann teilt ein gemeinsamer Vermittler die Kunden zweier Wettbewerber auf. Die Aufteilung der Märkte nennt Art. 101 AEUV ausdrücklich als verbotenes Beispiel.¹⁷ Das Ergebnis kann identisch aussehen. Das Recht schaut auf den Weg dorthin.

Zwei Ideen, die vernünftig klingen, fallen bei diesem Test durch: einen Kunden nach Zeitplan anweisen, mit einem Rivalen die Schwerpunkte zu tauschen, und Premiumkunden exklusive Kundenzonen anbieten. Beides heißt, dass eine Plattform Kunden zwischen Wettbewerbern verteilt. Wenn du etwas Ähnliches baust, würde ich keines von beiden ohne einen Anwalt für Kartellrecht ausliefern.

Was ein verantwortungsvoller Optimierer für viele Kunden tut

Ich habe GrowCentric.ai mit genau diesem Problem im Kopf gebaut, mit Systemen, die Wettbewerbskonflikte zwischen Kunden erkennen, messen und abschwächen sollen. So ein Bewusstsein für mehrere Agenten braucht von Anfang an bewusste Entscheidungen. Ein reiner Lerner, der nur die Daten seines eigenen Kunden sieht, sieht bloß schwankende Kosten und passt sich immer weiter an. Die Ansätze, die sowohl die Mathematik als auch das Recht überstehen, sind diese.

1. Natürliche Differenzierung nutzen. Optimier für den Shop, nicht für das Produkt. Die Frage lautet nie "was ist die beste Strategie für diesen Staubsauger", sondern "was ist bei den Margen, der Lieferung, den Kunden und den Stärken dieses Shops seine beste Strategie".
2. Unterversorgte Chancen finden. Die versteckten Perlen sind von Shop zu Shop verschieden, weil Lieferanten und Lagerbestand verschieden sind. Ein Shop, der laufend neue Chancen bekommt, hat weniger Grund, um die etablierten zu kämpfen.
3. Den Wettbewerb an den eigenen Signalen des Shops ablesen. Steigende Kosten pro Klick, ein sinkender Anteil an möglichen Impressionen und eine sinkende Conversion Rate sind im eigenen Konto jedes Shops sichtbar. "Dieses Segment ist teuer geworden, und hier sind drei, in denen deine Zahlen besser sind" lässt sich einem Kunden allein aus seinen eigenen Daten sagen.
4. Die Daten jedes Kunden auf seiner eigenen Spur halten. Vertrauliche Daten eines Kunden fließen nie in die Entscheidungen eines anderen. Überschneidungen zwischen Kunden lassen sich innerhalb der Plattform als Risiko messen, das gesteuert wird, aber nie nutzen, um Rivalen auseinanderzulenken.
5. Nie Preise oder Gebote abstimmen. Der Optimierer sollte nie einen Preis oder ein Gebot empfehlen, das darauf beruht, was andere Kunden verlangen oder bieten. Das ist die direkte Fahrkarte in den Ärger mit dem Kartellrecht.

Rechenbeispiel: die Warnung, die innerhalb der Grenzen bleibt

Der Cost per Click von Pleißeland Elektro auf den Staubsauger ist laut eigenem Konto innerhalb eines Monats von 1,00 € auf 1,45 € gestiegen. Der Wert pro Klick liegt bei 1,50 €, also bleiben jetzt 5 Cent pro Klick bei rund 333 Klicks pro Woche, ungefähr 17 €.

Der eigene Katalog zeigt einen Dampfwischer mit 45 € Deckungsbeitrag, 4 % Conversion Rate und einem durchschnittlichen Cost per Click von 0,90 €. Dieser Klick ist $0{,}04 \times 45 = 1{,}80$ € wert und lässt $1{,}80 - 0{,}90 = 0{,}90$ € übrig. Budget vom Staubsauger zum Dampfwischer zu schieben, ist eine Empfehlung, die vollständig auf Pleißelands eigenen Zahlen und öffentlichen Auktionspreisen beruht. Kein Datensatz eines Rivalen wurde angefasst, und Pleißeland entscheidet.

Mechanismusdesign: die Anreize gleich mit einbauen

Soll eine Plattform für jeden Kunden allein optimieren oder für alle ihre Kunden zusammen? Die Summe der Gewinne aller Kunden ist die Wohlfahrt der Kundenbasis.

$$W = \sum_{i=1}^{n} \pi_i$$

Dabei ist $W$ der Gesamtgewinn aller Kunden, $n$ die Zahl der Kunden, $\pi_i$ der Gewinn von Kunde $i$, und $\sum$ addiert sie von Kunde 1 bis Kunde $n$ auf (Grundlagen: der Mittelwert führt das Summenzeichen ein).

Hier liegt die Falle. $W$ über konkurrierende Shops hinweg zu maximieren, ist genau das, was ein Kartell tut. Bei Wettbewerbern ist die Aufgabe der Plattform, jedes $\pi_i$ für sich zu maximieren, aus den Daten dieses Kunden und öffentlichen Informationen.

Was eine Plattform gestalten kann, ist ihr eigenes Geschäftsmodell. Das ist Mechanismusdesign, das Fachgebiet, das Leonid Hurwicz begründet und Eric Maskin und Roger Myerson weiterentwickelt haben. Es untersucht, wie man Institutionen so baut, dass eigennützige Spieler mit privaten Informationen trotzdem gute Ergebnisse erzeugen.¹⁸ Zwei Ideen passen hierher, weil sie den Preis der Dienstleistung ändern und nicht die Gebote eines Kunden.

1. Den Preis der Dienstleistung an der Überschneidung ausrichten. Überschneiden sich die Zielsegmente eines Kunden stark mit denen anderer Kunden, kostet die Optimierung mehr, und das belohnt Differenzierung.
2. Erfolgsbeteiligung. Geht es der Kundenbasis insgesamt gut, profitiert jeder Kunde über niedrigere Plattformgebühren oder zusätzliche Funktionen, und das bindet den Erfolg der Plattform an den ihrer Kunden.

Rechenbeispiel: die Summe für den Markt mit drei Shops

Im Dreikampf verdient jeder Shop rund 17 € pro Woche, also $W = 17 + 17 + 17 = 51$ €. Wenn Fleetwerk durch seine Versandkosten vom Staubsauger weggegangen ist und Pleißeland aufgrund der eigenen Zahlen zum Dampfwischer gewechselt hat, konkurriert jeder Shop dort, wo er am stärksten ist. Angenommen, jeder verdient jetzt 250 € pro Woche. Dann ist $W = 250 + 250 + 250 = 750$ €. Die Summe ist gestiegen, aber niemand hat sie maximiert. Jeder Shop wurde für sich optimiert, und die Differenzierung hat den Rest erledigt.

Die Fragen an jede Optimierungsplattform

Die entscheidende Einsicht: "Optimieren" ist nicht eine einzige Sache, wenn sich mehrere Agenten einen Markt teilen. Bevor du einer Plattform deine Gebote oder Preise anvertraust, stell vier Fragen.

1. Wofür optimiert sie: für deinen Gewinn, für den Gewinn der Plattform oder für etwas über alle Kunden hinweg?
2. Welche Informationen sieht jeder Agent: nur deine Daten, Aggregate oder die Daten der Konkurrenz?
3. Welche Grenzen hält sie ein: rechtliche, ethische, praktische?
4. Wie sind die Anreize ausgerichtet: Verdient die Plattform mehr, wenn du mehr verdienst, oder wenn die Auktion mehr verdient?

Und noch eine, die einfachste: Was passiert, wenn meine Konkurrenten dasselbe System nutzen? Hat die Plattform darauf keine gute Antwort, sagt dir das etwas Wichtiges.

Footnotes

1. Steven T. Kuhn, Prisoner's Dilemma, The Stanford Encyclopedia of Philosophy, grundlegend überarbeitet am 24. Oktober 2025, https://plato.stanford.edu/entries/prisoner-dilemma/

2. E. Woodrow Eckard Jr., Competition and the Cigarette TV Advertising Ban, Economic Inquiry, Band 29, Heft 1, Seiten 119 bis 133, 1991, https://ideas.repec.org/a/oup/ecinqu/v29y1991i1p119-33.html

3. Google, Tatsächlicher Cost per Click (CPC): Definition, Google Ads Hilfe, abgerufen im November 2026, https://support.google.com/google-ads/answer/6297?hl=de

4. Google, Smart Bidding, Google Ads Hilfe, abgerufen im November 2026, https://support.google.com/google-ads/answer/7065882?hl=de

5. John F. Nash Jr., Equilibrium Points in N Person Games, Proceedings of the National Academy of Sciences, Band 36, Heft 1, Seiten 48 bis 49, 1950, https://pmc.ncbi.nlm.nih.gov/articles/PMC1063129/

6. Don Ross, Game Theory, The Stanford Encyclopedia of Philosophy, grundlegend überarbeitet 2023, https://plato.stanford.edu/entries/game-theory/

7. Pablo Hernandez Leal, Michael Kaisers, Tim Baarslag und Enrique Munoz de Cote, A Survey of Learning in Multiagent Environments: Dealing with Non Stationarity, arXiv, 2017, https://arxiv.org/abs/1707.09183

8. Ryan Lowe, Yi Wu, Aviv Tamar, Jean Harb, Pieter Abbeel und Igor Mordatch, Multi Agent Actor Critic for Mixed Cooperative Competitive Environments, arXiv, 2017, https://arxiv.org/abs/1706.02275

9. Yaodong Yang, Rui Luo, Minne Li, Ming Zhou, Weinan Zhang und Jun Wang, Mean Field Multi Agent Reinforcement Learning, arXiv, 2018, https://arxiv.org/abs/1802.05438

10. Europäische Kommission, Competition and Markets Authority, US Department of Justice und US Federal Trade Commission, Joint Statement on Competition in Generative AI Foundation Models and AI Products, Generaldirektion Wettbewerb der Europäischen Kommission, 23. Juli 2024, https://competition-policy.ec.europa.eu/document/download/79948846-4605-4c3a-94a6-044e344acc33_en?filename=20240723_competition_in_generative_AI_joint_statement_COMP-CMA-DOJ-FTC.pdf

11. Bundeskartellamt und Autorité de la concurrence, Algorithms and Competition, November 2019, https://www.bundeskartellamt.de/SharedDocs/Publikation/EN/Berichte/Algorithms_and_Competition_Working-Paper.pdf?__blob=publicationFile&v=5

12. Emilio Calvano, Giacomo Calzolari, Vincenzo Denicolò und Sergio Pastorello, Artificial Intelligence, Algorithmic Pricing, and Collusion, American Economic Review, Band 110, Heft 10, Seiten 3267 bis 3297, 2020, https://www.aeaweb.org/articles?id=10.1257/aer.20190623

13. Bundesministerium der Justiz, Gesetz gegen Wettbewerbsbeschränkungen (GWB), § 1 Verbot wettbewerbsbeschränkender Vereinbarungen, Gesetze im Internet, abgerufen im November 2026, https://www.gesetze-im-internet.de/gwb/__1.html

14. Bundesministerium der Justiz, Gesetz gegen Wettbewerbsbeschränkungen (GWB), § 81c Höhe der Geldbuße, Gesetze im Internet, abgerufen im November 2026, https://www.gesetze-im-internet.de/gwb/__81c.html

15. Bundesministerium der Justiz, Strafgesetzbuch (StGB), § 298 Wettbewerbsbeschränkende Absprachen bei Ausschreibungen, Gesetze im Internet, abgerufen im November 2026, https://www.gesetze-im-internet.de/stgb/__298.html

16. Steve Albertson, Thomas Ensign, Meredith Mommers und Brittney Dimond, DOJ's RealPage Settlement: A Blueprint for Safer Algorithmic Pricing?, Fenwick, 5. Dezember 2025, https://www.fenwick.com/insights/publications/dojs-realpage-settlement-a-blueprint-for-safer-algorithmic-pricing

17. Europäische Union, Vertrag über die Arbeitsweise der Europäischen Union (AEUV), Artikel 101, konsolidierte Fassung, EUR-Lex, abgerufen im November 2026, https://eur-lex.europa.eu/legal-content/DE/TXT/HTML/?uri=CELEX:12008E101

18. Königlich Schwedische Akademie der Wissenschaften, The Prize in Economic Sciences 2007, Pressemitteilung, NobelPrize.org, 15. Oktober 2007, https://www.nobelprize.org/prizes/economic-sciences/2007/press-release/