Pricing-Software-Anbieter versprechen KI-gestützte Preisempfehlungen, die menschliche Entscheidungen übertreffen. Was dahinter steckt – und unter welchen Bedingungen KI-Pricing tatsächlich besser ist als regelbasierte Systeme.
Kaum ein Thema in der Pricing-Software-Branche wird 2026 inflationärer verwendet als „KI" und „Machine Learning". Jeder Anbieter hat eine KI-Story. Die relevante Frage für Pricing-Manager ist nicht, ob ein System KI nutzt – sondern was KI in der Preisoptimierung tatsächlich besser macht als regelbasierte Systeme, und wo die Grenzen dieser Technologie liegen.
Zunächst zur Begrifflichkeit: Die meisten „KI"-Pricing-Systeme auf dem Markt sind keine Large Language Models oder generativen KI-Systeme. Sie sind Machine-Learning-Modelle – statistisch-mathematische Algorithmen, die Muster in historischen Preisdaten, Wettbewerbsdaten und Abverkaufsdaten erkennen und darauf basierend Preis-Empfehlungen generieren.
Wo ML-Pricing regelbasierten Systemen überlegen ist
Machine-Learning-Pricing hat gegenüber regelbasierten Systemen klare Vorteile in bestimmten Szenarien:
- Sehr hohe SKU-Anzahl: Ab ca. 50.000 SKUs ist es für Menschen unmöglich, individuelle Preisregeln für jede Produktgruppe zu pflegen. ML-Systeme können Muster über das gesamte Sortiment erkennen und Preisempfehlungen skalieren.
- Saisonale Komplexität: ML-Modelle können nicht-lineare saisonale Effekte (Ostern, Schulbeginn, Fußball-WM) gleichzeitig für tausende SKUs modellieren – was mit manuellen Regeln nicht möglich ist.
- Wettbewerber-Reaktionsmuster: ML kann lernen, wie spezifische Wettbewerber auf Preisbewegungen reagieren – und Pricing-Empfehlungen entsprechend antizipatorisch ausrichten.
Wo ML-Pricing an Grenzen stößt
Die Grenzen sind weniger bekannt, aber ebenso relevant:
Neue Produkte ohne historische Daten: ML-Modelle trainieren auf Vergangenheitsdaten. Bei echten Neuprodukt-Launches fehlt diese Datenbasis – das Modell kann nicht besser als eine gut kalibrierte Regel sein.
Marktstrukturbrüche: Das Modell lernt aus Vergangenheit. Wenn ein neuer Wettbewerber den Markt betritt, ein Zollereignis die Lieferkette verändert oder eine Plattform ihre Algorithmen umstellt, reagiert das ML-Modell verzögert – weil es zuerst neue Daten braucht, um das veränderte Muster zu lernen.
Strategische Preisentscheidungen: Soll die Marke in einer Kategorie Preisführer sein? Soll ein Produkt für 6 Monate unter Marktpreis angeboten werden, um Marktanteile zu gewinnen? Das sind strategische Entscheidungen, die ML nicht treffen kann – und nicht treffen sollte.
Das Beste beider Welten: Hybrid-Ansatz
Die realistischste Konfiguration für mittlere und große Retailer: ML-Preisempfehlungen als Grundlage, überlagert mit strategischen Regeln für Ausnahmen (Floor-Preise, Margenschutz, Kategorie-Priorisierung). Menschen definieren den strategischen Rahmen, ML optimiert innerhalb dieses Rahmens.
Pricing Takeaway: KI-Pricing ist kein Autopilot, sondern ein Copilot. Die Technologie ist am stärksten bei hoher SKU-Komplexität und historisch gut dokumentierten Märkten. Sie ist am schwächsten bei strategischen Neuorientierungen, neuen Produkten und Marktumbrüchen. Wer das versteht, kauft die richtige Software – und hat realistische Erwartungen an den Return.