Der Algorithmus kennt den optimalen Preis. Aber nicht das richtige Preissystem.

Kaum ein Hebel wirkt so unmittelbar auf Marge und Profitabilität eines Unternehmens wie der Preis – und kaum einer wird häufig so unzureichend genutzt. Künstliche Intelligenz verleiht dem Thema zusätzliche Dynamik, denn Algorithmen können Preisempfehlungen auf Kunden-, Produkt- und Kanalebene ableiten und Margenverluste früh sichtbar machen. Also der KI gleich komplett das Feld überlassen? Keine gute Idee, sagt enomyc-Pricing-Experte Jan Ulrik Holsten, denn der Algorithmus optimiert nur innerhalb eines vorgegebenen Systems. Ob dieses wirtschaftlich sinnvoll ist, bleibt die Entscheidung des Managements.

Pricing gehört zu den wirksamsten Ergebnishebeln eines Unternehmens. Die Berater von McKinsey haben den Effekt bereits vor einigen Jahren anhand der Ergebnisrechnung von S&P-1500-Unternehmen quantifiziert: Steigt der durchschnittliche Preis um ein Prozent und bleibt das Volumen konstant, erhöht sich der operative Gewinn demnach im Durchschnitt um rund acht Prozent. Umgekehrt müsste ein Unternehmen nach einer Preissenkung um fünf Prozent sein Volumen um 18,7 Prozent steigern, um den Effekt auf das Ergebnis auszugleichen (McKinsey, 2003; bestätigt 2014).

Künstliche Intelligenz erweitert die Möglichkeiten im Pricing erheblich, denn sie kann große Mengen an Transaktionsdaten auswerten, Preiselastizitäten differenzierter bestimmen und Preisentscheidungen granularer steuern, als dies manuell möglich wäre. BCG beziffert das Potenzial KI-gestützter Pricing-Ansätze auf zwei bis fünf Prozentpunkte EBITDA-Verbesserung; bei einer Revenue-Growth-Management-Transformation eines Getränkeherstellers berichtet BCG von 150 Millionen Euro zusätzlichem Rohertrag (BCG, 2021; BCG X, 2026).

Die entscheidende Frage lautet deshalb nicht, ob KI im Pricing eingesetzt werden sollte, sondern welches Preissystem sie optimieren soll.

Im Mittelstand entscheidet nicht der Listenpreis über die Marge, sondern die Architektur der Konditionen

In vielen mittelständischen Unternehmen existiert „der Preis“ faktisch nicht. Zwischen Listenpreis und tatsächlichem Transaktionspreis liegen Basisrabatte, Mengenstaffeln, Boni, Skonti, Frachten, Werbekostenzuschüsse und kundenspezifische Sonderkonditionen. Die Gründe sind vielfältig und reichen von gewachsener Intransparenz über erfolgreich verteidigte Ermessensspielräume des Vertriebs bis hin zu fehlendem Wissen über Elastizitäten.

Das heißt: Es reicht nicht, Listenpreise regelmäßig anzupassen. Entscheidend ist, die Price Waterfall bis zum tatsächlich realisierten Pocket Price transparent zu machen und zu verstehen, wo Marge entsteht und wo sie verloren geht.

Drei Fragen sind dabei besonders relevant:

1. Welche Kondition kauft welche Gegenleistung? Ein Rabatt ist ökonomisch nur dann begründbar, wenn ihm ein messbarer Wert gegenübersteht – etwa Volumen, Planungssicherheit, geringere Vertriebskosten oder definierte Leistungen des Handelspartners.

2. Wo darf der Vertrieb entscheiden? Preisautonomie ohne Bandbreiten erzeugt Inkonsistenz; vollständig zentralisierte Preisentscheidungen können dagegen Markt- und Kundenwissen ausblenden. Das Design muss beides verbinden.

3. Welche Preislogik passt zum Geschäftsmodell? Ein industrieller B2B-Anbieter mit individuellen Angeboten braucht eine andere Architektur als ein Großhändler oder ein Omnichannel-Anbieter. Im B2B stehen Angebotskalkulation, Kundensegmentierung und Rabattsteuerung im Vordergrund; im Handel gewinnen dynamische Preise, Promotions und kanalbezogene Preisentscheidungen an Gewicht.

Auch das technisch ausgefeilteste Pricing-System kann also wirtschaftlich kontraproduktiv sein, wenn es die falsche Preislogik automatisiert.

KI erhöht die Präzision des Pricings, ersetzt aber nicht dessen Architektur

Viele Unternehmen weltweit setzen KI längst zur dynamischen Gestaltung ihrer Preise ein: Der Global Pricing Study 2025 von Simon-Kucher zufolge sind es mehr als 70 Prozent. Der häufigste Anwendungsfall ist mit 41 Prozent bislang die Gewinnung von Marktinformationen. Unter den Unternehmen, die keine KI einsetzen, nennen 54 Prozent fehlende interne Expertise oder Ressourcen als Hindernis (Simon-Kucher, 2025). Damit wird deutlich: Die technische Adoption eilt der organisatorischen und strategischen Entwicklung deutlich voraus.

Auch aktuelle McKinsey-Daten weisen in diese Richtung. 65 bis 85 Prozent der befragten Unternehmen erwarten, GenAI oder agentische KI innerhalb der kommenden ein bis drei Jahre im Pricing einzusetzen; heute liegt die Nutzung je nach Anwendung erst bei 10 bis 30 Prozent. McKinsey betont zugleich, dass der wirtschaftliche Effekt nicht aus der Technologie allein entsteht, sondern aus neu gestalteten Prozessen, belastbaren Daten, geeigneten Modellen und Change Management (McKinsey, 2026).

KI kann insbesondere dort einen Vorteil schaffen, wo viele wiederkehrende Entscheidungen auf einer hinreichend breiten Datenbasis getroffen werden müssen. Dazu gehören die Analyse von Transaktionsdaten, Kundensegmentierung, Nachfrageprognosen, Preisempfehlungen und die Identifikation von Margin Leakage. Was sie nicht selbst entscheiden kann, ist die ökonomische Architektur, innerhalb der diese Optimierung stattfindet.

Fünf Managemententscheidungen, die der Algorithmus nicht abnimmt

Jedes KI-gestützte Pricing benötigt Vorgaben, die nicht aus historischen Transaktionsdaten abgeleitet werden sollten.

• Preisstrategie: Soll ein Angebot über Kosten, Wettbewerb oder wahrgenommenen Kundennutzen positioniert werden?

• Segmentlogik: Welche Unterschiede zwischen Kunden, Produkten, Regionen und Kanälen sind ökonomisch relevant?

• Konditionenarchitektur: Welche Rabatte und Boni existieren – und welche konkrete Gegenleistung rechtfertigt sie?

• Entscheidungsrechte: Welche Preisbandbreiten darf ein System autonom nutzen, wann entscheidet der Vertrieb und wann ist eine Freigabe erforderlich?

• Preisdurchsetzung: Wie werden Preisempfehlungen im konkreten Kundengespräch realisiert?

Der letzte Punkt wird häufig unterschätzt. Ein analytisch optimaler Preis, den der Vertrieb weder nachvollziehen noch gegenüber dem Kunden vertreten kann, erzeugt keinen Ergebnisbeitrag. Pricing endet nicht mit einer Empfehlung im CRM. Es endet mit dem realisierten Preis in der GuV.

Der Wert entsteht durch das richtige Design, nicht durch mehr Technologie

Bei einem Hersteller mit weltweitem Ersatzteilvertrieb bestand das Problem nicht in fehlender Pricing-Software, sondern in einem historisch gewachsenen Konditionensystem. Ein pauschaler Basisrabatt von 35 Prozent wurde durch manuell gepflegte Sondernettopreise ergänzt. Die Neugestaltung verband einen neu kalibrierten Grundrabatt mit klar definierten Gegenleistungen, Mengenstaffeln, einem Bonus-Malus-System für Loyalität und Performance sowie Länderfaktoren. Das Ergebnis war nicht nur ein anderer Preis, sondern ein steuerbares Konditionensystem.

Ein zweiter Fall zeigt die Grenze datenbasierter Optimierung. Bei einem Premiumhersteller von Holzkohlegrills verursachte ein zusätzlicher Ascheimer Herstellkosten von 1,68 Euro. Für Kunden erhöhte das Detail jedoch den wahrgenommenen Nutzen so stark, dass ein um 75 Euro höherer Verkaufspreis realisierbar wurde. Das zeigt: Werttreiber liegen oft dort, wo man sie nicht vermutet – und keine KI der Welt findet sie in Transaktionsdaten, die es noch gar nicht gibt.

Die beiden Fälle stehen für unterschiedliche Pricing-Aufgaben: Im ersten muss ein vorhandenes Konditionensystem strukturiert werden. Im zweiten muss zunächst verstanden werden, wofür der Kunde überhaupt zu zahlen bereit ist. Erst danach beginnt die algorithmische Optimierung.

Pricing-Projekte sollten mit der ökonomischen Diagnose beginnen, nicht mit der Tool-Auswahl

Aus dieser Logik ergibt sich eine klare Reihenfolge. Am Anfang steht eine quantitative Bestandsaufnahme: Preisrealisierung, Rabattstruktur, Profitabilität nach Kunden und Produkten, vorhandene Entscheidungsregeln sowie Qualität und Granularität der Daten. Erst damit lässt sich bestimmen, wo tatsächlich Ergebnis verloren geht und welcher Pricing-Hebel relevant ist.

Im zweiten Schritt wird das Zielsystem entwickelt: Preisstrategie, Segmentierung, Konditionenarchitektur, Governance und – soweit wirtschaftlich sinnvoll – die Anforderungen an Analytics und KI. Erst an dieser Stelle lässt sich beurteilen, welche Technologie benötigt wird.

Im dritten Schritt muss die Preislogik in ERP, CRM und Vertriebsprozesse überführt werden. Genau hier entscheidet sich, ob ein analytischer Business Case zu realisiertem Ergebnis wird.

Die Industrials and Business Services Value Creation Study 2025 von Simon-Kucher unterstreicht die Bedeutung dieser Vorgehensweise: Pricing erzielte unter den untersuchten Wertsteigerungshebeln mit durchschnittlich 7,8 Monaten die schnellste Wirkung und wies mit vier Prozent die niedrigste Fehlschlagquote auf. Gleichzeitig gingen rund zwei Drittel der gescheiterten Wertsteigerungsinitiativen auf beeinflussbare Faktoren wie mangelhafte Implementierung, unrealistische Business Cases oder Widerstände in den Portfoliounternehmen zurück (Simon-Kucher, 2025).

KI ersetzt keine Pricing-Kompetenz. Sie erhöht deren Skalierbarkeit

Die entscheidende Frage ist also nicht, wie intelligent der Pricing-Algorithmus ist, sondern ob das jeweilige Unternehmen ein ökonomisch schlüssiges Preis- und Konditionensystem hat. Ist dies der Fall, kann KI helfen, Elastizitäten besser zu nutzen, Transaktionen differenzierter zu steuern und Margenverluste früher zu erkennen. Wer historische Sonderkonditionen, falsche Segmentierungen oder ungeklärte Entscheidungsrechte digitalisiert, automatisiert nur deren Schwächen. Im Vorteil werden am Ende nicht die Unternehmen mit dem besten Zugang zum Algorithmus sein – sondern die, die wissen, welche Entscheidungen er treffen soll.