Vom Preisfolger zum Preisgestalter: Wie der Handel mit KI Preise neu denkt
Wettbewerbspreise sind heute transparenter denn je. Gleichzeitig ermöglichen KI und AI Agents, Preisentscheidungen immer schneller und granularer zu treffen (oder zumindest zu unterstützen). Doch bessere Technologie führt nicht automatisch zu besserem Pricing. Entscheidend ist, worauf Händler ihre Preisentscheidungen ausrichten. Die nächste Generation des Pricings orientiert sich deshalb nicht allein am Wettbewerb. Sie verbindet Zahlungsbereitschaft, Preiswahrnehmung und wirtschaftliche Ziele und macht diese Logik mit KI über große Sortimente hinweg skalierbar.
THESE: Wer mit KI nur schneller auf Wettbewerbspreise reagiert, automatisiert die Schwächen des heutigen Pricings.
Warum Pricing im Handel unter doppeltem Druck steht
Der Promotionsdruck im FMCG-Umfeld bleibt hoch. Gleichzeitig zeigt NielsenIQ im "State of Price and Promo in West Europe" (2026), dass deal-abhängige Märkte zunehmend unter einem "Discount Fatigue"-Effekt leiden: Promotionsintensität erzeugt immer weniger inkrementelles Volumen und destabilisiert den Wettbewerb. Händler investieren in Aktionen, die Kunden konditionieren, aber keine nachhaltige Loyalität aufbauen.
Auch die Konsumenten bleiben zurückhaltend. Im Horn & Company Consumer Panel geben 45 % der Befragten an, im vergangenen Jahr weniger für Konsumgüter ausgegeben zu haben. Besonders ausgeprägt ist die Sparneigung bei Haushalten mit einem Nettoeinkommen unter 5.000 Euro. Preis bleibt damit für breite Käufergruppen ein wichtiges Entscheidungskriterium.
Problematisch wird es, wenn alle Marktteilnehmer auf dieselben Wettbewerbs- und Promotiondaten reagieren. Dann beschleunigt bessere Technologie vor allem die bestehende Preisdynamik/-spirale. Mehr „Pricing Intelligence“ führt so im Zweifel nur dazu, dem Wettbewerb effizienter oder automatisiert „hinterherzulaufen“.
Der Wettbewerbspreis bleibt ein wichtiges Marktsignal, ist aber nicht zwangsläufig der einzig relevante Treiber für den richtige eigenen Preis. Er vergisst, das nicht alle Artikel das Preisbild tatsächlich prägen, sondern dass die Preismeinung über wenige zentrale „Key Value Items“ in spezifischen Warengruppen geprägt wird. Zudem kann auch der Wettbewerber falsch liegen. Wer seine Preise automatisiert am Markt ausrichtet, übernimmt im Zweifel auch dessen Fehlentscheidungen.
Von reaktiver PreisAbilldung zum AI-enabled Customer-Centric Pricing
Die historischen Pricing-Logiken lassen sich grob in drei Generationen einteilen.
- Cost-plus-Pricing orientiert sich an Kostenstrukturen und Zielmargen.
- Wettbewerbsorientiertes Pricing folgt Benchmark- und Price-Matching-Logiken.
- Klassisches datengetriebenes Pricing verbessert Prognosen, bleibt aber oft auf einzelne Artikel oder Kategorien beschränkt.
AI-enabled Customer-Centric Pricing optimiert heute hingegen gleichzeitig mehrere Werttreiber: Zahlungsbereitschaft, Preiswahrnehmung, Absatz, Umsatz, Rohertrag, Kundenfrequenz, Warenkorb, Aktionsintensität, Sortimentsinteraktionen und strategische Positionierung. Kundenzentriertes Pricing bedeutet nicht, möglichst niedrige Preise zu setzen. Es bedeutet, bei preissensitiven Artikeln bewusst zu investieren, bei weniger preissensitiven Artikeln Zahlungsbereitschaft zu monetarisieren und Preisarchitekturen verständlich zu halten.
Dafür sind drei Perspektiven gleichzeitig zu steuern:
- Customer Value: Was ist das Produkt dem Kunden wert und welche Zahlungsbereitschaft entsteht daraus?
- Price Perception: Welche Artikel und Preispunkte prägen das Preisimage des Händlers tatsächlich?
- Economic Value: Wo entstehen Absatz, Umsatz, Rohertrag, Kundenfrequenz und Warenkorb?
Kundenorientierung und Profitabilität sind dabei kein Widerspruch. Bei Artikeln, die für die Preiswahrnehmung besonders wichtig sind, lohnt sich eine bewusste Investition in den Preis. Bei weniger preissensitiven Artikeln kann der vorhandene Spielraum genutzt werden, ohne Preisimage und Kundenbeziehung zu gefährden.
Das System optimieren, nicht den einzelnen Artikel
Modernes Pricings betrachtet Artikel nicht isoliert. Entscheidend sind Beziehungen zu anderen Artikeln und Kategorien sowie Einflüsse von Filialclustern und sogar die Kundenzusammensetzung einer dezidierten Filiale. Warenbereichsrollen (wie z. B. Zielkategorie, Erweiterter Kern, Ergänzung und Promotion) und jeweils zugehörige Normstrategien bilden dafür das strukturelle Fundament. Auf Artikelebene werden zusätzlich Rollen wie KVI (Key Value Items), Basket Builder, Regular Range und Supplementary differenziert. Diese Rollenlogik ist keine akademische Klassifikation. Sie ist die operative Voraussetzung dafür, dass Automatisierung Wert stiftet.
Ohne Rollenlogik riskiert jede automatisierte Preisoptimierung, Preissignale zu verwischen, Mindestmargen zu unterschreiten oder die Preiswahrnehmung gegenüber dem Kunden zu beschädigen. Der Übergang vom einzelnen Pricing-Projekt zum Pricing-Betrieb mit strukturierten Feedback-Loops beginnt hier.
KI ermöglicht nun, diese Rollenlogik weiterzuentwickeln. Artikelrollen müssen nicht länger ausschließlich statisch vergeben werden. Dieselbe SKU kann je nach Region, Filialformat, Kundensegment, Saison, Wettbewerbssituation oder Kaufmission eine unterschiedliche Funktion besitzen. Ein Artikel kann beispielsweise in einem Filialcluster preisimageprägender KVI sein, während er woanders stärker als Basket Builder wirkt.
Aus statischen Artikelrollen werden damit Dynamic Item Roles. Die Herausforderung verschiebt sich von der einmaligen Klassifikation eines Artikels zur kontinuierlichen Bewertung seiner Rolle im jeweiligen Kunden- und Marktkontext.
Was AI Agents 2026 wirklich verändern
Generative AI (GenAI) und klassisches Machine Learning sind nicht dasselbe wie AI Agents. Agents unterscheiden sich durch ihre Fähigkeit zur autonomen Aufgabenausführung: Sie können Entscheidungen nicht nur vorbereiten, sondern unter definierten Guardrails auch validieren und ausführen, beispielsweise Preisschwellen-Optimierung, Promoplan-Variationen oder segmentspezifische Preislogiken. Wichtig dabei ist, dass die Sortimentsverantwortlichen weiterhin die volle Kontrolle behalten.
Sie können Empfehlungen hinterfragen, Szenarien vergleichen und sich komplexe Zusammenhänge in natürlicher Sprache erklären lassen. AI Agents verbinden anschließend mehrere Arbeitsschritte miteinander. Sie erkennen beispielsweise eine Pricing-Chance, stoßen die notwendigen Analysen an, prüfen definierte Regeln und bereiten die Freigabe oder Umsetzung vor.
Wie Mensch und KI zusammenspielen
Die Frage "Wer entscheidet was?" muss im Pricing-Operating-Modell klar beantwortet sein. Agenten liefern Vorschläge, Prognosen und Execution. Menschen definieren Leitplanken, prüfen Konsistenz und genehmigen Abweichungen.
Menschliche Kontrolle steht der Automatisierung dabei nicht im Weg. Sie wird gezielt dort eingesetzt, wo eine Preisentscheidung besondere wirtschaftliche oder strategische Bedeutung hat. Insbesondere bei Preisabständen zwischen Varianten, Marken- und Eigenmarken-Gefüge sowie Mindestmargen braucht das Category Management eine klare Validierungsrolle. Dazu kommt der Audit Trail: Preisentscheidungen müssen gegenüber internem Controlling, Compliance-Anforderungen und, soweit relevant, regulatorischen Anforderungen erklärbar sein (Explainable AI).
Der Autonomiegrad sollte dabei nicht binär als „Mensch oder Maschine“ gedacht werden. Sinnvoller ist eine value-basierte Abstufung: Entscheidungen mit niedrigem Risiko bzw. Business Impact können innerhalb enger Guardrails automatisiert verarbeitet werden. Für Zielkategorien und Kernartikel bietet die KI eine Empfehlung mit „Human Approval“. Entscheidungen mit hoher strategischer Relevanz verbleiben beim Menschen. Human-in-the-Loop entwickelt sich damit zunehmend zu Management by Exception.
Der H&C Price Engine: Architektur einer governance-fähigen Lösung
Der bestehende H&C Price Engine verbindet strategische Pricing-Leitplanken mit internen und externen Daten und leitet daraus automatisierte Preisempfehlungen ab. Diese werden anschließend vom Fachbereich geprüft und bei Bedarf angepasst. Agentic AI entwickelt diese Logik weiter: Aus der sequenziellen Preisempfehlung wird ein kontinuierlicher Entscheidungs- und Lernkreislauf.
Der Pricing Agent verbindet Analyse, Preisempfehlung und Umsetzung zu einem kontinuierlichen Prozess. Er unterstützt die operative Steuerung, während das Management Ziele, Regeln und Entscheidungsgrenzen vorgibt.
Drei Entscheidungen für das Pricing Operating Model der Zukunft
Mit zunehmender Automatisierung geht es für Vorstände und CCOs weniger darum, jede technische Detailfrage des Pricing-Systems zu beantworten. Drei Managemententscheidungen sind zentral:
OPTIMIZE: Was soll die Maschine optimieren?
Soll ein Preis primär Rohertrag, Absatz oder Frequenz maximieren? Welche Bedeutung besitzen Preisimage, Warenkorb und Loyalität? Und wie unterscheiden sich diese Zielgewichte zwischen Artikelrollen? Die Zielfunktion der AI ist letztlich die mathematische Übersetzung der Pricing-Strategie.
DECIDE: Was darf der Agent entscheiden?
Welche Entscheidungen dürfen innerhalb definierter Preis- und Margengrenzen automatisiert ausgeführt werden? Wann ist „Human Approval“ erforderlich? Und welche Entscheidungen besitzen eine so hohe strategische Relevanz, dass sie beim Category Management oder Pricing-Verantwortlichen verbleiben? Wie viel Autonomie sinnvoll ist, hängt vom Risiko und vom wirtschaftlichen Nutzen der jeweiligen Entscheidung ab.
STEER: Vom Preise setzen zum Geschäft steuern?
Je autonomer Pricing wird, desto stärker verschiebt sich die Rolle des Menschen: von operativer Preisarbeit hin zu proaktiver Steuerung und Sortimentsgestaltung. Das Management setzt Strategie, Ziele und Guardrails. Pricing- und Category-Teams fokussieren sich auf strategische Preisentscheidungen, Sortimentsarbeit und Ausnahmen, bei denen Markt- und Kundenverständnis entscheidend sind. Modelle und Agents übernehmen Analyse, Prognose, Simulation, Monitoring und operative Umsetzung. Menschliche Overrides bleiben möglich und werden zugleich zum Lernsignal für das System.
Governance ist keine Bremse, sondern Wettbewerbsvorteil
Der Übergang von Tool-gestützter Preisarbeit zur agentischen, kontinuierlichen Wertoptimierung ist technisch möglich. Die Bedingungen für nachhaltigen Erfolg sind operative: ein klar ausgestaltetes Pricing Operating Model, Human-in-the-Loop als strukturelles Designprinzip, vollständige Auditability und eine Rollenlogik, die kundenzentrierte Preisarchitektur von der ruinösen Rabattspirale trennt.
Händler, die agentische Pricing-Systeme mit diesen Leitplanken aufbauen, gewinnen nicht nur schnellere Preisentscheidungen. Sie gewinnen ein System, das Wert schafft, statt Wettbewerbsdruck zu replizieren. Der sinnvolle Einstieg liegt in einem Piloten mit begrenzten Warengruppen, klaren Rollen, messbaren Erfolgskriterien und einer Governance-Struktur, die von Anfang an mitgedacht ist.
Die Zukunft des Pricings liegt in einer neuen Arbeitsteilung. KI übernimmt zunehmend Analyse, Prognose und wiederkehrende Aufgaben. Agents verbinden diese Schritte im laufenden Pricing-Prozess. Strategie, Ziele und Entscheidungsgrenzen bleiben Aufgabe des Managements. So kann KI helfen, kundenzentriertes Pricing im Handel tatsächlich zu skalieren.
