Ein Sortiment mit 3.000 Produkten, 40 Lieferanten mit unterschiedlichen Einkaufskonditionen und ein Wettbewerberfeld, das seine Preise wöchentlich anpasst — und irgendwo dazwischen muss der richtige Verkaufspreis liegen. Nicht zu hoch, sonst kauft niemand. Nicht zu niedrig, sonst bleibt keine Marge. Die meisten mittelständischen Online-Shops lösen dieses Problem mit einer Mischung aus Bauchgefühl, Aufschlagskalkulation und gelegentlichem Blick auf die Konkurrenz.

Das funktioniert — bis es nicht mehr funktioniert. Bis ein Wettbewerber systematisch unterbietet, bis die Marge bei Topsellern erodiert, ohne dass es jemand merkt, oder bis ein Preisfehler tagelang unentdeckt bleibt. Laut einer ibi-Research-Studie der Universität Regensburg geben 62 % der befragten Online-Händler an, dass sie ihre Preise nicht systematisch mit dem Wettbewerb abgleichen.

KI kann hier nicht den perfekten Preis berechnen — den gibt es nicht. Aber sie kann drei Dinge, die manuell kaum leistbar sind: den Markt systematisch beobachten, Muster in den eigenen Daten erkennen und datengestützte Preisempfehlungen liefern, die ein Mensch dann bewertet und umsetzt.

Preisfindung vs. Dynamic Pricing: Ein wichtiger Unterschied

Bevor es in die Praxis geht, eine Abgrenzung: Dieser Beitrag handelt nicht von Dynamic Pricing — also von Preisen, die sich in Echtzeit ändern, je nachdem wer gerade schaut, wann er schaut oder welches Gerät er nutzt. Das ist in Deutschland rechtlich umstritten, schadet dem Kundenvertrauen und ist für die meisten KMUs weder technisch noch strategisch sinnvoll.

Es geht um KI-gestützte Preisfindung: Die Nutzung von Daten und Algorithmen, um den richtigen Preis für ein Produkt zu bestimmen — einmalig oder in regelmäßigen Zyklen (z. B. monatlich, quartalsweise). Der Preis steht dann fest und gilt für alle Kunden gleich. Der Unterschied zur manuellen Kalkulation: Die Entscheidungsgrundlage ist breiter, systematischer und aktueller.

Drei Bereiche, in denen KI die Preisfindung verbessert

1. Automatisiertes Wettbewerbs-Preismonitoring

Die Grundlage jeder fundierten Preisentscheidung: Wissen, was die Konkurrenz verlangt. Manuell ist das bei mehr als 50 Produkten kaum zu leisten — und bei 3.000 schlicht unmöglich.

KI-gestützte Preismonitoring-Tools crawlen Wettbewerber-Shops, Marktplätze und Preisvergleichsportale automatisch und ordnen Produkte per Matching-Algorithmus zu — auch wenn Artikelnummern oder Bezeichnungen abweichen. Die Ergebnisse: tagesaktuelle Preisstände, Trendverläufe und Alerts, wenn ein Wettbewerber einen Ihrer Topseller signifikant unterbietet.

Etablierte Tools in diesem Bereich sind Dealavo, Prisync, Competera oder Patagona (speziell für den DACH-Markt). Die Kosten liegen je nach Sortimentgröße zwischen 100 und 1.000 Euro monatlich — überschaubar im Vergleich zu den Margenverlusten, die durch blinde Preisgestaltung entstehen.

Praxis-Tipp: Starten Sie mit Ihren 100 umsatzstärksten Produkten. Definieren Sie für jedes eine Preisspanne (Untergrenze: Mindestmarge, Obergrenze: Marktakzeptanz) und lassen Sie das Monitoring-Tool Abweichungen melden. Allein dieses Setup deckt erfahrungsgemäß in den ersten Wochen Preisfehler und verpasste Margenoptimierungen auf.

2. Margenanalyse über das gesamte Sortiment

Viele Shops kennen ihre Durchschnittsmarge — aber nicht die Verteilung. Welche Produktkategorien tragen die Marge, welche ziehen sie runter? Welche Artikel haben eine hohe Marge, aber kaum Absatz? Welche verkaufen sich gut, aber mit negativem Deckungsbeitrag nach Versandkosten und Retourenquote?

KI kann hier aus vorhandenen Daten — Einkaufspreise, Verkaufspreise, Versandkosten, Retourenquoten, Lagerkosten — eine Profitabilitätsanalyse auf Artikelebene erstellen. Dafür braucht es kein spezialisiertes Tool: Ein Export aus dem Shop-System und ERP, verarbeitet mit einem LLM oder einem einfachen Python-Skript, liefert bereits aufschlussreiche Ergebnisse.

Typische Erkenntnisse aus einer solchen Analyse:

• 10-15 % der Artikel erwirtschaften 50 % oder mehr des Gesamtgewinns — diese Produkte verdienen besondere Aufmerksamkeit bei der Preisgestaltung.

• Versandkosten-intensive Artikel (schwer, sperrig) haben nach Vollkostenrechnung oft negative Margen, obwohl der Aufschlag "normal" aussieht.

• Retouren-intensive Produkte (Fashion, Schuhe) brauchen eine andere Kalkulation als retourenarme — die tatsächliche Marge liegt oft 15-20 % unter der rechnerischen.

Diese Analyse ist keine einmalige Sache — sie sollte quartalsweise wiederholt werden, um Verschiebungen in Einkaufspreisen und Retourenverhalten abzubilden.

3. Preisempfehlungen auf Basis von Marktposition und Strategie

Der anspruchsvollste Anwendungsfall: KI, die nicht nur Daten sammelt und analysiert, sondern konkrete Preisvorschläge macht. Dabei fließen zusammen:

• Wettbewerberpreise (aus dem Monitoring)

• Eigene Kostenstruktur (Einkauf, Lager, Versand, Retouren)

• Nachfragedaten (Seitenaufrufe, Conversion Rate, Saisonalität)

• Preisstrategie (Preisführer, Qualitätsführer, Nischenanbieter)

Das Ergebnis ist kein automatisch gesetzter Preis, sondern eine Empfehlung mit Begründung: "Produkt X liegt 12 % über dem Marktdurchschnitt bei unterdurchschnittlicher Conversion Rate — eine Preissenkung auf Y Euro würde die Marge um Z Euro pro Stück reduzieren, aber den erwarteten Absatz verdoppeln." Die finale Entscheidung bleibt beim Menschen.

Für KMUs ist dieser Ansatz realistischer als er klingt: Ein LLM wie GPT-5 oder Claude kann strukturierte Preis- und Absatzdaten analysieren und Empfehlungen generieren, wenn man ihm die richtige Fragestellung und die eigene Preisstrategie als Kontext gibt. Kein Custom-Modell nötig — ein gut designter Prompt reicht.

Integration in Shopware und Magento

Shopware 6 bietet mit dem Rule Builder und Preisregeln bereits ein flexibles System für Staffelpreise, Kundengruppen-Preise und Aktionspreise. Der fehlende Baustein ist die datengestützte Entscheidung, welcher Preis gesetzt werden soll. Über die Admin API lassen sich Preise programmatisch aktualisieren — ein Skript, das monatlich die Preisempfehlungen aus der KI-Analyse einspielt, ist in wenigen Stunden umsetzbar. Erweiterungen wie Shopware PriceManagement oder Patagona bieten fertige Integrationen für Preismonitoring.

Magento 2 unterstützt über Tier Pricing, Special Prices und die Catalog Price Rules ähnliche Mechanismen. Die REST API ermöglicht automatisierte Preisupdates, und für Adobe Commerce gibt es mit Adobe Sensei Pricing Insights zusätzliche KI-Features. Für die Open-Source-Variante bieten Erweiterungen wie Amasty oder MageWorx Preismanagement-Funktionen, die sich mit externen Datenquellen verbinden lassen.

Wichtig: Automatisieren Sie die Datenerhebung und Analyse — aber nicht die Preisänderung selbst. Ein Mensch sollte die Empfehlungen prüfen, bevor sie live gehen. Ein fehlerhaft kalkulierter Preis auf einem Topseller kann in Stunden mehr Schaden anrichten als die KI in Monaten an Optimierung bringt.

Rechtliche Leitplanken: Was erlaubt ist und was nicht

KI-gestützte Preisfindung bewegt sich in einem klaren rechtlichen Rahmen — solange man einige Grenzen beachtet:

• Preisbindung der zweiten Hand ist in Deutschland verboten (§ 1 GWB). Hersteller dürfen keine Mindestverkaufspreise vorschreiben, und KI-Tools dürfen solche nicht durchsetzen. Unverbindliche Preisempfehlungen (UVP) sind erlaubt.

• Kartellrechtliche Grenzen: Wenn mehrere Händler dasselbe Preismonitoring-Tool nutzen und sich dadurch faktisch auf ähnliche Preise einpendeln, kann das als Preisabsprache gewertet werden. Das Bundeskartellamt hat dieses Thema unter dem Begriff "algorithmische Kollusion" auf dem Radar.

• Preisangabenverordnung (PAngV): Bei Preisänderungen muss der niedrigste Preis der letzten 30 Tage angegeben werden (Streichpreisregel). Das gilt auch für KI-optimierte Preise.

• DSGVO: Solange keine personenbezogenen Daten in die Preisfindung einfließen (also kein individuelles Pricing pro Kunde), sind die Anforderungen überschaubar. Die Wettbewerbs- und Sortimentsdaten, die hier verarbeitet werden, sind keine personenbezogenen Daten.

In vier Schritten zur KI-gestützten Preisfindung

1. Datengrundlage schaffen: Exportieren Sie Einkaufspreise, Verkaufspreise, Absatzzahlen, Versandkosten und Retourenquoten pro Artikel. Wenn Sie ein ERP nutzen, liegen diese Daten bereits vor — sie müssen nur zusammengeführt werden.

2. Preismonitoring starten: Wählen Sie ein Tool, das Ihre Hauptwettbewerber und relevanten Marktplätze abdeckt. Beginnen Sie mit den Top-100-Artikeln und erweitern Sie schrittweise.

3. Sortimentsanalyse durchführen: Lassen Sie ein LLM oder ein einfaches Analyse-Skript die Profitabilität pro Artikel berechnen — inklusive aller versteckten Kosten. Identifizieren Sie Verlustbringer und ungenutzte Margenpotenziale.

4. Preisempfehlungen generieren und umsetzen: Kombinieren Sie Wettbewerbsdaten, Margenanalyse und Ihre Preisstrategie zu konkreten Preisvorschlägen. Prüfen Sie diese manuell, setzen Sie sie um und messen Sie nach 4-8 Wochen die Auswirkung auf Umsatz und Marge.

Pricing als strategischer Hebel, nicht als Rechenaufgabe

Die meisten Online-Shops investieren viel in Traffic, Conversion-Optimierung und Kundenservice — aber überraschend wenig in die Frage, ob ihre Preise eigentlich stimmen. Dabei ist der Preis der Hebel mit dem direktesten Einfluss auf die Marge: Eine Preisanpassung von 2 % nach oben bei gleichbleibendem Absatz wirkt sich stärker auf den Gewinn aus als eine Umsatzsteigerung von 10 %.

KI macht diesen Hebel zugänglich — nicht als Blackbox, die automatisch Preise setzt, sondern als Analysewerkzeug, das dem E-Commerce-Team die Datenbasis liefert, um fundierte Entscheidungen zu treffen. Die Technologie ist reif, die Tools sind bezahlbar, und der Einstieg beginnt mit einem simplen Datenexport und der Frage: Wissen wir eigentlich, welche unserer Preise gut sind — und welche nicht?