Lernende Preisalgorithmen finden selbst zu überhöhten PreisenArtificial Intelligence, Algorithmic Pricing, and Collusion

Calvano, Calzolari, Denicolò, Pastorello · American Economic Review · 2020

In simulierten Märkten lernten selbstlernende Preisalgorithmen (Q-Learning) ohne jede Absprache, Preise über Wettbewerbsniveau zu halten und Abweichungen zeitweise zu bestrafen. Das begründet die Sorge vor stillschweigender KI-Kollusion, ist aber ein Rechenexperiment.

5,7MFK-Score von 10 · Ergebnis: gemischt

Studiendesign4

Datenbasis4

Unabhängigkeit10

Replikation6

Übertragbarkeit4

Sauberes, aber rein simuliertes Experiment; Ergebnis teils repliziert und teils wegen der Annahmen bestritten. Die Befundlage ist uneinheitlich oder nur unter Bedingungen gültig. Wie der Score entsteht →

Methode: Computerexperimente: Q-Learning-Algorithmen konkurrieren wiederholt in einem Standard-Oligopolmodell; geprüft wurden Kosten- und Nachfrageunterschiede, Zahl der Anbieter und Unsicherheit.
Datenbasis: Simulationen in einem theoretischen Marktmodell, keine realen Marktdaten.
Einschränkungen und häufige Fehlzitate: Keine Beobachtung echter Märkte; die Lernphasen sind sehr lang und die Modellannahmen stilisiert, was Kritiker als unrealistisch bemängeln. Empirische Bestätigung bisher vor allem durch Assad u. a. (Tankstellen).
Interessenlage: keine bekannt (akademisch)
Quelle: https://doi.org/10.1257/aer.20190623 (kostenpflichtig)

Zitieren

Marketing Facts Kompakt (Hrsg.): „Lernende Preisalgorithmen finden selbst zu überhöhten Preisen“. MFK-Studiendatenbank, Stand 2026-11-08. https://marketing-facts.de/studien/calvano-et-al-ai-algorithmic-pricing-collusion-2020/

gemischtKI im MarketingPreis & Promotion

← Alle Studien