Beim Big Mac fließen auch KI-gestützte Empfehlungen in die Preisplanung ein. Der Einsatz solcher Software wirft Fragen nach der Rolle von Verkaufsdaten und menschlichen Entscheidungen auf. Eine unterschiedliche Zahl auf zwei Speisekarten erklärt den zugrunde liegenden Mechanismus allerdings noch nicht. Besonders wichtig ist die Unterscheidung zwischen einem Standortpreis und einem individuell berechneten Kundenpreis.
Auf der Speisekarte steht ein einzelner Betrag, hinter dem jedoch mehrere Entscheidungen liegen. Für einen Big Mac ist der Verkaufspreis nicht einfach mit den Kosten seiner Zutaten gleichzusetzen. Ein Restaurant muss außerdem seinen gesamten Betrieb finanzieren und einschätzen, wie viele Gäste zu einem bestimmten Preis bestellen. Schon ein gedanklicher Vergleich zweier Standorte zeigt das Problem einer einheitlichen Kalkulation: Selbst bei identischem Produkt könnten sich Raumkosten, Nachfrage und Konkurrenz unterscheiden. Daraus folgt nicht, dass jede tatsächlich beobachtete Preisdifferenz auf genau diese Faktoren zurückgeht. Es erklärt zunächst nur, weshalb ein gemeinsamer Markenname keinen mathematisch zwingenden Einheitspreis erzeugt. Für die Analyse müssen drei Fragen auseinandergehalten werden: Welche Daten stehen zur Verfügung, welche wirtschaftliche Zielgröße wird angestrebt und wer setzt den Betrag schließlich fest? Eine Software kann an einem oder mehreren dieser Schritte beteiligt sein. Ihre bloße Beteiligung beantwortet aber keine der Fragen vollständig.
Eine datenbasierte Preisempfehlung ist grundsätzlich eine Prognose unter Annahmen. Sie versucht abzuschätzen, welche Nachfrage sich bei verschiedenen Beträgen ergeben könnte. Der beobachtete Umsatz verrät dagegen nur, was unter den tatsächlich angebotenen Bedingungen verkauft wurde. Wie viele Bestellungen bei einem anderen Preis zustande gekommen wären, bleibt zunächst unbekannt. Zur Einordnung lässt sich ein einfaches Beispiel ohne Bezug zu konkreten Unternehmensdaten bilden: Ein Restaurant verkauft an einem Tag mehr Burger als an einem anderen. Das könnte mit dem Preis zusammenhängen, aber auch mit mehr Besuchern oder einem veränderten Angebot. Erst ein geeigneter Vergleich kann diese Erklärungen voneinander trennen. Eine große Datensammlung löst das Problem nicht allein durch ihren Umfang. Sie benötigt eine Auswertung, die die relevanten Unterschiede berücksichtigt. Die Aussage, künstliche Intelligenz berechne einen Preis, bezeichnet daher keinen objektiv einzig richtigen Betrag, sondern das Ergebnis eines bestimmten Verfahrens mit bestimmten Daten und Zielen.
Eine Reuters-Recherche vom 29. September 2026 beschreibt KI-gestützte Preisempfehlungen aus Verkaufs- und Wettbewerbsdaten. In Fresno kostete der Big Mac demnach 5,69 beziehungsweise 6,89 US-Dollar. Dass die Software diese Differenz verursacht hat, ließ sich nicht belegen. Rechnerisch liegen zwischen den Beträgen 1,20 US-Dollar, bezogen auf den niedrigeren Preis rund 21 Prozent. Diese Berechnung beschreibt einen Unterschied, aber noch keine Preissteigerung im Zeitverlauf. Dafür müsste derselbe Standort zu mehreren Zeitpunkten betrachtet werden. Ebenso wenig entsteht daraus ein Nachweis eines automatischen Zuschlags für eine bestimmte Person. Dafür müssten Angebote unter ansonsten vergleichbaren Bedingungen zwischen verschiedenen Kunden untersucht werden. Zwei Preise können also eine reale Differenz dokumentieren, während mehrere Erklärungen für ihr Zustandekommen offenbleiben. Diese Trennung ist entscheidend, damit aus einer nachvollziehbaren Beobachtung keine weitergehende Behauptung über einen nicht vollständig veröffentlichten Algorithmus wird.
In seinen Bedingungen für die Onlinebestellung hält McDonald’s fest, dass die Restaurants ihre Preise eigenständig bestimmen. Die Bedingungen nennen außerdem mögliche Unterschiede zwischen Standorten und zwischen Abholung und Lieferung. Eine Preisempfehlung ist damit von dem Betrag zu unterscheiden, den ein Restaurant tatsächlich verlangt. Diese formale Zuständigkeit beantwortet allerdings noch nicht, wie stark Betreiber ihre Entscheidung im Alltag an einer Software ausrichten. Dafür wären Einblicke in die konkreten Arbeitsabläufe erforderlich. Umgekehrt darf aus der Nutzung eines gemeinsamen Werkzeugs nicht automatisch geschlossen werden, die Software entscheide ohne menschliche Beteiligung. Auch die Liefergebühr ist nicht mit einem höheren Produktpreis gleichzusetzen. Beide können die Gesamtsumme verändern, gehören aber zu unterschiedlichen Bestandteilen der Bestellung. Ein sauberer Preisvergleich muss deshalb Produkt, Bestellweg, Standort, Zeitpunkt und mögliche Vergünstigungen auseinanderhalten. Andernfalls könnten Unterschiede des Vergleichs selbst fälschlich als Wirkung einer bestimmten Berechnungsmethode erscheinen.
Das wirtschaftliche Grundproblem lässt sich mit einer ausdrücklich hypothetischen Rechnung verdeutlichen. Bei einem Preis von fünf Euro und 100 verkauften Stück entstehen 500 Euro Umsatz. Werden bei sechs Euro nur noch 80 Stück verkauft, beträgt der Umsatz 480 Euro. Der höhere Einzelpreis hat dann nicht zu höheren Einnahmen geführt. Ob zugleich der Gewinn steigt oder fällt, lässt sich daraus noch nicht bestimmen, weil dafür die Kosten berücksichtigt werden müssen. Dieses Beispiel beschreibt keine tatsächlichen Verkaufszahlen von McDonald’s. Es zeigt den Unterschied zwischen Preis, Absatz, Umsatz und Gewinn, den jede entsprechende Optimierung berücksichtigen muss. Der Fachbegriff Preiselastizität bezeichnet, wie stark die nachgefragte Menge auf eine Preisänderung reagiert. Für eine zuverlässige Schätzung genügt es nicht, besonders hohe beobachtete Preise zu sammeln. Entscheidend ist, wie sich Bestellungen unter vergleichbaren Bedingungen verändern. Ein Algorithmus kann daher grundsätzlich sowohl eine Erhöhung als auch eine Senkung als geeignete Option berechnen, abhängig von Zielgröße und angenommenem Nachfrageverlauf.
Die britische Wettbewerbsbehörde unterscheidet in ihrem Forschungsbericht über Preisalgorithmen mehrere Mechanismen, die in der öffentlichen Diskussion häufig vermischt werden. Dynamische Preise verändern sich mit Bedingungen wie Nachfrage oder Verfügbarkeit. Personalisierte Preise unterscheiden dagegen zwischen Kunden anhand ihnen zugeordneter Merkmale. Eine regionale Preisdifferenz bildet noch keinen Nachweis für eines dieser beiden Verfahren. Ein Restaurant könnte seinen Preis über Wochen unverändert lassen, obwohl das benachbarte Restaurant einen anderen Betrag verlangt. Ebenso kann ein digital ausgegebener Gutschein einen individuellen Endbetrag erzeugen, ohne dass der reguläre Speisekartenpreis für jeden Kunden neu berechnet wird. Diese Beispiele dienen der begrifflichen Einordnung und behaupten keine konkrete Umsetzung bei McDonald’s. Für die jeweilige Zuordnung müssten die tatsächlich verwendeten Eingangsdaten und Entscheidungsregeln bekannt sein. Das Wort KI beschreibt zunächst eine Technik. Es legt weder die zeitliche Häufigkeit der Änderungen noch den Grad der Personalisierung oder die Richtung der Preisbewegung fest.
Unabhängig von der aktuellen Unternehmensrecherche untersucht die Wirtschaftsforschung, wie sich lernende Preisprogramme gegenseitig beeinflussen können. Eine 2020 im American Economic Review veröffentlichte Simulationsstudie von Emilio Calvano, Giacomo Calzolari, Vincenzo Denicolò und Sergio Pastorello verwendete dafür Q-Learning in einem Modell wiederholten Preiswettbewerbs. Unter den untersuchten Bedingungen lernten Programme, Preise oberhalb des Wettbewerbsniveaus zu verlangen, ohne direkt miteinander zu kommunizieren. Der Befund betrifft das verwendete Modell und ist kein Nachweis einer entsprechenden Praxis bei McDonald’s. Gerade diese Grenze ist wissenschaftlich wichtig: Eine Simulation kann zeigen, dass ein Mechanismus unter bestimmten Voraussetzungen möglich ist. Ob diese Voraussetzungen in einem konkreten Markt vorliegen, muss gesondert untersucht werden. Die Arbeit liefert somit einen Forschungsrahmen für mögliche Wechselwirkungen zwischen Preisalgorithmen, aber weder eine Analyse des hier eingesetzten Systems noch einen Beleg für eine rechtswidrige Absprache. Aus einem theoretisch möglichen Ergebnis folgt keine automatische Einordnung eines einzelnen Unternehmens.
Eine abschließende Bewertung des konkreten Systems würde mehr erfordern als einzelne Speisekarten und die Information, dass ein lernendes Verfahren verwendet wird. Wichtig wären unter anderem die genaue Zielgröße, die berücksichtigten Daten, die erlaubten Preisänderungen und der Anteil menschlich abgeänderter Empfehlungen. Ein Verfahren zur Steigerung des Umsatzes kann andere Vorschläge erzeugen als eines zur Steigerung des Gewinns oder zur Bindung von Stammkunden. Auch die Güte einer Prognose müsste an späteren Ergebnissen geprüft werden, nicht nur daran, wie gut sie bereits bekannte Daten beschreibt. Zur Einordnung gehört deshalb ein Vergleich mit einer nachvollziehbaren Alternative, etwa der bisherigen Preisplanung unter ähnlichen Bedingungen. Die vorliegenden Quellen liefern keine vollständige technische Spezifikation und keine kontrollierte Messung des KI-Anteils am einzelnen Burgerpreis. Ebenso belegen sie keine flächendeckende identische Anwendung in Deutschland. Der tragfähige Schluss bleibt enger: Bei der Beurteilung digitaler Preisplanung müssen Datenanalyse, Preisempfehlung und endgültige Festsetzung getrennt betrachtet werden, statt jede beobachtete Differenz automatisch einer KI zuzuschreiben.
American Economic Review, Artificial Intelligence, Algorithmic Pricing, and Collusion; doi:10.1257/aer.20190623