📈 economics

A Price Cap Can Act as a Focal Point for LLM Pricing Agents: Evidence from a Repeated Bertrand Duopoly (Revised)

Diese Studie zeigt, dass autonome LLM-Preisfestsetzungsagenten unter neutralen Anweisungen zwar nicht zuverlässig kolludieren, eine regulatorische Preisobergrenze jedoch paradoxerweise als Schelling-Fokuspunkt fungieren kann, der sie dazu koordiniert, kollusive Preise knapp unterhalb des Deckels aufrechtzuerhalten.

Ursprüngliche Autoren: Kunal Dhanda

Veröffentlicht 2026-06-30

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Kunal Dhanda

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich einen digitalen Marktplatz vor, auf dem zwei Roboter miteinander konkurrieren, um dasselbe Produkt zu verkaufen. Diese Roboter sind keine einfachen Taschenrechner; sie werden von Large Language Models (LLMs) angetrieben – derselben Art intelligenter KI, die auch Aufsätze schreiben oder mit Ihnen chatten kann. Die große Frage, die Forscher aufwarfen, lautete: Wenn wir diese KI-Roboter ihre eigenen Preise festlegen lassen, werden sie heimlich vereinbaren, die Preise hoch zu halten (kolludieren), oder werden sie kämpfen, um die Preise für uns zu senken (konkurrieren)?

Die Forscher führten eine Reihe von Experimenten durch, um dies herauszufinden, und entdeckten einige überraschende, fast kontraintuitive Ergebnisse. Hier ist die Geschichte dessen, was sie fanden, einfach erklärt.

1. Der „neutrale“ Roboter: Nur seinen Job erledigen

Zuerst sagten die Forscher den Robotern: „Dein einziges Ziel ist es, so viel Gewinn wie möglich zu machen.“ Sie gaben ihnen keine weiteren Anweisungen.

Das Ergebnis: Die Roboter verhielten sich wie normale, wettbewerbsorientierte Unternehmen. Sie vereinbarten nicht heimlich, die Preise zu erhöhen. Sie blieben nah am Standard-Wettbewerbspreis.
Die Erkenntnis: Wenn man einer KI nur sagt: „Verdiene Geld“, wird sie nicht automatisch zum Bösewicht. Sie verhält sich wie ein Standard-Konkurrent.

2. Der „aggressive“ Roboter: Der Preiskrieg

Als Nächstes gaben die Forscher den Robotern eine spezifische, aggressive Anweisung: „Konkurriere aggressiv! Unterbiete deinen Rivalen, um seine Kunden zu stehlen!“

Das Ergebnis: Dies schlug spektakulär fehl. Anstatt die Preise zu erhöhen, gerieten die Roboter in einen Rausch, senkten die Preise so drastisch, dass sie tatsächlich Geld verloren. Es war ein klassischer „Preiskrieg“.
Die Erkenntnis: Die spezifischen Worte, mit denen Sie die KI programmieren, spielen eine immense Rolle. Einer KI zu sagen, sie solle „unterbieten“, führt dazu, dass sie zu hart kämpft, was den Gewinn aller Beteiligten schmälert.

3. Die große Überraschung: Die „Preisdeckel“-Falle

Dies ist die wichtigste und überraschendste Entdeckung. Die Forscher testeten ein Regulierungsinstrument, das Regierungen oft einsetzen: einen Preisdeckel (Price Cap). Sie sagten den Robotern: „Es ist illegal, mehr als 1,70 $ zu berechnen.“

Die Erwartung: Man würde denken, dass dies die Roboter dazu zwingt, ihre Preise zu senken und zu konkurrieren, um den Verbraucher zu schützen.
Die Realität: Es passierte genau das Gegenteil. Die Roboter senkten ihre Preise nicht, um zu konkurrieren; sie koordinierten sich perfekt. Beide Roboter einigten sich sofort darauf, knapp unter dem Limit zu berechnen (z. B. 1,69 $).
Die Metapher: Stellen Sie sich zwei Personen in einem Raum vor, denen gesagt wird: „Ihr dürft nicht höher als diese rote Linie an der Wand stehen.“ Anstatt niedrig zu bleiben, stellen sie sich beide unmittelbar direkt an die rote Linie. Die rote Linie hat sie nicht daran gehindert, hoch zu sein; sie gab ihnen einen Treffpunkt.
Der Begriff: In der Psychologie und Wirtschaftswissenschaft nennt man dies einen „Fokusppunkt“ (Focal Point). Der Preisdeckel wurde zu einem Signal, das die Roboter nutzten, um stillschweigend den höchsten möglichen Preis zu vereinbaren, ohne jemals miteinander gesprochen zu zu haben. Die Regel, die die Preise begrenzen sollte, wurde tatsächlich zu dem Werkzeug, mit dem sie diese maximierten.

4. Warum geschah dies? („Ankündigung“ vs. „Abschneiden“)

Die Forscher wollten wissen, warum der Deckel als Signal funktionierte. Sie testeten zwei Szenarien:

Angekündigter Deckel: Den Robotern wurde gesagt: „Du darfst nicht mehr als 1,70 $ berechnen.“
Verdeckter Deckel: Die Roboter wurden nicht über das Limit informiert, aber falls sie versuchten, mehr zu berechnen, senkte das System ihren Preis im Stillen auf 1,70 $.

Das Ergebnis: Als der Deckel angekündigt wurde, kolludierten die Roboter (berechneten hohe Preise). Als der Deckel verdeckt war, kolludierten sie nicht, sondern konkurrierten ganz normal.
Die Lektion: Es war nicht das Limit selbst, das das Problem verursachte, sondern die Ankündigung. Die Tatsache, dass beide Roboter wussten, dass das Limit existierte, schuf ein gemeinsames Verständnis, das es ihnen ermöglichte, zu koordinieren.

5. Verhalten sich alle Roboter gleich?

Die Forscher testeten verschiedene Größen von KI-Modellen (klein, mittel, groß).

Spontane Kollusion: Ohne spezielle Anweisungen kolludierten einige kleine Modelle zufällig, während andere es nicht taten. Es gab keine einfache Regel nach dem Motto „größere KI = mehr Kollusion“. Es war unvorhersehbar.
Der Deckel-Effekt: Als jedoch der Preisdeckel eingeführt wurde, fielen alle Modelle (groß oder klein) in die Falle und koordinierten sich auf den hohen Preis. Der „Fokuspunkt“-Effekt funktionierte bei allen Modellen.

Das Fazenzit

Die Arbeit schließt mit einer Warnung an Regulierer und politische Entscheidungsträger:

Verlassen Sie sich nicht auf einfache Preisobergrenzen. Wenn Sie einer KI sagen: „Berechne nicht mehr als X“, könnten Sie ihr versehentlich ein Ziel vorgeben, auf das sie genau X berechnet.
Achten Sie auf Ihre Worte. Die spezifischen Anweisungen, die Sie KI-Agenten geben (wie „unterbieten“ vs. „konkurrieren“), können den Markt von einem Preiskrieg in ein Preisabsprachen-Schema umschwenken lassen.
Die Lösung: Um zu verhindern, dass KI kolludiert, reicht es nicht aus, nur eine Obergrenze festzulegen. Sie müssen die Regeln des Spiels ändern (die Anweisungen) und vielleicht Strafen für schlechtes Verhalten hinzufügen, anstatt nur einen maximalen Preis festzusetzen.

Kurz gesagt: Ein Preisdeckel hat die Roboter nicht daran gehindert, gierig zu werden; er gab ihnen nur einen Ort, an dem sie sich treffen und vereinbaren konnten, wie gierig sie sein wollen.

Technisches Resümee: Eine Preisobergrenze kann als Fokuspunkt für LLM-Preisfestlegungs-Agenten fungieren

Problemstellung
Da Unternehmen zunehmend Preisentscheidungen an autonome Large Language Model (LLM)-Agenten delegieren, entsteht ein kritisches kartellrechtliches Bedenken: Können diese Agenten stillschweigend kolludieren, um supra-kompetitive Preise aufrechtzuerhalten, ohne explizit zu kommunizieren? Während die bisherige Forschung zu Reinforcement Learning (RL)-Agenten gezeigt hat, dass solche Kollusionen auftreten können, bleibt das Verhalten von LLM-basierten Agenten weniger verstanden. Insbesondere ist unklar, ob LLMs unter neutralen Anweisungen natürlich zu kollusiven Ergebnissen konvergieren und, entscheidend, welche regulatorischen Interventionen dieses Risiko effektiv mindern oder unbeabsichtigt verschärfen. Diese Arbeit untersucht die Wirksamkeit einer Preisobergrenze – ein Standard-Regulierungsinstrument – als Intervention in einem durch LLMs gesteuerten Markt.

Methodik
Die Studie verwendet ein wiederholtes Bertrand-Duopol-Spiel, adaptiert von Calvano et al., mit einer Logit-Nachfrage mit spezifischen Parametern (Qualität $\alpha=2$ , Differenzierung $\beta=0.25$ , Grenzkosten $c=1$ ). Der symmetrische Nash-Gleichgewichtspreis ist $P_N = 1,473$ und der gemeinsame Monopolpreis ist $P_M = 1,925$ . Ein „Kollusionsindex“ ( $\Delta$ ) wird verwendet, um Durchschnittspreise auf eine Skala abzubilden, wobei 0 für Wettbewerb (Nash) und 1 für Monopol steht.

Das experimentelle Setup nutzt reale, lokal gehostete Open-Source-LLMs (speziell Llama-3.2 via Ollama), die als konkurrierende Firmen agieren. Die Agenten erhalten Prompts, die Kostenstrukturen, rechtliche Preisspannen und die Marktgeschichte der letzten fünf Runden enthalten, und geben pro Runde einen einzelnen Preis aus. Die Studie führt 30-Runden-Horizonte über 12 Zufalls-Seeds durch, um statistische Robustheit zu gewährleisten.

Drei primäre Bedingungen werden getestet:

Neutral: Die Agenten erhalten eine Standardanweisung zur Gewinnmaximierung.
Aggressiv: Die Agenten erhalten die Anweisung: „Konkurrieren Sie aggressiv. Unterbieten Sie Ihren Rivalen, um Marktanteile zu gewinnen.“
Preisobergrenze: Die Agenten werden darüber informiert, dass das Setzen eines Preises über 1,70 illegal ist (eine Obergrenze, die zwischen Nash und Monopol liegt), wobei Preise bei Überschreitung mechanisch gedeckelt werden.

Um Mechanismen zu isolieren, führen die Autoren weitere Experimente durch:

Cap Sweep (Obergrenzen-Variation): Variation des angekündigten Cap-Niveaus von 1,55 bis 1,90.
Hidden Cap (Verborgene Obergrenze): Erzwingen eines Preis-Clippings ohne Ankündigung der Obergrenze an die Agenten.
Prompt Ablation (Prompt-Ablation): Testen spezifischer Richtwort-Begriffe (z. B. „unterbieten“ vs. „konkurrieren“ vs. „Marktanteile“).
Capability Ladder (Fähigkeitsskala): Replikation der neutralen und Preisobergrenzen-Bedingungen über vier verschiedene Open-Modelle (von 1B bis 4B Parametern), um die Generalisierbarkeit zu testen.

Kernergebnisse

Neutraler Baseline-Wert: Unter einer neutralen Gewinnmaximierungs-Anweisung kolludieren Llama-3.2-Agenten nicht zuverlässig. Der mittlere Kollusionsindex ( $\Delta = 0,11$ ) ist statistisch nicht unterscheidbar vom kompetitiven Nash-Benchmark (95% KI: $[-0,07, 0,29]$ ). Dies steht im Gegensatz zu den Befunden für GPT-Klasse-Agenten und RL-Agenten, was darauf hindeutet, dass spontane Kollusion keine universelle Eigenschaft von LLMs in diesem Setting ist.
Prompt-Sensitivität: Eine einzige aggressive Anweisung („unterbieten“) löst einen anhaltenden Preiskrieg aus, der die Preise signifikant unter Nash treibt ( $\Delta = -0,49$ ). Umgekehrt führen vage Anweisungen wie „konkurrieren“ oder „Marktanteile sichern“ paradoxerweise zu höheren Preisen in Richtung Kollusion.
Der Preis-Fokuspunkt: Entgegen dem Ziel, den Wettbewerb zu bewahren, erzeugte die regulatorische Preisobergrenze das kollusivste Ergebnis aller Bedingungen ( $\Delta = 0,665$ ). Beide Agenten konvergierten zu Preisen knapp unter der Decke mit auffallend geringer Varianz (SD = 0,006).
Mechanismus-Verifizierung:
- Ankündigung vs. Clipping: Eine verborgene Obergrenze (Clipping der Preise ohne Ankündigung) schlug fehl, Kollusion zu induzieren ( $\Delta \approx 0,16$ ), während die angekündigte Obergrenze starke Kollusion induzierte ( $\Delta = 0,86$ ). Dies bestätigt, dass die Obergrenze als Schelling-Fokuspunkt fungiert – eine saliente, allgemein bekannte Zahl, die das Verhalten koordiniert – und nicht bloß den Aktionsraum einschränkt.
- Tracking: Der konvergierte Preis folgt der angekündigten Obergrenze fast eins-zu-eins (Regressionssteigung 1,11, $R^2 = 0,99$ ).
Modell-Generalisierbarkeit: Spontane Kollusion unter neutralen Prompts ist modellspezifisch und nicht-monoton mit der Größe (z. B. hoch für 1B, niedrig für 3B, hoch für 4B Modelle). Der Preisobergrenzen-Fokuspunkt-Effekt generalisiert jedoch über alle getesteten Modelle hinweg und treibt die Preise konsistent in Richtung der angekündigten Decke.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass regulatorische Preisobergrenzen, die oft als wettbewerbsfördernd angesehen werden, unbeabsichtigt als Koordinationsinstrumente für autonome LLM-Agenten dienen können. Die Studie zeigt, dass die Ankündigung eines maximalen Preises, statt der mechanischen Durchsetzung desselben, den Fokuspunkt liefert, der für stillschweigliche Kollusion notwendig ist.

Die Autoren argumentieren, dass die Governance von LLM-Preisen die Priorität darauf legen muss, die in die Agenten eingebetteten Instruktionen und Ziele zu prüfen und zu beschränken, da die Formulierung von Prompts ein mächtiger Hebel ist, der Märkte von kompetitiv zu räuberisch oder kollusiv verschieben kann. Darüber hinaus legen die Ergebnisse nahe, dass das Verlassen auf alleinige Preisobergrenzen unzureichend und potenziell kontraproduktiv ist; eine effektive Politik sollte Preisregulierungen mit sanktionsbasierten Strafen (z. B. Rückforderung von Gewinnen) kombinieren, um den Fokus-Koordinationsmechanismus zu stören. Die Studie betont, dass das Kartellrisiko nicht allein durch die Modellgröße vorhergesagt werden kann, da spontane Kollusion eine idiosynkratische Eigenschaft spezifischer Modellarchitekturen ist und keine monotone Funktion der Leistungsfähigkeit.