Der Einfluss künstlicher Intelligenz auf die Kartellerkennung

1) Einleitung: Das neue Gesicht der Kartelle auf den digitalen Märkten

Eine der schwerwiegendsten Verstöße gegen das Wettbewerbsrecht ist die Kartellbildung. In der klassischen Welt operierten Kartelle typischerweise durch geheime Treffen, verschlüsselte Kommunikation, Marktaufteilung und Absprachen bei Ausschreibungen. Die digitale Transformation hat dieses Bild grundlegend verändert, und zwar in zweierlei Hinsicht: (i) Unternehmen haben Zugang zu Technologien erhalten, die durch algorithmische Preisgestaltung , dynamische Gebotsabgabe und Marktüberwachungs-Bots Bedingungen schaffen können, die eine stillschweigende Einhaltung von Regeln begünstigen . (ii) Wettbewerbsbehörden können diese Technologien nun zur Aufdeckung , Überprüfung und Beweiserhebung nutzen

Die Frage lautet heute: Machen KI-gestützte Methoden Kartelle unsichtbarer oder erleichtern sie deren Aufdeckung? In der Praxis trifft beides zu. KI deckt verdächtige Muster in großen Datenmengen auf, stellt aber allein noch keinen „schlüssigen Beweis“ dar. Um technische Erkenntnisse im Sinne des Gesetzes Nr. 4054 in überzeugende Beweise umzuwandeln , bedarf es daher einer strengen rechtlichen und methodischen Überbrückung.

2) Konzeptueller Rahmen: Kartell, algorithmische Zusammenarbeit und Zuweisung von Verantwortung

2.1. Rechtlicher Rahmen des Kartells (Artikel 4054 Absatz 4)

Artikel 4 des Gesetzes Nr. 4054 Vereinbarungen, abgestimmte Handlungen und Beschlüsse von Unternehmensvereinigungen, . Preisabsprachen, Markt-/Kundenaufteilung und Absprachen bei Ausschreibungen sind typische schwerwiegende Verstöße in diesem Bereich. Ein Algorithmus ist ein „Werkzeug“; die Ergebnisse von Systemen, die durch menschlichen Willen entworfen, konfiguriert und betrieben werden, sind dem Unternehmen rechtlich zuzurechnen. Die Verteidigung mit dem Argument „Künstliche Intelligenz war schuld“ entbindet nicht von der Verantwortung.

2.2. Algorithmische Kollusion

Algorithmische Zusammenarbeit liegt vor, wenn Wettbewerber koordiniert agieren, indem sie dieselbe oder ähnliche Software/Regeln verwenden oder durch Bots, die unmittelbar auf Preissignale im Markt reagieren , ein stabiles, paralleles Verhalten erzeugen . In der Praxis lassen sich drei Arten der Risikodifferenzierung beobachten:

Gemeinsame Software/Anbieter (Hub & Spoke): Konvergenz der Ergebnisse mit Parametern, die von derselben Preisgestaltungssoftware oder demselben Berater gesteuert werden.
Überwachungs-Reaktions-Zyklus: Automatische Synchronisierung von Bots, die die Preise der Wettbewerber verfolgen oder dem Marktführer folgen.
Gemeinsame Daten/Regelsätze: Verhaltenskonvergenz von regelbasierten Vorlagen oder ähnlichen hyperparameterbasierten Lernmodellen, die sich auf dem Markt immer weiter verbreiten.

2.3. Die Grenzlinie: Stillschweigende Parallelität oder verbotene Koordination?

Reines Parallelverhalten allein stellt keine Verletzung dar. Wird Parallelverhalten jedoch Informationsaustausch, vereinbarte Regeln oder die Koordination über einen indirekten Vermittler unterstützt, entwickelt es sich zu einer schwerwiegenden Verletzung gemäß Artikel 4. Im Zeitalter der KI erfolgt die Unterscheidung wie folgt:

die Modellausgabe eine Verhaltenskonvergenz : Es wurde ein technisches Phänomen identifiziert.
diese Konvergenz Kommunikations-/Regel-/Common-Provider-Effekte , dann werden die Gründe für einen Rechtsverstoß gestärkt.

3) Technische Architektur der Kartellerkennung mittels künstlicher Intelligenz

3.1. Datenzusammenführung und -vorverarbeitung

Eine sinnvolle KI-Pipeline zur Kartellerkennung benötigt umfangreiche und rechtskonforme Daten:

Zeitreihen: Einzelhandels- und Großhandelspreise, Rabattzyklen, Kampagnen, Haltbarkeitseffekte.
Auktionsdaten: Gebotsbeträge, Zeitpunkt, Zuschlagsquoten, gemeinsame Bieternetzwerke.
Marktverhalten: Bestands-/Angebotsströme, Werbeübereinstimmungen, Indikatoren der Nachfrageelastizität.
Metadaten: Aufschlüsselung nach Filiale/Region, Produktfamilie, SKU-Beziehungen.

Die Datenqualität wird durch Maßnahmen wie Datenbereinigung , Ergänzung fehlender Werte , Normalisierung von Anomalien , Zeitstempelung und Währungsstandardisierung sichergestellt. Anonymisierung und Zugriffsberechtigungen werden von Anfang an neu gestaltet, um die DSGVO-Bestimmungen einzuhalten und Geschäftsgeheimnisse zu schützen.

3.2. Abschirmungsschichten (Mehrkanalansatz)

Anomalieerkennung: Muster, die Abweichungen von erwarteten Wettbewerbsmustern anzeigen (starke gleichzeitige Steigerungen, Margenstarre, systematische Synchronisierung von Rabatten usw.).
Clustering und Netzwerkanalyse : Modulare Cluster in Graphnetzwerken basierend auf konzerninternen Geboten , ähnlichen Preis-/Rabattmustern und Lieferantenpartnerschaften .
Überwachte Klassifizierung: Lernen aus bekannten Fällen und von Risikobewertungen .
Ursache-Wirkungs-Analyse : Vergleichsdiagramme, die scheinbar harmlose Erklärungen wie Kosten, Wechselkurse, Saisonalität und Angebotsschocks aussortieren .

3.3. Schwellenwerte, Umgang mit falsch-positiven Ergebnissen und der „menschliche Kreis“

Ein niedriger Schwellenwert eine frühzeitige Warnung aber Fehlalarmen ; ein hoher Schwellenwert das Risiko, die Warnung zu übersehen . Lösung:

Schrittweises Screening (breit → eng),
Ein Kompromiss zwischen den beiden Modellen (z. B. Anomalie + Netzwerkdichte),
Experten-/Prüferprüfung (menschlicher Kreis) und
Reproduzierbarer Entscheidungsprozess mit nachvollziehbaren Protokollen

3.4. Die Brücke zur Transformation von Evidenz

Die mithilfe von KI identifizierten Muster werden durch Vor-Ort-Besichtigungen , die Auswertung von Dokumenten und E-Mails , Frage-Antwort-Runden , Zeugenaussagen und ökonometrische Bestätigung zu einem Beweispaket zusammengeführt. Dadurch werden technische Zweifel gemäß Artikel 4 zu überzeugenden Beweisen erhoben .

4) Verfahren, Beweismittel und Nachweis: Rechtliche Bewertung von KI-Ergebnissen

4.1. Die drei Säulen des Beweisregimes

Rechtmäßige Datenerhebung: Vor-Ort-Prüfung einschließlich digitaler Kopien, Hashwerte und Speicherkette; Einhaltung der DSGVO und Schutz von Geschäftsgeheimnissen.
Expertenbewertung: Modellarchitektur, Trainingsdaten, Fehlerraten, alternative Erklärungen.
Erklärbarkeit: Nachvollziehbarkeit von Entscheidungsprozessen; interpretierbare Kriterien oder zusammenfassende Erklärungen (Gewichtung von Merkmalen, SHAP/LIME-ähnliche Interpretationstechniken – als Ergebnisbericht mit technischen Details, die dem jeweiligen Fall angemessen sind).

4.2. Beweismaßstab und Gegenbeweise

Ein technisches Signal kann für die Einleitung einer Beschwerde/Voruntersuchung ausreichend sein
Für eine Verwaltungsstrafe und eine endgültige Entscheidung sind mehrere Beweismittel erforderlich . Wenn die Verteidigung scheinbar harmlose Erklärungen wie Nachfrageeinbrüche, Kostensteigerungen, regulatorische Auswirkungen, saisonale Kampagnen oder Lagerumschlagsstrategien vorbringt , müssen die Ergebnisse des Modells erneut überprüft werden .

4.3. Geschäftsgeheimnisse und Datenschutz

Bei der gemeinsamen Datennutzung sind die Segmentierung von Geschäftsgeheimnissen , Datenräumen , Anonymisierung und Zugriffsprotokollen von Bedeutung. Im Streitfall kann die Offenlegung von Code-Modell-Einblicken gemäß den Grundsätzen der Verhältnismäßigkeit und Notwendigkeit eingeschränkt werden; die Nachvollziehbarkeit bleibt jedoch gewahrt.

5) Türkische Rechtsperspektive: Institutionelle Prozesse und Instrumente

5.1. Prozessablauf (Zusammenfassung)

Beschwerde/Meldung oder Scansignal
Vorstudie: Marktanalyse, Benchmarking, Anforderung grundlegender Daten.
Untersuchung: Vor-Ort-Besichtigung, digitale Datenanalyse, Überprüfung der Protokollierungsrichtlinien, Einholung von Informationen bei Dritten.
Bewertung: Technischer Bericht + Wirtschaftlichkeitsanalyse + Nachweis der Kommunikation.
Lösungsmechanismen: Kompromiss, Verpflichtung oder endgültige Entscheidung.
Gerichtliche Überprüfung: Anfechtungsverfahren (Verfahren, Beweisführung, Verhältnismäßigkeit)

5.2. Bedauern und Versöhnung/Verpflichtung

Reue spielt eine Schlüsselrolle beim Zugang zu Beweismitteln innerhalb von Kartellen. Die von KI gefundenen „Spuren“ führen zu internen Überprüfungen und aktiver Kooperation . Versöhnungs- und Verpflichtungsmechanismen sind wertvoll, insbesondere um die Aufrechterhaltung von Verhaltenskorrekturen und Verpflichtungen zur Algorithmensteuerung zu gewährleisten

6) Praktische Compliance-Architektur für Unternehmen: „Algorithmen-Governance“

Unternehmen, die Algorithmen verwenden, wird empfohlen, folgendes Strukturmodell einzuführen , um dem Wettbewerbsrecht zu entsprechen :

6.1. Richtlinien und Organisation

Richtlinie für das Algorithmenmanagement: Ein einheitlicher Rahmen, der Wettbewerbs-, DSGVO-, Verbraucher- und Geschäftsgeheimnisaspekte vereint.
Aufsichtsgremium: Rechtsabteilung, Datenwissenschaft, interne Revision, Produktteams.
Aufgabenverteilung: Produktverantwortlicher + Rechtsansprechpartner + Datenschutzbeauftragter.

6.2. Inventarisierung und Klassifizierung

Modellinventar: Zielsetzung, Datenquellen, Zielmarkt, Entscheidungstyp, Ebenen der menschlichen Interaktion.
Risikoklassen: „Niedrig/Mittel/Hoch“ (z. B. klassifizieren preisbestimmende Modelle automatisch als „hohes Risiko“).
Lebenszyklusdokumentation: Entwicklung, Test, Inbetriebnahme, Aktualisierung, Außerbetriebnahme.

6.3. Prüfpunkte für das Datenmodell

Datenhygiene: Filter, die Daten von Wettbewerbern ausschließen; eine „Überwachungsschwelle“ für öffentlich verfügbare Preise; eine Blacklist für sensible Variablen.
Modellbeschränkungen : Regeln, die die „direkte Reaktion auf das Verhalten von Wettbewerbern“ einschränken; Abschaffung der Schwelle, die das Folgen des Marktführers auslöst
Verhaltenssimulationen : Antikollisions-Stresstests (Verringerung der Reaktionsgeschwindigkeit auf die Bewegungen des Gegners, Verringerung der Persistenz des Ausgleichs) anstelle von A/B-Tests
Protokollierung: Eingabe/Ausgabe, Regelversionen, Überschreibungsprotokolle, Warn-/Bestätigungsablauf.

6.4. Lieferanten- und Vertragsbedingungen

Mit dem Softwareanbieter :
- „Die Einstellungen für den ‚Synchronisierungs-/Koordinierungs-Facilitator‘ sollten standardmäßig deaktiviert sein.“
- Zugriff auf Parameter- und Aktualisierungsprotokolle,
- Unabhängige Prüfung und forensische Urheberrechtsanalyse,
- Garantien für die Einhaltung des Wettbewerbsrechts und Haftungsfreistellungen.

6.5. Menschlicher Ring und Arrestmechanismus

Genehmigungsschwellen : Große Preissprünge oder eine Angleichung der Preise von Wettbewerbern werden nicht ohne menschliche Genehmigung umgesetzt
Not-Aus-Schalter: Bei Verdacht auf einen Koordinationsfehler kehrt das Modell automatisch in den sicheren Modus (statische Einstellungen) zurück.
Schulung : Wettbewerbs-/Algorithmenmodule für Produkt- und Datenteams ; Fallstudiensimulationen

7) Richtlinien für die KI-Nutzung aus Sicht einer Behörde

7.1. Methodische Sicherstellung

Ansatz mit mehreren Modellen: Kombination aus Netzwerkdichte + Anomalie + statistischen Tests.
Kausalitätsfilter: Eine Ebene, die automatisch harmlose Erklärungen wie Kosten, Steuern, regulatorische Änderungen und Währungsschocks ausschließt.
Schwellenwertkalibrierung: Unterschiedliche Empfindlichkeiten je nach Markt und Produkt.
Wiederholbarkeit: Die Anforderung, dass bei gleichen Eingaben das gleiche Ergebnis erzielt wird; unabhängige Validierungsprotokolle.

7.2. Verfahrenstransparenz

Signalbrief(anonymisiert),
Ausreichende Begründung für das Recht auf Verteidigung
im Entscheidungstext sollte einfach und nachvollziehbar sein.

8) Anwendungsszenarien speziell für Ausschreibungen und den Einzelhandel

8.1. Öffentliches Beschaffungswesen

Muster 1: Wechselnder Gewinn – die Firmen geben abwechselnd die niedrigsten Gebote ab, die Margen stabilisieren sich oberhalb der „natürlichen“ Grenzen.
Muster 2: Komplementäre Angebote – einige Firmen nehmen an der Ausschreibung teil, machen aber durch hohe, nicht konkurrenzfähige Angebote auf sich aufmerksam.
KI-Ansatz: Netzwerkdiagramm mit Dichte gemeinsamer Bewerbungen, Verteilung der Angebotsdifferenzen und Margenschwellenwerten nach Projekttyp.

8.2. Einzelhandels-/Online-Märkte

Muster 1: Leader-Tracking – automatische Synchronisierung mit den sekundenschnellen Änderungen des Hauptakteurs.
Muster 2: Stabile Marge – die Marge bleibt trotz Kostenschwankungen synchronisiert und stabil.
KI-Ansatz: Aufschlüsselung von Nachfrage- und Kostendaten in Paneldaten; Preissynchronisation mit dem Aktionskalender.

9) Von der Beweisaufnahme zum Urteil: Fallstruktur und Verteidigungsstrategien

9.1. Administrative Aspekte

Beweismaterial: Modellergebnisse + E-Mail/Nachricht + Notizen aus der Vor-Ort-Inspektion + Stellungnahmen Dritter + ökonometrische Bestätigung.
Verhältnismäßigkeit : Vorsicht ist geboten bei der Abwägung der Höhe der Geldbuße und der Dauer des Verstoßes, wenn im Modell die Gefahr falsch positiver Ergebnisse besteht
Kompromiss/Verpflichtung: Schnelle Marktkorrektur durch Verpflichtungen zur Algorithmensteuerung.

9.2. Verteidigung des Versuchs

Einfache Erklärungen: Kosten-Wechselkurs-Effekt, saisonale Werbeaktionen, Datenfehler.
Verfahrensrechtliche Einwände: Unregelmäßigkeiten bei der Beschaffung des Berichts, Verletzung der Vertraulichkeit, Unfähigkeit zur Offenlegung des Berichts.
Korrekturplan: Parameteränderung, Kontrollinstanz, externe Prüfung.

10) Ausgleich zwischen dem Gesetz zum Schutz personenbezogener Daten (KVKK) und Geschäftsgeheimnissen

In KI-Projekten sollte der Bedarf an personenbezogenen Daten minimiert und nach Möglichkeit anonymisierte/pseudonymisierte Daten verwendet werden . Zweckbindung , Datenminimierung , Aufbewahrungsfristen , Zugriffsberechtigungen und Richtlinien zur Datenlöschung müssen klar definiert werden. Datenräume für Geschäftsgeheimnisse , anonymisierte Berichterstattung , Zugriffsprotokolle und vertragliche Geheimhaltungsverpflichtungen sollten eingerichtet werden.

#Kartellrecht, Gesetz Nr. 4054, Rechtsberatung, Blog, Anwalt in Istanbul, Artikel, Wettbewerbsrecht, Wettbewerbsbehörde, Türkisches Recht, Künstliche Intelligenz

Einzelner Blogtitel