Wettbewerbsrecht auf algorithmischen Märkten

|

Peter Georg Picht | Benedikt Freund

Gemeinsam mit den Teilnehmenden des CIPCO-Workshops

Algorithmen und Algorithmus-getriebene Computerprogramme sind zu unentbehrlichen Werkzeugen für den Erfolg auf digitalen Märkten geworden, und dies gilt keineswegs nur für Big-Data-Geschäftsmodelle, die einem vielleicht spontan als relevant in den Sinn kommen. Einerseits kann sich ihr Einsatz fraglos positiv auf das Allgemein- und das Konsumentenwohl auswirken, etwa durch die Reduktion von Such- und Transaktionskosten, die bessere Steuerung von Preisen und Mengen sowie die effektivere Zusammenführung von Angebot und Nachfrage. Andererseits können diese digitalen Instrumente abgestimmte Verhaltensweisen von Wettbewerbern begünstigen, die Wahlfreiheit der Konsumenten einschränken, ja sogar zur Bedrohung für eine pluralistische Gesellschaft werden. Nicht zuletzt, weil algorithmische Marktaktivität manch traditionelles Marktmodell der Ökonomie infrage stellt, ist derzeit unklar, ob und wie die neuen Herausforderungen mit den etablierten Instrumenten des (Kartell-)Rechts gemeistert werden können oder ob es neuartiger Instrumentarien, etwa einer spezifischen Regulierung, bedarf.

Das Center for Intellectual Property and Competition Law (CIPCO) der Universität Zürich hat diese Fragen | im Februar 2018 zum Gegenstand eines Workshops gemacht. Den ersten von drei Themenblöcken bildeten die technischen und ökonomischen Grundlagen der Materie, den zweiten die möglichen Auswirkung für Konsumenten, den dritten das bereits existierende Fallrecht sowie die Praxis- und Fundamentalansätze der Wettbewerbsbehörden.

Referierende des Workshops waren Experten aus Lehre, Praxis sowie unterschiedlichen Wettbewerbsbehörden. Zu ihnen gehörten Antonio Capobianco, LL.M. (Senior Competition Law Expert, OECD), Prof. Michal S. Gal, LL.M. (Professorin, Universität Haifa), Dr. Hubert Orso Gilliéron (Partner, Baker McKenzie), Prof. Andreas Heinemann, DIAP (ENA, Paris) (Professor, Universität Zürich, Präsident der schweizerischen Wettbewerbskommission), Dr. Pranvera Këllezi, LL.M. (Kellëzi Legal, Mitglied der schweizerischen Wettbewerbskommission), Prof. Daryl Lim, LL.M. (Professor, John Marshall Law School), David Mamane, LL.M. (Partner, Schellenberg Wittmer), Prof. Salil K. Mehra (Professor, Temple-Universität), Dr. Marcel Meinhardt, LL.M. (Partner, Lenz & Staehelin), Cyril Ritter (Generaldirektion Wettbewerb, EU-Kommission), Prof. Rolf H. Weber (Professor emeritus, Universität Zürich, Konsulent, Bratschi AG) sowie Prof. Peter Georg Picht, LL.M. (Professor, Universität Zürich). Die Workshop-Resultate wurden im Rahmen einer vom CIPCO und vom Europa Institut an der Universität Zürich veranstalteten Podiumsdiskussion der Öffentlichkeit präsentiert.

Im Dienste eines offenen Gedankenaustausches fand der Workshop unter Geltung der Chatham-House-Regel statt, sodass seine Inhalte im Anschluss weitergegeben werden können, jedoch nicht unter Zuordnung zu einem bestimmten Teilnehmer.

Im ersten Teil dieses Themenblocks wurde die Funktionsweise von algorithmischer Computersoftware vertieft erörtert, wobei der Schwerpunkt auf der algorithmischen Preisgestaltung lag. Der zweite Teil adressierte die ökonomische Seite, insbesondere das ökonomisch-theoretische Fundament der Rechtsregeln über abgestimmte Verhaltensweisen (tacit collusion) und die Frage, inwiefern der Einsatz algorithmischer Software derartige Verhaltensweisen begünstigen kann.

Der Einsatz von Algorithmen – also vor allem von Softwarecode, die technischen Systemen Anweisungen zur Problemlösung erteilen – ist an sich kein völlig neues Phänomen. Neu ist hingegen, in welchem Ausmass heute grosse Datenmengen ohne direktes menschliches Zutun gesammelt und verarbeitet werden können. Diese technische Entwicklung interagiert mit – und ist Treiber – einer Verlagerung des Wettbewerbsschwerpunkts von der Optimierung der Angebots- zur Optimierung der Nachfrageseite. Algorithmische Computerprogramme sammeln selbständig grosse Datenmengen, u. a. durch die Aufzeichnung von wiederum durch Algorithmen ausgeführten Konsumenten-Transaktionen, analysieren diese und nutzen die Ergebnisse bei der Festlegung von (Konsumenten-)Preisen, all dies autonom und mit einer von Menschen nicht erreichbaren Geschwindigkeit.

Damit ein Preissetzungsalgorithmus seine Hauptfunktionen – die Beobachtung der Preisentwicklung und die Anpassung der eigenen Preisgestaltung – erfüllen kann, muss er entsprechend programmiert werden, was insbesondere die Festsetzung der jeweils zu berücksichtigenden Parameter durch den Programmierer bzw. den Betreiber der Software einschliesst. Durch passende Setzung der Parameter kann dem Algorithmus auch eine bestimmte Strategie vorgegeben werden, wie bspw. die Anpassung an den höchsten von einem Konkurrenten gebotenen Preis. Auch für die Wettbewerbsrechtsdurchsetzung haben diese Gegebenheiten Bedeutung: Die Programmierungsdokumentation, die als relevant gewählten Parameter, möglicherweise gar der Code selbst werden die Basis für die wettbewerbsrechtliche Einschätzung bilden, und auf sie wird sich der Zugriff der Wettbewerbsbehörden richten müssen.

Am Vorstehenden zeigt sich bereits, dass selbst herkömmliche, nicht selbstlernende Algorithmen keineswegs auf das passive Befolgen eines vordefi- | nierten Regelwerks beschränkt bleiben müssen. Vielmehr können sie reaktiv auf ihre Umgebung eingehen, wenn der Programmiervorgang externe Gegebenheiten als relevante Parameter definiert hat, wie zum Beispiel die Preisstrategie eines Konkurrenten, Konsumenten-Präferenzen oder das Wetter. Jedoch bleibt es bei Algorithmen dieses Komplexitätsniveaus stets der Mensch, der die zu berücksichtigenden Parameter und die Modalitäten der Reaktion auf eine Veränderung dieser Parameter vorgibt.

Eine Entwicklungsstufe weiter sind «selbstlernende» (deep learning) Algorithmen. Je weiter sie sich auf den Komplexitätsgrad der «künstlichen Intelligenz» (artificial intelligence) zubewegen, desto stärker liegt ihnen als Konzept eine Nachbildung des menschlichen Gehirns durch die Schaffung eines künstlichen neuronalen Netzes zugrunde, welches der Struktur biologischer Neuronen ähnelt, die das Denken und Handeln des Menschen lenken. Im Gegensatz zu herkömmlichen sind selbstlernende Algorithmen in der Lage, Entscheidungen unabhängig(er) von vordefinierten Regeln und Parametern zu treffen. Insbesondere können sie Zusammenhänge in einem gegebenen Datensatz erkennen und, nicht zuletzt durch das Auswerten ihrer eigenen Aktionsmuster, eine auf diese Zusammenhänge abgestimmte Reaktion bzw. Strategie entwickeln. Die Resultate selbstlernender Algorithmen sind unter Umständen selbst für deren Programmierer bzw. Implementierer schwer vorhersehbar, und dieser Effekt verstärkt sich tendenziell mit zunehmendem Zeitablauf, zunehmender Anzahl der durch den Algorithmus durchgeführten Transaktionen sowie (dadurch bedingt) der zunehmenden Komplexität eines etwaigen quasineuronalen Netzwerks. Komplexe Algorithmen sind, in vielen Kontexten, nicht nur schneller und effizienter in der Erkennung von Zusammenhängen und entsprechenden Strategien als das menschliche Gehirn, sie können auch Zusammenhänge und Muster identifizieren, die ein Mensch nicht erkennen würde. Über seine Bewertungs- und Entscheidungsfindungsprozesse liefert der Algorithmus dabei in der Regel keine Informationen, was ihn zu einer Art «Blackbox» macht. Für Behörden oder Gerichte, die die Rechtskonformität algorithmischen Agierens beurteilen sollen, kann sich dieses Problem noch verschärfen, wenn der Programmcode gezielt auf eine Verdeckung seines Lösungswegs ausgerichtet wird (obfuscation).

Es liegt auf der Hand, dass die Kontrollierbarkeit und Vorhersagbarkeit der Resultate eines Algorithmus für dessen Programmierer bzw. Implementierer Bedeutung bei der Entwicklung angemessener Verhaltensregeln und Sanktionen durch die Rechtsordnung haben können. Zwar dürfte ein flächendeckender Einsatz von hochkomplexen selbstlernenden Algorithmen nicht unmittelbar bevorstehen, die Etablierung eines passenden Rechtsrahmens für einfachere, nicht selbstlernende Algorithmen ist aber bereits heute von grosser Dringlichkeit. Die von der Europäischen Kommission durchgeführte Untersuchung des E-Commerce-Sektors bestätigt dies, zeigt sie doch, dass 53  % der befragten Einzelhändler – und zwar grössere eher als kleinere – die Online-Preise der Wettbewerber nachverfolgen, hiervon agieren 67 % mittels (algorithmischer) Software. Auch passen 78 % der Einzelhändler, die das Preistracking mittels Software durchführen, ihre eigenen Preise den Ergebnissen ihrer Beobachtungen an.

Geht man zunächst von einem ökonomisch verstandenen Begriff der Kollusion aus, lässt sich hierunter jegliche Form der Koordination zwischen Wettbewerbern fassen, durch welche Gewinne erwirtschaftet werden, die höher ausfallen, als wenn die Unternehmen miteinander im freien Wettbewerb stünden, bzw. durch die sich ein Preis über dem nicht kooperativen Gleichgewichtsniveau einstellt. Kollusives Verhalten führt daher grundsätzlich zu volkswirtschaftlichen Einbussen (deadweight losses). Als Formen der Kollusion lassen sich die explizite (explicit collusion) sowie die stillschweigende oder «implizite» Kollusion (tacit collusion) unterscheiden. Explizite Kollusion setzt eine Vereinbarung oder sonstige Form der Verhaltensabstimmung zwischen den Marktteilnehmern voraus, während ein solches Element für die implizite Kollusion nicht erforder- | lich ist. Implizite Kollusion kann sich also insbesondere auch daraus ergeben, dass Marktteilnehmer ihr Marktverhalten wechselseitig beobachten, auf Verhaltensänderungen reagieren und so im Ergebnis ein «Parallelverhalten» etablieren. Während die Verwendung der Begriffe implizite Kollusion und Parallelverhalten als gleichbedeutend gängig ist, schafft also, streng genommen, implizite Kollusion erst eine Situation, in der Parallelverhalten gelingen kann. Allerdings kann sich Parallelverhalten auch als Resultat unverfälschten Wettbewerbs, ohne implizite Kollusion, einstellen. Ein klassisches Modell der Ökonomie für die Beschreibung von Situationen der impliziten Kollusion ist das sogenannte «Cournot-Duopol». In diesem Modell agieren zwei Unternehmen unabhängig voneinander am Markt, sie kennen aber die Handlungen bzw. Geschäftsentscheidungen des jeweiligen Konkurrenten. Als Konsequenz treffen die Unternehmen zwar keine expliziten Absprachen über Preise oder ihr sonstiges Marktverhalten, sie stimmen ihre ökonomische Strategie aber auf die – ihnen bekannte – Produktionsfunktion der jeweils anderen Seite und auf deren zu erwartendes Verhalten ab. Folglich können die Unternehmen für ihre Produkte oder Dienstleistungen einen suprakompetitiven Preis verlangen, anstatt dass sich – wie bei vollkommenem Wettbewerb – der Preis auf das Grenzkostenniveau einpendelt.

Aus volkswirtschaftlicher Sicht ist Kollusion, jedenfalls soweit es um die statische Effizienz von Märkten geht, grundsätzlich unerwünscht. Selbst wenn sie nur implizit geschieht, führt sie mit erheblicher Wahrscheinlichkeit zu suprakompetitiven Preisen, geringerem Output, einer Verringerung der (Konsumenten-)Wohlfahrt sowie zu gesamtvolkswirtschaftlichen Wohlfahrtsverlusten, da der Rückgang der Konsumentenrente in der Regel durch die höheren Unternehmensgewinne nicht aufgewogen wird.

Indes: Das Kartellrecht verbietet – zumindest in der Schweiz, der EU und den USA – nur explizite Kollusion bzw. das hieraus resultierende, abgestimmte Marktverhalten, nicht aber implizite Kollusion bzw. das aus ihr resultierende Parallelverhalten, sofern sich die implizite Kollusion nicht (ausnahmsweise) als das missbräuchliche Ausnutzen einer gemeinsamen marktbeherrschenden Stellung präsentiert. Ein Grund hierfür ist die Sorge, dass bei der Untersagung impliziter Kollusion die Marktteilnehmer aus Furcht vor möglichen Sanktionen Abstand davon nehmen könnten, ihre Geschäftsentscheidungen auf sinnvolle Weise an die Preise ihrer Wettbewerber oder andere Marktgegebenheiten (Nachfrage, Kosten etc.) anzupassen. Sie würden dann also ein Verhalten unterlassen, das an sich einen elementaren Bestandteil des unverfälschten Wettbewerbsprozesses darstellt. Eine weitere Erklärung mag im herkömmlichen Selbstverständnis des Kartellrechts liegen, das sich primär auf die Bekämpfung von unzulässigen Wettbewerbsabreden ausrichtet, während es bei impliziter Kollusion an solchen Abreden eben gerade fehlt.

Nach traditioneller Annahme besteht eine erhebliche Wahrscheinlichkeit für implizite Kollusion (1) auf oligopolistischen Märkten mit geeigneten Symmetrien für (2) homogene Waren und Dienstleistungen, insbesondere dort, | wo (3) Markttransparenz sowie (4) Eintrittsbarrieren hoch sind. Märkte, in denen sich diese Merkmale ausgeprägt zeigen, dürften nicht allzu zahlreich existieren, sodass die Bedeutung von impliziter Kollusion und resultierendem Parallelverhalten sowie die damit verbundenen volkswirtschaftlichen Schadenspotenziale bisher als begrenzt erschienen. Nicht zuletzt wegen dieses Umstandes konnte das Kartellrecht den Verhaltenstypus in der Vergangenheit tolerieren. Erhöht jedoch der intensive Einsatz von Algorithmen die Wahrscheinlichkeit von durch implizite Kollusion bedingtem Parallelverhalten in einem Markt, indem er die Bedeutung von Faktoren vermindert, die bisher für das Gelingen solcher Verhaltensweisen erforderlich waren, muss der bisherige wettbewerbspolitische Ansatz möglicherweise überdacht werden.

Der Workshop hat aufgezeigt, dass Algorithmen auf mindestens vier Arten implizite Kollusion erleichtern können. Erstens: Die Möglichkeit, grosse Datenmengen durch Algorithmen zu sammeln und zu analysieren, erleichtert es den Marktteilnehmern, die Produktionsfunktionen und Geschäftsstrategien ihrer Wettbewerber zu durchschauen. Kollusion wird damit auch auf Märkten mit erheblicher Teilnehmerzahl einfacher. Dieser Effekt kann sich verstärken, wenn Geschäftsentscheidungen zunehmend durch regelorientierte, «rationale» Algorithmen getroffen werden, deren Verhaltensmuster für Wettbewerber-Algorithmen leichter identifizierbar sind als die teilweise irrationalen, fehlerhaften und damit schwer vorhersehbaren Entscheidungen von Menschen.

Zweitens: Hat sich durch implizite Kollusion und Parallelverhalten ein suprakompetitives Marktgleichgewicht eingestellt, ist es für die Beteiligten schwierig, dieses langfristig aufrechtzuerhalten. Nicht nur gezielte, sondern gerade auch unbeabsichtigte, fehlerhafte Abweichungen vom Gleichgewicht in den Transaktionen der Marktakteure können destabilisierend wirken, weil sie Anpassungs- und Bestrafungsreaktionen der Wettbewerber hervorrufen. Wenn und weil Algorithmen weniger anfällig für irrationales oder fehlerhaftes Marktverhalten sind als Menschen, kann ihr Einsatz eine unfreiwillige Destabilisierung von Kollusionsgleichgewichten zu verhindern helfen. Volkswirtschaftlich schädlichen, suprakompetitiven Marktgleichgewichten wird damit ein längeres Leben beschert.

Drittens: Nicht nur mit Blick auf die irrtümliche Destabilisierung von suprakompetitiven Gleichgewichten, sondern ganz allgemein sind Algorithmen frei von typisch menschlichen Schwächen, die das Gelingen impliziter Kollusion beeinträchtigen können. Als Beispiel einer solchen Schwäche sei die Tendenz genannt, kurzfristige und/oder persönliche Vorteile über langfristige und/oder beim Unternehmen anfallende Vorteile zu stellen (agency slack).

Viertens: Algorithmen erhöhen tendenziell die Häufigkeit und die Geschwindigkeit von Markttransaktionen. Hierdurch fallen rascher und in grösserem Umfang Informationen über die Preisgestaltung der einzelnen Marktteilnehmer an. Es wird damit weniger wahrscheinlich, dass gezielte Preisabweichungen vom Kollusionsgleichgewicht lange genug unentdeckt bleiben, um attraktive Gewinne zu generieren, bevor die Konkurrenten reagieren – der Anreiz für derartige Alleingänge sinkt.

Diese vier Faktoren mögen sich besonders stark auf traditionellen, durch physischen Kontakt der Marktteilnehmer gekennzeichneten Märkten auswirken, die bisher durch verhältnismässig geringe Transparenz, niedrige Transaktionsgeschwindigkeiten und das Fehlen digitalisiert-algorithmischer Entscheidungsprozesse gekennzeichnet waren.

Obgleich der Einsatz von Algorithmen implizite Kollusion und hierdurch bedingtes Parallelverhalten erleichtern kann, wäre die Annahme verfehlt, dass dieser Wirkungszusammenhang stets gegeben ist. Zumindest bedarf es weiterer empirischer Untersuchungen, um die Risikosteigerung zu quantifizieren und anfällige Märkte zu identifizieren. Bevor entsprechende Ergebnisse vorliegen, sollten sich Wettbewerbspolitik und -praxis mit tiefgreifenden Positionsänderungen zurückhalten. Sollte | Handlungsbedarf erkennbar werden, verdienen neben einer (ausdehnenden) Uminterpretation der einschlägigen Gesetzesmerkmale («Vereinbarung», «abgestimmte Verhaltensweise» etc.) auch andersartige Reaktionsmöglichkeiten Beachtung. Eine Verstärkung von Transparenz und Rechenschaftspflichten (einschliesslich der Aspekte Datenzugriff, Datengovernance und Rechenschaft über die Datenhandhabung) kann Marktteilnehmern helfen, die Funktionsweise von Algorithmen besser zu verstehen. Positiv könnte sich auch eine Verlagerung des regulatorischen Fokus von den Unternehmen hin zu den von diesen eingesetzten, autonomen Systemen als solchen auswirken. Bedeutung wird auch die Einhaltung der erhöhten Anforderungen des Privatheitsschutzes (Datenschutz-Grundverordnung) sowie des verfassungsrechtlich garantierten Diskriminierungsverbots gewinnen.

Eindeutiger stellt sich die Situation beim Einsatz von Algorithmen als Mittel der expliziten Kollusion dar. Algorithmen können auf ganz unterschiedliche Weise als Werkzeug für Absprachen und die Herbeiführung abgestimmten Verhaltens dienen, stets fällt aber ein solcher Einsatz in den grundsätzlichen Anwendungsbereich des Kartellrechts. Gemäss etablierter Rechtsprechung sind Absprachen, die zu einer indirekten Preisfestsetzung führen, z. B. die Verwendung einer gemeinsamen Preisformel, ebenso unzulässig wie die direkte Preisfestsetzung. Ersetzt man Formeln zur indirekten Preisfestsetzung durch einen Algorithmus, dessen Codierung und relevante Parameter von Wettbewerbern gemeinsam bestimmt werden oder die ihnen jedenfalls gemeinsam bekannt sind, erscheint die rechtliche Qualifikation unverändert. Ein weiteres Beispiel – und ein wettbewerbsrechtlicher Dauerbrenner – ist die direkte oder indirekte Auslagerung von Preisentscheidungen an einen zentralen Agenten. Ob der zentrale Agent einen Algorithmus zur direkten Bestimmung der von den Teilnehmern zu berechnenden Preise verwendet oder ob die Parteien ihre eigenen Preisbildungsalgorithmen durch den Agenten derart programmieren lassen, dass deren Zusammenwirken eine kollusive Preisstrategie ergibt, jedenfalls führen solche Verhaltensweisen zu einem Sternkartell (hub and spoke cartel), das als unzulässige Wettbewerbsabsprache zu qualifizieren ist. Das Senden kollusiver Signale an Wettbewerber (signaling) ist ebenfalls verboten, gleich ob dieser Austausch durch herkömmliche Mittel, wie Zeitungsinserate oder Pressemitteilungen, geschieht oder eben durch Algorithmen, die verschlüsselte Botschaften senden und empfangen, z. B. in Form sehr kurzfristiger, einem bestimmten Muster folgender Preisänderungen.

Der zweite Themenblock des Workshops befasste sich mit den Vor- und Nachteilen des Einsatzes von Algorithmen zur Unterstützung von Konsumentenentscheidungen sowie mit der individualisierten Preisgestaltung bzw. Preisdifferenzierung.

Bereits heute nutzen Konsumenten algorithmische Computersoftware intensiv als digitale Agenten, etwa in der Interaktion mit Online-Shops oder sozialen Netzwerken. Die neueste Generation dieser digitalen Helfer unterstützt den Konsument nicht nur, etwa bei der Internetrecherche oder bei Preisvergleichen, sondern sie trifft, basierend auf den Präferenzen des jeweiligen Konsumenten, selbst unabhängige Entscheidungen. Potenziell können die digitalen Helfer gar die Präferenzen des einzelnen Konsumenten anhand von Daten eigenständig ermitteln, die entweder von diesem selbst zur Verfügung gestellt oder aus früheren Recherchen oder (Kauf-)Entscheidungen gesammelt werden. Anhand dieser Präferenzen kann der digitale Helfer beispielsweise selbsttätig eine geeignete Transaktion identifizieren und diese | entweder selbst oder unter Einsatz weiterer digitaler (Kauf-)Agenten (shopping bots) durchführen.

Der Einsatz von digitalen Helfern erscheint praktisch und naheliegend. Wird weniger Energie für die kleinen Entscheidungen des Alltags vergeudet, stehen mehr Ressourcen für wichtigere Entscheidungen zur Verfügung. Unter der Annahme, dass sich die digitalen Helfer (ihrer Codierung nach) am Besten des Konsumenten orientieren, können sie eine Senkung der Informations- und Transaktionskosten bewirken, zu schnelleren und vermutlich auch besseren Entscheidungen führen, da sie nicht den für Konsumenten typischen Einschätzungsfehlern (biases) unterliegen. Auch vor nachteiligen Preisdiskriminierungen können digitale Helfer schützen, indem sie Preisstrukturen bewerten und für den Konsumenten ungünstige Angebote ablehnen oder neu verhandeln. Von einer psychologischen Warte aus betrachtet, mögen digitale Helfer zur Konsumentenzufriedenheit beitragen, indem sie unerwünschte Entscheidungsresultate – den Besuch eines schlechten Restaurants, die Lektüre eines langweiligen Buches etc. – zu vermeiden helfen.

Andererseits können digitale Helfer den Konsumenten in gewisser Weise von seinen Transaktionsentscheidungen entfremden. Geht man davon aus, dass die Fähigkeit zu guten Entscheidungen – gleich einem Muskel – geübt und praktiziert werden muss, mag die Entlastung von Alltagsentscheidungen sich langfristig negativ auch auf die Qualität wichtiger Entscheidungen auswirken. Selbst die Nützlichkeit von digitalen Helfern bei Alltagsvorgängen ist von vielfältigen Voraussetzungen abhängig und damit relativ fragil. Ändert der Konsument beispielsweise seine Präferenzen aus nicht (rein) rationalen oder für den digitalen Helfer in sonstiger Hinsicht nicht (rechtzeitig) absehbaren Gründen, kann er sich – zumindest für einen gewissen Zeitraum – in Entscheidungs- und Transaktionsmechanismen verstrickt finden, die seinen Wünschen und Bedürfnissen nicht mehr entsprechen. Auch wirken sich die Grenzen der technischen Leistungsfähigkeit von digitalen Helfern oder die ihnen mitgegebenen Programmierungsparameter unter Umständen als Begrenzung des Entscheidungs- und Handlungsspielraums des Konsumenten aus. Dies erscheint insbesondere denkbar, wenn dem Konsumenten die Verwendung des digitalen Helfers von seinem Transaktionspartner aufgenötigt wird, etwa wenn Versicherungsunternehmen algorithmische Software zur Überwachung des Kundenverhaltens und zur verhaltensentsprechenden Anpassung der Versicherungskonditionen nutzen. Ob digital butlers Konsumenten effektiv vor Schädigungsstrategien (etwa: Preiskollusion) der Marktgegenseite schützen können, hängt auch davon ab, ob Unternehmen oder Konsumenten beim technischen Wettlauf um die besseren Daten und Algorithmen die Nase vorn haben. Dass die tendenziell zahlreicheren (also schwieriger zu koordinierenden) und über geringere Ressourcen verfügenden Konsumenten dieses Rennen gewinnen, kann man bezweifeln. Auf einer eher persönlich-sozialen Ebene mögen Konsumenten, die ihre Autonomie zu einem erheblichen Grad an ihre digitalen Helfer abgegeben haben, soziale Kontakte und Lebenserfahrung einbüssen und als unmündig in der Achtung ihres sozialen Umfeldes sinken.

In Summe: Konsumenten und Wettbewerbsbehörden sollten das positive Potenzial digitaler Agenten anerkennen, zugleich aber auch wachsam bleiben und sicherstellen, dass nicht nur die Programmierer bzw. die anwendenden Unternehmen das Innenleben dieser Hilfsinstrumente verstehen, dass die algorithmischen Helfer auf das Beste der Konsumenten ausgerichtet sind und dass sie nicht in unpassenden Lebensbereichen eingesetzt werden, wie etwa bei der Ausübung demokratischer Stimmrechte.

Individualisierte Preisdifferenzierung ist ein weiteres Gebiet, in dem algorithmisch gesteuerte Marktaktivität weitreichende Auswirkungen auf die Konsumenten haben kann. Grundsätzlich kann Preisdifferenzierung effizient und wettbewerbsfördernd wirken, unter anderem, weil sie an die Kaufkraft des jeweiligen Konsumenten angepasste Preise und dadurch einen höheren Produktabsatz ermöglicht. Manch eine Annahme, auf der die positive Beurteilung individueller Preisgestaltung ruht, erscheint aber auch fragwürdig. So mag eine an die maximale Zahlungsbereitschaft des jeweiligen Konsumenten angepasste Preisgestaltung zumindest aus dessen subjektiver Sicht zu Wohlfahrtsverlusten führen. Eine Parallelität von Kaufkraft und Preis muss sich nicht zwingend einstellen, weil es beispielsweise im Interesse von Unternehmen liegen kann, | zahlungskräftige Kunden durch attraktiv niedrige Preise langfristig an sich zu binden. Derartige Preismuster waren bereits in Offline-Märkten zu beobachten, und eine vergleichbare Entwicklung auf Online-Märkten erscheint plausibel. Auch auf der Ebene nationaler Volkswirtschaften kann die Preisdifferenzierung erhebliche und problematische Wirkungen entfalten. Die Konsumentenpreise in der Schweiz liegen beispielsweise in der Tendenz deutlich über dem europäischen Niveau. Kann es im Interesse einer Volkswirtschaft liegen, diese Form der Preisdifferenzierung in Kauf zu nehmen, wenn sich ihre positiven Wohlfahrtseffekte anderswo einstellen, die einheimischen Konsumenten hingegen den negativen Effekten in Gestalt höherer Preise ausgesetzt sind? Mit ihrer jüngsten, gegen das Geoblocking gerichteten Gesetzgebung hat die Europäische Union einen Aspekt dieser «geografischen» Komponente und damit zugleich die grundlegende Frage adressiert, ob es für den Wohlfahrtssaldo der Preisdifferenzierung auf die nationale oder die internationale Betrachtungsweise ankommt.

Trotz dieser und weiterer Bedenken ist Preisdifferenzierung als solche nach bisheriger Sichtweise grundsätzlich nicht unzulässig und sie wird dies auch nicht allein durch den Einsatz von (Preisbildungs-)Algorithmen. Hinzu kommt, dass Algorithmus-basierte individuelle Preisdifferenzierung nach Einschätzung der Workshop-Teilnehmer bisher ein dem Seeungeheuer «Nessie» vergleichbares Dasein fristet – oft heraufbeschworen, lässt sich ein solches Marktverhalten sehr selten, wenn überhaupt je, tatsächlich nachweisen. Zu den Gründen hierfür dürfte es gehören, dass die Vorteile der Preisdifferenzierung für Unternehmen nicht umsonst zu haben sind. Die Programmierung geeigneter Algorithmen, das intensive Beobachten des Konsumentenverhaltens, die Verarbeitung der gesammelten Daten, das Festsetzen der jeweils individuellen Angebotskonditionen und deren Durchsetzung gegenüber dem Konsumenten erfordern unter Umständen erhebliche Ressourcen. Zudem dürfte eine stabile Preisdifferenzierung ein gewisses Mass an Marktmacht erfordern, da es für den Konsumenten ansonsten zu einfach wäre, zu einem Konkurrenten zu wechseln, der keine Preisdifferenzierung vornimmt oder dem jeweiligen Konsumenten eine vorteilhaftere Preiskategorie zuweist. Datenschutz kann nicht nur für diejenigen zum Problem werden, deren Daten schutzbedürftig sind, sondern auch für Unternehmen, deren Algorithmen bei der Preisindividualisierung potentiell gegen Datenschutzvorschriften verstossen. Nicht zuletzt müssen Unternehmen mit Gegenmassnahmen von Konsumenten rechnen, wenn diese realisieren, dass sie ausgeforscht und zum Ziel von Preisdiskriminierungen gemacht werden. Anonymisierungsmassnahmen (etwa das Inkognito-Browsen) und das Zurückhalten wertvoller personenbezogener Daten drohen dann nicht nur eine effektive Preisdifferenzierung zu durchkreuzen, sondern auch ganze Online-Geschäftsmodelle, die auf Datenerhebung und gezielter Werbung basieren, zu gefährden.

Da das schweizerische Wettbewerbsrecht keine expliziten Bestimmungen zu algorithmischem Marktverhalten kennt, kommen insoweit die allgemeinen Bestimmungen des Kartellgesetzes zur Anwendung, namentlich die Regeln über verbotene Verhaltensabstimmungen. Die jüngste Rechtsprechung des BGer und des BVGer hat die Konvergenz des schweizerischen und des EU-Wettbewerbsrechts in diesem Bereich verstärkt, u. a. in Bezug auf das Tatbestandsmerkmal des «bewussten und gewollten Zusammenwirkens» der beteiligten Akteure. Der Tatbestand einer rechtswidrigen Vereinbarung oder abgestimmten Verhaltensweise bedarf (des Nachweises) eines subjektiven Tatbestandselements, das – mag man nun von «Willensübereinstimmung», «allseitigem Bewusstsein» oder «Konsens» sprechen – individuelle Kenntnis bzw. Kennenmüssen der konkreten Koordination impliziert. Dieses subjektive Tatbestandselement ist bei der Beurteilung algorithmischer Kollusion von zentraler Bedeutung, da es unbeab- | sichtigte, wenngleich wettbewerbsverletzende Fehlleistungen des technischen Instrumentariums von sanktionswürdigen Strategien zur (kollusiven) Wettbewerbsbeeinträchtigung abgrenzt.

Die WEKO hat im Jahr 2016 eine Sektoruntersuchung der Branchen durchgeführt, die von der Digitalisierung besonders betroffen sind. Hierzu gehören die Märkte für Netzwerkinfrastruktur, Online-Handel, Sharing-Economy-Geschäftsmodelle, Big-Data-Anwendungen und (andere) digitale Plattformen. Die Ergebnisse dieser Sektoruntersuchung bestätigen, dass die algorithmisch gesteuerte Preisgestaltung einerseits den Wettbewerb zum Nutzen der Konsumenten intensivieren kann, andererseits aber Bedenken bestehen, dass es durch strategisches Codieren oder die Interaktion von Algorithmen zu einer dem Wettbewerb schädlichen Preiskoordinierung kommt. Unter den Ausprägungen wettbewerbswidriger Preiskoordination ist die (behindernde oder ausbeutende) Preisdiskriminierung zwischen schweizerischen und EWR-Märkten für die hiesige Volkswirtschaft von besonderer Relevanz. Da die Untersuchungs- und Eingriffsbefugnisse der WEKO auf das Schweizer Territorium begrenzt sind, kann es eine grosse Herausforderung darstellen, gegen Wettbewerbsbeeinträchtigungen durch algorithmische Marktaktivität vorzugehen, die sich zwar auf die Schweiz auswirkt, aber von im Ausland befindlichen Servern ausgeht. Zweifeln Unternehmen, ob ihre algorithmische Software wettbewerbswidrig ist, haben sie zumindest theoretisch die Möglichkeit, diese dem Sekretariat der WEKO im Rahmen einer Beratungsanfrage nach Art. 23 Abs. 2 KG – eine Besonderheit des schweizerischen Kartellrechts – vorzulegen. Allerdings ist die WEKO an eine hierauf erfolgende Einschätzung des Sekretariats nicht gebunden. Deswegen und weil Stellungnahmen des Sekretariats üblicherweise vielerlei Vorbehalte und Einschränkungen enthalten, bleibt der Gewinn an Rechtssicherheit für die Unternehmen begrenzt. Als Massnahme zur Sanktionsvermeidung können die Unternehmen immerhin Wettbewerbsbeschränkungen gemäss Art. 49a Abs. 3 lit. a KG vorab melden. Sollte die Behörde als Ergebnis der ex ante-Prüfung kein Verfahren wegen Wettbewerbsverstosses einleiten, entfällt für das betreffende Unternehmen ein Sanktionsrisiko bei Nutzung der entsprechenden Software.

Im Gegensatz zum Kartellgesetz enthält die Finanzmarktinfrastrukturverordnung («FinfraV») Vorschriften über Algorithmen und Hochfrequenzhandel. Inspiriert durch «MiFID II», die Parallelregelung in der EU, schreibt die FinfraV vor, dass algorithmische Handelssysteme keine Störungen auf dem Handelsplatz verursachen oder zu solchen beitragen dürfen. Als eine Konsequenz müssen algorithmische Handelsaktivitäten als solche kenntlich gemacht und algorithmische Finanzinstrumente in geeigneter Weise konzeptioniert und getestet werden. Die Finanzmärkte generieren reiches Anschauungsmaterial zu algorithmischer Marktaktivität und zum Nutzen eines relativ detaillierten Rechtsrahmens für (zunehmend) algorithmisch geprägte Märkte. Das Wettbewerbsrecht muss sich daher fragen, was es von diesen Erfahrungen lernen kann.

Die Akteure in der EU schenken den Konsequenzen, die algorithmisches Marktverhalten für Wettbewerb und Wettbewerbsrecht haben, erhebliche Aufmerksamkeit, wie sich etwa an Stellungnahmen der EU-Wettbewerbskommissarin oder auch den eingehenden Ausführungen im aktuellen Hauptgutachten der deutschen Monopolkommission zeigt. Das EU-Recht ordnet jedenfalls die meisten Fälle, in denen nicht lernende Algorithmen für eine explizite Kollusion genutzt werden, relativ klar als rechtswidrigen Wettbewerbsverstoss ein. Weniger die rechtliche Qualifikation als vielmehr die Nachweisebene erscheint als Herausforderung solcher Fälle, da der Beweisnexus zwischen subjektiven Tatbestandselementen (Absicht, bewusste Abrede etc.) und dem Agieren von Algorithmen durchaus schwierig zu etablieren sein kann. Im Umgang mit Fallgestaltungen, die eher in den Bereich implizite Kollusion und Parallelverhalten hineinspielen, sollte der bestehende Rechtsrahmen nicht aktivistisch überdehnt werden. Selbst ein (potenziell) vermehrtes Auftreten von impliziter Kollusion auf algorithmischen Märkten rechtfertigt für sich genommen noch keine – möglicherweise zu weit reichende – Verschärfung der wettbewerbsrechtlichen Gangart.

|

Weit weniger klar erscheint die Rechtslage im Hinblick auf komplexe Deep-Learning-Algorithmen. Diese Algorithmen haben das Potenzial, Kollusionsstrategien selbständig zu entwickeln, d. h., ohne dass die unzulässige Strategie dem Algorithmus von Beginn an durch Codierung vorgegeben sein müsste. Darüber hinaus können selbstlernende Algorithmen einen ausgeprägten Blackbox-Charakter aufweisen, sodass die Funktionsweise solcher Algorithmen und ihr Zusammenwirken im Detail nur schwer zu entschlüsseln sind. Die damit verbundenen Schwierigkeiten für herkömmliche wettbewerbsrechtliche Konzepte, etwa Kausalität oder Absicht, können möglicherweise durch eine verstärkte Berücksichtigung von Ergebnissen und Korrelationen der (Inter-)Aktion von Deep-Learning-Algorithmen gemindert werden. Werden unerwünschte Ergebnisse oder Korrelationen festgestellt, können nach diesem Ansatz die Entwickler und/oder Anwender von selbstlernenden Algorithmen aufgefordert werden, ihre Programme entsprechend anzupassen, ohne dass zwangsläufig die Erfüllung aller traditionellen Tatbestandsmerkmale für einen Eingriff nachgewiesen sein müsste.

Obgleich das gegenwärtige politische Klima eine verstärkte (Wettbewerbs-)Rechtsdurchsetzung im digitalen Sektor in der Tendenz eher begünstigen dürfte, erscheint Vorsicht vor der übereilten Schaffung neuer Vorschriften oder gar detaillierter Regulierungssysteme geboten. Regulierung, im Besonderen, sollte in Betracht gezogen werden, um wiederkehrende Konstellationen anzugehen, die nachgewiesenermassen fast immer negative Auswirkungen haben, nicht aber als erste Antwort auf neuartige, zum Teil noch unverstandene Phänomene. Auch sollten neue wettbewerbsrechtliche Vorschriften – im Rahmen des Möglichen – das Prinzip der technologischen Neutralität wahren, d. h. unabhängig von der zur Realisierung eines bestimmten Verhaltens genutzten Technologie zur Anwendung kommen. Vor diesem Hintergrund spricht manches dafür, dass neue wettbewerbsrechtliche Vorschriften, oder gar detaillierte Regulierung, die spezifisch (bestimmte Typen von) Algorithmen an der vordersten Front der technologischen Entwicklung adressierten, derzeit noch verfrüht wären.

Das Fallrecht der USA wie der EU kennt bereits mehrere Entscheidungen im Zusammenhang mit algorithmischer Kollusion. Die Sachverhalte sind jedoch sehr unterschiedlich gelagert, auch in den aufgeworfenen wettbewerbsrechtlichen Fragestellungen, was es schwierig macht, aus ihnen allgemeine Entwicklungstendenzen abzuleiten.

Der Fall «Topkins» betraf eine Preisabsprache, wonach die Kartellmitglieder – wie vorab ausdrücklich zwischen ihnen vereinbart – ihre Preise beim Online-Verkauf von Plakaten mittels gleichartiger, in die Verkaufssoftware eingebetteter Algorithmen festlegten. Interessanterweise hätte der betroffene Markt, nach herkömmlichem Verständnis, für Kartellbildung nicht besonders anfällig sein sollen, da weder die Transaktionsintensität besonders hoch noch die Produkte und Preise besonders homogen waren. Die Tatsache, dass es auf diesem Markt dennoch zu Kollusion kommen konnte, unterstützt die Vermutung, dass die algorithmische Durchdringung von Märkten neue Potenziale für die wettbewerbsgefährdende Verhaltensabstimmung zwischen Marktteilnehmern erschliesst.

Der Fall war – soweit ersichtlich – in den USA der erste seiner Art und David Topkins der erste Beklagte in einem Strafverfahren wegen wettbewerbswidriger Absprachen im E-Commerce. Die Einordnung der Absprache als Verstoss gegen § 1 Sherman Act macht deutlich, dass Wettbewerber ihre algorithmische Preisfindung unabhängig voneinander gestalten und durchführen müssen. Vergleichbare Kartelle dürften sich in der Zukunft zumindest insofern geschickter verhalten, als sie die Koordinierung ihrer Preisalgorithmen nicht zum Gegenstand einer ausdrücklichen Absprache machen und dadurch den Nachweis der Kartellbildung erschweren.

Der – soweit ersichtlich noch nicht abgeschlossene – Fall «Meyer / Kalanick» (in den USA auch als Uber Southern District of New York bekannt) erscheint nicht nur deswegen bemerkenswert, weil Uber selbst gar nicht Partei des Verfahrens ist, sondern Ubers (ehemaliger) CEO, Travis Kalanick, der sich selbst auch als Uber-Fahrer betätigt(e). Spen- | cer Meyer, ein Uber-Kunde aus Connecticut, behauptet in dem Verfahren, dass die Uber-App es den Fahrern ermöglicht, ihre Preise illegal zu koordinieren. Der District Court des Southern District of New York entschied, dass die Vorwürfe prima facie für die Annahme eines Sternkartells zwischen den Uber-Fahrern und Travis Kalanick ausreichen, da eine vertikale Vereinbarung zwischen den Fahrern und Travis Kalanick die Preise für Uber-Fahrten verbindlich festlegte. Nachdem unklar gewesen war, ob der Streit in einer gerichtlichen Hauptverhandlung oder in einem Schiedsverfahren weiterzuführen sei, entschied Bezirksrichter (District Court Judge) Rakoff am 5. März 2018 (trotz eigener Vorbehalte) zugunsten der schiedsgerichtlichen Schiene.

Im Kontext der Insolvenz des Wettbewerbers Air Berlin befasste sich das deutsche Bundeskartellamt im Rahmen einer Vorermittlung näher mit der Frage, ob gegen die Deutsche Lufthansa ein Verfahren wegen Preishöhenmissbrauchs einzuleiten sei. Denn nach der Insolvenz der Air Berlin stiegen die Preise für Tickets des Lufthansa-Konzerns – festgelegt durch ein vollautomatisches algorithmisches Buchungssystem – auf bestimmten Strecken, die nunmehr zu Monopolstrecken der Lufthansa geworden waren, um 25–30 %. Letztlich freilich sah das Bundeskartellamt von der Verfahrenseinleitungen ab, vor allem, weil die Preiserhöhungen vor dem Hintergrund eines erheblichen Kapazitätsrückgangs (etwa 20 %) infolge der Air-Berlin-Pleite stattfanden und, infolge des Markteintritts des Wettbewerbers easyJet, nicht von Dauer waren. Letztlich ist aus Sicht des Bundeskartellamts überwiegend easyJet und nicht die Lufthansa in die Marktposition von Air Berlin eingerückt, sodass sich nicht nur in preislicher, sondern auch in marktstruktureller Hinsicht die Situation wieder der Lage vor der Insolvenz von Air Berlin angenähert hat.

Nichtsdestotrotz weist der Fall auf die sehr wichtige Frage hin, inwiefern die Insolvenz eines Wettbewerbers – oder ähnliche Veränderungen der Marktstruktur – in die Berechnungsgrundlage eines Preisbildungsalgorithmus einbezogen werden müssen bzw. inwiefern der Betreiber eines Algorithmus eine Überwachungs- und – gegebenenfalls nach einer Schonfrist – eine Justierungspflicht in Bezug auf dessen Ergebnisse hat. Diese Frage gewinnt an zusätzlicher Relevanz, wenn die Insolvenz zu einer marktbeherrschenden Stellung des verbleibenden Marktteilnehmers führt und das Unternehmen plötzlich die strengeren Verhaltensanforderungen an einen Marktbeherrscher erfüllen muss. Das Bundeskartellamt betonte im vorliegenden Fall hierzu, dass der Einsatz eines Algorithmus keine Verantwortungsentlastung bringt, wobei das Amt allerdings auch darauf abhob, dass der Lufthansa-Algorithmus offenbar nicht wirklich selbsttätig, sondern unter relativ intensiver menschlicher Einwirkung agierte. In jedem Fall erscheint es für Unternehmen mit erheblichem Marktanteil ratsam, die eigene Marktposition zu beobachten und bei einem etwaigen Überschreiten der Marktbeherrschungsschwelle erforderlichenfalls Verhaltensanpassungen aus wettbewerbsrechtlicher Perspektive vorzunehmen. Solche Anpassungen dürften dann gerade auch die Preisbildung eines Unternehmens – sei diese algorithmisch gesteuert oder nicht – betreffen.

Im Fall «Eturas» nutzten 30 Reisebüros in Litauen das Online-Buchungssystem E-TURAS des gleichnamigen Unternehmens. «Eturas» führte in seinem Buchungssystem eine technische Obergrenzen-Beschränkung für die möglichen Kundenrabatte ein. Die einzelnen Reisebüros wurden durch eine Mitteilung im Buchungssystem über die neue Rabattregelung informiert. Die Benachrichtigung erfolgte dabei nicht per E-Mail, sondern über ein in das Buchungssystem integriertes Nachrichtensystem und konnte nur über ein passwortgeschütztes Webportal gelesen werden. Die litauische Wettbewerbsbehörde sah in diesem Vorgang eine unzulässige Preisabsprache der Reisebüros. Auf Rechtsmittel gegen die | Entscheidung hin gelangte das Oberste Verwaltungsgericht Litauens mit einem Vorabentscheidungsersuchen über die korrekte Anwendung von Art. 101 AEUV an den EuGH.

Bei seiner Anwendung von Art. 101 AEUV auf das Online-Buchungssystem stellte der EuGH die Frage ins Zentrum, ob die Adressaten der Rabattobergrenzen-Mitteilung von dieser Kenntnis hatten oder hätten haben müssen. Der Gerichtshof befand, dass nicht lediglich aufgrund des Vorhandenseins einer technischen Beschränkung in einem Online-Buchungssystem auf die Teilnahme an einer wettbewerbswidrigen Verhaltenskoordinierung geschlossen werden kann. Es müsse vielmehr auf der Grundlage weiterer, objektiver und schlüssiger Indizien feststellbar sein, dass die Unternehmen mit der wettbewerbswidrigen Verhaltensweise einverstanden waren. Dies lässt sich dahin gehend verstehen, dass technologische Systeme als solche keinen Verstoss gegen Art. 101 AEUV konstituieren können, was zu der Folgefrage führt, ob die bestehenden wettbewerbsrechtlichen Vorschriften autonome Computersysteme überhaupt zu erfassen vermögen, die keiner Interaktion mit natürlichen Personen mehr bedürfen. Ist das subjektive Tatbestandsmerkmal menschlicher Kenntnis bzw. menschlichen Kennenmüssens für die algorithmisch geprägten Märkte der Zukunft zu anthropozentrisch? Was bedeuten rechtliche Konzepte wie «Willensübereinstimmung», «Konsens» oder «Absicht» für algorithmische Systeme, die immer geringerer menschlicher Mitwirkung bedürfen? Muss das Wettbewerbsrecht seinen Fokus von den menschlichen Akteuren zu einer gesamthafteren Betrachtung von Unternehmen und ihren technologischen Systemen hin verschieben? Konsequenz könnte sein, dass die Kenntnis/das Kennenmüssen natürlicher Personen die Rolle als zentrale Tatbestandsvoraussetzung (ein Stück weit) einbüssen und zukünftig beispielsweise ein «Kartell der Algorithmen» ebenso wettbewerbsrechtlich sanktionierbar wäre, wie dies schon heute eine wettbewerbswidrige Absprache zwischen den Angestellten konkurrierender Unternehmen ist.

Der Einsatz algorithmischer Computersoftware für die Marktaktivität von Unternehmen ist weder ein völlig neues Phänomen noch eines, das zwangsläufig eine verschärfte Wettbewerbsrechtsdurchsetzung erfordert. Der zunehmende Einsatz von Algorithmen kann jedoch – selbst wenn es sich um nicht-selbstlernende Systeme handelt – kollusives Verhalten auf Märkten erleichtern, die bisher weniger anfällig für solche Verhaltensweisen waren (vgl. «Topkins»). Explizite Kollusion verstösst gegen das Wettbewerbsrecht, unabhängig davon, ob sie durch Algorithmen oder traditionellere Hilfsmittel realisiert wird (vgl. «Topkins / Uber»). Die Eindeutigkeit dieses Rechtsgrundsatzes ändert freilich wenig an den Schwierigkeiten, die der gerichtsfeste Nachweis algorithmischer Kollusion unter Umständen bereitet. Wenn sich erweist, dass infolge algorithmischer Marktaktivität implizite Kollusion, hierdurch bedingtes Parallelverhalten und damit einhergehende volkswirtschaftliche Schäden stark zunehmen, muss die wettbewerbspolitische Toleranz gegenüber diesem Verhaltenstypus möglicherweise überdacht werden. Für die schweizerische Wirtschaft sind dabei Verhaltensabstimmungen von besonderer Bedeutung, die zu Behinderungs- oder Ausbeutungsmissbrauch in Gestalt einer Preisdiskriminierung zwischen Inlands- und EWR-Märkten führen.

Dynamische, selbstlernende Algorithmen können, jedenfalls sobald sie auf breiter Front zur Anwendung kommen, eine Anpassung verschiedener wettbewerbsrechtlicher Konzepte – insbesondere im Bereich der Kausalität und subjektiver Tatbestandsvoraussetzungen (vgl. «Eturas») – erforderlich machen. Auf der Rechtsfolgenseite erscheint ein Ansatz denkbar, wonach bereits das Vorliegen unerwünschter Ergebnisse oder Korrelationen als Resultat algorithmischer Marktaktivität für eine bindende Verhaltensvorgabe zur Änderung des Marktverhaltens hinreicht, während weiterreichende Sanktionen vom Nachweis subjektiver – durch Menschen erfüllter – Tatbestandsmerkmale abhängen. Reagiert also beispielsweise (vgl. «Lufthansa») ein Preisbildungsalgorithmus nicht angemessen auf strukturelle Marktveränderungen und generiert deswegen ungerechtfertigt hohe Preise, könnte bereits diese Situation – bzw. eine auf ihr basierende Anordnung der Wettbewerbsbehörden – das den Algorithmus verwendende Unternehmen zu dessen Anpassung verpflichten, während weitergehende Sanktionen von einer Kenntnis/einem Kennenmüssen von Unternehmensvertretern abhängen. Gerade im Bereich der Kollusion erschiene ein solcher Ansatz durchaus als Paradigmenwechsel, da das Wettbewerbsrecht bisher nicht an kollusive Marktergebnisse oder Parallelverhalten als solche anknüpft, sondern – verknappt gesprochen – an Verhaltensweisen, die Marktmechanismen ausschalten, welche kollusiven Markt- | ergebnissen entgegenstehen. Im Verhältnis verschiedener Akteure zueinander, insbesondere im Verhältnis zwischen IT-Dienstleistern und Algorithmus-Verwendern, dürfte einerseits die Phase der Programmierung des Algorithmus an Bedeutung gewinnen, obgleich diese unter Umständen noch vor jeder kollusiven Verhaltenskoordinierung liegt, zum anderen ist nach der Haftung schon wegen der Nutzung des einem Algorithmus einprogrammierten wettbewerbswidrigen Potenzials zu fragen. Vor jeder Änderung der heutigen Rechtslage sollten freilich die wettbewerbspolitischen Akteure ein besseres Verständnis der technischen und wirtschaftlichen Funktionsweise algorithmischer Marktaktivität gewinnen. Hand bieten mag hierbei unter anderem ein Blick auf die Finanzmarktregulierung, welche bereits einige Erfahrung mit algorithmischer (Handels-)Aktivität gesammelt hat.

Für Konsumenten können digitale Helfer durchaus nützlich sein, nicht zuletzt bei der Abwehr schädlicher algorithmischer Unternehmensaktivität. Zugleich müssen aber die Anbieter digitaler Helfer, Wettbewerbsbehörden und die Konsumenten selbst sicherzustellen versuchen, dass die Steuerungsalgorithmen solcher Helfer auf das Beste des Konsumenten ausgerichtet sind, dass sie nicht in ungeeigneten Lebensbereichen zum Einsatz kommen und dass ihre Verwendung die menschliche Entscheidungskraft und Autonomie nicht verkümmern lässt.