Künstliche Intelligenz (KI)

Dynamic Pricing geht nicht ohne IT

Warum B2B-Unternehmen für dynamische Preise mehr brauchen als ihr ERP
17.09.2026 - von Wolfgang Mitschke
Lesedauer:  8 Minuten
© Adobe Stock/Audrey
© Adobe Stock/Audrey

Märkte ändern sich schneller als Preislisten

Rohstoff- und Energiekosten schwanken im Jahr 2026 in einem Tempo, mit dem jährliche oder quartalsweise Preisrunden längst nicht mehr Schritt halten können. Beschaffungsabteilungen vergleichen Angebote tagesaktuell, Wettbewerber reagieren binnen Tagen, Kosten können sich aufgrund politischer oder makroökonomischer Faktoren rasant ändern. Wer bei tausenden Artikeln mehrfach im Monat Preise anpassen muss, kommt mit manueller Pflege nicht mehr hinterher – egal wie ausgefeilt die Excel-Formeln sind. KI hat die Erwartungen zusätzlich verschoben: Vorstände fragen nicht mehr, ob sich Preise automatisieren lassen, sondern warum es noch nicht geschieht. Ob KI im Pricing angewendet werden kann, hängt damit vor allem von einem ab: der Daten- und Systemlandschaft.

Dass die Anforderungen bereits steigen, zeigt die Global Pricing Study 2025 von Simon-Kucher, für die über 2.250 Führungskräfte aus 29 Ländern befragt wurden: 79 Prozent gaben Kostensteigerungen an ihre Kunden weiter, und mehr als die Hälfte dieser Erhöhungen lief über Indizes, die Preise automatisch an veränderte Marktkosten anpassen [1]. Solche indexbasierten Preisklauseln sind regelbasiertes Dynamic Pricing in seiner einfachsten Form. Der Wandel hat in den meisten Branchen längst begonnen. Offen ist, ob die IT-Systemlandschaften mithalten.

Was Dynamic Pricing im B2B konkret bedeutet

Anders als in zahlreichen B2C-Branchen, wo Handel und Airlines seit Jahrzehnten dynamisch bepreisen, bedeutet Dynamic Pricing im B2B selten, dass sich Preise minütlich verändern. Stattdessen reagieren Preise regelbasiert oder KI-gestützt und automatisiert auf veränderte Eingangsgrößen: zum Beispiel auf Rohstoffkosten, Wechselkurse, Wettbewerbspreise, Markttrends oder die eigene Auslastung.

Nehmen wir ein Beispiel aus dem Maschinenbau: Ein Hersteller bepreist Ersatzteile und Schmierstoffe in Abhängigkeit von Rohstoffkosten und Fertigungsauslastung. Liegt die Auslastung bei 30 Prozent, gewährt das System zehn Prozent Nachlass auf den Listenpreis, um das Volumen zu sichern. Bei 99 Prozent Auslastung schlägt es fünf Prozent auf. Keine dieser Entscheidungen trifft ein Mensch am Tag der Bestellung; beide folgen einem Algorithmus, der dann automatisiert ausgeführt wird.

Das ERP: System of Record, nicht System of Intelligence

ERP-Systeme verwalten Preise – aber sie treffen keine eigenen Preisentscheidungen. Das ERP ist ein System of Record für Preise, nicht das System of Intelligence. Kunden-, Produkt-, Transaktions- und Kostendaten – das Minimum-Set jeder Preislogik – sind fester Bestandteil jedes ERP-Systems; ohne sie ließe sich keine Rechnung stellen. Wer diese Daten sauber gepflegt hat, hat damit eine wichtige Vorarbeit für das Pricing bereits geleistet. 

Anspruchsvoller wird es beim erweiterten Datenset: Wettbewerbspreise, Kapazitäts- und Auslastungsdaten, Nachfrageindikatoren, in manchen Branchen sogar Wetterdaten, und nicht zuletzt verlorene Angebote, die womöglich am Preis gescheitert sind. Solche „Lost Deals“ verraten oft mehr über Zahlungsbereitschaft als gewonnene – vorausgesetzt, die Daten werden gepflegt. Denn die Preislogik ist eben nur so gut wie die Daten, die sie füttern.

Neben den Daten fehlen dem ERP auch die Pricing-Funktionen wie z. B. Price Analytics, Preisprognosen und Elastizitätsmodelle, eine Pricing-Engine mit Simulationsmöglichkeiten, eine lückenlose, auditfähige Preishistorie und eine auf Pricing ausgerichtete Administrationsoberfläche. Dynamic Pricing heißt aber auch: Pricing-Funktionen müssen digitalisiert werden, und da reicht oft das ERP allein nicht mehr aus.

Die Architektur: ERP‑ und Pricing-Software im Zusammenspiel

Aus diesen Überlegungen folgt die zentrale Architekturentscheidung: Statische und einfache regelbasierte Preislogiken lassen sich in ERP-Systemen durchaus abbilden; für dynamisches Pricing hat sich dagegen spezialisierte Pricing-Software als eigene Entscheidungsschicht zwischen den Systemen durchgesetzt (Abb. 1). Sie bezieht per Schnittstelle Stamm- und Transaktionsdaten aus dem ERP sowie Kunden-, Opportunity- und Angebotsdaten aus CRM und CPQ, ergänzt historische und externe Marktdaten und berechnet daraus Preise oder Preisempfehlungen. Die Ergebnisse spielt sie zurück: Preislisten und genehmigte Preisänderungen an das ERP, Preisempfehlungen, Ziel- und Mindestpreise sowie Rabattguidance an CRM und CPQ, freigegebene Preise und Konditionen an den Webshop und das Kundenportal. 

Bild 1: Pricing-Software als zentrale Entscheidungsschicht zwischen ERP, CRM/CPQ, Vertragsmanagement, Data Lake/DWH, BI und Kunden-
portal © Simon-Kucher
Bild 1: Pricing-Software als zentrale Entscheidungsschicht zwischen ERP, CRM/CPQ, Vertragsmanagement, Data Lake/DWH, BI und Kunden-
portal © Simon-Kucher

Die Praxis bestätigt den Erfolg dieses Modells: In einer Simon-Kucher-Benchmark-Studie unter 200 Führungskräften aus der DACH-Region erzielten drei von vier Unternehmen nach Einführung von CPQ- oder Preisoptimierungssoftware eine um drei bis zehn Prozent höhere Umsatzrendite, Spitzenwerte lagen darüber; CPQ-Lösungen verkürzten zudem die Zeit von der Anfrage zum Angebot um durchschnittlich 27 Prozent [2].

Bild 2: Der Effekt der Einführung von Preisoptimierungssoftware (PO&M) auf die Umsatzrendite einzelner Unternehmen im Überblick
ankommt
© Simon-Kucher [2]
Bild 2: Der Effekt der Einführung von Preisoptimierungssoftware (PO&M) auf die Umsatzrendite einzelner Unternehmen im Überblick
ankommt
© Simon-Kucher [2]

Worauf es bei der Einführung einer Pricing-Software ankommt

Über den Erfolg entscheidet allerdings nicht nur, welche Software ein Unternehmen auswählt, sondern auch, wie es diese einführt: Viele Projekte scheitern nicht an der Lösung selbst, sondern an der Implementierung. Drei Faktoren haben sich in unserer Projekterfahrung als entscheidend erwiesen. 

Erstens, und am wichtigsten: Preisstrategie und Software sollten parallel entwickelt werden. Wird erst die Strategie fertiggestellt und dann eine Software gesucht, die sie zu 100 Prozent abbildet, wird die Lösung teuer und träge; umgekehrt erzwingt eine vorab gekaufte Software Strategiekompromisse, die niemand bewusst getroffen hat. Wer beides gemeinsam entwickelt, erkennt früh, welche strategische Feinheit die IT-Umsetzung unverhältnismäßig verteuert, und kann sie gezielt weglassen. 

Zweitens der Rollout: Unternehmen, die international tätig sind, stehen vor der Wahl, die Lösung zentral oder Land für Land einzuführen. Wer jedes Land einzeln implementiert, mit eigenen Regeln und eigenen Ausnahmen, verliert Synergien und läuft in unnötige Entwicklungsschleifen. Bewährt hat sich in vielen Fällen ein zentrales Template mit definierten regionalen Freiheitsgraden.

Drittens der stufenweise Aufbau: Nicht jede Preisentscheidung muss vom ersten Tag an vollautomatisch laufen. Erst wenn das Pricing auf einem stabilen digitalen Fundament steht, folgt als zweite Stufe die volle Automatisierung und künstliche Intelligenz.

Die Rolle der KI im modernen Pricing

Gutes Pricing scheitert selten am Wissen, sondern vor allem an der Umsetzung: Pricing-Teams sind klein, die Daten fragmentiert und der Vertrieb braucht Orientierung in Echtzeit. Genau hier setzt künstliche Intelligenz an – sie macht bestehende Strategien in der Fläche umsetzbar.

Dabei gilt eine klare Arbeitsteilung: Für die Preisberechnung selbst ist generative KI das falsche Werkzeug, denn ein Preis muss deterministisch und nachvollziehbar sein – 5,99 Euro ist ein fester Wert und keine Wahrscheinlichkeitsaussage. Der Preisberechnung liegen stattdessen Machine Learning und präskriptive Verfahren zugrunde, die aus Transaktionshistorie, Elastizitäten und Regeln einen konkreten Preis ableiten; der Vertrieb übernimmt keine Empfehlung, die er nicht nachvollziehen kann. Ergänzend kommt generative KI bei der Analyse ins Spiel: Sie beantwortet Fragen zu den eigenen Preisdaten in natürlicher Sprache und liefert kundenspezifische Verhandlungsargumente.

In der Breite ist diese Arbeitsteilung jedoch noch nicht angekommen: Zwar setzen 72 Prozent der Unternehmen KI im Pricing ein, überwiegend aber für Basisaufgaben wie Marktbeobachtung [1]. Die nächste Stufe zeichnet sich erst langsam ab: KI-Agenten, die Preisentscheidungen innerhalb definierter Leitplanken selbst ausführen – und damit zu Umsetzungspartnern statt Assistenten werden. Fest integrierte KI bringt Erhebungen zufolge 20 bis 25 Prozent höhere Renditeverbesserungen als gelegentliche Nutzung [2].

Für die IT übersetzt sich das in drei konkrete Fragen: Wie bleiben Preisdaten und Modelle regelkonform und sicher, gerade wenn externe KI-Dienste im Spiel sind? Reichen Ressourcen und Skills, um die Lösung dauerhaft zu betreiben? Und welche KI-Funktionen werden eingekauft und welche selbst entwickelt?

Was Dynamic Pricing wirklich benötigt: Wo CIOs jetzt ansetzen sollten

Zwei Voraussetzungen entscheiden, wie weit die eigene Organisation ist. Erstens: Liegen alle fürs Pricing notwendigen Daten in ausreichender Qualität vor? Zweitens: Sind Preisstrategie und IT eng genug miteinander verzahnt, um digitale Pricing-Prozesse zu ermöglichen? 

Wer beide Fragen bejaht, hat die Grundlagen gelegt. Alle anderen beginnen am besten bei der Datenfrage, sie kostet die meiste Zeit. Bei der Entwicklung und Implementierung von Pricing-Software ist selten der Algorithmus der Engpass. Dieser liegt vielmehr bei Daten, Schnittstellen und der Frage, wie eine Preisänderung ihren Weg vom Modell bis auf die Rechnung findet.

Pricing ist damit endgültig im Aufgabenbereich der IT angekommen, als eigene Anwendungsdomäne neben ERP und CRM. CIOs, die das Thema jetzt strukturieren – allein oder mit einem Partner, der Preisstrategie und Software aus einer Hand denkt –, gestalten ihre Pricing-Landschaft aktiv. Wer wartet, dem geben die gewachsenen Systeme die Grenzen vor. 

Handlungsempfehlung: In sieben Schritten zu Dynamic Pricing

  1. Business Case klären: Prüfen, ob und wo Dynamic Pricing im eigenen Geschäftsmodell Wert stiftet – die wichtigste Entscheidung, die vor jedem IT-Projekt steht.
  2. Datengrundlage sicherstellen: Verfügbarkeit und Qualität von Stamm-, Transaktions- und Kostendaten im ERP prüfen; erweiterte Datenquellen wie Wettbewerbspreise, Auslastung und Lost Deals identifizieren.
  3. Preisstrategie und Software parallel entwickeln: Anforderungen aus der Strategie ableiten und direkt digital umsetzen, statt eine fertige Strategie in einem zweiten nachgelagerten IT-Projekt abbilden zu lassen.
  4. Mit begrenztem Scope starten: Pilot für ausgewählte Produktgruppen oder eine Region einführen – und ggf. auf einen zentralen Prozessabschnitt fokussieren.
  5. Rollout skalieren: Eine smarte Rolloutstrategie entwickeln, um das digitale Pricing effizient in verschiedene Fachbereiche und Märkte zu skalieren. 
  6. Automatisierung ausweiten: Automatisierungsgrad je Produktgruppe schrittweise erhöhen, Datenpflege und Akzeptanz im Vertrieb sichern – der digitale Prozess muss stabil laufen.
  7. Next Level Pricing: KI ergänzen – von erklärbaren ML-Preisempfehlungen bis zu KI-Agenten, die Preisänderungen innerhalb definierter Leitplanken selbst ausführen.

5 Kernaussagen

  1. Volatile Kosten und dynamische Märkte erfordern häufige Preisanpassungen – jährliche Preisrunden reichen nicht aus.
  2. Das ERP verwaltet Preise als System of Record. Preisentscheidungen gehören in spezialisierte Pricing-Software.
  3. Drei von vier Unternehmen steigerten ihre Umsatzrendite durch CPQ- oder Preisoptimierungssoftware um 3 bis 10 % [2].
  4. Erfolgsfaktor ist die parallele Entwicklung von Preisstrategie und Software – weniger Sonderregeln verkürzen die Implementierung.
  5. Machine Learning berechnet Preise, generative KI unterstützt Analysen –fest integrierte KI steigert die Rendite [2].

Literatur

[1] Simon-Kucher: Global Pricing Study 2025 – Choosing your route to growth. Bonn 2025. URL: https://www.simon-kucher.com/en/insights/global-pricing-study-2025 (Report als PDF-Download), Abrufdatum 08.08.2026.
[2] Bokeria, G.; Schwarz, O.; Tatschl, M.; Moser, L.; Wisniewsky, T.: Unlocking growth through pricing & quoting automation. Insights for executives from a global benchmark study. Simon-Kucher, München 2026. URL: https://www.simon-kucher.com/en/insights/unlocking-growth-through-pricing-and-quoting-automation (Report als PDF-Download), Abrufdatum 09.08.2026.

Das könnte Sie auch interessieren

KI schreibt Code – und die Softwarebranche um

KI schreibt Code – und die Softwarebranche um

Wie KI-Agenten die Softwareentwicklung verändern und Geschäftsmodelle unter Druck setzen
KI verändert die Softwarebranche grundlegend: Während IT-Dienstleister und Anbieter von Individualsoftware unter Druck geraten, könnten Hersteller von Standardsoftware profitieren. Doch was bedeutet der Wandel konkret für Geschäftsmodelle, Arbeitsplätze und Wettbewerbsfähigkeit? Am Beispiel des börsennotierten Mittelständlers Serviceware zeigen wir, wo die Risiken liegen und welche neuen Chancen sich durch den KI-Boom eröffnen.
Vom ERP-Datensatz zum Digitalen Produktpass

Vom ERP-Datensatz zum Digitalen Produktpass

Wie Sie Klimabilanz und gesetzliche Vorgaben aus einer einzigen Datenquelle bedienen
Daten rund um das Produkt sind meist vorhanden, liegen aber verstreut in unterschiedlichen Systemen und Formaten. Dies erschwert die Erstellung belastbarer Nachhaltigkeitsinformationen oder strukturierter Datenauszüge wie ein Digitaler Produktpass. Der Beitrag beschreibt, wie Unternehmen ihre Produktdaten für beide Aufgaben nutzen können. Ein Demonstrator mit Verwaltungsschale zeigt den Datenfluss in der Praxis.
Die Illusion der Automatisierung

Die Illusion der Automatisierung

Warum KI im ERP den Menschen nicht ersetzt, sondern seine Rolle anspruchsvoller macht
Je mehr KI im ERP operative Routine übernimmt, desto stärker verlagert sich die menschliche Rolle auf Prüfung, Einordnung und Verantwortung – und desto wichtiger wird die Urteilskraft und Fachkompetenz in kritischen, mehrdeutigen oder folgenreichen Fällen. Aus Ausführenden werden Prüfende. Der Beitrag zeigt, warum genau darin ein oft unterschätztes Risiko liegt, bezieht aktuelle Studien mit ein und zeigt, wie Unternehmen die neue Kontrolle so gestalten können, dass nicht nur Effizienz, sondern auch Verantwortung erhalten bleiben.
„KI‑basierte Kundenanalytik – Reifegrade und Trends“

„KI‑basierte Kundenanalytik – Reifegrade und Trends“

Daten intelligent nutzen, Kunden besser verstehen und Entscheidungen gezielt optimieren.
Künstliche Intelligenz verändert die Kundenanalytik – doch viele Unternehmen stehen am Anfang ihrer Entwicklung. Welche Trends prägen den Einsatz von KI, welche Reifegrade lassen sich erkennen und wie gelingt der systematische Ausbau der Kundenanalytik? Der Beitrag liefert Einblicke auf Basis aktueller Studien und zeigt, wie Unternehmen ihre Daten gezielt nutzen können, um Kunden besser zu verstehen und Entscheidungen nachhaltig zu verbessern.
Try mit sehr wenig Error dank Grüner KI

Try mit sehr wenig Error dank Grüner KI

Wenn neuronale Simulation in Grüne KI implementiert wird
Das Testzentrum für Grüne KI  ist in einer Gründerzeitvilla einer beschaulichen Seitenstraße gegenüber dem Campus der Universität Potsdam untergebracht. Von außen würde niemand auf die Idee kommen, dass hier über die Zukunft digital basierter Fertigung nachgedacht und geforscht wird. Aber im anliegenden Anwendungslabor können beliebig komplexe Produktionsabläufe industrieller Fertigung simuliert und mit den gesammelten Daten wiederum KI‑basierte, selbstlernende Modelle erstellt werden.