1. Keine Zahl, sondern ein Konfidenzintervall: Die Neuformung der Bewertung

Dasselbe Haus, unterschiedliche Zahlen

2021 lieferte ein Dreizimmer-Einfamilienhaus in einem Vorort von Austin, Texas, zwei Antworten.

Die eine kam von einem Menschen. Ein Gutachter mit zwanzig Jahren Erfahrung im lokalen Markt ging das Haus ab, prüfte den Zustand des Dachs, den Lichteinfall im Garten, die Höhe des Zauns zum Nachbargrundstück, verglich es mit drei kürzlich verkauften vergleichbaren Häusern und heftete einen Preis daran. Die andere kam von einem Algorithmus. Zillows AVM (Automated Valuation Model) — der „Zestimate” — verarbeitete Tausende Variablen gleichzeitig und lieferte in Sekunden eine Zahl. Wohnfläche, Ausrichtung, Etage, Schulbezirk, jüngste lokale Verkaufshistorie, sogar ob ein Pool auf Luftaufnahmen zu sehen war.

Die beiden Zahlen wichen voneinander ab. Das ist nicht überraschend — auch menschliche Gutachter sind untereinander regelmäßig uneins. Was wirklich überraschte, geschah danach. Zillow vertraute der Antwort seines eigenen Algorithmus so sehr, dass es begann, zu diesem Preis direkt Häuser zu kaufen. Das Geschäft, „iBuying” genannt, ruhte auf einer einfachen und kühnen These: Wenn KI präzise bewertet, warum sollten wir dann nicht selbst zu diesem Preis kaufen und verkaufen? Allein im dritten Quartal 2021 verlor Zillow mit diesem Geschäft 421 Millionen Dollar. Noch vor Jahresende stellte Zillow Offers den Betrieb vollständig ein, und das Unternehmen entließ einen großen Teil seiner Belegschaft. Die Verlustzahl für das Gesamtjahr und das eigene öffentliche Eingeständnis des CEOs werden ausführlich in Kapitel 8 behandelt.¹ Etwa zur gleichen Zeit fuhren iBuying-Experimente in Europa und Asien zurück oder wurden still eingestellt — darunter mehrere britische Start-ups und die eigenen Ankaufsgeschäfte einiger großer chinesischer Maklerplattformen. Das war nicht das Fehlurteil eines einzelnen Unternehmens. Der Fehler — „einen präzisen Preisanhänger” mit „Marktliquidität, um tatsächlich zu diesem Preis zu kaufen und zu verkaufen” zu verwechseln — wiederholte sich über mehrere Kontinente hinweg.

Die Genauigkeit des Zestimate selbst war nicht schlecht. Gegen tatsächlich am Markt gehandelte Häuser lag die Fehlerquote bei rund 2 Prozent, enger als bei den meisten menschlichen Gutachtern.¹ Trotzdem verbrannte das Unternehmen innerhalb weniger Quartale Hunderte Millionen Dollar.

Der Grund liegt in einer Unterscheidung, die sich durch das gesamte Kapitel zieht. „Zu wissen, was etwas wert ist” und „den Nerv und das Timing zu haben, tatsächlich zu diesem Preis zu kaufen und zu verkaufen” sind völlig verschiedene Probleme. KI ist gut im Ersteren. Das Letztere bleibt — und wird wohl noch lange bleiben — ein Feld, das mit Marktliquidität, Timing und menschlichem Urteilsvermögen verstrickt ist. Der eigentliche Wandel bei der Immobilienbewertung der vergangenen fünf Jahre ist nicht die simple Geschichte, dass „KI genauer wurde als Menschen”. Die Frage selbst hat sich verändert. Nicht mehr „was ist dieses Gebäude wert”, sondern „wie sieht die Wahrscheinlichkeitsverteilung dessen aus, was dieses Gebäude wert ist”.

Vom Zeitalter der Präzision zum Zeitalter der Konfidenzintervalle

William Poorvu, dessen Buch The Real Estate Game von 1999 ein Klassiker der Immobilieninvestition ist, vertritt eine Position, die es wert ist, wieder aufgegriffen zu werden: Immobilien werden meist nicht durch eine ausgefeilte Tabellenkalkulation beurteilt, sondern durch eine „Überschlagsrechnung auf der Rückseite eines Umschlags”. Selbst während er an der Harvard Business School Immobilien lehrte, stellte er fest, dass die Wissenschaft sich in Richtung immer ausgefeilterer Modelle bewegte, während Praktiker Gelegenheiten schnell anhand einer Handvoll Kernkennzahlen filtern — Nettobetriebsergebnis (NOI), Eigenkapitalrendite (ROE), Kaufpreis im Verhältnis zu den Wiederbeschaffungskosten. Die Rechnung, die er auf einem gelben Notizblock während eines Telefonats mit einem Makler skizzierte, ist selbst heute noch verblüffend einfach: den Kaufpreis durch die Wohnfläche teilen, um einen Preis pro Quadratmeter zu erhalten, diesen mit den Kosten eines Neubaus vergleichen, um die Sicherheit des Preises einzuschätzen, und dann berechnen, welchen Prozentsatz des eingesetzten Eigenkapitals die Miete nach Abzug von Betriebskosten und Schuldendienst abwirft. Er nannte diese Analogie „Omas Hühnersuppe” — ein Ergebnis, das jedes Mal ungefähr stimmt, ohne dass ein präzises Rezept nötig wäre.

Fünfundzwanzig Jahre später lohnt es sich, diese Analogie umzudrehen. Die Immobilienbewertung im KI-Zeitalter ist nicht bei Omas Gespür angekommen — sie ist beim entgegengesetzten Extrem angelangt. Eine ultrapräzise Maschine, die Tausende Variablen quantifiziert, auf Millionen historischer Transaktionen trainiert und ihre Fehlerquote bis auf die Nachkommastelle steuert. Und doch hat diese Präzision den Praktikern nicht „eine genauere Zahl” beschert. Ironischerweise hat sie ihnen die Frage beschert, wie sehr man dieser Zahl überhaupt vertrauen soll.

Der Grund ist einfach. Die Fehlerquote eines AVM ist nicht einheitlich. In liquiden Märkten mit standardisierten Vermögenswerten kann die Fehlerquote auf 2 bis 3 Prozent fallen. Ein Dreizimmer-Vorstadthaus in den USA ist der klassische Fall — die Datenlage ist üppig.² Bewegt man sich zu Märkten mit geringem Transaktionsvolumen, unverwechselbaren Gewerbeimmobilien oder einer gerade erst entstehenden Anlageklasse (Rechenzentren, später behandelt, sind das Paradebeispiel), übersteigt die Fehlerquote leicht 10 Prozent.[Quelle unbestätigt — vor Veröffentlichung erneut prüfen. Herstellermaterial der Branche nennt breit 2–3 Prozent Fehlerquote für Standard-Wohnimmobilien und 5–15 Prozent für nicht standardisierte/gewerbliche Vermögenswerte, doch ließ sich zum Zeitpunkt der Prüfung keine einzelne Primärquelle festmachen.] Datenknappheit ist die Ursache. Dasselbe Modell, dasselbe Unternehmen liefert Zahlen, bei denen „diese hier ist fast in Stein gemeißelt” und „diese hier ist bestenfalls eine grobe Richtschnur” nebeneinander existieren. Ein AVM ist im Grunde eine Vergleichswertbewertung, die mit extremer Geschwindigkeit ausgeführt wird. Wo ein Mensch sich während eines einzigen Telefonats aus fünf oder sechs Vergleichsobjekten einen Eindruck bildet, durchsucht die Maschine im selben Moment Tausende Vergleichsobjekte. Doch in einem Markt, in dem nichts zu durchsuchen ist — keine Transaktionsaufzeichnung —, hat auch die schnellste Maschine nichts, womit sie arbeiten könnte.

Ein Gespür hat sich in den vergangenen fünf Jahren still, aber fest in der Branche verwurzelt. Das Maß eines guten Bewertungsmodells ist nicht mehr „wie genau ist die Zahl, die es liefert”, sondern „sagt es dir, wie sehr du dieser Zahl vertrauen kannst”. Das Konfidenzintervall — ein aus der Statistik entlehntes Konzept — ist Teil des Arbeitswortschatzes der Immobilienpraxis geworden. Statt einer einzigen, flachen Aussage — „dieses Gebäude ist eine Million Dollar wert” — ist nun eine Antwort wie „dieses Gebäude ist mit 90-prozentiger Konfidenz zwischen 950.000 und 1.050.000 Dollar wert, wobei diese Spanne auf nur drei jüngsten Vergleichsverkäufen beruht und die Stichprobe dünn ist” diejenige, der man vertraut. Nicht Präzision, sondern Ehrlichkeit ist zum neuen Standard geworden.

Der Achtminuten-Kreditcheck — und sein Preis

Nirgends zeigt sich dieser Wandel dramatischer als bei der Kreditprüfung für Gewerbeimmobilien. Traditionell war ein Gewerbeimmobilienkredit ein bürokratischer Prozess — 30 bis 45 Tage von den Unterlagen bis zur Bewilligung, durch mehrere Hände von Bankern und Analysten. Mietverträge einzeln lesen, Mieterlisten mieterweise in Tabellenkalkulationen übertragen, die Zahlen der Betriebsabrechnungen gegen Vorjahre abgleichen, Cashflow-Modelle händisch bauen. Genau wie die oben beschriebene Überschlagsrechnung in einem einzigen Telefonat abgeschlossen werden konnte, ist die zugrunde liegende Logik dieser Arbeit selbst einfach. Der Unterschied liegt im Maßstab. Dieselbe Arithmetik, mit der ein Einzelinvestor ein einziges Gebäude prüft, muss eine Bank an Hunderten von Deals täglich wiederholen.

In den vergangenen fünf Jahren häuften sich Berichte über die Einführung von KI-Kreditprüfung bei Banken: 50 bis 75 Prozent Reduzierung der Bearbeitungszeit, Kosteneinsparungen von bis zu 20 Prozent.³ Bei Deals mit klaren, gut definierten Bedingungen gibt es bereits Fälle, in denen KI die Dokumente liest, das Cashflow-Modell automatisch erstellt und die Kreditprüfung in acht Minuten abschließt. Arbeit, die früher einem Analysten mehrere Wochen abverlangte, erledigt eine Maschine nun in der Zeit, die man für eine Tasse Kaffee braucht.

Diese Geschwindigkeit hat ihren Preis: eine wachsende Zahl von „Black Boxes”, bei denen schwer zu erklären ist, warum eine bestimmte Zahl herauskam. Ein menschlicher Analyst kann die Argumentation hinter einem Urteil artikulieren — „ich habe die Verlängerungswahrscheinlichkeit dieses Mieters heruntergestuft, weil dessen jüngste Umsätze wackelig waren.” Kommt ein KI-Modell zum selben Schluss, lässt sich weit schwerer feststellen, ob dieser Schluss tatsächlich auf die Umsatzzahlen des Mieters zurückgeht oder auf eine Verzerrung, die zufällig in die Trainingsdaten geraten ist. Auch die Regulierung hat begonnen aufzuholen — spät, aber schnell —, und Ursprung sowie Form der Antwort unterscheiden sich von Land zu Land. In den USA schreibt die 2024 in Kraft getretene Interagency Rule on AVMs ein Konfidenzmanagement für Bewertungsmodelle, Schutzmaßnahmen gegen Datenmanipulation und Vorkehrungen gegen Interessenkonflikte vor.⁴ In Europa hat das Gremium, das die Standards der Gutachterbranche setzt, mit seinem überarbeiteten Standard von 2025 den Grundsatz zementiert, dass „ein AVM ein formelles Gutachten nicht allein ersetzen kann — es muss mit einer Vor-Ort-Besichtigung und Fachurteil kombiniert werden.” Vor fünf Jahren bedeutete Wettbewerbsvorteil „wie schnell kannst du KI einführen”. Heute bedeutet er „wie nachvollziehbar kannst du das Urteil dieser KI erklären” — eine neue Wettbewerbsachse, die sich durch alle Kontinente zieht.

Dreißig Leute kaufen einen Giganten

Ein weiteres Ereignis fängt diesen Fünfjahresbogen ein. 2021 übernahm JLL — eines der größten Immobiliendienstleistungsunternehmen der Welt — Skyline AI, ein Datenstart-up mit Sitz in Israel und New York und einer Belegschaft von knapp über dreißig Personen. Was genau dieses Unternehmen entwickelte und wie es nach der Übernahme eingesetzt wurde, wird ausführlich in Kapitel 2 behandelt.⁵

Die Frage, die diese Übernahme aufwarf, war einfach und scharf: Kann ein kleines Team von Datenwissenschaftlern die Zukunft eines Vermögenswerts genauer vorhersagen als eine über Jahrzehnte gewachsene Organisation aus Maklern und Gutachtern? Die Antwort der Branche war die Übernahme selbst. Das war keine isolierte Art, sich Fähigkeiten anzueignen — in den folgenden fünf Jahren entschieden sich große Maklerhäuser und Vermögensverwalter wiederholt fürs Kaufen statt fürs Selbstbauen. Asien wählte einen etwas anderen Ansatz. Eine große chinesische Immobilienmaklerplattform baute, statt zu übernehmen, ein großes eigenes Data-Engineering-Team auf und entwickelte selbst KI-gestützte Bewertungsfunktionen — einschließlich Bilderkennungstools, um den Zustand eines Listings anhand von Fotos zu lesen. Kauf versus Eigenentwicklung divergierten, doch die Schlussfolgerung — dass KI-Fähigkeit zu einem zentralen Wettbewerbsvorteil für Immobiliendienstleister geworden ist — hielt über die Kontinente hinweg stand. JLLs eigene Begleitstatistiken (Zahl der KI-Anwendungsfälle, institutionelle Pilotannahmeraten) werden ebenfalls in Kapitel 2 behandelt. Bewertung ist längst nicht mehr das Experiment einer Handvoll Vorreiter. Sie ist zum standardmäßigen Branchenworkflow geworden.

Ein Algorithmus baute Kollusion, ohne es selbst zu wissen

Nicht alles in diesem Fünfjahresbogen ist eine glänzende Geschichte. Der dramatischste Umschwung ist der Fall von RealPage, einer Mietpreissoftware. Die Software bündelte vertrauliche Preisinformationen mehrerer Vermieter und empfahl für jedes Gebäude eine „optimale Miete”. Die Logik klang vernünftig — dieselbe Prämisse wie bei einem AVM: mehr Daten ergeben einen präziseren Preis.

Das Problem war, dass mehrere Vermieter in derselben Stadt diese Software gleichzeitig nutzten. Kein einzelner Vermieter besprach jemals Kollusion mit einem anderen. Aber weil jeder die Preisdaten seines eigenen Gebäudes in denselben Algorithmus einspeiste und der Algorithmus diese Information zu demselben geflüsterten Schluss für jeden von ihnen synthetisierte — „alle anderen nutzen auch dieselbe Software, der Markt verträgt also eine koordinierte Mieterhöhung” —, entstand eine Struktur, die wie Kollusion funktionierte, ohne dass sich jemand explizit auf Kollusion geeinigt hätte. Laut der Klageschrift des US-Justizministeriums begann ein Vermieter binnen einer Woche nach Einführung der Software, die Mieten zu erhöhen, und hatte sie innerhalb von elf Monaten um mehr als 25 Prozent angehoben.⁶ Die US-Klage zum Mietalgorithmus warf dies effektiv als Beihilfe zur Kollusion vor, und im November 2025 einigte sich das Softwareunternehmen mit dem Justizministerium — ohne ein Fehlverhalten einzugestehen — darauf, die Mietempfehlungsfunktion einzustellen, die vertrauliche Wettbewerbsdaten nutzte.⁶

Dieser Fall geht über ein einzelnes Unternehmen oder Land hinaus. Es ist die erste große juristische Widerlegung der Erzählung, dass „KI Märkte effizienter macht”. Eine ähnliche Sorge ist bereits jenseits des Atlantiks aufgetaucht — nicht bei Immobilien, sondern im europäischen Tankstellengeschäft, wo eine Welle von Stationen, die zum selben Preisalgorithmus wechselten, von einem gemeinsamen Anstieg der Margen gefolgt wurde, was die Aufmerksamkeit der Wettbewerbsbehörden auf sich zog. Andere Branche, dieselbe Struktur. Lässt man die Gesetze eines einzelnen Landes beiseite und betrachtet das zugrunde liegende Prinzip: Sobald mehrere Wettbewerber gleichzeitig denselben Preisalgorithmus einsetzen, bewegt sich dieser Algorithmus auf der Grenze zwischen Effizienzinstrument und Kollusionsmechanismus. Jede Partei verhält sich für sich genommen rational, doch das Ergebnis funktioniert kollektiv wie ein Kartell — eine neue Spezies von Marktversagen. Das ist die unerwartetste Lektion der ersten fünf Jahre KI-Bewertung, und sie beschränkt sich auf kein einzelnes Land.

Der Gutachter verschwindet nicht — er zieht um

Was also passiert am Ende all dessen mit den Berufen Gutachter und Makler? Die Daten dieser fünf Jahre deuten auf eine Antwort, die eher „Umzug” als „Aussterben” lautet.

Es gibt echte Arbeit, die KI eindeutig übernommen hat: Vergleichsobjekte ziehen und auflisten, Preise für standardisierte Vermögenswerte berechnen, Mieterlisten lesen und Cashflow-Modelle bauen. Diese repetitiven, quantitativen Aufgaben erledigen Maschinen inzwischen schneller als Menschen — und bei Standardvermögenswerten auch genauer. Genau deshalb kauften große Maklerhäuser Unternehmen wie Skyline AI komplett auf, statt selbst zu entwickeln. Repetitive Rechenfähigkeit ist keine Lücke mehr, die ein Mensch von Hand füllen muss — sie ist eine Komponente, die man von der Stange kauft.

Genau deshalb hat sich der Charakter der Arbeit verändert, die den Menschen bleibt. Die Frage, mit der sich ein Gutachter heute befasst, ist nicht mehr „wofür wurde ein Vergleichsgebäude kürzlich verkauft” — das beantwortet eine Maschine bereits in Sekunden. Stattdessen haben sich Menschen zu den Fragen hin bewegt, die Daten noch nicht erfassen: Wie bewertet man einen Vermögenswert, für den dem Modell keine sinnvollen Vergleichsobjekte zur Verfügung stehen? Bahnt sich in dieser Nachbarschaft ein Wandel in der Mieterzusammensetzung an, den die Daten noch nicht erfasst haben? Verbirgt der Verkäufer eine verzweifelte Lage? Das Beharren der europäischen Gutachterstandardbehörde, dass „ein AVM mit Vor-Ort-Besichtigung und Fachurteil kombiniert werden muss”, liegt auf derselben Linie — es institutionalisiert eine Struktur, in der die Antwort der Maschine und die Antwort des Menschen nebeneinanderstehen und ein Mensch aufzeigt, wo sie auseinandergehen.

Die Rolle des Maklers hat sich auf ähnliche Weise verschoben. Jemandem den aktuellen Marktpreis zu nennen, hat seinen Seltenheitswert verloren, seit jeder ihn in Sekunden auf dem Handy nachsehen kann. Wert schafft stattdessen, die wahre Lage der Gegenseite über den Verhandlungstisch hinweg zu lesen und sich durch Variablen zu navigieren, die sich nicht in Zahlen fassen lassen — Regulierung, Nachbarschaftsbeziehungen, Partnerschaften. Die neue Arbeitsteilung, die diese fünf Jahre hervorgebracht haben, lautet: Die Maschine berechnet „was ist es wert”, wo Daten reichlich vorhanden sind; der Mensch urteilt „sollte dieser Zahl vertraut werden”, wo Daten dünn sind oder sich von Anfang an nicht in Zahlen fassen ließen. Kein verlorener Job. Ein umgezogener.

Was nach dem Konfidenzintervall kommt

Welche Teile dieses Fünfjahresbogens werden also in drei Jahren, oder in einem anderen Land, noch gelten? Drei Fragen stechen hervor.

Erstens: Die strukturelle Grenze, dass die Genauigkeit der KI-Bewertung direkt mit der Datendichte skaliert, verschwindet nicht. Bei standardisierten Vermögenswerten in liquiden Märkten wird KI Menschen weiterhin mit feinerer Präzision überbieten. Bei seltenen, spezialisierten Vermögenswerten und neu entstehenden Anlageklassen behalten menschliche Erfahrung und Intuition weiterhin die Oberhand. Diese Grenzlinie wird sich mit besser werdenden KI-Modellen weiter verschieben, wird aber nicht ganz verschwinden.

Zweitens: „Vorhersage” und „die Entscheidung, aufgrund dieser Vorhersage tatsächlich Kapital einzusetzen”, werden getrennt bleiben. Zillow verlor über 400 Millionen Dollar nicht, weil sein Modell falsch lag, sondern weil die Umsetzung einer präzisen Vorhersage in eine tatsächliche Transaktion an Marktliquidität und Timing scheiterte — Variablen, mit denen ein statistisches Modell schwer umgehen kann. Diese Lücke dürfte sich nicht schließen, egal wie ausgefeilt KI wird, weil Immobilien kein Vermögenswert sind, der sich verkauft, sobald man verkaufen will.

Drittens: Das strukturelle Risiko, das entsteht, wenn mehrere Wettbewerber gleichzeitig dasselbe Werkzeug nutzen, wird diese Branche weiter begleiten, unabhängig davon, wie sich die Regulierung entwickelt. Bewertungswerkzeuge sind bereits von einer Hilfe für individuelles Urteilsvermögen zu Infrastruktur geworden, die die Preisbildung im gesamten Markt direkt formt. Wer diese Infrastruktur wie beaufsichtigt, ist eine Frage, die gerade erst gestellt wird.

Was die vergangenen fünf Jahre hinterlassen haben, ist keine einfache Sieg-Niederlage-Geschichte von „KI ersetzte Menschen”. Die Art und Weise, wie wir überhaupt nach dem Wert von Immobilien fragen, hat sich verändert. Früher war eine einzige, von einem einzigen Gutachter unterzeichnete Zahl die Antwort. Heute folgt dieser Zahl selbstverständlich ein Fragezeichen: Wie sehr kann man dieser Zahl eigentlich vertrauen? Die Fähigkeit, dieses Fragezeichen ehrlich zu beantworten, ist zur neuen Qualifikation geworden, die im KI-Zeitalter sowohl von Menschen als auch von Maschinen in der Immobilienbranche verlangt wird.

Nun ist es an der Zeit, dieses Fragezeichen in die nächste Frage zu tragen. Warum ist KI so entschlossen darauf aus, den Wert von Immobilien mit dieser Präzision zu berechnen? Und wo genau lebt die KI selbst?

---

Spielregel Ein Modell fasst den Markt zusammen; es erschafft ihn nicht. KI ist nur so klug wie die Daten tief sind, und die genaue Zahl zu kennen bedeutet nicht, den Nerv und das Timing zu haben, tatsächlich Kapital dahinter zu stellen. Deshalb gewinnt nicht die Seite mit dem ausgefeilteren Modell — sondern die Seite, die genau weiß, wie weit diesem Modell zu trauen ist, und wo ein Mensch übernehmen muss.

---

Quellen

Footnotes

1. Zillow betrieb ab 2018 ein iBuying-Geschäft (Zillow Offers) und nutzte dabei sein eigenes AVM „Zestimate”, um Häuser direkt zu kaufen und zu verkaufen, zog sich aber nach einem Verlust von 421 Millionen Dollar im dritten Quartal 2021 zurück. Die Fehlerquote des Zestimate gegenüber am Markt gelisteten Objekten wurde mit rund 2 Prozent angegeben. (The Close, „Zillow Estimates Ultimate Guide”; Best Practice AI, „Zillow provides real estate price estimates”) ↩ ↩²

2. Zu AVM-Fehlerquoten — Branchenmaterialien nennen durchgängig 2–3 Prozent bei standardisierten Wohnimmobilien und 5–15 Prozent bei Nicht-Standard- oder Gewerbeobjekten. (PatSnap, „AI property valuation technology landscape 2026”; BusinessWire, „PropStream Announces New AVM & AI Innovations”) ↩

3. Herstellermaterial/Beratungsunterlagen der Branche (Blooma, GrowthFactor, Alpaca u. a. ) — Banken, die KI-Kreditprüfung einführen, berichten von 50–75 Prozent Reduzierung der Prüfzeit, bis zu 20 Prozent Kosteneinsparung und Fällen von Kreditprüfungen unter acht Minuten bei gut definierten Deals. Zu beachten sind erhebliche Abweichungen je nach Institut und Stichprobe; keine standardisierten Branchenstatistiken. ↩

4. Die 2024 in Kraft getretene US-amerikanische Interagency Rule on AVMs schreibt Konfidenzmanagement für Bewertungsmodelle, Schutzmaßnahmen gegen Datenmanipulation und Vorkehrungen gegen Interessenkonflikte vor. Zusätzliche regionale Compliance-Anforderungen, wie Colorados KI-Gesetz von 2026, sind ebenfalls in Kraft getreten. ↩

5. JLL übernahm 2021 Skyline AI, ein KI-Start-up für Gewerbeimmobilien mit Sitz in Israel/New York. Vollständige Spezifikationen, Nutzung nach der Übernahme und JLLs KI-Einführungsstatistiken werden in Kapitel 2 behandelt. (JLL Newsroom; AI Business; PitchBook) ↩

6. Das US-Justizministerium klagte die Mietpreissoftwarefirma RealPage im August 2024 wegen Beihilfe zu algorithmischer Kollusion an und nannte einen Fall, in dem ein Vermieter binnen einer Woche nach Einführung begann, die Mieten zu erhöhen, und sie innerhalb von elf Monaten um mehr als 25 Prozent angehoben hatte. Im November 2025 einigte sich RealPage mit dem Justizministerium, ohne ein Fehlverhalten einzugestehen, und stimmte zu, Mietempfehlungsfunktionen einzustellen, die vertrauliche Wettbewerbsdaten nutzten. (Offizielle Ankündigung des DOJ; ProPublica; NPR; Holland & Knight) ↩ ↩²