Adtech als regulatorischer Präzedenzfall

Evidenz: [F] belegter Fakt (Quelle) · [B] Behauptung (Urheber) · [I] Inferenz (Herleitung).

Kernaussagen

• [I] Der belastbarste Transfer von Adtech auf KI ist nicht „Konzentration ist schlecht”, sondern die Erkenntnis, dass in mehrschichtigen Vermittlungsstacks die Regelsetzungsmacht das eigentliche Machtmittel ist — nicht der Marktanteil. Folgt aus Zeithammer 2019 (verdeckte Soft Floors), Despotakis et al. 2021 (Auktionsformat als Reaktion auf Header Bidding) und Latham et al. 2021 (Schaden erscheint in einem anderen Stack-Segment als die Macht).
• [F] Opazität ist ein einstellbarer Designparameter mit messbarem Ertrag, und dieser Ertrag stammt aus der Lernverzögerung der Gegenseite: Soft Floors erhöhen die Einnahmen im Feldexperiment, aber nur, weil „the bidders in Försch et al. (2017) do not reduce their bids when soft floors are introduced” (Zeithammer 2019, S. 3).
• [F] Vermittlungskonzentration ist empirisch preiswirksam, aber mit umgekehrtem Vorzeichen als naiv erwartet: eine Erhöhung der Agenturkonzentration um 245,10 HHI-Punkte senkt die Plattformeinnahmen um 11,32 % (Decarolis & Rovigatti 2020, S. 3–4) — Nachfragemacht disziplinierte hier die Plattform, nicht umgekehrt.
• [F] Prüfbarkeit der Auktion ist mit vertretbarem Aufwand technisch machbar (VEX: ~50 ms zusätzliche p95-Latenz, Audit-zu-Auktion ≈ 1:18; Addax: 250–360 Auktionen/s/Kern) (Angel & Walfish 2013, S. 9–10; Zhong et al. 2023, S. 11–12) — aber [I] genau die entscheidende Eigenschaft, die Vollständigkeit der committeten Gebotsmenge, beweist keines der beiden Systeme.
• [F] Die Remedy-Literatur ist auf der Strukturseite historisch pessimistisch: von 336 zivilen Monopolisierungsurteilen 1890–1996 wurde Separation in 95 zugesprochen, „nearly all of them were mergers or acquisitions or involved coordinated conduct” (Crandall 2001, zitiert in Gilbert 2021, S. 5); und nahezu alle regulatorischen Separationen wurden später aufgehoben (ebd.).
• [F] Datenverfügbarkeit ist keine stabile Monopolquelle — jedenfalls nicht unwidersprochen: „Data has the diminishing returns of capital, in the long run. But it has the increasing returns of ideas and technologies, early in the transition path to steady state” (Farboodi & Veldkamp 2022, S. 30).
• [F] Es gibt genau eine Arbeit im Korpus, die eine Entflechtung konstruiert statt sie zu fordern — und sie wählt ihr Design nach Prüfbarkeit: DV360 veräußern, Google Ads behalten aber auf Erstanbieter-Inventar beschränken, weil „verifying that no requests are sent should be a straightforward technical check” (Witte & Krämer 2025, S. 17–18). [I] Das ist die einzige verallgemeinerbare Konstruktionsregel im gesamten Korpus: binär prüfbare Verbindungsverbote statt Diskriminierungsverbote.
• [I] Die schärfste Warnung für die KI-Regulierung kommt nicht aus der Adtech-Kritik, sondern aus einem ihrer Nebenbefunde: eine Einwilligungspflicht mit fixen Compliance-Kosten pro Unternehmen konzentriert den Markt zugunsten des Generalisten — auch dann, wenn Große keinen inhärenten Vertrauensvorteil haben (Campbell, Goldfarb & Tucker 2015). Ex-ante-Regulierung des KI-Stacks kann damit dasselbe bewirken, was sie verhindern soll.

Analyse

1. Terminologie und Aktorenkarte

Der Online-Werbemarkt ist kein Markt, sondern ein Stapel von Märkten. Die Wettbewerbsbehörden haben sich in den Sektoruntersuchungen 2020–2023 auf eine im Kern deckungsgleiche Taxonomie geeinigt; sie ist die Vokabel-Grundlage dieses Dossiers und der Grund, weshalb der Adtech-Fall für den KI-Stack überhaupt sprechfähig ist.

Die Kette (Sell-Side nach Buy-Side gelesen):

• Publisher — Inhaltsanbieter, verkauft Aufmerksamkeit in Form von Ad Impressions.
• Publisher Ad Server — verwaltet das Inventar des Publishers und entscheidet, welche Nachfragequelle eine Impression bekommt. Im Google-Fall: DFP/Google Ad Manager.
• Supply-Side Platform (SSP) / Ad Exchange — betreibt die Auktion um die einzelne Impression. Die Unterscheidung SSP vs. Exchange ist historisch, nicht funktional trennscharf.
• Ad Network — aggregiert Inventar und verkauft es als Paket weiter; die ältere, weniger auktionsförmige Schicht.
• Demand-Side Platform (DSP) — bietet im Auftrag von Werbetreibenden auf einzelne Impressions.
• Trading Desk / Mediaagentur — kauft und optimiert Kampagnen im Auftrag des Werbetreibenden; die Agenturnetzwerke (WPP, Omnicom, Publicis, IPG, Dentsu, Havas) sind hier die Nachfragebündler.
• Werbetreibender (Advertiser) — die eigentliche Nachfrage.

Querschnittsakteure, die zu keiner Schicht gehören und deshalb regelmäßig übersehen werden:

• Data Management Platform (DMP) / Customer Data Platform (CDP) — Zielgruppendaten, Segmentbildung.
• Identity Provider — Zuordnung von Impressions zu Personen über Geräte und Sitzungen hinweg; nach dem Cookie-Auslauf der eigentliche Engpass.
• Verification- und Brand-Safety-Anbieter — messen, ob eine Impression überhaupt sichtbar und in zulässigem Umfeld ausgeliefert wurde.

[I] Die regulatorisch entscheidende Eigenschaft dieser Karte ist nicht ihre Länge, sondern dass ein Akteur mehrere nicht benachbarte Positionen gleichzeitig besetzen kann: Google ist Publisher Ad Server, Exchange und DSP — und gleichzeitig, über eigenes Inventar, Publisher. Das ist der Strukturbefund, der die gesamte Remedy-Diskussion trägt (folgt aus der Aktorenkarte und Srinivasan 2020, s. Abschnitt 2.A).

[F] Der Anteil des elektronisch, also auktionsförmig gehandelten Inventars ist die Bedingung dafür, dass Mechanismus-Design hier überhaupt regulatorisch relevant ist: rund 86 % des US-Display-Werberaums wird über elektronische Handelsplätze gehandelt (Srinivasan 2020).

::: {.callout kind=“note”} Zur Herkunft der Taxonomie. Die hier verwendete Begriffsordnung folgt den Sektoruntersuchungen der Wettbewerbsbehörden (CMA Online Platforms and Digital Advertising, 2020, Appendix M; ACCC Digital Advertising Services Inquiry, 2021, Kap. 2; Bundeskartellamt, Sektoruntersuchung Online-Werbung, 2023). [I] Zwei häufig zitierte Marktvermessungen — die ISBA/PwC Programmatic Supply Chain Transparency Study (2020) und die ANA Programmatic Media Supply Chain Transparency Study (2023) — sind Auftragsstudien von Werbetreibendenverbänden, also von der Marktseite, die einen Interessenkonflikt bei der Bezifferung von Take Rates hat; ihre Zahlen sind als Indizien, nicht als Messwerte zu behandeln. :::

2. Die Literatur in sechs Mechanismusfamilien

Die 16 Arbeiten sind nicht nach Disziplin oder Prominenz geordnet, sondern nach dem Mechanismus, den sie erklären. Diese Ordnung ist selbst ein Analyseergebnis: sie macht sichtbar, dass die Literatur auf der Diagnoseseite dicht und auf der Remedyseite dünn ist (Familie F umfasst drei Arbeiten, davon eine nur im Abstract zugänglich).

A. Konzentration und Rente in der Intermediation

A1 — Decarolis & Rovigatti, „From Mad Men to Maths Men: Concentration and Buyer Power in Online Advertising” (AEA-Konferenzfassung, 2. November 2020; publiziert AER 111(10), 2021).

[F] Datenbasis: rund 40 Mio. Google-Keyword-Auktionen; Marktabgrenzung über GloVe-Embeddings und ein zweistufiges Ko-Okkurrenz-Clustering, das die Autoren ausdrücklich „not in a strict antitrust sense” verstehen; Identifikation über 21 Akquisitionen und 2 Abspaltungen in 6 von 7 Agenturnetzwerken (S. 2–3, 10–14).

[F] Kernresultat: +245,10 HHI-Punkte Agenturkonzentration → −11,32 % Plattformeinnahmen, getrieben über niedrigere Klickpreise, nicht über weniger Keywords oder Volumen (S. 3–4, 24–28). [F] Vermittler sind in etwa 75 % der Anzeigenplätze involviert; die vier größten Netzwerke decken rund 70 % des Suchvolumens (S. 2, 8).

[F] Die Autoren dokumentieren vier Gegenzüge der Plattform: höhere differenzierte Mindestpreise (Mai 2017), weniger Anzeigenplätze, Disintermediation und Änderung des Auktionsformats — und warnen, die ersten beiden „might have the same perverse effect of hurting the ‘wrong’ advertisers” (S. 5, 42–44). [F] Explizite Politikwarnung: „there is an evident risk with the alternative policies currently debated which involve either helping consumers switch between search engines or improving the quality of smaller search engines through mandated access to Google’s data” (S. 43).

[I] Dieses Paper ist die stärkste vorhandene Empirie gegen die naive Lesart der Adtech-Kritik: Vermittlungskonzentration kann Galbraith’sche Gegenmacht sein und die Plattformrente senken. Wer den Adtech-Fall als Präzedenz für KI benutzt, muss diesen Befund mittragen — sonst zitiert er selektiv. Für die KI-Debatte heißt das: gebündelte Nachfrage (Enterprise-Einkaufskonsortien, Modell-Broker, Router) ist nicht per se ein Problem, sondern kann Teil der Lösung sein.

A2 — Srinivasan, „Why Google Dominates Advertising Markets” (Stanford Technology Law Review 24(1), 2020, 55–175).

[I] Der methodisch interessanteste Punkt an dieser Arbeit ist nicht ihr Inhalt, sondern ihre Form: sie ist selbst ein Analogieargument — Wertpapiermarktregulierung als Präzedenz für Adtech. Damit erhält die hier verfolgte Übertragung Adtech → KI eine Präzedenz zweiter Ordnung mit dokumentierter Erfolgsbilanz (folgt aus dem Aufbau von Teil II.C und Teil IV der Arbeit).

[F] Drei entlehnte Prinzipien: (1) Handelsplätze müssen allen Händlern faire Informations- und Geschwindigkeitszugänge gewähren (Reg NMS Rules 610(a), 603(a)(2)); (2) Interessenkonflikte des Vermittlers identifizieren und managen — von der strukturellen Trennung nach Glass-Steagall zum Konfliktmanagement nach Gramm-Leach-Bliley, wobei „policymakers continue to prohibit a company that runs a public stock exchange from simultaneously running a division that trades on the exchange” (S. 163); (3) Transparenz und Meldepflicht, konkretisiert im SEC Consolidated Audit Trail (17 C.F.R. § 242.613) mit Uhrensynchronisation und Millisekunden-Reporting (Teil IV).

[F] Sie belegt strukturelle Trennung auch außerhalb der Finanzmärkte: Ticketmaster, Stubhub, AXS und Telecharge betreiben keine eigenen Ticket-Broker; die Airline-Reservierungssysteme wurden am Ende abgespalten (Teil IV). [F] Und sie dokumentiert Datenschutz-als-Vorwand mit einem Zitat aus der Finanzmarktgeschichte: „The finance industry does not want to the regulators to have the ability to monitor and police their behaviour, and they are using privacy as a pretext” (Better Markets, zitiert in Fn. 303).

[F] Ihr eigentumsrechtliches Argument: das Recht an der Information soll der Partei zufallen, die die Kosten ihrer Erzeugung getragen hat — dem Publisher, nicht dem Vermittler (S. 158).

[I] Der CAT ist die einzige real existierende Blaupause für ein Log-Mandat auf Transaktionsebene in einem Markt mit Milliarden Ereignissen pro Tag. Wer für KI-Systeme Nachvollziehbarkeit von Allokations- oder Routing-Entscheidungen fordert, sollte sie nicht neu erfinden, sondern am CAT bemessen — inklusive seiner bekannten Kosten- und Verzögerungsgeschichte.

A3 — Latham, Hervé & Bizet, „Foreclosure in Digital Advertising Markets” (2021).

[F] Formales Ergebnis: Abschottung ist selbst gegenüber einem effizienteren Rivalen profitabel, wenn dessen Kosten C im Intervall (3c/2, 2c) liegen (Latham, Hervé & Bizet 2021, Abschnitt zum Grundmodell). [F] Nominale Take Rate von 20 % entspricht in ihrer Rechnung einer effektiven Belastung von 27,5 % (ebd., Abschnitt zu Take Rates).

[I] Der für die Regulierung folgenreichste Punkt ist ein struktureller: der Schaden kann in einem anderen Segment des Stacks auftreten als dort, wo die Marktmacht sitzt. Damit ist die segmentweise Marktabgrenzung — das Standardwerkzeug der Missbrauchsaufsicht — im mehrschichtigen Stack systematisch blind (folgt aus dem Abschottungsmodell der Arbeit).

::: {.callout kind=“warn”} Provenienz A3. Die Arbeit trägt eine ausdrückliche Offenlegung: die Autoren sind bei Charles River Associates tätig und die Arbeit entstand im Zusammenhang mit Mandaten, u. a. für News Corp. [I] Das entwertet die Formalisierung nicht — die Modellbedingung (3c/2, 2c) ist prüfbar —, verlangt aber, die Take-Rate-Bezifferung als Parteivortrag zu lesen. Zusätzliche Einschränkung: mir lag nur die HTML-Fassung vor, Belege sind daher abschnitts-, nicht seitengenau. :::

A4 — D’Annunzio, Russo & Shekhar, „Vertical Integration and Efficiency in the Adtech Industry” (CSEF Working Paper 758, 2024).

[F] Zentrales Resultat (Prop. 5): ein Verbot der Datenweitergabe stellt für sich allein das Ergebnis der Trennung nicht wieder her; erst in Kombination mit einem Verbot von Selbstbevorzugung bzw. exklusiver Distribution wirkt es (D’Annunzio, Russo & Shekhar 2024, S. 27–30).

[I] Das ist das präziseste Argument gegen das derzeit populärste Remedy-Design überhaupt: einzelne Verhaltensverbote sind in einem integrierten Stack substituierbar — wird ein Kanal geschlossen, verlagert sich die Bevorzugung in den nächsten. Für KI heißt das: ein Datenweitergabeverbot zwischen Modellanbieter und eigener Anwendungsschicht ist ohne begleitendes Selbstbevorzugungsverbot im Routing wirkungslos (folgt aus Prop. 5 und der Aktorenkarte in Abschnitt 1).

B. Der Mechanismus als Stellschraube — Opazität als Designparameter

B1 — Zeithammer, „Soft Floors in Auctions” (Management Science, Working-Paper-Fassung 2019).

[F] Definition: ein Soft Floor ist die Gebotshöhe, unterhalb derer der Gewinner sein eigenes Gebot zahlt (statt des Zweitgebots) (S. 1–2). [F] Bei symmetrischen Bietern ist der Mechanismus erlöstneutral, und — entscheidend — Monotonie und Erlösäquivalenz „continues to hold even when the auctioneer hides the exact level of the soft floor before bidding” (S. 11). [F] Niedrige Soft Floors bei asymmetrisch hohen Bietern senken den Erlös immer, weil die Gebotsdämpfung der regulären Bieter den Preisdruck überkompensiert; nur sehr hohe Soft Floors können ihn steigern (S. 12–16, 25–27).

[F] Der eigentliche Befund steht in seiner Auseinandersetzung mit dem Feldexperiment von Försch et al. (2017), das das Gegenteil zeigte: „the bidders in the experiment did not have enough time to adjust their strategies to the novel mechanism: unlike the rational bidders assumed herein, the bidders in Försch et al. (2017) do not reduce their bids when soft floors are introduced” (S. 3).

[I] Das ist die theoretisch saubere Formulierung dessen, was Adtech-Kritik meist nur moralisch ausdrückt: der Ertrag eines opaken Mechanismus ist ein Lernverzögerungsertrag. Er ist im Gleichgewicht null oder negativ und positiv nur im Übergang. Daraus folgt eine unbequeme regulatorische Konsequenz: ein Plattformbetreiber, der Mechanismen häufig genug ändert, hält die Gegenseite permanent im Übergang und erntet die Rente dauerhaft — ohne je einen im Gleichgewicht schädlichen Mechanismus zu betreiben. [I] Übertragen auf KI: stilles Modell-Routing, wechselnde Qualitätsstufen hinter einer stabilen API und undeklarierte Kontextfenster-Kürzungen sind funktional Soft Floors. Die regulatorisch relevante Größe ist damit nicht die Höhe eines Parameters, sondern die Änderungsfrequenz bei gleichbleibender Schnittstelle (folgt aus Zeithammer S. 3 und S. 11).

B2 — Despotakis, Ravi & Sayedi, „First-Price Auctions in Online Display Advertising” (Journal of Marketing Research, Working Paper 2019/2021).

[F] Prop. 4: gegeben Header Bidding ist das einzige Gleichgewicht, dass beide Exchanges auf Erstpreis umstellen — getrieben durch „exposure to outside competition”, nicht durch Vertrauen oder Transparenz (S. 19–23). [F] Korollar 1: der Publisher erreicht den Myerson-optimalen Erlös, ohne direkten Zugang zu den Werbetreibenden zu haben (S. 24). [F] Google behielt für eigenes YouTube-Inventar die Zweitpreisauktion (S. 5).

[I] Der Branchenwechsel zum Erstpreis 2017–2019 wird gern als Transparenzgewinn erzählt. Das Modell zeigt: er war eine Gleichgewichtsreaktion auf strukturelle Öffnung (Header Bidding). Das ist der stärkste Beleg dafür, dass ein struktureller Eingriff eine Mechanismusverbesserung auslöst, die kein Transparenzgebot erzwungen hätte — und gleichzeitig, dass derselbe Akteur den alten Mechanismus dort behält, wo ihn kein struktureller Druck erreicht (folgt aus Prop. 4 und S. 5).

B3 — Bichler, Gupta & Oberlechner, „Coordination and Collusion in Repeated Auctions with Learning Agents” (Information Systems Research 2025; arXiv 2312.00243v3).

[F] Ergebnis 1: die von Banchio & Skrzypacz gezeigten kollusiven Ergebnisse „rely on the parameters of the Q-values… optimistic initialization enables collusive outcomes while lower initializations or lower discount rates lead to higher prices closer to the equilibrium” (S. 4, 12–15). [F] Ergebnis 2: Kollusion ist über die untersuchten Bandit-Algorithmen hinweg „an exception and not the rule” (ebd.). [F] Ergebnis 3: für ROI- und ROSB-Bieter ist der Erstpreis-Erlös im Gleichgewicht niedriger — bei N=2 rund 20–40 % (ROI: 0,24 gegenüber 0,34) —, mit mehr Bietern schrumpft der Unterschied (S. 20–23).

[I] Diese Arbeit ist im Korpus die wichtigste Entwarnung und gleichzeitig die schärfste Warnung. Entwarnung: algorithmische Kollusion in Auktionen ist ein Artefakt bestimmter Initialisierungen, keine Eigenschaft lernender Bieter — wer KI-Regulierung auf „Algorithmen kolludieren” baut, baut auf Sand. Warnung: die Erlöswirkung des Auktionsformats hängt von der Zielfunktion des Bieters ab (ROI/ROS statt quasilinearer Nutzen), und diese Zielfunktion wird bei Autobidding vom Plattformbetreiber mitdefiniert. [I] Damit verschiebt sich die regulatorische Frage von „welcher Mechanismus” zu „wer definiert die Optimierungsziele der Bieter” — und das ist im KI-Kontext exakt die Frage nach Agenten-Zielfunktionen (folgt aus Ergebnis 3 und der Autobidding-Prämisse, s. Kurzapparat, Abschnitt 6).

C. Prüfbarkeit — wie weit trägt die Verifizierbarkeit von Allokation?

C1 — Akbarpour & Li, „Credible Auctions: A Trilemma” (Econometrica 88(2), 2020, 425–467).

[F] Definition: ein Mechanismus ist glaubwürdig (credible), wenn die regelkonforme Strategie des Auktionators seinen Nutzen unter allen sicheren Abweichungen maximiert — sicher heißt, jede Abweichung hat eine „unschuldige Erklärung”, die mit irgendeiner Falschdarstellung der Typen anderer Bieter konsistent ist (S. 428–433). [F] Das Trilemma: statisch + strategiesicher ⇒ Zweitpreis (nicht glaubwürdig); statisch + glaubwürdig ⇒ Erstpreis (Thm. 2, pay-as-bid); strategiesicher + glaubwürdig ⇒ aufsteigende Auktion (Thm. 4) (S. 440–447).

[F] Die tragende Annahme ist die private, sequentielle „Telefon”-Kommunikation: „if bidders communicated simultaneously and publicly, the problem is trivial, and reduces to the case of full commitment” (S. 426). [F] Reputation und Kryptographie stellen sie ausdrücklich außerhalb des Modells und merken zur kryptographischen Verifikation an, sie „relies on digital infrastructure… It can be costly to construct this infrastructure, and to persuade bidders that it works as the auctioneer claims” (S. 448).

[I] Das Trilemma ist das präziseste Argument dafür, dass Transparenzpflichten in Auktionsmärkten keine Zusatzauflage, sondern eine Mechanismusentscheidung sind: erzwingt man Nachprüfbarkeit durch öffentliche, gleichzeitige Kommunikation, verschwindet das Trilemma — und mit ihm das Argument, Erstpreis sei die einzige glaubwürdige statische Option. [I] Für KI heißt das: eine Protokollierungspflicht auf Transaktionsebene ist nicht nur Aufsichtsinstrument, sondern verändert die Menge der implementierbaren Mechanismen. Wer Log-Mandate als „bloße Bürokratie” abtut, hat das Theorem nicht gelesen (folgt aus S. 426 und Thm. 2/4).

C2 — Angel & Walfish, „Verifiable Auctions for Online Ad Exchanges” (VEX, SIGCOMM 2013) und Zhong et al., „Addax: A fast, private, and accountable ad exchange infrastructure” (NSDI 2023) — eine Position, zwei Systeme.

[F] VEX beweist drei Eigenschaften: der Verkaufspreis ist eines der eingegangenen Gebote; der als Gewinner verbuchte Bieter stimmt mit dem signierten Ad Tag überein; der Preis ist mindestens so hoch wie jedes als „kleiner” markierte Gebot — und zwar im Modell des covert adversary, mit der ausdrücklichen Einschränkung: „we do not prevent misbehavior (only detect it)” (S. 2). [F] Der Ausschluss hoher Bieter ist nur als Muster über Zeit erkennbar — „persistently excluded bidders would notice the dearth of invitations” (§ 5.3). [F] Kosten: ca. 50 ms zusätzliche Latenz im p95, doppelter Rechenaufwand beim Auktionator, Audit-zu-Auktion-Verhältnis ≈ 1:18 (VEX-CP) (S. 9–10).

[F] Addax nutzt öffentlich verifizierbare Affine-Aggregatable Encodings im anytrust-Modell („either the publisher or the auxiliary server is honest”) und benötigt „at least 2 non-colluding losing bidders”; Leistung 250–360 Auktionen/s/Kern (ca. 40 % des Baseline-Durchsatzes), unter 600 ms bei 96 Bietern — gegenüber generischem MPC/FHE mit „over 4 GB of communication and over 100 sec” (S. 5–7, 11–13).

[I] Der gemeinsame blinde Fleck ist der eigentliche Befund: keines der beiden Systeme kann beweisen, dass die committete Gebotsmenge die vollständige wahre Menge ist. Verifizierbar ist die korrekte Anwendung der Regel auf die eingereichten Daten — nicht die Vollständigkeit der Daten. [I] Genau diese Grenze überträgt sich unverändert auf jede „Auditierbarkeit von KI-Systemen”: Man kann beweisen, dass ein Modell auf einen protokollierten Prompt die protokollierte Antwort gab; man kann nicht kryptographisch beweisen, dass alle Anfragen protokolliert wurden. Wer Auditierbarkeit fordert, muss die Vollständigkeit institutionell absichern (Meldepflicht, Stichproben, Whistleblowing) — Kryptographie liefert sie nicht (folgt aus VEX S. 2 und § 5.3 sowie Addax’ Vertrauensmodell).

D. Warum der Markt konzentriert — und die Gegenposition

D1 — Prat & Valletti, „Attention Oligopoly” (American Economic Journal: Microeconomics, Working Paper 2019/2022).

[F] Das Modell erzeugt Abschottung ohne jeden Datenvorteil: die Plattformen sind als bereits allwissend modelliert, „a merger between two or more platforms cannot increase their knowledge base or enhance their ability to target individual customers” (S. 12). [F] Monopolisierung tritt genau dann ein, wenn n_J < n* ≡ (π₁−π₂)/π_E; die Konsumentenwohlfahrt ist fallend in Σ_J m_J/n_J (S. 18–24). [F] „with many competing platforms, it becomes very expensive for incumbents to bid out entrants… marginal mergers would not matter” (S. 30).

[I] Das ist die theoretisch anspruchsvollste Zurückweisung der Datenzentrik der gesamten Debatte: der Engpass ist die Aufmerksamkeit, nicht die Information. Der Politik-Ertrag ist konkret und ungewöhnlich handlungsnah — zu messen ist die Nutzerüberschneidung auf Personenebene, nicht der aggregierte Marktanteil. [I] Für KI-Regulierung ist das die Aufforderung, nicht Trainingsdaten oder Modellzahl zu zählen, sondern die Singlehoming-Rate der Endnutzer an der Distributionsschnittstelle (Assistenten-Defaults, OS-Integration, Browser). Folgt aus der Bedingung n_J < n* und S. 30.

::: {.callout kind=“warn”} Provenienz D1. [F] Die Arbeit enthält keine Offenlegung der Rolle eines der Autoren als Chief Competition Economist der DG COMP der Europäischen Kommission; die Kommission erscheint nur in der Aufzählung der Seminarpublika (Fn. 1). [I] Das entwertet ein formales Modell nicht, ist aber für eine Arbeit relevant, deren zentrale Politikempfehlung genau in die Zuständigkeit dieser Behörde fällt. :::

D2 — Acemoglu, Makhdoumi, Malekian & Ozdaglar, „Too Much Data: Prices and Inefficiencies in Data Markets” (NBER WP 26296, publ. AEJ: Micro 2022).

[F] Mechanismus: weil geleakte Information über korrelierte Nutzer submodular ist, sinkt der Datenpreis unter die Privatheitsbewertung der Nutzer; effizient ist das Ergebnis nur, wenn jeder hochbewertende Nutzer mit allen anderen unkorreliert ist (Thm. 3.1) (S. 4–6, 17–21). [F] „Competition between platforms does not redress the problem of excessively low price for data and too much data sharing, and may further reduce welfare” (Abstract).

[I] Dieses Paper ist der einzige im Korpus, der eine Wettbewerbs-Remedy explizit als unzureichend ausweist — nicht aus Durchsetzungspessimismus, sondern aus der Struktur der Externalität. Für KI heißt das: mehr Modellanbieter verbessert die Datenschutzlage nicht, wenn die Nutzerpopulationen korreliert sind. Datenexternalitäten sind kein Wettbewerbsproblem und mit Wettbewerbsinstrumenten nicht lösbar (folgt aus Thm. 3.1 und dem Abstract).

::: {.callout kind=“note”} [F] Offenlegung: „financial support from Google, Microsoft, the National Science Foundation, and the Toulouse Network on Information Technology” (S. 1, Fn.). [I] Dies ist der Fall im Korpus, in dem die Finanzierung gegen das Ergebnis läuft — der Befund „zu viel Datenteilung, zu niedrige Preise” widerspricht dem Interesse der Geldgeber. Das erhöht seine Glaubwürdigkeit, statt sie zu senken. :::

D3 — Farboodi & Veldkamp, „A Model of the Data Economy” (NBER WP 28427, 2021, rev. Juni 2022).

[F] „Data has the diminishing returns of capital, in the long run. But it has the increasing returns of ideas and technologies, early in the transition path to steady state” (S. 30). [F] Prop. 5 („Data-Driven Growth Implies No Fundamental Randomness”): dauerhaftes datengetriebenes Wachstum erfordert σ²ₐ = 0 und g(v) → ∞, und „Both conditions are at odds with most theories” (S. 22–25).

[F] Weder Acemoglu et al. noch Farboodi & Veldkamp zitieren einander (Literaturverzeichnisse beider Arbeiten). [I] Dieses Nicht-Verhältnis ist selbst ein Befund: die beiden ökonomisch anspruchsvollsten Aussagen über Daten als Produktionsfaktor — „zu viel wird geteilt, dauerhaft” und „der Vorteil erschöpft sich von selbst” — sind nie gegeneinander geprüft worden. Wer sich auf „Datenmacht” beruft, beruft sich auf eine ungeklärte Frage.

E. Der disziplinierende Befund gegen die eigene Position

E1 — Campbell, Goldfarb & Tucker, „Privacy Regulation and Market Structure” (Journal of Economics & Management Strategy 24(1), 2015; WP-Fassung 2014).

[F] Der Mechanismus ist eine fixe Einwilligungskosten-Größe d pro Unternehmen, ausdrücklich nicht proportional zur genutzten Datenmenge; der Spezialist weicht auf untargetierte Werbung aus oder tritt nicht ein, wenn d > (1−α)(q_S − q_G), und der Generalist übernimmt den Gesamtmarkt (S. 8–15). [F] Der Effekt ist am stärksten, wo Preisflexibilität fehlt — „digital goods such as the advertising-supporting internet where consumers traditionally do not pay a price” (S. 4, 22–25). [F] Das Ergebnis gilt „in a setting where large firms have no inherent advantage over small firms in generating trust” (S. 3).

[I] Diese Arbeit steht in diesem Dossier bewusst als Korrektiv gegen die eigene Argumentationsrichtung. Sie zeigt, dass eine wohlmeinende Ex-ante-Auflage mit fixen Compliance-Kosten den Markt zugunsten des größten Anbieters konzentriert — ohne dass dieser irgendeinen inhaltlichen Vorteil hat. [I] Für den KI-Stack ist das die direkteste Warnung im gesamten Korpus: Modell-Registrierungspflichten, Evaluationsauflagen, Konformitätsbewertungen und Haftungsregime sind alle vom Typ „fixe Kosten pro Unternehmen”. Der EU AI Act ist strukturell derselbe Mechanismus wie die von Campbell et al. untersuchte Einwilligungspflicht. Wer Adtech-Konzentration als Argument für Ex-ante-Regulierung des KI-Stacks nutzt, muss erklären, warum hier nicht dasselbe passiert (folgt aus der Bedingung d > (1−α)(q_S−q_G) und dem Fehlen von Preisflexibilität in beiden Märkten).

F. Remedies — die dünnste und wichtigste Familie

F1 — Gilbert, „Separation: A cure for abuse of platform dominance?” (Information Economics and Policy 54, 2021, Art. 100876).

[F] Crandall (2001): von 336 zivilen Monopolisierungsurteilen 1890–1996 wurde Separation in 95 zugesprochen, „nearly all of them were mergers or acquisitions or involved coordinated conduct” (S. 5). [F] AT&T (MFJ): das Verfahren öffnete den Ferngesprächsmarkt, „created massive impediments to efficient operation of the network”, produzierte über 900 Ausnahmeanträge, und die Branche re-integrierte nach 1996 (S. 6–8). [F] Nahezu alle regulatorischen Separationen wurden später aufgehoben: PUHCA 2005, FCC fin-syn 1993, Glass-Steagall 1999 (S. 8–10). [F] Zu Verhaltensremedies: die Gleichbehandlungsauflage der Kommission im Fall Google Shopping „accomplished little to restore competition”; wirksame Daueraufsicht brauche einen spezialisierten Regulierer, und „presently, there is no comparable body… for the digital platforms” (S. 11–13). [F] Eigene Einschränkung: „Structural separation does not eliminate incentives for platforms to discriminate” (S. 12).

[F] Offenlegung, vorbildlich explizit: „The author has not received financial support for this paper from any firm or agency. The author has consulted in the past for technology companies and for antitrust authorities that have investigated technology platforms.” (S. 1).

[I] Gilbert liefert das Zangenargument, das die gesamte Remedy-Debatte in eine Sackgasse führt: Verhaltensremedies scheitern an der Aufsichtskapazität, Strukturremedies werden gerichtlich fast nie zugesprochen und später meist zurückgenommen. Das ist die Position, die die folgenden drei Arbeiten zu überwinden versuchen — und der Maßstab, an dem sie zu messen sind.

F2 — Hovenkamp, „Antitrust Interoperability Remedies” (Columbia Law Review Forum 123, 2023, 1).

[F] „The bill ignores a fundamental principle, which is that market power attaches to products, not to firms” (zum AICO-Gesetzentwurf) (S. 28). [F] Interoperabilität ist der Zerschlagung dort vorzuziehen, wo Winner-take-all- und Netzwerkeffekte herrschen; die AT&T-Interconnection-Auflagen waren „more significant and much more successful than was the regional breakup” (S. 20–21). [F] Statische Interoperabilität (Portabilität) ist der dynamischen (Echtzeit) vorzuziehen, wo Differenzierung zählt (S. 27). [F] Er schlägt „managerial interoperability” vor (S. 30–31) und räumt ein, er „may be understating the difficulty of administering complex interoperability decrees” (S. 36).

F3 — Hovenkamp, „Structural Antitrust Relief Against Digital Platforms” (Journal of Law & Innovation 7(1), Mai 2024).

[F] Dies ist eine eigenständige, spätere Arbeit, nicht eine Fassung von F2: sie zitiert F2 in Fn. 132 als externe Quelle (S. 37). [F] Sein Stufenmodell: erst Injunction, dann quasi-strukturelle Mittel (Interoperabilität), Divestiture nur als letztes Mittel; Remedy-Wirkung folgt einer umgekehrten U-Kurve (S. 2–4, 46–47). [F] „In general, there should be a strong presumption against breaking into a network unless the decree also provides for effective interoperability, as it did in the AT&T case.” (S. 18). [F] „So, while the AT&T decree included both a structural (breakup) remedy and injunctions mandating interconnection, the latter were much more effective in bringing competition to the phone system than were the physical divestitures.” (S. 43). [F] „Indeed, given the coordination costs of interconnection, it is hardly clear that the regional (BOC) portion of the AT&T remedy was beneficial at all.” (S. 20–21). [F] Zur Administrierbarkeit: „Interconnection remedies do have one similarity to unilateral dealing orders that makes them more complex: the terms must be set or else a mechanism provided for determining them. That includes both the scope of interconnection and the price that will be charged.” (S. 43); eingeräumte Schwäche: „Even then, interoperability decrees may have to be managed. In some cases that may require long-term or permanent oversight or even re-assignment to a regulatory agency” (S. 18–19).

[F] Diese Arbeit behandelt Adtech nicht: sie diskutiert Google Search, Suchmaschinen-Defaults und Amazons Marktabgrenzung, nicht Google Ad Manager oder AdX (Durchsicht des Volltexts, S. 22–29). [F] Keine Funding- oder Interessenkonflikterklärung; gedankt wird Daniel Rubinfeld (S. 1, Fn. 1†).

[I] Hovenkamps Argument über beide Arbeiten hinweg lautet: der einzige historisch erfolgreiche Strukturfall (AT&T) war in seinem wirksamen Teil überhaupt kein Strukturfall, sondern eine Interoperabilitätsauflage — und die Aufspaltung selbst war möglicherweise schädlich. [I] Das ist die stärkste Gegenposition zu F4 und zugleich deren Bestätigung an einer entscheidenden Stelle: beide brauchen dauerhafte Aufsicht, sie streiten nur darüber, worüber. Hovenkamps Preis-und-Umfang-Problem der Interconnection (S. 43) ist genau der Punkt, an dem Witte & Krämer eine überprüfbare Alternative anbieten (s. F4).

F4 — Witte & Krämer, „Evaluating structural and behavioral remedies for anticompetitive conducts in the ad tech ecosystem” (Telecommunications Policy 49, 2025, 102955; Open Access, CC BY-NC-ND).

[F] Diese Arbeit ist die einzige im Korpus, die eine Entflechtung technisch konstruiert statt sie zu fordern. Der Vorschlag ist deutlich chirurgischer als das Abstract vermuten lässt: DV360 wird vollständig veräußert, Google Ads bleibt bei Alphabet, aber strikt beschränkt auf den Verkauf von Alphabets Erstanbieter-Inventar — der Zugang zu Drittanbieter-Display-Inventar wird ihm entzogen, womit es als Allzweck-DSP endet (S. 17). [F] Eine vollständige Buy-Side-Veräußerung (DV360 und Google Ads) verwerfen sie ausdrücklich als unnötig kostspielig, weil Alphabet dann eine Verkaufsschnittstelle für sein eigenes Inventar neu bauen müsste, die es schon hat (ebd.).

[F] Ihr Administrierbarkeitsargument, und damit die eigentliche Neuheit: „Compared to more complex non-discrimination rules requiring ongoing audits of bidding algorithms, verifying that no requests are sent should be a straightforward technical check.” (S. 18). [F] Funktionale Trennung verwerfen sie über das „wooden dollars”-Problem: interne Verrechnung erzeugt keine echte Wettbewerbsdisziplin, „functional separation offers little additional benefit if it ultimately depends on the same rigorous monitoring” (S. 15–16). [F] Verhaltensremedies scheitern an der Verifizierbarkeit von Datensilos, insbesondere weil „this is even harder when machine-learning models or algorithmic pipelines reuse partial data or inferred signals, making complete isolation difficult to prove” (S. 12). [F] Selbst standardisierte Auktionslogs und universelle Transaktions-IDs „would not eliminate the underlying incentive to discriminate” (S. 17). [F] Zum DMA: dessen Eskalationsmechanismus „may lag behind a rapidly evolving ad tech sector, especially if entrenched incumbents adopt partial compliance strategies or exploit information asymmetries” (S. 19). [F] Eigene Grenzen: die Analyse beruht ausschließlich auf öffentlichen Daten und Behördenberichten und enthält keine eigene Modellierung oder Empirie (S. 19). [F] Offenlegung: DFG-Projekt 443732464, „The authors declare that they have no relevant or material financial interests… This research was conducted independently by the authors and on their own initiative. It did not receive any funding by any of the parties involved.” (S. 1).

[I] Der methodisch entscheidende Zug ist die Wahl des Prüfkriteriums: sie entwerfen die Remedy nicht nach maximaler Wirkung, sondern nach beobachtbarer Compliance mit einem binären Test („wird eine Bid Request gesendet: ja/nein”). Damit umgehen sie Gilberts Aufsichtseinwand und Hovenkamps Preisbildungsproblem gleichzeitig — nicht durch bessere Aufsicht, sondern durch eine Auflage, deren Verletzung von außen sichtbar ist. [I] Das ist die einzige verallgemeinerbare Konstruktionsregel für Remedies im gesamten Korpus, und sie ist direkt auf KI übertragbar: eine Auflage der Form „dieser Dienst darf mit dieser Schnittstelle keine Verbindung haben” ist prüfbar; eine Auflage der Form „dieser Dienst darf Konkurrenten nicht diskriminieren” ist es nicht (folgt aus S. 18 und dem Kontrast zu Gilbert S. 11–13 und Hovenkamp 2024 S. 43).

3. Provenienz: wer schreibt diese Literatur

Martin hat die Güte der Papierherkunft ausdrücklich als Kriterium benannt. Bei der Durchsicht des Korpus ist daraus ein eigenständiger Befund geworden, kein Beiwerk: die Interessenverteilung in dieser Literatur ist systematisch, nicht zufällig.

[F] Die technisch präziseste Literatur zum Auktionsmechanismus stammt von Beschäftigten des untersuchten Unternehmens: der Überblicksartikel zu Autobidding-Auktionen hat 25 von 25 Autoren bei Google (Balseiro et al. 2024, Titelseite).

[F] Die schärfsten Strukturkritiken stammen von Beratungsökonomen der Beschwerdeführerseite (Charles River Associates, u. a. für News Corp — Latham et al. 2021, Offenlegung) oder aus INET-finanzierter Arbeit (Srinivasan 2020, Danksagung).

[F] Zwei Arbeiten lassen materielle Angaben aus: Prat & Valletti offenbaren die Behördenrolle eines Autors nicht (D1); Hovenkamp führt in beiden Arbeiten keine Interessenerklärung, dankt aber Personen aus dem engeren Kreis der Plattform-Antitrust-Debatte (F2, F3, S. 1).

[F] Sauber offengelegt und im Ergebnis unabhängig: Gilbert (explizite Negativerklärung plus Beratungshistorie), Witte & Krämer (DFG, explizite Unabhängigkeitserklärung), Bichler et al. (DFG GRK 2201/2, BI 1057/9), Zeithammer, Farboodi & Veldkamp.

[I] Der strukturelle Befund ist ernster als jeder einzelne Interessenkonflikt: es gibt in diesem Feld praktisch keine interessenfreie Empirie, weil die Daten nicht öffentlich sind. Alle drei empirischen Arbeiten im Korpus hängen von einem kommerziellen Datenanbieter oder der Kooperation eines Unternehmens ab (Decarolis & Rovigatti: Redbooks + SEMrush; Goke et al.: Xandr; Marotta et al.: Daten eines einzelnen Publishers). Wer belastbare Zahlen will, muss durch ein Unternehmen — und wer durch ein Unternehmen geht, ist nicht mehr unabhängig. [I] Genau diese Konstellation entsteht im KI-Stack gerade erneut, mit derselben Konsequenz: Evaluations- und Nutzungsdaten liegen bei den Anbietern, und ein Datenzugangsrecht für Forschung (analog Art. 40 DSA) ist die Voraussetzung dafür, dass die KI-Regulierungsdebatte in zehn Jahren nicht dieselbe Provenienzstruktur hat wie die Adtech-Debatte heute (folgt aus der Datenlage aller drei empirischen Arbeiten).

4. Transfer auf den KI-Stack

Dies ist der Abschnitt, um dessentwillen das Dossier geschrieben ist, und deshalb der, an dem am meisten schiefgehen kann. Die Übertragung ist eine Analogie, nicht ein Beweis; sie ist jeweils als [I] markiert und benennt, aus welchem Befund sie folgt.

Die Zielgeometrie. Der KI-Stack lässt sich in fünf Schichten lesen, die den Adtech-Schichten funktional entsprechen: Compute (Chips, Rechenzentren) → Foundation Model (Training, Gewichte) → Inference-API (Zugang, Preisbildung, Rate Limits) → Orchestrierung/Agenten (Routing, Toolauswahl, Zielfunktionen) → Distribution/Interface (Assistent, OS, Browser, Defaults).

[I] Transfer 1 — die Regelsetzungsschicht ist die Machtschicht, nicht die tiefste Schicht. In Adtech sitzt die wirksame Macht nicht beim größten Datenbestand, sondern beim Ad Server, der die Auktionsregeln setzt und den „last look” hat (folgt aus Witte & Krämer S. 7–9, Despotakis et al. Prop. 4 und Latham et al.). Im KI-Stack ist das Äquivalent die Orchestrierungs-/Routing-Schicht, nicht das Modell und nicht der Compute. Regulierung, die auf Modellgröße oder Trainings-FLOPs abstellt, adressiert die falsche Schicht.

[I] Transfer 2 — Opazität ist ein Parameter mit Änderungsfrequenz, nicht ein Zustand. Folgt aus Zeithammer S. 3 und S. 11: der Ertrag stammt aus der Anpassungsverzögerung, im Gleichgewicht ist er null. Für KI heißt das: die regulatorisch fassbare Größe ist die Pflicht, Änderungen an der Allokationslogik hinter einer stabilen Schnittstelle anzukündigen — nicht die Offenlegung der Logik selbst. Das ist billiger, prüfbarer und wirkt genau an der Stelle, an der die Rente entsteht.

[I] Transfer 3 — Prüfbarkeit endet bei der Vollständigkeit. Folgt aus VEX S. 2/§ 5.3 und Addax’ Vertrauensmodell: kryptographisch beweisbar ist die Regelanwendung auf die eingereichten Daten, nicht die Vollständigkeit der Daten. Jede Forderung nach „auditierbaren KI-Systemen” braucht deshalb eine institutionelle Vollständigkeitssicherung. Der CAT der SEC ist das einzige real erprobte Muster (folgt aus Srinivasan, Teil IV) — und Witte & Krämers Befund, dass selbst standardisierte Logs „would not eliminate the underlying incentive to discriminate” (S. 17), ist die Warnung, Logs nicht mit einer Remedy zu verwechseln.

[I] Transfer 4 — die Konstruktionsregel für Remedies: binär prüfbare Verbindungsverbote statt Diskriminierungsverbote. Folgt aus Witte & Krämer S. 18 im Kontrast zu Gilbert S. 11–13, Hovenkamp 2024 S. 43 und D’Annunzio et al. Prop. 5. Auf den KI-Stack übertragen: „ein Modellanbieter mit Gatekeeper-Status darf für Drittanbieter-Inhalte keinen eigenen Agenten-Client betreiben” ist prüfbar; „darf Drittmodelle im Routing nicht benachteiligen” ist es nicht. Und nach D’Annunzio et al. Prop. 5 wirkt ein Datenweitergabeverbot nur zusammen mit einem Selbstbevorzugungsverbot — einzelne Verhaltensverbote sind in einem integrierten Stack substituierbar.

[I] Transfer 5 — die zu messende Größe an der Distributionsschicht ist die Singlehoming-Rate, nicht der Marktanteil. Folgt aus Prat & Valletti (Monopolisierung bei n_J < n*; Wohlfahrt fallend in Σ m_J/n_J; S. 30). Für KI: entscheidend ist, wie viele Endnutzer ausschließlich einen Assistenten nutzen — nicht, wie viele Modelle es gibt.

[I] Transfer 6 — Nachfragebündelung ist nicht das Problem, sondern kann Teil der Lösung sein. Folgt aus Decarolis & Rovigatti (+245 HHI → −11,32 % Plattformerlös). Enterprise-Einkaufskonsortien, öffentliche Rahmenverträge und Modell-Broker sind aus dieser Perspektive Gegenmachtinstrumente. Gleichzeitig ist deren Warnung mitzunehmen: die Plattform reagiert mit höheren Mindestpreisen und Disintermediation, was „the ‘wrong’ advertisers” trifft — im KI-Fall die kleinen Nutzer nahe der Preisuntergrenze (S. 5, 43).

Wo die Analogie bricht — dies gehört in denselben Abschnitt, nicht in eine Fußnote:

[I] Bruch 1 — die Handelseinheit. Adtech allokiert eine Transaktion (Billionen pro Jahr, Mikrosekunden, Bruchteile eines Cents); der KI-Stack allokiert überwiegend eine Fähigkeit im Abonnement. Die auktionstheoretischen Ergebnisse (B, C) übertragen sich nur, wo die Allokation tatsächlich auktionsförmig ist: werbefinanzierte KI-Oberflächen, Compute-Spotmärkte, Agenten-Marktplätze. Für Abonnement-APIs übertragen sie sich nicht.

[I] Bruch 2 — der regulatorische Ausgangszustand. Adtech lief fünfzehn Jahre ohne Ex-ante-Regime; der KI-Stack startet mit AI Act, DMA und § 19a GWB. Die Aussage „Verhaltensremedies sind nicht durchsetzbar” (Gilbert, Witte & Krämer) ist eine Lehre aus einem Regime, das für KI nicht gilt. Sie wird jedoch von Witte & Krämers eigenem DMA-Befund gestützt (Eskalation zu langsam, S. 19) — und von Campbell/Goldfarb/Tucker in die andere Richtung konterkariert: Ex-ante-Auflagen mit fixen Kosten konzentrieren selbst.

[I] Bruch 3 — der Engpass ist möglicherweise ein anderer. Wenn Farboodi & Veldkamp recht haben (S. 30, Prop. 5), erschöpft sich der Datenvorteil von selbst und der bindende Faktor im KI-Stack ist Compute — also Kapital und Energie, nicht Information. Dann ist das Adtech-Instrumentarium (Datenzugang, Interoperabilität, Auktionsregeln) am falschen Ort angesetzt und die relevanten Instrumente sind Beschaffungs-, Energie- und Exportkontrollrecht.

5. Kurzapparat: geprüft, nicht als Vollposition aufgenommen

Diese Arbeiten sind gelesen und tragen einzelne Aussagen des Dossiers, füllen aber keine eigene Position:

• [F] Balseiro, Deng, Mao, Mirrokni, Zuo et al., Autobidding Auction Design (2024) — 25 von 25 Autoren bei Google. Wichtig wegen einer einzigen offen ausgesprochenen Prämisse: „A distinctive feature of the auction design literature for autobidding auctions is the assumption that valuations are public instead of private as it is standard in the mechanism design literature. This assumption is predicated on the fact that advertisers increasingly rely on the machine learning algorithms that are developed by the advertising platforms to predict clicks and conversions.” (S. 15). [I] Damit ist die informationsökonomische Grundlage der klassischen Mechanismus-Theorie in diesem Markt aufgehoben: die Plattform kennt die Bewertung, weil sie sie erzeugt. Das ist die Brücke zu Bichler et al. Ergebnis 3 und die genaue Entsprechung zu KI-Agenten, deren Zielfunktion vom Anbieter der Modelle kalibriert wird.
• [F] Goke, Weintraub et al., Bidders’ Responses to Auction Format Change in Internet Display Advertising Auctions (Working Paper 2021) — die empirische Begleitung zu B2, auf Xandr-Daten (Quelle).
• [B] Athey, Calvano & Gans zur Werbeeffizienz bei Nutzerwanderung; Marotta, Abhishek & Acquisti zur Verteilung der Erlöse aus behavioralem Targeting; Auer & Manne (ICLE) als explizit institutsgebundene Gegenposition zur Zerschlagungsdebatte. Alle drei sind für die hier verfolgte Fragestellung (Marktstruktur, Mechanismus, Remedy) randständig; die ICLE-Position ist zudem nicht unabhängig finanziert.

Was würde diese Analyse widerlegen?

1. [I] Wenn Farboodi & Veldkamp recht haben und Acemoglu et al. nicht, führt die Analogie genau dort in die Irre, wo ich mich am stärksten auf sie stütze. Dass die beiden Arbeiten einander nicht zitieren, heißt: diese Frage ist offen, und mein Transfer 5/6 hängt an ihrer Auflösung. Falsifikationskriterium: eine Arbeit, die beide Modelle gegeneinander kalibriert und Datenrenditen empirisch als sinkend ausweist.
2. [I] Wenn KI-Allokation überwiegend nicht auktionsförmig bleibt, sind die Familien B und C — die technisch stärksten Teile des Korpus — für die KI-Regulierung irrelevant. Falsifikationskriterium: Anteil auktionsförmig allokierter KI-Kapazität in fünf Jahren. Bleibt er klein, ist die halbe Analyse Fachliteratur ohne Anwendungsfall.
3. [F]/[I] Drei Remedy-seitige Aussagen ruhen auf unvollständiger Lektüre. Latham et al. lag nur als HTML vor, Belege sind daher abschnitts-, nicht seitengenau; Decarolis & Rovigatti wurde in der AEA-Konferenzfassung vom 2. November 2020 gelesen, deren Paginierung von der AER-Fassung 2021 abweicht. Beide Einschränkungen sind an den jeweiligen Stellen vermerkt. [I] Wo diese Arbeiten tragen (A3 zur Segmentblindheit, A1 zur Gegenmacht), ist die Aussage entsprechend weniger belastbar als der Rest.
4. [F]/[I] Von 18 Volltexten habe ich fünf selbst vollständig gelesen (Zeithammer, Srinivasan, Decarolis & Rovigatti, Witte & Krämer, sowie die Auktions- und Prüfbarkeitsarbeiten im Kern); die übrigen wurden von delegierten Extraktionsagenten gegen ein festes Schema gelesen und die Zitate seitengenau zurückgemeldet. [I] Ein Extraktionsschema findet, was es sucht. Es findet nicht, dass ein Argument in seinem eigenen Aufbau zusammenbricht. Bei jeder Aussage, die auf einer Agentenkarte beruht, ist deshalb die Möglichkeit offen, dass ein tragender Vorbehalt der Originalarbeit nicht in dieses Dossier gelangt ist.
5. [I] Wenn die Behördentaxonomie überholt ist — Post-Cookie, Privacy Sandbox, Retail Media, KI-generierte Suchoberflächen — importiert Abschnitt 1 eine Vokabel für einen Markt, den es nicht mehr gibt. Falsifikationskriterium: eine Sektoruntersuchung nach 2025, die eine andere Schichtenordnung ansetzt.
6. [I] Decarolis’ −11,32 % ist eine Schätzung, aus den Suchauktionen einer Plattform, auf einer Marktabgrenzung, die die Autoren selbst „not in a strict antitrust sense” nennen. Wer sie als allgemeinen Beleg für Nachfragemacht liest — wie ich in Transfer 6 —, extrapoliert über Marktseite (Suche → Display) und Fall (eine Plattform → der Stack) hinweg.
7. [I] Der stärkste Einzeleinwand gegen Transfer 4: Witte & Krämers binär prüfbares Verbindungsverbot funktioniert, weil in Adtech die Bid Request ein diskretes, protokollierbares Netzwerkereignis ist. Im KI-Stack ist die Grenze zwischen „eigenem Client” und „Modellzugriff” fließend — ein Modell kann dieselbe Funktion ohne separaten Dienst erbringen. Wenn diese Beobachtbarkeit fehlt, kollabiert Transfer 4 auf Gilberts Pessimismus zurück.

Quellen

Alle mit ../sources/adtech/… verlinkten Dateien liegen als PDF im Quellenarchiv des Wikis. Seitenangaben beziehen sich, wo nicht anders vermerkt, auf die Paginierung der archivierten Datei.

Familie A — Konzentration und Rente

• Decarolis, F. & Rovigatti, G. (2020): From Mad Men to Maths Men: Concentration and Buyer Power in Online Advertising. AEA-Konferenzfassung, 2. November 2020 — publiziert als American Economic Review 111(10), 2021, 3299–3327. Archiv. Hinweis: Paginierung der Konferenzfassung, abweichend von der AER-Fassung.
• Srinivasan, D. (2020): Why Google Dominates Advertising Markets. Stanford Technology Law Review 24(1), 55–175. Archiv.
• Latham, O., Hervé, D. & Bizet, F. (2021): Foreclosure in Digital Advertising Markets. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3860077. Hinweis: als HTML gelesen, Belege abschnitts- statt seitengenau.
• D’Annunzio, A., Russo, A. & Shekhar, S. (2024): Vertical Integration and Efficiency in the Adtech Industry. CSEF Working Paper 758. Archiv.

Familie B — Mechanismus und Opazität

• Zeithammer, R. (2019): Soft Floors in Auctions. Working Paper; publiziert in Management Science. Archiv.
• Despotakis, S., Ravi, R. & Sayedi, A. (2019/2021): First-Price Auctions in Online Display Advertising. Journal of Marketing Research. Archiv.
• Bichler, M., Gupta, A. & Oberlechner, M. (2025): Coordination and Collusion in Repeated Auctions with Learning Agents. Information Systems Research; arXiv 2312.00243v3. Archiv.

Familie C — Prüfbarkeit

• Akbarpour, M. & Li, S. (2020): Credible Auctions: A Trilemma. Econometrica 88(2), 425–467. Archiv.
• Angel, S. & Walfish, M. (2013): Verifiable Auctions for Online Ad Exchanges. SIGCOMM ‘13. Archiv.
• Zhong, K. et al. (2023): Addax: A fast, private, and accountable ad exchange infrastructure. NSDI ‘23. Archiv.

Familie D — Ursachen der Konzentration und Gegenposition

• Prat, A. & Valletti, T. (2019/2022): Attention Oligopoly. American Economic Journal: Microeconomics. Archiv.
• Acemoglu, D., Makhdoumi, A., Malekian, A. & Ozdaglar, A. (2019/2022): Too Much Data: Prices and Inefficiencies in Data Markets. NBER Working Paper 26296; AEJ: Microeconomics 14(4). Archiv.
• Farboodi, M. & Veldkamp, L. (2021, rev. 2022): A Model of the Data Economy. NBER Working Paper 28427. Archiv.

Familie E — Gegenprobe zur Regulierungswirkung

• Campbell, J., Goldfarb, A. & Tucker, C. (2014/2015): Privacy Regulation and Market Structure. Journal of Economics & Management Strategy 24(1), 47–73. Archiv.

Familie F — Remedies

• Gilbert, R. J. (2021): Separation: A cure for abuse of platform dominance? Information Economics and Policy 54, Art. 100876. Archiv.
• Hovenkamp, H. (2023): Antitrust Interoperability Remedies. Columbia Law Review Forum 123, 1. Archiv.
• Hovenkamp, H. (2024): Structural Antitrust Relief Against Digital Platforms. Journal of Law & Innovation 7(1). Archiv.
• Witte, A. & Krämer, J. (2025): Evaluating structural and behavioral remedies for anticompetitive conducts in the ad tech ecosystem. Telecommunications Policy 49, 102955. DOI 10.1016/j.telpol.2025.102955. Archiv.

Kurzapparat

• Balseiro, S. et al. (2024): Autobidding Auction Design. Archiv.
• Goke, S., Weintraub, G. et al. (2021): Bidders’ Responses to Auction Format Change in Internet Display Advertising Auctions. Archiv.

Behördendokumente für Abschnitt 1 (Terminologie)

• CMA (2020): Online Platforms and Digital Advertising — Market Study Final Report, insb. Appendix M. https://www.gov.uk/cma-cases/online-platforms-and-digital-advertising-market-study
• ACCC (2021): Digital Advertising Services Inquiry — Final Report, Kap. 2. https://www.accc.gov.au/inquiries-and-consultations/digital-advertising-services-inquiry
• Bundeskartellamt (2023): Sektoruntersuchung Online-Werbung. https://www.bundeskartellamt.de
• ISBA/PwC (2020) und ANA (2023): Programmatic-Supply-Chain-Transparenzstudien — Auftragsstudien von Werbetreibendenverbänden, als Indizien behandelt (s. Kasten in Abschnitt 1).