Der regulatorische Rahmen, der KI in der Immobilienwirtschaft neu ordnet

# Der regulatorische Rahmen, der KI in der Immobilienwirtschaft neu ordnet

2024 legte eine Vermietergruppe aus dem Raum Philadelphia einen Rechtsstreit bei, nachdem sie ein algorithmisches Pricing-Tool eingesetzt hatte, RealPage, das nach Auffassung der Kläger dabei half, Mieterhöhungen über konkurrierende Objekte hinweg zu koordinieren. Das U.S. Department of Justice (DOJ) reichte im selben Jahr ein dazugehöriges Antitrust-Verfahren ein. Die Botschaft an die Branche: Das Modell muss nicht im klassischen Sinne „biased“ sein, um eine rechtliche Abrechnung auszulösen. Es muss nur Ergebnisse produzieren, die Aufsichtsbehörden oder Gerichte für rechtswidrig halten, sei es Preiskoordination, diskriminierendes Screening oder intransparente Bewertung von Sicherheiten.

Diese Lektion kartiert die Regeln, die heute für KI im Tenant Screening, im Pricing und in der Immobilienbewertung gelten, und was ein „compliant deployment“ tatsächlich voraussetzt.

Warum die Immobilienwirtschaft für KI ein Sektor unter besonderer Beobachtung ist

KI in der Immobilienwirtschaft berührt drei rechtlich sensible Entscheidungen: wer Wohnraum bekommt, was ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → dafür zahlt und was ein Asset wert ist. Jede davon liegt innerhalb eines jahrzehntealten Regulierungsrahmens, der älter ist als machine learning, aber vollständig darauf anwendbar ist.

• Fair Housing Act (FHA, 1968): verbietet Diskriminierung bei Wohnentscheidungen aufgrund von Rasse, Hautfarbe, Religion, Geschlecht, nationaler Herkunft, Familienstatus oder Behinderung. ErErThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → gilt für Tenant-Screening-Algorithmen genauso wie für einen menschlichen Vermietungsmakler.
• Equal Credit Opportunity Act (ECOA, 1974): regelt Kreditentscheidungen, relevant, wenn KI-Tools potenzielle Mieter oder Kreditnehmer scoren.
• Uniform Standards of Professional Appraisal Practice (USPAP): der Ethik- und Leistungsstandard der Bewertungsbranche, durchgesetzt über die staatlichen Zulassungsbehörden.

Keines dieser Gesetze erwähnt „kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ünstliche Intelligenz“. Genau darum geht es: Die Aufsichtsbehörden haben klargemacht, dass Automatisierung keine Verteidigung ist. Das U.S. Department of Housing and Urban Development (HUD) stellte in seiner Guidance von 2024 ausdrücklich fest, dass Vermieter und Technologieanbieter für diskriminierende Effekte haftbar bleiben, auch wenn ein Algorithmus eines Dritten die Entscheidung getroffen hat.

Fair-Housing-Recht trifft Tenant Screening

Tenant-Screening-Tools nutzen KI, um Risikoscores aus Kredithistorie, Zwangsräumungsakten, Vorstrafenregistern und manchmal sozialen oder Verhaltensdaten zu erzeugen. Das rechtliche Risiko entsteht aus disparate impact, einer Rechtsfigur (bestätigt durch den U.S. Supreme Court in *Texas Department of Housing v. Inclusive Communities Project*, 2015), nach der eine auf dem Papier neutrale Regel dennoch rechtswidrig sein kann, wenn sie eine geschützte Gruppe unverhältnismäßig benachteiligt, unabhängig von der Absicht.

Konkretes Beispiel: Ein Screening-Modell, das Räumungsklagen (nicht nur Räumungsurteile) stark gewichtet, kann schwarze und hispanische Bewerber unverhältnismäßig ausschließen, weil die Quote der Räumungsklagen mit Nachbarschaft und historischen Durchsetzungsmustern korreliert, nicht notwendigerweise mit dem kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ünftigen Mieterrisiko. Mehrere große Screening-Anbieter, darunter SafeRent, hatten wegen genau dieses Mechanismus mit Klagen und Vergleichen zu tun (SafeRent legte 2024 ein Bundesverfahren zu seinem Scoring-Algorithmus bei).

Praktisches Guardrail: Jedes Screening-Modell braucht einen dokumentierten Disparate-Impact-Test vor und nach dem Deployment, der Genehmigungs- und Ablehnungsquoten über geschützte Gruppen hinweg vergleicht, nicht nur eine Prüfung der Absicht.

Bewertungsverzerrungen und Automated Valuation Models

Automated Valuation Models (AVMs) schätzen Immobilienwerte anhand von Vergleichsverkäufen, Steuerdaten und Marktdaten, ohne dass ein menschlicher Gutachter das Objekt physisch besichtigt. Sie treiben alles von der Hypothekenvergabe bis zum Portfolio-Mark-to-Market für REITs (Real Estate Investment Trusts).

Hier sind zwei regulatorische Stränge relevant:

1. Die AVM-Regel des Bundes von 2024, gemeinsam erlassen von Federal Reserve, OCC, FDIC, CFPB, NCUA und FHFA unter dem Dodd-Frank Act, verlangt von Kreditgebern Richtlinien, die sicherstellen, dass AVMs in Hypothekenentscheidungen auf Genauigkeit getestet und nicht diskriminierend sind. Sie trat 2025 für die erfassten Institute in Kraft.

2. Task Forces der Bundesstaaten zu Bewertungsverzerrungen, im Anschluss an die 2021 gestartete PAVE-Initiative (Property Appraisal and Valuation Equity) der Biden-Administration, die dokumentierte, dass Häuser in überwiegend schwarzen Nachbarschaften niedriger bewertet wurden als vergleichbare Häuser anderswo (PAVE Action Plan, HUD/White House, 2021).

Durchgerechnetes Beispiel, warum das finanziell zählt: Wenn ein AVM Häuser in einem bestimmten ZIP-Code systematisch um auch nur 5 % unterbewertet, wird ein Kreditgeber, der sich auf dieses AVM für eine Home-Equity-Kreditlinie stützt, eine niedrigere Kreditlinie anbieten. Bei einem Haus, das mit 300.000 Dollar statt einem fairen Wert von 315.000 Dollar bewertet wird, verliert der Kreditnehmer bei einer typischen Loan-to-Value-Obergrenze von 80 % Zugang zu rund 12.000 Dollar Kredit; multipliziert über Tausende Kredite in diesem ZIP-Code ist das eine systemische Vermögenslücke, kein Einzelfehler.

Neue KI-spezifische Gesetze: die zusätzliche Ebene

Über Fair-Housing- und Kreditrecht hinaus ist seit 2023 eine neue Ebene KI-spezifischer Regulierung entstanden, und sie ist über die Jurisdiktionen hinweg ungleich:

• Local Law 144 (New York City, gültig ab 2023): verlangt Bias-Audits für „automated employment decision tools“. Es erfasst Wohnraum nicht direkt, hat aber die Vorlage geliefert, die mehrere auf Wohnraum bezogene Verordnungen kopiert haben.
• Colorado AI Act (SB 24-205, 2024 unterzeichnet, gültig ab 2026): regelt „high-risk AI systems“, eine Kategorie, die ausdrücklich Systeme umfasst, die über Wohnberechtigung entscheiden. Entwickler und Betreiber müssen Impact Assessments durchführen und den KI-Einsatz gegenüber Verbrauchern offenlegen.
• EU AI Act (2024 in Kraft getreten, gestufte Umsetzung bis 2027): klassifiziert KI-Systeme zur Bewertung der Kreditwürdigkeit und damit auch zum Risiko-Scoring von Mietern oder Kreditnehmern als „high-risk“, was verpflichtende Konformitätsbewertungen, Anforderungen an menschliche Aufsicht und Pflichten zur technischen Dokumentation auslöst. Volltext über die Europäische Kommission.
• Kommunale Verordnungen zum algorithmischen Tenant Screening: Städte wie San Francisco und Minneapolis haben lokale Regeln erwogen oder verabschiedet, die eine Offenlegung verlangen, wenn KI in Vermietungsentscheidungen eingesetzt wird, und Bewerbern in einigen Fällen das Recht geben, eine menschliche Prüfung zu verlangen.

Dieser Flickenteppich bedeutet, dass ein landesweit tätiger Property Manager oder PropTech-Anbieter (property technology) je Bundesstaat oder sogar je Stadt unterschiedliche Offenlegungs- und Audit-Workflows braucht, ein operativer Kostenblock, der zu einem echten Wettbewerbsfaktor wird.

Wie eine Checkliste vor dem Deployment tatsächlich aussieht

Für Teams, die KI für Tenant Screening, Pricing oder Bewertung ausrollen, umfasst ein belastbarer Governance-Prozess:

1. Disparate-Impact-Tests, vor dem Launch und in wiederkehrendem Takt durchgeführt, die Ergebnisse über geschützte Gruppen hinweg anhand statistischer Standardschwellen vergleichen (die „four-fifths rule“ aus der EEOC-Guidance ist ein verbreiteter Ausgangs-Benchmark, allerdings kein Safe Harbor).

2. Feature-Audit: alle Eingabevariablen identifizieren, die als Proxy für eine geschützte Gruppe wirken (ZIP-Code ist oft ein Proxy für Rasse; Räumungsklagen sind oft ein Proxy für frühere diskriminierende Durchsetzung).

3. Human-in-the-loop-Override: ein dokumentierter Weg für Bewerber oder Kreditnehmer, eine menschliche Prüfung zu verlangen, zunehmend eine rechtliche Pflicht und nicht nur Best Practice.

4. Vendor Due Diligence: vertragliche Anforderungen, dass Drittanbieter von KI (Screening-Unternehmen, AVM-Anbieter, Pricing-Software) Modelldokumentation und Ergebnisse von Bias-Audits bereitstellen, da die Haftung unter FHA und ECOA in der Regel nicht entfällt, nur weil man das Modell ausgelagert hat.

5. Antitrust-Prüfung für Pricing-Algorithmen: jedes Tool, das Preis- oder Belegungsdaten von Wettbewerbern aggregiert, selbst zum „Market Benchmarking“, braucht angesichts des RealPage-Präzedenzfalls des DOJ eine rechtliche Prüfung.

Eine vereinfachte Version der Disparate-Impact-Prüfung, wie sie ein Data- oder Compliance-Team monatlich laufen lassen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnte:

# Simplified four-fifths rule check
approval_rates = {
    "white_applicants": 0.72,
    "black_applicants": 0.51,
    "hispanic_applicants": 0.58,
}

reference = max(approval_rates.values())
for group, rate in approval_rates.items():
    ratio = rate / reference
    flag = "REVIEW REQUIRED" if ratio < 0.8 else "OK"
    print(f"{group}: ratio={ratio:.2f} -> {flag}")

Das ist eine Screening-Heuristik, keine rechtliche Feststellung. Ein Verhältnis unter 0,8 beweist keine Diskriminierung, sollte aber eine dokumentierte Untersuchung auslösen, und das Fehlen dieser Dokumentation ist im Rahmen der Beweiserhebung im Prozess selbst ein rechtliches Risiko.

🎬 [VIDEO: „How AI Bias Happens in Housing Algorithms“ - youtube.com - suchen Sie nach Erklärinhalten von HUD oder dem Consumer Financial Protection Bureau zu algorithmischem Bias in Wohn- und Kreditentscheidungen]

Die Compliance-Haltung für 2026

Die Aufsichtsbehörden haben für 2026 drei konsistente Prioritäten signalisiert: ergebnisbasierte Verantwortlichkeit (Resultate zählen mehr als Absichten), Vendor-Haftung (Fair-Housing-Pflichten lassen sich nicht wegvertragen) und Offenlegung (Mieter und Kreditnehmer haben zunehmend ein Recht zu erfahren, dass KI beteiligt war). Die gestuften High-Risk-Pflichten des EU AI Act und der Colorado AI Act werden 2026 beide vollständig bindend, womit dies das Jahr ist, in dem „wir kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ümmern uns später darum“ für jedes Unternehmen mit relevanter Größe keine tragfähige Haltung mehr ist.

Wichtigste Erkenntnisse

• Fair-Housing-Recht (FHA) und Kreditrecht (ECOA) gelten vollständig für KI-Systeme; Automatisierung ist laut HUD-Guidance ausdrücklich keine rechtliche Verteidigung.
• Disparate impact, nicht nur diskriminierende Absicht, ist der rechtliche MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab, der bei Tenant-Screening-Tools zählt; Tests vor und nach dem Deployment dokumentieren.
• Automated Valuation Models unterliegen nun einer formalen Bundesregel zu Genauigkeit und Bias (2025), nach dokumentierten Befunden zu Bewertungsverzerrungen aus der PAVE-Initiative.
• Neue KI-spezifische Gesetze (Colorado AI Act, EU AI Act, kommunale Verordnungen) ergänzen das bestehende Wohnrecht um Pflichten zu Offenlegung, Audit und Impact Assessment, und sie unterscheiden sich je Jurisdiktion.
• Verträge mit Anbietern müssen Anforderungen an Bias-Audits und Dokumentation enthalten; die Haftung für diskriminierende Ergebnisse eines Drittanbieter-Algorithmus bleibt in der Regel beim einsetzenden Vermieter oder Kreditgeber.