KI-Mieter-Screening

Mieter-Screening-Unternehmen sind Verbraucherauskunfteien. Sie sammeln Kreditdaten von den großen Büros, Räumungsanträge aus Gerichtsakten, Strafregister aus Gerichts- und Geschäftsdatenbanken sowie Register für Sexualstraftäter. Viele lassen diese Daten dann durch ein Bewertungsmodell laufen und geben eine Zahl oder eine einfache Empfehlung wie „Akzeptieren“, „Bedingt“ oder „Ablehnen“ zurück. Der Vermieter sieht oft nur das Urteil, nicht die dahinter stehenden Unterlagen. Der Schwachpunkt sind die Daten. Gerichtsakten werden in großen Mengen gesammelt und den Antragstellern zugeordnet. Beim losen Abgleich (nur anhand des Namens oder des Namens plus einem Teil des Geburtsdatums) werden den Antragstellern die Aufzeichnungen anderer Personen zugeordnet. Räumungsanträge werden häufig ohne Ergebnis eingereicht, sodass ein abgewiesener oder beigelegter Fall einem Urteil gegen den Mieter gleichkommt. Die Regulierungsbehörden haben darauf reagiert. Im Jahr 2018 erklärte sich RealPage bereit, eine Zivilstrafe in Höhe von 3 Millionen US-Dollar zu zahlen, um die Vorwürfe der FTC zu begleichen, dass das Unternehmen keine angemessenen Verfahren zur Gewährleistung der Richtigkeit eingesetzt habe. Im Jahr 2023 einigten sich die Mietprüfungsunternehmen von TransUnion darauf, 15 Millionen US-Dollar zu zahlen, um einen gemeinsamen FTC- und CFPB-Fall beizulegen, der eine ungenaue Räumungsberichterstattung beinhaltete. Bias ist das zweite Problem. Ein Modell kann diskriminieren, ohne die Rasse als Input zu verwenden, wenn es sich auf Faktoren wie Vorstrafen oder Kreditwürdigkeit stützt, die bei verschiedenen Rassengruppen ungleich verteilt sind. Nach dem Fair Housing Act handelt es sich hierbei um eine disparate Impact-Haftung. In einer Sammelklage im Jahr 2024 in Massachusetts erklärte sich SafeRent Solutions bereit, etwa 2,3 Millionen US-Dollar zu zahlen und die Art und Weise zu ändern, wie es Bewerber bewertet, die Wohngutscheine verwenden, nachdem die Kläger argumentiert hatten, dass die Bewertung schwarze und hispanische Gutscheininhaber unverhältnismäßig geschädigt habe. Zwei Missverständnisse sind weit verbreitet. Der erste Grund besteht darin, dass durch den Kauf der Bewertung eines Anbieters das rechtliche Risiko auf den Anbieter verlagert wird. Dies ist nicht der Fall: Der Vermieter trifft die Entscheidung und schuldet den Antragstellern FCRA-Mitteilungen. Zweitens ist ein Algorithmus neutral, weil er keine Meinungen hat. Ein Modell reproduziert die Muster in seinen Trainingsdaten und seinen Eingaben.