خوارزمية أمازون السرية كلّفت المستهلكين أكثر من مليار دولار. هل خوارزميتك هي التالية؟

المشكلة

طوّرت شركة أمازون خوارزمية تسعير سرية تُدعى Project Nessie. واستخلصت أكثر من مليار دولار من الأرباح الإضافية من المستهلكين عن طريق خداع المنافسين لحثهم على رفع أسعارهم. عملت الخوارزمية بين عامي 2014 و2019، حيث حددت أسعار أكثر من 8 ملايين سلعة فردية. وكانت تعمل عبر مراقبة ملايين النقاط السعرية للمنافسين في الوقت الفعلي. وعندما كانت تتوقع أن منافساً مثل وولمارت (Walmart) أو تارغت (Target) سيطابق زيادة السعر، كانت ترفع سعر أمازون أولاً. ثم حذت الأنظمة الآلية الخاصة بالمنافسين حذوها. وأفادت التقارير بأن المسؤولين التنفيذيين في أمازون أنفسهم وصفوا هذه الممارسات بأنها «مريبة» و«سرطان غير معلن». وعندما لم يكن المنافس يطابق الزيادة، كانت الخوارزمية تعيد الأسعار تلقائياً إلى ما كانت عليه — مما يحدّ من مخاطر أمازون مع اختبار الحد الأقصى للسوق.

لكن الأمر لم يتوقف عند هذا الحد. أدارت أمازون أيضاً «مجموعة مراقبة الأسعار» التي عاقبت البائعين الخارجيين الذين تجرؤوا على تقديم أسعار أقل على مواقع إلكترونية أخرى. وما هي العقوبة؟ فقدان الوصول إلى «صندوق الشراء» (Buy Box) — وهي الواجهة التي تتم عبرها 98% من مبيعات أمازون. وأُجبر البائعون فعلياً على اعتماد سعر أمازون المتضخم كحد أدنى لأسعارهم في كل مكان. إذا كانت شركتك تستخدم أي شكل من أشكال التسعير الخوارزمي اليوم، فإن هذه القصة تمثل طلقة التحذير لك. تتجه لجنة التجارة الفيدرالية (FTC) إلى المحاكمة في أكتوبر 2026، والأسئلة القانونية التي تُطرح بشأن أمازون ستُطرح قريباً بشأن شركتك.

لماذا يهم هذا عملك

إن حجم التعرّض المالي والقانوني هنا هائل — وهو ينتشر بسرعة. فقضية لجنة التجارة الفيدرالية (FTC) ضد أمازون لا تتعلق بشركة واحدة فحسب؛ بل تدور حول ما إذا كانت الخوارزميات التي تتنبأ بسلوك المنافسين وتحثهم عليه تُعد تواطؤاً غير قانوني. وإذا فازت لجنة التجارة الفيدرالية، فإن التداعيات المتتالية ستطال كل شركة تستخدم أدوات التسعير الديناميكي.

إليك ما هو على المحك بالنسبة لمؤسستك:

• المسؤولية المالية المباشرة. حقق مشروع نيسي (Project Nessie) التابع لأمازون أكثر من مليار دولار من الأرباح الزائدة. وحصلت لجنة التجارة الفيدرالية على تسوية تاريخية بقيمة 2.5 مليار دولار. ويتناسب حجم تعرضك للمخاطر طردياً مع إيراداتك.
• قوانين جديدة للولايات ذات فاعلية حقيقية. يستهدف قانون كارترايت (Cartwright Act) المحدّث في كاليفورنيا، والذي يسري اعتباراً من يناير 2026، أي «خوارزمية تسعير مشتركة» تضم مستخدمَين أو أكثر وتعتمد على معلومات المنافسين. كما أنه يخفض المعيار القانوني المطلوب من المدعين — إذ لم يعودوا بحاجة إلى إثبات أنك لم تكن تتصرف باستقلالية في مرحلة تقديم طلب رد الدعوى (motion-to-dismiss).
• يدخل قانون الذكاء الاصطناعي في كولورادو حيز التنفيذ في يونيو 2026. ويتطلب تقييمات الأثر لأنظمة الذكاء الاصطناعي «عالية المخاطر» — بما في ذلك تلك التي تؤثر على قرارات التسعير. ويجب عليك توثيق المخاطر والقيود والإفصاح عنها.
• تُلزم نيويورك الآن الشركات بعرض «تحذير صارخ» عندما تستخدم الخوارزميات بيانات شخصية لتحديد الأسعار. ويؤدي هذا إلى إنشاء مسار تدقيق في الوقت الفعلي يمكن للجهات التنظيمية تتبعه.

إذا سأل مجلس إدارتك عما إذا كانت أدوات التسعير لديك تمتثل للوائح عام 2026، فأنت بحاجة إلى إجابة واضحة. فالقول بأن «نحن نستخدم مورداً خارجياً» ليس دفاعاً مقبولاً. وفي الواقع، أشارت محكمة الاستئناف للدائرة التاسعة إلى أن المخاطر تزداد بشكل كبير عندما تُنشئ خوارزميتك توصيات تسعير بناءً على بيانات مجمّعة وسرية للمنافسين.

ما الذي يحدث فعلاً خلف الكواليس

يستخدم معظم تجار التجزئة عبر الإنترنت تسعيراً بسيطاً قائماً على القواعد. فكّر في الأمر كاستجابة انعكاسية: «إذا خفض أحد المنافسين سعره بمقدار خمسة دولارات، فطابق ذلك السعر». هذه الأنظمة يمكن التنبؤ بسلوكها. وتلك القدرة على التنبؤ هي تحديداً ما يستغله الذكاء الاصطناعي المتقدم.

أدركت خوارزمية أمازون هذه الاستجابات الانعكاسية في أنظمة المنافسين. وتعلّمت أنه إذا رفعت أمازون السعر، فإن أداة المنافس القائمة على القواعد ستتبعها تلقائياً. لا مكالمة هاتفية. ولا اجتماع سري. مجرد آلتين تستجيب كل منهما للأخرى — إحداهما ذكية والأخرى انفعالية تفاعلية. وجد باحثون في جامعة كارنيغي ميلون (Carnegie Mellon) أنه عندما يتنافس وكيل التعلّم المعزز (وهو ذكاء اصطناعي يتعلم من خلال التجربة والخطأ) ضد هذه الأنظمة القائمة على القواعد، فإنه يكتشف بسرعة نمط «المعاملة بالمثل» (tit-for-tat). ثم يقوم بالتحسين للوصول إلى أسعار سوق أعلى، مما يعزز أرباح جميع البائعين بينما يضر بالمستهلكين.

يُسمى هذا تواطؤاً ضمنياً أو «صامتاً». يتطلب قانون مكافحة الاحتكار التقليدي دليلاً على «تلاقي الإرادات» (meeting of the minds) — أي التواصل الفعلي بين المنافسين. أما التنسيق الخوارزمي فيتجاوز هذا الشرط تماماً. لا يحتاج الذكاء الاصطناعي لديك إلى الاتصال بالذكاء الاصطناعي لمنافسك؛ بل يحتاج فقط إلى التنبؤ بما سيفعله ذلك النظام — والتصرف بناءً على ذلك.

يزيد الجيل القادم الأمر سوءاً. تستخدم أنظمة «الذكاء الاصطناعي الاستدلالي» (Reasoning AI) الآن قدرات حسابية إضافية في لحظة اتخاذ القرار لمحاكاة إجراءات محتملة متعددة. وهي تخطط لعدة حركات مسبقاً، مثل محرك الشطرنج. ويمكنها اختبار زيادة في الأسعار، ونمذجة كيفية استجابة المنافسين، والتعديل — كل ذلك قبل أن يتغير سعر واحد على موقعك الإلكتروني. يمنح هذا ذكاءك الاصطناعي قدرة نشطة على حل المشكلات. ولكنه يعني أيضاً أن «عملية التفكير» الداخلية للذكاء الاصطناعي قد تتجه عمداً نحو نتائج تبدو تواطئية في نظر الجهات التنظيمية.

ما الذي ينجح (وما الذي لا ينجح)

سارعت العديد من الشركات إلى تبني الذكاء الاصطناعي من خلال بناء طبقات تطبيقية رقيقة فوق واجهات برمجة تطبيقات (APIs) عامة مثل GPT-4 أو Claude. هذا النهج القائم على «الأغلفة» (wrapper) سريع في النشر والتطبيق. ولكنه أيضاً غير ملائم بشكل جوهري للقرارات عالية المخاطر مثل التسعير. وإليك ما يفشل:

• بنى «الأوامر الضخمة» (Mega-prompts). تقوم هذه البنى بحشو قواعد العمل والوثائق والتعليمات في مدخل واحد هائل. ويمكن لتغييرات طفيفة في الصياغة أو تحديثات النموذج من مزود واجهة برمجة التطبيقات أن تُنتج مخرجات تسعير متباينة للغاية. ولا يمكنك ضمان نتائج مستقرة.
• الاعتماد على نماذج الصندوق الأسود التابعة لجهات خارجية. لا يمكنك إثبات سبب اتخاذ نظامك لقرار تسعير محدد. وعندما تطلب جهة تنظيمية مسار المنطق التبريري، فلن يكون لديك ما تقدمه. كما يمكن لأي منافس نسخ أداتك في غضون يوم واحد — مما يعني انعدام أي ميزة تنافسية.
• غياب طبقة الحوكمة. تفتقر واجهات برمجة التطبيقات العامة إلى ضوابط الامتثال المدمجة. وهي معرضة لإنتاج مخرجات غير ممتثلة أو تمييزية في بيئة الإنتاج الفعلية. وتوصية التسعير التي تنتهك قانون كارترايت في كاليفورنيا تبدو متطابقة سواء أصدرها إنسان أو واجهة برمجة تطبيقات.

أما ما ينجح بالفعل فهو بنية معمارية مبنية على ثلاثة مبادئ:

1. النشر السيادي. شغّل نماذج الذكاء الاصطناعي لديك على بنيتك التحتية الخاصة أو السحابة الخاصة بك. واستخدم نماذج مفتوحة المصدر عالية الأداء مُدارة عبر حاويات آمنة. وبهذا لا تغادر بياناتك السوقية الحساسة شبكتك أبداً، ولا تحتفظ بها أي جهة خارجية أو تصل إليها.
2. تدفقات عمل متعددة الوكلاء خاضعة للحوكمة. بدلاً من نموذج واحد محمل بما يفوق طاقته، استخدم وكلاء متخصصين — وكيل تخطيط يحدد سير العمل، ووكيل امتثال يتحقق من صحة كل مخرج وفقاً لمتطلباتك التنظيمية، ووكيل تحقق يفحص الدقة. وكل وكيل يمثل وحدة منفصلة وقابلة للمراقبة.
3. مسارات تدقيق حتمية. يمر كل قرار عبر نظام يسجل المدخلات وخطوات الاستدلال والمخرجات. واستخدم قاعدة بيانات واحدة قابلة للتدقيق — مثل PostgreSQL مع pgvector — لإدارة المستخدمين والأذونات وتضمينات البيانات. وبذلك يمكن لفريق الامتثال لديك تتبع أي قرار تسعير والرجوع به إلى بياناته المصدرية ومنطقه التبريري.

مسار التدقيق هذا هو ما يفصل بين القدرة على الدفاع القانوني والتعرض للمساءلة القانونية. يحدد إطار عمل إدارة مخاطر الذكاء الاصطناعي الصادر عن المعهد الوطني للمعايير والتقنية (NIST AI Risk Management Framework) سبع خصائص للذكاء الاصطناعي الجدير بالثقة، بما في ذلك القابلية للتفسير، والمساءلة، والشفافية. ويجب أن يطبق نظامك جميع وظائف NIST الأربع: الحوكمة (Govern - تحديد المساءلة)، ورسم الخرائط (Map - تحديد التأثيرات)، والقياس (Measure - تحديد حجم المخاطر كمياً)، والإدارة (Manage - التعامل معها في الوقت الفعلي). وعندما تسأل الجهة التنظيمية أو مجلس إدارتك عن كيفية تحديد سعر ما، يجب أن تكون الإجابة سلسلة موثقة من الأدلة — لا مجرد إشارة عاجزة نحو واجهة برمجة تطبيقات تابعة لجهة خارجية.

وللحد من مخاطر مكافحة الاحتكار على وجه التحديد، يجب ألا تتدرب أدوات التسعير لديك أبداً على بيانات منافسين مشتركة وغير مجهولة الهوية. ويجب أن تتيح دائماً لفريقك رفض التوصيات الخوارزمية دون أي عقوبة. كما ينبغي عليك اختبار سلوك الخوارزمية بانتظام في بيئات محاكاة للتأكد من أنها لا تولد أنماط تسعير تواطئية.