האלגוריתם הסודי של אמזון גנב ממך $1 מיליארד — וה-AI של החברה שלך עשוי להיות הבא בתור

ישבתי בחדר הישיבות של לקוח בסוף 2024 כאשר סמנכ"ל התמחור שלהם פתח דשבורד ואמר, בגאווה כנה, "אוטמנו הכול. האלגוריתם מטפל בכל זה."

שאלתי אותו שאלה אחת: "אתה יכול לומר לי בדיוק מדוע הוא קבע את המחיר הזה על המוצר הזה אתמול?"

שתיקה. לא מהסוג של מחשבה. מהסוג שבו מישהו מבין שהוא נהג במכונית בלי לדעת איפה הבלמים.

הרגע הזה חוזר ומתנגן בראשי בגלל מה שאנחנו יודעים כעת על Project Nessie של אמזון — אלגוריתם תמחור סודי שחילץ למעלה מ־$1 מיליארד ברווחים עודפים על ידי חיזוי מתי מתחרים יעקבו אחר העלאות המחירים של אמזון, ואז העלאת מחירים במכוון כדי לעורר את התגובה הזו. לא תקלה. לא תוצאה בלתי מכוונת. פיצ'ר. ונציבות הסחר הפדרלית (FTC) מעמידה את אמזון למשפט על כך באוקטובר 2026.

הנה מה שהכי מטריד אותי: הסמנכ"ל בחדר הישיבות ההוא לא עשה שום דבר יוצא דופן. הוא עשה את מה שאלפי חברות עושות כרגע — נותנות אמון במערכות AI אטומות בהחלטות בעלות סיכון גבוה שהן לא יכולות להסביר, לבקר או לשלוט בהן. והעולם הרגולטורי עומד להפוך את האמון הזה ליקר במיוחד.

איך גונבים $1 מיליארד בלי שאף אחד ישים לב?

Project Nessie פעל בין 2014 ל-2019. הוא לא היה כלי פשוט להתאמת מחירים. הוא היה מנוע מניפולציה של השוק שהוסווה כתוכנת אופטימיזציה.

הנה איך זה עבד. סורקי הרשת של אמזון ניטרו מיליוני נקודות מחיר ברחבי האינטרנט בזמן אמת — Walmart, Target, כל קמעונאי עם אתר. רוב המתחרים האלה השתמשו בתמחור פשוט מבוסס-כללים: "אם אמזון יורדת ל-$19.99, התאם לזה." מידה כנגד מידה. פשוט וישיר.

Nessie זיהה את הדפוס הזה וניצל אותו. האלגוריתם היה מחשב את ההסתברות שמתחרה יעקוב אחר מחיר של אמזון שעולה. כאשר הביטחון היה גבוה, אמזון הייתה מעלה את המחיר במכוון. האלגוריתם המטופש של המתחרה היה מתאים בצייתנות. אמזון הייתה שומרת על המחיר המנופח. הרווח נלכד.

ואם המתחרה לא עקב? Nessie החזיר את המחיר לאחור באופן אוטומטי. אין נזק, אין עבירה — אלא שאמזון בדיוק בחנה את התקרה של מה שהשוק יהיה מוכן לשאת.

האלגוריתם של אמזון לא קשר קנוניה עם מתחרים בחדר מלא עשן. הוא קשר קנוניה דרך קוד — חזה את התגובות האוטומטיות שלהם וניצל אותן כמו שעון.

קנה המידה היה מדהים. על פי הדיווחים, Nessie קבע מחירים עבור למעלה מ־8 מיליון פריטים בודדים. מסמכים פנימיים מראים שהנהלת אמזון הפעילה וכיבתה את האלגוריתם לפחות שמונה פעמים, והפעילה אותו באופן אסטרטגי בתקופות של תנועה גבוהה כאשר החילוץ היה הרווחי ביותר. מנהלים בכירים כינו בפרטיות פרקטיקות קשורות "מפוקפקות" ו"סרטן בלתי מדובר." הם המשיכו להריץ אותו בכל זאת.

הלילה שבו הבנתי מה "קנוניה מרומזת" באמת אומרת

אני זוכר בדיוק את הערב שבו זה התחוור לי. הצוות שלי ואני סקרנו מחקר של Carnegie Mellon על אינטראקציות של תמחור אלגוריתמי — מהסוג של מאמר שקוראים ב-11 בלילה עם יותר מדי קפה ותחושת חשש הולכת וגוברת.

החוקרים דימו מה קורה כאשר סוכן מתוחכם של למידת חיזוק מתחרה מול מערכות תמחור פשוטות מבוססות-כללים. סוכן ה-RL לא היה צריך לתקשר עם המתחרים שלו. הוא לא היה צריך הסכם סודי. הוא פשוט למד שהעלאת מחירים רווחית יותר מהורדתם, כי האלגוריתמים האחרים יעקבו. בכל פעם.

התוצאה: המחירים עלו בכל התחומים. עודף הצרכן — המונח הכלכלי ל"אנשים שמקבלים עסקאות הוגנות" — קרס.

פניתי אל השותף המייסד שלי ואמרתי משהו כמו, "זה לא באג במערכת. זה מה שהמערכת עושה כשנותנים לה לבצע אופטימיזציה ללא מגבלות."

זו הבעיה המרכזית של Project Nessie, וזו הבעיה המרכזית של רוב פריסות ה-AI הארגוניות שאני רואה כיום. האלגוריתם עשה בדיוק את מה שתוכנן לעשות. הוא מיקסם רווח. הוא פשוט עשה זאת בדרך ש, בהתאם לאופן שבו יתנהל המשפט באוקטובר 2026, עשויה להוות שיטת תחרות בלתי הוגנת לפי סעיף 5 לחוק ה-FTC.

דיני ההגבלים העסקיים המסורתיים דורשים ראיה ל"מפגש רצונות" — מתחרים המסכימים לקבע מחירים. אבל מה קורה כאשר ההסכמה מרומזת, מקודדת בהתנהגות הצפויה של אלגוריתמים המקיימים אינטראקציה? זו השאלה שמשפט ה-FTC ישיב עליה, וההשלכות מגיעות הרבה מעבר לאמזון.

מדוע 2026 היא השנה שבה הכול משתנה?

הנוף המשפטי של קבלת החלטות אלגוריתמית משתנה מהר יותר משרוב הארגונים מבינים. עקבתי אחר זה מקרוב כי הלקוחות שלנו צריכים להבין מה מגיע, ומה שמגיע הוא חומה של רגולציה.

חוק Cartwright המתוקן של קליפורניה, שנכנס לתוקף בינואר 2026, מכוון באופן ספציפי ל"אלגוריתמי תמחור משותפים" — כלים שבהם משתמשים שני מתחרים או יותר, המשלבים מידע על מתחרים כדי להשפיע על מחירים. החוק אוסר במפורש להשתמש בכלים אלה לקנוניה. חשוב מכך, הוא מוריד את רף כתבי הטענות עבור התובעים. כבר אין צורך להוכיח שמתחרים לא יכלו לפעול באופן עצמאי. פשוט צריך להראות שהם השתמשו באותו כלי והמחירים עלו.

חשבו על מה שזה אומר עבור כל חברה שמשתמשת בספק צד-שלישי לתמחור דינמי.

חוק ה-AI של קולורדו, שנכנס לתוקף ביוני 2026, מחייב הערכות השפעה של "טיפול סביר" עבור מערכות AI בסיכון גבוה — כולל כאלה שמשפיעות באופן משמעותי על החלטות תמחור, אשראי ותעסוקה. מפתחים חייבים לתעד סיכונים, מגבלות ופוטנציאל לתוצאות מפלות.

חוק השקיפות של ניו יורק מחייב עסקים להציג אזהרה כאשר אלגוריתמים משתמשים בנתונים אישיים להחלטות תמחור. עידן התמחור האלגוריתמי הבלתי נראה מגיע לקצו.

ואז יש את משפט ה-FTC עצמו. אם בית המשפט יקבע שהשידול החזייתי של אמזון — העלאת מחירים במכוון כדי לעורר התאמה של מתחרים — מהווה שיטת תחרות בלתי הוגנת, זה יוצר תקדים שעשוי לחול על כל חברה שה-AI שלה משפיע על מחירי השוק.

אם אינך יכול להסביר מדוע האלגוריתם שלך קיבל החלטה מסוימת, אינך יכול להגן על ההחלטה הזו בבית המשפט. וב-2026, יידרשו זאת ממך יותר ויותר.

כתבתי על ציר הזמן הרגולטורי המלא וההשלכות הטכניות שלו ב־ניתוח האינטראקטיבי שלנו — כדאי להבין את הפרטים אם החברה שלך נוגעת בתמחור אלגוריתמי בכל צורה שהיא.

מלכודת ה-Buy Box שאף אחד לא מדבר עליה

יש ממד בסיפור של Nessie שמקבל פחות תשומת לב אבל חשוב עד מאוד להבנה כיצד עוצמה אלגוריתמית מצטברת.

אמזון לא רק העלתה מחירים. היא אכפה את המחירים האלה ברחבי כל האינטרנט.

אמזון תחזקה קבוצת מעקב-מחירים ייעודית שניטרה מוכרי צד-שלישי בזירת המסחר שלה. אם מוכר הציע מוצר בזול יותר באתר שלו או בפלטפורמה מתחרה, אמזון שללה ממנו את הגישה ל-Buy Box — הממשק שבו מתרחשות 98% ממכירות אמזון.

המסר היה ברור: מחיר האמזון שלך הוא המחיר המינימלי שלך בכל מקום. תן הנחה במקום אחר ותאבד את ערוץ ההכנסה העיקרי שלך.

זה יצר רצפת מחירים שהרחיבה את כוח התמחור האלגוריתמי של אמזון הרבה מעבר לפלטפורמה שלה. מוכרים לא יכלו לתמחר מתחת לאמזון אפילו באתרים שלהם. מתחרים לא יכלו לזכות בנתח שוק על ידי הצעת מחירים נמוכים יותר כי צד ההיצע היה נעול.

אני חושב על זה בכל פעם שמישהו אומר לי "השוק יתקן את עצמו." השוק יכול לתקן את עצמו רק כאשר המשתתפים חופשיים להתחרות. כאשר אלגוריתם שולט גם במחיר וגם במנגנון האכיפה, אין לך שוק. יש לך מערכת.

מדוע ה"עוטף" (Wrapper) של ה-AI שלך הוא חבות שממתינה להתרחש

כאן זה נעשה אישי מבחינתי, כי זו הבעיה שאני מבלה את רוב זמני בניסיון לפתור.

רוב פריסות ה-AI הארגוניות שאני נתקל בהן עוקבות אחר אותו דפוס: קח API ציבורי — GPT-4, Claude, מה שבאופנה — עטוף אותו בשכבת אפליקציה דקה, דחוס כללים עסקיים לתוך פרומפט עצום, וקרא לזה "מונע-AI." שלח את זה. המשך הלאה.

אני קורא לזה מלכודת העוטף (Wrapper Trap), וראיתי חברות חכמות נכנסות היישר לתוכה.

לקוח אחד — לא אנקוב בשמו, אבל הם בתחום הקמעונאות — בנה את כל מערכת התמחור הדינמי שלו כעוטף סביב LLM ציבורי. הפרומפט היה עצום. הוא הכיל כללי תמחור, נתוני מתחרים, יעדי מרווח, התאמות עונתיות. המערכת עבדה... רוב הזמן. כשהיא לא עבדה, אף אחד לא יכול היה להסביר מדוע. כשספק המודל דחף עדכון, הפלטים השתנו באופן בלתי צפוי. כשהצוות המשפטי שלהם ביקש נתיב ביקורת של החלטות תמחור, צוות ההנדסה פשוט בהה בהם.

אני זוכר שישבתי עם ה-CTO שלהם אחרי שבוע גרוע במיוחד שבו המערכת ייצרה המלצות תמחור ש, אילו יושמו, היו נראות מאוד כמו סוג ההתנהגות המתואמת שה-FTC חקרה בתיק אמזון. לא במכוון. לא בזדון. המודל פשוט למד דפוסים מנתוני האימון שלו שבמקרה הפיקו פלטים בעלי מראה של קנוניה.

"אנחנו לא יכולים להוכיח שהוא לא קשר קנוניה," אמר לי ה-CTO. "ולפי הכללים החדשים של קליפורניה, זה עשוי להספיק כדי שנתבע."

הוא צדק.

הבעיות המבניות של עוטפים חורגות מעבר לציות:

אתה לא יכול לבקר קופסה שחורה. כאשר המודל הבסיסי נשלט על ידי צד שלישי, אינך יכול להוכיח מדוע התקבלה החלטת תמחור מסוימת. לפי חוק ה-AI של קולורדו, תצטרך לעשות זאת.

אתה לא יכול להבטיח עקביות. שינויים מזעריים בפרומפט, או עדכוני מודל בלתי נראים מצד ספק ה-API, יכולים להפיק פלטים שונים באופן דרסטי. נסה להסביר את זה לרגולטור.

אין לך שום חפיר תחרותי. אם "פתרון ה-AI" שלך הוא פרומפט ל-GPT-4, כל מתחרה יכול לשכפל אותו ביום. וכאשר Google ו-Microsoft ישלבו את היכולות האלה באופן מובנה בפלטפורמות שלהן, עוטפים עצמאיים יהפכו למיותרים בן לילה.

אתה לא הבעלים של הבינה שלך. נתוני השוק הרגישים ביותר שלך — אסטרטגיות תמחור, ניתוח מתחרים, יעדי מרווח — זורמים דרך השרתים של מישהו אחר. בעולם של דרישות ריבונות נתונים הולכות וגוברות, זה לא רק מסוכן. זה רשלני.

מה בנינו במקום זאת (ולמה זה היה קשה יותר משציפינו)

ב-Veriprajna, בחרנו בדרך שונה. אנחנו קוראים לזה Deep AI, ואהיה כן — קשה משמעותית לבנות את זה מאשר עוטף. היו רגעים שבהם תהיתי אם לשוק בכלל יהיה אכפת מההבדל.

הרעיון המרכזי הוא בינה ריבונית: מחסנית ההסקה המלאה פרוסה על התשתית של הלקוח עצמו. שום נתון לא עוזב את היקף התאגיד. "המוח" של ה-AI רץ על חומרה שהלקוח שולט בה.

אנחנו משתמשים במודלים בעלי ביצועים גבוהים בקוד פתוח — Llama 3, Mistral — מתוזמרים דרך קונטיינריזציה מאובטחת. הסקה מקומית. ללא שמירת נתונים על ידי צד שלישי. ללא השהיית API חיצוני.

אבל המודל הוא רק ההתחלה. אתגר ההנדסה האמיתי הוא מה שמקיף אותו.

בנינו את מה שאנחנו קוראים לו RAG 2.0 — Retrieval-Augmented Generation שיוצרת "מוח סמנטי" מהמסמכים הקנייניים, יומני הרישום והנתונים התפעוליים של החברה. באופן מכריע, מערכת האחזור שלנו מודעת ל-RBAC. היא מכבדת את בקרות הגישה הקיימות של הארגון. אם עובד לא יכול לצפות במסמך ב-SharePoint, גם ה-AI לא יכול לאחזר אותו. זה נשמע מובן מאליו. כמעט שום מערכת מבוססת-עוטף לא עושה את זה.

ואז יש את הארכיטקטורה הרב-סוכנית. במקום לדחוס הכול לתוך פרומפט אחד עצום — גישת "התפלל ותפרמט" — אנחנו מפרקים משימות מורכבות לסוכנים מתמחים. סוכן תכנון מחליט על זרימת העבודה. סוכן הנדסת הקשר מחלץ אותות רלוונטיים מנתונים בנפח גבוה. סוכן ציות מאמת כל פלט מול דרישות רגולטוריות לפני שהוא מגיע למשתמש. סוכן אימות בודק דיוק.

אני זוכר ויכוח סוער עם אחד המהנדסים שלי לגבי השאלה אם סוכן הציות שווה את ההשהיה שהוא הוסיף. עמדתו: "משתמשים רוצים מהירות. אנחנו מוסיפים 200 מילישניות עבור בדיקה שרצה בכל בקשה." עמדתי: "המלצת תמחור אחת שאינה תואמת שתגיע לכתב טענות בבית משפט תעלה יותר מכל מילישנייה שאי פעם חסכנו." השארנו את סוכן הציות.

החברות שינצחו בעשור הבא אינן אלה עם הפרומפטים הכי חכמים. הן אלה שמתייחסות ל-AI כאל דיסציפלינת הנדסה רצינית הבנויה על נתונים שהם באמת הבעלים שלהם ובוטחים בהם.

עבור הארכיטקטורה הטכנית המלאה — הרכיבים הספציפיים, דפוסי התזמור, שכבות הממשל — תיעדתי הכול ב־צלילת העומק הטכנית שלנו.

מה קורה כאשר אלגוריתמים מתחילים להסיק?

הגל הבא כבר מגיע, והוא הופך את כל מה שתיארתי לדחוף יותר.

מערכות AI נוכחיות מעבירות קלט דרך רשת עצבית פעם אחת ומחזירות תוצאה. הפרדיגמה המתהווה — מה שחוקרים מכנים Reasoning AI — משתמשת בחישוב נוסף בזמן ההסקה כדי לחשוב. המודל מדמה מספר פעולות פוטנציאליות ואת השלכותיהן לפני שהוא מתחייב להחלטה. הוא מתכנן כמה מהלכים קדימה, כמו מנוע שחמט המיושם על אסטרטגיה עסקית.

בתרחיש תמחור, סוכן Reasoning AI לא רק חוזה את המחיר הבא הסביר. הוא מדמה כיצד מתחרים עשויים להגיב להעלאת מחיר, ממדל את ההשפעות מהסדר השני והשלישי, ומתאים את האסטרטגיה שלו בזמן אמת. הוא יכול לסגת ממסלולים תת-אופטימליים לפני שהם בכלל יושמו.

זו יכולת יוצאת דופן. זה גם סיכון יוצא דופן. כי AI שיכול להסיק לגבי תגובות מתחרים הוא AI שיכול, מעצם תכנונו, לעסוק בדיוק בסוג השידול החזייתי שהכניס את אמזון לצרות.

ההבדל בין "אופטימיזציה" ל"מניפולציה" נעשה דק עד כדי היעלמות כאשר האלגוריתם חכם מספיק כדי למדל את כל הנוף התחרותי ולבחור במסלול הממקסם את החילוץ.

זו הסיבה שממשל לא יכול להיות מחשבה שלאחר מעשה. הוא חייב להיבנות לתוך הארכיטקטורה מהיום הראשון — לא כתיבת סימון של ציות, אלא כאילוץ מבני על מה שהמערכת מורשית לעשות.

איך בונים AI שיכול להגן על עצמו בבית המשפט?

אנשים שואלים אותי את זה כל הזמן, בדרך כלל מנוסח כ"איך אנחנו הופכים את ה-AI שלנו לתואם?" אני חושב שזו השאלה הלא נכונה. ציות הוא רף מינימלי. השאלה הנכונה היא: איך בונים AI שתרגיש בנוח להסביר לשופט, שורה אחר שורה, החלטה אחר החלטה?

מסגרת ניהול הסיכונים של NIST ל-AI מעניקה לנו אוצר מילים לכך. היא מגדירה שבעה מאפיינים של AI אמין: בטוח, מאובטח, בר-הסבר, משופר-פרטיות, הוגן, בר-דיווח, ותקף. אבל מסגרות לא מיישמות את עצמן.

מה שלמדתי מבניית המערכות האלה הוא ששלושה דברים חשובים יותר מכל דבר אחר:

ראשית, לעולם אל תיתן לאלגוריתם להיות מקבל ההחלטות הסופי בבחירות בעלות סיכון גבוה. "אדם בתוך הלולאה" (Human-in-the-loop) אינו מילת באזז. זהו מגן משפטי. כאשר רגולטור שואל "מי החליט להעלות את המחיר הזה?", "האלגוריתם שלנו" היא התשובה הגרועה ביותר האפשרית. "צוות התמחור שלנו, על סמך המלצות אלגוריתמיות שהם סקרו ואישרו" ניתנת להגנה.

שנית, בצע ביקורת לאיתור דפוסי קנוניה באופן יזום. אל תחכה שה-FTC יבוא ויקיש בדלת. הרץ את אלגוריתם התמחור שלך בסביבות תחרותיות מדומות באופן קבוע. אם הוא מתכנס באופן עקבי למחירים גבוהים יותר כשהוא מתחרה מול אלגוריתמים אחרים, יש לך בעיה — ואתה רוצה למצוא אותה לפני שעורך דינו של תובע ימצא.

שלישית, החזק בבעלות על המחסנית שלך. אם ה-AI שלך רץ על התשתית של מישהו אחר, משתמש במודל של מישהו אחר, ואינך יכול לגשת למשקלים, לנתוני האימון, או ללוגיקת ההחלטה, אין לך מערכת AI. יש לך תלות בספק עם סיכון משפטי קיומי.

שאלת ה-$1 מיליארד

Project Nessie של אמזון חילץ $1 מיליארד מהצרכנים באמצעות אלגוריתם שחזה וניצל את התנהגות המתחרים. ההנהלה הפנימית של החברה ידעה שזה בעייתי. הם הריצו אותו בכל זאת כי הכלכלה הייתה בלתי ניתנת לעמידה בפניה.

משפט אוקטובר 2026 יקבע אם החילוץ הזה היה בלתי חוקי. אבל עבור כל ארגון שפורס AI בתמחור, בשרשרת אספקה, בהלוואות, או בכל תחום שבו החלטות אלגוריתמיות משפיעות על שווקים וצרכנים, פסק הדין כמעט שאינו משנה. הבחינה המדוקדקת כבר כאן. קליפורניה, קולורדו וניו יורק כבר חוקקו חוקים. ה-FTC כבר חוקר. הסטנדרט המשפטי למה שמהווה אחריותיות אלגוריתמית מתהדק בזמן אמת.

הקמתי את Veriprajna כי האמנתי שהפער בין מה שה-AI יכול לעשות לבין מה שה-AI צריך לעשות עתיד להפוך לבעיה העסקית המגדירה של העשור. Project Nessie הוכיח שהפער הזה יכול להיות שווה מיליארד דולר בחבות. החברות שסוגרות אותו — על ידי בניית AI שהן הבעלים שלו, מבינות אותו, ויכולות להגן עליו — לא רק יימנעו מחשיפה משפטית. הן יבנו את סוג האמון עם רגולטורים, לקוחות ושווקים שהופך ליתרון תחרותי בלתי ניתן לערעור.

האלגוריתם המסוכן ביותר אינו זה שטועה. זהו זה שרווחי בדרכים שאינך יכול להסביר.