האלגוריתם הסודי של אמזון עלה לצרכנים מעל מיליארד דולר. האם שלכם הבא בתור?

הבעיה

אמזון בנתה אלגוריתם תמחור סודי בשם Project Nessie. הוא הפיק מעל מיליארד דולר ברווחי יתר מצרכנים על ידי הטעיית מתחרים להעלות את מחיריהם. האלגוריתם פעל בין השנים 2014 ל-2019, וקבע מחירים עבור יותר מ-8 מיליון פריטים בודדים. הוא פעל באמצעות ניטור של מיליוני נקודות מחיר של מתחרים בזמן אמת. כאשר הוא חזה שמתחרה כמו Walmart או Target ישווה העלאת מחיר, הוא העלה תחילה את המחיר של אמזון. המערכות האוטומטיות של המתחרים הלכו בעקבותיו. מנהלים בכירים באמזון עצמה כינו על פי הדיווחים את הפרקטיקות הללו "מפוקפקות" (shady) ו-"סרטן שבשתיקה" (unspoken cancer). כאשר מתחרה לא השווה את העלאת המחיר, האלגוריתם החזיר את המחירים לאחור באופן אוטומטי — מה שהגביל את הסיכון של אמזון תוך בדיקת תקרת השוק.

אך זה לא נעצר שם. אמזון הפעילה גם "קבוצת מעקב מחירים" שהענישה מוכרים מצד שלישי שהעזו להציע מחירים נמוכים יותר באתרים אחרים. העונש? אובדן גישה ל-Buy Box — הממשק שבו מתבצעות 98% מהמכירות באמזון. מוכרים נאלצו למעשה לשמור על המחיר המנופח של אמזון כמחיר המינימום שלהם בכל מקום. אם החברה שלכם משתמשת כיום בצורה כלשהי של תמחור אלגוריתמי, הסיפור הזה הוא יריית האזהרה שלכם. ה-FTC מתקדמת למשפט באוקטובר 2026, והשאלות המשפטיות שנשאלות לגבי אמזון יישאלו בקרוב גם לגביכם.

מדוע זה חשוב לעסק שלכם

החשיפה הפיננסית והמשפטית כאן היא עצומה — והיא מתפשטת במהירות. התיק של ה-FTC נגד אמזון אינו עוסק רק בחברה אחת. הוא עוסק בשאלה האם אלגוריתמים שחוזים ומשרים התנהגות מתחרים נחשבים לתיאום מחירים בלתי חוקי (illegal collusion). אם ה-FTC תנצח, אפקט האדווה יפגע בכל חברה המשתמשת בכלי תמחור דינמיים.

הנה מה שמונח על הכף עבור הארגון שלכם:

• אחריות כספית ישירה. Project Nessie של אמזון יצר מעל מיליארד דולר ברווחי יתר. ה-FTC השיגה הסדר פשרה היסטורי בסך 2.5 מיליארד דולר. החשיפה שלכם גדלה בהתאם להכנסותיכם.
• חוקים מדינתיים חדשים עם שיניים של ממש. חוק Cartwright המעודכן של קליפורניה, שנכנס לתוקף בינואר 2026, מתמקד בכל "אלגוריתם תמחור משותף" בעל שני משתמשים או יותר המסתמך על מידע על מתחרים. הוא גם מוריד את הרף המשפטי עבור תובעים — הם כבר אינם נדרשים להוכיח שלא פעלתם באופן עצמאי בשלב הבקשה לסילוק על הסף.
• חוק ה-AI של קולורדו נכנס לתוקף ביוני 2026. הוא מחייב הערכות השפעה עבור מערכות בינה מלאכותית ב-"סיכון גבוה" — כולל כאלו המשפיעות על החלטות תמחור. עליכם לתעד ולחשוף סיכונים ומגבלות.
• ניו יורק מחייבת כעת עסקים להציג "אזהרה בולטת" כאשר אלגוריתמים משתמשים בנתונים אישיים לצורך תמחור. הדבר יוצר נתיב ביקורת בזמן אמת שהרגולטורים יכולים לעקוב אחריו.

אם הדירקטוריון שלכם שואל האם כלי התמחור שלכם עומדים ברגולציות של 2026, אתם זקוקים לתשובה ברורה. "אנו משתמשים בספק צד שלישי" אינה טענת הגנה. למעשה, בית המשפט הפדרלי לערעורים של הסבב התשיעי (Ninth Circuit) אותת כי הסיכון גובר באופן דרמטי כאשר האלגוריתם שלכם מייצר המלצות תמחור המבוססות על איגום נתונים חסויים של מתחרים.

מה שבאמת קורה מאחורי הקלעים

מרבית הקמעונאים המקוונים משתמשים בתמחור פשוט מבוסס-כללים. חשבו על זה כעל רפלקס: "אם מתחרה מוריד את מחירו בחמישה דולרים, השווה את המחיר". מערכות אלו הן צפויות. והצפיות הזו היא בדיוק מה שבינה מלאכותית מתוחכמת מנצלת.

האלגוריתם של אמזון זיהה את הרפלקסים הללו במערכות המתחרים. הוא למד שאם אמזון תעלה מחיר, הכלי מבוסס-הכללים של המתחרה יפעל אוטומטית בעקבותיו. ללא שיחת טלפון. ללא פגישה סודית. רק שתי מכונות המגיבות זו לזו — האחת חכמה, השנייה תגובתית. חוקרים באוניברסיטת קרנגי מלון (Carnegie Mellon) מצאו שכאשר סוכן למידת חיזוק (בינה מלאכותית שלומדת באמצעות ניסוי וטעייה) מתחרה במערכות מבוססות-כללים אלו, הוא מפענח במהירות את דפוס ה-"מידה כנגד מידה" (tit-for-tat). לאחר מכן הוא מבצע אופטימיזציה למחירי שוק גבוהים יותר, מה שמגדיל את הרווחים לכלל המוכרים תוך פגיעה בצרכנים.

זה נקרא תיאום מרומז או קולוזיה "שקטה". דיני ההגבלים העסקיים המסורתיים דורשים הוכחה של "מפגש רצונות" — תקשורת בפועל בין מתחרים. תיאום אלגוריתמי עוקף את הדרישה הזו לחלוטין. ה-AI שלכם אינו צריך להתקשר ל-AI של המתחרה שלכם. הוא רק צריך לחזות מה המערכת ההיא תעשה — ולפעול בהתאם.

הדור הבא מחמיר את המצב עוד יותר. מערכות "בינה מלאכותית מנמקת" (Reasoning AI) משתמשות כעת בכוח חישוב נוסף ברגע קבלת ההחלטה כדי לדמות פעולות פוטנציאליות מרובות. הן מתכננות מספר מהלכים קדימה, כמו מנוע שחמט. הן יכולות לבחון העלאת מחיר, למדל כיצד יגיבו המתחרים, ולהתאים — הכל עוד לפני שמחיר בודד משתנה באתר שלכם. זה מעניק ל-AI שלכם יכולת אקטיבית לפתרון בעיות. המשמעות היא גם ש-"תהליך החשיבה" הפנימי של ה-AI עלול לכוון באופן מכוון לתוצאות שנראות כתיאום אסור בעיני הרגולטור.

מה עובד (ומה לא)

חברות רבות מיהרו לאמץ AI על ידי בניית שכבות יישום דקות על גבי ממשקי API ציבוריים כגון GPT-4 או Claude. גישת ה-"מעטפת" הזו מהירה להטמעה. היא גם אינה מתאימה מיסודה להחלטות בעלות הימור גבוה כמו תמחור. הנה מה שנכשל:

• ארכיטקטורות "Mega-prompt". אלו דוחסות כללים עסקיים, מסמכים והנחיות לתוך קלט עצום יחיד. שינויי ניסוח קלים או עדכוני מודל מספק ה-API עלולים להפיק תוצרי תמחור שונים בתכלית. אינכם יכולים להבטיח תוצאות יציבות.
• הסתמכות כ"קופסה שחורה" על מודלים של צד שלישי. אינכם יכולים להוכיח מדוע המערכת שלכם קיבלה החלטת תמחור ספציפית. כאשר רגולטור מבקש את נתיב ההיגיון, אין לכם מה להציג. כל מתחרה יכול גם להעתיק את הכלי שלכם בתוך יום — יש כאן יתרון תחרותי אפסי.
• היעדר שכבת ממשל. לממשקי API ציבוריים חסרות בקרות ציות מובנות. הם פגיעים להפקת תוצרים שאינם עומדים בכללים או מפלים בסביבת הייצור. המלצת תמחור המפרה את חוק Cartwright של קליפורניה נראית זהה בין אם אדם או API יצר אותה.

מה שכן עובד הוא ארכיטקטורה הבנויה על שלושה עקרונות:

1. פריסה ריבונית. הריצו את מודלי ה-AI שלכם על חומרה משלכם או בענן פרטי. השתמשו במודלי קוד פתוח עתירי ביצועים המנוהלים באמצעות קונטיינרים מאובטחים. נתוני השוק הרגישים שלכם לעולם אינם עוזבים את הרשת שלכם. שום צד שלישי אינו שומר עליהם או ניגש אליהם.
2. זרימות עבודה מנוהלות מרובות סוכנים. במקום מודל עמוס יחיד, השתמשו בסוכנים ייעודיים — סוכן תכנון הקובע את זרימת העבודה, סוכן ציות המוודא כל תוצר מול הדרישות הרגולטוריות שלכם, וסוכן אימות הבודק דיוק. כל סוכן הוא מודול נפרד שניתן לצפייה.
3. נתיבי ביקורת דטרמיניסטיים. כל החלטה זורמת דרך מערכת המתעדת קלטים, שלבי נימוק ותוצרים. השתמשו במסד נתונים יחיד הניתן לביקורת — כמו PostgreSQL עם pgvector — עבור משתמשים, הרשאות והטמעות נתונים (embeddings). צוות הציות שלכם יכול להתחקות אחר כל החלטת תמחור חזרה לנתוני המקור ולהיגיון שלה.

נתיב ביקורת זה הוא מה שמבדיל בין יכולת הגנה משפטית לבין חשיפה משפטית. מסגרת ניהול סיכוני ה-AI של NIST מגדירה שבעה מאפיינים של בינה מלאכותית מהימנה, כולל יכולת הסבר, אחריותיות ושקיפות. המערכת שלכם צריכה ליישם את כל ארבעת תפקודי NIST: משילות (Govern - קביעת אחריותיות), מיפוי (Map - זיהוי השפעות), מדידה (Measure - כימות סיכונים), וניהול (Manage - פעולה לפיהם בזמן אמת). כאשר הרגולטור או הדירקטוריון שלכם שואל כיצד נקבע מחיר, התשובה צריכה להיות שרשרת ראיות מתועדת — ולא משיכת כתפיים לעבר API של צד שלישי.

כדי לצמצם את סיכון ההגבלים העסקיים שלכם באופן ספציפי, כלי התמחור שלכם לעולם אינם צריכים להתאמן על נתוני מתחרים משותפים שאינם אנונימיים. עליהם לאפשר תמיד לצוות שלכם לדחות המלצות אלגוריתמיות ללא קנס. וכמו כן, עליכם לבחון באופן קבוע את התנהגות האלגוריתם בסביבות מדומה כדי לוודא שאינו מייצר דפוסי תמחור של תיאום אסור.