Il tuo algoritmo di pricing è due cause legali, non una — e la maggior parte delle aziende ne difende solo una

Il primo motore di pricing che il mio team ha sottoposto ad audit è risultato pulito.

Avevamo costruito uno scanner di equità — la cosa ovvia. Lo punti su un algoritmo di pricing, verifichi se il modello usa razza, genere, età, qualsiasi categoria protetta come input, e lo segnali se lo fa. Lo abbiamo eseguito sullo stack di personalizzazione di un retailer di fascia media ed è tornato verde. Nessun campo protetto. Niente da vedere.

Stavo quasi per inviare il report. Poi ho tirato fuori il grafico dell'importanza delle feature del modello — l'elenco ordinato di quali input muovessero effettivamente il prezzo — e il terzo segnale più forte era device_type. Sotto di esso: il codice postale. Sotto ancora, l'ora del giorno in cui era iniziata la sessione.

L'algoritmo non aveva mai visto la razza o il reddito. Non ne aveva bisogno. Un utente che navigava da un telefono Android più vecchio, da un codice postale a basso reddito, alle 23, otteneva prezzi sistematicamente diversi rispetto a un utente iPhone in un sobborgo benestante alle 2 del pomeriggio. E i dati del censimento ti diranno esattamente con cosa sono correlati quei cluster di input. Il nostro scanner diceva "conforme". Una regressione dell'impatto disparato avrebbe detto "indifendibile". Avevamo costruito uno strumento che verificava un reato che ormai nessuno commette più.

Quello è stato il momento in cui ho capito cosa sia davvero la conformità nel pricing basato su IA, e perché quasi tutti la sbagliano.

Nel 2025 la FTC ha incassato 2,56 miliardi di dollari da due aziende, e non sono state citate in giudizio per la stessa cosa

Ecco il numero che dovrebbe essere su una lavagna nell'ufficio di ogni general counsel dell'e-commerce. In un solo anno, la Federal Trade Commission ha definito casi di pricing algoritmico con Instacart per 60 milioni di dollari e con Amazon per 2,5 miliardi di dollari. Aziende diverse, condotte diverse, teorie giuridiche diverse — e quella distinzione è tutto il gioco.

Il caso di Instacart riguardava la discriminazione. Il suo strumento di pricing Eversight eseguiva esperimenti che producevano fino a cinque prezzi diversi per lo stesso articolo nello stesso negozio, con una variazione che raggiungeva il 23%. Tre quarti del catalogo erano soggetti a variazione algoritmica del prezzo. L'accordo transattivo della FTC non dipendeva dal fatto che qualcuno dimostrasse che Instacart intendesse far pagare di più gli acquirenti più poveri. Dipendeva dal risultato: certi profili di consumatore pagavano sistematicamente di più, per una cifra stimata di 1.200 dollari all'anno per nucleo familiare.

Il caso di Amazon riguardava la collusione. Project Nessie ha estratto un profitto in eccesso stimato di 1,4 miliardi di dollari prevedendo quando i concorrenti avrebbero seguito un aumento di prezzo, per poi alzare i prezzi su più di 8 milioni di articoli. Non c'è stato alcun incontro, nessun accordo, nessuna telefonata tra dirigenti. Solo un algoritmo che aveva imparato che la maggior parte dei concorrenti applicava regole di pricing tit-for-tat, e le ha sfruttate. Il processo antitrust, FTC contro Amazon, è fissato per ottobre 2026 e verificherà se la collusione tacita tramite algoritmo violi la Sezione 5 del FTC Act.

Un solo motore di pricing. Due binari di enforcement. La maggior parte delle aziende costruisce una difesa per uno e non vede mai arrivare l'altro.

Questa è la trappola. Un team di pricing sente "conformità" e ricorre a un banner informativo — la risposta della tutela dei consumatori. Oppure sente "antitrust" e chiama uno studio legale per un parere. Quasi nessuno guarda al singolo algoritmo in produzione ponendosi entrambe le domande allo stesso tempo: questo output è discriminatorio, e sta colludendo?

Leggi cosa abbiamo costruito per entrambi i binari →

Perché l'istinto del banner informativo è una trappola

Per circa una settimana, all'inizio, ero convinto che tutto questo problema fosse un esercizio di UI.

New York aveva appena approvato il suo Algorithmic Pricing Disclosure Act, in vigore da novembre 2025 — "informativa chiara ed evidente" ogni volta che i prezzi usano dati personali dei consumatori, 1.000 dollari per violazione. Sembrava un problema di banner sui cookie. Metti un avviso sulla pagina, registri il consenso, fatto. Avevo una bozza del testo informativo revisionata e pronta.

Poi ho letto gli emendamenti al Cartwright Act della California, e l'idea del banner è crollata.

L'AB 325 e l'SB 763 della California, in vigore da gennaio 2026, non si curano della tua informativa. Rendono responsabilità di legge l'uso di un "algoritmo comune" — definito come uno usato da due o più parti per influenzare i prezzi utilizzando informazioni sui concorrenti. Hanno abbassato lo standard probatorio in fase di pleading, così un attore non deve più escludere un'azione indipendente solo per superare un'istanza di rigetto. E hanno alzato la sanzione societaria al maggiore tra 6 milioni di dollari o il doppio del guadagno, con danni triplicati e spese legali nelle cause private. Nessun banner al mondo ti fa uscire da questo con l'informativa. L'esposizione non sta in ciò che dici al consumatore; sta in ciò che il tuo algoritmo condivide, direttamente o tramite un fornitore, con il resto del mercato.

Quello è stato il vero punto di svolta per noi. L'informativa è il livello minimo del binario della tutela dei consumatori. Il binario della collusione corre al di sotto secondo una fisica completamente diversa, e la parte più pericolosa è che puoi farlo scattare attraverso un fornitore che non hai mai considerato un rischio.

Il problema del fornitore: il tuo software di pricing potrebbe essere la tua responsabilità

Se acquisti in licenza uno strumento di pricing di terze parti — Pricefx, PROS, Zilliant, Competera — hai esternalizzato la tua ottimizzazione. Non hai esternalizzato la tua responsabilità. Potresti averla importata.

Il Nono Circuito ha tracciato il confine in Gibson contro Cendyn nell'agosto 2025, la prima sentenza d'appello federale sull'antitrust del pricing algoritmico. La buona notizia: sottoscrivere in modo indipendente lo stesso algoritmo di pricing del tuo concorrente non è, di per sé, illegale. La cattiva notizia sono le tre condizioni che fanno saltare il safe harbor. Perdi la protezione quando lo strumento mette in comune dati non pubblici competitivamente sensibili tra i clienti, quando il fornitore pubblicizza la propria capacità di "alzare i prezzi a livello di settore", o quando facilita lo scambio di dati non anonimizzati sui concorrenti. Stesso fornitore va bene. Stesso fornitore che mette in comune i numeri in tempo reale dei tuoi rivali nel modello che stabilisce i prezzi del tuo catalogo è esposizione a cospirazione hub-and-spoke, anche se non hai mai parlato con un concorrente.

Quindi una delle prime domande che ora pongo a qualsiasi cliente non è "cosa fa il tuo modello di pricing" ma "hai letto l'addendum sul trattamento dei dati del tuo fornitore?" Perché la clausola che silenziosamente permette la messa in comune dei dati tra i clienti è dove vive il rischio antitrust, ed è tre livelli sotto in un contratto che il team legale ha firmato e il team di pricing non ha mai visto.

È anche qui che conta lo studio 6(b) della FTC sul surveillance pricing. Nel 2024 ha inviato ordini a otto aziende — tra cui Mastercard, PROS, Accenture e McKinsey — chiedendo di sapere come usano i dati dei consumatori per stabilire i prezzi. Alcune delle piattaforme di pricing più comuni sono citate in quello studio. Il loro algoritmo potrebbe essere la tua responsabilità, e "abbiamo solo comprato il software" non è mai stata una difesa.

Cosa richiede effettivamente il decreto di consenso RealPage?

Il documento più istruttivo in tutto questo ambito non è una legge. È il decreto di consenso RealPage del DOJ del novembre 2025, e il motivo per cui conta per l'e-commerce — anche se RealPage è un caso di affitti residenziali — è che è la prima volta che un regolatore ha messo per iscritto, in dettaglio tecnico, come appare un algoritmo di pricing conforme.

Ne conservo una copia stampata. La copertura dei titoli era "Il DOJ reprime il software di determinazione degli affitti". I veri denti sono una specifica ingegneristica:

• Nessun addestramento su dati di locazione più recenti di 12 mesi — il modello non può reagire ai segnali di mercato in tempo reale dei concorrenti.
• Nessuna analisi geografica più ristretta del livello statale — nessun uso del clustering di sub-mercato per individuare il potere di prezzo.
• Le protezioni del "governor" — i limiti minimi e massimi su ciò che l'algoritmo può raccomandare — devono essere simmetriche, così lo strumento non può essere silenziosamente regolato per far solo salire i prezzi.
• Le funzioni di auto-accettazione richiedono parametri impostati dall'utente, una scadenza di implementazione di 180 giorni e un responsabile dedicato alla conformità antitrust per un mandato di sette anni.

Il decreto RealPage è la cosa più vicina che abbiamo a un regolatore che ti consegna la scheda tecnica di un algoritmo difendibile. La maggior parte delle aziende ha letto il comunicato stampa e ha perso il progetto.

Quando l'ho letto la prima volta, la mia reazione è stata che il governo aveva appena fatto gratis metà della mia roadmap di prodotto. Governor simmetrici, requisiti di invecchiamento dei dati, limiti geografici — non sono astrazioni giuridiche. Sono vincoli che puoi implementare, testare e dimostrare. Questa è la differenza tra un parere di conformità e un sistema di conformità.

Il problema forense per cui nessuno mette a budget

Guarda cosa succede davvero quando una civil investigative demand della FTC atterra sulla scrivania di un team di pricing, con il suo orologio di produzione di 30 giorni.

Non riescono a rispondere. Non perché siano colpevoli — perché non hanno mai registrato i dati giusti. Possono dirti quale prezzo l'algoritmo ha stabilito martedì scorso, ma non il perché: quali input hanno guidato quel prezzo specifico, se lo scarto tra i segmenti di utenti fosse correlato a qualcosa di protetto, se il numero di un concorrente abbia influenzato l'output. Così passano dai sei ai dodici mesi in estrazione forense dei dati, ricostruendo decisioni che il sistema ha preso migliaia di volte al secondo e non ha mai registrato.

Questa è la parte che trovo davvero ingiusta verso le aziende oneste. Un retailer può portare avanti una strategia di pricing perfettamente difendibile e comunque non essere in grado di dimostrarla, perché dimostrarla richiede una model card per ogni prezzo — un log con timestamp di quali input sono stati usati, quale fosse l'output, e come è stato testato rispetto ai proxy demografici — e nessuno la costruisce finché la demand non arriva.

Abbiamo iniziato a progettare prima per la demand. La traccia di audit come output di prima classe della decisione di pricing, non un progetto archeologico a posteriori. Quando l'AG della California ha lanciato la sua verifica investigativa a gennaio 2026 — lettere ad aziende del retail, della grande distribuzione e alberghiere chiedendo esattamente come usano la cronologia degli acquisti, la navigazione, la posizione e i dati demografici per stabilire i prezzi — le aziende che potevano rispondere in giorni anziché in trimestri erano quelle che avevano strumentato la decisione, non solo il prezzo.

Perché il pricing agentico peggiora tutto questo?

I framework di conformità che tutti si stanno affannando a costruire in questo momento presumono che un essere umano riveda le decisioni di pricing. Quel presupposto sta già scadendo.

Walmart ha depositato due brevetti di pricing con IA a gennaio 2026 e sta implementando etichette digitali da scaffale in tutti i suoi 5.200 negozi entro fine anno — anche se si premura di chiamarlo "merchandising algoritmico", non "pricing dinamico", e insiste che i prezzi restino coerenti indipendentemente da chi sta facendo acquisti. McKinsey definisce il commercio agentico il trend definente dell'e-commerce del 2026: agenti IA che ricercano, confrontano e acquistano in modo autonomo. Forrester prevede che un venditore su cinque implementerà contro-agenti di pricing controllati dal venditore entro il 2027.

Questa è la versione del problema che mi tiene sveglio, perché la domanda sulla conformità non ha ancora una risposta. Quando l'agente IA di un acquirente negozia un prezzo con l'agente IA di un venditore, e il prezzo concordato risulta discriminatorio — chi è responsabile? Non esiste un quadro normativo per il pricing tra agenti. Un sistema progettato per scalare a migliaia di decisioni autonome al secondo non può avere un essere umano nel loop che controlli ognuna per discriminazione tramite proxy o convergenza collusiva. La conformità deve essere dentro l'agente, oppure non esiste.

Non è un problema del futuro. È il vincolo progettuale per qualsiasi sistema di pricing che venga architettato oggi.

"Non è forse solo un centro di costo?"

L'obiezione che sento più spesso, di solito da un CRO, è che gli strumenti di conformità sono un costo generale su una funzione il cui unico compito è fare soldi.

Metterei i numeri l'uno accanto all'altro e li lascerei discutere. Un programma completo di conformità del pricing — analisi dell'impatto demografico, valutazione del rischio di collusione, informativa multi-giurisdizione, generazione della traccia di audit — costa all'incirca da 100.000 a 505.000 dollari nel primo anno, con il monitoraggio continuo che aggiunge in modo significativo oltre a ciò. L'accordo di Instacart è stato di 60 milioni di dollari. Quello di Amazon di 2,5 miliardi. Qualche centinaio di migliaia di dollari di conformità contro un accordo a nove cifre non è un centro di costo; è la polizza assicurativa più economica dell'intero edificio.

La seconda obiezione è più sottile: i vincoli di informativa ed equità non uccideranno forse l'ottimizzazione? Ed ecco la cosa che non mi aspettavo quando abbiamo iniziato — il 62% degli adulti statunitensi ha dichiarato a Talker Research a dicembre 2025 di essere preoccupato per il pricing personalizzato. I brevetti di pricing di Walmart hanno suscitato una reazione negativa sui social media. Il rischio reputazionale di essere il prossimo titolo su Instacart è reale e quantificabile. E ricordo al CRO che gli 1,4 miliardi di dollari di profitto in eccesso di Project Nessie non sono sopravvissuti al contatto con la FTC — un fatturato che non puoi difendere è un fatturato che prima o poi rimborserai. Un motore di pricing dietro cui puoi stare pubblicamente vale più di qualche punto base extra che devi nascondere.

Cosa abbiamo effettivamente costruito

Il vuoto in cui continuavo a imbattermi è che il mercato si divide nettamente a metà e non serve nessuno dei due lati. Le piattaforme di pricing ottimizzano i prezzi e offrono zero test di equità, zero monitoraggio della collusione, zero automazione dell'informativa — il loro algoritmo potrebbe essere la tua responsabilità. Gli studi legali e le Big Four scrivono eccellenti pareri consulenziali e non automatizzano nulla; un incarico antitrust di Deloitte o McKinsey è consulenza a partire da 500K dollari, senza alcuno strumento alla fine. ORCAA e FTI portano vera competenza di audit ed economica, ma solo consulenza, di taglio contenzioso.

Nessuno si sedeva nel mezzo: un livello integrato che esegue l'analisi dell'impatto demografico sul pricing personalizzato, valuta il rischio di collusione algoritmica, automatizza la logica dell'informativa multi-giurisdizione per New York, California, Colorado e l'EU AI Act, e genera la traccia di audit che un'indagine della FTC o del DOJ richiederà. Quello spazio — tra ciò che fanno gli ottimizzatori e ciò che fanno gli avvocati — è ciò che abbiamo costruito il sistema di conformità del pricing di Veriprajna per riempire.

La mappa normativa che deve coprire non è stabile, ed è proprio questo il senso di automatizzarla. L'AI Act del Colorado entra in vigore a giugno 2026, e per i sistemi ad alto rischio che prendono decisioni consequenziali richiede valutazioni d'impatto prima della messa in produzione, ogni anno successivo, e di nuovo entro 90 giorni da qualsiasi modifica sostanziale del modello. Gli obblighi per l'alto rischio dell'EU AI Act arrivano ad agosto 2026, con sanzioni fino a 35 milioni di euro o il 7% del fatturato globale. Nel 2025 c'erano 51 proposte di legge sul pricing algoritmico in 24 stati, con Tennessee e New Mexico già in movimento nel 2026. Nessun team umano tiene traccia di quella matrice a mano restando aggiornato. Un sistema di conformità che si aggiorna con la legge è l'unica versione che funziona.

Penso spesso a quel primo audit pulito.

La cosa più spaventosa del pricing algoritmico non è l'azienda che si propone di discriminare o colludere. È quella che fa entrambe le cose, accidentalmente, attraverso un modello a cui è stato solo detto di massimizzare il fatturato — e lo scopre quando arriva la civil investigative demand e non riesce a dimostrare il contrario. L'algoritmo non ha mai avuto alcuna intenzione. L'output è illegale comunque, e l'intento non è mai stato la questione.

Il tuo motore di pricing formula un'argomentazione giuridica ogni volta che stabilisce un prezzo. L'unica cosa in dubbio è se sarai in grado di rileggerla.