Il tuo strumento di pricing AI potrebbe gestire un cartello — e potresti non accorgertene

Lo scorso autunno ero al telefono con una società di gestione immobiliare di medie dimensioni quando la loro VP Revenue ha detto qualcosa che mi ha fatto gelare il sangue.

«Siamo a posto», ha detto. «Non usiamo RealPage. Ci siamo costruiti il nostro strumento di pricing.» Una pausa. «Beh — chiama GPT-4 con i nostri dati e con gli annunci dei concorrenti di cui facciamo scraping. Ma è nostro.»

Non era loro. Non in alcun senso che contasse. Stavano inviando dati competitivamente sensibili sugli affitti — tassi di occupazione, condizioni contrattuali, prezzi per tipologia di unità — attraverso un'API di terze parti che era stata addestrata su chissà cosa, perfezionata da interazioni di chissà chi, e che restituiva raccomandazioni plasmate da pattern assorbiti da un intero mercato di query simili. Avevano, senza rendersene conto, costruito esattamente il tipo di meccanismo di coordinamento algoritmico che il Dipartimento di Giustizia aveva appena passato due anni a smantellare.

Quella conversazione ha cambiato il modo in cui penso a ciò che costruiamo noi di Veriprajna. Perché il problema non è che un'azienda sia stata beccata a fissare gli affitti con un software. Il problema è che l'architettura predefinita che la maggior parte delle aziende usa per l'AI — invia i tuoi dati al modello di qualcun altro, ricevi indietro una raccomandazione — è strutturalmente indistinguibile da ciò che il DOJ ha appena definito un cartello digitale.

Cosa è successo davvero con RealPage?

Voglio essere specifico, perché i dettagli contano più dei titoli dei giornali.

RealPage ha costruito un software chiamato YieldStar e AIRM che acquisiva dati transazionali granulari e non pubblici da locatori concorrenti — canoni di affitto in tempo reale, condizioni contrattuali, proiezioni di occupazione futura — e li usava per generare raccomandazioni di prezzo quotidiane. Il DOJ ha sostenuto che questo creasse un cartello «hub-and-spoke»: RealPage era l'hub, i locatori erano gli spokes, e l'algoritmo era la stanza piena di fumo.

La frase chiave del deposito del governo su cui continuo a tornare: il software garantiva che i locatori si sarebbero «probabilmente mossi all'unisono anziché uno contro l'altro».

Quando l'obiettivo esplicito di progettazione del tuo algoritmo è impedire ai concorrenti di competere, non ti serve una stretta di mano in una stanza sul retro. Hai automatizzato la stretta di mano.

Il 24 novembre 2025 il DOJ ha raggiunto un accordo transattivo storico. Nel settembre 2025 FPI Management aveva già transatto per 2,8 milioni di dollari. Yardi Systems affronta un contenzioso ancora in corso. E all'improvviso ogni azienda che utilizza pricing algoritmico — nell'immobiliare, nell'ospitalità, nel retail, nella logistica — ha dovuto porsi una domanda che non aveva mai considerato: il mio software è un complice?

Perché questo conta se non operi nel settore immobiliare?

Ecco dove la maggior parte della copertura mediatica del caso RealPage sbaglia. I commentatori lo trattano come una storia immobiliare. Non lo è. È una storia di architettura.

La sentenza definitiva del DOJ traccia una distinzione tecnica che dovrebbe terrorizzare qualsiasi team di AI aziendale. Separa l'addestramento del modello dal funzionamento a runtime. I modelli possono ancora imparare da tendenze storiche e aggregate — dati vecchi di almeno dodici mesi e non associati a transazioni attive. Ma usare lo stato attuale di un concorrente — la sua occupazione, il suo inventario, i suoi prezzi in tempo reale — come input per una raccomandazione in tempo reale? Questo viene ora trattato come una forma di collusione digitale ai sensi della Sezione 1 dello Sherman Act.

Rileggilo. Non è una questione di intenzioni. È una questione di architettura del flusso di dati.

Ho scritto l'analisi tecnica e giuridica completa nella versione interattiva della nostra ricerca, ma l'intuizione centrale è questa: se il tuo sistema di AI acquisisce dati non pubblici dei concorrenti e produce una raccomandazione che influenza il comportamento del mercato, hai un problema di antitrust. Il settore in cui operi è irrilevante. Allo Sherman Act non importa nulla del tuo verticale.

E se stai usando un'API multi-tenant — una che elabora dati provenienti da te e dai tuoi concorrenti — il rischio di commistione è strutturale. Non puoi uscire a colpi di policy da un problema di architettura.

La notte in cui ho capito che i «wrapper» erano morti

Devo tornare indietro a un momento avvenuto prima dell'accordo su RealPage, perché è lì che la tesi si è cristallizzata per me.

Stavamo facendo stress test su un prototipo di pricing per un cliente del settore dell'ospitalità. Il sistema era una configurazione piuttosto standard — i loro dati di prenotazione convogliati in un'API LLM, combinati con tariffe di mercato ottenute tramite scraping, per produrre suggerimenti di pricing dinamico. Interfaccia pulita. Risposte rapide. Al cliente piaceva molto.

Poi una dei miei ingegneri, Priya, ha eseguito un audit di provenienza. Ha tracciato la lineage dei dati di ogni input che toccava il modello al momento dell'inferenza. Alle 23:00 di un martedì ha scritto sul nostro canale Slack una sola riga: «Non possiamo dimostrare cosa sa il modello».

Aveva ragione. Quando invii dati attraverso un'API pubblica, perdi la capacità di garantire che cosa abbia influenzato l'output. Il modello potrebbe essere stato messo a punto su interazioni provenienti da altre aziende dell'ospitalità. Potrebbe aver assorbito pattern di pricing da un concorrente che ha usato la stessa API la settimana scorsa. Davvero non puoi saperlo. E in un mondo post-RealPage, «davvero non possiamo saperlo» non è una difesa: è un'ammissione.

È stata quella la notte in cui ho detto al team che stavamo riorientando l'intero incarico verso un deployment privato. Il cliente ha opposto resistenza — avrebbe richiesto più tempo, costi iniziali maggiori, un'infrastruttura che non avevano. Ricordo che ero seduto nel mio appartamento all'una di notte a scrivere l'email che spiegava perché non potevamo, in coscienza, consegnare ciò che avevamo costruito. È stata la conversazione più difficile che abbia mai avuto con un cliente da quando sono fondatore. È stata anche la più importante.

La domanda non è se la tua AI dia buone raccomandazioni. La domanda è se puoi dimostrare — a un giudice federale, sotto giuramento — esattamente quali dati abbiano plasmato quelle raccomandazioni.

Come hanno reagito gli Stati? Più in fretta di quanto chiunque si aspettasse

L'accordo federale è stato solo l'atto d'apertura. California e New York si sono mosse con una velocità che ha colto di sorpresa l'intera comunità del legal tech.

L'AB 325 della California, in vigore dal 1° gennaio 2026, vieta l'uso di un algoritmo di pricing comune che utilizzi dati dei concorrenti per raccomandare o influenzare un prezzo nell'ambito di un'intesa restrittiva della concorrenza. La sfumatura cruciale: si applica solo agli strumenti utilizzati da due o più soggetti. Un algoritmo proprietario costruito per l'uso esclusivo di una singola azienda è esente.

Leggi attentamente quell'esenzione. La California ha di fatto creato un incentivo giuridico a costruire la propria AI invece di abbonarsi a uno strumento SaaS condiviso.

La S. 7882 di New York, in vigore dal 15 dicembre 2025, si spinge ancora oltre per i gestori di immobili residenziali. Prende di mira qualsiasi strumento algoritmico che svolga una «funzione di coordinamento» — definita come la raccolta e l'analisi di dati provenienti da più proprietari di immobili. La responsabilità può sorgere anche senza adottare direttamente la raccomandazione. Lo standard è la «grave negligenza» (reckless disregard) nell'uso stesso di tali strumenti.

Ho avuto una conversazione con un avvocato immobiliare di Manhattan che l'ha messa giù senza mezzi termini: «Se sei un gestore immobiliare a New York e usi uno strumento di pricing multi-tenant, non stai gestendo il rischio. Lo stai fabbricando».

Cosa significa davvero «AI sovrana» nella pratica?

Uso il termine «sovrana» deliberatamente, e so che suona altisonante. Ma il concetto è preciso: il tuo sistema di AI dovrebbe essere architetturalmente incapace di accedere, acquisire o essere influenzato da dati che non ti appartengono.

Noi di Veriprajna chiamiamo il nostro approccio «Deep AI» — ed è costruito su un principio che sembra ovvio ma che nella pratica si rivela radicale: separare la voce dal cervello.

La «voce» è il modello linguistico neurale — ciò che comprende il linguaggio naturale e genera risposte fluide. Distribuiamo modelli aperti come Llama 3 o Mistral in modo privato, all'interno del virtual private cloud del cliente stesso. I dati non lasciano mai il loro perimetro.

Il «cervello» è un solutore simbolico deterministico — knowledge graph, motori di regole, logica basata su SQL — che applica le policy, esegue i calcoli e garantisce che l'output sia conforme a specifici vincoli normativi. Il cervello non allucina. Non approssima. Calcola.

Questo è ciò che gli scienziati cognitivi chiamano pensiero di «Sistema 2» — un ragionamento lento, deliberato, verificabile — sovrapposto al riconoscimento di pattern del «Sistema 1». Il modello neurale gestisce l'ambiguità e il linguaggio. Il sistema simbolico gestisce la verità e la conformità normativa.

La sicurezza non può essere probabilistica. Deve essere architetturale.

Quando il DOJ richiede che i «governor» del pricing siano simmetrici — dando lo stesso peso ai ribassi e agli aumenti di prezzo — non è una policy che puoi imporre con un system prompt. È un vincolo che codifichi nel livello simbolico, dove è matematicamente garantito, non statisticamente probabile.

Puoi ancora usare i dati di mercato senza infrangere la legge?

Questa è la domanda che mi viene posta più spesso, ed è quella giusta. La risposta è sì — ma il come conta enormemente.

Il meccanismo tecnico è la privacy differenziale. Senza addentrarci nella matematica (ne ho scritto approfonditamente nel nostro approfondimento tecnico), l'idea di fondo è elegante: si aggiunge ai dati un rumore attentamente calibrato, in modo che l'inclusione o l'esclusione delle informazioni di un singolo partecipante non modifichi in maniera significativa l'output dell'algoritmo.

Questo significa che un motore di pricing può imparare da ampie tendenze di mercato — «la domanda in questo codice postale è in crescita» — senza mai «vedere» il tasso di occupazione o le condizioni contrattuali di uno specifico concorrente. Ottieni l'utilità analitica senza l'esposizione antitrust.

Lo abbiniamo alla generazione di dati sintetici. Entro il 2024 le previsioni indicavano che il 60% dei dati di addestramento dell'AI sarebbe stato sintetico. Nel 2026 i dati sintetici sono diventati il meccanismo principale di quella che chiamo «compliance-by-design». Usiamo modelli generativi per creare versioni sintetiche ad alta fedeltà dei dati di mercato che ne preservano le proprietà statistiche senza contenere alcuna informazione realmente sensibile dal punto di vista concorrenziale.

Non è un espediente. È un'architettura migliore. E offre qualcosa che nessuna quantità di disclaimer legali può dare: una prova matematica che il tuo sistema non si sta coordinando con i concorrenti.

La discussione che continuo ad avere sull'«auto-accept»

C'è un dettaglio dell'accordo su RealPage a cui non si presta abbastanza attenzione: il divieto delle funzionalità di auto-accept.

Il software di RealPage poteva implementare automaticamente le raccomandazioni di prezzo senza revisione umana. Il DOJ ha considerato questo un fattore aggravante significativo. L'accordo ora richiede che le funzionalità di auto-accept siano configurabili e impostate manualmente dagli utenti.

Ho avuto una discussione su questo tema con il CTO di un potenziale cliente. Voleva un agente di pricing completamente autonomo — nessun essere umano nel loop, risposta istantanea alle condizioni di mercato, massima efficienza. «Il senso dell'AI è tutto qui», ha detto.

Gli ho risposto che il senso dell'AI è prendere decisioni migliori, non prendere decisioni più velocemente di quanto chiunque possa rivederle. Quella risposta non gli è piaciuta granché.

Ma ecco la realtà: ogni sistema che costruiamo noi di Veriprajna include quelli che chiamo loop «Human-as-Capturer». L'intento umano governa l'esecuzione della macchina a ogni livello critico. Non perché gli esseri umani siano più intelligenti degli algoritmi — spesso non lo sono — ma perché il quadro giuridico ed etico del 2026 esige che un essere umano sia responsabile di ogni decisione rivolta al mercato. Protocolli di override, processi di approvazione obbligatoria, log di audit conservati per la revisione da parte delle autorità.

A volte mi chiedono se questo requisito dell'human-in-the-loop renda inutili gli strumenti di pricing basati sull'AI. Non è così. Li rende strumenti invece che sostituti. L'AI fa in pochi secondi l'analisi che richiederebbe giorni a un team umano. È l'essere umano a decidere. Non è un limite: è l'architettura di una partecipazione responsabile al mercato.

Il costo reale della «trappola dei wrapper»

Parliamo di soldi, perché in fin dei conti è questo a smuovere la conversazione.

Le aziende che usano modelli API di Tier 1 — GPT-5, Claude 4 — pagano tra 1,25 e 15,00 dollari per milione di token in input, e da 10,00 a 75,00 dollari per milione di token in output. Questi costi fluttuano. I termini di servizio cambiano. E ogni token che invii comporta un rischio per la sovranità dei dati.

I dati di McKinsey e BCG di fine 2025 mostrano che le aziende che scalano con successo l'AI ottengono un rendimento totale per gli azionisti 3,6 volte superiore su tre anni rispetto alle aziende comparabili. Ma solo il 5% delle organizzazioni è riuscito a trarre dall'AI guadagni finanziari sostanziali. La maggioranza è bloccata a pagare una tassa crescente sull'infrastruttura di qualcun altro, senza alcun vantaggio competitivo difendibile da mostrare in cambio.

Deep AI ribalta la struttura dei costi. Investi in infrastruttura — CapEx hardware, deployment privato dei modelli, livelli di ragionamento simbolico — e costruisci un asset. Un cervello istituzionale su misura che cattura i flussi di lavoro, le policy e la market intelligence unici della tua organizzazione. È iscritto nel tuo bilancio. Cresce di valore in modo composto. E non può essere replicato da un concorrente che si abbona alla stessa API che usi tu.

Quando il tuo vantaggio competitivo risiede nel data center di qualcun altro, non è un vantaggio competitivo. È un abbonamento.

Dove ci porterà tutto questo?

La prossima frontiera è l'agentic AI — sistemi autonomi che selezionano strumenti, eseguono ragionamenti multi-step e compiono azioni nel mondo reale. Prenotare una spedizione. Aggiustare un prezzo. Depositare un documento normativo. Il potenziale è straordinario. Il rischio è proporzionale.

Un agente di pricing autonomo che eccede la propria autorità — che assume un impegno finanziario non autorizzato, o che si coordina con gli operatori di mercato senza supervisione umana — non è solo un fallimento tecnico. Nel contesto giuridico post-RealPage, è potenzialmente un reato federale.

Ogni workflow agentico che costruiamo segue un loop rigoroso: ragionare rispetto alla costituzione aziendale, selezionare lo strumento appropriato, validare l'output e sintetizzare una risposta solo dopo aver confermato che nessun confine di compliance è stato superato. Ogni azione è registrata e verificabile. Il cervello simbolico agisce come un vincolo costituzionale — non un suggerimento, non una linea guida, ma un confine architetturale che il modello neurale non può scavalcare.

Questo è ciò che significa sovranità nella pratica. Non solo possedere i propri dati, ma possedere il processo di ragionamento che vi agisce sopra. Non solo distribuire AI, ma distribuire un'AI che rifletta le tue leggi, la tua etica, la tua tolleranza al rischio — codificate in una logica che un regolatore può ispezionare e un giudice può comprendere.

Il caso RealPage non è stato un'anomalia. È stato il primo segnale chiaro di una nuova realtà giuridica: l'architettura del tuo sistema di AI è ora un fattore determinante primario della tua esposizione antitrust. Non le tue intenzioni. Non le tue policy. Non i tuoi termini di servizio. La tua architettura.

Ogni azienda che gestisce pricing algoritmico, revenue management o raccomandazioni rivolte al mercato deve rispondere a una domanda semplice: se domani il DOJ ti notificasse una subpoena sul tuo sistema di AI, potresti dimostrare — a livello di flusso di dati, addestramento del modello e logica di inferenza — che opera in modo indipendente dai tuoi concorrenti?

Se la risposta è «probabilmente», hai un problema. Se la risposta è «dovremmo verificare con il nostro provider di API», hai una crisi.

La stanza piena di fumo non è scomparsa. Si è trasferita nel cloud. E le aziende che prospereranno in questa nuova era non sono quelle con gli algoritmi migliori: sono quelle che possiedono i propri algoritmi per intero, li progettano per la compliance by design e possono dimostrarlo sotto giuramento.