Il problema
Amazon ha sviluppato un algoritmo segreto di determinazione dei prezzi chiamato Project Nessie. Ha estratto oltre 1 miliardo di dollari di extra-profitti dai consumatori inducendo con l'inganno i concorrenti ad aumentare i propri prezzi. L'algoritmo è stato attivo tra il 2014 e il 2019, fissando i prezzi per oltre 8 milioni di singoli articoli. Funzionava monitorando milioni di punti prezzo della concorrenza in tempo reale. Quando prevedeva che un rivale come Walmart o Target avrebbe seguito un rialzo di prezzo, alzava per primo il prezzo di Amazon. I sistemi automatizzati dei concorrenti si adeguavano a loro volta. Secondo quanto riferito, gli stessi dirigenti di Amazon definivano queste pratiche «losche» e un «cancro di cui non si parla». Quando un concorrente non si adeguava all'aumento, l'algoritmo ripristinava automaticamente i prezzi — limitando il rischio per Amazon e testando al contempo il tetto massimo del mercato.
Ma non è finita qui. Amazon gestiva anche un «gruppo di sorveglianza dei prezzi» che puniva i venditori terzi che osavano offrire prezzi più bassi su altri siti web. La punizione? La perdita dell'accesso alla Buy Box — l'interfaccia in cui avviene il 98% delle vendite su Amazon. I venditori erano di fatto costretti a mantenere il prezzo gonfiato di Amazon come loro prezzo minimo ovunque. Se oggi la tua azienda utilizza una qualsiasi forma di determinazione algoritmica dei prezzi, questa storia è il tuo segnale d'allarme. La FTC andrà a processo nell'ottobre 2026, e le questioni legali sollevate su Amazon saranno presto rivolte anche a te.
Perché questo è importante per la tua azienda
L'esposizione finanziaria e legale è enorme — e si sta diffondendo rapidamente. Il caso della FTC contro Amazon non riguarda soltanto una singola azienda. Riguarda la questione se gli algoritmi che prevedono e inducono il comportamento dei concorrenti costituiscano una collusione illecita. Se la FTC vince, le ripercussioni a catena colpiranno ogni azienda che utilizza strumenti di determinazione dinamica dei prezzi.
Ecco cosa c'è in gioco per la tua organizzazione:
- Responsabilità finanziaria diretta. Il Project Nessie di Amazon ha generato oltre 1 miliardo di dollari di extra-profitti. La FTC ha ottenuto uno storico accordo transattivo da 2,5 miliardi di dollari. La tua esposizione scala con il tuo fatturato.
- Nuove leggi statali realmente incisive. Il Cartwright Act aggiornato della California, in vigore da gennaio 2026, prende di mira qualsiasi «algoritmo di determinazione dei prezzi comune» con due o più utenti che si basi su informazioni della concorrenza. Riduce inoltre l'onere probatorio per i ricorrenti — non devono più dimostrare che non stavi agendo in modo indipendente nella fase di istanza di rigetto (motion to dismiss).
- L'AI Act del Colorado entra in vigore a giugno 2026. Richiede valutazioni d'impatto per i sistemi di IA ad «alto rischio» — inclusi quelli che influenzano le decisioni di prezzo. È necessario documentare e divulgare rischi e limitazioni.
- New York ora richiede alle aziende di mostrare un «avviso esplicito» quando gli algoritmi utilizzano dati personali per la determinazione dei prezzi. Ciò crea una traccia di audit in tempo reale che i regolatori possono esaminare.
Se il tuo consiglio di amministrazione ti chiede se i tuoi strumenti di determinazione dei prezzi siano conformi alle normative del 2026, hai bisogno di una risposta chiara. «Utilizziamo un fornitore terzo» non è una difesa. Di fatto, la Corte d'Appello del Nono Circuito ha segnalato che il rischio aumenta drasticamente quando il tuo algoritmo genera raccomandazioni di prezzo basate su dati riservati aggregati dei concorrenti.
Cosa succede davvero sotto il cofano
La maggior parte dei rivenditori online utilizza una semplice determinazione dei prezzi basata su regole. Pensala come un riflesso: «Se un concorrente abbassa il prezzo di cinque dollari, adeguati». Questi sistemi sono prevedibili. E questa prevedibilità è esattamente ciò che un'IA sofisticata sfrutta.
L'algoritmo di Amazon ha riconosciuto questi riflessi nei sistemi della concorrenza. Ha appreso che se Amazon aumentava un prezzo, lo strumento basato su regole del concorrente lo avrebbe seguito automaticamente. Nessuna telefonata. Nessuna riunione segreta. Solo due macchine che rispondevano l'una all'altra — una intelligente, una reattiva. I ricercatori della Carnegie Mellon hanno scoperto che quando un agente di apprendimento per rinforzo (un'IA che apprende per tentativi ed errori) compete contro questi sistemi basati su regole, individua rapidamente lo schema «colpo su colpo» (tit-for-tat). Ottimizza quindi i prezzi di mercato verso l'alto, aumentando i profitti per tutti i venditori a danno dei consumatori.
Questa viene definita collusione implicita o «tacita». Il diritto antitrust tradizionale richiede la prova di un «accordo di intenti» (meeting of the minds) — un'effettiva comunicazione tra concorrenti. Il coordinamento algoritmico aggira completamente questo requisito. La tua IA non ha bisogno di chiamare l'IA del tuo concorrente. Deve solo prevedere cosa farà quel sistema — e agire di conseguenza.
La generazione successiva aggrava ulteriormente la situazione. I sistemi di «IA di ragionamento» (Reasoning AI) utilizzano ora capacità di calcolo supplementare al momento della decisione per simulare molteplici azioni potenziali. Pianificano diverse mosse in anticipo, come un motore scacchistico. Possono testare un aumento di prezzo, modellare la reazione dei concorrenti e adattarsi — tutto prima che un singolo prezzo cambi sul tuo sito web. Questo conferisce alla tua IA una capacità attiva di risoluzione dei problemi. Significa anche che il «processo di pensiero» interno dell'IA può orientarsi intenzionalmente verso risultati che a un'autorità di regolamentazione appaiono collusivi.
Cosa funziona (e cosa no)
Molte aziende si sono affrettate ad adottare l'IA costruendo sottili livelli applicativi al di sopra di API pubbliche come GPT-4 o Claude. Questo approccio «wrapper» è rapido da implementare. Tuttavia, è fondamentalmente inadatto per decisioni ad alto rischio come la determinazione dei prezzi. Ecco cosa fallisce:
- Architetture a «mega-prompt». Queste stipano regole di business, documenti e istruzioni in un unico massiccio input. Minime modifiche nella formulazione o aggiornamenti del modello da parte del fornitore delle API possono produrre output di prezzo radicalmente differenti. Non è possibile garantire risultati stabili.
- Dipendenza black-box da modelli di terze parti. Non puoi dimostrare il motivo per cui il tuo sistema ha preso una specifica decisione di prezzo. Quando un'autorità di regolamentazione richiede la traccia logica, non hai nulla da mostrare. Inoltre, qualsiasi concorrente può copiare il tuo strumento in un giorno — il vantaggio competitivo è nullo.
- Assenza di un livello di governance. Le API pubbliche sono prive di controlli di conformità integrati. Sono vulnerabili alla generazione di output non conformi o discriminatori in produzione. Una raccomandazione di prezzo che viola il Cartwright Act della California ha lo stesso peso sia che sia stata generata da un essere umano, sia che provenga da un'API.
Ciò che funziona davvero è un'architettura costruita su tre principi:
- Implementazione sovrana. Esegui i tuoi modelli di IA sul tuo hardware o su un cloud privato. Utilizza modelli open source ad alte prestazioni orchestrati tramite container sicuri. I tuoi dati di mercato sensibili non lasciano mai la tua rete. Nessuna terza parte li conserva o vi ha accesso.
- Flussi di lavoro multi-agente governati. Invece di un unico modello sovraccarico, utilizza agenti specializzati — un agente di pianificazione che stabilisce il flusso di lavoro, un agente di conformità che convalida ogni output rispetto ai tuoi requisiti normativi e un agente di verifica che controlla l'accuratezza. Ciascun agente è un modulo separato e osservabile.
- Tracce di audit deterministiche. Ogni decisione passa attraverso un sistema che registra input, passaggi di ragionamento e output. Utilizza un unico database verificabile — come PostgreSQL con pgvector — per utenti, permessi ed embedding di dati. Il tuo team di conformità può ricondurre qualsiasi decisione di prezzo ai dati di origine e alla logica sottostante.
Questa traccia di audit è ciò che separa la difendibilità legale dall'esposizione giuridica. Il NIST AI Risk Management Framework definisce sette caratteristiche per un'IA affidabile, tra cui spiegabilità, responsabilità e trasparenza. Il tuo sistema dovrebbe implementare tutte e quattro le funzioni del NIST: Govern (definire la responsabilità), Map (identificare gli impatti), Measure (quantificare i rischi) e Manage (intervenire in tempo reale). Quando l'autorità di regolamentazione o il tuo consiglio di amministrazione chiedono come sia stato determinato un prezzo, la risposta deve essere una catena documentata di prove — non una scrollata di spalle indicando un'API di terze parti.
Per ridurre nello specifico il rischio antitrust, i tuoi strumenti di determinazione dei prezzi non dovrebbero mai essere addestrati su dati condivisi e non anonimizzati dei concorrenti. Dovrebbero sempre consentire al tuo team di respingere le raccomandazioni algoritmiche senza penalizzazioni. Inoltre, dovresti testare regolarmente il comportamento dell'algoritmo in ambienti simulati per verificare che non generi schemi di prezzo collusivi.
Punti chiave
- Il Project Nessie di Amazon ha fissato segretamente i prezzi di 8 milioni di articoli ed estratto oltre 1 miliardo di dollari di extra-profitti prevedendo il comportamento della concorrenza.
- Le nuove leggi del 2026 in California, Colorado e New York prendono di mira specificamente i prezzi algoritmici — con minori oneri probatori per i ricorrenti e valutazioni d'impatto obbligatorie.
- I wrapper leggeri di IA basati su API di terze parti non possono spiegare le proprie decisioni di prezzo, creando un'enorme esposizione in termini di conformità quando le autorità di regolamentazione richiedono prove.
- I sistemi di IA sovrani implementati sulla propria infrastruttura con flussi di lavoro multi-agente governati e tracce di audit complete sono l'unica architettura conforme agli standard normativi del 2026.
- Il processo della FTC contro Amazon nell'ottobre 2026 costituirà un precedente per stabilire se il coordinamento algoritmico dei prezzi si qualifichi come collusione illecita.
In sintesi
L'era della determinazione algoritmica opaca dei prezzi sta volgendo al termine. Le nuove leggi del 2026 impongono di spiegare, sottoporre ad audit e controllare ogni decisione di prezzo guidata dall'IA — altrimenti si rischia di affrontare lo stesso scrutinio a cui è sottoposta Amazon. Chiedi al tuo fornitore di IA: il vostro sistema è in grado di produrre una traccia logica completa e documentata per ogni raccomandazione di prezzo, e consente al nostro team di eseguire l'override o respingere tali raccomandazioni senza alcuna penalizzazione?