Misschien runt jouw AI-prijstool een kartel — zonder dat je het doorhebt

Ik had afgelopen najaar een gesprek met een middelgroot vastgoedbeheerbedrijf toen hun VP Revenue iets zei waardoor de grond onder mijn voeten wegzakte.

"Wij zitten goed," zei ze. "Wij gebruiken RealPage niet. We hebben onze eigen prijstool gebouwd." Een stilte. "Nou ja — hij roept GPT-4 aan met onze data en het woningaanbod van concurrenten dat we scrapen. Maar hij is van ons."

Hij was niet van hen. Niet op enige manier die ertoe deed. Ze stuurden concurrentiegevoelige huurdata — bezettingsgraden, huurvoorwaarden, prijzen per unittype — door een API van een derde partij die was getraind op God weet wat, verfijnd door interacties van God weet wie, en die aanbevelingen teruggaf die waren gevormd door patronen opgezogen uit een hele markt vol vergelijkbare queries. Zonder het te beseffen hadden ze precies het soort algoritmisch coördinatiemechanisme gebouwd dat het Amerikaanse ministerie van Justitie (DOJ) net twee jaar lang had ontmanteld.

Dat gesprek veranderde hoe ik denk over wat we bij Veriprajna bouwen. Want het probleem is niet dat één bedrijf betrapt werd op het maken van huurprijsafspraken met software. Het probleem is dat de standaardarchitectuur die de meeste bedrijven voor AI gebruiken — stuur je data naar het model van iemand anders, krijg een aanbeveling terug — structureel niet te onderscheiden is van datgene wat de DOJ zojuist een digitaal kartel noemde.

Wat gebeurde er nu eigenlijk met RealPage?

Laat me specifiek zijn, want de details doen er meer toe dan de krantenkoppen.

RealPage bouwde software genaamd YieldStar en AIRM die niet-openbare, gedetailleerde transactiedata van concurrerende verhuurders opnam — realtime huurtarieven, huurvoorwaarden, toekomstige bezettingsprognoses — en die gebruikte om dagelijkse prijsaanbevelingen te genereren. De DOJ stelde dat hiermee een "hub-and-spoke"-kartel ontstond: RealPage was de hub, de verhuurders waren de spaken, en het algoritme was het rokerige achterkamertje.

De sleutelzin uit het processtuk van de overheid waar ik steeds op terugkom: de software zorgde ervoor dat verhuurders "waarschijnlijk in de pas zouden lopen in plaats van tegen elkaar in te gaan."

Als het expliciete ontwerpdoel van je algoritme is om te voorkomen dat concurrenten concurreren, heb je geen handdruk in een achterkamertje meer nodig. Je hebt de handdruk geautomatiseerd.

Op 24 november 2025 bereikte de DOJ een baanbrekende schikking. In september 2025 had FPI Management al geschikt voor $2,8 miljoen. Tegen Yardi Systems lopen nog rechtszaken. En plotseling moest elk bedrijf dat algoritmische prijsstelling toepast — in vastgoed, hospitality, retail, logistiek — zich een vraag stellen die het zich nooit eerder had gesteld: Is mijn software een medesamenzweerder?

Waarom is dit relevant als je niet in vastgoed zit?

Hier gaat de meeste berichtgeving over de RealPage-zaak de mist in. Commentatoren behandelen het als een vastgoedverhaal. Dat is het niet. Het is een architectuurverhaal.

Het eindvonnis van de DOJ maakt een technisch onderscheid dat elk enterprise-AI-team schrik zou moeten aanjagen. Het scheidt modeltraining van runtime-uitvoering. Modellen mogen nog steeds leren van historische, geaggregeerde trends — data die minstens twaalf maanden oud is en niet gekoppeld aan actieve transacties. Maar de actuele status van een concurrent — diens bezetting, diens voorraad, diens live prijzen — gebruiken als input voor een realtime aanbeveling? Dat wordt nu beschouwd als een vorm van digitale collusie onder Section 1 van de Sherman Act.

Lees dat nog eens. Het gaat niet om intentie. Het gaat om de architectuur van je datastromen.

Ik schreef over de volledige technische en juridische analyse in de interactieve versie van ons onderzoek, maar het kerninzicht is dit: als je AI-systeem niet-openbare concurrentiedata opneemt en een aanbeveling produceert die marktgedrag beïnvloedt, heb je een mededingingsprobleem. De sector waarin je zit doet niet ter zake. De Sherman Act trekt zich niets aan van je verticale markt.

En als je een multi-tenant API gebruikt — een die data verwerkt van jou én van je concurrenten — dan is het risico op vermenging structureel. Je kunt je niet met beleid uit een architectuurprobleem redden.

De avond waarop ik besefte dat "wrappers" dood waren

Ik moet even terug naar een moment van vóór de RealPage-schikking, want toen kristalliseerde de these zich voor mij uit.

We waren een prijsprototype aan het stresstesten voor een klant in de hospitality-sector. Het systeem was een vrij standaard opzet — hun boekingsdata doorgesluisd naar een LLM-API, gecombineerd met gescrapete markttarieven, met dynamische prijssuggesties als resultaat. Strakke interface. Snelle responstijden. De klant was er dol op.

Toen voerde een van mijn engineers, Priya, een provenance-audit uit. Ze traceerde de dataherkomst van elke input die het model tijdens inferentie raakte. Om 23:00 uur op een dinsdag pingde ze ons Slack-kanaal met één regel: "We kunnen niet bewijzen wat het model weet."

Ze had gelijk. Als je data door een publieke API stuurt, verlies je het vermogen om te garanderen wat de output heeft beïnvloed. Het model kan zijn gefinetuned op interacties van andere hospitality-bedrijven. Het kan prijspatronen hebben opgezogen van een concurrent die vorige week dezelfde API gebruikte. Je kunt het werkelijk niet weten. En in een wereld na RealPage is "we kunnen het werkelijk niet weten" geen verweer — het is een bekentenis.

Dat was de avond waarop ik het team vertelde dat we de hele opdracht omgooiden naar een private deployment. De klant verzette zich — het zou langer duren, vooraf meer kosten, en infrastructuur vereisen die ze niet hadden. Ik weet nog dat ik om 1 uur 's nachts in mijn appartement zat om de e-mail op te stellen waarin ik uitlegde waarom we met een gerust geweten niet konden opleveren wat we hadden gebouwd. Het was het zwaarste klantgesprek dat ik als oprichter heb gevoerd. Het was ook het belangrijkste.

De vraag is niet of je AI goede aanbevelingen geeft. De vraag is of je kunt bewijzen — aan een federale rechter, onder ede — welke data die aanbevelingen precies hebben gevormd.

Hoe reageerden de staten? Sneller dan iemand had verwacht

De federale schikking was slechts het voorprogramma. Californië en New York bewogen met een snelheid waar de hele legal-techsector door werd overvallen.

Californië's AB 325, van kracht sinds 1 januari 2026, verbiedt het gebruik van een gemeenschappelijk prijsalgoritme dat concurrentiedata gebruikt om een prijs aan te bevelen of te beïnvloeden als onderdeel van een samenspanning om de handel te beperken. De cruciale nuance: het geldt alleen voor tools die door twee of meer personen worden gebruikt. Een propriëtair algoritme dat voor exclusief gebruik door één onderneming is gebouwd, is uitgezonderd.

Lees die uitzondering aandachtig. Californië heeft in wezen een juridische prikkel gecreëerd om je eigen AI te bouwen in plaats van je te abonneren op een gedeelde SaaS-tool.

New Yorks S. 7882, van kracht sinds 15 december 2025, gaat nog verder voor beheerders van woningvastgoed. Het richt zich op elke algoritmische tool die een "coördinerende functie" vervult — gedefinieerd als het verzamelen en analyseren van data van meerdere vastgoedeigenaren. Aansprakelijkheid kan zelfs ontstaan zonder dat de aanbeveling rechtstreeks wordt overgenomen. De maatstaf is "roekeloze onverschilligheid" bij het überhaupt gebruiken van zulke tools.

Ik sprak een vastgoedadvocaat in Manhattan die het onomwonden stelde: "Als je als vastgoedbeheerder in New York een multi-tenant prijstool gebruikt, beheers je geen risico. Je fabriceert het."

Wat betekent "soevereine AI" in de praktijk eigenlijk?

Ik gebruik de term "soeverein" bewust, en ik weet dat het grootspraak lijkt. Maar het concept is precies: je AI-systeem zou architectonisch niet in staat moeten zijn om data die je niet bezit te benaderen of op te nemen, of erdoor beïnvloed te worden.

Bij Veriprajna noemen we onze aanpak "Deep AI" — en die is gebouwd op een principe dat vanzelfsprekend klinkt maar in de praktijk radicaal blijkt: scheid de stem van het brein.

De "stem" is het neurale taalmodel — datgene wat natuurlijke taal begrijpt en vloeiende antwoorden genereert. We rollen open modellen zoals Llama 3 of Mistral privé uit, binnen de eigen virtual private cloud van de klant. De data verlaat hun perimeter nooit.

Het "brein" is een deterministische symbolische solver — kennisgrafen, regel-engines, SQL-gebaseerde logica — die beleid afdwingt, berekeningen uitvoert en garandeert dat de output voldoet aan specifieke regelgevende randvoorwaarden. Het brein hallucineert niet. Het benadert niet. Het rekent.

Dit is wat cognitiewetenschappers "Systeem 2"-denken noemen — traag, doelbewust, controleerbaar redeneren — bovenop "Systeem 1"-patroonherkenning gelegd. Het neurale model handelt ambiguïteit en taal af. Het symbolische systeem handelt waarheid en compliance af.

Veiligheid kan niet probabilistisch zijn. Ze moet architectonisch zijn.

Wanneer de DOJ eist dat prijs-"governors" symmetrisch zijn — waarbij prijsverlagingen even zwaar wegen als prijsverhogingen — is dat geen beleid dat je met een systeemprompt kunt afdwingen. Het is een randvoorwaarde die je codeert in de symbolische laag, waar ze wiskundig gegarandeerd is, niet statistisch waarschijnlijk.

Kun je nog steeds marktdata gebruiken zonder de wet te overtreden?

Dit is de vraag die ik het vaakst krijg, en het is de juiste vraag. Het antwoord is ja — maar het hoe doet enorm ter zake.

Het technische mechanisme is differential privacy. Zonder diep in de wiskunde te duiken (ik heb hier uitgebreid over geschreven in onze technische deep-dive), is het kernidee elegant: je voegt zorgvuldig gekalibreerde ruis toe aan de data, zodat het opnemen of weglaten van de informatie van één afzonderlijke deelnemer de output van het algoritme niet noemenswaardig verandert.

Dat betekent dat een prijsengine kan leren van brede markttrends — "de vraag in deze postcode stijgt" — zonder ooit de bezettingsgraad of huurvoorwaarden van een specifieke concurrent te "zien". Je krijgt het analytische nut zonder de mededingingsrechtelijke blootstelling.

We combineren dit met synthetische datageneratie. Tegen 2024 voorspelden prognoses dat 60% van de AI-trainingsdata synthetisch zou zijn. In 2026 is synthetische data het primaire mechanisme geworden voor wat ik "compliance-by-design" noem. We gebruiken generatieve modellen om high-fidelity synthetische versies van marktdata te maken die de statistische eigenschappen behouden en tegelijk geen enkele daadwerkelijk concurrentiegevoelige informatie bevatten.

Het is geen omweg. Het is een betere architectuur. En het levert iets op wat geen enkele hoeveelheid juridische disclaimers kan bieden: een wiskundig bewijs dat je systeem niet coördineert met concurrenten.

De discussie die ik telkens weer voer over "auto-accept"

Er zit een detail in de RealPage-schikking dat te weinig aandacht krijgt: het verbod op auto-accept-functies.

De software van RealPage kon prijsaanbevelingen automatisch doorvoeren zonder menselijke toetsing. De DOJ beschouwde dit als een aanzienlijke verzwarende omstandigheid. De schikking vereist nu dat auto-accept-functies configureerbaar zijn en handmatig door gebruikers worden ingesteld.

Ik had hierover een discussie met de CTO van een potentiële klant. Hij wilde een volledig autonome prijsagent — geen mens in de lus, directe reactie op marktomstandigheden, maximale efficiëntie. "Dat is toch het hele punt van AI," zei hij.

Ik zei hem dat het hele punt van AI is om betere beslissingen te nemen, niet om beslissingen sneller te nemen dan wie dan ook ze kan toetsen. Dat antwoord viel niet in goede aarde.

Maar dit is de realiteit: elk systeem dat we bij Veriprajna bouwen bevat wat ik "Human-as-Capturer"-lussen noem. Menselijke intentie beheerst machinale uitvoering op elke kritieke laag. Niet omdat mensen slimmer zijn dan algoritmes — dat zijn ze vaak niet — maar omdat het juridische en ethische kader van 2026 eist dat een mens verantwoordelijk is voor elke marktgerichte beslissing. Override-protocollen, verplichte fiatteringsprocessen, auditlogs die worden bewaard voor toezichtscontrole.

Mensen vragen me soms of deze human-in-the-loop-eis AI-prijstools zinloos maakt. Dat doet ze niet. Ze maakt er hulpmiddelen van in plaats van vervangers. De AI doet in seconden de analyse waar een menselijk team dagen over zou doen. De mens neemt het besluit. Dat is geen beperking — het is de architectuur van verantwoorde marktdeelname.

De echte kosten van de "wrapper-val"

Laat me het over geld hebben, want dat is wat het gesprek uiteindelijk in beweging brengt.

Bedrijven die Tier 1-API-modellen gebruiken — GPT-5, Claude 4 — betalen tussen de $1,25 en $15,00 per miljoen inputtokens, en $10,00 tot $75,00 per miljoen outputtokens. Die kosten fluctueren. Servicevoorwaarden veranderen. En elk token dat je verstuurt brengt datasoevereiniteitsrisico met zich mee.

Data van McKinsey en BCG uit eind 2025 laat zien dat bedrijven die AI succesvol opschalen 3,6x hoger totaalrendement voor aandeelhouders realiseren over drie jaar in vergelijking met branchegenoten. Maar slechts 5% van de organisaties is erin geslaagd substantiële financiële winst uit AI te halen. De meerderheid zit vast aan het betalen van een steeds oplopende belasting op de infrastructuur van iemand anders, zonder enig verdedigbaar concurrentievoordeel om te laten zien.

Deep AI keert de kostenstructuur om. Je investeert in infrastructuur — hardware-CapEx, private modeldeployment, symbolische redeneerlagen — en je bouwt een asset. Een op maat gemaakt institutioneel brein dat de unieke workflows, beleidsregels en marktintelligentie van je organisatie vastlegt. Het staat op je balans. De waarde ervan stapelt zich op. En het kan niet worden gekopieerd door een concurrent die zich op dezelfde API abonneert als jij.

Als je concurrentievoordeel zich in het datacenter van iemand anders bevindt, is het geen concurrentievoordeel. Het is een abonnement.

Waar gaat dit naartoe?

De volgende grens is agentic AI — autonome systemen die tools selecteren, meerstaps redeneren uitvoeren en acties uitvoeren in de echte wereld. Een zending boeken. Een prijs aanpassen. Een document indienen bij de toezichthouder. Het potentieel is buitengewoon. Het risico is evenredig.

Een autonome prijsagent die zijn bevoegdheid overschrijdt — die een ongeautoriseerde financiële verplichting aangaat, of die zonder menselijk toezicht coördineert met marktdeelnemers — is niet alleen een technisch falen. In het juridische klimaat na RealPage is het potentieel een federaal misdrijf.

Elke agentic workflow die we bouwen volgt een strikte lus: toets de redenering aan de bedrijfsgrondwet, selecteer de juiste tool, valideer de output, en synthetiseer pas een antwoord nadat is bevestigd dat geen enkele compliancegrens is overschreden. Elke actie wordt gelogd en is controleerbaar. Het symbolische brein fungeert als een grondwettelijke randvoorwaarde — geen suggestie, geen richtlijn, maar een architectonische grens die het neurale model niet kan overrulen.

Dit is wat soevereiniteit in de praktijk betekent. Niet alleen je data bezitten, maar het redeneerproces bezitten dat erop handelt. Niet alleen AI uitrollen, maar AI uitrollen die jouw wetten, jouw ethiek, jouw risicotolerantie weerspiegelt — vastgelegd in logica die een toezichthouder kan inspecteren en een rechter kan begrijpen.

De RealPage-zaak was geen uitzondering. Het was het eerste duidelijke signaal van een nieuwe juridische realiteit: de architectuur van je AI-systeem is nu een primaire bepalende factor voor je mededingingsrechtelijke blootstelling. Niet je intenties. Niet je beleid. Niet je servicevoorwaarden. Je architectuur.

Elke onderneming die algoritmische prijsstelling, revenue management of marktgerichte aanbevelingen inzet, moet een simpele vraag beantwoorden: als de DOJ je AI-systeem morgen via een subpoena zou opvorderen, zou je dan kunnen bewijzen — op het niveau van datastromen, modeltraining en inferentielogica — dat het onafhankelijk van je concurrenten opereert?

Als het antwoord "waarschijnlijk" is, heb je een probleem. Als het antwoord "dat moeten we even navragen bij onze API-provider" is, heb je een crisis.

Het rokerige achterkamertje is niet verdwenen. Het is verhuisd naar de cloud. En de bedrijven die in dit nieuwe tijdperk zullen floreren zijn niet degene met de beste algoritmes — het zijn degene die hun algoritmes volledig bezitten, ze ontwerpen met compliance by design als uitgangspunt, en dat onder ede kunnen bewijzen.