AI-prijsafspraken: wat de RealPage-zaak voor u betekent

Het probleem

Het Department of Justice noemde het een digitale “rookkamer”. In november 2025 sloot de DOJ een schikking in zijn baanbrekende zaak tegen RealPage. Het algoritme van het bedrijf had niet-openbare huurgegevens van concurrerende verhuurders verzameld. Vervolgens voerde het die gegevens weer terug als prijsaanbevelingen. Het resultaat? Verhuurders “bewegen waarschijnlijk in gelijke tred in plaats van tegen elkaar”, aldus de eigen gerechtelijke stukken van de overheid. Huurders betaalden hogere huren. Concurrenten stopten met concurreren. En de software liet alles lijken op onafhankelijke besluitvorming.

De tools van RealPage — AIRM en YieldStar — namen realtime huurtarieven, contractvoorwaarden en bezettingsgraadgegevens van concurrenten op. Ze gebruikten die om “stretch-and-pull-prijzen” door te drukken in hele metrogebieden. De DOJ behandelde dit als een schending van Sectie 1 van de Sherman Act. In gewone taal: het gebruik van een gedeeld algoritme om prijzen op elkaar af te stemmen wordt nu net zo behandeld als bestuurders die heimelijk prijzen afspreken in een achterkamertje.

Dit was geen eenmalige kwestie. FPI Management sloot in september 2025 een schikking van $2,8 miljoen. Yardi Systems krijgt te maken met lopende rechtszaken. Wetgevers in Californië en New York keurden nieuwe wetten tegen algoritmische prijsvorming goed nog voordat de inkt van de federale schikking droog was.

Als uw bedrijf ook maar één externe prijstool gebruikt die raakt aan concurrentiegegevens, dan opereert u nu in een juridische omgeving die twee jaar geleden nog niet bestond.

Waarom dit belangrijk is voor uw bedrijf

De financiële en juridische blootstelling hier is niet theoretisch. Ze wordt al ingeprijsd in schikkingen, wetgeving en rechtszaakstrategieën. Dit is wat uw managementteam moet weten:

• De DOJ behandelt gedeelde prijsalgoritmes nu als potentiële kartels. Als uw tool niet-openbare gegevens van concurrenten opneemt om prijsaanbevelingen te genereren, loopt u aansprakelijkheid onder de Sherman Act. De RealPage-schikking verbiedt het gebruik van concurrentiegegevens die minder dan 12 maanden oud zijn.
• De wetgeving van deelstaten beweegt sneller dan federale handhaving. De californische AB 325, van kracht per 1 januari 2026, verbiedt elk gemeenschappelijk prijsalgoritme dat concurrentiegegevens gebruikt om prijzen te beïnvloeden. S. 7882 van New York, van kracht per 15 december 2025, richt zich op tools die een “coördinerende functie” vervullen voor meerdere vastgoedeigenaren. Aansprakelijkheid kan ontstaan zelfs als u de aanbeveling van het algoritme nooit overneemt — de wet richt zich op “roekeloze achteloosheid” bij het gebruik van zulke tools überhaupt.
• De wrapper-economie is een tijdbom voor rechtszaken. Als u uw gevoelige transactiegegevens via een openbare AI-API verstuurt, verliest u de controle over hoe die gegevens worden gebruikt. Het onderliggende model kan worden verfijnd door interacties van uw concurrenten. In het mededingingsrecht kan een gedeeld model dat met de gegevens van meerdere concurrenten wordt verfijnd worden gezien als indirecte informatie-uitwisseling.
• Het zakelijke voordeel van dit goed doen is enorm. Bedrijven die AI met succes opschalen zien een 3,6x hogere Total Shareholder Return over drie jaar vergeleken met sectorgenoten. Maar slechts 5% van de organisaties heeft substantiële financiële winst uit AI geboekt. Het gat is architecturaal, niet aspirationeel.

Uw raad van bestuur en uw algemeen juridisch adviseur moeten begrijpen: het risico is niet dat uw AI ongelijk heeft. Het risico is dat uw AI illegaal is.

Wat er werkelijk onder de motorkap gebeurt

Zie de meeste externe AI-prijstools als een gedeeld rekenblad dat iedereen in uw branche kan lezen en beschrijven. U voert uw gegevens in. Uw concurrent voert zijn gegevens in. Het algoritme leest alles en spuugt een prijs uit. Niemand ziet de ruwe cijfers van de ander, maar de output weerspiegelt ieders input. Dat is het probleem dat de DOJ signaleerde.

De technische term is “data commingling” (gegevensvermenging). Wanneer uw bedrijf gegevens naar een gedeeld AI-model stuurt — of het nu een prijstool is of een algemeen inzetbaar groot taalmodel (LLM) dat via een openbare API wordt benaderd — komen die gegevens terecht in een systeem dat u niet beheerst. Ondanks privacy-instellingen blijft het risico op datalekken via technieken als model inversion of embedding inversion reëel. Dat zijn methoden waarmee aanvallers trainingsgegevens uit de outputs van een model extraheren.

Er is een tweede faalmodus die het whitepaper “sycophancy” noemt (kruiperigheid). LLM’s zijn getraind om behulpzaam en meegaand te zijn. Dat betekent dat ze u vaak vertellen wat u wilt horen in plaats van wat uw bedrijfsbeleid vereist. Het DPD-chatbotincident in 2024 maakte dit levendig: een klantenservicebot stemde ermee in dat het eigen bedrijf “waardeloos” was en schreef poëzie die de eigen diensten belachelijk maakte. Een eenvoudige system prompt — de instructies die u de AI geeft — was niet genoeg om dat te voorkomen.

Beide problemen hebben dezelfde hoofdoorzaak. Veiligheid en naleving zijn in deze systemen probabilistisch, niet gegarandeerd. De AI volgt uw regels misschien 98% van de tijd. Maar in gereguleerde markten is juist die 2% wat uiteindelijk voor de rechter komt. Consumentenvertrouwen in volledig AI-gegenereerde content ligt op slechts 13%, en springt naar 48% wanneer mensen deel uitmaken van het proces. Uw klanten én toezichthouders willen bewijs dat een mens in de lus zit.

Wat werkt (en wat niet)

Laten we beginnen met wat faalt:

Openbare API-wrappers — Uw gegevens naar een model van derden sturen en uw logo op het antwoord plakken levert nul verdedigbaar voordeel op. Aanbieders van foundation modellen bouwen hun eigen verticale oplossingen. Op het moment dat ze dat doen, verdwijnt de waarde van uw wrapper van de ene op de andere dag.

Schakelaars voor “privacymodus” — Het uitschakelen van het delen van trainingsgegevens in de instellingen van een leverancier geeft u geen wiskundige privacygarantie. Het geeft u een checkbox. Toezichthouders willen bewijs, geen beloftes.

Prijsaanbevelingen automatisch accepteren — De DOJ-schikking richt zich expliciet op functies die algoritmische aanbevelingen uitvoeren zonder menselijke toetsing. Als uw prijstool een auto-accept-functie heeft, is die nu een rode vlag voor toezichthouders.

Dit is wat wél werkt. Het architectuurprincipe heet neuro-symbolische AI — een systeem dat de taalmotor scheidt van de beslissingsmotor. Het werkt in drie stappen:

1. Input — Privégegevens, privémodellen. Uw AI draait binnen uw eigen Virtual Private Cloud (VPC). Uw gegevens verlaten nooit uw bedrijfsperimeter. Trainingsgegevens komen uit uw eigen administratie of uit synthetische gegevens — kunstmatige datasets, gegenereerd door tools als GAN’s (generative adversarial networks), die analytische waarde behouden terwijl ze nul echte concurrentie-informatie of persoonsgegevens bevatten. Differentiële privacy — een wiskundige techniek die gekalibreerde ruis aan gegevens toevoegt — zorgt ervoor dat geen enkel datapunt uit de output van het model kan worden teruggerekend.

2. Verwerking — Deterministische logica stuurt elke beslissing. De neurale component verzorgt de taal. Maar een symbolisch “brein” — opgebouwd uit kennisgrafieken, rule engines en gestructureerde solvers — dwingt uw beleid met zekerheid af. Dit is gemodelleerd naar het “System 2”-denken uit de cognitiewetenschap: langzaam, doordacht redeneren in plaats van snel, probabilistisch gokken. Elke prijsaanbeveling passeert uw complianceregels voordat deze een mens bereikt.

3. Output — Menselijke goedkeuring met een volledige audit trail. Geen enkele aanbeveling wordt automatisch geïmplementeerd. Elke beslissing wordt gelogd. Override-protocollen laten uw team elke output afwijzen of aanpassen. Symmetriecontroles zorgen dat het algoritme prijsverhogingen niet systematisch bevoordeelt boven prijsverlagingen — een kerneis van de DOJ uit de RealPage-schikking.

Deze architectuur geeft uw complianceteam iets wat het van een wrapper niet kan krijgen: een volledig, inspecteerbaar logisch spoor van elke beslissing die uw AI neemt. Wanneer een toezichthouder vraagt waarom uw systeem een specifieke prijs aanbeval, laat u de exacte regel zien, de exacte gegevens en de exacte mens die het goedkeurde. Dat is het verschil tussen een verdedigbaar systeem en een aansprakelijkheidsrisico.

Voor organisaties die actief zijn op het gebied van AI-governance en regelgevingsnaleving in sectoren met hoge inzet, is dit soort architecturale transparantie geen optie meer. Het is de basisverwachting. Systemen bouwen op een fundament van neuro-symbolische architectuur en constraint-systemen zorgt ervoor dat uw AI uw regels volgt door ontwerp, niet door toeval. En nu de handhaving door deelstaten en de federale overheid versnelt, is investeren in privacy-engineering en synthetische gegevens de meest directe weg om te bewijzen dat uw algoritmes schoon zijn.

U kunt de volledige technische analyse lezen voor de volledige juridische en architecturale uiteenzetting, of de interactieve versie verkennen voor een begeleide toelichting langs de belangrijkste bevindingen.