Algoritmische prijsstellingscompliance
In 2025 inde de FTC $2,56 miljard aan schikkingen over algoritmische prijsstelling van twee bedrijven. New York, Californië en Colorado voerden wetten in die elke AI-gestuurde prijs tot een mogelijke overtreding maken. Als uw prijsstellingsengine draait op een algoritme van derden, consumentendata of reinforcement learning, is de vraag niet of toezichthouders gaan kijken. De vraag is of u hun vragen kunt beantwoorden wanneer ze dat doen.
$2,56 mld
FTC-prijsschikkingen, 2025
Instacart $60 mln + Amazon $2,5 mld
51 wetsvoorstellen
Voorstellen voor algoritmische prijsstelling op staatsniveau
In 24 staten in 2025
180 dagen
RealPage-compliancedeadline
DOJ-schikkingsbesluit, nov. 2025
Toezichthouders pakken algoritmische prijsstelling op twee verschillende fronten aan. De meeste bedrijven bereiden zich voor op het ene en negeren het andere.
Uw algoritme rekent verschillende gebruikers verschillende prijzen voor hetzelfde product op basis van persoonsgegevens. Dit wordt onwettig wanneer die prijsverschillen correleren met beschermde demografische kenmerken.
De Instacart-zaak maakte dit concreet: de Eversight-prijsstellingstool genereerde tot vijf verschillende prijzen voor hetzelfde artikel in dezelfde winkel, met variaties tot 23%. De $60 mln-schikking van de FTC steunde niet op opzettelijke discriminatie. Ze steunde op de uitkomst: consumenten met bepaalde profielen betaalden systematisch meer.
De technische valkuil zit in proxyvariabelen. Uw algoritme ziet geen ras of inkomen. Maar het ziet postcode, apparaattype, browsetijd en app-versie. Een gebruiker die om 23.00 uur op een ouder Android-apparaat surft vanuit een postcodegebied met lager inkomen, krijgt een andere prijsbehandeling dan een iPhone-gebruiker in een welvarende buitenwijk om 14.00 uur. Censusgegevens tonen aan dat deze invoerclusters correleren met raciale en inkomensdemografie in een mate die een disparate-impactanalyse niet zou doorstaan. Het algoritme had nooit de bedoeling te discrimineren. De uitkomst is toch discriminerend.
Uw algoritme convergeert naar hogere prijzen in coördinatie met concurrenten, zelfs zonder enige expliciete afspraak. Dit is de theorie achter FTC v. Amazon, waarvan het proces gepland staat voor 2026.
Amazon's Project Nessie haalde $1,4 miljard binnen door te voorspellen wanneer concurrenten een prijsverhoging zouden volgen, en vervolgens de prijzen op 8 miljoen artikelen te verhogen. Het algoritme stelde vast dat de meeste concurrenten tit-for-tat-prijsregels hanteerden. Wanneer Amazon de prijzen verhoogde, volgde het concurrentenalgoritme automatisch. Geen vergadering. Geen afspraak. Geen telefoontje. Gewoon twee algoritmen die hetzelfde supracompetitieve evenwicht bereiken.
Het risico vermenigvuldigt zich wanneer u een externe prijsstellingsleverancier gebruikt. Als uw leverancier ook uw concurrenten bedient en zijn algoritme data over klanten heen bundelt, kunt u blootstelling aan hub-and-spoke-samenspanning hebben, zelfs als u nooit een woord met een concurrent hebt gewisseld. De nieuwe wijzigingen van Californië op de Cartwright Act (van kracht per januari 2026) codificeren dit: een "gemeenschappelijk prijsstellingsalgoritme" met twee of meer gebruikers dat prijzen beïnvloedt met behulp van concurrentie-informatie creëert wettelijke aansprakelijkheid.
Deze tabel volgt elke geldende wet, schikkingsprecedent en handhavingsactie die van invloed is op algoritmische prijsstelling. Bijgewerkt april 2026.
| Jurisdictie | Wet / precedent | Belangrijkste vereiste | Sanctie | Status |
|---|---|---|---|---|
| New York | Algorithmic Pricing Disclosure Act | Opvallende openbaarmaking wanneer prijzen persoonlijke consumentendata gebruiken | $1.000/overtreding | Aangenomen nov. 2025; handhaving opgeschort in afwachting van NRF-verbod |
| Californië | Cartwright Act (AB 325 / SB 763) | Verbiedt "gemeenschappelijke algoritmen" die concurrentiedata gebruiken om prijzen te bepalen; verbiedt dwang met betrekking tot algoritmische aanbevelingen | Het hoogste van $6 mln of 2x winst/verlies; drievoudige schadevergoeding in civiele procedures | Van kracht per 1 jan. 2026 |
| Colorado | AI Act (SB 24-205) | Impactbeoordelingen voor AI-systemen met hoog risico die "ingrijpende beslissingen" nemen, waaronder prijsstelling | AG-handhaving; verbodsmaatregelen | Van kracht per 30 juni 2026 |
| Federaal (FTC) | FTC Act Section 5 | Verbiedt "oneerlijke concurrentiemethoden." Het proces FTC v. Amazon zal toetsen of algoritmische stilzwijgende collusie hieronder valt | Verbodsmaatregelen + ontneming (Amazon: $2,5 mld-schikking) | Proces gepland okt. 2026 |
| Federaal (DOJ) | RealPage-schikkingsbesluit | Geen concurrentiedata <12 maanden oud; geen geografie onder staatsniveau; symmetrische guardrails; antitrust-compliancefunctionaris | Toezichtstermijn van 7 jaar | Actief sinds nov. 2025; compliancedeadline van 180 dagen |
| Federaal (jurisprudentie) | Gibson v. Cendyn (9th Cir.) | Safe harbor: dezelfde leverancier is toegestaan als er geen gebundelde niet-openbare data zijn, geen "prijzen verhogen"-marketing, geen niet-geanonimiseerde concurrentiedata | Verdedigend precedent | Beslist aug. 2025 |
| Europese Unie | EU AI Act (bepalingen voor hoog risico) | Impactbeoordelingen, transparantiedocumentatie, antidiscriminatiemaatregelen voor AI-systemen die ingrijpende beslissingen nemen | €35 mln of 7% van de wereldwijde omzet | Verplichtingen voor hoog risico van kracht per 2 aug. 2026 |
| 24 staten | 51 voorgestelde wetsvoorstellen (2025) | Diverse: openbaarmakingsmandaten, verboden op surveillance-prijsstelling, vereisten voor algoritmische audits | Verschilt per staat | Wetsvoorstellen in TN en NM actief in 2026; meer verwacht |
Bronnen: FTC-persberichten, DOJ Office of Public Affairs, antitrust-meldingen van Wilson Sonsini, publicaties van Cleary Gottlieb, adviezen van Arnold & Porter. Bijgewerkt april 2026.
Als u opties evalueert, ziet u hier wat elke categorie aanbieder daadwerkelijk levert en waar de gaten zitten.
| Type aanbieder | Voorbeelden | Wat ze doen | Compliancegat | Typische kosten |
|---|---|---|---|---|
| Prijsstellingsplatforms | Pricefx, PROS, Zilliant, Competera | Optimaliseren prijzen met AI/ML. Sommige genoemd in FTC 6(b)-bevelen over surveillance-prijsstelling. | Geen eerlijkheidstesten. Geen geautomatiseerde openbaarmaking. Geen collusiemonitoring. Hun algoritme kan uw aansprakelijkheid zijn. | $200K-$1M+/jr |
| Big 4 / grote SI's | Deloitte, PwC, Accenture, McKinsey | Antitrustadvies, risicobeoordelingsmemo's, beheer van toezichtrelaties | Alleen advies. Geen geautomatiseerde compliancetooling. Opdrachten duren maanden en leveren pdf's op, geen infrastructuur. Sommige zelf genoemd in FTC 6(b)-bevelen. | $500K-$5M+ |
| Antitrust-advocatenkantoren | Wilson Sonsini, Cleary Gottlieb, Arnold & Porter | Juridische adviezen, ontwerprichtlijnen, procesverdediging | Juridisch advies, geen technische implementatie. Kunnen u vertellen wat u moet bouwen, maar bouwen het niet. Essentiële partners, geen alternatieven. | $800-$2.000/uur |
| Algoritmische auditors | ORCAA, FTI Consulting | Algoritmische audits op een vast moment, getuige-deskundigenverklaringen, bias-beoordelingen | Momentopname-audits, geen continue monitoring. Geen prijsstellingsspecifieke tooling. Waardevol voor procesvoering, maar niet voor doorlopende compliance. | $100K-$400K per audit |
| Gespecialiseerd AI-adviesbureau | Veriprajna | Bouwen prijsstellingscompliance-infrastructuur: auditlagen, geautomatiseerde openbaarmaking, collusiemonitoring, audittrails | Kan organisatorische weerstand tegen prijstransparantie of fundamentele datakwaliteitsproblemen in uw transactielogs niet oplossen. Wij bouwen de technische laag, niet de culturele verandering. | $150K-$500K |
Wij optimaliseren geen prijzen. Wij concurreren niet met uw prijsstellingsplatform. Wij zitten bovenop welke engine u ook draait en maken die aantoonbaar compliant.
Wij brengen elke data-invoer van uw prijsstellingsengine in kaart en testen elke invoer op demografische proxycorrelatie. Postcode, apparaattype, lengte van de browsesessie, tijdstip, app-versie: wij meten correlatie met ras-, inkomens- en leeftijdsdemografie met behulp van aan census gekoppelde geografische data en statistieken over apparaatbezit.
Vervolgens voeren wij contrafeitelijke simulaties uit. Voor elke prijsbeslissing in een steekproef houden wij alle vraagdrijvers constant en variëren wij alleen de proxyvariabele. Als de prijzen meer dan 20% van het tarief van de hoogste groep verschuiven (de vierde-vijfdedrempel, afgeleid van de disparate-impactnormen van de EEOC), wordt die invoer gemarkeerd.
De uitkomst is een risicoscorekaart over vijf dimensies, ontleend aan het kader van het RealPage-schikkingsbesluit en de ontwerprichtlijnen van Duane Morris: databronnen, granulariteit van aanbevelingen, behoud van onafhankelijkheid, transparantie en mogelijkheid tot menselijke override.
Wij bouwen de compliance-middleware tussen uw prijsstellingsengine en de afrekenpagina. Voor New York: realtime classificatie of elke prijs persoonlijke consumentendata heeft gebruikt, met voorwaardelijke weergave van openbaarmaking. Voor Californië: verificatie van de datafirewall die bevestigt dat uw leverancier geen concurrentiedata over klanten heen bundelt.
Voor Colorado (van kracht juni 2026): geautomatiseerde generatie van impactbeoordelingen, gekoppeld aan uw modelversiegeschiedenis. Voor de EU (van kracht augustus 2026): transparantiedocumentatie volgens Artikel 13/14, geëxporteerd in het formaat dat het AI Office verwacht.
De middleware gebruikt jurisdictiedetectie op basis van de geolocatie van de gebruiker, zodat openbaarmakingsregels zich automatisch aanpassen. Één API-laag verwerkt alle jurisdicties. Wanneer Tennessee of New Mexico hun aanhangige wetsvoorstellen aannemen, voegen wij de regels toe zonder uw prijsstellingsengine aan te raken.
Wij auditen uw relatie met uw prijsstellingsleverancier aan de hand van de drieledige toets uit Gibson v. Cendyn: bundelt de leverancier niet-openbare concurrentiedata, brengt hij de mogelijkheid op de markt om de prijsstelling sectorbreed te verhogen, deelt hij niet-geanonimiseerde concurrentie-informatie? Als een van de onderdelen faalt, creëert uw leveranciersrelatie blootstelling aan hub-and-spoke-samenspanning.
Voor uw eigen algoritme voeren wij collusiesimulatietesten uit. Wij zetten uw prijsstellingsmodel in tegen drie archetypen van concurrentenagenten (tit-for-tat-regelvolgers, Bertrand-concurrentieagenten en reinforcement-learning-agenten) en meten of er supracompetitieve evenwichten ontstaan binnen 10.000 gesimuleerde marktcycli.
Voor doorlopende monitoring bouwen wij dashboards die patronen van prijsconvergentie markeren: gelijktijdige prijsbewegingen, afnemende prijsspreiding tussen concurrenten en margecompressie die zonder vraagzijdeverklaring ombuigt.
Wij bouwen de audittrail-infrastructuur voordat u die nodig hebt. Een event-driven logginglaag legt elke prijsbeslissing in realtime vast: gebruikte data-invoer, modelversie, ruwe aanbeveling, toegepaste beperkingscontroles, of de aanbeveling werd overschreven, openbaarmakingsstatus en de uiteindelijk weergegeven prijs.
De opslag is append-only en onveranderlijk. Het loggingschema is gemodelleerd op wat FTC Civil Investigative Demands daadwerkelijk opvragen, gebaseerd op de CID-structuren van Instacart en Amazon die nu deel uitmaken van het publieke dossier.
Wanneer een CID binnenkomt, produceert u compliant documentatiepakketten in 48-72 uur. De meeste bedrijven zonder deze infrastructuur besteden 6-12 maanden aan reactieve forensische extractie, waarbij ze vaak gaten in hun data ontdekken die hun positie verzwakken. De kosten van proactief bouwen hiervan zijn een fractie van één maand spoedeisende externe advocaten tegen CID-responstarieven.
Hier ziet u wat er gebeurt wanneer wij een Multi-Armed Bandit-prijsstellingsengine auditen op proxydiscriminatie. Dit is een van vier auditsporen; wij doorlopen dit spoor omdat MAB-gebaseerde systemen het meest voorkomen bij dynamische prijsstelling in e-commerce en de architectuur waren die Instacart's Eversight gebruikte.
Wij extraheren de volledige feature-vector uit de context-invoer van uw MAB. In een typische e-commerce-MAB omvat dit: gebruikerssegment-ID, aantal sessies, apparaattype, besturingssysteem, schermresolutie, geografische coördinaten of postcode, tijdstip, dag van de week, samenstelling van de winkelwagen, historische aankoopfrequentie en soms de verblijfsduur tijdens het browsen.
Voor elke feature berekenen wij Pearson-correlatiecoëfficiënten ten opzichte van uit census afgeleide demografische verdelingen op ZIP+4-niveau. Een feature met |r| > 0,3 ten opzichte van een proxy voor een beschermde klasse (ras, inkomenskwintiel, leeftijdscategorie) wordt gemarkeerd voor contrafeitelijke testen. In onze ervaring overschrijden postcode en apparaattype deze drempel vrijwel altijd. Sessieduur en browsediepte doen dat vaak ook.
Voor elke gemarkeerde feature genereren wij contrafeitelijke gebruikersprofielen. Wij nemen 10.000 echte prijsbeslissingen uit uw productielogs en creëren synthetische varianten waarin alleen de gemarkeerde proxyvariabele verandert. Een gebruiker uit postcodegebied 10021 (Upper East Side, mediaan huishoudinkomen $138K) wordt een gebruiker uit postcodegebied 10456 (South Bronx, mediaan huishoudinkomen $27K), waarbij alle andere vraagsignalen constant worden gehouden.
Wij voeren zowel de oorspronkelijke als de contrafeitelijke profielen door uw MAB en meten het prijsverschil. Als het gemiddelde verschil meer dan 20% van de prijs van de hoogste groep overschrijdt (de vierde-vijfdedrempel), creëert de feature juridisch aanvechtbare disparate impact. Wij rapporteren het exacte verschil, de meest getroffen demografische groepen en het aantal productietransacties waarin dit patroon optrad.
Voor features die de contrafeitelijke test niet doorstaan, bouwen wij beperkingslagen die de actieruimte van de MAB begrenzen. Dit is geen eenvoudige drempel (die het algoritme tot aan de rand zal optimaliseren). Wij gebruiken fairness-aware reward shaping: de beloningsfunctie van de MAB wordt aangepast om prijsaanbevelingen te bestraffen die cross-group-variantie boven de drempel creëren. De beperking is ingebakken in de optimalisatie, niet achteraf vastgeschroefd als filter. Het resultaat is een prijsstellingsengine die nog steeds de omzet optimaliseert maar geen discriminerende uitkomsten kan genereren, waarbij de impact van de beperking op de omzet doorgaans in de orde van 1-3% ligt.
Een typische opdracht loopt 10-14 weken van kickoff tot productiemonitoring. De doorlooptijd hangt af van hoeveel prijsstellingssystemen u draait, in hoeveel jurisdicties u actief bent en of uw data-infrastructuur realtime logging kan ondersteunen.
Weken 1-3
Inventariseer alle prijsstellingssystemen, leveranciersrelaties en datastromen. Breng uw jurisdictieblootstelling in kaart (waar uw klanten zijn, niet waar uw servers staan). Beoordeel leverancierscontracten op bepalingen over datafirewalls en CID-responsverplichtingen.
Op te leveren: prijsstellingscompliance-risicokaart met ernstbeoordelingen over de dimensies discriminatie, collusie, openbaarmaking en onderzoeksgereedheid.
Weken 3-7
Bouw de audit-infrastructuur: event-driven logs van prijsbeslissingen, openbaarmakings-middleware, lagen voor beperkingsvalidatie. Voer de discriminatie-audit en collusiesimulatie uit. Ontwerp het kader voor leveranciersrisicobeoordeling, specifiek voor uw prijsstellingstools.
Op te leveren: werkende compliancelaag in staging, resultaten van de discriminatie-audit, leveranciersrisicobeoordeling.
Weken 7-10
Zet de compliancelaag in shadow mode in naast uw productieprijsstelling. Elke prijsbeslissing loopt door de beperkingscontroles en openbaarmakingslogica zonder dat dit verandert wat de klant ziet. Wij vergelijken beperkte met onbeperkte prijsstelling om de omzetimpact te meten en te verifiëren dat alle jurisdictiespecifieke openbaarmakingen correct geactiveerd worden.
Op te leveren: validatierapport van shadow mode met analyse van de omzetimpact en metingen van compliancedekking.
Week 10+ (doorlopend)
Ga over naar productie. De compliancelaag handhaaft beperkingen, activeert openbaarmakingen en logt beslissingen in realtime. Monitoringdashboards volgen disparate-impactmetingen, patronen van prijsconvergentie, complianceniveaus van openbaarmaking en de volledigheid van de audittrail.
Driemaandelijkse her-audits vangen modeldrift op. Wanneer er nieuwe wetgeving wordt aangenomen (Tennessee, New Mexico of de volgende staat), werken wij de jurisdictieregels bij zonder uw prijsstellingsengine aan te raken.
Wat deze opdracht niet omvat: Wij herontwerpen uw prijsstrategie niet, selecteren of vervangen uw prijsstellingsleverancier niet, geven geen juridische adviezen en treden niet op als getuige-deskundige. Die functies behoren respectievelijk toe aan uw prijsstellingsteam, uw antitrustadvocaten en uw economische adviseurs. Wij bouwen de technische compliance-infrastructuur die hun aanbevelingen afdwingbaar en auditeerbaar maakt.
Beantwoord zeven vragen over uw prijsstellingsinfrastructuur. De beoordeling brengt uw blootstelling in kaart over de dimensies discriminatie, collusie, openbaarmaking en onderzoeksgereedheid, met concrete vervolgstappen die u met of zonder externe hulp kunt zetten.
Vraag 1 van 7
De openbaarmakingsverplichting rust op het bedrijf dat de consument bedient, niet op de prijsstellingsleverancier. U hebt een realtime classificatielaag nodig die bepaalt of elke getoonde prijs is gegenereerd met persoonlijke consumentendata (browsegeschiedenis, locatie, aankooppatronen) versus geaggregeerde marktdata. Als persoonsgegevens de prijs hebben beïnvloed, moet de verplichte openbaarmaking verschijnen voordat de consument zich tot de transactie verbindt.
De technische uitdaging is dat de meeste externe prijsstellingstools (Pricefx, PROS, Competera) niet blootleggen welke data-invoer elke specifieke prijsaanbeveling aandreef. U hebt middleware nodig die de respons van de prijsstellings-API onderschept, inspecteert welke datacategorieën zijn gebruikt en de openbaarmaking voorwaardelijk weergeeft.
De sanctie van $1.000 per overtreding geldt per transactie, dus een e-commerceplatform met hoog volume dat 100.000 bestellingen per dag verwerkt in New York loopt materiële blootstelling op, zelfs bij lage non-complianceniveaus. Wij bouwen de classificatie- en openbaarmakingslaag als API-middleware die tussen uw prijsstellingsengine en uw afrekenflow zit, met jurisdictiedetectie zodat de openbaarmakingsregels zich aanpassen op basis van de locatie van de consument.
Het RealPage-schikkingsbesluit (DOJ, november 2025) stelde vijf specifieke technische verboden vast die antitrustadvocaten al gebruiken als compliancesjabloon buiten de meergezinswoningenmarkt. De kernvereisten: geen training op concurrentiedata van minder dan 12 maanden oud, geen geografische analyse die smaller is dan staatsniveau, geen delen van data van niet-gelieerde panden, zelfs niet in geaggregeerde vorm, symmetrische guardrails (als het algoritme prijzen boven een plafond kan duwen, moeten gebruikers ze evenzeer onder een ondergrens kunnen duwen) en verplichte antitrust-compliancefunctionarissen met jaarlijkse certificering.
Voor e-commerce zijn de meest direct relevante bepalingen de vereisten voor datafirewalls en het mandaat voor symmetrische guardrails. Als uw prijsstellingsleverancier concurrentieprijsdata inneemt en gebruikt om uw aanbevelingen te genereren, hebt u waarschijnlijk blootstelling onder dezelfde theorie die de DOJ tegen RealPage gebruikte.
Wij auditen uw leveranciersdatastromen aan de hand van het kader van het schikkingsbesluit, testen of uw guardrails symmetrisch zijn en bouwen de data-lineagedocumentatie die compliance aantoont.
De meest voorkomende fout die bedrijven maken is "eerlijkheid door onwetendheid": ras, geslacht en inkomen uit de invoer van het model verwijderen en aannemen dat het algoritme niet langer kan discrimineren. Dit faalt omdat proxyvariabelen hetzelfde demografische signaal dragen. Gegevens van Pew Research tonen aan dat iPhone-bezit 30% hoger is onder huishoudens met een inkomen van $100K+ versus die onder de $30K. Censusgegevens op ZIP+4-niveau correleren postcode met raciale samenstelling met r=0,6 of hoger in de meeste grootstedelijke gebieden. Uw algoritme ziet de demografie nooit rechtstreeks, maar het ziet hun statistische schaduwen.
Detectie vereist het testen van interacties tussen variabelen, niet alleen afzonderlijke invoer. Postcode alleen kan een matige demografische correlatie tonen, maar postcode gecombineerd met apparaattype en sessieduur creëert een samengestelde proxy die veel voorspellender is. Wij testen zowel afzonderlijke features als clusters van feature-interacties met behulp van mutual-informationanalyse, die niet-lineaire verbanden vastlegt die Pearson-correlatie mist. Een veelvoorkomende bevinding: de verblijfsduur tijdens het browsen op productpagina's heeft op zichzelf vrijwel geen correlatie met inkomen, maar in combinatie met de verwijzingsbron (organische zoekopdracht versus prijsvergelijkingssite) voorspelt het paar het inkomenskwintiel met verrassende nauwkeurigheid.
De praktische aanpak is om detectie vóór implementatie uit te voeren (vang de voor de hand liggende proxy's) en daarna continu in productie (vang opkomende interacties op terwijl het model opnieuw traint). Wij markeren proxykandidaten ter beoordeling, maar verwijderen ze niet automatisch, omdat sommige proxy's ook legitieme vraagsignalen zijn. De beslissing om een specifieke invoer te beperken is een zakelijke en juridische afweging, geen puur statistische. Wij leveren het bewijs; uw juridische team neemt de beslissing.
Ja, afhankelijk van de data-architectuur van de leverancier. De beslissing in Gibson v. Cendyn (Ninth Circuit, augustus 2025) stelde vast dat het louter abonneren op dezelfde prijsstellingssoftware als uw concurrenten niet automatisch concurrentiebeperkend is. Maar het hof markeerde drie voorwaarden die het risico aanzienlijk verhogen: als de leverancier niet-openbare, concurrentiegevoelige data van meerdere klanten bundelt om aanbevelingen te trainen of af te stemmen, als de leverancier de mogelijkheid van de tool om prijsstelling sectorbreed te coördineren of te verhogen op de markt brengt, of als de software de uitwisseling van niet-geanonimiseerde concurrentiedata vergemakkelijkt.
De meeste e-commercebedrijven auditen de data-architectuur van hun prijsstellingsleverancier niet op dit niveau. Wij voeren een leveranciersrisicobeoordeling uit die precies in kaart brengt welke data in en uit uw prijsstellingstool stromen, of concurrentiedata (zelfs geaggregeerd) uw aanbevelingen beïnvloeden, en of uw leverancierscontract adequate bepalingen over datafirewalls bevat.
Onder de nieuwe wijzigingen van Californië op de Cartwright Act (AB 325, van kracht januari 2026) creëert een "gemeenschappelijk prijsstellingsalgoritme" met twee of meer gebruikers dat concurrentie-informatie gebruikt potentiële aansprakelijkheid met drievoudige schadevergoeding, en de verlaagde pleitnorm betekent dat eisers een verzoek tot afwijzing gemakkelijker kunnen doorstaan.
Een FTC CID eist doorgaans uitgebreide documentatie binnen 30-45 dagen: alle data-invoer voor uw prijsstellingsmodellen, modelarchitectuur en trainingsdocumentatie, beslissingslogs die laten zien hoe prijzen voor specifieke transacties werden vastgesteld, eventuele A/B-test- of experimentprotocollen, communicatie over prijsstrategie, en leverancierscontracten en gegevensuitwisselingsovereenkomsten.
De meeste bedrijven besteden 6-12 maanden aan reactieve forensische data-extractie omdat ze nooit de logging-infrastructuur hebben gebouwd om deze vragen te beantwoorden. De praktische voorbereidingsstappen zijn: ten eerste, implementeer vandaag onveranderlijke audit-logging op elke prijsbeslissing. Elke logvermelding moet de tijdstempel vastleggen, de gebruikte gebruikerscontextdata, de modelversie, de ruwe aanbeveling, eventuele toegepaste beperkingscontroles, of de aanbeveling werd overschreven, en de uiteindelijk weergegeven prijs. Ten tweede, documenteer uw modelarchitectuur en de lineage van uw trainingsdata in een formaat dat een niet-technische FTC-advocaat kan begrijpen. Ten derde, inventariseer alle leveranciersdatastromen en zorg dat uw contracten CID-responsverplichtingen toewijzen. Ten vierde, voer een gesimuleerde CID-responsoefening uit.
Wij bouwen de audittrail-infrastructuur als een event-driven logginglaag die prijsbeslissingen in realtime vastlegt, ze opslaat in append-only-opslag en op verzoek CID-geformatteerde exportpakketten genereert. Het doel is om compliant documentatie te produceren in 48-72 uur wanneer de eis binnenkomt, niet in 6 maanden.
De wijzigingen van de California Cartwright Act (AB 325 en SB 763, van kracht per 1 januari 2026) creëren aanzienlijk hogere aansprakelijkheidsblootstelling dan het federale antitrustrecht voor bedrijven die algoritmische prijsstelling gebruiken. Drie specifieke wijzigingen zijn van belang.
Ten eerste definieert de Act nu uitdrukkelijk "gemeenschappelijke prijsstellingsalgoritmen" als technologie met twee of meer gebruikers die concurrentie-informatie gebruikt om prijzen te beïnvloeden, en verbiedt het gebruik van dergelijke algoritmen om samen te spannen of het dwingen van gebruikers om aanbevelingen over te nemen. Dit codificeert aansprakelijkheid die het federale recht nog steeds als dubbelzinnig behandelt.
Ten tweede is de pleitnorm lager: eisers hoeven niet langer feiten aan te voeren die de mogelijkheid van onafhankelijk handelen uitsluiten in de fase van het verzoek tot afwijzing. Onder de federale Sherman Act-normen (Twombly/Iqbal) worden de meeste zaken over algoritmische prijsstelling vroegtijdig afgewezen omdat parallelle prijsstelling kan worden verklaard door onafhankelijk algoritmegedrag. Californië heeft dat verweer in de pleitfase geëlimineerd.
Ten derde zijn de sancties verhoogd tot het hoogste van $6 miljoen of tweemaal de geldelijke winst of het verlies (verhoogd vanaf $1 miljoen), met drievoudige schadevergoeding en advocaatkosten beschikbaar in civiele procedures. Voor een e-commercebedrijf dat actief is in Californië betekent dit dat een eiser in een class action nu afwijzing kan doorstaan met zwakkere beweringen, en dat de schadeblootstelling aanzienlijk hoger is. Wij helpen bedrijven hun Californië-specifieke blootstelling te beoordelen door hun relaties met prijsstellingsleveranciers, datastromen en de compliance van aanbevelingen in kaart te brengen ten opzichte van de nieuwe wettelijke definities.
De interactieve whitepapers achter deze oplossingspagina. Deze bieden de volledige technische analyse, casusforensiek en architectonische kaders.
Forensische analyse van de prijsstellingsinstorting van Instacart/Eversight. Neuro-symbolische beperkingsarchitecturen voor prijsstellingseerlijkheid. Compliancekaders voor de FTC Act en de NY Disclosure Act.
Post-mortem van Amazon's $2,5 mld-schikking. Mechanica van reinforcement-learning-collusie. Analyse van het RealPage-schikkingsbesluit. Safe-harbor-kader van Gibson v. Cendyn.
De $60 mln-schikking van Instacart begon met prijsexperimenten waarvan zij aannamen dat het routinematige optimalisatie was.
Een complianceprogramma kost een fractie van één enkele handhavingsactie. Wij beginnen met een 3 weken durende opdracht voor het in kaart brengen van risico's, waarbij wij uw prijsstellingssystemen inventariseren, testen op proxydiscriminatie en uw leveranciersblootstelling beoordelen in elke geldende jurisdictie.