O Algoritmo Secreto da Amazon Roubou US$ 1 Bilhão de Você — E a IA da Sua Empresa Pode Ser a Próxima

Eu estava sentado na sala de reuniões de um cliente no fim de 2024 quando o VP de Precificação abriu um dashboard e disse, com orgulho genuíno: "Automatizamos tudo. O algoritmo cuida de tudo."

Eu lhe fiz uma pergunta: "Você consegue me dizer exatamente por que ele definiu este preço para este produto ontem?"

Silêncio. Não do tipo reflexivo. Do tipo em que alguém percebe que vem dirigindo um carro sem saber onde ficam os freios.

Esse momento fica se repetindo na minha cabeça por causa do que agora sabemos sobre o Project Nessie da Amazon — um algoritmo secreto de precificação que extraiu mais de US$ 1 bilhão em lucros excedentes ao prever quando os concorrentes acompanhariam os aumentos de preço da Amazon, para então elevar deliberadamente os preços e provocar essa resposta. Não foi uma falha. Não foi uma consequência não intencional. Foi um recurso. E a Federal Trade Commission está levando a Amazon a julgamento por causa disso em outubro de 2026.

Eis o que mais me incomoda: o VP naquela sala de reuniões não estava fazendo nada de incomum. Ele estava fazendo o que milhares de empresas estão fazendo neste exato momento — confiando decisões de alto risco a sistemas de IA opacos que não conseguem explicar, auditar ou controlar. E o mundo regulatório está prestes a tornar essa confiança extremamente cara.

Como Você Rouba US$ 1 Bilhão Sem Ninguém Notar?

O Project Nessie funcionou de 2014 a 2019. Não era uma simples ferramenta de correspondência de preços. Era um mecanismo de manipulação de mercado disfarçado de software de otimização.

Veja como funcionava. Os rastreadores web da Amazon monitoravam milhões de pontos de preço pela internet em tempo real — Walmart, Target, todo varejista com um site. A maioria desses concorrentes usava uma precificação simples baseada em regras: "Se a Amazon baixar para US$ 19,99, iguale." Olho por olho. Direto.

O Nessie reconhecia esse padrão e o explorava. O algoritmo calculava a probabilidade de um concorrente acompanhar um aumento de preço da Amazon. Quando a confiança era alta, a Amazon elevava deliberadamente o preço. O algoritmo burro do concorrente igualava obedientemente. A Amazon mantinha o preço inflacionado. Lucro capturado.

E se o concorrente não acompanhasse? O Nessie revertia o preço automaticamente. Sem dano, sem falta — exceto que a Amazon acabara de testar o teto do que o mercado suportaria.

O algoritmo da Amazon não conluiava com os concorrentes numa sala cheia de fumaça. Ele conluiava por meio de código — prevendo as respostas automatizadas deles e explorando-as com precisão de relógio.

A escala era estarrecedora. O Nessie teria definido preços para mais de 8 milhões de itens individuais. Documentos internos mostram que a liderança da Amazon ligava e desligava o algoritmo pelo menos oito vezes, ativando-o estrategicamente durante períodos de alto tráfego, quando a extração era mais lucrativa. Executivos chamavam práticas relacionadas, em particular, de "obscuras" e de um "câncer não dito". Ainda assim, continuaram usando-o.

A Noite em que Entendi o que "Conluio Implícito" Realmente Significa

Lembro-me exatamente da noite em que isso fez sentido para mim. Minha equipe e eu estávamos analisando um estudo da Carnegie Mellon sobre interações de precificação algorítmica — o tipo de artigo que você lê às 23h com café demais e uma crescente sensação de temor.

Os pesquisadores haviam simulado o que acontece quando um agente sofisticado de aprendizado por reforço compete contra sistemas simples de precificação baseados em regras. O agente de RL não precisava se comunicar com seus concorrentes. Não precisava de um acordo secreto. Ele simplesmente aprendia que aumentar os preços era mais lucrativo do que cortá-los, porque os outros algoritmos acompanhariam. Toda vez.

O resultado: os preços subiram em toda a linha. O excedente do consumidor — o termo econômico para "as pessoas obtendo negócios justos" — entrou em colapso.

Virei para meu cofundador e disse algo como: "Isso não é um bug no sistema. É o que o sistema faz quando você o deixa otimizar sem restrições."

Esse é o problema central do Project Nessie, e é o problema central da maioria das implantações de IA empresarial que vejo hoje. O algoritmo fez exatamente aquilo para o qual foi projetado. Ele maximizou o lucro. Só que o fez de uma forma que, dependendo de como for o julgamento de outubro de 2026, pode constituir um método desleal de concorrência sob a Seção 5 do FTC Act.

A lei antitruste tradicional exige a comprovação de um "encontro de vontades" — concorrentes concordando em fixar preços. Mas o que acontece quando o acordo é implícito, codificado no comportamento previsível de algoritmos que interagem? Essa é a pergunta que o julgamento da FTC responderá, e as implicações vão muito além da Amazon.

Por que 2026 É o Ano em que Tudo Muda?

O cenário jurídico para a tomada de decisão algorítmica está mudando mais rápido do que a maioria das empresas percebe. Tenho acompanhado isso de perto porque nossos clientes precisam entender o que está por vir, e o que está por vir é um muro de regulamentação.

A emenda ao Cartwright Act da Califórnia, em vigor a partir de janeiro de 2026, mira especificamente os "algoritmos de precificação comuns" — ferramentas usadas por dois ou mais concorrentes que incorporam informações de concorrentes para influenciar preços. A lei proíbe explicitamente usar essas ferramentas para conluio. Mais importante, ela reduz o padrão de alegação para os autores de ações. Você não precisa mais provar que os concorrentes não poderiam ter agido de forma independente. Basta mostrar que usaram a mesma ferramenta e que os preços subiram.

Pense no que isso significa para toda empresa que usa um fornecedor terceirizado de precificação dinâmica.

O AI Act do Colorado, em vigor a partir de junho de 2026, exige avaliações de impacto de "cuidado razoável" para sistemas de IA de alto risco — incluindo aqueles que influenciam significativamente decisões de precificação, crédito e emprego. Os desenvolvedores devem documentar riscos, limitações e o potencial para resultados discriminatórios.

A lei de transparência de Nova York exige que as empresas exibam um aviso quando os algoritmos usam dados pessoais para decisões de precificação. A era da precificação algorítmica invisível está chegando ao fim.

E há também o próprio julgamento da FTC. Se o tribunal decidir que a indução preditiva da Amazon — elevar deliberadamente os preços para provocar a correspondência dos concorrentes — constitui um método desleal de concorrência, isso cria um precedente que poderia se aplicar a qualquer empresa cuja IA influencie os preços de mercado.

Se você não consegue explicar por que seu algoritmo tomou uma decisão específica, não consegue defender essa decisão no tribunal. E, em 2026, isso será cada vez mais exigido de você.

Escrevi sobre a linha do tempo regulatória completa e suas implicações técnicas em nossa análise interativa — vale a pena entender os detalhes se sua empresa lida com precificação algorítmica de qualquer forma.

A Armadilha do Buy Box de que Ninguém Fala

Há uma dimensão da história do Nessie que recebe menos atenção, mas que importa enormemente para entender como o poder algorítmico se acumula.

A Amazon não apenas aumentou os preços. Ela impôs esses preços por toda a internet.

A Amazon mantinha um grupo dedicado de vigilância de preços que monitorava os vendedores terceirizados em seu marketplace. Se um vendedor oferecesse um produto por menos em seu próprio site ou em uma plataforma rival, a Amazon o privava do acesso ao Buy Box — a interface onde 98% das vendas da Amazon ocorrem.

A mensagem era clara: seu preço na Amazon é seu preço mínimo em todo lugar. Dê desconto em outro lugar e perca seu principal canal de receita.

Isso criou um piso de preço que estendeu o poder de precificação algorítmica da Amazon muito além de sua própria plataforma. Os vendedores não podiam vender por menos que a Amazon nem em seus próprios sites. Os concorrentes não conseguiam ganhar participação de mercado oferecendo preços mais baixos, porque o lado da oferta estava travado.

Penso nisso toda vez que alguém me diz "o mercado vai se autocorrigir". O mercado só pode se autocorrigir quando os participantes são livres para competir. Quando um algoritmo controla tanto o preço quanto o mecanismo de imposição, você não tem um mercado. Você tem um sistema.

Por que Seu "Wrapper" de IA É uma Responsabilidade Esperando para Acontecer

Aqui é onde isso fica pessoal para mim, porque é o problema em que passo a maior parte do meu tempo tentando resolver.

A maioria das implantações de IA empresarial que encontro segue o mesmo padrão: pegar uma API pública — GPT-4, Claude, o que estiver em alta — envolver uma camada de aplicação fina em torno dela, enfiar regras de negócio em um prompt gigantesco e chamar isso de "movido a IA". Colocar no ar. Seguir em frente.

Chamo isso de Armadilha do Wrapper, e já vi empresas inteligentes entrarem direto nela.

Um cliente — não vou nomeá-lo, mas atua no varejo — havia construído todo o seu sistema de precificação dinâmica como um wrapper em torno de um LLM público. O prompt era enorme. Continha regras de precificação, dados de concorrentes, metas de margem, ajustes sazonais. O sistema funcionava... na maior parte do tempo. Quando não funcionava, ninguém conseguia explicar o porquê. Quando o provedor do modelo lançava uma atualização, os resultados mudavam de forma imprevisível. Quando a equipe jurídica pedia uma trilha de auditoria das decisões de precificação, a equipe de engenharia apenas os encarava.

Lembro-me de estar sentado com o CTO deles após uma semana particularmente ruim, em que o sistema havia gerado recomendações de preço que, se implementadas, teriam se parecido muito com o tipo de comportamento coordenado que a FTC estava investigando no caso da Amazon. Não intencionalmente. Não maliciosamente. O modelo simplesmente havia aprendido, a partir de seus dados de treinamento, padrões que acabaram produzindo resultados com aparência de conluio.

"Não podemos provar que ele não estava conluiando", o CTO me disse. "E, sob as novas regras da Califórnia, isso pode ser suficiente para sermos processados."

Ele estava certo.

Os problemas estruturais dos wrappers vão além da conformidade:

Você não pode auditar uma caixa-preta. Quando o modelo subjacente é controlado por terceiros, você não consegue provar por que uma decisão específica de precificação foi tomada. Sob o AI Act do Colorado, você precisará conseguir.

Você não pode garantir consistência. Pequenas mudanças no prompt, ou atualizações invisíveis do modelo pelo provedor da API, podem produzir resultados drasticamente diferentes. Tente explicar isso a um regulador.

Você não tem nenhuma vantagem competitiva. Se sua "solução de IA" é um prompt no GPT-4, qualquer concorrente pode replicá-la em um dia. E quando o Google e a Microsoft integrarem essas capacidades nativamente em suas plataformas, os wrappers independentes se tornarão redundantes da noite para o dia.

Você não é dono da sua inteligência. Seus dados de mercado mais sensíveis — estratégias de precificação, análise de concorrentes, metas de margem — passam pelos servidores de outra pessoa. Em um mundo de exigências crescentes de soberania de dados, isso não é apenas arriscado. É negligente.

O que Construímos em Vez Disso (E por que Foi Mais Difícil do que Esperávamos)

Na Veriprajna, seguimos um caminho diferente. Chamamos isso de Deep AI e, vou ser honesto — é significativamente mais difícil de construir do que um wrapper. Houve momentos em que questionei se o mercado sequer se importaria com a diferença.

A ideia central é a inteligência soberana: toda a pilha de inferência implantada na própria infraestrutura do cliente. Nenhum dado sai do perímetro corporativo. O "cérebro" da IA roda em hardware que o cliente controla.

Usamos modelos de código aberto de alto desempenho — Llama 3, Mistral — orquestrados por meio de conteinerização segura. Inferência local. Sem retenção de dados por terceiros. Sem latência de API externa.

Mas o modelo é apenas o começo. O verdadeiro desafio de engenharia é o que o cerca.

Construímos o que chamamos de RAG 2.0 — Retrieval-Augmented Generation que cria um "cérebro semântico" a partir dos documentos proprietários, logs e dados operacionais de uma empresa. Fundamentalmente, nosso sistema de recuperação é ciente de RBAC. Ele respeita os controles de acesso existentes da organização. Se um funcionário não pode ver um documento no SharePoint, a IA também não pode recuperá-lo. Isso parece óbvio. Quase nenhum sistema baseado em wrapper faz isso.

Depois há a arquitetura multiagente. Em vez de amontoar tudo em um único prompt gigantesco — a abordagem do "reze e faça o prompt" — decompomos tarefas complexas em agentes especializados. Um agente de planejamento decide o fluxo de trabalho. Um agente de engenharia de contexto extrai sinais relevantes de dados de alto volume. Um agente de conformidade valida cada saída em relação às exigências regulatórias antes que ela chegue ao usuário. Um agente de verificação checa a precisão.

Lembro-me de uma discussão acalorada com um dos meus engenheiros sobre se o agente de conformidade valia a latência que ele acrescentava. A posição dele: "Os usuários querem velocidade. Estamos adicionando 200 milissegundos para uma verificação que dispara em cada requisição." A minha posição: "Uma única recomendação de preço não conforme que acabe em uma petição judicial custará mais do que cada milissegundo que já economizamos." Mantivemos o agente de conformidade.

As empresas que vencerão a próxima década não são as que têm os prompts mais engenhosos. São aquelas que tratam a IA como uma disciplina séria de engenharia, construída sobre dados que elas de fato possuem e nos quais confiam.

Para a arquitetura técnica completa — os componentes específicos, os padrões de orquestração, as camadas de governança — documentei tudo em nosso aprofundamento técnico.

O que Acontece Quando os Algoritmos Começam a Raciocinar?

A próxima onda já está chegando, e ela torna tudo o que descrevi mais urgente.

Os sistemas de IA atuais passam uma entrada por uma rede neural uma vez e retornam um resultado. O paradigma emergente — o que os pesquisadores chamam de Reasoning AI — usa computação extra no momento da inferência para pensar. O modelo simula múltiplas ações potenciais e suas consequências antes de se comprometer com uma decisão. Ele planeja vários movimentos à frente, como um mecanismo de xadrez aplicado à estratégia de negócios.

Em um cenário de precificação, um agente de Reasoning AI não apenas prevê o próximo preço provável. Ele simula como os concorrentes poderiam reagir a um aumento de preço, modela os efeitos de segunda e terceira ordem e ajusta sua estratégia em tempo real. Ele pode recuar de caminhos subótimos antes mesmo que sejam implementados.

Isso é uma capacidade extraordinária. É também um risco extraordinário. Porque uma IA que consegue raciocinar sobre as respostas dos concorrentes é uma IA que pode, por design, engajar-se exatamente no tipo de indução preditiva que colocou a Amazon em apuros.

A diferença entre "otimização" e "manipulação" torna-se tenuíssima quando o algoritmo é inteligente o suficiente para modelar todo o cenário competitivo e escolher o caminho que maximiza a extração.

É por isso que a governança não pode ser uma reflexão tardia. Ela precisa ser incorporada à arquitetura desde o primeiro dia — não como um item de checklist de conformidade, mas como uma restrição estrutural sobre o que o sistema tem permissão para fazer.

Como Você Constrói uma IA Capaz de Se Defender no Tribunal?

As pessoas me perguntam isso constantemente, geralmente formulado como "como tornamos nossa IA conforme?". Acho que essa é a pergunta errada. A conformidade é um patamar mínimo. A pergunta certa é: como você constrói uma IA que se sentiria confortável em explicar a um juiz, linha por linha, decisão por decisão?

O NIST AI Risk Management Framework nos dá um vocabulário para isso. Ele define sete características de uma IA confiável: segura, protegida, explicável, com privacidade aprimorada, justa, responsável e válida. Mas os frameworks não se implementam sozinhos.

O que aprendi ao construir esses sistemas é que três coisas importam mais do que qualquer outra:

Primeiro, nunca deixe o algoritmo ser o tomador de decisão final em escolhas de alto risco. O humano no circuito não é um jargão da moda. É um escudo jurídico. Quando um regulador pergunta "quem decidiu aumentar este preço?", "nosso algoritmo" é a pior resposta possível. "Nossa equipe de precificação, informada por recomendações algorítmicas que revisou e aprovou" é defensável.

Segundo, audite proativamente em busca de padrões de conluio. Não espere a FTC bater à sua porta. Rode seu algoritmo de precificação regularmente em ambientes competitivos simulados. Se ele convergir consistentemente para preços mais altos ao competir contra outros algoritmos, você tem um problema — e é melhor descobri-lo antes que o advogado de um autor de ação o faça.

Terceiro, seja dono da sua pilha. Se sua IA roda na infraestrutura de outra pessoa, usa o modelo de outra pessoa e você não pode acessar os pesos, os dados de treinamento ou a lógica de decisão, você não tem um sistema de IA. Você tem uma dependência de fornecedor com risco jurídico existencial.

A Pergunta de US$ 1 Bilhão

O Project Nessie da Amazon extraiu US$ 1 bilhão dos consumidores por meio de um algoritmo que previa e explorava o comportamento dos concorrentes. A liderança interna da empresa sabia que era problemático. Mesmo assim, continuaram usando-o porque a economia era irresistível.

O julgamento de outubro de 2026 determinará se essa extração foi ilegal. Mas, para toda empresa que implanta IA em precificação, cadeia de suprimentos, empréstimos ou qualquer domínio em que as decisões algorítmicas afetam mercados e consumidores, o veredicto quase não importa. O escrutínio já está aqui. Califórnia, Colorado e Nova York já aprovaram leis. A FTC já está investigando. O padrão jurídico para o que constitui responsabilização algorítmica está se estreitando em tempo real.

Fundei a Veriprajna porque acreditava que o abismo entre o que a IA pode fazer e o que a IA deveria fazer se tornaria o problema de negócios definidor da década. O Project Nessie provou que esse abismo pode valer um bilhão de dólares em responsabilidade. As empresas que o fecharem — construindo uma IA que possuem, entendem e conseguem defender — não apenas evitarão a exposição jurídica. Elas construirão o tipo de confiança com reguladores, clientes e mercados que se torna uma vantagem competitiva inatacável.

O algoritmo mais perigoso não é o que está errado. É o que é lucrativo de maneiras que você não consegue explicar.