Seu algoritmo de precificação são dois processos, não um — e a maioria das empresas só se defende de um

O primeiro mecanismo de precificação que minha equipe auditou passou limpo.

Havíamos construído um scanner de imparcialidade — a coisa óbvia. Aponte-o para um algoritmo de precificação, verifique se o modelo usa raça, gênero, idade, qualquer categoria protegida como insumo, e sinalize se usar. Nós o rodamos contra a pilha de personalização de um varejista de médio porte e ele voltou verde. Nenhum campo protegido. Nada a ver.

Quase enviei o relatório. Então puxei o gráfico de importância de atributos do modelo — a lista classificada de quais insumos de fato moviam o preço — e o terceiro sinal mais forte era device_type. Abaixo dele: CEP. Abaixo disso, a hora do dia em que a sessão começou.

O algoritmo nunca tinha visto raça ou renda. Ele não precisava. Um usuário navegando em um celular Android mais antigo, de um CEP de baixa renda, às 23h, recebia preços sistematicamente diferentes de um usuário de iPhone em um subúrbio abastado às 2 da tarde. E os dados do censo dirão exatamente com o que esses agrupamentos de insumos se correlacionam. Nosso scanner dizia "em conformidade". Uma regressão de impacto desigual teria dito "indefensável". Havíamos construído uma ferramenta que verificava o crime que ninguém mais comete.

Foi o momento em que entendi o que conformidade em precificação por IA realmente é, e por que quase todo mundo entende errado.

Em 2025 a FTC arrecadou US$ 2,56 bilhões de duas empresas, e elas não foram processadas pela mesma coisa

Aqui está o número que deveria estar num quadro branco no escritório de todo diretor jurídico de e-commerce. Em um único ano, a Federal Trade Commission encerrou casos de precificação algorítmica com a Instacart por US$ 60 milhões e com a Amazon por US$ 2,5 bilhões. Empresas diferentes, condutas diferentes, teorias jurídicas diferentes — e essa distinção é o jogo inteiro.

O caso da Instacart era sobre discriminação. Sua ferramenta de precificação Eversight rodava experimentos que produziam até cinco preços diferentes para o mesmo item na mesma loja, com variação chegando a 23%. Três quartos do catálogo estavam sujeitos a variação algorítmica de preço. O acordo da FTC não dependia de alguém provar que a Instacart pretendia cobrar mais dos consumidores mais pobres. Ele dependia do resultado: certos perfis de consumidor pagavam sistematicamente mais, na ordem de um valor estimado de US$ 1.200 por ano por domicílio.

O caso da Amazon era sobre conluio. O Project Nessie extraiu um lucro excedente estimado em US$ 1,4 bilhão prevendo quando os concorrentes seguiriam um aumento de preço e, então, elevando os preços de mais de 8 milhões de itens. Não houve reunião, nenhum acordo, nenhum telefonema entre executivos. Apenas um algoritmo que havia aprendido que a maioria dos concorrentes rodava regras de precificação olho por olho, e o explorou. O julgamento antitruste, FTC v. Amazon, está marcado para outubro de 2026 e vai testar se o conluio tácito via algoritmo viola a Seção 5 do FTC Act.

Um mecanismo de precificação. Duas vias de fiscalização. A maioria das empresas constrói uma defesa para uma e nunca vê a outra chegando.

Essa é a armadilha. Uma equipe de precificação ouve "conformidade" e recorre a um banner de divulgação — a resposta de proteção ao consumidor. Ou ouve "antitruste" e liga para um escritório de advocacia pedindo um parecer. Quase ninguém está olhando para o único algoritmo rodando em produção e fazendo ambas as perguntas ao mesmo tempo: este resultado é discriminatório, e ele está entrando em conluio?

Leia o que construímos para ambas as vias →

Por que o instinto do banner de divulgação é uma armadilha

Por cerca de uma semana, no começo, eu estava convencido de que todo esse problema era um exercício de UI.

Nova York acabara de aprovar sua Algorithmic Pricing Disclosure Act, em vigor a partir de novembro de 2025 — "divulgação clara e ostensiva" sempre que os preços usarem dados pessoais do consumidor, US$ 1.000 por violação. Parecia um problema de banner de cookie. Coloque um aviso na página, registre o consentimento, pronto. Eu tinha um rascunho da linguagem de divulgação revisado e pronto.

Então li as emendas ao Cartwright Act da Califórnia, e a ideia do banner desmoronou.

A AB 325 e a SB 763 da Califórnia, em vigor a partir de janeiro de 2026, não se importam com a sua divulgação. Elas tornam responsabilidade legal usar um "algoritmo comum" — definido como aquele usado por duas ou mais partes para influenciar preços usando informações de concorrentes. Elas reduziram o padrão de alegação de modo que um autor não precisa mais descartar a ação independente só para sobreviver a um pedido de arquivamento. E elevaram a multa corporativa ao maior valor entre US$ 6 milhões ou o dobro do ganho, com danos triplicados e honorários advocatícios em ações privadas. Nenhum banner na Terra faz você se safar disso com divulgação. A exposição não está no que você diz ao consumidor; está no que seu algoritmo compartilha, direta ou indiretamente por meio de um fornecedor, com o resto do mercado.

Esse foi o verdadeiro ponto de virada para nós. A divulgação é o piso da via de proteção ao consumidor. A via do conluio corre por baixo dela com uma física completamente diferente, e a parte mais perigosa é que você pode acioná-la por meio de um fornecedor que nunca considerou como um risco.

O problema do fornecedor: seu software de precificação pode ser sua responsabilidade

Se você licencia uma ferramenta de precificação de terceiros — Pricefx, PROS, Zilliant, Competera — você terceirizou sua otimização. Você não terceirizou sua responsabilidade. Você pode tê-la importado.

O Nono Circuito traçou a linha em Gibson v. Cendyn em agosto de 2025, a primeira decisão de apelação federal sobre antitruste de precificação algorítmica. A boa notícia: assinar de forma independente o mesmo algoritmo de precificação que seu concorrente não é, por si só, ilegal. A má notícia são as três condições que estouram o porto seguro. Você perde a proteção quando a ferramenta agrupa dados não públicos sensíveis à concorrência entre clientes, quando o fornecedor divulga sua capacidade de "elevar os preços em todo o setor", ou quando facilita a troca de dados não anonimizados de concorrentes. Mesmo fornecedor tudo bem. Mesmo fornecedor agrupando os números ao vivo dos seus rivais no modelo que precifica seu catálogo é exposição a conspiração hub-and-spoke, mesmo que você nunca tenha falado com um concorrente.

Então uma das primeiras perguntas que agora faço a qualquer cliente não é "o que seu modelo de precificação faz", mas "você leu o aditivo de processamento de dados do seu fornecedor?" Porque a cláusula que silenciosamente permite o agrupamento de dados entre clientes é onde mora o risco antitruste, e ela está três camadas abaixo em um contrato que o time jurídico assinou e o time de precificação nunca viu.

É aqui também que o estudo de precificação de vigilância 6(b) da FTC importa. Em 2024 ela enviou ordens a oito empresas — incluindo Mastercard, PROS, Accenture e McKinsey — exigindo saber como elas usam dados do consumidor para definir preços. Algumas das plataformas de precificação mais comuns são citadas nesse estudo. O algoritmo delas pode ser sua responsabilidade, e "nós só compramos o software" nunca foi uma defesa.

O que o acordo judicial da RealPage realmente exige?

O documento mais instrutivo em todo esse espaço não é uma lei. É o acordo judicial da RealPage do Departamento de Justiça de novembro de 2025, e a razão pela qual ele importa para o e-commerce — embora a RealPage seja um caso de aluguel de imóveis — é que é a primeira vez que um regulador escreveu, em detalhe técnico, como é um algoritmo de precificação em conformidade.

Mantenho uma cópia impressa. A cobertura de manchete foi "Departamento de Justiça reprime software de definição de aluguel". Os dentes de verdade são uma especificação de engenharia:

• Nenhum treinamento com dados de aluguel com menos de 12 meses — o modelo não pode reagir a sinais de mercado ao vivo de concorrentes.
• Nenhuma análise geográfica mais estreita que o nível estadual — nada de usar agrupamento de submercados para localizar poder de precificação.
• As barreiras de proteção do "regulador" — os pisos e tetos sobre o que o algoritmo pode recomendar — devem ser simétricas, para que a ferramenta não possa ser silenciosamente ajustada para apenas escalonar preços para cima.
• Funções de aceitação automática exigem parâmetros definidos pelo usuário, um prazo de implementação de 180 dias e um responsável dedicado por conformidade antitruste por um período de sete anos.

O acordo da RealPage é a coisa mais próxima que temos de um regulador entregando a você a ficha de especificações de um algoritmo defensável. A maioria das empresas leu o comunicado de imprensa e perdeu o projeto técnico.

Quando li aquilo pela primeira vez, minha reação foi que o governo tinha acabado de fazer metade do meu roadmap de produto de graça. Reguladores simétricos, requisitos de envelhecimento de dados, pisos geográficos — essas não são abstrações jurídicas. São restrições que você pode implementar, testar e comprovar. Essa é a diferença entre um parecer de conformidade e um sistema de conformidade.

O problema forense para o qual ninguém faz orçamento

Observe o que realmente acontece quando uma demanda investigativa civil da FTC cai na mesa de uma equipe de precificação, com seu prazo de produção de 30 dias.

Eles não conseguem respondê-la. Não porque sejam culpados — porque nunca registraram os dados certos. Eles podem lhe dizer o que o algoritmo precificou na última terça-feira, mas não por quê: quais insumos impulsionaram aquele preço específico, se a diferença entre segmentos de usuários se correlacionava com algo protegido, se o número de um concorrente influenciou o resultado. Então eles passam de seis a doze meses em extração forense de dados, reconstruindo decisões que o sistema tomou milhares de vezes por segundo e nunca registrou.

Esta é a parte que acho genuinamente injusta com boas empresas. Um varejista pode estar rodando uma estratégia de precificação perfeitamente defensável e ainda assim ser incapaz de comprová-la, porque comprová-la exige um cartão de modelo para cada preço — um registro com carimbo de tempo de quais insumos foram usados, qual foi o resultado e como ele foi testado contra proxies demográficos — e ninguém constrói isso até a demanda chegar.

Começamos a projetar para a demanda primeiro. A trilha de auditoria como um resultado de primeira classe da decisão de precificação, não um projeto de arqueologia após o fato. Quando o Procurador-Geral da Califórnia lançou sua varredura investigativa em janeiro de 2026 — cartas a empresas de varejo, supermercado e hotelaria perguntando exatamente como usam histórico de compras, navegação, localização e dados demográficos para definir preços — as empresas que conseguiam responder em dias em vez de trimestres eram as que haviam instrumentado a decisão, não apenas o preço.

Por que a precificação com agentes torna tudo isso pior?

Os frameworks de conformidade que todos estão correndo para construir agora pressupõem que um humano revisa as decisões de precificação. Essa suposição já está expirando.

A Walmart registrou duas patentes de precificação por IA em janeiro de 2026 e está implantando etiquetas digitais de prateleira em todas as suas 5.200 lojas até o fim do ano — embora tenha o cuidado de chamar isso de "merchandising algorítmico", não de "precificação dinâmica", e insista que os preços permanecem consistentes independentemente de quem está comprando. A McKinsey está chamando o comércio com agentes de a tendência definidora do e-commerce de 2026: agentes de IA que pesquisam, comparam e compram de forma autônoma. A Forrester espera que um em cada cinco vendedores implante contra-agentes de precificação controlados pelo vendedor até 2027.

Esta é a versão do problema que me tira o sono, porque a pergunta de conformidade ainda não tem resposta. Quando o agente de IA de um comprador negocia um preço com o agente de IA de um vendedor, e o preço acordado acaba sendo discriminatório — quem é responsável? Não há framework regulatório para precificação de agente para agente. Um sistema projetado para escalar a milhares de decisões autônomas por segundo não pode ter um humano no circuito verificando cada uma em busca de discriminação por proxy ou convergência conluiada. A conformidade tem de estar dentro do agente, ou ela não existe.

Isso não é um problema do futuro. É a restrição de projeto para qualquer sistema de precificação sendo arquitetado hoje.

"Isso não é apenas um centro de custo?"

A objeção que mais ouço, geralmente de um CRO, é que ferramental de conformidade é sobrecarga em uma função cujo trabalho inteiro é ganhar dinheiro.

Eu colocaria os números lado a lado e os deixaria discutir. Um programa completo de conformidade em precificação — análise de impacto demográfico, avaliação de risco de conluio, divulgação multijurisdicional, geração de trilha de auditoria — custa cerca de US$ 100.000 a US$ 505.000 no primeiro ano, com o monitoramento contínuo somando significativamente por cima. O acordo da Instacart foi de US$ 60 milhões. O da Amazon foi de US$ 2,5 bilhões. Algumas centenas de milhares de dólares de conformidade contra um acordo de nove dígitos não é um centro de custo; é a apólice de seguro mais barata do prédio.

A segunda objeção é mais sutil: as restrições de divulgação e imparcialidade não vão matar a otimização? E aqui está a coisa que eu não esperava quando começamos — 62% dos adultos dos EUA disseram à Talker Research em dezembro de 2025 que estão preocupados com a precificação personalizada. As patentes de precificação da Walmart geraram reação nas redes sociais. O risco de marca de ser a próxima manchete da Instacart é real e quantificável. E eu lembro ao CRO que o lucro excedente de US$ 1,4 bilhão do Project Nessie não sobreviveu ao contato com a FTC — receita que você não consegue defender é receita que você acabará reembolsando. Um mecanismo de precificação que você pode defender em público vale mais do que alguns pontos-base extras que você tem de esconder.

O que de fato construímos

A lacuna com que eu continuava esbarrando é que o mercado se divide limpamente ao meio e não atende nenhum dos lados. As plataformas de precificação otimizam preços e oferecem zero teste de imparcialidade, zero monitoramento de conluio, zero automação de divulgação — o algoritmo delas pode ser sua responsabilidade. Escritórios de advocacia e as Big Four escrevem excelentes pareceres consultivos e não rodam nada automatizado; um trabalho antitruste de Deloitte ou McKinsey é consultoria a US$ 500 mil e acima, sem uma ferramenta no final dele. ORCAA e FTI trazem expertise real de auditoria e econômica, mas só consultiva, moldada por litígio.

Ninguém ficava no meio: uma camada integrada que faz análise de impacto demográfico na precificação personalizada, pontua o risco de conluio algorítmico, automatiza a lógica de divulgação multijurisdicional para Nova York, Califórnia, Colorado e o EU AI Act, e gera a trilha de auditoria que uma investigação da FTC ou do Departamento de Justiça vai exigir. Esse espaço — entre o que os otimizadores fazem e o que os advogados fazem — é o que construímos o sistema de conformidade em precificação da Veriprajna para preencher.

O mapa regulatório que ele tem de cobrir não é estável, e esse é justamente o motivo de automatizá-lo. A AI Act do Colorado entra em vigor em junho de 2026, e para sistemas de alto risco que tomam decisões consequentes ela exige avaliações de impacto antes da implantação, todo ano depois, e novamente dentro de 90 dias de qualquer mudança substancial no modelo. As obrigações de alto risco do EU AI Act chegam em agosto de 2026, carregando penalidades de até € 35 milhões ou 7% do faturamento global. Havia 51 projetos de lei sobre precificação algorítmica em 24 estados em 2025, com Tennessee e Novo México já avançando em 2026. Nenhuma equipe humana rastreia essa matriz à mão e se mantém atualizada. Um sistema de conformidade que se atualiza com a lei é a única versão que funciona.

Penso muito naquela primeira auditoria limpa.

A coisa mais assustadora sobre a precificação algorítmica não é a empresa que se propõe a discriminar ou entrar em conluio. É a que faz ambos, acidentalmente, por meio de um modelo que só foi instruído a maximizar a receita — e descobre, quando a demanda investigativa civil chega, que não consegue provar o contrário. O algoritmo nunca pretendeu nada. O resultado é ilegal de qualquer forma, e a intenção nunca foi a questão.

Seu mecanismo de precificação está fazendo um argumento jurídico toda vez que define um preço. A única coisa em dúvida é se você conseguirá lê-lo de volta.