Sua ferramenta de precificação por IA pode estar operando um cartel — e talvez você nem saiba

Estava em uma call com uma administradora de imóveis de médio porte no fim do ano passado quando a VP de receita deles disse algo que me deu um frio na barriga.

"Estamos tranquilos", ela disse. "Não usamos o RealPage. Construímos nossa própria ferramenta de precificação." Uma pausa. "Bom — ela chama o GPT-4 com os nossos dados e com anúncios de concorrentes que coletamos por scraping. Mas ela é nossa."

Não era deles. Não de nenhuma forma que importasse. Eles estavam enviando dados de aluguel competitivamente sensíveis — taxas de ocupação, prazos de contrato, preços por tipo de unidade — através de uma API de terceiros que havia sido treinada sabe-se lá com o quê, refinada por interações de sabe-se lá quem, e que devolvia recomendações moldadas por padrões absorvidos de um mercado inteiro de consultas semelhantes. Eles tinham, sem perceber, construído exatamente o tipo de mecanismo de coordenação algorítmica que o Departamento de Justiça acabara de passar dois anos desmontando.

Aquela conversa mudou a forma como penso sobre o que construímos na Veriprajna. Porque o problema não é que uma empresa foi flagrada fixando preços de aluguel com software. O problema é que a arquitetura padrão que a maioria das empresas usa para IA — envie seus dados para o modelo de outra pessoa, receba uma recomendação de volta — é estruturalmente indistinguível daquilo que o DOJ acabou de chamar de cartel digital.

O que realmente aconteceu com o RealPage?

Deixe-me ser específico, porque os detalhes importam mais do que as manchetes.

A RealPage desenvolveu os softwares YieldStar e AIRM, que ingeriam dados transacionais granulares e não públicos de proprietários concorrentes — valores de aluguel em tempo real, prazos de contrato, projeções futuras de ocupação — e os usavam para gerar recomendações diárias de preços. O DOJ alegou que isso criou um cartel do tipo "hub-and-spoke": a RealPage era o hub, os proprietários eram os spokes, e o algoritmo era a sala enfumaçada.

A frase-chave da petição do governo à qual eu sempre volto: o software garantia que os proprietários "provavelmente se moveriam em uníssono, em vez de uns contra os outros".

Quando o objetivo explícito de projeto do seu algoritmo é impedir que concorrentes concorram, você não precisa de um aperto de mão numa sala dos fundos. Você automatizou o aperto de mão.

Em 24 de novembro de 2025, o DOJ chegou a um acordo histórico. Em setembro de 2025, a FPI Management já havia fechado um acordo de US$ 2,8 milhões. A Yardi Systems enfrenta litígio em andamento. E, de repente, toda empresa que roda precificação algorítmica — no setor imobiliário, na hotelaria, no varejo, na logística — teve de fazer uma pergunta que nunca havia considerado: Meu software é um coconspirador?

Por que isso importa se você não está no setor imobiliário?

É aqui que a maior parte da cobertura do caso RealPage erra. Os comentaristas tratam o caso como uma história do mercado imobiliário. Não é. É uma história de arquitetura.

A sentença final do DOJ traça uma distinção técnica que deveria aterrorizar qualquer equipe de IA corporativa. Ela separa o treinamento do modelo da operação em tempo de execução. Os modelos ainda podem aprender com tendências históricas e agregadas — dados com pelo menos doze meses e não associados a transações ativas. Mas usar o atual status de um concorrente — sua ocupação, seu estoque, sua precificação ao vivo — como dado de entrada para uma recomendação em tempo real? Isso agora é tratado como uma forma de conluio digital sob a Seção 1 do Sherman Act.

Leia de novo. Não se trata de intenção. Trata-se de arquitetura de fluxo de dados.

Escrevi sobre a análise técnica e jurídica completa em nossa versão interativa da pesquisa, mas o insight central é este: se o seu sistema de IA ingere dados não públicos de concorrentes e produz uma recomendação que influencia o comportamento do mercado, você tem um problema antitruste. O setor em que você atua é irrelevante. O Sherman Act não se importa com o seu setor.

E se você está usando uma API multi-tenant — que processa dados seus e dos seus concorrentes — o risco de mistura de dados é estrutural. Você não consegue resolver um problema de arquitetura com política.

A noite em que percebi que os "wrappers" estavam mortos

Preciso voltar a um momento anterior ao acordo do RealPage, porque foi quando a tese se cristalizou para mim.

Estávamos fazendo stress-test de um protótipo de precificação para um cliente do setor de hotelaria. O sistema era uma configuração bastante padrão — os dados de reservas deles canalizados para uma API de LLM, combinados com tarifas de mercado obtidas por scraping, produzindo sugestões de preços dinâmicos. Interface limpa. Respostas rápidas. O cliente adorou.

Então uma das minhas engenheiras, Priya, fez uma auditoria de proveniência. Ela rastreou a linhagem de dados de cada entrada que tocava o modelo no momento da inferência. Às 23h de uma terça-feira, ela mandou uma mensagem no nosso canal do Slack com uma única linha: "Não conseguimos provar o que o modelo sabe."

Ela tinha razão. Quando você envia dados por uma API pública, perde a capacidade de garantir o que influenciou a saída. O modelo pode ter passado por fine-tuning com interações de outras empresas de hotelaria. Pode ter absorvido padrões de precificação de um concorrente que usou a mesma API na semana passada. Você genuinamente não tem como saber. E em um mundo pós-RealPage, "genuinamente não temos como saber" não é uma defesa — é uma confissão.

Foi naquela noite que disse à equipe que estávamos redirecionando todo o projeto para uma implantação privada. O cliente resistiu — levaria mais tempo, custaria mais no início, exigiria uma infraestrutura que eles não tinham. Lembro de estar sentado no meu apartamento à 1h da manhã escrevendo o e-mail que explicava por que não podíamos, em sã consciência, entregar o que havíamos construído. Foi a conversa mais difícil que já tive com um cliente como fundador. Também foi a mais importante.

A questão não é se a sua IA dá boas recomendações. A questão é se você consegue provar — a um juiz federal, sob juramento — exatamente quais dados moldaram essas recomendações.

Como os estados reagiram? Mais rápido do que qualquer um esperava

O acordo federal foi apenas o ato de abertura. Califórnia e Nova York se moveram com uma velocidade que pegou toda a comunidade de legal tech de surpresa.

A AB 325 da Califórnia, em vigor desde 1º de janeiro de 2026, proíbe o uso de um algoritmo de precificação comum que utilize dados de concorrentes para recomendar ou influenciar um preço como parte de uma conspiração para restringir o comércio. A nuance crítica: ela só se aplica a ferramentas usadas por duas ou mais pessoas. Um algoritmo proprietário, construído para uso exclusivo de uma única empresa, está isento.

Leia essa isenção com atenção. A Califórnia essencialmente criou um incentivo legal para você construir a sua própria IA em vez de assinar uma ferramenta SaaS compartilhada.

A S. 7882 de Nova York, em vigor desde 15 de dezembro de 2025, vai ainda mais longe para administradoras de imóveis residenciais. Ela mira qualquer ferramenta algorítmica que desempenhe uma "função de coordenação" — definida como coletar e analisar dados de múltiplos proprietários. A responsabilidade pode surgir mesmo sem a adoção direta da recomendação. O critério é a "desconsideração temerária" ao simplesmente usar tais ferramentas.

Tive uma conversa com um advogado imobiliário em Manhattan que foi direto: "Se você é um administrador de imóveis em Nova York usando uma ferramenta de precificação multi-tenant, você não está gerenciando risco. Está fabricando risco."

O que "IA soberana" significa de fato na prática?

Uso o termo "soberana" deliberadamente, e sei que soa grandioso. Mas o conceito é preciso: o seu sistema de IA deve ser arquiteturalmente incapaz de acessar, ingerir ou ser influenciado por dados que você não possui.

Na Veriprajna, chamamos nossa abordagem de "Deep AI" — e ela é construída sobre um princípio que soa óbvio, mas se revela radical na prática: separe a voz do cérebro.

A "voz" é o modelo neural de linguagem — aquilo que entende linguagem natural e gera respostas fluentes. Implantamos modelos abertos como Llama 3 ou Mistral de forma privada, dentro da própria nuvem privada virtual do cliente. Os dados nunca saem do perímetro dele.

O "cérebro" é um solucionador simbólico determinístico — grafos de conhecimento, motores de regras, lógica baseada em SQL — que impõe políticas, executa cálculos e garante que a saída esteja em conformidade com restrições regulatórias específicas. O cérebro não alucina. Não aproxima. Ele computa.

Isso é o que os cientistas cognitivos chamam de pensamento do "Sistema 2" — raciocínio lento, deliberado e auditável — sobreposto ao reconhecimento de padrões do "Sistema 1". O modelo neural cuida da ambiguidade e da linguagem. O sistema simbólico cuida da verdade e da conformidade.

A segurança não pode ser probabilística. Ela precisa ser arquitetural.

Quando o DOJ exige que os "reguladores" de preço sejam simétricos — dando peso igual a reduções e a aumentos de preço —, isso não é uma política que você consiga impor com um system prompt. É uma restrição que você codifica na camada simbólica, onde ela é matematicamente garantida, não estatisticamente provável.

Ainda dá para usar dados de mercado sem infringir a lei?

Esta é a pergunta que mais me fazem, e é a pergunta certa. A resposta é sim — mas o como importa enormemente.

O mecanismo técnico é a privacidade diferencial. Sem entrar fundo na matemática (escrevi sobre isso extensivamente em nosso aprofundamento técnico), a ideia central é elegante: você adiciona ruído cuidadosamente calibrado aos dados, de modo que a inclusão ou exclusão das informações de qualquer participante isolado não altere de forma significativa a saída do algoritmo.

Isso significa que um motor de precificação pode aprender com tendências amplas de mercado — "a demanda neste código postal está subindo" — sem nunca "ver" a taxa de ocupação ou os prazos de contrato de um concorrente específico. Você obtém a utilidade analítica sem a exposição antitruste.

Combinamos isso com a geração de dados sintéticos. Até 2024, previsões sugeriam que 60% dos dados de treinamento de IA seriam sintéticos. Em 2026, os dados sintéticos se tornaram o principal mecanismo para o que chamo de "conformidade desde o projeto". Usamos modelos generativos para criar versões sintéticas de alta fidelidade dos dados de mercado, que preservam as propriedades estatísticas sem conter absolutamente nenhuma informação competitivamente sensível real.

Não é uma gambiarra. É uma arquitetura melhor. E ela oferece algo que nenhuma quantidade de avisos jurídicos consegue oferecer: uma prova matemática de que o seu sistema não está se coordenando com concorrentes.

A discussão que eu não paro de ter sobre o "auto-accept"

Há um detalhe no acordo do RealPage que não recebe atenção suficiente: a proibição dos recursos de aceitação automática (auto-accept).

O software da RealPage podia implementar automaticamente as recomendações de preço sem revisão humana. O DOJ tratou isso como um fator agravante significativo. O acordo agora exige que os recursos de auto-accept sejam configuráveis e definidos manualmente pelos usuários.

Tive uma discussão sobre isso com o CTO de um cliente em potencial. Ele queria um agente de precificação totalmente autônomo — sem humano no circuito, resposta instantânea às condições de mercado, eficiência máxima. "É exatamente esse o ponto da IA", ele disse.

Eu disse a ele que o ponto da IA é tomar decisões melhores, não tomar decisões mais rápido do que alguém consegue revisá-las. Ele não gostou muito dessa resposta.

Mas a realidade é esta: todo sistema que construímos na Veriprajna inclui o que chamo de circuitos "Human-as-Capturer". A intenção humana governa a execução da máquina em cada camada crítica. Não porque os humanos sejam mais inteligentes que os algoritmos — muitas vezes não são —, mas porque o arcabouço legal e ético de 2026 exige que um ser humano seja responsável por cada decisão voltada ao mercado. Protocolos de override, processos obrigatórios de aprovação, logs de auditoria mantidos para revisão regulatória.

Às vezes me perguntam se essa exigência de humano no circuito torna as ferramentas de precificação por IA inúteis. Não torna. Ela as torna ferramentas em vez de substitutos. A IA faz em segundos a análise que levaria dias para uma equipe humana. O humano toma a decisão. Isso não é uma limitação — é a arquitetura da participação responsável no mercado.

O custo real da "armadilha do wrapper"

Deixe-me falar de dinheiro, porque é isso que, no fim das contas, move a conversa.

Empresas que usam modelos de API Tier 1 — GPT-5, Claude 4 — estão pagando entre US$ 1,25 e US$ 15,00 por milhão de tokens de entrada, e de US$ 10,00 a US$ 75,00 por milhão de tokens de saída. Esses custos flutuam. Os termos de serviço mudam. E cada token que você envia carrega risco de soberania de dados.

Dados da McKinsey e do BCG do final de 2025 mostram que empresas que escalam IA com sucesso obtêm um retorno total ao acionista 3,6x maior ao longo de três anos na comparação com os pares. Mas apenas 5% das organizações conseguiram colher ganhos financeiros substanciais com IA. A maioria está presa pagando um imposto crescente sobre a infraestrutura de outra pessoa, sem nenhuma vantagem competitiva defensável para mostrar em troca.

A Deep AI inverte a estrutura de custos. Você investe em infraestrutura — CapEx de hardware, implantação privada de modelos, camadas de raciocínio simbólico — e constrói um ativo. Um cérebro institucional sob medida que captura os fluxos de trabalho, as políticas e a inteligência de mercado exclusivos da sua organização. Ele fica no seu balanço patrimonial. Ele se valoriza de forma composta. E não pode ser replicado por um concorrente que assina a mesma API que você.

Quando a sua vantagem competitiva mora no data center de outra pessoa, ela não é uma vantagem competitiva. É uma assinatura.

Para onde isso vai daqui em diante?

A próxima fronteira é a IA agêntica — sistemas autônomos que selecionam ferramentas, executam raciocínio em múltiplas etapas e realizam ações no mundo real. Reservar um frete. Ajustar um preço. Protocolar um documento regulatório. O potencial é extraordinário. O risco é proporcional.

Um agente de precificação autônomo que exceda sua alçada — que assuma um compromisso financeiro não autorizado ou que se coordene com participantes do mercado sem supervisão humana — não é apenas uma falha técnica. No ambiente jurídico pós-RealPage, é potencialmente um crime federal.

Todo fluxo de trabalho agêntico que construímos segue um circuito estrito: raciocinar com base na constituição corporativa, selecionar a ferramenta apropriada, validar a saída e sintetizar uma resposta apenas depois de confirmar que nenhum limite de conformidade foi cruzado. Cada ação é registrada e auditável. O cérebro simbólico atua como uma restrição constitucional — não uma sugestão, não uma diretriz, mas um limite arquitetural que o modelo neural não pode sobrepor.

É isso que soberania significa na prática. Não apenas ser dono dos seus dados, mas ser dono do processo de raciocínio que age sobre eles. Não apenas implantar IA, mas implantar uma IA que reflita as suas leis, a sua ética, a sua tolerância a risco — codificadas em uma lógica que um regulador pode inspecionar e um juiz pode entender.

O caso RealPage não foi uma anomalia. Foi o primeiro sinal claro de uma nova realidade jurídica: a arquitetura do seu sistema de IA é agora um determinante primário da sua exposição antitruste. Não as suas intenções. Não as suas políticas. Não os seus termos de serviço. A sua arquitetura.

Toda empresa que roda precificação algorítmica, gestão de receita ou recomendações voltadas ao mercado precisa responder a uma pergunta simples: se o DOJ intimasse o seu sistema de IA amanhã, você conseguiria provar — no nível do fluxo de dados, do treinamento do modelo e da lógica de inferência — que ele opera de forma independente dos seus concorrentes?

Se a resposta for "provavelmente", você tem um problema. Se a resposta for "precisaríamos verificar com o nosso provedor de API", você tem uma crise.

A sala enfumaçada não desapareceu. Ela se mudou para a nuvem. E as empresas que vão prosperar nesta nova era não são as que têm os melhores algoritmos — são as que são donas completas dos seus algoritmos, que os arquitetam para conformidade desde o projeto e conseguem provar isso sob juramento.