Conformidade de Precificação Algorítmica
Em 2025, a FTC arrecadou US$ 2,56 bilhões em acordos sobre precificação algorítmica de duas empresas. Nova York, Califórnia e Colorado promulgaram leis que tornam cada preço definido por IA uma potencial violação. Se o seu motor de precificação roda sobre um algoritmo de terceiros, dados de consumidores ou aprendizado por reforço, a questão não é se os reguladores irão olhar. É se você conseguirá responder às perguntas deles quando isso acontecer.
US$ 2,56 bi
Acordos de precificação da FTC, 2025
Instacart US$ 60 mi + Amazon US$ 2,5 bi
51 Projetos de Lei
Propostas estaduais sobre precificação algorítmica
Em 24 estados em 2025
180 Dias
Prazo de conformidade da RealPage
Acordo judicial do DOJ, nov. 2025
Os reguladores estão investigando a precificação algorítmica em duas frentes distintas. A maioria das empresas se prepara para uma e ignora a outra.
Seu algoritmo cobra preços diferentes de usuários diferentes pelo mesmo produto com base em dados pessoais. Isso se torna ilegal quando essas diferenças de preço se correlacionam com características demográficas protegidas.
O caso Instacart tornou isso concreto: a ferramenta de precificação Eversight gerou até cinco preços diferentes para o mesmo item na mesma loja, com variação chegando a 23%. O acordo de US$ 60 mi da FTC não se baseou em discriminação intencional. Baseou-se no resultado: consumidores em determinados perfis pagavam sistematicamente mais.
A armadilha técnica são as variáveis proxy. Seu algoritmo não enxerga raça ou renda. Mas enxerga CEP, tipo de dispositivo, horário de navegação e versão do aplicativo. Um usuário navegando em um dispositivo Android mais antigo, de um CEP de menor renda, às 23h, recebe um tratamento de preços diferente de um usuário de iPhone em um subúrbio de alta renda às 14h. Dados do censo mostram que esses agrupamentos de entradas se correlacionam com características demográficas raciais e de renda em níveis que reprovariam em uma análise de impacto disparatado. O algoritmo nunca teve a intenção de discriminar. O resultado é discriminatório de qualquer forma.
Seu algoritmo converge para preços mais altos em coordenação com concorrentes, mesmo sem qualquer acordo explícito. Essa é a tese por trás do caso FTC v. Amazon, com julgamento marcado para 2026.
O Project Nessie da Amazon extraiu US$ 1,4 bilhão prevendo quando os concorrentes acompanhariam um aumento de preço e, então, elevando os preços de 8 milhões de itens. O algoritmo identificou que a maioria dos concorrentes executava regras de precificação do tipo olho por olho. Quando a Amazon aumentava os preços, o algoritmo do concorrente acompanhava automaticamente. Sem reunião. Sem acordo. Sem telefonema. Apenas dois algoritmos atingindo o mesmo equilíbrio supracompetitivo.
O risco se multiplica quando você usa um fornecedor de precificação terceirizado. Se o seu fornecedor atende os seus concorrentes e o algoritmo dele agrupa dados entre clientes, você pode ter exposição a uma conspiração do tipo hub-and-spoke (eixo e raios) mesmo sem nunca ter trocado uma palavra com um concorrente. As novas emendas à Cartwright Act da Califórnia (em vigor a partir de janeiro de 2026) codificam isso: um "algoritmo de precificação comum" com dois ou mais usuários que influencie preços usando informações de concorrentes cria responsabilidade legal por força de lei.
Esta tabela acompanha cada lei vigente, precedente de acordo e ação de fiscalização que afeta a precificação algorítmica. Atualizada em abril de 2026.
| Jurisdição | Lei / Precedente | Requisito Principal | Penalidade | Situação |
|---|---|---|---|---|
| Nova York | Algorithmic Pricing Disclosure Act (Lei de Divulgação de Precificação Algorítmica) | Divulgação ostensiva quando os preços usam dados pessoais do consumidor | US$ 1.000/violação | Promulgada em nov. 2025; fiscalização suspensa enquanto se aguarda a liminar da NRF |
| Califórnia | Cartwright Act (AB 325 / SB 763) | Proíbe "algoritmos comuns" que usem dados de concorrentes para definir preços; veda a coerção sobre recomendações algorítmicas | O maior valor entre US$ 6 mi ou 2x do ganho/perda; danos triplicados em ações privadas | Em vigor a partir de 1º de jan. de 2026 |
| Colorado | AI Act (SB 24-205) | Avaliações de impacto para sistemas de IA de alto risco que tomam "decisões consequentes", incluindo precificação | Fiscalização pelo Procurador-Geral; medidas cautelares | Em vigor a partir de 30 de jun. de 2026 |
| Federal (FTC) | FTC Act Seção 5 | Proíbe "métodos desleais de concorrência". O julgamento de FTC v. Amazon testará se o conluio tácito algorítmico se enquadra | Medidas cautelares + restituição de lucros (Amazon: acordo de US$ 2,5 bi) | Julgamento marcado para out. 2026 |
| Federal (DOJ) | Acordo Judicial da RealPage | Sem dados de concorrentes com <12 meses de idade; sem geografia subestadual; salvaguardas simétricas; diretor de conformidade antitruste | Período de monitoramento de 7 anos | Em vigor desde nov. 2025; prazo de conformidade de 180 dias |
| Federal (Jurisprudência) | Gibson v. Cendyn (9º Circuito) | Porto seguro: mesmo fornecedor é admissível se não houver agrupamento de dados não públicos, sem marketing de "aumentar preços", sem dados de concorrentes não anonimizados | Precedente defensivo | Decidido em ago. 2025 |
| União Europeia | EU AI Act (Disposições de Alto Risco) | Avaliações de impacto, documentação de transparência, medidas antidiscriminação para sistemas de IA que tomam decisões consequentes | € 35 mi ou 7% do faturamento global | Obrigações de alto risco em vigor a partir de 2 de ago. de 2026 |
| 24 Estados | 51 Projetos de Lei Propostos (2025) | Diversos: exigências de divulgação, proibições de precificação por vigilância, requisitos de auditoria algorítmica | Varia conforme o estado | Projetos de lei do TN e do NM em tramitação em 2026; mais previstos |
Fontes: comunicados de imprensa da FTC, DOJ Office of Public Affairs, alertas antitruste da Wilson Sonsini, publicações da Cleary Gottlieb, comunicados da Arnold & Porter. Atualizado em abril de 2026.
Se você está avaliando opções, veja o que cada categoria de fornecedor de fato entrega e onde estão as lacunas.
| Tipo de Fornecedor | Exemplos | O Que Eles Fazem | Lacuna de Conformidade | Custo Típico |
|---|---|---|---|---|
| Plataformas de Precificação | Pricefx, PROS, Zilliant, Competera | Otimizam preços usando IA/ML. Algumas citadas em ordens 6(b) da FTC sobre precificação por vigilância. | Sem teste de equidade. Sem automação de divulgação. Sem monitoramento de conluio. O algoritmo deles pode ser a sua responsabilidade legal. | US$ 200 mil–US$ 1 mi+/ano |
| Big 4 / Grandes Integradoras (SIs) | Deloitte, PwC, Accenture, McKinsey | Consultoria antitruste, memorandos de avaliação de risco, gestão de relacionamento regulatório | Apenas consultoria. Sem ferramentas automatizadas de conformidade. Os projetos levam meses e entregam PDFs, não infraestrutura. Algumas foram elas próprias citadas em ordens 6(b) da FTC. | US$ 500 mil–US$ 5 mi+ |
| Escritórios de Advocacia Antitruste | Wilson Sonsini, Cleary Gottlieb, Arnold & Porter | Pareceres jurídicos, diretrizes de design, defesa em litígios | Aconselhamento jurídico, não implementação técnica. Podem lhe dizer o que construir, mas não construir. Parceiros essenciais, não alternativas. | US$ 800–US$ 2.000/h |
| Auditores Algorítmicos | ORCAA, FTI Consulting | Auditorias algorítmicas pontuais, testemunho pericial, avaliações de viés | Auditorias instantâneas, não monitoramento contínuo. Sem ferramentas específicas de precificação. Valiosas para litígios, mas não para conformidade contínua. | US$ 100 mil–US$ 400 mil por auditoria |
| Consultoria Especializada em IA | Veriprajna | Construímos infraestrutura de conformidade de precificação: camadas de auditoria, automação de divulgação, monitoramento de conluio, trilhas de auditoria | Não conseguimos resolver a resistência organizacional à transparência de preços nem problemas fundamentais de qualidade de dados em seus registros de transações. Construímos a camada técnica, não a mudança cultural. | US$ 150 mil–US$ 500 mil |
Não otimizamos preços. Não concorremos com a sua plataforma de precificação. Posicionamo-nos sobre qualquer motor que você utilize e o tornamos comprovadamente conforme.
Mapeamos cada entrada de dados do seu motor de precificação e testamos cada uma quanto à correlação com proxies demográficos. CEP, tipo de dispositivo, duração da sessão de navegação, hora do dia, versão do aplicativo: medimos a correlação com características demográficas de raça, renda e idade usando dados geográficos vinculados ao censo e estatísticas de posse de dispositivos.
Em seguida, executamos simulações contrafactuais. Para cada decisão de precificação em um conjunto de amostra, mantemos todos os fatores de demanda constantes e variamos apenas a variável proxy. Se os preços mudam em mais de 20% da taxa do grupo mais alto (o limiar de quatro quintos adaptado dos padrões de impacto disparatado da EEOC), essa entrada é sinalizada.
O resultado é um placar de risco em cinco dimensões extraídas do arcabouço do acordo judicial da RealPage e das diretrizes de design da Duane Morris: origem dos dados, granularidade das recomendações, preservação da independência, transparência e capacidade de substituição humana.
Construímos o middleware de conformidade entre o seu motor de precificação e o checkout. Para Nova York: classificação em tempo real sobre se cada preço usou dados pessoais do consumidor, com renderização condicional da divulgação. Para a Califórnia: verificação de firewall de dados confirmando que o seu fornecedor não agrupa dados de concorrentes entre clientes.
Para o Colorado (em vigor a partir de junho de 2026): geração automatizada de avaliações de impacto vinculada ao histórico de versões do seu modelo. Para a UE (em vigor a partir de agosto de 2026): documentação de transparência do Artigo 13/14 exportada no formato que o AI Office espera.
O middleware usa detecção de jurisdição com base na geolocalização do usuário, de modo que as regras de divulgação se adaptam automaticamente. Uma única camada de API gerencia todas as jurisdições. Quando o Tennessee ou o Novo México promulgarem seus projetos de lei em tramitação, adicionamos as regras sem tocar no seu motor de precificação.
Auditamos a relação com o seu fornecedor de precificação à luz do teste em três partes de Gibson v. Cendyn: o fornecedor agrupa dados não públicos de concorrentes? Ele faz marketing da capacidade de elevar a precificação em todo o setor? Ele compartilha informações não anonimizadas de concorrentes? Se qualquer um desses pontos falhar, a relação com o seu fornecedor cria exposição a uma conspiração do tipo hub-and-spoke (eixo e raios).
Para o seu próprio algoritmo, executamos testes de simulação de conluio. Implantamos o seu modelo de precificação contra três arquétipos de agentes concorrentes (igualadores de regra do tipo olho por olho, agentes de competição de Bertrand e agentes de aprendizado por reforço) e medimos se equilíbrios supracompetitivos emergem dentro de 10.000 ciclos de mercado simulados.
Para monitoramento contínuo, construímos painéis que sinalizam padrões de convergência de preços: movimentos de preço simultâneos, estreitamento da dispersão de preços entre concorrentes e compressão de margem que se reverte sem explicação pelo lado da demanda.
Construímos a infraestrutura de trilha de auditoria antes de você precisar dela. Uma camada de registro orientada a eventos captura cada decisão de precificação em tempo real: entradas de dados utilizadas, versão do modelo, recomendação bruta, verificações de restrições aplicadas, se a recomendação foi substituída, situação da divulgação e preço final exibido.
O armazenamento é somente acréscimo (append-only) e imutável. O esquema de registro é modelado com base no que as Civil Investigative Demands (CIDs) da FTC de fato solicitam, a partir das estruturas de CID dos casos Instacart e Amazon, que agora fazem parte do registro público.
Quando uma CID chega, você produz pacotes de documentação em conformidade em 48–72 horas. A maioria das empresas sem essa infraestrutura passa de 6 a 12 meses em extração forense reativa, muitas vezes descobrindo lacunas em seus dados que enfraquecem sua posição. O custo de construir isso proativamente é uma fração de um único mês de aconselhamento externo de emergência às tarifas de resposta a CID.
Veja o que acontece quando auditamos um motor de precificação Multi-Armed Bandit quanto à discriminação por proxy. Esta é uma das quatro trilhas de auditoria; detalhamos esta porque sistemas baseados em MAB são os mais comuns na precificação dinâmica de e-commerce e correspondem à arquitetura que o Eversight da Instacart usava.
Extraímos o vetor de características completo da entrada de contexto do seu MAB. Em um MAB típico de e-commerce, isso inclui: ID do segmento de usuário, contagem de sessões, tipo de dispositivo, sistema operacional, resolução de tela, coordenadas geográficas ou CEP, hora do dia, dia da semana, composição do carrinho, frequência histórica de compras e, às vezes, o tempo de permanência na navegação.
Para cada característica, calculamos os coeficientes de correlação de Pearson em relação a distribuições demográficas derivadas do censo no nível ZIP+4. Uma característica com |r| > 0,3 em relação a qualquer proxy de classe protegida (raça, quintil de renda, faixa etária) é sinalizada para teste contrafactual. Em nossa experiência, CEP e tipo de dispositivo quase sempre excedem esse limiar. Tempo de sessão e profundidade de navegação frequentemente também o fazem.
Para cada característica sinalizada, geramos perfis de usuário contrafactuais. Pegamos 10.000 decisões reais de precificação de seus registros de produção e criamos variantes sintéticas em que apenas a variável proxy sinalizada muda. Um usuário do CEP 10021 (Upper East Side, renda familiar mediana de US$ 138 mil) torna-se um usuário do CEP 10456 (South Bronx, renda familiar mediana de US$ 27 mil), mantendo todos os demais sinais de demanda constantes.
Alimentamos tanto os perfis originais quanto os contrafactuais por meio do seu MAB e medimos o delta de preço. Se o delta médio exceder 20% do preço do grupo mais alto (o limiar de quatro quintos), a característica cria um impacto disparatado juridicamente acionável. Relatamos o delta exato, os grupos demográficos mais afetados e o número de transações de produção em que esse padrão ocorreu.
Para características que reprovam no teste contrafactual, construímos camadas de restrição que limitam o espaço de ações do MAB. Isto não é um simples limiar (que o algoritmo otimizará até a borda). Usamos modelagem de recompensa consciente da equidade: a função de recompensa do MAB é modificada para penalizar recomendações de preço que criem variância entre grupos acima do limiar. A restrição é incorporada à otimização, não acoplada como um filtro posterior (post-hoc). O resultado é um motor de precificação que ainda otimiza a receita, mas não consegue gerar resultados discriminatórios, com o impacto da restrição sobre a receita normalmente na faixa de 1–3%.
Um projeto típico dura de 10 a 14 semanas, do início ao monitoramento em produção. O cronograma depende de quantos sistemas de precificação você opera, em quantas jurisdições atua e se a sua infraestrutura de dados suporta registro em tempo real.
Semanas 1–3
Inventariar todos os sistemas de precificação, relações com fornecedores e fluxos de dados. Mapear a sua exposição jurisdicional (onde estão os seus clientes, não onde estão os seus servidores). Revisar contratos de fornecedores quanto a cláusulas de firewall de dados e obrigações de resposta a CID.
Entregável: Mapa de Risco de Conformidade de Precificação com classificações de severidade nas dimensões de discriminação, conluio, divulgação e prontidão para investigações.
Semanas 3–7
Construir a infraestrutura de auditoria: registros de decisões de precificação orientados a eventos, middleware de divulgação, camadas de validação de restrições. Executar a auditoria de discriminação e a simulação de conluio. Projetar o arcabouço de avaliação de risco de fornecedores específico para as suas ferramentas de precificação.
Entregável: Camada de conformidade funcional em ambiente de homologação, resultados da auditoria de discriminação, avaliação de risco de fornecedores.
Semanas 7–10
Implantar a camada de conformidade em modo sombra junto à sua precificação de produção. Cada decisão de precificação passa pelas verificações de restrição e pela lógica de divulgação sem afetar o que o cliente vê. Comparamos a precificação restrita com a não restrita para medir o impacto na receita e verificar se todas as divulgações específicas de cada jurisdição são acionadas corretamente.
Entregável: Relatório de validação do modo sombra com análise de impacto na receita e métricas de cobertura de conformidade.
Semana 10+ (contínuo)
Migrar para produção. A camada de conformidade impõe restrições, aciona divulgações e registra decisões em tempo real. Painéis de monitoramento acompanham métricas de impacto disparatado, padrões de convergência de preços, taxas de conformidade de divulgação e completude da trilha de auditoria.
Reauditorias trimestrais detectam desvios do modelo (model drift). Quando uma nova legislação é aprovada (Tennessee, Novo México ou o próximo estado), atualizamos as regras de jurisdição sem tocar no seu motor de precificação.
O que este projeto não inclui: Não redesenhamos a sua estratégia de precificação, não selecionamos nem substituímos o seu fornecedor de precificação, não fornecemos pareceres jurídicos e não atuamos como testemunhas periciais. Essas funções cabem, respectivamente, à sua equipe de precificação, ao seu advogado antitruste e aos seus consultores econômicos. Construímos a infraestrutura técnica de conformidade que torna as recomendações deles aplicáveis e auditáveis.
Responda a sete perguntas sobre a sua infraestrutura de precificação. A avaliação mapeia a sua exposição nas dimensões de discriminação, conluio, divulgação e prontidão para investigações, com próximos passos específicos que você pode adotar com ou sem ajuda externa.
Pergunta 1 de 7
A obrigação de divulgação recai sobre a empresa que atende o consumidor, não sobre o fornecedor de precificação. Você precisa de uma camada de classificação em tempo real que determine se cada preço exibido foi gerado usando dados pessoais do consumidor (histórico de navegação, localização, padrões de compra) versus dados agregados de mercado. Se dados pessoais influenciaram o preço, a divulgação obrigatória deve aparecer antes de o consumidor concluir a transação.
O desafio técnico é que a maioria das ferramentas de precificação de terceiros (Pricefx, PROS, Competera) não expõe quais entradas de dados motivaram cada recomendação de preço específica. Você precisa de um middleware que intercepte a resposta da API de precificação, inspecione quais categorias de dados foram usadas e renderize a divulgação condicionalmente.
A penalidade de US$ 1.000 por violação se aplica por transação, de modo que uma plataforma de e-commerce de alto volume que processe 100.000 pedidos por dia em Nova York enfrenta exposição material mesmo com baixas taxas de não conformidade. Construímos a camada de classificação e divulgação como um middleware de API que se posiciona entre o seu motor de precificação e o seu fluxo de checkout, com detecção de jurisdição para que as regras de divulgação se adaptem com base na localização do consumidor.
O acordo judicial da RealPage (DOJ, novembro de 2025) estabeleceu cinco proibições técnicas específicas que advogados antitruste já estão usando como modelo de conformidade para além do setor de moradias multifamiliares. Os requisitos principais: não treinar com dados de concorrentes com menos de 12 meses de idade, nenhuma análise geográfica mais restrita que o nível estadual, nenhum compartilhamento de dados de imóveis não afiliados, mesmo de forma agregada, salvaguardas simétricas (se o algoritmo pode empurrar preços acima de um teto, os usuários devem, de forma igual, poder empurrá-los abaixo de um piso) e diretores de conformidade antitruste obrigatórios com certificação anual.
Para o e-commerce, as disposições mais imediatamente relevantes são os requisitos de firewall de dados e a exigência de salvaguardas simétricas. Se o seu fornecedor de precificação ingere dados de preços de concorrentes e os usa para gerar suas recomendações, você provavelmente tem exposição sob a mesma tese que o DOJ usou contra a RealPage.
Auditamos os fluxos de dados do seu fornecedor à luz do arcabouço do acordo judicial, testamos se as suas salvaguardas são simétricas e construímos a documentação de linhagem de dados que demonstra a conformidade.
O erro mais comum que as empresas cometem é a "equidade pela ignorância": remover raça, gênero e renda das entradas do modelo e presumir que o algoritmo já não pode discriminar. Isso falha porque as variáveis proxy carregam o mesmo sinal demográfico. Dados da Pew Research mostram que a posse de iPhone é 30% maior entre domicílios que ganham US$ 100 mil+ em comparação aos que ganham menos de US$ 30 mil. Dados do censo no nível ZIP+4 correlacionam o CEP com a composição racial em r=0,6 ou mais na maioria das áreas metropolitanas. Seu algoritmo nunca enxerga características demográficas diretamente, mas enxerga suas sombras estatísticas.
A detecção exige testar as interações entre variáveis, não apenas as entradas individuais. O CEP isolado pode mostrar uma correlação demográfica moderada, mas o CEP combinado com o tipo de dispositivo e o tempo de sessão cria um proxy composto que é muito mais preditivo. Testamos tanto características individuais quanto agrupamentos de interação entre características usando análise de informação mútua, que captura relações não lineares que a correlação de Pearson deixa escapar. Um achado comum: o tempo de permanência navegando em páginas de produtos tem correlação isolada quase nula com a renda, mas, quando combinado com a fonte de referência (busca orgânica vs. site de comparação de preços), o par prevê o quintil de renda com surpreendente precisão.
A abordagem prática é executar a detecção antes da implantação (capturar os proxies óbvios) e, então, continuamente em produção (capturar interações emergentes à medida que o modelo é retreinado). Sinalizamos candidatos a proxy para revisão, mas não os removemos automaticamente, porque alguns proxies também são sinais legítimos de demanda. A decisão de restringir uma entrada específica é um juízo de negócio e jurídico, não puramente estatístico. Fornecemos as evidências; a sua equipe jurídica toma a decisão.
Sim, dependendo da arquitetura de dados do fornecedor. A decisão Gibson v. Cendyn (Nono Circuito, agosto de 2025) estabeleceu que apenas assinar o mesmo software de precificação que os seus concorrentes não é automaticamente anticompetitivo. Mas o tribunal sinalizou três condições que elevam substancialmente o risco: se o fornecedor agrupa dados não públicos e competitivamente sensíveis de múltiplos clientes para treinar ou ajustar as recomendações, se o fornecedor faz marketing da capacidade da ferramenta de coordenar ou elevar a precificação em todo um setor, ou se o software facilita a troca de dados de concorrentes não anonimizados.
A maioria das empresas de e-commerce não audita a arquitetura de dados do seu fornecedor de precificação nesse nível. Realizamos uma avaliação de risco de fornecedores que mapeia exatamente quais dados fluem para dentro e para fora da sua ferramenta de precificação, se dados de concorrentes (mesmo agregados) influenciam as suas recomendações e se o seu contrato com o fornecedor inclui cláusulas adequadas de firewall de dados.
Sob as novas emendas à Cartwright Act da Califórnia (AB 325, em vigor a partir de janeiro de 2026), um "algoritmo de precificação comum" com dois ou mais usuários que use informações de concorrentes cria responsabilidade potencial com danos triplicados, e o padrão de petição reduzido significa que os autores podem superar uma moção de arquivamento com mais facilidade.
Uma CID da FTC normalmente exige documentação abrangente em 30–45 dias: todas as entradas de dados dos seus modelos de precificação, documentação de arquitetura e treinamento do modelo, registros de decisões que mostrem como os preços foram definidos para transações específicas, quaisquer protocolos de testes A/B ou de experimentação, comunicações sobre estratégia de precificação e contratos de fornecedores e acordos de compartilhamento de dados.
A maioria das empresas passa de 6 a 12 meses em extração forense reativa de dados porque nunca construiu a infraestrutura de registro para responder a essas perguntas. Os passos práticos de preparação são: primeiro, implementar hoje o registro de auditoria imutável de cada decisão de precificação. Cada entrada de registro deve capturar o carimbo de data/hora, os dados de contexto do usuário utilizados, a versão do modelo, a recomendação bruta, quaisquer verificações de restrição aplicadas, se a recomendação foi substituída e o preço final exibido. Segundo, documentar a arquitetura do seu modelo e a linhagem dos dados de treinamento em um formato que um advogado da FTC sem formação técnica possa entender. Terceiro, inventariar todos os fluxos de dados de fornecedores e garantir que os seus contratos atribuam as obrigações de resposta a CID. Quarto, realizar um exercício simulado de resposta a CID.
Construímos a infraestrutura de trilha de auditoria como uma camada de registro orientada a eventos que captura as decisões de precificação em tempo real, as armazena em armazenamento somente acréscimo (append-only) e gera pacotes de exportação no formato de CID sob demanda. O objetivo é produzir documentação em conformidade em 48–72 horas quando a demanda chegar, não em 6 meses.
As emendas à California Cartwright Act (AB 325 e SB 763, em vigor a partir de 1º de janeiro de 2026) criam uma exposição à responsabilidade significativamente maior do que a lei antitruste federal para empresas que usam precificação algorítmica. Três mudanças específicas importam.
Primeiro, a Lei agora define expressamente "algoritmos de precificação comuns" como tecnologia com dois ou mais usuários que usa informações de concorrentes para influenciar preços, e proíbe usar tais algoritmos para conspirar ou coagir usuários a adotar recomendações. Isso codifica uma responsabilidade que a lei federal ainda trata como ambígua.
Segundo, o padrão de petição é mais baixo: os autores não precisam mais alegar fatos que excluam a possibilidade de ação independente na fase da moção de arquivamento. Sob os padrões federais da Sherman Act (Twombly/Iqbal), a maioria dos casos de precificação algorítmica é arquivada cedo porque a precificação paralela pode ser explicada por comportamento algorítmico independente. A Califórnia eliminou essa defesa na fase de petição.
Terceiro, as penalidades aumentaram para o maior valor entre US$ 6 milhões ou o dobro do ganho ou perda pecuniária (acima do limite anterior de US$ 1 milhão), com danos triplicados e honorários advocatícios disponíveis em litígios privados. Para uma empresa de e-commerce que opera na Califórnia, isso significa que um autor de ação coletiva pode agora superar o arquivamento com alegações mais fracas, e a exposição a danos é substancialmente maior. Ajudamos as empresas a avaliar a sua exposição específica na Califórnia mapeando suas relações com fornecedores de precificação, fluxos de dados e a conformidade das recomendações em relação às novas definições legais.
Os whitepapers interativos por trás desta página de solução. Eles fornecem a análise técnica completa, a perícia dos casos e os arcabouços arquiteturais.
Análise forense do colapso de precificação Instacart/Eversight. Arquiteturas de restrição neuro-simbólicas para a equidade de precificação. Arcabouços de conformidade com a FTC Act e a NY Disclosure Act.
Análise post-mortem do acordo de US$ 2,5 bi da Amazon. Mecânica do conluio no aprendizado por reforço. Análise do acordo judicial da RealPage. Arcabouço de porto seguro de Gibson v. Cendyn.
O acordo de US$ 60 mi da Instacart começou com experimentos de precificação que eles presumiam ser otimização de rotina.
Um programa de conformidade custa uma fração de uma única ação de fiscalização. Começamos com um projeto de mapeamento de risco de 3 semanas que inventaria os seus sistemas de precificação, testa quanto à discriminação por proxy e avalia a sua exposição a fornecedores em todas as jurisdições vigentes.