算法定价合规
2025 年，FTC 从两家公司收取了 25.6 亿美元的算法定价和解金。纽约州、加利福尼亚州和科罗拉多州相继出台法律，使每一个由 AI 驱动的价格都可能构成违规。如果您的定价引擎运行在第三方算法、消费者数据或强化学习之上，问题不在于监管机构是否会审查，而在于当他们审查时，您能否回答他们的问题。
25.6 亿美元
FTC 定价和解金，2025 年
Instacart 6000 万美元 + Amazon 25 亿美元
51 项法案
州级算法定价立法提案
2025 年覆盖 24 个州
180 天
RealPage 合规截止期
DOJ 同意令，2025 年 11 月
监管机构正从两个不同的方向追查算法定价。大多数公司只为其中一个做准备，却忽视了另一个。
您的算法基于个人数据，对同一产品向不同用户收取不同的价格。当这些价格差异与受保护的人口特征相关联时，这就构成违法。
Instacart 案使这一点变得具体：Eversight 定价工具为同一家门店的同一件商品生成了多达五种不同的价格，差异幅度高达 23%。FTC 的 6000 万美元和解金并不取决于是否存在蓄意歧视，而取决于结果：特定画像群体的消费者系统性地支付了更高的价格。
技术上的陷阱在于代理变量。您的算法看不到种族或收入，但它能看到邮政编码、设备类型、浏览时间和应用版本。一位深夜 11 点用较旧的 Android 设备、从低收入邮政编码区浏览的用户，所获得的定价待遇与一位下午 2 点在高收入郊区用 iPhone 浏览的用户不同。人口普查数据显示，这些输入聚类与种族和收入人口特征的相关程度足以无法通过差别性影响分析。算法从未打算歧视，但其输出依然带有歧视性。
您的算法在与竞争对手协调一致的情况下趋向于更高的价格，即便没有任何明确的协议。这正是 FTC 诉 Amazon 案背后的理论，该案定于 2026 年开庭审理。
Amazon 的 Project Nessie 通过预测竞争对手何时会跟进涨价，进而对 800 万件商品提价，攫取了 14 亿美元。该算法发现，大多数竞争对手采用以牙还牙式的定价规则。当 Amazon 提价时，竞争对手的算法会自动跟随。没有会面，没有协议，没有电话。只是两个算法达到了同一个超竞争性均衡。
当您使用第三方定价供应商时，风险会成倍增加。如果您的供应商同时为您的竞争对手提供服务，且其算法在各客户之间汇集数据，那么即使您从未与竞争对手交谈过一句话，您也可能面临轴辐式合谋风险。加利福尼亚州新修订的《卡特赖特法》(自 2026 年 1 月生效) 将这一点予以法典化：一个由两个或更多用户使用、并利用竞争对手信息影响价格的“共同定价算法”将产生法定责任。
本表追踪了影响算法定价的每一项现行法律、和解先例和执法行动。更新于 2026 年 4 月。
| 司法管辖区 | 法律 / 先例 | 关键要求 | 处罚 | 状态 |
|---|---|---|---|---|
| 纽约州 | 《算法定价披露法》 | 当价格使用个人消费者数据时须作出醒目披露 | 每次违规 1,000 美元 | 2025 年 11 月颁布；因 NRF 禁令申请，执法暂缓 |
| 加利福尼亚州 | 《卡特赖特法》(AB 325 / SB 763) | 禁止使用竞争对手数据设定价格的“共同算法”；禁止胁迫采纳算法建议 | 600 万美元或收益/损失 2 倍中的较高者；私人诉讼中可处三倍损害赔偿 | 2026 年 1 月 1 日生效 |
| 科罗拉多州 | 《AI 法案》(SB 24-205) | 对作出“重大决策”(包括定价)的高风险 AI 系统进行影响评估 | 总检察长执法；禁令救济 | 2026 年 6 月 30 日生效 |
| 联邦 (FTC) | 《FTC 法》第 5 条 | 禁止“不公平的竞争手段”。FTC 诉 Amazon 案的审理将检验算法默示合谋是否符合该定义 | 禁令救济 + 追缴非法所得 (Amazon：25 亿美元和解) | 审理定于 2026 年 10 月 |
| 联邦 (DOJ) | RealPage 同意令 | 不得使用 12 个月以内的竞争对手数据；不得低于州一级的地理细分；对称性护栏；反垄断合规官 | 7 年监督期 | 自 2025 年 11 月起生效；180 天合规截止期 |
| 联邦 (判例法) | Gibson v. Cendyn (第九巡回法院) | 安全港：使用同一供应商可行，前提是无汇集的非公开数据、无“抬高价格”的营销、无未匿名化的竞争对手数据 | 防御性先例 | 2025 年 8 月裁决 |
| 欧盟 | 《欧盟 AI 法案》(高风险条款) | 对作出重大决策的 AI 系统进行影响评估、透明度文档编制和反歧视措施 | 3,500 万欧元或全球营业额的 7% | 高风险义务自 2026 年 8 月 2 日生效 |
| 24 个州 | 51 项提案法案 (2025 年) | 多种：披露要求、监控定价禁令、算法审计要求 | 因州而异 | 田纳西州、新墨西哥州的法案在 2026 年活跃推进；预计更多 |
来源：FTC 新闻稿、DOJ 公共事务办公室、Wilson Sonsini 反垄断快讯、Cleary Gottlieb 出版物、Arnold & Porter 顾问简报。更新于 2026 年 4 月。
如果您正在评估各种选择，以下是每一类服务提供商实际交付的内容，以及差距所在。
| 提供商类型 | 示例 | 他们做什么 | 合规差距 | 典型成本 |
|---|---|---|---|---|
| 定价平台 | Pricefx、PROS、Zilliant、Competera | 使用 AI/ML 优化价格。部分公司被列入 FTC 6(b) 监控定价调查令。 | 无公平性测试。无披露自动化。无合谋监测。他们的算法可能成为您的法律责任。 | 20 万-100 万美元以上/年 |
| 四大 / 大型系统集成商 | Deloitte、PwC、Accenture、McKinsey | 反垄断咨询、风险评估备忘录、监管关系管理 | 仅限咨询。无自动化合规工具。项目耗时数月，交付的是 PDF 而非基础设施。部分公司本身亦被列入 FTC 6(b) 调查令。 | 50 万-500 万美元以上 |
| 反垄断律师事务所 | Wilson Sonsini、Cleary Gottlieb、Arnold & Porter | 法律意见、设计指南、诉讼辩护 | 提供法律建议，而非技术实现。能告诉您该建什么，却不能替您建造。是不可或缺的合作伙伴，而非替代方案。 | 800-2,000 美元/小时 |
| 算法审计机构 | ORCAA、FTI Consulting | 时点性算法审计、专家证人证词、偏见评估 | 快照式审计，而非持续监测。无定价专用工具。对诉讼有价值，但不适用于持续合规。 | 每次审计 10 万-40 万美元 |
| 专业化 AI 咨询 | Veriprajna | 构建定价合规基础设施：审计层、披露自动化、合谋监测、审计追踪 | 无法解决组织对定价透明的抵触，也无法解决您交易日志中根本性的数据质量问题。我们构建技术层，而非文化变革。 | 15 万-50 万美元 |
我们不优化价格。我们不与您的定价平台竞争。我们位于您所运行的任何引擎之上，使其变得可证明地合规。
我们将进入您定价引擎的每一项数据输入逐一映射，并测试每项与人口特征代理的相关性。邮政编码、设备类型、浏览会话时长、时段、应用版本：我们使用与人口普查关联的地理数据和设备拥有量统计，测量其与种族、收入和年龄人口特征的相关性。
随后，我们运行反事实模拟。对于样本集中的每一个定价决策，我们保持所有需求驱动因素不变，仅改变代理变量。如果价格变动超过最高群体费率的 20% (这一五分之四阈值改编自 EEOC 差别性影响标准)，该输入项即被标记。
其产出是一份跨五个维度的风险评分卡，源自 RealPage 同意令框架和 Duane Morris 设计指南：数据来源、建议粒度、独立性保持、透明度和人工干预能力。
我们在您的定价引擎与结账环节之间构建合规中间件。针对纽约州：实时分类判断每个价格是否使用了个人消费者数据，并进行条件性披露呈现。针对加利福尼亚州：数据防火墙验证，确认您的供应商未在各客户之间汇集竞争对手数据。
针对科罗拉多州 (2026 年 6 月生效)：与您的模型版本历史关联的自动化影响评估生成。针对欧盟 (2026 年 8 月生效)：以 AI 办公室所要求的格式导出第 13/14 条透明度文档。
该中间件基于用户地理定位进行司法管辖区检测，因此披露规则会自动调整。一个 API 层处理所有司法管辖区。当田纳西州或新墨西哥州的待审法案颁布时，我们会在不触动您定价引擎的情况下添加相应规则。
我们根据 Gibson v. Cendyn 三要件检验审计您与定价供应商的关系：该供应商是否汇集非公开的竞争对手数据，是否以全行业抬高定价的能力作为营销卖点，是否分享未匿名化的竞争对手信息？只要任一要件不满足，您与供应商的关系便会产生轴辐式合谋风险。
针对您自有的算法，我们运行合谋模拟测试。我们将您的定价模型部署在三种竞争对手代理原型 (以牙还牙规则匹配者、伯特兰竞争代理和强化学习代理) 之下，并测量在 10,000 次模拟市场周期内是否会出现超竞争性均衡。
针对持续监测，我们构建仪表板，标记定价趋同模式：同步的价格变动、各竞争对手之间价格离散度的收窄，以及在缺乏需求侧解释的情况下出现并逆转的利润率压缩。
我们在您需要之前就构建好审计追踪基础设施。一个事件驱动的日志层实时捕获每一个定价决策：所使用的数据输入、模型版本、原始建议、所应用的约束检查、建议是否被覆盖、披露状态以及最终显示的价格。
存储为仅追加且不可篡改的。日志架构以 FTC 民事调查令实际要求的内容为蓝本，依据现已纳入公开记录的 Instacart 和 Amazon CID 结构。
当 CID 到来时，您可在 48-72 小时内生成合规的文档包。大多数没有此类基础设施的公司要花费 6-12 个月进行被动式取证提取，往往会发现数据中的缺口，从而削弱其立场。主动构建这一基础设施的成本，仅为按 CID 应对费率聘用外部律师一个月紧急支出的零头。
以下是我们审计一个多臂老虎机定价引擎以排查代理歧视时的实际过程。这是四条审计路径之一；我们之所以详述这一条，是因为基于 MAB 的系统在电商动态定价中最为常见，也正是 Instacart 的 Eversight 所采用的架构。
我们从您 MAB 的上下文输入中提取完整的特征向量。在一个典型的电商 MAB 中，这包括：用户分群 ID、会话次数、设备类型、操作系统、屏幕分辨率、地理坐标或邮政编码、时段、星期几、购物车构成、历史购买频率，有时还包括浏览停留时间。
对于每一项特征，我们在 ZIP+4 层级计算其与人口普查衍生的人口特征分布之间的皮尔逊相关系数。任何特征若其 |r| > 0.3 与任一受保护类别代理 (种族、收入五分位、年龄段) 相关，即被标记进行反事实测试。根据我们的经验，邮政编码和设备类型几乎总会超过这一阈值。会话时间和浏览深度往往也是如此。
对于每一项被标记的特征，我们生成反事实用户画像。我们从您的生产日志中选取 10,000 个真实定价决策，并创建合成变体，其中仅改变被标记的代理变量。一位来自邮政编码 10021 (上东区，家庭收入中位数 13.8 万美元) 的用户，在所有其他需求信号保持不变的情况下，变为一位来自邮政编码 10456 (南布朗克斯，家庭收入中位数 2.7 万美元) 的用户。
我们将原始画像和反事实画像都输入您的 MAB，并测量价格差值。如果平均差值超过最高群体价格的 20% (即五分之四阈值)，该特征便造成了具有法律可诉性的差别性影响。我们会报告精确的差值、受影响最大的人口群体，以及发生这一模式的生产交易数量。
对于未通过反事实测试的特征，我们构建约束层来限定 MAB 的动作空间。这并非简单的阈值 (算法会优化到该阈值的边缘)。我们采用公平性感知的奖励塑造：修改 MAB 的奖励函数，对那些造成跨群体方差超过阈值的价格建议予以惩罚。约束被融入优化之中，而非作为事后过滤器外挂上去。其结果是一个仍能优化收入、但无法产生歧视性结果的定价引擎，而该约束对收入的影响通常在 1-3% 的范围内。
一个典型项目从启动到投产监测约需 10-14 周。时间表取决于您运行多少个定价系统、在多少个司法管辖区运营，以及您的数据基础设施能否支持实时日志记录。
第 1-3 周
盘点所有定价系统、供应商关系和数据流。映射您的司法管辖区敞口 (您的客户在哪里，而非您的服务器在哪里)。审查供应商合同中关于数据防火墙条款和 CID 应对义务的规定。
交付物：定价合规风险图，包含跨歧视、合谋、披露和调查就绪各维度的严重程度评级。
第 3-7 周
构建审计基础设施：事件驱动的定价决策日志、披露中间件、约束验证层。运行歧视审计和合谋模拟。设计针对您定价工具的供应商风险评估框架。
交付物：在预发布环境中运行的合规层、歧视审计结果、供应商风险评估。
第 7-10 周
将合规层以影子模式与您的生产定价并行部署。每一个定价决策都会经过约束检查和披露逻辑，而不影响客户所看到的内容。我们对比受约束与不受约束的定价，以测量收入影响，并验证所有司法管辖区特定的披露是否正确触发。
交付物：影子模式验证报告，包含收入影响分析和合规覆盖度指标。
第 10 周起 (持续进行)
进入生产环境。合规层执行约束、触发披露，并实时记录决策。监测仪表板追踪差别性影响指标、定价趋同模式、披露合规率以及审计追踪的完整性。
季度复审能够发现模型漂移。当新立法通过时 (田纳西州、新墨西哥州或下一个州)，我们会在不触动您定价引擎的情况下更新司法管辖区规则。
本项目不包括的内容： 我们不重新设计您的定价策略、不选择或更换您的定价供应商、不提供法律意见，也不担任专家证人。这些职能分别属于您的定价团队、您的反垄断律师和您的经济顾问。我们构建的是技术合规基础设施，使他们的建议变得可执行、可审计。
回答关于您定价基础设施的七个问题。该评估将映射您在歧视、合谋、披露和调查就绪各方面的敞口，并提供您无论有无外部协助都可以采取的具体后续步骤。
第 1 题，共 7 题
披露义务落在为消费者提供服务的企业身上，而非定价供应商。您需要一个实时分类层，判断所显示的每个价格是使用个人消费者数据 (浏览历史、位置、购买模式) 生成的，还是使用聚合市场数据生成的。如果个人数据影响了价格，则在消费者确认交易之前必须出现法定披露。
技术上的挑战在于，大多数第三方定价工具 (Pricefx、PROS、Competera) 并不公开是哪些数据输入驱动了每一项具体的价格建议。您需要一个中间件，拦截定价 API 响应，检查使用了哪些数据类别，并有条件地呈现披露内容。
每次违规 1,000 美元的处罚按交易逐笔适用，因此一个在纽约州每天处理 100,000 个订单的高流量电商平台，即使违规率很低也会面临可观的敞口。我们将分类与披露层构建为一个位于您定价引擎与结账流程之间的 API 中间件，并具备司法管辖区检测功能，使披露规则根据消费者所在位置进行调整。
RealPage 同意令 (DOJ，2025 年 11 月) 确立了五项具体的技术禁令，反垄断律师已将其作为合规模板，应用范围超出了多户型住房领域。核心要求是：不得用 12 个月以内的竞争对手数据进行训练，不得进行窄于州一级的地理分析，即使以聚合形式也不得分享非关联方的物业数据，对称性护栏 (如果算法能将价格推高至某个上限，用户必须同样能将价格压低至某个下限)，以及强制配备反垄断合规官并进行年度认证。
对于电商而言，最直接相关的条款是数据防火墙要求和对称性护栏的强制规定。如果您的定价供应商摄取竞争对手定价数据并用其生成您的建议，那么您很可能在 DOJ 对 RealPage 所用的同一理论下面临敞口。
我们根据同意令框架审计您的供应商数据流，测试您的护栏是否对称，并构建可证明合规的数据溯源文档。
公司最常犯的错误是“通过无意识实现公平”：从模型输入中移除种族、性别和收入，并假定算法因此不再能够歧视。这种做法行不通，因为代理变量携带着相同的人口特征信号。皮尤研究中心的数据显示，收入 10 万美元以上家庭的 iPhone 拥有率比收入 3 万美元以下的家庭高出 30%。在 ZIP+4 层级的人口普查数据中，邮政编码在大多数都市区与种族构成的相关系数 r=0.6 或更高。您的算法从不直接看到人口特征，但它能看到这些特征的统计投影。
检测需要测试变量之间的交互作用，而不仅仅是单个输入。仅邮政编码一项可能显示出中等程度的人口特征相关性，但邮政编码与设备类型和会话时间相结合，便会形成一个预测力强得多的复合代理。我们使用互信息分析来测试单个特征和特征交互聚类，该方法能捕捉皮尔逊相关性所遗漏的非线性关系。一个常见的发现是：产品页面上的浏览停留时间单独与收入几乎零相关，但当与引荐来源 (自然搜索 vs. 比价网站) 相结合时，二者对收入五分位的预测准确度高得惊人。
实践方法是在部署前运行检测 (捕获明显的代理变量)，然后在生产中持续运行 (随着模型重新训练捕获新出现的交互作用)。我们标记出代理变量候选项供审查，但不会自动移除它们，因为有些代理变量同时也是合法的需求信号。约束某项特定输入的决定是一项商业和法律判断，而非纯粹的统计判断。我们提供证据；由您的法务团队作出决断。
是的，取决于该供应商的数据架构。Gibson v. Cendyn 判决 (第九巡回法院，2025 年 8 月) 确立了一个原则：仅仅订阅与竞争对手相同的定价软件并不自动构成反竞争行为。但法院指出了三个会大幅抬高风险的条件：如果供应商汇集来自多个客户的非公开竞争敏感数据来训练或调优建议，如果供应商以该工具协调或在全行业抬高定价的能力作为营销卖点，或者如果该软件促成了未匿名化竞争对手数据的交换。
大多数电商公司不会在这个层面审计其定价供应商的数据架构。我们开展供应商风险评估，精确映射哪些数据流入和流出您的定价工具、竞争对手数据 (即使是聚合的) 是否影响您的建议，以及您的供应商合同是否包含充分的数据防火墙条款。
根据加利福尼亚州新修订的《卡特赖特法》(AB 325，2026 年 1 月生效)，一个由两个或更多用户使用、并利用竞争对手信息的“共同定价算法”会产生潜在责任，可处三倍损害赔偿，而降低的诉辩标准意味着原告能够更轻易地挺过驳回动议。
一份 FTC CID 通常要求在 30-45 天内提供全面的文档：进入您定价模型的所有数据输入、模型架构和训练文档、显示特定交易价格如何设定的决策日志、任何 A/B 测试或实验协议、关于定价策略的沟通往来，以及供应商合同和数据共享协议。
大多数公司要花费 6-12 个月进行被动式取证数据提取，因为他们从未构建过能回答这些问题的日志基础设施。实际的准备步骤是：第一，从今天起对每一个定价决策实施不可篡改的审计日志记录。每条日志记录都应捕获时间戳、所使用的用户上下文数据、模型版本、原始建议、所应用的任何约束检查、建议是否被覆盖，以及最终显示的价格。第二，以非技术背景的 FTC 律师能够理解的格式，记录您的模型架构和训练数据溯源。第三，盘点所有供应商数据流，并确保您的合同分配了 CID 应对义务。第四，开展一次模拟 CID 应对演练。
我们将审计追踪基础设施构建为一个事件驱动的日志层，实时捕获定价决策，将其存储在仅追加的存储中，并按需生成 CID 格式的导出包。目标是在调查令到来时于 48-72 小时内生成合规文档，而非 6 个月。
加利福尼亚州《卡特赖特法》修正案 (AB 325 和 SB 763，2026 年 1 月 1 日生效) 为使用算法定价的公司带来了显著高于联邦反垄断法的责任敞口。三项具体变化值得关注。
第一，该法现在明确将“共同定价算法”定义为由两个或更多用户使用、并利用竞争对手信息影响价格的技术，并禁止使用此类算法进行合谋或胁迫用户采纳建议。这将联邦法律仍视为模糊的责任予以法典化。
第二，诉辩标准更低：在驳回动议阶段，原告不再需要主张排除独立行动可能性的事实。在联邦《谢尔曼法》标准 (Twombly/Iqbal) 下，大多数算法定价案件因平行定价可由独立的算法行为加以解释而被早早驳回。加利福尼亚州在诉辩阶段消除了这一抗辩。
第三，处罚提高至 600 万美元或金钱收益或损失的两倍中的较高者 (从 100 万美元上调)，且私人诉讼中可主张三倍损害赔偿和律师费。对于在加利福尼亚州运营的电商公司而言，这意味着集体诉讼原告现在能凭更薄弱的主张挺过驳回，而损害赔偿敞口也大幅提高。我们通过将客户的定价供应商关系、数据流和建议合规情况与新的法定定义相对照，帮助公司评估其加利福尼亚州特定的敞口。
支撑本解决方案页面的交互式白皮书。它们提供了完整的技术分析、案例取证和架构框架。
Instacart/Eversight 定价崩盘的取证分析。用于定价公平性的神经符号约束架构。《FTC 法》与纽约州《披露法》合规框架。
Amazon 25 亿美元和解的事后剖析。强化学习合谋机制。RealPage 同意令分析。Gibson v. Cendyn 安全港框架。
Instacart 的 6000 万美元和解，起源于他们以为只是例行优化的定价实验。
一个合规项目的成本仅为单次执法行动的零头。我们从一个为期 3 周的风险映射项目开始，盘点您的定价系统、测试代理歧视，并评估您在每一个现行司法管辖区的供应商敞口。