你的 AI 定價工具，可能正在經營一個卡特爾——而你可能毫無察覺

去年秋天，我與一家中型物業管理公司通話，他們的營收副總裁說了一句話，讓我的心猛地一沉。

「我們沒問題，」她說。「我們不用 RealPage。我們自己做了定價工具。」停頓了一下。「嗯——它會帶著我們的資料，以及我們抓取來的競爭對手房源，去呼叫 GPT-4。但它是我們的。」

它並不是他們的。至少在任何真正重要的意義上都不是。他們把具有競爭敏感性的租賃資料——入住率、租約條件、各房型定價——送進一個第三方 API；那個 API 用天曉得什麼資料訓練過，靠天曉得是誰的互動調校過，而它回傳的建議，則是由整個市場同類查詢所吸收的模式所塑造。他們在毫無察覺的情況下，建造出的正是司法部剛花了兩年時間拆解的那種演算法協調機制。

那次對話改變了我對我們在 Veriprajna 所建構之物的思考方式。因為問題不在於某一家公司被抓到用軟體操縱租金。問題在於，預設架構——也就是多數公司用於 AI 的那一套：把你的資料送進別人的模型，再拿回一個建議——在結構上，與司法部剛剛稱之為數位卡特爾的東西毫無二致。

RealPage 到底發生了什麼事？

讓我說得具體一點，因為細節比新聞標題更重要。

RealPage 開發了名為 YieldStar 與 AIRM 的軟體，會擷取互相競爭的房東所提供的非公開、細緻交易資料——即時租金、租約條件、未來入住率預測——並用來產生每日定價建議。司法部指控這形成了一個「軸輻式」卡特爾：RealPage 是輪軸，房東們是輪輻，而演算法就是那間煙霧繚繞的密室。

政府訴狀中有一句關鍵的話，我一再回想：這套軟體確保房東們「很可能會步調一致，而不是彼此對抗」。

當你的演算法明確的設計目標就是阻止競爭者彼此競爭時，你根本不需要在密室裡握手。你已經把那次握手自動化了。

2025 年 11 月 24 日，司法部達成了一項里程碑式的和解。而在 2025 年 9 月，FPI Management 就已以 280 萬美元和解。Yardi Systems 則仍面臨訴訟。突然之間，每一家在跑演算法定價的公司——不論是在房地產、飯店旅宿、零售還是物流業——都必須問一個他們從未想過的問題：我的軟體是共謀者嗎？

如果你不在房地產業，這為什麼重要？

多數關於 RealPage 案的報導都在這裡出了錯。評論者把它當成一則房地產新聞。它不是。它是一則關於架構的新聞。

司法部的終局判決做出了一項技術性區分，任何企業 AI 團隊看了都該不寒而慄。它區分了模型訓練與執行期運作。模型仍可從歷史性的彙總趨勢中學習——也就是至少已有十二個月之久、且未與進行中交易相關聯的資料。但若把競爭對手的當前狀態——他們的入住率、他們的庫存、他們的即時定價——用作即時建議的輸入呢？那在《休曼法》第 1 條之下，如今會被視為一種數位共謀。

再讀一次。這無關乎意圖。這關乎的是資料流架構。

我在我們研究的互動版本中寫過完整的技術與法律拆解，但核心洞見是這樣的：如果你的 AI 系統擷取非公開的競爭對手資料，並輸出會影響市場行為的建議，你就有反托拉斯問題。你身處哪個產業無關緊要。《休曼法》不在乎你的垂直領域。

而如果你正在使用多租戶 API——也就是同時處理你與你的競爭對手雙方資料的那一種——那麼資料混同的風險就是結構性的。你無法靠政策來擺脫架構問題。

我意識到「套殼」已死的那一夜

我得倒帶回 RealPage 和解之前的某一刻，因為那正是這個論點在我腦中成形的時候。

當時我們正在為一家飯店旅宿業客戶對定價原型做壓力測試。這套系統的架構相當標準——把他們的訂房資料灌進一個 LLM API，結合抓取來的市場房價，產出動態定價建議。介面乾淨。回應快速。客戶很喜歡。

接著，我的一位工程師 Priya 做了一次來源稽核。她追溯了推論時碰觸到模型的每一項輸入的資料血緣。某個星期二晚上 11 點，她在我們的 Slack 頻道丟出一句話：「我們無法證明這個模型知道些什麼。」

她是對的。當你把資料送過一個公開 API，你就失去了保證什麼東西影響了輸出的能力。這個模型可能曾用其他飯店旅宿業公司的互動資料微調過。它可能吸收了上週使用同一個 API 的某個競爭對手的定價模式。你是真的無從得知。而在後 RealPage 的世界裡，「我們真的無從得知」不是抗辯——那是自白。

就是在那一夜，我告訴團隊我們要把整個專案轉向私有部署。客戶並不買帳——那會花更久的時間、前期成本更高，還需要他們沒有的基礎設施。我記得凌晨 1 點坐在自己的公寓裡，草擬那封電子郵件，說明我們為何無法問心無愧地交付已經建好的東西。那是我身為創辦人以來最難的一場客戶對話。也是最重要的一場。

問題不在於你的 AI 是否給出好建議。問題在於你能否證明——在聯邦法官面前，宣誓作證——究竟是哪些資料形塑了那些建議。

各州如何回應？比任何人預期的都快

聯邦和解只是開場戲。加州與紐約州出手之快，讓整個法律科技圈措手不及。

加州的 AB 325自 2026 年 1 月 1 日起生效，禁止在限制交易的共謀中，使用以競爭對手資料來建議或影響價格的共用定價演算法。關鍵的細微之處在於：它只適用於由兩人或以上使用的工具。為單一公司專屬使用而打造的自有演算法則不在此限。

仔細讀那條豁免。加州實質上創造了一種法律誘因：自己打造 AI，而不是訂閱共用的 SaaS 工具。

紐約州的 S. 7882自 2025 年 12 月 15 日起生效，對住宅物業管理業者走得更遠。它針對任何執行「協調功能」的演算法工具——其定義為蒐集並分析來自多位業主的資料。即使沒有直接採納建議，仍可能產生責任。其標準是：只要使用這類工具本身，即構成「輕率漠視」。

我和一位曼哈頓的房地產律師談過，他說得很直白：「如果你是紐約的物業管理業者，正在使用多租戶定價工具，你不是在管理風險。你是在製造風險。」

「主權 AI」在實務上究竟意味著什麼？

我是刻意使用「主權」這個詞的，我也知道它聽起來很浮誇。但這個概念很精確：你的 AI 系統在架構上就應該不可能存取、擷取你所不擁有的資料，也不可能受其影響。

在 Veriprajna，我們把這套做法稱為「Deep AI」——它建立在一個聽起來理所當然、實務上卻很激進的原則之上：把聲音和大腦分開。

「聲音」是神經語言模型——也就是理解自然語言並產生流暢回應的那一部分。我們把 Llama 3 或 Mistral 這類開放模型私有部署在客戶自己的虛擬私有雲之內。資料永遠不會離開他們的邊界。

「大腦」則是一個確定性的符號求解器——知識圖譜、規則引擎、以 SQL 為基礎的邏輯——負責執行政策、進行計算，並保證輸出符合特定的監管約束。大腦不會產生幻覺。它不會近似。它會運算。

這正是認知科學家所稱的「系統二」思考——緩慢、審慎、可稽核的推理——疊加在「系統一」的模式辨識之上。神經模型處理歧義與語言。符號系統處理真實與法遵。

安全不能是機率性的。它必須是架構性的。

當司法部要求定價「調節器」必須對稱——對降價與漲價給予同等權重——那不是你能用系統提示詞去落實的政策。那是你必須編碼進符號層的約束，在那裡它是數學上被保證的，而不是統計上很可能的。

你還能在不違法的情況下使用市場資料嗎？

這是我最常被問到的問題，而且問得很對。答案是可以——但怎麼做至關重要。

技術機制是差分隱私。不深入數學細節的話（我在我們的技術深度剖析中對此有詳盡的著墨），核心想法相當優雅：你在資料中加入經過仔細校準的雜訊，使得任何單一參與者的資訊被納入或被排除，都不會對演算法的輸出造成有意義的改變。

這意味著定價引擎可以從廣泛的市場趨勢中學習——「這個郵遞區號的需求正在上升」——而完全不必「看見」某個特定競爭對手的入住率或租約條件。你得到了分析上的效用，卻沒有反托拉斯的曝險。

我們把這一點與合成資料生成搭配使用。預測顯示，到 2024 年，AI 訓練資料中將有 60% 是合成的。到了 2026 年，合成資料已成為我所稱的「設計即合規」的主要機制。我們使用生成式模型來製作高擬真的市場資料合成版本，既保留統計特性，又完全不含任何真正具競爭敏感性的資訊。

這不是權宜之計。這是更好的架構。而且它提供了再多法律免責聲明都給不了的東西：數學證明——足以顯示你的系統並未與競爭對手協調。

我一再重複的那場關於「自動接受」的爭論

RealPage 和解中有個細節沒有得到足夠的關注：對自動接受功能的禁止。

RealPage 的軟體可以在沒有人工審查的情況下，自動執行定價建議。司法部將此視為重大的加重因素。和解如今要求，自動接受功能必須可組態，且須由使用者手動設定。

我曾為此與一位潛在客戶的技術長爭論。他想要一個完全自主的定價代理——沒有人在迴圈中、對市場狀況即時反應、效率最大化。「那才是 AI 的全部意義所在，」他說。

我告訴他，AI 的全部意義在於做出更好的決策，而不是做出快到沒有人來得及審查的決策。他不太喜歡這個答案。

但現實是這樣的：我們在 Veriprajna 建構的每一套系統，都包含我所稱的「人類作為擷取者」（Human-as-Capturer）迴圈。在每一個關鍵層級，都由人類意圖治理機器的執行。不是因為人類比演算法聰明——他們常常並不聰明——而是因為 2026 年的法律與倫理框架要求，必須有一個人為每一項面向市場的決策負責。覆寫協定、強制簽核流程、為監管審查而保存的稽核日誌。

有人偶爾會問我，這種人在迴圈中的要求是否讓 AI 定價工具變得毫無意義。並不會。它讓它們成為工具，而不是替代品。AI 在幾秒內完成人類團隊要花好幾天才做得完的分析。由人來做決定。那不是一種限制——那是負責任地參與市場的架構。

「套殼陷阱」的真實代價

讓我談談錢，因為最終真正推動對話的就是錢。

使用 Tier 1 API 模型的公司——GPT-5、Claude 4——每百萬個輸入 token 要付 $1.25 到 $15.00，每百萬個輸出 token 則是 $10.00 到 $75.00。這些成本會波動。服務條款會變更。而你送出的每一個 token，都帶著資料主權風險。

麥肯錫與 BCG 在 2025 年末的資料顯示，成功規模化 AI 的公司，三年期的股東總報酬率達同儕的 3.6 倍。但只有 5% 的組織成功從 AI 中獲得可觀的財務收益。多數公司則卡在為別人的基礎設施繳交一筆不斷攀升的稅金，卻拿不出任何可防禦的競爭優勢。

Deep AI 翻轉了成本結構。你投資於基礎設施——硬體資本支出、私有模型部署、符號推理層——並且建立起一項資產。一顆量身打造的機構大腦，擷取你的組織獨有的工作流程、政策與市場情報。它列在你的資產負債表上。它的價值會複利成長。而且訂閱同一個 API 的競爭對手，無法複製它。

當你的競爭優勢住在別人的資料中心裡，那就不是競爭優勢。那是一份訂閱。

接下來會走向何方？

下一個前沿是代理式 AI——能夠選擇工具、進行多步推理，並在真實世界中執行行動的自主系統。預訂一批貨運。調整一個價格。遞交一份監管文件。潛力非凡。風險亦成正比。

一個逾越自身權限的自主定價代理——做出未經授權的財務承諾，或在沒有人類監督的情況下與市場參與者協調——不只是技術失誤。在後 RealPage 的法律環境中，它可能構成聯邦罪行。

我們建構的每一條代理式工作流程都遵循嚴格的迴圈：對照企業憲章進行推理、選擇適當的工具、驗證輸出，並且只有在確認沒有跨越任何法遵界線之後才合成回應。每一項行動都會被記錄且可稽核。符號大腦扮演的是憲章級的約束——不是建議、不是指引，而是神經模型無法覆寫的架構性界線。

這就是主權在實務上的意義。不只是擁有你的資料，還要擁有作用在資料之上的推理過程。不只是部署 AI，而是部署一套反映你的法律、你的倫理、你的風險容忍度的 AI——編碼在監管機關可以檢視、法官可以理解的邏輯之中。

RealPage 案不是異數。它是一個新法律現實的第一個明確訊號：你的 AI 系統架構，如今是你反托拉斯曝險的一項主要決定因素。不是你的意圖。不是你的政策。不是你的服務條款。是你的架構。

每一家在跑演算法定價、營收管理或面向市場之建議的企業，都必須回答一個簡單的問題：如果司法部明天傳喚你的 AI 系統，你能否證明——在資料流、模型訓練與推論邏輯的層次上——它的運作獨立於你的競爭對手？

如果答案是「大概可以」，你有麻煩了。如果答案是「我們得問問我們的 API 供應商」，那你面臨的是危機。

那間煙霧繚繞的密室並沒有消失。它搬進了雲端。而在這個新時代中將會蓬勃發展的公司，不是擁有最好演算法的那些——而是完全擁有自己的演算法、以設計即合規的方式架構它們，並且能夠在宣誓之下證明這一點的那些公司。