你的定價演算法是兩場官司，不是一場——而多數公司只防了其中一場
我團隊審計的第一個定價引擎順利通過了。
我們建了一個公平性掃描器——顯而易見的做法。把它對準一個定價演算法，檢查模型是否把種族、性別、年齡或任何受保護類別作為輸入，如果有就標記出來。我們用它來檢測一家中型市場零售商的個人化系統，結果顯示綠燈通過。沒有受保護欄位。沒什麼可看的。
我差點就把報告發出去了。接著我調出了模型的特徵重要性圖——也就是實際影響價格的各項輸入的排序清單——結果第三強的訊號竟是device_type。在它下面是：郵遞區號。再下面，是會話開始時的時段。
這個演算法從未見過種族或收入。它根本不需要。一位使用較舊 Android 手機、來自較低收入郵遞區號、在晚上 11 點瀏覽的使用者，所得到的價格與一位在下午 2 點、身處富裕郊區使用 iPhone 的使用者有著系統性的差異。而人口普查資料會準確告訴你這些輸入群集與什麼相關。我們的掃描器說「合規」。而一個差別性影響回歸分析則會說「無從辯護」。我們建了一個工具，去檢查一項如今已經沒人再犯的罪行。
就在那一刻，我明白了AI 定價合規究竟是什麼，以及為什麼幾乎所有人都搞錯了它。
2025 年，聯邦貿易委員會（FTC）向兩家公司收取了 25.6 億美元，而它們並非因同一件事被起訴
這裡有一個數字，應該寫在每一位電子商務總法律顧問辦公室的白板上。在單單一年之內，聯邦貿易委員會就與 Instacart 以 6,000 萬美元、與 Amazon 以 25 億美元和解了演算法定價案件。不同的公司、不同的行為、不同的法律理論——而這項區別正是整場博弈的關鍵。
Instacart 的案子關乎歧視。它的 Eversight 定價工具進行實驗，對同一家門市的同一件商品產生出多達五種不同的價格，變動幅度高達 23%。四分之三的商品目錄都受到演算法價格變動的影響。FTC 的和解並不取決於任何人能否證明 Instacart有意向較貧窮的購物者收取更高的價格。它取決於結果：某些消費者輪廓系統性地支付了更多，估計每戶每年高達 1,200 美元。
Amazon 的案子關乎共謀。Project Nessie 透過預測競爭對手何時會跟進漲價、然後對超過 800 萬件商品調高價格，估計攫取了 14 億美元的超額利潤。這裡沒有會面、沒有協議、高階主管之間沒有通過任何電話。只有一個演算法，它學到大多數競爭對手採行以牙還牙的定價規則，並加以利用。這場反壟斷審判，FTC 訴 Amazon 案，定於 2026 年 10 月開庭，將檢驗透過演算法進行的默示共謀是否違反《FTC 法》第 5 條。
一個定價引擎。兩條執法軌道。大多數公司只為其中一條建立防禦，而從未察覺另一條正朝它們而來。
這就是陷阱。定價團隊聽到「合規」，就伸手去拿一條揭露橫幅——這是消費者保護的答案。或者它聽到「反壟斷」，就打電話給律師事務所要一份備忘錄。幾乎沒有人會看著那個正運行在生產環境中的單一演算法，同時追問這兩個問題：這項輸出是否具歧視性，以及它是否在共謀？
為什麼揭露橫幅的直覺是個陷阱
在早期，有大約一週的時間，我確信這整個問題不過是一項使用者介面的工作。
紐約剛剛通過了《演算法定價揭露法》，自 2025 年 11 月起生效——每當價格使用個人消費者資料時，須「清楚而顯著地揭露」，每次違規罰款 1,000 美元。它讀起來像是個 Cookie 橫幅的問題。在頁面上貼一則通知、記錄同意，就完成了。我已經有一份揭露用語的草稿，修訂完畢、隨時可用。
接著我讀了《加州卡特賴特法》的修正案，橫幅這個想法就土崩瓦解了。
加州的 AB 325 與 SB 763，自 2026 年 1 月起生效，並不在乎你的揭露。它們把使用「共同演算法」界定為法定責任——共同演算法被定義為由兩方或多方使用、以利用競爭對手資訊來影響價格的演算法。它們降低了訴狀標準，使原告不再需要為了熬過駁回動議而先排除獨立行為的可能。並且它們把公司罰款提高到 600 萬美元或所得利益兩倍中的較高者，在私人訴訟中還附帶三倍損害賠償與律師費。世上沒有任何一條橫幅能靠揭露幫你擺脫那個。風險並不在於你告訴消費者什麼；而在於你的演算法——無論是直接還是透過供應商——與市場其餘部分分享了什麼。
那對我們來說才是真正的轉捩點。揭露是消費者保護軌道的下限。共謀軌道在它底下以完全不同的物理法則運行，而最危險的一點是，你可能會透過一個你從未視為風險的供應商而觸發它。
供應商問題：你的定價軟體可能就是你的責任所在
如果你授權使用第三方定價工具——Pricefx、PROS、Zilliant、Competera——你已經外包了你的最佳化。你並沒有外包你的責任。你可能反而引進了它。
第九巡迴上訴法院在 2025 年 8 月的Gibson 訴 Cendyn 案中劃定了界線，這是首個關於演算法定價反壟斷的聯邦上訴裁決。好消息是：獨立地訂閱與你的競爭對手相同的定價演算法，本身並不違法。壞消息是有三項條件會擊破這個安全港。當工具在客戶之間匯集具競爭敏感性的非公開資料時、當供應商行銷其「提高全行業價格」的能力時、或當它促進非匿名化競爭對手資料的交換時，你就失去了保護。同一家供應商沒問題。同一家供應商把你對手的即時數字匯集進為你的商品目錄定價的模型中，就是軸輻式共謀的風險敞口，即使你從未與任何競爭對手交談過。
所以我現在向任何客戶問的第一批問題之一，不是「你的定價模型做什麼」，而是「你讀過你供應商的資料處理附錄嗎？」因為那條默默地允許跨客戶資料匯集的條款，正是反壟斷風險所在之處，而它藏在合約深處三層之下——一份由法務團隊簽署、而定價團隊從未見過的合約。
這也是 FTC 的 6(b) 監控式定價研究之所以重要的地方。2024 年，它向八家公司發出命令——包括 Mastercard、PROS、Accenture 和 McKinsey——要求它們說明如何使用消費者資料來設定價格。一些最常見的定價平台都被點名在那份研究中。它們的演算法可能就是你的責任，而「我們只是買了那套軟體」從來都不是一種辯護。
RealPage 同意令實際上要求了什麼？
這整個領域中最具啟發性的文件並不是一部成文法。它是司法部（DOJ）2025 年 11 月的 RealPage 同意令，而它之所以對電子商務重要——即使 RealPage 是一宗租屋案件——是因為這是監管機構首次以技術細節寫下一個合規的定價演算法應該是什麼樣子。
我留著一份列印本。頭條報導是「司法部嚴打租金設定軟體」。真正的利齒則是一份工程規格：
- 不得用少於12 個月的租約資料進行訓練——模型無法對來自競爭對手的即時市場訊號做出反應。
- 地理分析不得細於州層級——不得使用次級市場群集來精準鎖定定價權。
- 「調節器」防護欄——也就是演算法可推薦價格的下限與上限——必須對稱，如此工具就無法被悄悄調校成只往上棘輪推高價格。
- 自動接受功能需要使用者設定的參數、180 天的實施期限，以及一名任期七年的專職反壟斷合規官。
RealPage 同意令是我們手上最接近於監管機構把一份可辯護演算法的規格表遞給你的東西。大多數公司讀了新聞稿，卻錯過了那張藍圖。
當我第一次讀到那份文件時，我的反應是政府剛剛免費幫我完成了半份產品路線圖。對稱調節器、資料時效要求、地理下限——這些都不是法律上的抽象概念。它們是你可以實作、測試並證明的約束條件。這就是一份合規備忘錄與一套合規系統之間的差別。
沒人為之編列預算的鑑識問題
看看當一份 FTC 民事調查要求連同其 30 天的提交時限，落到某個定價團隊桌上時，實際會發生什麼。
他們無法回應它。不是因為他們有罪——而是因為他們從未記錄過正確的資料。他們能告訴你演算法上週二定了什麼價，卻無法告訴你為什麼：是哪些輸入驅動了那個特定價格、跨使用者區隔的價差是否與任何受保護的因素相關、某個競爭對手的數字是否影響了輸出。於是他們花上六到十二個月進行鑑識資料萃取，重建系統每秒做出數千次、卻從未記錄下來的那些決策。
這正是我認為對優良公司真正不公平的部分。一家零售商可能正執行著一套完全可辯護的定價策略，卻仍然無法證明它，因為要證明它需要為每一個價格提供一張模型卡——一份帶有時間戳記的日誌，記錄使用了哪些輸入、輸出是什麼，以及它如何對照人口統計代理變數進行測試——而在調查要求到來之前，沒人會去建立那個。
我們一開始就以那份調查要求為前提來設計。把稽核軌跡當作定價決策的一級輸出，而不是事後才進行的一場考古工程。當加州總檢察長在 2026 年 1 月發動它的調查掃蕩時——向零售、雜貨與飯店業者發函，具體詢問它們如何使用購物紀錄、瀏覽行為、位置與人口統計資料來設定價格——那些能在幾天而非幾個季度內作答的公司，正是那些把決策本身、而不僅是價格，加以儀器化記錄的公司。
為什麼代理式定價會讓這一切變得更糟？
所有人此刻爭相建立的合規框架都假設有一位人類在審查定價決策。那個假設已經在失效了。
Walmart 在 2026 年 1 月申請了兩項 AI 定價專利，並將在年底前把電子貨架標籤推廣到其全部 5,200 家門市——不過它謹慎地把這稱為「演算法商品陳列」，而非「動態定價」，並堅稱無論誰在購物，價格都保持一致。McKinsey 稱代理式商務為 2026 年電子商務的決定性趨勢：由 AI 代理自主研究、比較並購買。Forrester 預期到 2027 年，每五個賣家中就會有一個部署由賣家控制的定價反制代理。
這是讓我夜不能寐的那個版本的問題，因為這個合規問題還沒有答案。當一個買家的 AI 代理與一個賣家的 AI 代理協商價格，而談定的價格結果卻具歧視性時——誰該負責？目前沒有針對代理對代理定價的監管框架。一個被設計成可擴展至每秒數千次自主決策的系統，不可能有一位人類在迴路中逐一檢查每一項決策是否有代理歧視或共謀性趨同。合規必須內建於代理之中，否則它就不存在。
那不是一個未來的問題。它是今天任何正在被架構設計的定價系統的設計約束。
「這難道不就是個成本中心嗎？」
我最常聽到的反對意見，通常來自營收長（CRO），是說合規工具是加諸在一個整個職責就是賺錢的職能上的間接成本。
我會把這些數字並排擺出來，讓它們自己爭辯。一套完整的定價合規計畫——人口統計影響分析、共謀風險評估、多轄區揭露、稽核軌跡生成——在第一年約需 10 萬到 50.5 萬美元，加上持續監控還會在此之上顯著增加。Instacart 的和解金額是 6,000 萬美元。Amazon 的是 25 億美元。拿幾十萬美元的合規支出去對照一筆九位數的和解金，這不是成本中心；這是這棟樓裡最便宜的保險。
第二個反對意見更微妙：揭露與公平性約束難道不會扼殺最佳化嗎？而這裡有一件我們一開始沒料到的事——62% 的美國成年人在 2025 年 12 月告訴 Talker Research，他們對個人化定價感到擔憂。Walmart 的定價專利招致了社群媒體的強烈反彈。成為下一則 Instacart 頭條的品牌風險是真實且可量化的。而我會提醒營收長，Project Nessie 那 14 億美元的超額利潤並沒有在與 FTC 交手後倖存下來——你無法辯護的營收，就是你終將退還的營收。一個你能在公眾面前挺身支持的定價引擎，其價值勝過幾個你必須藏起來的額外基點。
我們實際上建了什麼
我不斷撞上的那個缺口是，市場乾淨俐落地一分為二，卻對兩邊都不服務。定價平台把價格最佳化，卻提供零公平性測試、零共謀監控、零揭露自動化——它們的演算法可能就是你的責任。律師事務所與四大會計師事務所撰寫出色的顧問備忘錄，卻不運行任何自動化的東西；一項 Deloitte 或 McKinsey 的反壟斷委託案，是 50 萬美元起跳的顧問服務，到最後手上卻沒有一個工具。ORCAA 與 FTI 帶來真正的稽核與經濟學專業，但同樣只是顧問服務、以訴訟為形態。
沒有人坐在中間：一個整合層，它對個人化定價進行人口統計影響分析、為演算法共謀風險評分、把針對紐約、加州、科羅拉多州與《歐盟 AI 法》的多轄區揭露邏輯自動化，並生成 FTC 或 DOJ 調查將會要求的稽核軌跡。那個空間——介於最佳化業者所做的與律師所做的之間——正是我們打造 Veriprajna 定價合規系統所要填補的。
它必須涵蓋的監管地圖並不穩定，而這正是將其自動化的意義所在。科羅拉多州的《AI 法》於 2026 年 6 月生效，對於做出重大決策的高風險系統，它要求在部署前、其後每一年、以及任何實質模型變更後的 90 天內，再次進行影響評估。《歐盟 AI 法》的高風險義務於 2026 年 8 月落地，帶有最高 3,500 萬歐元或全球營業額 7% 的罰則。2025 年在 24 個州共有 51 項演算法定價法案，田納西州與新墨西哥州在 2026 年已經有所動作。沒有任何一支人類團隊能靠人力追蹤那張矩陣並保持與時俱進。一套隨法律更新的合規系統，是唯一行得通的版本。
我常常想起那第一次順利通過的審計。
演算法定價最可怕的地方，不是那家一開始就打算歧視或共謀的公司。而是那家意外地同時做了這兩件事的公司——它透過一個只被要求去最大化營收的模型如此行事——並在民事調查要求到來時才發現，它無法證明並非如此。演算法從未意圖任何事。那項輸出無論如何都是違法的，而意圖從來都不是問題所在。
你的定價引擎每設定一次價格，就是在做一場法律論證。唯一存疑的，是你是否有能力把它重新讀出來。
