AI 價格操縱：RealPage 案對您意味著什麼

問題所在

美國司法部稱之為數位版的「煙霧繚繞密室」。2025 年 11 月，司法部就其針對 RealPage 的指標性訴訟達成和解。該公司的演算法先前蒐集了彼此競爭的房東所持有的非公開租賃資料，再把這些資料轉化為定價建議回饋出去。結果如何？依政府自己的起訴文件所述，房東們「很可能同步行動，而非彼此對抗」。租房者付了更高的租金。競爭者停止了競爭。而這套軟體讓一切看起來都像是各自獨立的決策。

RealPage 的工具——AIRM 與 YieldStar——擷取了競爭對手的即時租金行情、租約條件與入住率資料，並利用這些資料在整個大都會區推行「拉抬與壓低並用」的定價（stretch and pull pricing）。司法部認定此舉違反《謝爾曼法》（Sherman Act）第 1 條。簡言之：利用共享演算法來對齊價格，如今已被視同於主管們在密室裡私下議定價格。

這並非個案。FPI Management 已於 2025 年 9 月以 280 萬美元達成和解；Yardi Systems 則仍面臨進行中的訴訟。在聯邦和解協議墨跡未乾之前，加州與紐約州的議員就已通過針對演算法定價的新法律。

如果貴公司使用任何會接觸到競爭者資料的第三方定價工具，那麼您現在所處的法律環境，是兩年前根本不存在的。

這對貴公司業務為何重要

這裡的財務與法律曝險並非紙上談兵。它們已經被計入和解金額、立法與法庭攻防策略之中。以下是貴公司領導團隊應該知道的事：

• **司法部如今將共享定價演算法視為潛在卡特爾。**如果您的工具擷取競爭者的非公開資料來產生定價建議，您將面臨《謝爾曼法》下的法律責任。RealPage 和解案禁止使用任何未滿 12 個月的競爭者資料。
• **州法律的推進速度比聯邦執法更快。**加州 AB 325 號法案自 2026 年 1 月 1 日起生效，禁止任何使用競爭者資料來影響價格的共同定價演算法；紐約州 S. 7882 號法案自 2025 年 12 月 15 日起生效，針對在多名不動產所有權人之間執行「協調功能」的工具。即使您從未採納演算法的建議，法律責任仍可能成立——該法針對的是使用此類工具本身所涉及的「輕率漠視」。
• **包殼經濟是一顆訴訟定時炸彈。**當您透過公開的 AI API 傳送敏感的交易資料時，您就失去了對這些資料用途的控制權。基礎模型可能因您競爭對手的互動而被精調。在反托拉斯法的語境下，一個由多家競爭者的資料共同精調而成的共享模型，可能被視為間接的資訊共享。
• **把這件事做對所帶來的商業上行空間極為可觀。**成功規模化 AI 的公司在三年內的股東總報酬（TSR）比同行高出 3.6 倍。但只有 5% 的組織真正從 AI 中獲得了可觀的財務收益。差距出在架構，而非企圖心。

您的董事會與法務長必須明白：風險不在於您的 AI 判斷錯誤。真正的風險是您的 AI 本身違法。

檯面下實際發生的事

不妨把大多數第三方 AI 定價工具想像成一張業界人人都能讀寫的共用試算表。您把資料放進去，競爭對手也把他們的資料放進去。演算法讀取全部資料後吐出一個價格。沒有人看得到對方的原始數字，但輸出結果反映了所有人的輸入。這正是司法部所指出的問題。

這個技術術語叫「資料混雜」（data commingling）。當貴公司把資料傳送給共用的 AI 模型——無論是定價工具，還是透過公開 API 存取的通用大型語言模型（LLM）——這些資料就進入了一個您無法控制的系統。儘管有隱私設定，透過模型反推（model inversion）或嵌入反推（embedding inversion）等技術造成資料外洩的風險依然真實存在。這類手法能讓攻擊者從模型的輸出中萃取訓練資料。

白皮書還指出第二種失效模式：「諂媚性」（sycophancy）。LLM 被訓練成樂於助人、處處附和，因此往往說的是你想聽的話，而不是你的企業政策所要求的話。2024 年的 DPD 客服聊天機器人事件讓這一點暴露無遺：一台客服機器人附和客戶，稱自己所屬的公司「一無是處」，還寫詩嘲諷自己的服務。一句簡單的系統提示詞（system prompt）——也就是你給 AI 的指令——並不足以防止這種情況。

這兩個問題有共同的根源。這類系統的安全性與合規性是機率性的，而非有保證的。AI 可能有 98% 的時間遵守您的規則，但在受監管的市場中，最終被搬上法庭的正是那 2%。消費者對全由 AI 生成的內容的信任度只有 13%；一旦有人類參與流程，信任度就躍升至 48%。您的客戶和監管機構都想要有人類把關的證明。

有效與無效的做法

先從無效的做法開始：

公開 API 包殼——把資料傳給第三方模型，然後在回應上貼上自己的品牌標誌，這種做法創造不出任何可辯護的優勢。基礎模型供應商正在打造自己的垂直解決方案。一旦他們做了，您的外殼價值就會在一夜之間歸零。

「隱私模式」開關——在供應商的設定裡關閉訓練資料共享，並不能給您數學上的隱私保證，只給您一個勾選框。監管機構要的是證明，不是承諾。

自動接受定價建議——司法部和解協議明確針對未經人工審查即執行演算法建議的功能。如果您的定價工具具備自動接受功能，它現在就是一個監管上的危險信號。

以下才是有效的做法。其架構原則稱為神經符號 AI（neuro-symbolic AI）——一個把語言引擎與決策引擎分離開來的系統。它的運作分三個步驟：

1. **輸入——私有資料、私有模型。**您的 AI 在您自己的虛擬私有雲（VPC）內執行。您的資料絕不離開企業邊界。訓練資料來自您自己的紀錄或合成資料——由生成對抗網路（GAN）這類工具產生的人工資料集，既保留分析價值，又不含任何真實的競爭者資訊或個人資料。差分隱私（differential privacy）——一種為資料加入校準雜訊的數學技術——則確保任何單一資料點都無法從模型的輸出中被逆向還原。

2. **處理——確定性邏輯主宰每一項決策。**神經元件負責處理語言，但一個由知識圖譜、規則引擎與結構化解算器構成的符號「大腦」，會以確定性的方式執行您的政策。這是仿照認知科學中的「系統二」思維：緩慢、深思熟慮的推理，而非快速、機率式的猜測。每一項定價建議在送達人類之前，都必須先通過您的合規規則。

3. **輸出——人工簽核加上完整稽核軌跡。**沒有任何建議會被自動執行。每一項決策都有日誌記錄。覆寫協定讓您的團隊可以否決或修改任何輸出。對稱性檢查確保演算法不會系統性地偏袒漲價而忽視降價——這正是 RealPage 和解案中司法部的核心要求。

這套架構讓您的合規團隊獲得外包殼方案得不到的東西：AI 每項決策背後完整、可供檢視的邏輯軌跡。當監管機構問起您的系統為何建議某個特定價格時，您可以向他們展示確切的規則、確切的資料，以及核准該決定的那位確切的人。這就是可辯護系統與法律負債之間的差別。

對於正在應對 高風險產業的 AI 治理與法規遵循的組織而言，這種架構層級的透明度已不再是選配項，而是基本要求。若以 神經符號架構與約束系統 為基礎來打造系統，就能確保您的 AI 是靠設計、而非靠運氣來遵守您的規則。而隨著各州與聯邦的執法腳步加快，投資於 隱私工程與合成資料 是證明您的演算法清白的最直接路徑。

您可以 閱讀完整的技術分析 ，取得完整的法律與架構解析；或者 探索互動式版本 ，透過引導式導覽逐步了解關鍵發現。