演算法定價合規
2025 年，FTC 從兩家公司收取了 25.6 億美元的演算法定價和解金。紐約州、加州與科羅拉多州頒布了使每一筆 AI 驅動價格都可能構成違法的法律。如果您的定價引擎建立在第三方演算法、消費者資料或強化學習之上，問題不在於監管機構是否會審查，而在於當他們審查時，您能否回答他們的問題。
$2.56B
FTC 定價和解金，2025 年
Instacart 6,000 萬美元 + Amazon 25 億美元
51 項法案
州級演算法定價提案
橫跨 2025 年的 24 個州
180 天
RealPage 合規期限
DOJ 同意令，2025 年 11 月
監管機構正從兩條截然不同的戰線追究演算法定價責任。多數公司只為其中一條做準備，卻忽略另一條。
您的演算法依據個人資料，對同一產品向不同使用者收取不同價格。當這些價格差異與受保護的人口特徵相關聯時，這種做法即構成違法。
Instacart 案使這一點變得具體：Eversight 定價工具在同一家商店內對同一商品產生了多達五種不同價格，差異幅度高達 23%。FTC 的 6,000 萬美元和解並非取決於故意歧視，而是取決於結果：特定族群的消費者系統性地支付了更高價格。
技術上的陷阱是代理變數。您的演算法看不到種族或收入，但它能看到郵遞區號、裝置類型、瀏覽時間與應用程式版本。一位在晚上 11 點使用來自低收入郵遞區號的舊款 Android 裝置瀏覽的使用者，所獲得的定價待遇與一位在下午 2 點身處高收入郊區、使用 iPhone 的使用者不同。人口普查資料顯示，這些輸入群集與種族及收入人口特徵的相關程度，足以無法通過差別影響分析。演算法從未打算歧視，但其輸出結果仍然具有歧視性。
您的演算法在與競爭對手協調的情況下趨向更高價格，即使沒有任何明確協議。這正是 FTC 訴 Amazon 案背後的理論，該案定於 2026 年開庭審理。
Amazon 的 Project Nessie 透過預測競爭對手何時會跟進漲價，然後對 800 萬件商品提高價格，藉此攫取了 14 億美元。該演算法判定多數競爭對手採用「以牙還牙」的定價規則。當 Amazon 漲價時，競爭對手的演算法便自動跟進。沒有會面，沒有協議，沒有電話。只有兩套演算法達致相同的超競爭均衡。
當您使用第三方定價供應商時，風險倍增。如果您的供應商同時服務您的競爭對手，且其演算法在客戶之間匯集資料，那麼即使您從未與競爭對手交談一句，您也可能面臨輻軸式共謀（hub-and-spoke conspiracy）的風險。加州新修訂的卡特萊特法案（Cartwright Act，2026 年 1 月生效）將此明文化：一個由兩名或更多使用者使用、並利用競爭對手資訊影響價格的「共用定價演算法」，即構成法定責任。
本表追蹤影響演算法定價的每一項現行法律、和解先例與執法行動。更新於 2026 年 4 月。
| 司法管轄區 | 法律 / 先例 | 關鍵要求 | 罰則 | 狀態 |
|---|---|---|---|---|
| 紐約州 | 演算法定價揭露法案 | 當價格使用個人消費者資料時，須作出顯著揭露 | 每次違規 1,000 美元 | 2025 年 11 月頒布；因 NRF 禁制令待決，執法暫停 |
| 加州 | 卡特萊特法案（AB 325 / SB 763） | 禁止使用競爭對手資料設定價格的「共用演算法」；禁止脅迫採用演算法建議 | 600 萬美元或所得/損失 2 倍中之較高者；私人訴訟中可獲三倍損害賠償 | 2026 年 1 月 1 日生效 |
| 科羅拉多州 | AI 法案（SB 24-205） | 對作出包括定價在內的「重大決定」的高風險 AI 系統進行影響評估 | 由總檢察長執法；禁制令救濟 | 2026 年 6 月 30 日生效 |
| 聯邦（FTC） | FTC 法案第 5 條 | 禁止「不公平競爭手段」。FTC 訴 Amazon 案的審判將檢驗演算法默示共謀是否符合此規定 | 禁制令救濟 + 不法所得返還（Amazon：25 億美元和解） | 審判定於 2026 年 10 月 |
| 聯邦（DOJ） | RealPage 同意令 | 不得使用 12 個月以內的競爭對手資料；不得低於州級地理範圍；對稱式防護機制；反壟斷合規官 | 為期 7 年的監督期 | 自 2025 年 11 月起生效；180 天合規期限 |
| 聯邦（判例法） | Gibson 訴 Cendyn 案（第九巡迴上訴法院） | 安全港：若無匯集非公開資料、無「抬高價格」行銷、無未匿名化的競爭對手資料，使用同一供應商即屬合法 | 防禦性先例 | 2025 年 8 月判決 |
| 歐盟 | 歐盟 AI 法案（高風險條款） | 針對作出重大決定的 AI 系統的影響評估、透明度文件、反歧視措施 | 3,500 萬歐元或全球營業額的 7% | 高風險義務於 2026 年 8 月 2 日生效 |
| 24 個州 | 51 項提議法案（2025 年） | 各式各樣：揭露要求、監視式定價禁令、演算法稽核要求 | 因州而異 | TN、NM 法案於 2026 年活躍進行中；預期還會更多 |
資料來源：FTC 新聞稿、DOJ 公共事務辦公室、Wilson Sonsini 反壟斷快訊、Cleary Gottlieb 出版品、Arnold & Porter 諮詢報告。更新於 2026 年 4 月。
如果您正在評估各種選項，以下是每一類供應商實際提供的內容，以及其中的缺口所在。
| 供應商類型 | 範例 | 他們做什麼 | 合規缺口 | 典型成本 |
|---|---|---|---|---|
| 定價平台 | Pricefx、PROS、Zilliant、Competera | 運用 AI/ML 優化價格。部分公司被列入 FTC 6(b) 監視式定價命令中。 | 無公平性測試。無揭露自動化。無共謀監測。他們的演算法可能成為您的責任。 | 每年 20 萬至 100 萬美元以上 |
| 四大會計師事務所 / 大型系統整合商 | Deloitte、PwC、Accenture、McKinsey | 反壟斷諮詢、風險評估備忘錄、監管關係管理 | 僅提供諮詢。無自動化合規工具。專案歷時數月，交付的是 PDF，而非基礎設施。部分公司本身亦被列入 FTC 6(b) 命令中。 | 50 萬至 500 萬美元以上 |
| 反壟斷律師事務所 | Wilson Sonsini、Cleary Gottlieb、Arnold & Porter | 法律意見、設計準則、訴訟辯護 | 提供法律建議，而非技術實作。能告訴您要建構什麼，卻無法為您建構。是不可或缺的夥伴，而非替代方案。 | 每小時 800 至 2,000 美元 |
| 演算法稽核機構 | ORCAA、FTI Consulting | 時點性演算法稽核、專家證人證詞、偏誤評估 | 快照式稽核，而非持續監測。無定價專用工具。對訴訟有價值，但不適用於持續合規。 | 每次稽核 10 萬至 40 萬美元 |
| 專業化 AI 顧問公司 | Veriprajna | 建構定價合規基礎設施：稽核層、揭露自動化、共謀監測、稽核軌跡 | 無法解決組織對定價透明度的抗拒，也無法解決您交易日誌中根本的資料品質問題。我們建構的是技術層，而非文化變革。 | 15 萬至 50 萬美元 |
我們不優化價格。我們不與您的定價平台競爭。我們架設在您所運行的任何引擎之上，使其達到可證明的合規。
我們將輸入您定價引擎的每一項資料對映出來，並逐一測試其與人口特徵代理的相關性。郵遞區號、裝置類型、瀏覽工作階段時長、時段、應用程式版本：我們運用與人口普查連結的地理資料及裝置擁有率統計，測量其與種族、收入及年齡人口特徵的相關性。
接著我們執行反事實模擬。對於樣本集中的每一項定價決策，我們固定所有需求驅動因素，僅改變代理變數。若價格變動超過最高群組費率的 20%（從 EEOC 差別影響標準改編而來的五分之四門檻），該輸入即被標記。
輸出結果是一份橫跨五個維度的風險計分卡，這些維度取自 RealPage 同意令架構及 Duane Morris 設計準則：資料來源、建議顆粒度、獨立性維護、透明度，以及人工覆寫能力。
我們在您的定價引擎與結帳流程之間建構合規中介軟體。針對紐約州：即時分類每筆價格是否使用了個人消費者資料，並進行條件式揭露呈現。針對加州：進行資料防火牆驗證，確認您的供應商不會跨客戶匯集競爭對手資料。
針對科羅拉多州（2026 年 6 月生效）：自動產生與您模型版本歷史連結的影響評估。針對歐盟（2026 年 8 月生效）：以 AI 監管辦公室所期望的格式匯出第 13/14 條透明度文件。
該中介軟體依據使用者地理位置進行司法管轄區偵測，因此揭露規則會自動調整。單一 API 層即可處理所有司法管轄區。當田納西州或新墨西哥州通過其待決法案時，我們無需觸動您的定價引擎即可新增規則。
我們依據 Gibson 訴 Cendyn 案的三部分測試，稽核您與定價供應商的關係：該供應商是否匯集非公開的競爭對手資料、是否行銷其抬高全行業定價的能力、是否分享未匿名化的競爭對手資訊？若任一要件不通過，您與供應商的關係便會造成輻軸式共謀風險。
針對您自己的演算法，我們執行共謀模擬測試。我們將您的定價模型部署於三種競爭對手代理人原型（以牙還牙規則匹配者、Bertrand 競爭代理人，以及強化學習代理人）之上，並測量在 10,000 個模擬市場週期內是否出現超競爭均衡。
針對持續監測，我們建構儀表板，以標記定價趨同模式：同步的價格變動、競爭對手之間價格離散度的縮小，以及無需求面解釋卻逆轉的利潤率壓縮。
我們在您需要之前便建構好稽核軌跡基礎設施。一個事件驅動的記錄層即時擷取每一項定價決策：所使用的資料輸入、模型版本、原始建議、所套用的限制檢查、建議是否遭覆寫、揭露狀態，以及最終顯示的價格。
儲存採用僅可附加（append-only）且不可變更（immutable）的方式。記錄結構是根據 FTC 民事調查要求（CID）實際索取的內容建模，依據的是 Instacart 與 Amazon 現已成為公開紀錄一部分的 CID 結構。
當 CID 送達時，您可在 48 至 72 小時內產出合規的文件套件。多數沒有此基礎設施的公司會花費 6 至 12 個月進行被動式法證萃取，過程中往往發現資料中的缺口，削弱其處境。主動建構此基礎設施的成本，僅為依 CID 回應費率聘用外部律師單月緊急開支的一小部分。
以下是我們稽核多臂吃角子老虎機（Multi-Armed Bandit）定價引擎中代理歧視時所發生的情況。這是四條稽核路線之一；我們之所以詳述這一條，是因為基於 MAB 的系統在電子商務動態定價中最為常見，也正是 Instacart 的 Eversight 所使用的架構。
我們從您 MAB 的情境輸入中擷取完整的特徵向量。在典型的電子商務 MAB 中，這包含：使用者區隔 ID、工作階段次數、裝置類型、作業系統、螢幕解析度、地理座標或郵遞區號、時段、星期幾、購物車組成、歷史購買頻率，有時還包括瀏覽停留時間。
對於每一項特徵，我們以 ZIP+4 層級計算其與人口普查衍生人口特徵分佈的皮爾森相關係數。一項特徵若其 |r| > 0.3 與任一受保護類別代理（種族、收入五分位、年齡組）相關，即被標記進行反事實測試。根據我們的經驗，郵遞區號與裝置類型幾乎總是超過此門檻。工作階段時間與瀏覽深度往往也是如此。
對於每一項被標記的特徵，我們產生反事實使用者輪廓。我們從您的生產日誌中取出 10,000 項真實定價決策，並建立僅改變被標記代理變數的合成變體。一位來自郵遞區號 10021（上東城，家庭收入中位數 13.8 萬美元）的使用者，變成一位來自郵遞區號 10456（南布朗克斯，家庭收入中位數 2.7 萬美元）的使用者，而所有其他需求訊號維持不變。
我們將原始輪廓與反事實輪廓同時送入您的 MAB，並測量價格差額。若平均差額超過最高群組價格的 20%（五分之四門檻），該特徵即造成法律上可追究的差別影響。我們會報告確切差額、受影響最深的人口群組，以及出現此模式的生產交易筆數。
對於未通過反事實測試的特徵，我們建構限制層以約束 MAB 的行動空間。這並非簡單的門檻（演算法會將之優化至邊緣）。我們採用公平性感知的獎勵塑形：修改 MAB 的獎勵函數，以懲罰會造成跨群組變異超過門檻的價格建議。該限制被嵌入優化之中，而非作為事後濾鏡外加上去。其結果是一個仍會優化營收、卻無法產生歧視性結果的定價引擎，而該限制對營收的影響通常落在 1 至 3% 的範圍內。
一次典型的合作從啟動到生產監測歷時 10 至 14 週。時程取決於您運行多少套定價系統、您在多少個司法管轄區營運，以及您的資料基礎設施能否支援即時記錄。
第 1 至 3 週
盤點所有定價系統、供應商關係與資料流。對映您的司法管轄區風險（您的客戶在哪裡，而非您的伺服器在哪裡）。檢視供應商合約中的資料防火牆條款與 CID 回應義務。
交付成果：定價合規風險地圖，附有橫跨歧視、共謀、揭露與調查就緒度各維度的嚴重程度評級。
第 3 至 7 週
建構稽核基礎設施：事件驅動的定價決策日誌、揭露中介軟體、限制驗證層。執行歧視稽核與共謀模擬。設計專屬於您定價工具的供應商風險評估架構。
交付成果：在預備環境中可運作的合規層、歧視稽核結果、供應商風險評估。
第 7 至 10 週
在您的生產定價旁，以影子模式部署合規層。每一項定價決策都會經過限制檢查與揭露邏輯，而不影響客戶所見的內容。我們比較受限與不受限的定價，以測量營收影響，並驗證所有司法管轄區專屬的揭露皆能正確觸發。
交付成果：影子模式驗證報告，附有營收影響分析與合規覆蓋率指標。
第 10 週起（持續進行）
進入生產階段。合規層即時執行限制、觸發揭露並記錄決策。監測儀表板追蹤差別影響指標、定價趨同模式、揭露合規率，以及稽核軌跡的完整性。
季度重新稽核可捕捉模型漂移。當新立法通過時（田納西州、新墨西哥州或下一個州），我們無需觸動您的定價引擎即可更新司法管轄區規則。
本次合作不包含的內容： 我們不重新設計您的定價策略、不挑選或更換您的定價供應商、不提供法律意見，也不擔任專家證人。這些職能分別屬於您的定價團隊、您的反壟斷法律顧問，以及您的經濟顧問。我們建構的是使他們的建議得以執行且可稽核的技術合規基礎設施。
回答關於您定價基礎設施的七個問題。本評估將對映您在歧視、共謀、揭露與調查就緒度各方面的風險，並提供您無論有無外部協助皆可採取的具體後續步驟。
第 1 題（共 7 題）
揭露義務落在服務消費者的企業身上，而非定價供應商。您需要一個即時分類層，判定每筆顯示的價格是使用個人消費者資料（瀏覽歷史、位置、購買模式）還是彙總市場資料所產生。若個人資料影響了價格，則所規定的揭露必須在消費者承諾交易之前出現。
技術上的挑戰在於，多數第三方定價工具（Pricefx、PROS、Competera）並不揭露是哪些資料輸入驅動了每一項特定的價格建議。您需要中介軟體來攔截定價 API 回應、檢查使用了哪些資料類別，並有條件地呈現揭露。
每次違規 1,000 美元的罰則按交易計算，因此一個在紐約州每天處理 100,000 筆訂單的高量電子商務平台，即使在低不合規率下也面臨重大風險。我們將分類與揭露層建構為架設在您定價引擎與結帳流程之間的 API 中介軟體，並具備司法管轄區偵測功能，使揭露規則依據消費者所在位置進行調整。
RealPage 同意令（DOJ，2025 年 11 月）確立了五項具體的技術禁令，反壟斷律師已將其用作多戶住宅領域以外的合規範本。核心要求為：不得使用未滿 12 個月的競爭對手資料進行訓練、不得進行比州級更狹窄的地理分析、不得分享非關聯物業資料（即使是彙總形式）、對稱式防護機制（若演算法能將價格推高至上限，使用者也必須同等地能將價格壓低至下限），以及強制設置須年度認證的反壟斷合規官。
對電子商務而言，最直接相關的條款是資料防火牆要求與對稱式防護機制規定。如果您的定價供應商攝取競爭對手的定價資料並用以產生您的建議，您很可能面臨與 DOJ 用以對付 RealPage 相同理論下的風險。
我們依據同意令架構稽核您的供應商資料流、測試您的防護機制是否對稱，並建構足以證明合規的資料血緣文件。
公司最常犯的錯誤是「透過無意識達致公平」：將種族、性別與收入從模型輸入中移除，並假設演算法便不再能歧視。這種做法之所以失敗，是因為代理變數攜帶著相同的人口特徵訊號。Pew Research 的資料顯示，收入 10 萬美元以上的家庭擁有 iPhone 的比例，比收入低於 3 萬美元的家庭高出 30%。ZIP+4 層級的人口普查資料顯示，在多數都會區，郵遞區號與種族組成的相關係數達 r=0.6 或更高。您的演算法從不直接看到人口特徵，卻能看到它們的統計陰影。
偵測需要測試變數之間的交互作用，而不僅是個別輸入。郵遞區號單獨可能顯示中度人口特徵相關性，但郵遞區號結合裝置類型與工作階段時間，便構成一個預測力強得多的複合代理。我們運用互資訊分析測試個別特徵與特徵交互群集，此方法能捕捉皮爾森相關性所遺漏的非線性關係。一項常見發現是：產品頁面上的瀏覽停留時間與收入的單獨相關性近乎為零，但當與推薦來源（自然搜尋 vs. 比價網站）結合時，這一組合能以令人意外的準確度預測收入五分位。
務實的做法是在部署前執行偵測（捕捉明顯的代理），然後在生產中持續執行（捕捉模型重新訓練時浮現的交互作用）。我們會標記代理候選項供審查，但不會自動移除，因為某些代理同時也是正當的需求訊號。是否限制某項特定輸入，是一項商業與法律的判斷，而非純粹的統計判斷。我們提供證據；由您的法律團隊作出決定。
會，取決於該供應商的資料架構。Gibson 訴 Cendyn 案的判決（第九巡迴上訴法院，2025 年 8 月）確立，僅僅與您的競爭對手訂閱相同的定價軟體並不自動構成反競爭。但法院標示了三項會大幅提升風險的條件：若該供應商匯集來自多個客戶的非公開且具競爭敏感性的資料以訓練或調校建議、若該供應商行銷該工具在全行業協調或抬高定價的能力，或若該軟體促成未匿名化競爭對手資料的交換。
多數電子商務公司並未在此層級稽核其定價供應商的資料架構。我們進行供應商風險評估，精確對映哪些資料流入與流出您的定價工具、競爭對手資料（即使是彙總的）是否影響您的建議，以及您的供應商合約是否包含足夠的資料防火牆條款。
依據加州新修訂的卡特萊特法案（AB 325，2026 年 1 月生效），一個由兩名或更多使用者使用、並利用競爭對手資訊的「共用定價演算法」會造成可能的責任，並附帶三倍損害賠償，而降低的訴狀標準意味著原告能更輕易地撐過撤銷動議。
FTC CID 通常要求在 30 至 45 天內提交全面文件：輸入您定價模型的所有資料、模型架構與訓練文件、顯示特定交易價格如何設定的決策日誌、任何 A/B 測試或實驗協議、關於定價策略的通訊，以及供應商合約與資料分享協議。
多數公司會花費 6 至 12 個月進行被動式法證資料萃取，因為他們從未建構回答這些問題所需的記錄基礎設施。務實的準備步驟為：第一，今天就對每一項定價決策實施不可變更的稽核記錄。每一筆日誌條目都應擷取時間戳記、所使用的使用者情境資料、模型版本、原始建議、所套用的任何限制檢查、建議是否遭覆寫，以及最終顯示的價格。第二，以非技術背景的 FTC 律師能理解的格式，記錄您的模型架構與訓練資料血緣。第三，盤點所有供應商資料流，並確保您的合約分配了 CID 回應義務。第四，執行一次模擬 CID 回應演練。
我們將稽核軌跡基礎設施建構為一個事件驅動的記錄層，即時擷取定價決策、將其儲存於僅可附加的儲存中，並依需求產生 CID 格式的匯出套件。目標是在要求送達時於 48 至 72 小時內產出合規文件，而非 6 個月。
加州卡特萊特法案修正案（AB 325 與 SB 763，2026 年 1 月 1 日生效）為使用演算法定價的公司帶來了比聯邦反壟斷法明顯更高的責任風險。有三項具體變更值得關注。
第一，該法案現在明文將「共用定價演算法」定義為一種由兩名或更多使用者使用、並利用競爭對手資訊以影響價格的技術，並禁止使用此類演算法進行共謀或脅迫使用者採用建議。這將聯邦法仍視為模糊的責任予以明文化。
第二，訴狀標準降低了：原告在撤銷動議階段不再需要主張足以排除獨立行動可能性的事實。在聯邦休曼法案標準（Twombly/Iqbal）下，多數演算法定價案件會在早期遭駁回，因為平行定價可由獨立的演算法行為來解釋。加州在訴狀階段消除了該項辯護。
第三，罰則提高至 600 萬美元或金錢所得或損失 2 倍中之較高者（由原本的 100 萬美元上調），並在私人訴訟中可獲三倍損害賠償及律師費。對於在加州營運的電子商務公司而言，這意味著集體訴訟原告現在能以較薄弱的主張撐過駁回，而損害賠償風險也大幅提高。我們協助公司透過對映其定價供應商關係、資料流，以及建議是否符合新法定定義，來評估其在加州的特定風險。
支撐本解決方案頁面的互動式白皮書。這些提供完整的技術分析、案例法證，以及架構框架。
Instacart/Eversight 定價崩潰的法證分析。用於定價公平性的神經符號限制架構。FTC 法案與紐約州揭露法案合規框架。
Amazon 25 億美元和解的事後剖析。強化學習共謀機制。RealPage 同意令分析。Gibson 訴 Cendyn 案安全港框架。
Instacart 的 6,000 萬美元和解，始於他們認定為例行優化的定價實驗。
一套合規方案的成本，僅為單一執法行動的一小部分。我們從一次為期 3 週的風險對映合作開始，盤點您的定價系統、測試代理歧視，並評估您在每一個現行司法管轄區的供應商風險。