Ця стаття досліджує наслідки персоналізованого ціноутворення в рамках антимонопольного законодавства.

Злиття великих цифрових даних та просування в штучному інтелекті (AI) та машинному навчанні (ML) суттєво впливає на стратегії ціноутворення. Ці технології можуть надати можливість фірмам збирати, обробляти та аналізувати величезну кількість споживчих даних, що призводить до більш детального, динамічного та індивідуалізованого ціноутворення, ніж раніше. Ця еволюція, керована швидкістю та масштабами обробки даних AI/ML, означає якісний зсув від статичного, ціноутворення на основі сегмента до динамічних, високо індивідуалізованих та часто автоматизованих механізмів. Історично інформаційні та трансакційні витрати обмежували ефективну цінову дискримінацію. Великі дані потенційно знизили ці інформаційні витрати, тоді як AI/ML може додатково знизити витрати на аналіз даних та реалізувати складні правила ціноутворення. Ця комбінація дозволяє персоналізувати та динамізм, раніше обмежений теоретичними моделями.

У цьому середовищі, багатиму даними, спостереження за ціноутворенням, дискримінація цін та алгоритмічні ціни є чіткими, але переплетеними явищами. Спостереження за ціноутворенням надає дані для персоналізованого ціноутворення, а алгоритмічні ціни виконують ці стратегії. Їх синергія створює складні виклики для антимонопольної економіки, оскільки ізолюючі кожен компонент може не адекватно вирішити проблеми. Ефективність збору даних, алгоритмічна обробка та персоналізоване ціноутворення може посилити як конкурентні вигоди, так і антиконкурентні ризики.

У цій статті співавтори Габріела Антоні, JP Bruno, Mariella Gonzalez та Esperanza Johnson досліджують ці наслідки в рамках закону про антимонопольне законодавство, спираючись на економічну теорію, тенденції до виконання та технологічні розробки.

Ця стаття спочатку була опублікована Антимонопольна літописна політика конкуренції у липні 2025 року.