- Постановка проблемы:
от персонализации к дискриминации как услуге
Современные цифровые платформы (маркетплейсы, агрегаторы такси, сервисы бронирования и проч.) под управлением систем искусственного интеллекта (ИИ) перешли от статичного ценообразования к предиктивной персонализации цен в реальном времени (персонализированное ценообразование[1]). ИИ собирает и обрабатывает цифровые следы пользователя: историю покупок, время и место запроса, тип устройства, уровень заряда батареи, даже движения мыши и эмоциональный тон поисковых запросов [3, с. 69]. На выходе алгоритм вычисляет для каждого пользователя его индивидуальную «резервную цену», зависящую (но не обязательно равную) от его готовности платить (willingness to pay)[2]. Назначение разных цен на один товар для разных потребителей и их групп получило название «ценовая дискриминация» [2, с. 10; 9, с. 27 и др.].
С точки зрения экономической теории это классическая ценовая дискриминация первой степени (совершенная дискриминация) [9, с. 32]. В отличие от скидок для пенсионеров или сезонных распродаж, цена здесь зависит не от объективной категории пользователя, а от прогнозной модели готовности платить, построенной на поведенческих данных. Компания изымает почти весь потребительский излишек. Как отмечает И. Шах (I. Shah), ИИ позволяет фирмам приблизиться к совершенной ценовой дискриминации с беспрецедентной точностью, используя большие данные и машинное обучение [17, p. 35]. Н. Берианванд (N. Berianvand) добавляет, что персонализированное ценообразование становится все более распространенным благодаря способности алгоритмов оценивать индивидуальную готовность платить, что ранее считалось экономически неосуществимым [10, p. 39–40].
Сложность заключается в том, что действующее антимонопольное законодательство – как российское, так и зарубежное – формально допускает установление разных цен, если различия «экономически обоснованны» [9, с. 33]. Но что считать обоснованным в эпоху стремительного развития ИИ? Алгоритм может показывать более высокую цену пользователю с дорогим смартфоном или компьютером, хотя издержки платформы идентичны. Никакой экономии затрат нет – есть только извлечение ренты на основе технологического неравенства. И хотя ряд исследователей подчеркивают подчеркивают, что даже несмотря на теоретические возможности алгоритмов для тонкой ценовой дискриминации на практике сохраняется значительный разрыв между лабораторными моделями и реальным внедрением [12, p. 407], сложно отрицать, стремительное сокращение этого разрыва по мере развития вычислительных мощностей и доступности данных.
С высокой степенью убежденности можно утверждать, что ИИ-платформа, применяя персонализированное ценообразование на основе готовности платить, нарушает не только формальный запрет дискриминации (п. 6 ч. 1 ст. 10 Закона «О защите конкуренции»[3], ст. 102 Договора о функционировании Европейского союза[4] и проч.), но и принцип экономической обоснованности различий. Если разница в цене вызвана не объективной экономией издержек или сезонностью, а исключительно «готовностью покупателя заплатить», выявленной алгоритмически, – это злоупотребление.
Таким образом, полагаем, что предиктивная персонализация превращает ценовую дискриминацию из разового инструмента максимизации прибыли в автоматизированную услугу, которую платформа оказывает самой себе или своим корпоративным клиентам. Подобно тому, как облачные провайдеры предлагают «вычисления как услугу» (computing as a service), а маркетплейсы – «рекламу как услугу», алгоритмические экосистемы встраивают ценовую дискриминацию в свою стандартную операционную процедуру. «Услуга» здесь означает, что платформа:
– предоставляет дискриминацию в режиме реального времени без участия человека (автоматическая сегментация, таргетирование и выставление цены);
– монетизирует её непосредственно через повышенную выручку или косвенно – через сбор и перепродажу поведенческих данных третьим лицам;
– нормализует практику дифференцированного ценообразования, представляя её как «персонализированный сервис» или «динамическую оптимизацию», а не как злоупотребление.
В этой логике цифровая платформа выступает не просто продавцом товара, а «провайдером дискриминации» – услуги, направленной на извлечение максимального потребительского излишка с каждого пользователя[5]. Технические и правовые границы этой услуги до сих пор не определены: именно поэтому необходим переход от реактивного запрета очевидных нарушений к системному регулированию, которое признает алгоритмическую дискриминацию особым видом рыночной деятельности, требующим прозрачности, обоснованности и соразмерности – подобно иным услугам, оказываемым на цифровых рынках.
- Границы допустимого:
три аспекта анализа алгоритмической дискриминации
Для квалификации поведения платформы необходимо рассмотреть проблему через три взаимосвязанных аспекта: экономический, правовой и технический.
2.1. Экономический аспект: когда персонализация полезна, а когда вредна.
Сторонники динамического ценообразования апеллируют к эффективности ценовой дискриминации: во-первых, она позволяет фирмам мгновенно реагировать на изменения спроса и предложения, снижая дефицит и избыточные запасы [2, с. 10–12; 7, с. 8–9]; во-вторых, персонализированные цены расширяют доступ потребителей с низкой готовностью платить, увеличивая общий объем продаж и потребительский излишек [17, p. 34–35; 6, с. 32–33]; в-третьих, алгоритмическая оптимизация снижает производственные и транзакционные издержки, что в конечном счете ведет к более низким средним ценам [12, p. 407–410; 3, с. 69–70]; в-четвертых, динамическое ценообразование стимулирует инновации, поскольку компании инвестируют в более точные прогнозные модели [13, p. 2–3; 19, p. 3–4]; в-пятых, прозрачность, обеспечиваемая алгоритмами мониторинга, облегчает потребителям поиск лучших предложений и усиливает ценовую конкуренцию [10, p. 32–34]; наконец, ценовая дискриминация способствует более полному использованию мощностей и выравниванию пиковых нагрузок, повышая общую экономическую эффективность [11, p. 7–9; 8, с. 101–102]. Например, surge pricing[6] в такси снижает дефицит машин в часы пик, алгоритмы авиакомпаний позволяют заполнить больше кресел. Однако грань между эффективной динамикой и дискриминацией, на наш взгляд, определяется источником дифференциации. Персонализация допустима, если цена зависит от объективных факторов – времени суток; загруженности сети; объема заказа; затрат на логистику, обозначенных в условиях пользования сервисом системы скидок (и при этом все участники в одинаковой ситуации видят одну цену). Если цена зависит от поведенческих характеристик конкретного пользователя, которые не связаны с издержками – история просмотров, тип браузера, уровень заряда батареи, национальность, геолокация, и разные пользователи в одинаковых условиях получают разные цены – это дискриминация, которая должна быть признана недопустимой[7].
Так, в 2010 году покупатели выявили, что на сайте Amazon DVD-диски продавались по разным ценам в зависимости от истории покупок, что вызвало широкий общественный резонанс[8]. В 2012 году издание Wall Street Journal сообщило, что Staples. Inc. (занимается продажей офисных товаров, техники, мебели и сопутствующих услуг) назначала пользователям разные цены в зависимости от их географического положения[9], а туристический ритейлер Orbitz показывает пользователям более дорогие отели владельцам компьютеров Mac[10].
В России на проблему разной стоимости авиабилетов в рамках одного подкласса тарифа в 2024 г. неоднократно обращала внимание Федеральная антимонопольная служба (далее – ФАС РФ). К примеру, авиакомпания «Сибирь» получила предупреждение в связи с тем, что «различия цены не связаны с оказанием услуг на борту, дополнительными расходами перевозчика или временем до вылета, в которое пассажир приобретает билет». Кроме того, у авиакомпании «отсутствует коммерческая (ценовая) политика или иной акт, определяющий в том числе порядок ценообразования)»[11].
2.2. Правовой аспект: ст. 10 Закона о защите конкуренции, ст. 102 ДФЕС и др.
Как справедливо отмечает К. Чжэн (K. Zheng), ключевые элементы инфраструктуры ИИ – данные и вычислительные ресурсы – высококонцентрированы и контролируются крупными технологическими компаниями (Big Tech) [19, p. 2–3]. Благодаря этому контролю техногиганты получают уникальную возможность: (1) собирать массивы поведенческих данных пользователей в беспрецедентных масштабах (история покупок, геолокация, время использования устройств, эмоциональные реакции), (2) использовать мощные вычислительные ресурсы для обучения сложных алгоритмов прогнозирования индивидуальной готовности платить и (3) проводить предиктивную персонализацию цен в режиме реального времени, то есть осуществлять ценовую дискриминацию первой степени, извлекая максимальный потребительский излишек. Иными словами, контроль над инфраструктурой ИИ напрямую превращается в инструмент алгоритмической дискриминации покупателей, который позволяет платформам устанавливать для каждого пользователя персональную цену, не связанную с издержками, а исключительно с выявленной алгоритмом «готовностью платить».
В российском праве ключевой состав злоупотребления доминирующим положением применительно к ценам закреплен в ст. 10 Закона «О защите конкуренции», его объективная сторона включает установление различных цен на один и тот же товар (п. 6 ч. 1 ст. 10), если только различия не обусловлены экономическими, технологическими или иными объективными причинами; дискриминационные условия (п. 8 ч. 1 ст. 10).
Европейское право в ст. 102 ДФЕС использует критерий «несправедливых цен» и дискриминации, если она ограничивает конкуренцию. Прецедентное право ЕС считает нарушением установление завышенных цен, не имеющих разумной связи с экономической ценностью поставляемого продукта (ключевое решение по делу United Brands датируется 1978 г.[12]). Персонализация цен первой степени в ЕС не запрещена при условии, что продавец полностью соблюдает Общий регламент по защите данных[13], Директиву о конфиденциальности электронных сообщений[14], Директиву о недобросовестной коммерческой практике[15], Директиву о правах потребителей[16] и другие применимые законодательные акты.
Последние тенденции правовых предписаний связаны с требованием прозрачности. В частности, статьей 6(1)(ea) Директивы о правах потребителей (CRD) установлена обязанность продавца информировать покупателей о том, что предлагаемая цена формируется на основе автоматизированного принятия решений[17]. Продавец обязан сообщить о самом факте такой практики, но не обязан раскрывать детали алгоритма (по каким именно признакам – история покупок, геолокация, время суток – формировалась цена)[18]. Невыполнение требования об информировании признается «вводящим в заблуждение умолчанием» (misleading omission) в соответствии со ст. 7(1) и 7(5) Директивы о недобросовестной коммерческой практике (UCPD) и является не просто формальным нарушением, а недобросовестной коммерческой практикой, открывая путь для штрафов и коллективных исков.
2.3. Технический аспект: сложности доказывания алгоритмической дискриминации.
Очевидная проблема ценовой дискриминации видится в том, что суды и регуляторы привыкли оценивать видимые различия – например, разные цены для оптовых и розничных покупок. Но алгоритмическая дискриминация распределена во времени и пространстве: один пользователь заплатит 15 000 руб., другой – 17 000 руб. за перелет по одинаковым тарифам с промежутком в одни сутки, и ни один из них не знает о существовании другого. Хотя Разъяснение ФАС № 17[19] предоставляет все необходимые инструменты для доказывания алгоритмической ценовой дискриминации – гибкий временной интервал, анализ динамики цен, перекрестную эластичность, любые верифицируемые источники данных, возможность адаптировать «тест гипотетического монополиста» к временным сдвигам – однако эти инструменты не проникают внутрь «чёрного ящика» алгоритма: регулятор видит только входные данные пользователя и выходную цену, но не логику решения [7, с. 13].
Э. А. Асфандияров предлагает наделить ФАС прямыми полномочиями по проведению алгоритмической экспертизы и признанию цифровых следов в качестве доказательств [1, с. 54–55]. Другие исследователи видят решение проблемы «черного ящика» в применении аудита кода – то есть проверки того, как запрограммирован алгоритм для работы и какие данные использовались для его обучения; аудит функции алгоритма неоднократно запускает алгоритм, проверяя, какие выходные данные он выдает для заданных входных данных[20] [11, p. 15].
Учитывая, что ценовые различия, генерируемые алгоритмами, зачастую не имеют объективного экономического обоснования (не связаны с издержками, сезонностью или качеством), а их выявление затруднено из-за непрозрачности алгоритмических решений, необходим новый принцип – алгоритмическая недискриминация, а также внедрение инструментов вычислительного антимонопольного регулирования (computational antitrust), предложенных в работах Вэй Лю (Liu W.) [14], Т. Шрепеля (T. Schrepel) [16] и др. и упреждающих механизмов, таких как «конкуренция по дизайну» (Competition by Design) [11].
- Предложение о внедрении принципа «алгоритмической недискриминации» и инструментов вычислительного антимонопольного регулирования
3.1. Понятие алгоритмической недискриминации.
На уровне Разъяснения Президиума ФАС России во исполнение соблюдения п. 6 ч. 1 ст. 10 Закона РФ «О защите конкуренции» определить, что цифровая платформа, занимающая доминирующее положение, при использовании алгоритмического ценообразования обязана обеспечить, чтобы любые различия в ценах для потребителей (за исключением общедоступных сегментных скидок) были основаны исключительно на объективных факторах, прямо влияющих на издержки платформы или рыночный спрос в целом. Запрещается использовать в качестве параметров ценообразования поведенческие данные конкретного пользователя, включая, но не ограничиваясь: историю поиска и покупок, тип устройства, уровень заряда батареи, геолокацию (если она не связана с реальными логистическими затратами), наличие активной сессии на других сайтах, эмоциональные реакции.
Важно уточнить, что платформа не обязана раскрывать алгоритм публично, поскольку эта информация защищена коммерческой тайной. Но в рамках расследования ФАС она обязана предоставить регулятору логику принятия решений – перечень факторов и их весов, влияющих на конечную цену, в объеме, достаточном для проверки на предмет дискриминации.
3.2. Инструменты вычислительного антимонопольного регулирования.
В научной литературе описан ряд методов, внедрение которых необходимо для практической реализации принципа алгоритмической недискриминации.
Модель двойного ценообразования (Dual Pricing Model Clustering, DPMC) позволяет в неконтролируемом режиме выявлять дискриминационные ценовые паттерны, одновременно обучая две модели – для дискриминационного и недискриминационного ценообразования. Эксперименты на данных сервисов такси показали, что DPMC достигает F1-оценки до 0,97 при высоких показателях устойчивости [14, p. 107, 109]. Модель демонстрирует нечувствительность к валютным системам, адаптивность к развивающимся стратегиям ценообразования платформы и масштабируемость в нескольких отраслях, таких как электронная коммерция и доставка продуктов питания [14, p. 91].
Построение цифровых сценариев (digital scenario construction) на основе графов знаний и графов событий. Это позволяет моделировать рыночные взаимодействия, выявлять причинно-следственные связи между действиями платформы и ценовой дискриминацией, а также прогнозировать уровни монопольного риска [14, p. 121–135].
Регуляторные песочницы (sandboxes) как инструмент для тестирования алгоритмов ценообразования в контролируемой среде. Ван Клейненбройгель (Van Cleynenbreugel P.) предлагает создавать антимонопольные песочницы, где предприятия могут развертывать новые алгоритмы ценообразования под надзором регулятора, с временным освобождением от ответственности, что позволяет учиться и предотвращать антиконкурентные последствия [18, p. 4–6]. Песочницы уже успешно применяются в финансовом регулировании (FCA UK) и предложены в Законе ЕС об ИИ (ст. 53–53a)[21]. Отчет Policy Lab Канады также рекомендует использовать песочницы как элемент «конкуренции по дизайну» для тестирования алгоритмов перед широким внедрением [11, p. 15].
Российские авторы предлагают такие конкретные инструменты регулятивного воздействия на рынки данных в части регулирования алгоритмов и ИИ, как: установление требований к минимизации данных и назначению ответственных за защиту данных; установление требований к прозрачности и объяснимости алгоритмических решений; обязательная оценка воздействия алгоритмов на права человека и конкуренцию; внешний аудит алгоритмов и сертификация систем ИИ. Предполагается, что эти инструменты будут способствовать ограничению бесконтрольного накопления данных и повышение ответственности компаний; предоставлению пользователям и регуляторам возможности понять логику принятия решений; выявлению и снижение системных рисков до внедрения алгоритмов, а также независимой верификации соответствия алгоритмов заявленным принципам и нормам [4, с. 6].
3.3. Концепция «конкуренции по дизайну» (Competition by Design, CBD) как дополнительный механизм.
В дополнение к реактивным инструментам (расследования, штрафы) необходимо развивать упреждающие проактивные механизмы. Отчет Policy Lab Канады 2025 г. предлагает концепцию «конкуренции по дизайну» (CBD) [11, p. 16–17]. Основные элементы CBD применительно к алгоритмическому ценообразованию включают:
- добровольный реестр прозрачности ценообразования, где фирмы раскрывают информацию о своих алгоритмах (без раскрытия коммерческой тайны). Реестр позволяет регулятору собирать данные и выявлять рискованные практики;
- принцип «конкуренции по дизайну» как руководство для разработчиков: в архитектуру алгоритмов с самого начала должны быть встроены механизмы, предотвращающие дискриминацию и сговор (например, запрет на обмен данными между конкурентами, обязательная рандомизация цен для предотвращения координации);
- система сертификации третьей стороной. Фирмы, чьи алгоритмы ценообразования соответствуют стандарту CBD, получают сертификат, который служит сигналом добросовестности для регулятора и потребителей;
- продвижение стандарта через государственные закупки и иные стимулы.
Канада уже внедряет подобные подходы: Бюро конкуренции разрабатывает инструмент COMPASS (Computational Antitrust System) для автоматизированного анализа рынков [11, p. 18]. В российских условиях ФАС также могла бы создать аналогичный реестр (добровольный или обязательный для доминирующих платформ) и стимулировать разработку проконкурентных алгоритмов через разъяснения и методические рекомендации.
3.4. Проект поправки в Приказ ФАС России от 28 апреля 2010 г. № 220 (ред. от 12 марта 2020 г.) «Об утверждении Порядка проведения анализа состояния конкуренции на товарном рынке»[22] (далее – Порядок № 220).
Как было показано в предыдущих разделах, действующее антимонопольное законодательство и подзаконные акты практически не содержат специальных инструментов для выявления и пресечения ценовой дискриминации, осуществляемой с использованием алгоритмов искусственного интеллекта. Традиционные методы доказывания оказываются недостаточными в условиях непрозрачности алгоритмов. Более того, отсутствие в действующей редакции Порядка № 220 специальных положений, посвящённых анализу конкурентной среды на цифровых рынках, создаёт правовую неопределённость и затрудняет деятельность антимонопольного органа.
В целях устранения указанных пробелов предлагается дополнить раздел X («Особенности проведения анализа конкуренции на товарном рынке») новым пунктом 10.11. Предлагаемые изменения закрепляют три ключевых правовых механизма.
Во-первых, право антимонопольного органа на истребование информации об алгоритме ценообразования (проектируемый п. 10.11.1), включая перечень параметров, их веса и результаты А/Б-тестирования. Это позволяет преодолеть информационную асимметрию и получить доступ к доказательствам, находящимся в исключительном ведении платформы.
Во-вторых, перераспределение бремени доказывания и запрет на обоснование различий в ценах ссылкой на «готовность платить» (проектируемый п. 10.11.2). После представления антимонопольным органом косвенных доказательств (например, результатов мониторинга цен или статистического анализа) именно платформа должна доказать объективную экономическую обоснованность ценовых различий. При этом сама по себе «повышенная готовность платить», выявленная алгоритмически, не может служить таким обоснованием, если не подтверждена объективными различиями в издержках или уровне сервиса.
В-третьих, легализация методов вычислительного антимонопольного регулирования (проектируемый п. 10.11.3), включая построение цифровых сценариев, применение алгоритмов обнаружения аномалий (например, модели двойного ценообразования) и симуляцию работы ценовых алгоритмов. Это позволит внедрить в правоприменительную практику современные технологические инструменты, повышающие эффективность выявления дискриминационных ценовых паттернов.
Предлагаемый текст поправки:
«10.11. Особенности проведения анализа состояния конкуренции на товарном рынке по делам, возбужденным по признакам нарушения пункта 6 части 1 статьи 10 Закона «О защите конкуренции» (установление различных цен на один и тот же товар) с использованием цифровых платформ и технологий искусственного интеллекта.
При установлении факта установления различных цен на один и тот же товар хозяйствующим субъектом, занимающим доминирующее положение, в случае если ценообразование осуществляется с использованием алгоритмов искусственного интеллекта, машинного обучения или иных автоматизированных систем, анализ состояния конкуренции, а также сбор и анализ доказательств проводятся с учетом следующих особенностей.
10.11.1. Особенности сбора и анализа информации об алгоритмах ценообразования
В целях выявления наличия и определения причин ценовых различий антимонопольный орган вправе истребовать у хозяйствующего субъекта, а также привлекать независимые экспертные организации для анализа:
а) перечня параметров (факторов), используемых алгоритмом для расчета цены для каждого пользователя или группы пользователей, с указанием источников данных по каждому параметру;
б) логики (математической модели, функции) определения веса каждого параметра в итоговой цене;
в) результатов А/Б-тестирования или иных экспериментов, проведенных хозяйствующим субъектом и демонстрирующих влияние отдельных параметров на итоговую цену.
10.11.2. Особенности доказывания и распределения бремени доказывания
После представления антимонопольным органом косвенных доказательств существования дифференцированного ценообразования (в том числе с использованием методов, предусмотренных пунктом 10.11.3 настоящего Порядка) бремя доказывания наличия объективных экономических оснований для установления различных цен возлагается на хозяйствующего субъекта, занимающего доминирующее положение.
Обоснованность различий в ценах не может подтверждаться ссылкой на «повышенную готовность платить» конкретного пользователя или группы пользователей, выявленную в результате обработки поведенческих данных, если хозяйствующий субъект не докажет, что такая готовность платить обусловлена объективными различиями в издержках обслуживания или уровне сервиса.
10.11.3. Допустимость использования методов вычислительного антимонопольного регулирования
При расследовании дел о нарушении пункта 6 части 1 статьи 10 Закона «О защите конкуренции» в порядке, установленном антимонопольным органом, допускается использование методов вычислительного антимонопольного регулирования, в том числе:
а) построение и анализ цифровых сценариев с использованием данных о транзакциях, поведении пользователей и иных релевантных данных;
б) применение алгоритмов обнаружения аномалий и кластеризации, в частности модели двойного ценообразования, для выявления дискриминационных ценовых паттернов в больших массивах данных;
в) проведение симуляций и стресс-тестирования алгоритмов ценообразования с целью оценки их потенциального антиконкурентного эффекта.
Порядок применения указанных методов утверждается Федеральной антимонопольной службой.
Дополнительно рекомендуется при ФАС России создать специализированный отдел (или лабораторию) по вычислительному антимонопольному регулированию, который будет обладать компетенциями в области машинного обучения, обработки больших данных и экономического моделирования, а также внедрить механизм «регуляторной песочницы» для добросовестных платформ, желающих протестировать новые алгоритмы ценообразования без риска немедленных санкций.
- Заключение
Предиктивная персонализация цен под управлением ИИ превращает дискриминацию в товар – «услугу», которую технологический гигант продает сам себе (или своим партнерам) в виде монопольной ренты. Российское антимонопольное законодательство обладает достаточным потенциалом для противодействия этой практике (ст. 10 Закона о защите конкуренции). Однако без адаптации методического инструментария – введения принципа алгоритмической недискриминации, прямых полномочий ФАС на экспертизу алгоритмов, использования вычислительных методов и регуляторных песочниц, а также развития упреждающих механизмов «конкуренции по дизайну» – этот потенциал останется нереализованным.
Предложенные поправки не требуют изменения закона: достаточно разъяснения Президиума ФАС или внесения изменений в Методику. Это позволит уже в ближайших делах (например, в отношении маркетплейсов или агрегаторов такси) переломить ситуацию, когда «технологическая сложность» служит ширмой для злоупотреблений. Иной выбор – легализация дискриминации как услуги – противоречит базовым принципам конкурентного права и подрывает доверие к цифровой экономике. Международный опыт показывает, что только сочетание жесткого правоприменения, вычислительных методов и упреждающих стандартов может обеспечить конкурентный порядок в эпоху алгоритмов. Ведущие юрисдикции уже осознали необходимость вмешательства в инфраструктуру искусственного интеллекта – данные и вычислительные ресурсы – чтобы предотвратить злоупотребления доминирующим положением. Россия имеет возможность не отставать и предложить собственное эффективное решение.
