AIとアルゴリズム価格設定 / 同じカート、違う価格 / アルゴリズム価格実験が崩す価格の常識と、ガバナンスの穴雑感

0　はじめに

　「同じ商品なら同じ価格」という感覚は、近代の小売における最小限の公共財であった。値札は、交渉（haggling）を終わらせ、取引の予見可能性を与えた。ところが、オンライン化とデータ化が進むと、価格は「表示」であって「確約」ではなくなり、しかも買い手ごとに違うことが技術的に容易になる。問題は、単に値上げであるというより、価格が「個別化」し得るという構造転換である。

　今回は、Instacartの価格実験を素材に、アルゴリズム価格設定（いわゆるsurveillance pricing）をめぐる法的・ガバナンス上の論点を整理する。

1　問題の所在

　今回の出発点は、Groundwork Collaborative等による報告書「Same Cart, Different Price」である。同報告書は、Instacart上で、同一店舗・同一時点・同一商品にもかかわらず複数の価格が提示される現象を、実験的手法で可視化した。

　437名規模のテストで、約74%の商品が複数の価格点で提示され、同一商品の価格差が最大23%に達し得ること、同一バスケットの総額も平均約7%変動し、家計ベースでは年約1,200ドル規模の振れに換算され得ることが示されている。具体例を挙げれば、ワシントンD.C.のSafewayにおいて、あるユーザーには3.99ドルで提示された卵12個入が、別のユーザーには4.79ドルで提示されていた。シアトルのSafewayでは、クラッカーの価格が、あるグループには3.99ドル、別のグループには4.89ドルと、約1.2倍の価格差で提示された。

　ここで重要なのは、「誰かが損をした」という道徳的憤りだけではなく、価格がもはや「市場の公開情報」ではなく、「プラットフォームが各個人に配る情報」になりつつある点である。価格の公共性が薄れ、比較購買や予算策定といった消費者の合理的行動が構造的に阻害される。

2　断片化という問題と因果関係の特定

　アルゴリズム価格設定をめぐる議論は、しばしば「差別か否か」に吸い寄せられる。しかし、実務的には、差別の立証以前に、因果関係が見えないこと自体が問題である。

　報告書でも、Instacartは「個人情報・属性データは使っていない」「商品カテゴリとロケーションに基づきランダムにテスト群へ割り当てている」と述べる一方、広告商品を使う消費財企業（CPG）は行動データを割引等に用い得ると説明している。つまり、プラットフォーム側の説明は、「個別化し得る能力」を否定するものではなく、「どの経路で、どの程度、誰に」影響したかが外から検証しにくいことを示している。

　ここでガバナンス上の厄介さが生じる。第一に、価格変動がランダムであっても、結果として特定の集団に負担が偏る可能性は消えない。ランダム割当と社会的分布は別物である。第二に、個別化が「属性」ではなく「行動」や「文脈」（店舗距離、購買履歴、天候等）で行われる場合、従来の差別概念に回収しづらい。第三に、消費者は同じ条件で比較できないため、被害の再現が難しく、執行（エンフォースメント）の入口で詰まる。

3　技術とビジネスモデル

　報告書は、Instacartが2022年にEversightを買収し、AIを用いた価格実験・最適化を本格化させた点を重視する。Eversightは、動的価格設定を通じた売上増・マージン増をうたうとされ、同社サイト上でも「AIによる価格最適化」が謳われている。また、InstacartのCEOが決算説明で、顧客の価格感応度をカテゴリ別に把握し、それに基づき価格を設定する趣旨を述べたと報告される。

　ここで見落としがちな点がある。価格実験は、AIモデルそのものというより、「実験を回すオペレーション」と「データを回収する装置」によって成立する。報告書には、エンドユーザーは実験に気づかない、少数商品の小幅変更がスケールすると「ゲームを変える」といった趣旨の企業側記述が引用される。つまり、技術の核心は、ユーザーの注意閾値（気づかれにくさ）を前提に、統計的に有意な差を抽出できるだけの母数を確保する点にある。

　この構造は、広告（ターゲティング）と親和的であり、価格・広告・推薦が同じデータ基盤で連動すると、消費者は「買う理由」だけでなく「買う価格」も同時に操作され得る。価格設定は、マーケティング施策の一部に溶ける。そのとき、価格は市場情報ではなく、説得（persuasion）の道具になる。

　Jakob ChoudhuryやDr. Jonnie Pennが指摘するように、現代のAIシステムは、ユーザーの検索履歴からニーズを予測する「意図の収集と商品化」の段階を超え、「意図の創造（intent creation）」へと踏み込んでいる。AIが欲求を喚起し、その欲求に対する支払い能力の限界まで価格を吊り上げる。このループが完成したとき、消費者の自律的な意思決定は形骸化する。

4　法的・政策的含意

　米国の消費者保護・競争法的アプローチとして、報告書は、FTCが2024年7月、surveillance pricingに関する情報提供命令を複数企業へ発したことを挙げる。また、FTC法5条により、コスト差等で正当化されない価格差別が問題となり得る旨を、FTCの政策声明等を手がかりに論じる。さらに、同一セール価格にもかかわらず「元値（original price）」表示が消費者ごとに異なる事例を挙げ、虚偽の元値表示として欺瞞的となり得る点を示唆する。ここでは、AIの透明性というより、表示規制・不当表示の古典的枠組みが再武装されている。

　開示モデルの功罪について、報告書は、ニューヨーク州でアルゴリズム価格の開示義務が導入されたと述べる。ただし同報告書自身、開示だけでは、どのデータが使われ、価格が上がったのか下がったのかが分からず、消費者が取り得る行動が不明確だと限界を指摘する。開示は「見える化」にはなるが、「コントロール可能性」を直ちに生まない。

　EU法との接続について、個人データを用いた個別価格が行われるなら、GDPR上、個人データ処理の適法化根拠、透明性、プロファイリング、さらには自動化された意思決定に関する論点が立つ。GDPR第22条は、プロファイリングを含む自動化された意思決定によって、「法的効果」またはそれと同様の「重大な影響」を受ける場合、データ主体はその決定の対象とならない権利を有すると定めている。もっとも、価格は必ずしも「法的効果」を直ちに生む決定と評価されるとは限らず、一足飛びに単一条文へ回収しないことが肝要である。むしろ、プラットフォームが価格実験を「常態」とする場合、透明性・説明可能性・監査可能性（auditability）の設計が問われる。

5　保険法からの視座

　監視価格設定のロジックは、保険の料率細分化（risk classification）と構造的に似る。どちらも「個人差を価格差に翻訳する」技術だからである。違いは、保険では伝統的に、その翻訳が一定程度正当化され、制度的に管理されてきた点にある。だからこそ、監視価格設定が一般消費取引に広がるとき、保険で長年争ってきた問いが、別の市場に輸出される。

　すなわち、「どのデータを使ってよいのか」「どの程度の差が許されるのか」「説明可能性はどこまで必要か」「差別と区別の境界はどこに引くのか」という問いである。

　ここで示唆に富むのが、ベルギーの2014年保険法の2020年改正である。同改正により追加された第46/2条は、インターネット接続デバイスから収集されたデータに基づいて、個人の保険契約を拒絶したり、保険料を加重したりすることを原則として禁じている。さらに重要なのは、第46/3条において、たとえ契約者がデバイスの使用に同意し、データの共有を許可したとしても、そのデータをセグメンテーションに使用することを禁止している点である。これは、遺伝子情報の使用禁止と同様の論理であり、保険の本質である「リスクの社会的分散（連帯）」を維持するための防波堤となっている。

　しかし、直接的な健康データの使用が制限されたとしても、AIは容易に「抜け道」を見つけ出す。それがInstacartのようなプラットフォームにおける購買データである。Julie Goetghebeuerが指摘するように、「深夜に高カロリーなスナック菓子とアルコールを頻繁に購入する」というデータは、医療記録を参照せずとも、その人物の将来の疾病リスクを統計的に推測する強力な代理変数となり得る。これは実質的に「購買データを通じて健康状態を確認できる」ことを意味する。もし、プラットフォーム企業がこうしたデータを保険会社に販売し、あるいは保険会社自身がこうしたデータを用いたプロファイリングを行うようになれば、形式的には健康データを使用していないにもかかわらず、実質的には健康状態による差別が行われることになる。これは、ベルギー法が防ごうとした「連帯の破壊」を、別のルートから進行させるものである。

6　むすびに

　アルゴリズム価格設定の論点は、「差別か否か」だけでは足りない。価格が個別化し得るという構造転換が、比較購買・家計管理・市場への信頼という、消費社会の「当たり前」を侵食するからである。

　AI倫理議論で頻出する「アンチバイアス」の概念だけでは、この問題に対処できない。企業が「我々のAIは人種や性別による差別をしていない」と主張したとしても、そのアルゴリズムの目的が「利益の最大化」にある限り、AIは経済的に困窮し、比較購買をする余裕のない層（価格弾力性の低い層）に対して、最も高い価格を提示するという「合理的」な判断を下すだろう。これはバイアスがないからこそ生じる、偏りのない搾取である。

　それゆえ、AIシステムの導入に際しては、従来のデータ保護影響評価（DPIA）に加え、それが社会の不平等を拡大させないかという「不平等影響評価（inequality impact assessment）」の実装が不可欠であると考える。

　今後の焦点は、価格個別化が許される場面と限界（必需品・脆弱者・地域性など）をどう線引きするか、開示を「免罪符」にせずデータ利用と価格形成の因果を監査可能にする制度設計をどう作るか、価格・広告・推薦が一体化した説得アーキテクチャを競争・消費者保護・データ保護の交点でどう扱うか、である。値札が発明した「一物一価」の近代的約束が、プラットフォーム上で再交渉に入っている。交渉相手は店主ではなく、ブラックボックス化した実験機械である。

（マガジン）「AIと法-雑感」

　※目次は以下を参照

note総則規約3条2項前段
3.2 クリエイターが制作したデジタルコンテンツの著作権は、クリエイターに帰属します。