האלגוריתם יודע כמה תשלמו - ועלול לקבוע לכל לקוח מחיר אחר

במשך שנים המחיר של מוצר היה נתון ששייך בעיקר למוצר עצמו. חבילת קפה עולה סכום מסוים, חדר במלון מקבל מחיר ללילה ומנוי לשירות דיגיטלי מגיע עם תג מחיר חודשי. האינטרנט כבר שינה חלק מהתמונה, והבינה המלאכותית עשויה לקחת אותה הרבה יותר רחוק. חברות יכולות כיום להעריך כמה לקוח מסוים מוכן לשלם, ובהתאם להחליט אם לתת לו הנחה, להציע לו מוצר אחר או אפילו לקבוע עבורו מחיר שונה.

זה נשמע בעייתי, ובמקרים מסוימים כנראה גם יהיה כזה. לקוח שמוכן לשלם יותר עלול למצוא את עצמו מקבל מחיר גבוה יותר בדיוק מפני שהמערכת למדה עליו מספיק. אבל כאן מגיע הצד הפחות אינטואיטיבי: אותו מנגנון מאפשר לחברה לזהות לקוחות רגישים למחיר ולהציע להם מחיר נמוך יותר. חלקם אולי לא היו רוכשים את המוצר במחיר אחיד.

מדובר ב"תמחור אישי", והוא שונה מתמחור דינמי שכבר מוכר במשך שנים בענפי התעופה, המלונאות והתחבורה. מחיר דינמי משתנה לפי ביקוש, מלאי, שעה או תנאי השוק. בתמחור אישי, המשתנה הוא הלקוח עצמו. היסטוריית רכישות, דפוסי גלישה, מיקום, שימוש באפליקציה, תגובה למבצעים ולעיתים מידע שמגיע ממקורות נוספים יכולים לסייע למערכת להעריך את הנכונות שלו לשלם.

וולמארט (Wal-Mart Stores Inc. ) סימנה בימים האחרונים את הגבול שהיא רוצה להציב. הקמעונאית האמריקאית התחייבה שהכנסה, היסטוריית קניות והערכה לגבי מידת הדחיפות של הלקוח לא ישמשו אותה כדי לקבוע לו מחיר אישי. ההתחייבות הזו מעניינת דווקא משום שהיכולת הטכנולוגית כבר קיימת. אפליקציות, מועדוני לקוחות, תוויות מחיר דיגיטליות ועוזרי AI יוצרים יחד תשתית שמאפשרת להכיר את הצרכן הרבה יותר טוב מכפי שהיה אפשר לפני כמה שנים.

חברות משתמשות כבר זמן רב במידע כדי להחליט איזה קופון לשלוח ולמי להציג מבצע, אבל הגבול בין קופון מותאם לבין מחיר מותאם מתחיל להיטשטש. אם לקוח אחד מקבל הנחה של 20% ולקוח אחר משלם מחיר מלא, בפועל הם כבר משלמים סכומים שונים. האלגוריתם פשוט מאפשר להפוך את התהליך למדויק, רציף ומהיר הרבה יותר.

המחקר שמסבך את התמונה

הטענה נגד תמחור אישי פשוטה לכאורה: חברה יודעת יותר על הלקוח ולכן יכולה לקחת ממנו יותר. אלא שניסוי שדה רחב שנערך בחברה דיגיטלית הראה תמונה מורכבת יותר.

בשלב הראשון נמצא כי החברה כלל לא מיצתה את היכולת שלה לקבוע מחיר אחיד יעיל יותר. מעבר ממחיר קיים למחיר אחיד שעבר אופטימיזציה הגדיל את הרווח בכ-55%. כאשר נוספה למערכת יכולת לתמחר לקוחות באופן אישי באמצעות למידת מכונה, הרווח הצפוי עלה בעוד כ-19% לעומת המחיר האחיד שכבר עבר אופטימיזציה. בהשוואה למחיר המקורי של החברה, הפער הגיע לכ-86%.

מהצד של הצרכנים התמונה היתה שונה. העודף הצרכני הכולל ירד בכ-23% לעומת מצב של מחיר אחיד שעבר אופטימיזציה. במילים אחרות, החברה הצליחה לקחת לעצמה חלק גדול יותר מהערך הכלכלי של העסקה. עם זאת, יותר מ-60% מהלקוחות במחקר דווקא נהנו מהתמחור האישי.

הסיבה היא שהאלגוריתם אינו חייב לפעול רק כלפי מעלה. לקוח שמוכן לשלם 100 דולר עשוי לקבל מחיר גבוה, אבל לקוח שהיה מוותר על המוצר במחיר של 70 דולר יכול לקבל הצעה של 50 דולר ולהפוך לקונה. החברה מרוויחה לקוח נוסף, והלקוח מקבל מוצר במחיר שמתאים לו יותר.

זה הופך את השאלה הרגולטורית למסובכת הרבה יותר. איסור גורף על שימוש במידע בתמחור עשוי להגן על מי שהיה משלם יותר תחת השיטה האישית, אבל באותה נשימה הוא עלול לבטל הנחות שמגיעות ללקוחות רגישים יותר למחיר. אומנם התוצאה הכוללת במחקר נטתה לטובת החברה, אבל חלוקת ההשפעה בין הצרכנים היתה רחוקה מלהיות אחידה.

גם בעולם הקמעונאות אפשר לראות את אותה לוגיקה. רשת יכולה למכור מוצר ב-30 שקל לכל הלקוחות, או לקבוע מחיר בסיס גבוה יותר ולתת הנחה ממוקדת למי שהמערכת מעריכה כי יוותר על הקנייה. מבחינת הרשת, מדובר בשיפור של הרווח מכל לקוח. מבחינת הצרכן, התוצאה תלויה בקבוצה שאליה האלגוריתם משייך אותו. תמחור המבוסס על נתוני לקוחות כבר מופיע בצורות שונות במסחר המקוון. עם זאת, קשה לעיתים לדעת אם פער מסוים במחיר נובע מהתאמה אישית, מניסוי של החברה, ממיקום גיאוגרפי או משינוי רגיל בביקוש.

הרגולטורים מנסים להפריד בין התאמה לבין ניצול

ניו יורק בחרה בשלב הראשון בשקיפות. מאז נובמבר 2025, חברות המשתמשות במידע אישי של צרכן כדי לקבוע מחיר באמצעות אלגוריתם נדרשות להציג גילוי ברור על כך. זהו פתרון שמנסה לאסור פחות ולחשוף יותר: הצרכן אמור לדעת שהמחיר שמולו הושפע מנתונים הקשורים אליו. במקביל, באוגוסט 2026 פתחה נציבות הסחר הפדרלית בארה"ב הליך לקבלת תגובות על מדיניות אכיפה בתחום. העמדה שהוצגה שם מעניינת: לרשות אין סמכות כללית לאסור תמחור אישי בכל מצב, אבל שימוש במידע של צרכנים לצורך קביעת מחיר ללא גילוי מתאים יכול במקרים מסוימים להיכנס לתחום האכיפה של דיני הגנת הצרכן.

החשש של הרשויות רחב יותר ממחיר גבוה ללקוח מסוים. מערכות תמחור יכולות לדעת היכן אדם נמצא, מה הוא חיפש, אילו מוצרים השאיר בעגלת הקניות, מה קנה בעבר וכמה מהר הוא חוזר להצעה. מידע כזה מאפשר להעריך לא רק כמה כסף יש ללקוח, אלא עד כמה הוא זקוק לעסקה ברגע מסוים.

נוסע שטיסתו בוטלה בשעת לילה ומחפש חדר בקרבת שדה התעופה, למשל, נמצא בעמדת מיקוח שונה ממשפחה שמחפשת מלון לחופשה בעוד ארבעה חודשים. מערכת שיודעת לזהות את ההבדל יכולה לכאורה לקבוע לכל אחד מהם מחיר שונה. זה כבר חורג ממודל שבו המחיר עולה מפני שכל החדרים באזור מתמלאים.

עם זאת, חשוב להפריד בין תמחור אישי לבין תיאום מחירים בין מתחרים. הרשויות בארה"ב פעלו בשנים האחרונות גם נגד מערכות שבהן מידע רגיש של חברות מתחרות הוזן למנגנוני תמחור משותפים. בשוק השכירות, למשל, הוגשו הליכים נגד שימוש בנתוני מתחרים לצורך המלצות מחיר. כאן מדובר בבעיה אחרת: במקום חברה שמנסה להבין כמה הלקוח שלה מוכן לשלם, החשש הוא שחברות המתחרות זו בזו מפסיקות למעשה לקבל החלטות מחיר באופן עצמאי.

ההבחנה הזו צפויה להיות חשובה ככל שהשימוש ב-AI יתרחב. אלגוריתם שמציע הנחה ללקוח רגיש למחיר, מערכת שמעלה מחיר בזמן ביקוש גבוה ומנוע שמקבל מידע מסחרי של מתחרים הם שלושה שימושים שונים, גם אם מבחוץ כולם נראים כמו "מחיר שקבע מחשב".

אמון הוא חלק מהעסקה

צרכנים כבר רגילים לכך שמישהו קיבל כרטיס טיסה במחיר אחר מפני שרכש אותו חודש קודם. התגובה עשויה להיות שונה כאשר יתברר ששני אנשים ביקשו לקנות באותו רגע את אותו מוצר, ואחד שילם יותר מפני שהמערכת העריכה שהוא פשוט יסכים לכך.

וולמארט בחרה כרגע להתרחק מהאפשרות הזו בפומבי, אף שיש בידיה כמות עצומה של מידע על לקוחות ויכולת דיגיטלית רחבה. אבל חברות אחרות עשויות לבחור בדרך שונה, בעיקר אם תמחור מותאם ימשיך להראות שהוא מסוגל להגדיל משמעותית את הרווח.

זו כנראה תהיה נקודת המתח המרכזית בשנים הקרובות: עד כמה צרכנים יסכימו שמערכות AI יכירו אותם מספיק טוב כדי לשפר עבורם את המחיר, ועד כמה ירגישו שאותה היכרות משמשת דווקא כדי לגבות מהם יותר. ככל שהיכולת הטכנולוגית תתקדם, השאלה כבר לא תהיה אם אפשר לתמחר כל לקוח אחרת - אלא מתי, באילו תנאים, ובכמה שקיפות מותר לעשות זאת.