©2026 MIT Sloan Management Review Brasil. Todos os direitos reservados. A reprodução, total ou parcial, é proibida sem a autorização prévia e expressa do CNEX.

COMPLIANCE

IA como “má influência”: precificação algorítmica pode levar automaticamente a práticas anticoncorrenciais

Sistemas RM, de gestão de receita baseados em algoritmos, podem inadvertidamente favorecer práticas de conluio e gerar riscos de violação às normas antitruste. Reguladores americanos já estão atentos

Chris K. Anderson e Fredrik Ødegaard

27 de abril de 2026 e atualizado em 14 de julho de 2026

20 min de leitura

Por décadas, hotéis, companhias aéreas, cassinos e outras empresas recorreram a sistemas de gestão de receitas para definir preços, maximizar faturamento e obter vantagem competitiva. Agora, uma série de ações judiciais nos Estados Unidos sustenta que algoritmos de precificação utilizados nesses sistemas podem, em certos casos, facilitar práticas ilegais de formação de preços, em violação à legislação antitruste federal.

Tradicionalmente, o conluio de preços pressupõe coordenação explícita entre concorrentes – algo frequentemente associado à imagem de negociações em uma “sala fechada”. O que torna os processos recentes dignos de atenção é a ideia, expressa por reguladores federais, de que o uso de algoritmos de precificação pode levar a conluio sem a existência de acordos tão explícitos – e mesmo sem a intenção de fazê-lo. Caso essa interpretação prevaleça, ela poderá abrir caminho para uma nova onda de ações antitruste relacionadas à precificação algorítmica nos Estados Unidos.

Neste artigo, destacamos os potenciais riscos de violação das normas antitruste associados à precificação algorítmica e propomos uma estrutura analítica para compreender como os algoritmos utilizam dados e orientam decisões de preço de maneiras que podem levar a práticas de conluio ilegal.

Casos judiciais apontam conluio

Nos últimos anos, algoritmos de precificação passaram a ser alvo de diversas ações coletivas que alegam que esses sistemas podem facilitar a coordenação ilegal de preços entre empresas:

• Em 2023, foram movidas ações contra hotéis-cassino em Las Vegas e Atlantic City, bem como contra seu fornecedor de sistemas de gestão de receitas (RM, do inglês “revenue management”), o Cendyn Group, cujo algoritmo Rainmaker é utilizado para definir preços e gerenciar inventário.
• Mais recentemente, novas ações foram ajuizadas contra grandes redes hoteleiras e contra a Integrated Decisions and Systems (IDeaS), subsidiária do SAS Institute, cujo software é utilizado por mais de 30 mil hotéis em todo o mundo. Os processos em andamento sustentam que, ao delegarem a definição de preços a um algoritmo compartilhado, os hotéis teriam, na prática, participado de uma coordenação implícita para manter preços mais elevados do que aqueles que prevaleceriam em um mercado verdadeiramente competitivo.
• Dois fornecedores de algoritmos voltados ao mercado imobiliário multifamiliar – RealPage e Yardi Systems – também enfrentam ações coletivas semelhantes em processos antitruste. Em outubro, 27 empresas do setor concordaram em pagar um total de US$ 141 milhões para encerrar uma dessas ações (a RealPage e outros proprietários permanecem como réus).
• A RealPage também é alvo de uma ação civil antitruste movida pelo Departamento de Justiça dos Estados Unidos, em conjunto com procuradores-gerais de oito estados. Segundo a acusação do governo, proprietários teriam inserido dados confidenciais e não públicos (e não apenas informações gerais de mercado) em um algoritmo centralizado de precificação, que utilizava esses dados para recomendar valores de aluguel frequentemente adotados de modo automático. Além disso, o governo alega que a RealPage teria atuado para reduzir a concorrência e monopolizar o mercado de softwares de gestão de receitas utilizados por proprietários de imóveis. O Departamento de Justiça firmou acordos com alguns grandes proprietários clientes da RealPage, exigindo a interrupção do uso do software.
• Outras ações também foram movidas contra empresas de tecnologia como Amadeus IT Group e CoStar Group, responsáveis por fornecer dados utilizados por algoritmos de precificação. Os autores, nesses casos, acusam as empresas e seus clientes hoteleiros de conspirarem implicitamente para definir preços por meio de um acordo ganha-ganha: hotéis compartilham dados de desempenho de datas passadas e, em alguns casos, futuras, e, em troca, recebem dados parcialmente agregados sobre seus concorrentes. Ambos os casos, no entanto, foram arquivados.

Os réus contestaram as alegações, argumentando que as ações não demonstram qualquer acordo explícito de conluio. As empresas de dados também argumentam que o compartilhamento de dados em si não constitui uma violação à lei antitruste se não há provas de conluio. Os fornecedores de RM também negaram que seus sistemas sejam contra a livre concorrência e insistiram que os preços são meras recomendações e não obrigatórios ou impositivos. Até agora, os tribunais concordaram, e os juízes de primeira instância rejeitaram vários dos casos, incluindo aqueles movidos contra a Cendyn e seus clientes de hotelaria, citando a falta de evidências de que teria havido acordo explícito.

Vários desses processos estão em fase de apelação ou foram reapresentados com argumentos adicionais. Ao mesmo tempo, as alegações ganharam força com a intervenção da Federal Trade Commission e do Departamento de Justiça no início de 2024. Em manifestação apresentada no caso dos hotéis-cassino, as agências sustentaram que o uso de algoritmos de precificação pode, por si só, configurar conluio e violar a legislação antitruste – mesmo na ausência de comunicação direta entre concorrentes sobre preços.

Além disso, argumentaram que o conluio pode ocorrer mesmo quando os algoritmos apenas recomendam preços, posteriormente aprovados por operadores hoteleiros ou proprietários. Na visão das agências, a simples delegação das decisões de precificação a um algoritmo compartilhado pode equivaler a uma ação coordenada e à fixação de preços [veja abaixo o quadro “Processos alegam conluio via algoritmo/compartilhamento de informações” com um resumo dos principais aspectos desses casos].

A posição das agências foi reforçada pela proposta legislativa que está atualmente pendente no Congresso dos Estados Unidos. A senadora americana Amy Klobuchar (democrata, estado de Minnesota) apresentou a Lei de Prevenção ao Conluio Algorítmico, que proibiria esses sistemas de precificação de usarem dados de concorrentes privados para recomendar ou definir preços de modo que facilitasse um acordo entre concorrentes. Também criaria uma presunção de violações da lei antitruste quando algoritmos de precificação são usados para definir ou acomodar preços, mesmo que não haja acordo explícito para isso. 

Enquanto isso, a Califórnia alterou, recentemente, seu código antitruste para regular o uso ou distribuição de “algoritmos comuns de precificação.” A atenção de políticos e reguladores lança um alerta poderoso sobre os riscos potenciais que as empresas podem enfrentar ao usar precificação algorítmica.

Um breve guia sobre conluio de preços

A legislação antitruste dos Estados Unidos, também conhecida como Sherman Antitrust Act, foi promulgada em 1890 com o objetivo de promover a concorrência e coibir monopólios. Sua seção 1 torna ilegais acordos entre empresas que restrinjam a concorrência, enquanto a seção 2 proíbe práticas voltadas à monopolização de mercados. Os casos discutidos aqui concentram-se, sobretudo, em alegações de violação da seção 1, ao sustentar que fornecedores de algoritmos de precificação e seus clientes colaboram na definição de preços, seja compartilhando informações privadas ou combinando preços implicitamente. Além disso, no caso movido pelo Departamento de Justiça contra a RealPage há também alegações de conduta monopolista com violação da seção 2.

No cerne desses casos está um tipo de coordenação entre concorrentes conhecido como hub-and-spoke (modelo “centro e raios”), no qual um agente central atua como ponto de conexão entre diferentes participantes. No direito antitruste, esse arranjo ocorre quando empresas se envolvem em práticas anticompetitivas (como a fixação de preços) com a ajuda de um intermediário central.

Segundo os autores das ações, empresas que desenvolvem algoritmos de precificação ou que coletam e compartilham dados não públicos desempenhariam o papel de “hub” (centro), enquanto redes de hotéis ou proprietários de imóveis atuariam como os “spokes” (raios), conectados a esse centro.

A forma mais comum de fixação de preços envolve um grupo de empresas que se reúnem para definir valores de maneira coordenada – prática conhecida como conluio explícito. No entanto, a fixação ilegal de preços também pode ocorrer de maneira mais indireta, por meio do chamado “conluio tácito”, que é quando as empresas adotam estratégias de precificação semelhantes sem comunicação direta entre si. 

Como indicam manifestações da Federal Trade Commission e do Departamento de Justiça, empresas que utilizam algoritmos de precificação podem tanto se envolver em conluio intencional quanto adotar práticas que, de modo não deliberado, resultem em alinhamento tácito de preços e redução da concorrência, mesmo que não haja acordo explícito entre as empresas envolvidas.

Como algoritmos de precificação podem levar a conluio

Soluções de revenue management (RMs) existem desde a década de 1970, quando passaram a ser adotadas por companhias aéreas recém-desregulamentadas para maximizar o valor de um estoque limitado e perecível de assentos. Sistemas semelhantes foram rapidamente incorporados pelos setores de hospitalidade e locação de veículos. Desde então, o RM se expandiu para uma ampla gama de setores, e os sistemas passaram a ser impulsionados por algoritmos cada vez mais sofisticados, capazes de prever a demanda e definir preços ótimos.

Se, inicialmente, esses sistemas eram utilizados por empresas individuais em busca de vantagem competitiva, hoje muitos deles são compartilhados por múltiplas organizações, muitas vezes concorrentes, criando potencial para a existência de conluio.

Se um algoritmo de precificação leva a comportamentos colusivos depende, essencialmente, da resposta para duas questões: primeiro, se as decisões de preço se baseiam apenas em dados internos da empresa e em informações publicamente disponíveis sobre concorrentes, ou se incorporam também dados proprietários e privados de terceiros. Segundo, se essas decisões são tomadas de maneira centralizada ou descentralizada.

Ao responder a essas perguntas, é útil considerar três fatores principais: a plataforma de software, os dados e a modelagem matemática.

A plataforma de software é responsável por integrar dados e modelos e por operacionalizar as recomendações de preços. A forma como essa integração ocorre entre diferentes empresas pode influenciar o potencial de coordenação de preços. Em modelos centralizados, a plataforma coleta dados de múltiplos clientes e fornece orientações unificadas sobre a definição de preços. Nesse contexto, tribunais podem entender que há indícios de conluio explícito, na medida em que concorrentes passam a adotar preços semelhantes – ou ao menos coordenados. Esse raciocínio sustenta parte das alegações apresentadas nos casos envolvendo a RealPage e a Yardi.

Nos casos envolvendo IDeaS e Cendyn, os autores argumentam que uma plataforma de software também pode facilitar o conluio tácito, mesmo quando as decisões de precificação são tomadas de modo descentralizado e sem articulação direta entre concorrentes. Aqui, a questão central é se o software se baseia exclusivamente em dados internos e privados de cada empresa ou se incorpora informações proprietárias e não públicas de terceiros.

Os algoritmos de precificação fundamentam suas recomendações, em parte, nos dados que processam. No setor de hospitalidade, por exemplo, soluções de RM podem reunir uma ampla gama de informações operacionais internas – como preços, taxas de ocupação (indicativas de demanda) e capacidade disponível –, além de dados publicamente acessíveis, como preços de concorrentes, calendário de eventos e condições macroeconômicas. O tipo de dado utilizado e, sobretudo, a forma como essas informações são compartilhadas, pode criar condições para o surgimento de conluio, seja de maneira explícita ou não. 

Nesse ponto, a distinção entre dados públicos e privados é crucial. Se uma empresa depende apenas de suas informações internas, existe pouco ou nenhum risco de conluio. Quando uma empresa tem acesso a dados privados e proprietários dos concorrentes, essas informações podem melhorar sua capacidade de prever a demanda ou permitir que antecipe as ações dos concorrentes. Isso pode levar as empresas a fixarem preços mais altos do que fariam se desconhecessem as decisões de preço dos concorrentes.

A modelagem matemática dentro de algoritmos de precificação tem duas funções: ela prevê a demanda do mercado com base em um conjunto de preços e outras variáveis, e então recomenda os preços ideias para maximizar a receita esperada com base em uma determinada previsão de demanda.

Por exemplo, um modelo pode prever a demanda analisando como os preços de uma empresa e de seus concorrentes afetaram as vendas passadas e então estimar a demanda futura esperada para qualquer combinação de preços no mercado. Essas previsões tendem a se tornar mais precisas à medida que mais dados – públicos e privados – são incorporados e compartilhados. No entanto, a capacidade de prever a demanda só tem valor se permitir que as empresas definam preços melhores – idealmente, “os” melhores. Para isso, o modelo utiliza uma estrutura de otimização, que recomenda os valores que resultarão em maior receita.

Ao analisar mercados competitivos, modelos de otimização tendem a convergir para um “equilíbrio de Nash” – uma situação em que nenhum concorrente individual se vê incentivado a definir preços acima ou abaixo do preço de equilíbrio. Embora isso possa resultar em preços relativamente alinhados em torno desse equilíbrio, é pouco provável que leve a valores combinados, desde que as decisões sejam tomadas de maneira independente e baseadas apenas em dados públicos disponíveis, como preços observáveis de mercado.

Essa dinâmica muda quando o modelo de otimização incorpora dados não públicos, como informações proprietárias sobre demanda e capacidade. Se esses dados indicarem, por exemplo, um aumento esperado da demanda ou uma restrição de oferta, o algoritmo pode passar a recomendar preços mais elevados do que aqueles que prevaleceriam em um mercado estritamente competitivo. Quando múltiplas empresas, apoiadas por algoritmos, passam a praticar preços acima desse nível de equilíbrio, isso pode ser interpretado como indício de conluio tácito.

Como evitar o conluio algorítmico

À medida que a adoção de sistemas de preços de IA e algorítmicos cresce, o risco de conluio entre empresas, mesmo que apenas tácito, aumenta. Embora a intenção deste artigo seja dar informações sobre riscos jurídicos, e não oferecer aconselhamento jurídico, acreditamos que as três estratégias a seguir podem ajudar empresas a evitar conluio implícito:

Garanta a transparência dos dados. As empresas devem deixar explícito quais tipos de dados seus algoritmos utilizam – e quais não utilizam – para gerar recomendações de preço. Isso implica comunicar de maneira clara que a precificação algorítmica se baseia em dados internos e em informações publicamente disponíveis sobre concorrentes, com o objetivo de otimizar preços dentro de um ambiente competitivo.

Ao limitar ou eliminar o uso de dados sensíveis e não públicos (como projeções de demanda futura de concorrentes), as empresas reduzem o risco de alinhamento não intencional de preços. Nesse contexto, é fundamental evitar plataformas que agreguem dados proprietários de múltiplos concorrentes e ofereçam recomendações centralizadas de precificação.

Evite cair na armadilha de preços baseados em regras simplistas. Muitas empresas ainda recorrem a abordagens simples, baseadas em regras, para definir preços. No entanto, evidências indicam que estratégias como igualar ou reduzir preços em relação aos concorrentes podem, inadvertidamente, levar a níveis acima do equilíbrio competitivo. Estudos empíricos em mercados online mostram que a própria velocidade com que algoritmos reagem às mudanças de preço dos concorrentes pode acelerar a convergência entre valores.

Um exemplo emblemático ocorreu na Amazon, quando algoritmos de precificação aplicados a um livro usado de biologia desencadearam uma escalada automática de preços, elevando o valor do livro para quase US$ 24 milhões em 10 dias. Este caso ilustra bem os riscos de regras excessivamente simplistas.

Diante disso, empresas devem evitar regras que vinculem automaticamente suas decisões de preço aos movimentos dos concorrentes. Estratégias automatizadas de equiparação ou redução de preços, embora aparentem eficiência, podem resultar em alinhamento de valores mesmo na ausência de qualquer acordo formal. Em vez disso, é recomendável desenvolver algoritmos que ajustem preços com base na demanda efetiva e nas condições de mercado, e não exclusivamente nos preços praticados por concorrentes. Essa abordagem reduz o risco de práticas colusivas e promove a tomada de decisões independentes.

Verifique os algoritmos. As empresas devem limitar mecanismos automáticos de aceitação de preços e assegurar que gestores acompanhem de perto as recomendações geradas pelos algoritmos, bem como as informações por eles divulgadas. A incorporação de revisões manuais e de uma avaliação criteriosa dos ajustes de preços contribui para manter o controle humano sobre as decisões de precificação e para reduzir o risco de conluio implícito.

Além de as empresas adotarem as medidas acima, uma vigilância regulatória que acompanhe a sofisticação algorítmica é crucial para garantir concorrência justa em setores propensos a preços algorítmicos. Os formuladores de políticas devem monitorar a implementação de algoritmos de precificação para detectar comportamentos colusivos precocemente e aplicar penalidades quando necessário. Estudos indicam que algoritmos de precificação podem aprender a cooperar sem qualquer comunicação explícita ou estrutura de hub-and-spoke, simplesmente por meio de interações repetidas. Esse fenômeno reforça a importância da transparência no desenho desses sistemas, especialmente em contextos nos quais interações frequentes permitem que o aprendizado tácito substitua formas tradicionais de coordenação.

Essa interpretação foi reforçada por decisão recente do United States Court of Appeals for the Ninth Circuit (maior tribunal federal que revisa casos de tribunais distritais do Oeste do país, abaixo da Suprema Corte) no caso Gibson x Cendyn. O tribunal entendeu que, na ausência de um acordo efetivo, a adoção paralela de um mesmo algoritmo de precificação não configura, por si só, conluio. A decisão sugere que o risco antitruste reside menos no uso de dados internos e informações publicamente disponíveis e mais na incorporação de dados proprietários de concorrentes e/ou na adoção de algoritmos com lógica centralizada.