داده، هوش مصنوعی و تبدیل زندگی روزمره به ابزار سنجش توان پرداخت
حمید اخوی
مقدمه: وقتی نظارت فقط تماشا کردن نیست
تا چند سال پیش، وقتی از «نظارت» سخن میگفتیم، معمولاً دوربین امنیتی، شنود دولتی یا ردگیری پلیسی به ذهن میآمد. اما در اقتصاد دیجیتال، نظارت شکل روزمرهتر و در عین حال عمیقتری پیدا کرده است. فروشگاه میداند چه میخریم، چه زمانی خرید میکنیم، به کدام تخفیف واکنش نشان میدهیم و چه کالایی را در سبد میگذاریم و رها میکنیم. شرکت هواپیمایی میتواند مسیرهای جستوجوشده، زمان خرید، سابقه سفر و میزان فوریت تقاضا را تحلیل کند. تلفن همراه، موقعیت مکانی، الگوی حرکت، جستوجوها، کلیکها و روابط اجتماعی ما را به داده تبدیل میکند.
در این مرحله، نظارت دیگر فقط برای شناخت رفتار نیست؛ میتواند برای تغییر رفتار، انتخاب گزینههای پیش روی ما و حتی سنجش اینکه «حداکثر چه مبلغی حاضر به پرداخت هستیم» به کار رود. این گذار از personal surveillance یا نظارت شخصی به surveillance pricing یا قیمتسازی مبتنی بر نظارت است.
قیمتگذاری پویا پدیده تازهای نیست: قیمت بلیت هواپیما یا اتاق هتل با زمان، ظرفیت و تقاضا تغییر میکند. اما قیمتسازی فردی یک گام جلوتر میرود. در آن، تفاوت قیمت ممکن است نه فقط به شرایط بازار، بلکه به دادهها و مشخصات فرد، رفتار آنلاین، موقعیت، سابقه خرید یا برآورد الگوریتم از نیاز و توان پرداخت او وابسته باشد. در چنین بازاری، قیمت دیگر یک واقعیت عمومی و قابل مقایسه نیست؛ هر انسان میتواند با ویترین و قیمتی متفاوت روبهرو شود.
کروگر و 84.51°: از کارت وفاداری تا کارخانه شناخت مصرفکننده
کروگر، یکی از بزرگترین زنجیرههای خواربارفروشی آمریکا، از طریق کارتهای وفاداری، خریدهای آنلاین، اپلیکیشن، کوپنهای دیجیتال و تعاملات مشتریان حجم بزرگی از دادههای رفتاری تولید میکند. شرکت وابسته به آن، 84.51°، این دادهها را برای تحلیل بازار، دستهبندی مشتریان، تبلیغات و تصمیمهای تجاری به کار میگیرد و خدمات تحلیلی در اختیار برندها و عرضهکنندگان قرار میدهد.
باید دقیق سخن گفت: این الزاماً به معنای آن نیست که کروگر پرونده شناسنامهدار هر مشتری را مانند یک فایل خام به هر خریداری میفروشد. ارزش اقتصادی اصلی در تبدیل دادههای خرید به «بینش»، بخشبندی، پیشبینی و امکان هدفگیری نهفته است. شرکت میتواند بدون تحویل مستقیم نام و نشانی فرد، از شناخت بسیار دقیق عادتهای او درآمد کسب کند. بنابراین مسئله فقط «فروش داده» به معنای ساده نیست؛ مسئله مالکیت و کسب سود از دانشی است که از زندگی روزمره میلیونها نفر استخراج شده است.
وقتی یک مشتری هر هفته شیر، دارو، غذای کودک یا کالای خاصی میخرد، دادهها میتوانند نه تنها سلیقه، بلکه وضعیت خانوادگی، سطح تقریبی درآمد، بیماری احتمالی، جابهجایی محل زندگی و میزان حساسیت او به قیمت را استنباط کنند. برنامه وفاداری در ظاهر تخفیف میدهد، اما همزمان به آزمایشگاهی دائمی تبدیل میشود که واکنش هر گروه از مشتریان را اندازه میگیرد.
خطر اصلی زمانی پدیدار میشود که همین شناخت برای تعیین نوع تخفیف، ترتیب نمایش کالاها یا برآورد «قیمت قابل تحمل» به کار رود. دو نفر ممکن است در یک روز برای یک کالای مشابه، پیشنهادها یا ویترینهای متفاوتی ببینند، بیآنکه بدانند چرا. فقیرتر بودن نیز لزوماً به معنای دریافت قیمت کمتر نیست؛ کسی که گزینههای محلی کمتری دارد، وقت مقایسه ندارد یا فوراً به یک کالا نیاز دارد، ممکن است از نظر الگوریتم مشتریِ گرفتار و کمقدرتتری باشد.
دلتا و Fetcherr: مرز میان قیمتگذاری پویا و قیمتگذاری فردی
بحث دلتا ایرلاینز نمونهای روشن از ضرورت تفکیک ادعا، امکان فنی و واقعیت اثباتشده است. دلتا استفاده آزمایشی از فناوری قیمتگذاری مبتنی بر هوش مصنوعی شرکت Fetcherr را گسترش داده است. این فناوری میتواند متغیرهای بسیار زیادی را برای توصیه قیمت، پیشبینی تقاضا و واکنش سریع به شرایط بازار تحلیل کند.
انتقاد عمومی و برخی واکنشهای سیاسی این نگرانی را مطرح کردند که چنین سامانهای میتواند در نهایت به قیمتگذاری فردبهفرد نزدیک شود. اما خود دلتا صریحاً گفته است که اطلاعات شخصی مشتریان را در اختیار Fetcherr نمیگذارد و قیمت بلیت را بر مبنای داده شخصی افراد تعیین نمیکند. بنابراین منصفانه نیست که استفاده کنونی دلتا را بدون مدرک قطعی «قیمتگذاری شخصی اثباتشده» بنامیم.
با این حال، نگرانی ساختاری کاملاً واقعی است. وقتی زیرساخت فنی قادر است هزاران متغیر را همزمان تحلیل و قیمت را در لحظه تنظیم کند، فاصله میان قیمتگذاری بر اساس پرواز و بازار با قیمتگذاری بر اساس نمایه فردی میتواند بسیار کوتاه شود. حتی بدون استفاده از نام فرد، ترکیب زمان جستوجو، مسیر، دستگاه، موقعیت جغرافیایی، سابقه تعامل و احتمال خرید میتواند یک شناسه رفتاری بسیار دقیق بسازد.
پس پرسش درست این نیست که آیا دلتا امروز ثابت شده برای هر فرد قیمت جداگانه میسازد؛ پرسش این است که چه قواعد شفاف، امکان ممیزی و حق اعتراضی وجود دارد تا چنین ظرفیتی در آینده به تبعیض پنهان و استخراج حداکثر توان پرداخت تبدیل نشود.
یافتههای FTC: از حرکت ماوس تا قیمت متفاوت
کمیسیون تجارت فدرال آمریکا در بررسی بازار surveillance pricing گزارش کرده است که واسطههای فناوری میتوانند از دادههایی مانند موقعیت دقیق، جمعیتشناسی، سابقه مرور و خرید، نوع دستگاه، رفتار در وبسایت، حرکت ماوس و کالاهای رهاشده در سبد استفاده کنند. هدف میتواند دستهبندی مشتریان، انتخاب پیشنهاد، ترتیب نمایش کالا و تعیین قیمت یا تخفیف متفاوت باشد.
اهمیت این یافته در آن است که تبعیض قیمتی دیگر الزاماً با یک تابلو آشکار انجام نمیشود. الگوریتم میتواند محصول گرانتر را در ابتدای نتایج به یک گروه نشان دهد، تخفیف را فقط به گروهی بدهد، هزینه یا شرایط متفاوتی ایجاد کند یا زمان ارائه پیشنهاد را تغییر دهد. حتی اگر «قیمت پایه» روی کاغذ یکسان بماند، معماری انتخاب میتواند هزینه واقعی افراد را متفاوت کند.
این نظام از نابرابری موجود تغذیه میکند. محله، کد پستی، نوع تلفن، الگوی کار، سطح تحصیلات یا سابقه خرید میتوانند جانشینهای آماری طبقه، نژاد، سلامت یا وضعیت خانوادگی شوند. در نتیجه شرکتی ممکن است ادعا کند از یک ویژگی حساس استفاده نکرده، اما الگوریتم همان ویژگی را از دهها نشانه دیگر بازسازی کند.
فراتر از فروشگاه و هواپیما
منطق نظارت و شخصیسازی فقط به قیمت کالا محدود نیست.
در اقتصاد پلتفرمی، آزمایشهای قیمت و دستمزد میتوانند تعیین کنند مسافر چه کرایهای ببیند و راننده چه سهمی دریافت کند. در تحویل کالا، مشتری ممکن است با پیشنهاد و هزینهای متناسب با احتمال خرید یا میزان فوریت روبهرو شود. در بیمه، دادههای رفتاری، مکانی یا حاصل از ابزارهای متصل میتواند بر ارزیابی ریسک و حق بیمه اثر بگذارد. در استخدام، سامانههای امتیازدهی رزومه، آزمونهای رفتاری و تحلیل ویدئو میتوانند فرصت دیدهشدن افراد را محدود کنند. در مسکن و اعتبار، تبلیغات هدفمند و مدلهای ریسک ممکن است تعیین کنند چه کسی اصلاً یک فرصت، وام یا خانه را ببیند.
پرونده Rite Aid نیز وجه دیگری را نشان داد: استفاده نادرست از تشخیص چهره در فروشگاهها میتواند افراد را بهاشتباه مشکوک معرفی کند و پیامد آن بهطور نامتناسب متوجه زنان و رنگینپوستان شود. اینجا داده فقط قیمت را تغییر نمیدهد؛ منزلت، امنیت و حق حضور فرد در فضای عمومی را نیز تهدید میکند.
بنابراین یک زنجیره واحد شکل میگیرد:
مشاهده رفتار ← ساخت نمایه ← پیشبینی آسیبپذیری یا توان پرداخت ← تغییر قیمت، پیشنهاد، فرصت یا برخورد.
نظارت اقتصادی به تدریج به سازوکاری برای اداره نابرابری بدل میشود.
پیوند با «نظم اجتماعی نوین در عصر آگاهی»
این روند با استدلال مرکزی کتاب «نظم اجتماعی نوین در عصر آگاهی» پیوند مستقیم دارد: هوش مصنوعی ذاتاً علت بحران نیست؛ جهت اجتماعی آن را مناسبات مالکیت و قدرت تعیین میکنند. دادهها محصول زندگی جمعیاند، اما ارزش اقتصادی حاصل از آنها در مالکیت خصوصی متمرکز میشود.
به زبان کتاب، کاربران فقط مصرفکننده فناوری نیستند؛ آنان با جستوجو، خرید، حرکت، نوشتن، تصویر، ارزیابی و اصلاح خود در تولید ماده خام هوش مصنوعی مشارکت میکنند. از این رو تضاد اصلی میان «تولید اجتماعی» و «تصاحب خصوصی» در عصر داده شکل تازهای مییابد.
کتاب همچنین تأکید میکند که حقوق داده نباید به یک دکمه مبهم «قبول میکنم» محدود شود. داده جمعی، استنباطی و رابطهای چند تولیدکننده و چند ذینفع دارد و حقوق مربوط به آن باید دسترسی، حذف، انتقال و اعتراض را دربر گیرد. اگر الگوریتم از خریدهای من نتیجه بگیرد که بیمار، مضطرب، ثروتمند یا گرفتارم، حق من فقط دیدن داده خام نیست؛ باید بدانم چه استنباطی ساخته شده، چگونه علیه من به کار رفته و چگونه میتوانم آن را اصلاح یا رد کنم.
مرز میان شخصیسازی مفید و دستکاری نیز به شفافیت، اختیار و امکان اعتراض وابسته است. پیشنهاد کالای مناسب میتواند خدمت باشد؛ پنهانکردن گزینه ارزانتر از فردی که فوراً نیاز دارد، بهرهبرداری از آسیبپذیری است. فناوری ممکن است در هر دو حالت یکسان باشد، اما رابطه قدرت متفاوت است.
این موضوع نمونهای عملی از مفهوم «مشارکت در قدرت» است. مردم نباید فقط اجازه دهند شرکتها دادهشان را جمع کنند و بعد امیدوار باشند از آن سوءاستفاده نشود. آنان باید در تعیین قواعد گردآوری، استفاده، قیمتگذاری الگوریتمی، ممیزی و توزیع منافع نقش واقعی داشته باشند.
چگونه مقابله کنیم؟
مقابله فقط با توصیههای فردی ممکن نیست، اما اقدامات فردی بیاثر هم نیستند.
در سطح فردی میتوان خرید مهم را در حالت واردنشده به حساب و در مرورگر یا دستگاهی دیگر مقایسه کرد؛ تاریخچه و کوکیها را دورهای پاک کرد؛ مجوز موقعیت مکانی و رهگیری میانبرنامهای را محدود کرد؛ تنظیمات حریم خصوصی و درخواست دسترسی یا حذف داده را به کار گرفت؛ قیمت نهایی را با افراد دیگر مقایسه کرد؛ و از کارتهای وفاداری با آگاهی از معامله پنهان «تخفیف در برابر داده» استفاده کرد. این اقدامات حقهای جادویی برای ارزانتر خریدن نیستند، بلکه راهی برای آشکار کردن تفاوتها و کاهش بخشی از ردپای دادهاند.
در سطح حقوقی، شرکتها باید ملزم شوند روشن کنند آیا داده شخصی یا استنباطهای رفتاری در قیمت، تخفیف، رتبهبندی یا ترتیب نمایش مؤثر است. مصرفکننده باید حق توضیح قابل فهم، دسترسی به نمایه، اصلاح، حذف، خروج بدون تنبیه، بررسی انسانی و اعتراض به تصمیم خودکار داشته باشد. ممیزی مستقل باید اثر تبعیضآمیز سامانه را بر گروههای طبقاتی، نژادی، جنسیتی، سنی و دارای معلولیت بررسی کند.
در سطح بازار، قیمت پایه و سابقه تغییر آن باید قابل مشاهده باشد؛ هزینههای اجباری باید از ابتدا نمایش داده شوند؛ و شرکت نباید به دلیل خودداری فرد از واگذاری داده، او را به قیمت یا خدمت نامناسبتری محکوم کند. نهادهای عمومی باید اختیار بررسی کد، ورودیها و نتایج سامانههای پرخطر را داشته باشند، حتی اگر شرکت آنها را «راز تجاری» بنامد.
اما پاسخ بنیادیتر، اجتماعی است. اگر داده و دانش از فعالیت جمعی تولید میشوند، جامعه باید بر زیرساخت داده و هوش مصنوعی حق داشته باشد. تعاونیهای داده، مخازن عمومی امن، نمایندگان منتخب کاربران و کارگران، و شوراهای مستقل نظارت میتوانند بخشی از این ساختار باشند. درآمد و افزایش بهرهوری حاصل از داده اجتماعی نیز باید به کاهش زمان کار، خدمات عمومی و رفاه مشترک بازگردد، نه فقط به تبلیغ دقیقتر و استخراج سود بیشتر.
نتیجهگیری: قیمت، آیینه رابطه قدرت است
قیمتسازی فردی فقط یک فناوری تازه برای بازاریابی نیست. این پدیده میتواند رابطه میان انسان و بازار را وارونه کند. در بازار سنتی، خریدار قیمت را میدید و تصمیم میگرفت؛ در بازار نظارتی، سامانه ابتدا خریدار را میبیند، او را طبقهبندی میکند و سپس تعیین میکند چه قیمت و چه انتخابی به او نشان داده شود.
نمونه کروگر نشان میدهد دادههای خرید روزمره چگونه به دارایی تحلیلی و منبع درآمد تبدیل میشوند. نمونه دلتا نشان میدهد چگونه هوش مصنوعی ظرفیت قیمتگذاری را دگرگون میکند و چرا باید میان ادعای اثباتشده و خطر بالقوه تمایز گذاشت. یافتههای FTC نشان میدهد بازار واسطههای قیمتگذاری نظارتی واقعی، گسترده و بسیار کمشفاف است.
پرسش نهایی این نیست که آیا الگوریتم میتواند قیمت مناسب را پیشبینی کند. پرسش این است: مناسب برای چه کسی؟ برای انسانی که باید به کالا، سفر، مسکن، بیمه و اعتبار دسترسی منصفانه داشته باشد، یا برای شرکتی که میخواهد آخرین دلار ممکن را از نیاز و آسیبپذیری او استخراج کند؟
در چارچوب «نظم اجتماعی نوین در عصر آگاهی»، پاسخ روشن است: داده و هوش اجتماعی باید در خدمت گسترش آزادی، کاهش نابرابری و مشارکت انسان در قدرت قرار گیرند. جامعهای که اجازه دهد زندگی خصوصی مردم به ابزاری برای سنجش توان پرداختشان تبدیل شود، فقط حریم خصوصی را از دست نمیدهد؛ بخشی از حق تصمیمگیری اقتصادی و سیاسی خود را نیز واگذار میکند.
منابع منتخب
کمیسیون تجارت فدرال آمریکا، «یافتههای مطالعه قیمتگذاری نظارتی»، ۱۷ ژانویه ۲۰۲۵:
کمیسیون تجارت فدرال آمریکا، «ظهور قیمتگذاری نظارتی»:
https://www.ftc.gov/system/files/ftc_gov/pdf/sp6b-issue-spotlight.pdf
کمیسیون تجارت فدرال آمریکا، «دستور بررسی هشت شرکت واسطه قیمتگذاری نظارتی»، ۲۳ ژوئیه ۲۰۲۴:
دلتا ایرلاینز، پاسخ رسمی درباره استفاده از هوش مصنوعی در قیمتگذاری:
https://news.delta.com/delta-responds-misinformation-around-ai-pricing
سیاست حریم خصوصی دلتا:
https://www.delta.com/us/en/legal/privacy-and-security
کتاب «نظم اجتماعی نوین در عصر آگاهی»، حمید اخوی.
