Non è soltanto una guerra di prezzi tra stazioni di servizio. La causa depositata il 22 giugno 2026 davanti alla corte federale di Sacramento accende i riflettori su un meccanismo più sottile e pervasivo: l’uso di intelligenza artificiale per pilotare i listini alla pompa e, secondo l’accusa, mantenere i prezzi artificialmente alti a danno dei consumatori. I nomi dei convenuti – BP, Circle K, Marathon Petroleum, 7-Eleven, Walmart e Albertsons – danno la misura della portata del contenzioso, che potrebbe ridefinire le regole per l’impiego di algoritmi in settori sensibili alla concorrenza.

Il meccanismo dell’accusa: un algoritmo per orchestrare i rincari

Al centro del procedimento c’è l’utilizzo di uno strumento di AI per il pricing condiviso, o comunque interoperabile, tra diverse catene. L’accusa non parla di un cartello esplicito con riunioni clandestine, ma di una forma più moderna di segnalazione: un software che, elaborando dati in tempo reale su domanda, scorte e prezzi dei concorrenti, suggeriva o imponeva incrementi allineati, riducendo quella sana incertezza competitiva che dovrebbe portare i consumatori a beneficiare del ribasso. Di fatto, la tecnicia avrebbe svolto il ruolo di una sala di compensazione, rendendo superfluo qualsiasi accordo verbale.

Il tema tecnico sottostante è il cosiddetto tacit collusion by algorithm. In mercati fortemente digitalizzati, i modelli di machine learning addestrati su serie storiche e dati di settore possono convergere in modo spontaneo verso politiche di prezzo sopracosto, semplicemente massimizzando il profitto senza bisogno di istruzioni esplicite. Se poi più operatori utilizzano il medesimo fornitore o lo stesso framework, il rischio di comportamenti paralleli si moltiplica.

Perché la collusione algoritmica è così difficile da provare

Per l’antitrust, il confine tra parallelismo innocuo e coordinamento illecito è sempre stato labile. Con l’AI quel confine diventa fluido. I regolatori devono dimostrare che il software non ha semplicemente reagito a dinamiche di mercato, ma ha creato le condizioni per un allineamento stabile che danneggia il consumatore. La complessità tecnica rende però opachi i meccanismi interni: un modello di pricing può essere un “black box” il cui comportamento emerge da milioni di parametri e interazioni, non da una semplice istruzione di cartello. Ecco perché la causa californiana – pur nella sua fase iniziale – potrebbe generare un precedente importante sul piano probatorio, spingendo le autorità a richiedere una piena auditability degli algoritmi.

Trasparenza e controllo: la carta dell’on-premise

È proprio qui che le scelte di deployment assumono un peso strategico. Chi gestisce internamente l’infrastruttura per modelli di AI – in uno scenario self-hosted e on-premise – mantiene piena visibilità sul codice, sui dati di addestramento e sulle logiche di decisione. Al contrario, l’utilizzo di servizi cloud di terze parti, spesso con componenti proprietari, può limitare la capacità di dimostrare la conformità delle proprie pratiche. In contesti regolatori sempre più attenti (basti pensare al GDPR e alle linee guida UE sull’AI Act), la possibilità di ricostruire esattamente come un sistema di pricing elabora gli input non è un lusso ma una necessità difensiva.

Un modello eseguito su hardware dedicato in azienda, con logging forzato di ogni raccomandazione, movimentazione di prezzo e segnale di mercato, offre una traccia forense spendibile in giudizio. Naturalmente, la contropartita è un TCO più alto e una gestione tecnica impegnativa, che molte organizzazioni non sono attrezzate a sostenere. Per questo AI-RADAR mette a disposizione analisi comparative e framework per valutare quando l’investimento in un deployment locale si giustifichi non solo in termini di prestazioni ma anche di sovranità sui dati e gestione del rischio legale.

Oltre il caso specifico: cosa significa per chi sviluppa AI internamente

Al di là della disputa giudiziaria, la vicenda manda un segnale forte a tutti i team che costruiscono strumenti di business intelligence, pricing dinamico e raccomandazione: il controllo dell’algoritmo non è più una questione meramente ingegneristica, ma un asset di compliance. La scelta tra un modello aperto e verificabile, eventualmente sottoposto a fine-tuning su dati proprietari in ambiente controllato, e una soluzione pronta all’uso offerta in SaaS può diventare decisiva quando un’autorità indaga. Chi oggi progetta architetture di AI per funzioni sensibili dovrebbe includere fin dall’inizio meccanismi di explainability e governance, non solo per etica, ma per ridurre l’esposizione a contestazioni come quella che sta agitando le major petrolifere californiane.