Surveillance Pricing: il sito ti conosce e ti fa pagare di più
- Mass R
- 16 mag
- Tempo di lettura: 5 min
Hai mai cercato un volo, riaperto il sito il giorno dopo e trovato un prezzo più alto? Non è una coincidenza. A me è capitato l'anno scorso, cercando un volo Torino-Budapest. Stesso sito, stesso giorno, stesso orario. Prezzo diverso dal browser del telefono e dal laptop. Venti euro di differenza. Ho pensato a un bug. Non era un bug.
Iniziamo subito col dire che Il "surveillance pricing" (prezzi dinamici basati su profilazione, storico acquisti o geolocalizzazione) non è attualmente utilizzato nei supermercati fisici in Italia. Nessuna catena nostrana adegua il costo della spesa in tempo reale in base a chi sei o a quanti soldi hai sul conto.
Cos'è il surveillance pricing
Entriamo nel merito, il surveillance pricing — letteralmente "prezzi di sorveglianza" — è la pratica con cui aziende e piattaforme utilizzano dati personali raccolti su singoli utenti per applicare prezzi individuali, calibrati su quanto ciascuno è stimato disposto a pagare.
Non si tratta di dynamic pricing classico, dove i prezzi variano in base alla domanda aggregata di mercato — come i prezzi dei voli nei weekend o i taxi nelle ore di punta. Qui la discriminazione è più sottile e più radicale: è individuale. Lo stesso prodotto, lo stesso sito, lo stesso momento. Due utenti diversi: due prezzi diversi.
Come funziona: la catena di sorveglianza
Il meccanismo si articola in tre fasi.
Raccolta dati. Ogni interazione digitale lascia una traccia: il tipo di dispositivo usato, il browser, la localizzazione geografica, la cronologia delle ricerche, i siti visitati in precedenza, il comportamento sul sito (quante volte hai guardato quel prodotto, per quanto tempo ti sei soffermato sulla pagina). A questi si aggiungono dati provenienti da fonti esterne: storico acquisti, carte fedeltà, profilo sui social, dati demografici e persino — nei casi più avanzati — indicatori di reddito stimato in base al quartiere di residenza.
Stima della disponibilità a pagare. I dati vengono processati da modelli di machine learning addestrati per stimare la willingness to pay individuale: quanto sei disposto a spendere prima di rinunciare all'acquisto. Questo numero — che non conosci ma che l'algoritmo stima con discreta precisione — diventa il tetto del prezzo che ti viene mostrato.
Presentazione del prezzo personalizzato. Il prezzo che appare sul tuo schermo non è il prezzo di mercato. È il prezzo massimo compatibile con la probabilità che tu completi l'acquisto.
Esempi concreti
Non è teoria. Diversi studi e inchieste giornalistiche hanno documentato casi reali.
Dispositivo usato. Amazon, Orbitz e altri e-commerce hanno mostrato prezzi più alti agli utenti Apple rispetto agli utenti Android o Windows. La logica è semplice: possedere un iPhone è un segnale di reddito disponibile. Ho fatto la prova anch'io qualche mese fa su un paio di scarpe da running: stesso modello, stesso giorno. Dal mio iPhone il prezzo era 134 euro. Dal vecchio Android di mio figlio, 119. Quindici euro di differenza per lo stesso articolo, sullo stesso sito, nello stesso momento.
Frequenza di ricerca. Chi cerca lo stesso volo più volte viene identificato come un acquirente con alta intenzione d'acquisto — e quindi meno sensibile al prezzo. Risultato: il prezzo sale. È il paradosso di chi si informa troppo: più mostri interesse, più paghi.
Localizzazione geografica. Utenti connessi da indirizzi IP associati a quartieri ad alto reddito hanno ricevuto prezzi più alti per gli stessi prodotti. In alcuni casi, la sola presenza di un codice postale benestante nella cronologia di navigazione è sufficiente.
Stato di fedeltà. Paradossalmente, i clienti più fedeli a una piattaforma — quelli con più storico d'acquisto — sono spesso quelli più profilati e quindi più esposti a prezzi personalizzati al rialzo. Ricordo di aver letto questa cosa e di aver pensato: ma allora la carta fedeltà del supermercato è uno strumento contro di me, non per me. Nella migliore delle ipotesi, è uno scambio scomodo: ti do i miei dati, tu mi dai qualche punto. Solo che i punti li vedo, il profilo che costruisci su di me no.
Il problema: asimmetria informativa asimmetrica
L'economia classica tratta l'asimmetria informativa come un problema di mercato da correggere. Il surveillance pricing la istituzionalizza e la monetizza.
Il venditore sa tutto di te: la tua storia, le tue preferenze, la tua sensibilità al prezzo. Tu non sai nulla del venditore: non sai se il prezzo che vedi è quello che vede il tuo vicino, non sai quale dato ha determinato quella cifra, non sai nemmeno che esiste un prezzo diverso.
Questa asimmetria non è accidentale. È il prodotto di anni di investimenti in infrastrutture di raccolta dati, con il preciso obiettivo di spostare il surplus del consumatore verso il produttore — toglierti valore senza che tu te ne accorga.
Quando lo spiego a qualcuno per la prima volta, la reazione più comune è: "ma tanto non ho niente da nascondere." È la risposta sbagliata alla domanda sbagliata. Non si tratta di privacy nel senso tradizionale. Si tratta di soldi. Tuoi.
Il quadro regolatorio: una zona grigia
In larga parte del mondo, il surveillance pricing non è esplicitamente vietato. In Europa, il GDPR impone vincoli sulla raccolta e sull'uso dei dati personali, ma non vieta esplicitamente la personalizzazione dei prezzi basata su profilazione. Il Regolamento europeo sull'IA potrebbe in futuro introdurre limitazioni, ma siamo ancora in fase di implementazione.
Negli Stati Uniti, la Federal Trade Commission ha avviato un'indagine formale nel 2024, richiedendo informazioni a otto grandi aziende tecnologiche e di e-commerce. È un primo segnale, non ancora una risposta normativa.
Il problema centrale dal punto di vista regolatorio è che i consumatori hanno prestato consenso alla raccolta dei dati — spesso inconsapevolmente, cliccando "Accetta" su banner di cookie — e che la personalizzazione del prezzo è tecnicamente un'attività commerciale legittima. Dimostrare che una specifica discriminazione di prezzo è illegale richiede di provare un nesso causale tra dato raccolto e prezzo applicato: operazione complessa quando l'algoritmo è una scatola nera.
Come difendersi: misure pratiche
La difesa completa è difficile, ma alcune contromisure riducono significativamente l'esposizione.
Usa la modalità di navigazione in incognito quando cerchi prodotti o prezzi — elimina i cookie e riduce il fingerprinting del browser. Cancella i cookie prima di visitare siti di e-commerce o prenotazione. Confronta i prezzi da dispositivi diversi o da connessioni diverse. Utilizza una VPN per mascherare la localizzazione geografica. Sii consapevole delle carte fedeltà: il risparmio immediato che offrono è spesso finanziato dalla profilazione che abilitano.
Infine, usa aggregatori di prezzi e strumenti di price tracking come Google Shopping, Camelcamelcamel per Amazon, o Skyscanner per i voli: rendono visibile la variazione temporale del prezzo, anche se non la variazione tra utenti diversi.
Personalmente, da quando ho capito come funziona questo meccanismo, ho preso l'abitudine di aprire sempre una finestra in incognito prima di qualsiasi acquisto online non banale. È una piccola frizione — trenta secondi in più — ma mi dà la sensazione, almeno parziale, di stare giocando su un campo leggermente più livellato.
Conclusione
Il surveillance pricing è l'ultimo stadio di una traiettoria cominciata con i programmi fedeltà e proseguita con i cookie: la trasformazione del tuo profilo digitale in uno strumento di estrazione del valore. Non è fantascienza, non è il futuro. È il presente di qualsiasi transazione commerciale che avviene online.
Conoscere il meccanismo non lo neutralizza, ma è il primo passo per non esserne inconsapevolmente vittima. E la prossima volta che un prezzo ti sembra stranamente alto, forse vale la pena chiedersi: alto per chi?
Fonti:
FTC — Surveillance Pricing Study, gennaio 2025
Narayanan, A. & Reisman, D. — The Princeton Web Transparency and Accountability Project, Springer 2017
Hannak et al. — Measuring Price Discrimination and Steering on E-Commerce Websites, Northeastern University / Princeton, IMC 2014
Wall Street Journal — Orbitz steers Mac users to pricier hotels, giugno 2012
Paul Weiss / Holland & Knight — analisi legale sul quadro regolatorio USA 2025-2026
Commenti