Пользователи соцсетей сравнили цены в Яндекс Лавке и обнаружили, что одни и те же медовички на одном телефоне стоят 124 рубля, а на другом — 259. Разница больше чем в два раза. Вывод в комментариях сделали быстро: если ты бедный, тебе продают дешевле, а если богатый — дороже.
В Лавке эту версию отвергли. По словам пресс‑службы, цена не зависит от поведения покупателей: базовая цена одинакова для всех в пределах одного даркстора, а между складами может отличаться, как в разных магазинах одной сети. Остальное объясняют скидкой на первый заказ, скидкой по карте Пэй и персональными промопредложениями. Пользователи, считают в компании, могли сравнивать разные дарксторы или предложения в разных аккаунтах.
Не только у нас
В США похожие истории уже обсуждают как отдельное явление. По данным Wall Street Journal, покупатель Ник Надо открыл приложение Walmart и увидел жёсткий диск за 369 долларов. На телефоне его жены тот же диск стоил 259 — на 110 долларов дешевле. Walmart ответил, что это ошибка, которую уже исправили, а персональные данные покупателя на цену не влияли.
Американская пресса называет это ценовой тревогой: человек видит разницу в цене и подозревает, что алгоритм оценил именно его. Доказать или опровергнуть подозрение со стороны почти невозможно. Поэтому сначала разберёмся, какие механизмы вообще существуют. Их часто путают.
Динамическая цена: зависит от момента
Динамическое ценообразование — это когда цена меняется вместе с обстановкой: спросом, временем суток, погодой, праздниками, загрузкой курьеров. Самый понятный пример — такси в ливень. Машин мало, желающих много, поездка дорожает.
Но дорожает она для всех, кто заказывает такси в этот момент в этом районе. Неприятно, зато честно: цену поднял дождь, а не ваш доход. Так же работают авиабилеты, отели в сезон и платная доставка в час пик.

Ценовая дискриминация: зависит от вас
Ценовая дискриминация устроена иначе. Здесь цена зависит не от момента, а от покупателя: его пола, возраста, устройства, истории покупок или предполагаемого дохода.
Классический бытовой пример — «розовый налог». Розовая бритва для женщин и синяя для мужчин почти одинаковы, но первая часто стоит дороже. В 2015 году департамент по делам потребителей Нью‑Йорка сравнил сотни пар похожих товаров: в среднем женские версии стоили на 7% дороже, а средства личной гигиены — на 13%.
Сама идея давно описана в экономике. В 1920 году британский экономист Артур Пигу в книге «Экономическая теория благосостояния» выделил три степени ценовой дискриминации. Самая сильная, первая: каждый покупатель платит ровно столько, сколько готов заплатить, ни рублём меньше.

Вторая и третья степень знакомы всем: скидка за объём, студенческий билет, пенсионный тариф. А первая почти век оставалась мысленным экспериментом. Продавец не мог знать, сколько готов отдать каждый конкретный человек.
Теперь у компаний есть годы накопленных данных и алгоритмы, которые умеют их обрабатывать. Модель телефона, район, частота заказов, реакция на прошлые акции — всё это помогает оценить, насколько человек чувствителен к цене. Теория Пигу впервые стала технически осуществимой.
Налог, который собирает магазин
Если цена зависит от того, сколько вы можете заплатить, такая система работает почти как налог на доход. Чем вы обеспеченнее, тем больше платите за тот же медовик. Только собирает этот налог не государство, а бизнес, и в бюджет он не поступает.
У такого налога есть и обратная сторона. Для тех, кто зарабатывает меньше, работает вычет — в виде персональной скидки. Звучит почти социально, если не учитывать, что ставку налога и размер вычета никто не публикует и не объясняет.
Скидка, а не наценка
Обратите внимание на формулировки. Компании никогда не говорят «для вас дороже». Они говорят «у вас пока нет персональной скидки».
Математически это одно и то же: два человека платят разную цену за одинаковый товар. Но воспринимаем мы эти ситуации по‑разному. Скидку — как подарок, наценку — как грабёж. Поэтому персональные цены почти всегда оформляют как зачёркнутую цену и выгодное предложение.

Что говорит закон
Персональные цены как таковые обычно не запрещены, но всё чаще их требуют раскрывать.
- В штате Нью‑Йорк с ноября 2025 года действует закон о прозрачности алгоритмических цен. Если цену рассчитал алгоритм по персональным данным покупателя, рядом нужно написать: «Эта цена установлена алгоритмом на основе ваших персональных данных». Штраф — до 1000 долларов за нарушение.
- В Евросоюзе с 2022 года магазин обязан предупредить покупателя, если цену для него персонализировали автоматически по профилю. Обычная динамическая цена, которая меняется для всех, под это правило не попадает.
- В России с 1 сентября 2023 года действует «пятый антимонопольный пакет». Он позволяет признать доминирующей крупную цифровую платформу с сетевым эффектом. Таким компаниям запрещено без экономического или технологического обоснования устанавливать разные цены на один и тот же товар.
Проблема в том, что всё это легко спрятать. Разницу в цене можно объяснить адресом, складом, промокодом или акцией для новых клиентов. Каждое объяснение по отдельности правдоподобно, а работу алгоритма внутри компании снаружи не проверить.
Что из этого следует
Разная цена на одном и том же экране ещё не доказывает дискриминацию. Её правда могут объяснять разные склады, персональные скидки или ошибка. Но и честных объяснений со стороны платформ пока мало: покупатель видит только итоговую цифру.
Простая проверка доступна каждому: сравнить цену с другого аккаунта на тот же адрес, в то же время. Если разница остаётся, это повод задать вопрос в поддержку. Ответ «у вас нет персональной скидки» — тоже ответ.
Так что если вы переплатили за медовик, возможно, алгоритм решил, что вы хорошо зарабатываете. Поздравляем.
Мы в Irbis делаем приложения и программы лояльности, в том числе для ресторанов. Персональные предложения можно строить так, чтобы клиент понимал, за что получил скидку, и не чувствовал, что его оценили по кошельку. Напишите нам, если хотите обсудить такую механику для своего бизнеса.
Источники
- Агентство «Москва»: Яндекс Лавка о ценообразовании
- M24: Яндекс Лавка опровергла ценообразование на основе поведения клиентов
- Wall Street Journal: почему покупатели подозревают ритейлеров в завышении цен с помощью ИИ
- Business Model Analyst: история Walmart и разница в цене в приложении
- NYC Department of Consumer Affairs: исследование гендерных цен, 2015
- Jones Day: закон Нью‑Йорка о раскрытии алгоритмических цен
- HCR Law: директива Omnibus и персональные цены в ЕС
- Российская газета: ФАС о «пятом антимонопольном пакете»





