Denk aan de wildste droom van een winstmaximaliserend bedrijf: elke klant exact het maximale bedrag laten betalen dat hij bereid is te betalen op het moment dat hij wil kopen. Economen noemen dit eerstegraads, of perfecte, prijssdiscriminatie. Het grootste deel van de geschiedenis was dit structureel onmogelijk—een winkelier kan niet in je ziel kijken, je nettovermogen schatten en het prijskaartje van een liter melk veranderen voordat je bij de kassa staat. Maar een technologieplatform dat miljoenen smartphonetransacties bemiddelt, hoeft niemands ziel te lezen. Het hoeft alleen hun data te lezen.

Bewijs uit de Verenigde Staten

Een recent onderzoek van Consumer Reports in de Verenigde Staten wees uit dat Uber en Lyft routinely verschillende klanten totaal verschillende prijzen rekenen voor dezelfde rit, op hetzelfde moment aangevraagd, vanaf dezelfde locatie. Het mediaan verschil tussen de hoogste en laagste prijzen bedroeg ongeveer 50%. De platforms onthouden zich fel van wat toezichthouders nu surveillance pricing noemen—prijzen gebaseerd op individuele demografische of gedragsdata—en volhouden dat de verschillen simpelweg realtime marktomstandigheden weerspiegelen. Het functionele resultaat is hetzelfde: de software stelt een prijs vast op basis van wat hij denkt op dat exacte moment uit je te kunnen halen.

De term is geen marginale retoriek. In 2024 opende de Amerikaanse Federal Trade Commission formeel onderzoek naar surveillance pricing, met informatieverzoeken aan grote intermediairs om te begrijpen hoe browse- en persoonsgegevens tot gedifferentieerde prijzen leiden—een vroeg teken dat toezichthouders pas beginnen een vocabulaire voor het probleem op te bouwen.

De code gaat naar Kenia en Nigeria

Deze dynamiek is opvallend in streng gereguleerde westerse markten, maar ze hervormt de fundamentele economie van de opkomende markten van Afrika, waar digitale platforms historisch informele economieën razendsnel formaliseren met behulp van enorme datanetwerken.

Ride-hailing is een sprekend voorbeeld. In Kenia en Nigeria hebben internationale reuzen zoals Uber en Bolt dynamische prijsstellingssoftware ingezet die zowel het tarief van de passagier als het aandeel van de chauffeur bepaalt. De software is ogenschijnlijk een onpartijdig marktmechanisme—prijzen verhogen bij hoge vraag om chauffeurs de weg op te krijgen, verlagen wanneer het rustig is—maar ze optimaliseert voor platformliquiditeit en omzet, niet voor macro-economische stabiliteit.

In Nigeria stegen de benzineprijzen onlangs met bijna 50% door mondiale aanbodverstoringen en de afschaffing van lokale subsidies. Een menselijke taxichauffeur zou onmiddellijk zijn basistarieven verhogen om de brandstofkosten te dekken; software geeft alleen om de vraagcurve. De geautomatiseerde prijsstelling liet Nigeriaanse chauffeurs achter met krimpende marges en feitelijk geen controle over hun eigen unit economics, wat de Amalgamated Union of App-Based Transporters of Nigeria ertoe bracht stakingen te beginnen. Werknemers realiseren zich dat zij geen onafhankelijke aannemers zijn die op een markt onderhandelen—zij zijn variabelen in een optimalisatiefunctie. Het systeem is zo star dat concurrenten zoals inDrive wereldwijd 150 miljoen downloads hebben verworven, grotendeels door prijs onderhandeling als productfeature te behandelen in plaats van als geautomatiseerde uitvoer, waarbij chauffeurs en passagiers rechtstreeks kunnen afpingelen.

Een op-maat-gemaakte megabyte, alleen voor jou

De telecommunicatiesector is waar geautomatiseerde prijssdiscriminatie filosofisch merkwaardig wordt. In Kenia heeft Safaricom zwaar geïnvesteerd in voorspellende data-analyse om te verschuiven naar wat het 'customer obsession' noemt. Met een platform dat samen met Huawei is ontwikkeld, Idea-to-Cash, matcht Safaricom abonnees dynamisch met sterk gepersonaliseerde data- en spraakaanbiedingen. Het systeem analyseert het gebruikersgedrag, bestedingspatronen en realtime context van een klant om op-maat-gemaakte "Just for You"-pakketten te genereren.

De aanpak is een groot zakelijk succes geweest. Safaricom verdubbelde de conversieratio's op gerichte pakketten, verkortte de time-to-market voor nieuwe aanbiedingen met 90% en drukte klachten over uurbundels drastisch. Toch is een megabyte data een zuivere commodity: het kost het netwerk evenveel om die aan klant A te leveren als aan klant B.

Safaricom isoleert consumenten in wezen in geïndividualiseerde micro-economieën door data-analyse te gebruiken voor dynamische prijsstelling van telecomdiensten. Als het systeem uit eerder verbruik een hoge betalingsbereidheid afleidt, krijgt die klant een andere deal dan een sterk prijsgevoelige student. Het product blijft standaard, maar de prijsstelling wordt een gedragsval. Als iedereen een gepersonaliseerde korting krijgt, wordt de basisprijs feitelijk betekenisloos—de software heeft dan precies berekend hoeveel waargenomen korting nodig is om een aankoop te triggeren bij een specifiek psychologisch profiel. Dit alles speelt zich af tegen de achtergrond van de Keniaanse Data Protection Act van 2019, die geautomatiseerde besluitvorming op persoonsgegevens zonder toestemming beperkt—een kader waarvan de handhavingscapaciteit, meer dan de tekst, zal bepalen hoe ver gepersonaliseerde prijsstelling kan gaan.

Je batterij is bijna leeg, dus je rente is hoog

Nergens is deze digitale alchemie zichtbaarder dan in de Afrikaanse digitale kredietverlening. In het afgelopen decennium pionierden platforms zoals M-Shwari, Tala en Branch met ongedekte leningen aan onbanked populaties door traditionele kredietbureaus te vervangen door alternatieve mobiele telefoondata.

De oorspronkelijke these was eenvoudig en briljant: zonder formele kredietgeschiedenis kan een programma duizenden datapunten uit een telefoon verwerken—including transactiehistorie van mobiel geld, de diversiteit van een contactenlijst, sms-patronen en mobiliteitspatronen op basis van zendmasten—om een voorspellend kredietscoremodel te bouwen. De voordelen zijn onmiskenbaar. Deze technologie heeft massale financiële inclusie gedreven en de formele toegang tot financiën in Kenia vergroot. Een studie van Harvard Business School wees uit dat marginale kredietnemers die willekeurig door Tala waren goedgekeurd significante verbeteringen in financieel welzijn ervoeren, vooral wanneer ze het kapitaal gebruikten voor kleine ondernemingen.

Maar de kosten van deze geautomatiseerde toegang zijn astronomisch, en de software is meedogenloos efficiënt in het prijzen van risico. Omdat administratieve kosten vrijwel nul zijn, kunnen digitale kredietverstrekkers winstgevend kleine leningen aan miljoenen mensen verstrekken. Omdat wanbetalingspercentages hoog zijn, compenseert het systeem dit met wat feitelijk een armoedepremie is—het leert precies welke exorbitante rente een wanhopige kredietnemer zal tolereren om short-term liquiditeit te verkrijgen. Dit creëert een neerwaartse spiraal waarin kredietnemers leningen bij de ene app nemen om de enorme rente van de andere af te lossen. Tegen 2025 hadden kredietnemers niet afgelost op 83.1% van digitale leningen onder KES 1,000 ($8), wat de moeilijkheid illustreert om kleine leningen bij huishoudens met lage inkomens te innen. De Centrale Bank van Kenia (CBK) moest uiteindelijk ingrijpen met de Business Laws Amendment Act om de sector te reguleren, transparantie te verplichten en kredietverstrekkers te stoppen alle rijkdom van de onderkant van de piramide te extraheren—onderdeel van een breder CBK-licentieregime dat digitale kredietverstrekkers sinds 2022 onder toezicht van de centrale bank bracht.

Dingen aanbevelen die je niet wist dat je niet kon betalen

Het zijn niet alleen ride-hailing, kredietverlening en telecom. Grote techplatforms op het continent zetten stilletjes voorspellende software in om de consumentenwerkelijkheid vorm te geven. Jumia, de pan-Afrikaanse e-commerce reus, leunt zwaar op gepersonaliseerde aanbevelingssystemen die browse-gedrag, aankoopgeschiedenis en gebruikersvoorkeuren analyseren om productsuggesties op maat te maken in markten zoals Lagos, Nigeria.

In een westerse markt is een programma dat een paar schoenen suggereert gewoon gerichte marketing. In een opkomende markt gekenmerkt door ernstige sociaal-economische disparities, wisselende niveaus van digitale geletterdheid en vertrouwensdeficieten, bouwt een programma dat bepaalt welke producten een gebruiker ziet feitelijk een ommuurde tuin. De software leert wat een gebruiker kan betalen en verbergt de rest van de economie, en zet structurele ongelijkheid om in een perfect geoptimaliseerde, wrijvingsloze digitale ervaring.

Het eindspel van perfecte extractie

Technologiek ringen geneigd deze software-inzet als louter goed te zien. De voordelen zijn echt: in de regen in Nairobi staan en via een piektarief aan een chauffeur gekoppeld worden is wellicht beter dan stranden; voorraad nodig hebben voor je fruitkraam en een lening met 150% jaarrente die in drie seconden door een computer wordt goedgekeurd, is beter dan afstoffen met lokale woekeraars. De efficiëntiewinsten zijn spectaculair.

Het probleem is het eindspel. Voorspellende modellen van winstgedreven platforms zijn niet ontworpen om sociale goederen te verdelen, maar om economische surplus te extraheren. Surveillance pricing en geautomatiseerde productplaatsing gedijen in omgevingen met marktfouten en informatie-asymmetrieën. In een perfect competitieve markt zou een telecomprovider die een power user meer voor data in rekening brengt die simpelweg doen overstappen. Maar Afrikaanse digitale markten zijn zelden perfect competitief—ze worden gedomineerd door tech-oligopolies zoals Safaricom in de Keniaanse telecom, Uber en Bolt in mobiliteit en grote banken in digitaal krediet.

Wanneer deze dominante bedrijven eigen software inzetten, houdt het programma op een instrument voor marktdiscoverie te zijn en wordt het een instrument voor maximale extractie. Consumenten hebben nul inzicht in marktbenchmarks, terwijl platforms perfect zicht hebben op de portemonnee en de wanhoop van een koper. Uiteindelijk verdwijnt het concept van een eerlijke, standaardprijs volledig. Consumenten participeren niet langer in een bredere economie, maar zitten vast in een op-maat-gemaakte, algoritmisch gegenereerde simulatie die is ontworpen om hun zakken zo efficiënt als wiskundig mogelijk leeg te maken. Het wildste deel, aldus het oorspronkelijke rapport, is dat de software hen zal overtuigen dat ze korting krijgen. Hoe dit afloopt hangt sterk af van de vraag of toezichthouders—met instrumenten zoals de Data Protection Act van Kenia en de Data Protection Act van Nigeria van 2023, en op precedenten van het FTC-onderzoek naar surveillance pricing—transparantie kunnen afdwingen in systemen waarvan het hele voordeel afhangt van ondoorzichtig te blijven.

Bron: TechCabal, door Kenn Abuya, senior verslaggever en hoofd van de Startups Desk.