Newsletter
Suscríbete a nuestro Newsletter y entérate de las últimas novedades.
La rápida evolución de la inteligencia artificial (IA) ha revolucionado múltiples aspectos de nuestras vidas, y el ámbito del derecho de libre competencia no es una excepción. La capacidad que tienen los algoritmos para recopilar y analizar grandes volúmenes de datos ha dado lugar a la implementación de estrategias comerciales cada vez más sofisticadas. Esto abre nuevas oportunidades y desafíos en el campo de la competencia, sobre todo desde la regulación (ver nota CeCo: Algoritmos y colusión: El nuevo caso de los Hoteles en Las Vegas).
En este contexto, revisamos el artículo “Algorithmic Targeting and Exclusion”, escrito por Thomas Cheng (University of Hong Kong) y Julian Nowag (Oxford Centre for Competition Law and Policy), y que fue seleccionado en los “Antitrust Writting Awards 2023” (Concurrences) como el mejor artículo académico sobre conductas unilaterales del año 2022.
En el contexto de la penetración de la IA, y su uso en los procesos productivos, el artículo de Cheng y Nowag se centra en los riesgos que tiene el uso de algoritmos para facilitar conductas exclusorias unilaterales (p. ej., precios predatorios, descuentos, venta atada y empaquetamiento). Esto, específicamente, por permitir discriminar en un grado mucho mayor al conocido en la actualidad (en el extremo, casi de forma perfecta).
Mediante el uso de algoritmos que combinaban bases de datos propias de la empresa Uber, y otras fuentes de información proveniente de las aplicaciones de sus competidores (p. ej., Lyft), Uber logró identificar a los conductores que ofrecían sus servicios de driver mediante otras plataformas (es decir, realizaban multi-homing). Con esto, diferenció a los conductores fieles a su aplicación de los multi-homing, con el fin de atraer e incentivar a que este segundo tipo de conductores (menos fieles) utilizaran su aplicación de forma exclusiva, ofreciéndoles paquetes de descuentos y regalías.
En este sentido, Uber utilizó un programa y algoritmo propio (“Hell Program”) que, en palabras sencillas, tuvo el efecto de disminuir la oferta de drivers para las apps competidoras (pues capturó la oferta de los drivers de otras aplicaciones, y los fidelizó). Ahora bien, ¿qué diferencia tiene esto con una estrategia normal de discriminación?
La diferencia es el alto nivel de diferenciación de conductores que logró Uber gracias al algoritmo, y que le permitió dirigir sus descuentos solo a los drivers que operaban con multi-homing (excluyendo a los ya fidelizados). En otras palabras, gracias al algoritmo Uber pudo reducir los costos de la discriminación, ya que pudo focalizar los incentivos a la masa marginal de drivers (los que operaban con multi-homing), en vez de aplicarlos de forma uniforme a su red de conductores.
Es así como la efectividad de esta conducta exclusoria se ve altamente beneficiada por el uso de algoritmos. Los autores mencionan que si los competidores no cuentan con esta misma herramienta, deberán ofrecer mayores incentivos (como mayores pagos o contratos de exclusividad) a través de toda su red de conductores, encareciendo así esta estrategia (otro ejemplo del “Hell Program” de Uber se puede observar en el “Caso Lyft”).
Este es un ejemplo que ilustra la realidad del uso de algoritmos en conductas exclusorias “aguas arriba”. Sin embargo, y como veremos a continuación, la posibilidad de realizar prácticas exclusorias “aguas abajo” son factibles y reales.
El mecanismo señalado en el artículo de Cheng y Nowag, con el cual las empresas son capaces de usar la IA para recopilar información de sus clientes y segmentarlos de forma personalizada, es mediante el algorithmic targeting (focalización algorítmica). Este se basa en el uso de algoritmos para reconocer y segmentar a los usuarios según sus comportamientos y determinar sus disposiciones a pagar. Al permitir a las empresas identificar de manera precisa a los usuarios más propensos a ser afectados por estas estrategias, se vuelve más rentable y efectivo para ellas excluir a la competencia.
Teniendo en cuenta las importantes implicancias generadas por el uso de estos algoritmos, se hace necesaria una revisión por parte de los reguladores para adaptar sus métodos de supervisión y fiscalización. En efecto, los algoritmos pueden influir directamente en los parámetros actuales utilizados por las autoridades para fiscalizar conductas exclusorias (p. ej., las razones precio-costo y los cálculos para los periodos de recuperación). A continuación se revisan algunas conductas exclusorias -repasadas por Cheng y Nowag- para ilustrar este punto.
Los precios predatorios son una conducta que consiste en cobrar precios por debajo del equilibrio de mercado (soportando pérdidas en el corto plazo), con el fin de excluir a un competidor o evitar la entrada de uno potencial. Ahora bien, para definir si un precio determinado es o no predatorio, el consenso general es que es necesario realizar un análisis de costo-precio. Esto implica evaluar si los precios establecidos por la empresa acusada están por debajo de un indicador estándar de costos (que puede tomar varias formas).
El algorithmic targeting le entrega a la empresa la capacidad de diferenciar a los consumidores, y así reducir la pérdida durante el periodo de depredación, ya que es posible focalizar esta estrategia en los consumidores marginales (aquellos que tienen menor disposición a pagar). Es decir, la empresa solo ofrecerá un precio rebajado a los consumidores marginales, mientras que mantendrá el precio para el resto (es decir, los infra-marginales). Esto reduce los costos de implementar un plan de precios predatorios.
Así, el uso de estos algoritmos provoca un cambio en la manera en que las empresas dominantes evalúan si deben o no incurrir en prácticas exclusorias, considerando que el análisis costo-beneficio las hará más atractivas.
En este punto, cabe destacar que existe una diferencia en la forma cómo se regula esta conducta en diversas jurisdicciones. A diferencia de lo que ocurre en la Unión Europea, en Estados Unidos, se exige el “recoupment requirement” (requerimiento de recuperación), que implica que el demandante debe demostrar que la empresa “depredadora” tiene la capacidad de recuperar y obtener beneficios en un periodo posterior a la depredación (este es el razonamiento del célebre caso Brooke Group Ltd. v. Brown & Williamson Tobacco Corp, resuelto por la Corte Suprema de EE.UU. el año 1993). El cálculo de este periodo se puede hacer con un método directo (de cálculo de pérdida y estimación de ganancias) o uno indirecto (que toma en cuenta parámetros que funcionan como proxy de probabilidad de ganancias post depredación).
En este sentido, Cheng y Nowag sugieren que el uso de algorithmic targeting podría disminuir la relevancia del requerimiento de recuperación (o incluso devenir en obsoleto). Esto pues, gracias al algoritmo, las empresas podrán recuperar sus pérdidas con mayor facilidad, dado que ellas solo se materializarán respecto a los consumidores marginales (es decir, son menos pérdidas que recuperar). En otras palabras, será más usual que las estrategias predatorias cumplan con el requerimiento de recuperación.
Adicionalmente, la presencia de algoritmos también afectaría a los métodos para evaluar precios predatorios usando medidas de costo-precio (como se hace en la Unión Europea). Si consideramos que el algorithmic targeting bajo precios predatorios implica la imposición de varios precios diferentes (para los distintos grupos de consumidores identificados), entonces el cálculo para determinar los costos asociados, a fin de determinar si se trata efectivamente de un precio predatorio, puede variar. Esto pues, variables estándar como el costo marginal o costo variable medio, solo hacen sentido cuando la producción es contemplada a nivel total. Considerando que ahora se trataría de varios grupos de consumidores, se pone en duda si es pertinente contemplar solo los costos adicionales que incurrió la firma dominante para aumentar la producción, y subsecuentemente, disminuir los precios sobre la masa marginal de consumidores.
En el ámbito de los descuentos, la jurisdicción europea reconoce diferentes tipos de comportamientos. En un extremo, están los descuentos cuantitativos, que se aplican de forma uniforme ante, por ejemplo, volúmenes de ventas. Por otro lado, están los descuentos de fidelidad o lealtad, que levantan mayores alertas en el derecho de la competencia. En este contexto, es relevante determinar si estas prácticas tienen un efecto de exclusión en el mercado.
Aplicando el uso de algorithmic targeting, la lógica es similar que con los precios predatorios. En palabras de los autores, las empresas dominantes tendrían flexibilidad para ofrecer descuentos que no permitirían a otros competidores igualarlos. Recordemos que una empresa que no cuenta con esta herramienta tendría que ofrecer los descuentos para todos sus consumidores de forma estandarizada, o bien hacerlo de forma individual (que conlleva altos costos de transacción). En cambio, la diferenciación generada por los algoritmos permitiría optimizar la aplicación de descuentos, permitiendo reconocer grandes grupos de consumidores y aplicar descuentos personalizados.
En esta materia, los autores hacen especial énfasis en el test de competidor igual de eficiente (“as efficient competitor”) que se aplica en la Unión Europea, y que consiste en evaluar si una práctica o conducta específica de una empresa podría ser replicada por un competidor que sea igual de eficiente. En este caso, se elevan desafíos sobre si ser igual de eficiente implica igual eficiencia en la producción del bien, o si contempla también la igualdad de eficiencia para identificar consumidores marginales a través de algoritmos (lo cual vimos que también tiene efectos sobre los eventuales cálculos de costos).
Las empresas que ofrecen bienes o servicios bajo la forma de una venta atada o empaquetamiento, enfrentan un trade-off entre los beneficios que pierde la empresa por la desvinculación de los consumidores marginales y los beneficios adicionales que se obtienen por una mayor extracción del excedente de sus consumidores infra-marginales.
Para estos efectos, los consumidores “marginales” son los que están dispuestos a consumir el producto base (o “atante”), pero no están dispuestos a pagar por el producto “atado”. En consecuencia, si se les obliga a comprar ambos productos de forma conjunta, deciden no consumir. Por otro lado, los consumidores “infra-marginales”, son aquellos que sí tienen disposición a pagar suficiente para adquirir ambos productos, hayan tenido —o no— la intención de hacerlo desde un principio.
En este sentido, la presencia de algorithmic targeting aliviaría este trade-off para las firmas que realizan la venta atada. Al tener la capacidad de diferenciar entre consumidores según su disposición a pagar, la empresa podrá ofrecer la venta atada solo a los consumidores dispuestos a pagarla (los infra-marginales). Al mismo tiempo, podrá ofrecer los mismos paquetes a sus consumidores marginales, pero con descuentos (en el extremo, descuentos personalizados), para que el cliente termine optando por consumir el producto atante y atado.
Así, gracias al algoritmo, la empresa puede minimizar la pérdida de ganancia producto de la posible defección de consumidores que sean más sensibles ante cambios en los precios. En este sentido, Cheng y Nowag sugieren que esto tiene una implicancia directa sobre los umbrales de participación de mercado establecidos actualmente para condenar estas conductas, pues una venta atada exclusoria podría ser ejecutada eficazmente incluso a por una empresa con un nivel bajo de poder de mercado.
Hasta el momento, el debate central sobre las consecuencias de los algoritmos se ha centrado en los riesgos colusorios que pueden estar asociados a su uso (específicamente a los algoritmos relacionados con la fijación de precio automática). Sin embargo, existe poca evidencia empírica que logre relacionar conductas exclusorias o explotativas con algoritmos, a excepción del caso “Google Shopping”, que ha sido investigado por su self-preferencing (ver nota CeCo: El Impacto de los Algoritmos en la Competencia y el Derecho de Competencia (A. Capobianco)).
No obstante, la inminente profundización de los algoritmos en materias de conductas exclusorias unilaterales ya ha elevado preocupaciones por parte de entes reguladores. En 2021, la Autoridad de Competencia y Mercados del Reino Unido (“CMA”) publicó un artículo llamado “Algorithms: How they can reduce competition and harm consumers”. Dentro de este, se detallan desafíos y propuestas para establecer un sistema que se encuentre preparado de mejor manera para enfrentar conductas anticompetitivas respaldadas por estas tecnologías.
Entre las medidas propuestas, se identifica que la transparencia es una de las más importantes, tanto hacia el público en general para mejorar la comprensión de estas tecnologías (y entregarle validez a su uso), como hacia las empresas que las utilizan, advirtiéndoles sobre los riesgo que conllevan y realizando un constante control de su calidad (al respecto, ver nota CeCo “Sesgos y algoritmos: Las oportunidades en la libre competencia”).
Además, se destaca la necesidad de fortalecer las políticas de protección de datos y mejorar su aplicación, así como el monitoreo constante de los algoritmos utilizados por los actores del mercado. En este sentido, es necesaria la construcción y utilización de infraestructura digital que permita una supervisión más efectiva y una respuesta más rápida ante posibles infracciones.
El desarrollo de algoritmos que, con un input de datos suficientemente grande, permitan diferenciar a los consumidores según sus disposiciones a pagar, implica una revisión importante sobre las normas y criterios con los cuales se evalúan las conductas exclusorias. Sin duda la adopción de estas tecnologías tiene implicancias sobre la efectividad de los precios predatorios, los descuentos y el empaquetamiento/venta atada, en general, provocando que la ejecución de este tipo de práctica sea más eficiente y personalizada.
