Newsletter
Suscríbete a nuestro Newsletter y entérate de las últimas novedades.
*Esta nota corresponde a una traducción al español de esta publicación original de Promarket.org, de fecha 18 de julio de 2023. Esto se realiza en el marco de un convenio de re-publicación suscrito entre CeCo y ProMarket (Stigler Center, University of Chicago Booth School of Business).
Michal Gal discute los obstáculos regulatorios para lidiar con los impactos de la colusión algorítmica de precios. Mientras tanto, señala la autora, las soluciones de mercado incluyen consumidores algorítmicos y estímulos (nudges) de plataforma para mitigar la coordinación de precios.
En los últimos años, nuestro conocimiento sobre los daños algorítmicos en el mercado ha evolucionado enormemente. Hoy existe un acuerdo generalizado de que los algoritmos pueden ayudar a las empresas a poner en funcionamiento un cartel, pero, más importante aún, que los algoritmos pueden aprender de manera autónoma a coordinar precios y establecerlos a niveles supra-competitivos (coordinación algorítmica). Esta conciencia se basa en estudios teóricos, experimentales y empíricos.
«(…) no hay soluciones fáciles para la mayoría de los casos de coordinación algorítmica sin que sea necesario cambiar la ley y aplicar medidas más intervencionistas. E incluso si se realizasen dichos cambios, los reguladores deberían proceder con precaución para permitir que las empresas disfruten de los beneficios pro-competitivos de los algoritmos«
Por ejemplo, un estudio del mercado de la gasolina en Alemania descubrió que, cuando dos empresas en un mercado duopólico cambiaron de precios “manuales” a algorítmicos, el precio aumentó sustancialmente (9–28%). Este tipo de estudios llevan a una conclusión innegable y verosímil: bajo algunas circunstancias de mercado, los algoritmos de precios, en su búsqueda por alcanzar un objetivo general (p. ej., «maximizar las ganancias del vendedor»), pueden lograr la coordinación a precios supra-competitivos sin que exista intervención humana ni acuerdo previo.
En consecuencia, la próxima frontera implica encontrar formas de lidiar, de manera efectiva, con los efectos negativos que la coordinación algorítmica produce al bienestar, pero sin limitar innecesariamente la capacidad de los proveedores para disfrutar de los beneficios asociados al uso de algoritmos. El uso exponencialmente creciente de algoritmos de precios subraya la importancia de esta búsqueda.
Las herramientas legales existentes son bastante limitadas en su capacidad para lidiar con la coordinación algorítmica. Esto se debe a que las prohibiciones establecidas por la ley de competencia sobre conductas coordinadas requieren la existencia de un «acuerdo en restricción del comercio«, interpretado como la oferta y aceptación de un acuerdo para no competir. Así, la coordinación puramente oligopolística -coordinación que resulta de las decisiones autónomas unilaterales de proveedores que consideran la reacción esperada de sus rivales en respuesta a sus acciones al tomar sus propias decisiones-, no está capturada por la ley, aunque sus efectos en los consumidores sean similares a los de un cartel ilícito. El enfoque en el modo de comunicación puede explicarse en parte por las dificultades para remediar la coordinación puramente oligopolística. Esto implica que, a medida que el uso de sofisticados algoritmos de aprendizaje se vuelve más común, más mercados podrían involucrarse en una coordinación algorítmica legal pero perjudicial.
Sin embargo, nuestra caja de herramientas no está completamente vacía. De hecho, puede ser el momento adecuado para revivir el uso de una herramienta legal que está mayormente en desuso, que podría proporcionar una solución parcial en algunas circunstancias. La doctrina de «prácticas facilitadoras» («plus factors«) prohíbe actos intencionados y evitables que faciliten la coordinación a través de la creación de compromisos conscientes con un esquema común, y que no están justificados por motivos pro-competitivos. Como se elabora en mi investigación, tales doctrinas limitan la capacidad de los algoritmos para coordinarse, al menos en algunos casos. Actos que pueden levantar banderas rojas pueden incluir, entre otros, facilitar que los competidores observen los algoritmos y/o bases de datos propias para establecer mejor o más rápidamente un precio coordinado óptimo; o tecnológicamente «bloquear» (lock) el algoritmo propio para que sea difícil de cambiar, aumentando así el compromiso con el esquema de precios incorporado en él.
Estas prácticas podrían ser consideradas plus factors, ya que pueden facilitar la conducta coordinada; son potencialmente evitables; y es poco probable que sean necesarias para lograr resultados pro-competitivos. Por lo tanto, deberían desencadenar una investigación más profunda en justificaciones pro-competitivas. El remedio en tales casos es claro y fácil de aplicar: prohibir la práctica facilitadora. Además, es hora de profundizar más en las viejas doctrinas y determinar exactamente cuándo el señalamiento de precios cruza la línea legal. Sin embargo, la doctrina no captura el caso duro (hardcore case) de la coordinación algorítmica autónoma.
La revisión de fusiones es otra herramienta que puede ayudar en los márgenes. En un artículo reciente, en co-autoría con Dan Rubinfeld, hemos sugerido que el amplio alcance de la investigación en materia de revisión de fusiones, el hecho de que se enfoque más en resultados que en el proceso, y la flexibilidad de sus posibles remedios, aumentan su potencial efectividad en limitar fusiones que aumenten la posibilidad de coordinación algorítmica sin beneficios que compensen dicho riesgo. Para hacer esto, algunas presunciones podrían requerir cambios (tales como la importancia de la asimetría en el mercado para reducir la coordinación; el uso de volúmenes financieros como única base para capturar fusiones que lleven a una coordinación algorítmica; o que las preocupaciones de coordinación solo ocurren en mercados con altos niveles de concentración). Además, las autoridades de competencia deben estar conscientes del potencial de la coordinación algorítmica, allí donde la coordinación algorítmica ya es prevalente o es potencialmente rentable.
Calvano et al. han sugerido lidiar con la coordinación algorítmica cambiando la ley, para enfocarse en el proceso que lleva a la coordinación o en su resultado, en lugar de en el modo de comunicación. Esto implica prohibir el uso de esas líneas en el código que producen un resultado coordinado predecible, pero permitiendo que las ganancias de eficiencia de usar tales algoritmos no se pierdan (competencia-por-diseño). Las ventajas de esta solución son obvias: se dirige a la raíz del problema y el algoritmo puede ser probado antes de que se utilice. Desafortunadamente, también plantea dificultades significativas. Una dificultad implica identificar las partes del código que llevan a la coordinación y distinguirlas de otras partes del código. Los investigadores sugieren que, para generar certeza, las autoridades de competencia deberían probar los algoritmos en el laboratorio antes de aprobar su uso.
Sin embargo, estos experimentos a menudo dependen del entorno en el que se prueba el algoritmo. Por lo tanto, surgen importantes desafíos con respecto a las condiciones del mercado que las autoridades deberían tener en cuenta al probar el algoritmo. Además, en algoritmos de aprendizaje profundo, podría ser difícil identificar y separar aquellas partes del código que inducen a la coordinación. Pero el problema más difícil consiste en la elaboración de un remedio adecuado. El regulador tendría que determinar cuánto peso (si acaso corresponde asignar alguno), las empresas deberían asignar a diferentes factores, como los precios establecidos por los rivales, en su toma de decisiones. Sin embargo, la teoría económica no proporciona buenas respuestas sobre cuánto peso se debe asignar a los precios de los rivales para establecer un precio que sea óptimo para el bienestar del consumidor a largo plazo. Por lo tanto, los reguladores deberían proceder con precaución. Por la misma razón, la simple prohibición del uso de todos los algoritmos de precios, así como la aplicación de una regulación «sin culpa», son problemáticas, sin perjuicio de lo cual se pueden identificar algunos «casos rojos» en los que el uso de un cierto tipo de algoritmo de precios solo lleva a resultados anticompetitivos.
Otras sugerencias han sido aún más innovadoras, como la introducción de un vendedor algorítmico disruptivo. Esta idea se basa en las perspectivas de la teoría económica de que el «ruido» -los cambios (percibidos) en las condiciones del mercado que pueden cambiar el equilibrio óptimo-, dificulta la coordinación. En consecuencia, el despliegue de un algoritmo disruptivo, al cual se le asigna la tarea de introducir ruido, puede limitar potencialmente la capacidad de otros algoritmos para involucrarse en una conducta coordinada. La interferencia es externa, e imita la entrada al mercado de un agente tipo maverick que no se adhiere al equilibrio coordinado. Sin embargo, esta solución tiene muchas limitaciones, tales como requerir un alto grado de intervención en el mercado y la operación de un algoritmo por parte del gobierno o de un proveedor subsidiado por el gobierno.
Como se puede ver, no hay soluciones fáciles para la mayoría de los casos de coordinación algorítmica sin que sea necesario cambiar la ley y aplicar medidas más intervencionistas. E incluso si se realizasen dichos cambios, los reguladores deberían proceder con precaución para permitir que las empresas disfruten de los beneficios pro-competitivos de los algoritmos. Muchos investigadores y autoridades de competencia están uniendo esfuerzos para encontrar mejores soluciones, incluido un mejor uso de las ya existentes.
Mientras tanto, el mercado también puede idear sus propias soluciones. Aunque ninguna ofrece una panacea, sí podrían proporcionar algún alivio. Permítanme ofrecer dos sugerencias. La primera implica crear una contraparte que cambiaría la dinámica del mercado, en forma de consumidores algorítmicos. Estos son algoritmos, operados por consumidores, grupos de consumidores o terceros, que toman decisiones de compra en nombre de los consumidores y actúan como agentes de los compradores. Más allá de las reducciones que ellos ofrecen en los costos de búsqueda y transacción, los consumidores algorítmicos pueden ayudar a limitar la coordinación algorítmica de varias maneras. Al agrupar a los consumidores en grupos de compra, pueden introducir otro elemento en la toma de decisiones de cada proveedor: la capacidad de suministrar una gran cantidad a un precio más bajo. Esto podría debilitar potencialmente la estabilidad de la conducta coordinada. Alternativamente, si los consumidores algorítmicos representan a un número suficientemente grande de consumidores, podrían negociar un trato fuera del ámbito digital. Además, al usar la inteligencia artificial, los consumidores algorítmicos pueden probar, idear y aplicar otras estrategias para motivar a los proveedores a reducir los precios. Por ejemplo, podrían decidir no comprar más allá de cierto precio, reduciendo así el problema de acción colectiva de los consumidores.
Finalmente, al utilizar esquemas multi-homing, los consumidores algorítmicos pueden reducir la magnitud de los efectos de red, lo que podría disminuir el tamaño eficiente de los agentes del mercado y crear mercados más fragmentados y disputables, los que podrían ser menos propensos a la coordinación. De hecho, podríamos ver cómo esto ya está sucediendo con la introducción de complementos (add-ons) para ChatGPT, los cuales están diseñados para encontrar la mejor oferta en la web. Sin embargo, para funcionar, los consumidores algorítmicos necesitan acceso tanto a datos relevantes como a posibles usuarios, acceso que podría ser limitado por las empresas, por ejemplo, a través de limitaciones a la visualización de contenido por parte de algoritmos (p. ej., exigencias de tipo «No soy un robot«). Los reguladores deben estar conscientes de tales limitaciones e intentar lidiar con ellas de manera efectiva.
La segunda herramienta de mercado consiste en los estímulos (nudges) utilizados por las plataformas digitales de tipo marketplace para mitigar la coordinación de precios entre los vendedores, haciendo que la desviación frente a un precio coordinado sea más atractiva. Considere, por ejemplo, el «Buy-Box» de Amazon (el recuadro en la parte superior derecha de la página de resultados que permite la compra directa del cliente y evita una comparación visual con otras ofertas disponibles para ese producto). Como la mayoría de los consumidores compran el producto ofrecido en el «Buy-Box«, sin verificar otras opciones, y solo una oferta se incluye en ella, los vendedores tienen un fuerte incentivo para incluir sus productos en ella. Esto crea incentivos para que las empresas compitan por ello. Además, si la oferta elegida se basa principalmente en el precio, y la plataforma también puede competir para estar en el «Buy-Box«, puede establecer el precio de sus propios productos relativamente bajo, presionando así a los otros vendedores a superarlo. Esto puede ser rentable para la plataforma, dependiendo de su acuerdo comercial con los vendedores que operan en ella. A su vez, los gobiernos pueden estimular a las plataformas a implementar en dicha conducta.
Michal Gal (LL.B., LL.M., S.J.D.) es Profesora y Directora del Foro de Derecho y Mercados en la Facultad de Derecho de la Universidad de Haifa, Israel. Fue Profesora Visitante en NYU, Columbia, Georgetown, Melbourne y Lisboa. Es autora de varios libros, incluyendo Política de Competencia para Economías de Mercado Pequeñas (Harvard University Press, 2003). También ha publicado artículos académicos sobre temas de derecho de la competencia y ha ganado premios por su investigación y enseñanza. Entre otras cosas, fue elegida como una de las diez académicas legales jóvenes más prometedoras en Israel (Globes, 2007), y como una de las mujeres líderes en el derecho de la competencia en todo el mundo (Global Competition Review). Su artículo, «Política de Fusiones para Economías Pequeñas y Micro», ganó el Premio Escritos Antimonopolio al mejor artículo sobre política de fusiones en 2013, y su artículo sobre «Acceso a Big Data» (con Daniel Rubinfeld) ganó el premio al mejor artículo sobre conducta unilateral (2016).
*Los artículos representan las opiniones de sus escritores, no necesariamente las de la Universidad de Chicago, la Booth School of Business, o su facultad.
*Nota del traductor: Esta traducción al español fue realizada con el apoyo de la herramienta Chat GPT, de Open AI.
