Newsletter
Suscríbete a nuestro Newsletter y entérate de las últimas novedades.
En la actualidad, el problema de la información no radica en su escasez, sino en su exceso, y son las entidades encargadas de gestionar dicha información las que tienen el poder de influir en las decisiones de los consumidores. En los últimos años, hemos sido testigos de un aumento significativo en la presencia de espacios publicitarios “intrusivos”, incluidos en los servicios de las principales plataformas digitales.
En este contexto, el 1 de noviembre de 2023, los economistas Tim O’Reilly (Fundador de O’Reilly Media), Ilan Strauss y Mariana Mazzucato (ambos miembros de UCL Institute for Innovation and Public Purpose) publicaron una investigación titulada “Algorithmic Attention Rents: A theory of digital platform market power”. En este artículo, los autores plantean y analizan una perspectiva alternativa sobre el poder de mercado en mercados digitales, centrada en la atención de los usuarios, entendida como un insumo -finito- que puede ser explotado para la monetización de la plataforma y la consecuente extracción de rentas.
Debido a la magnitud de la información disponible, el uso de algoritmos para optimizar la forma en que se gestiona y visualiza la información, se ha vuelto esencial para las plataformas digitales (p. ej., motores de búsqueda, marketplaces, apps de transporte o delivery). En efecto, los algoritmos pueden realizar emparejamientos (matches) óptimos entre consultas de búsqueda y productos, o entre compradores y vendedores, utilizando para ello una serie de variables y un gran volumen de datos. De este modo y como sugieren los autores (parafraseando a A. Smith), al ser capaces de alocar eficazmente demanda y oferta, los algoritmos actúan como una «mano invisible» (ver nota CeCo: “Hal Varian: Inteligencia Artificial, economía y competencia”).
El principio fundamental es que, al realizar buenos emparejamientos entre demanda y oferta, las plataformas son recompensadas con una mayor atención por parte de los usuarios (que precisamente confían en la calidad del algoritmo de la plataforma). Por ejemplo, los usuarios confían en que, al realizar una búsqueda en Google Search, este arrojará como respuesta aquellos sitios web más relevantes (en relación a los términos de búsqueda). Asimismo, confían en que Amazon recomendará las ofertas de productos más convenientes (en términos de precio y calidad), y que las redes sociales ofrecerán personalizaciones únicas en cada feed. Así, la eficiencia de estos algoritmos para reducir los costos de búsqueda habría permitido a estas empresas crecer y consolidarse en posiciones dominantes en sus respectivos mercados. Sin embargo, los autores plantean que este vínculo de confianza actualmente estaría siendo traicionado por parte de algunas plataformas, que estarían explotando la atención de los usuarios para obtener rentas extraordinarias (normalmente, del otro lado del mercado: los anunciantes).
El enfoque tradicional para regular las plataformas ha sido considerar el abuso desde la perspectiva de la extracción de datos (ver artículo de S. Cañas: Explotación de datos personales como precio excesivo). Sin embargo, los autores proponen que resultaría más apropiado aplicar un enfoque centrado en la manera en que las plataformas digitales controlan y monetizan la atención de sus usuarios, mediante una práctica que los autores acuñan como “renta a la atención”.
De acuerdo con los autores, cuando los usuarios no enfrentan costos monetarios (pues el uso de la plataforma es gratuito) y su atención se convierte en una fuente de monetización en el otro lado del mercado, los beneficios iniciales (para la plataforma) se generan al obtener más usuarios. Sin embargo, a medida que el crecimiento de usuarios disminuye con el tiempo -como ocurre en la actualidad-, el aumento de los beneficios derivados de la participación del usuario se vuelve dependiente de la cantidad de publicidad.
Esta teoría, supone que los resultados “orgánicos” (aquellos seleccionados como los mejores por los algoritmos de búsqueda) son óptimos, mientras que los resultados vinculados a contenido publicitario (es decir, los resultados “pagados”) son subóptimos. Esto, pues los resultados orgánicos se fundan en variables objetivas, teniendo por finalidad realizar un emparejamiento correcto entre demanda y oferta (en palabras simples, buscan mostrar lo que el consumidor desea, y no lo que el vendedor desea mostrar al consumidor).
En este sentido, la renta de la atención ocurriría cuando una plataforma abusa de su “autoridad algorítmica” (es decir, del control que tiene sobre la forma en que la plataforma muestra la información), aprovechando la confianza depositada en ella como intermediario para dirigir la atención (ya sea clics o tiempo de pantalla) hacia información subóptima proveniente de los anunciantes. Este tipo de renta se basa en explotar el sesgo de los usuarios al insertar información subóptima en la zona correspondiente al “núcleo atencional” (core attentional zone).
En palabras simples, la renta a la atención se refiere al fenómeno en el cual las plataformas digitales dominantes incrementan la presencia de espacios publicitarios a expensas de la calidad del servicio (es decir, a expensas de los resultados orgánicos). Cabe notar que, por lo ya explicado, esta conducta no solo impacta a los usuarios (consumidores). En efecto, también impacta a las empresas anunciantes (que deberán pagar más para colocar su publicidad) y a terceros vendedores que no pagan por anuncios, todos los cuales compiten directamente por captar la atención finita de los usuarios.
En este marco, la pregunta relevante para los autores es: ¿cuándo esta forma de extraer rentas se vuelve excesiva? Es decir, ¿cómo medir cuándo esta extracción de rentas supera los costos de la inversión (sumado a la obtención de un retorno justo)?
Los autores detallan cómo las perspectivas modernas sobre la economía del comportamiento y la racionalidad (limitada) del consumidor se encuentran en la base de la renta a la atención. La explotación de los sesgos y heurísticas (“atajos” cognitivos) de los consumidores por parte de las plataformas digitales habría posibilitado que estas moldeen y manipulen de manera significativa el proceso de toma de decisiones de los usuarios (ver investigación CeCo: Economía del comportamiento y libre competencia; y nota CeCo: Economía del comportamiento y mercados digitales).
El principal mecanismo que es explotado por las plataformas digitales es el “sesgo de anclaje”, conforme al cual los primeros resultados son inherentemente percibidos por los usuarios como los mejores. Este fenómeno se entrelaza con los sesgos generados por la confianza previamente establecida con las plataformas, provocando que los usuarios destinen poco esfuerzo a sus procesos de toma de decisiones (dónde hacer clic o a qué prestar atención). Además, una faceta esencial de este fenómeno radica en el hecho de que el contenido no orgánico tiende a emular al contenido orgánico, capitalizando el sesgo de confianza arraigado en los consumidores.
Los autores buscan mostrar que, conforme ha pasado el tiempo, el motor de búsqueda Google Search habría difuminado la distinción entre resultados orgánicos y no orgánicos, al tiempo que habría logrado incrementar significativamente el flujo de información publicitaria.
De acuerdo con los autores, luego de una búsqueda, Google Search inicialmente mostraba una lista de diez resultados de búsqueda orgánica, junto con algunos anuncios claramente diferenciados por color. Sin embargo, a lo largo del tiempo, se ha ido eliminando la columna de anuncios en el lado derecho y, actualmente, los anuncios son prácticamente indistinguibles de los resultados orgánicos, ocupando una parte significativa del espacio en la parte superior de la página (núcleo de atención). Esta transformación ha sido evidenciada a través de capturas de pantalla que muestran cómo los anuncios han ganado espacio y se han vuelto más difíciles de distinguir de los resultados orgánicos (ver Marvin, 2019).
Por otro lado, desde el lado de Amazon Marketplace (Amazon.com), los autores señalan que los resultados orgánicos habrían sido reemplazados en gran medida por recomendaciones pagadas, y que aproximadamente el 86% de las listas de productos orgánicos son duplicadas por anuncios (Rock et. al, 2023). Esto último significa que una gran proporción del contenido publicitario pretende replicar o clonar el contenido orgánico, provocando un aumento en la similaridad entre los dos tipos de contenido.
Por esta razón, aunque podría haber beneficios para los comerciantes que buscan destacar nuevos productos, de acuerdo con los autores, el negocio de anuncios de Amazon parece ser más una tarifa adicional para los vendedores que una fuente de valor agregado, elevando sus costos operativos y potencialmente trasladándolos a los consumidores.
Los investigadores sugieren que la razón por la que los vendedores toleran este comportamiento, se explica en parte por las tácticas contractuales de Amazon, según la reciente acción de la Comisión Federal de Comercio de los Estados Unidos (ver nota CeCo: FTC versus Amazon). La empresa utiliza requisitos contractuales para aumentar los costos de cambio y evitar que los vendedores ofrezcan precios más bajos en mercados competidores, incluidos sus propios sitios. Además, castiga a los vendedores que no adquieren servicios de cumplimiento y publicidad, condenándolos a la “invisibilidad algorítmica”.
Para entender y evaluar la posible extracción de rentas en plataformas digitales, los autores proponen medir la discrepancia entre los resultados de búsqueda orgánicos y los resultados pagados, y tomarlo como un indicador de abuso de poder de mercado.
Así, se presentan cinco enfoques para evaluar la presencia de rentas de atención algorítmica: (i) la comparación de clasificaciones; (ii) la evaluación de la información proporcionada por anuncios; (iii) la comparación de la calidad de resultados orgánicos entre plataformas dominantes y menos dominantes; (iv) la verificación de la información disponible en un mercado competitivo y; (v) la evaluación de si la monetización de los ingresos por anuncios ha excedido niveles razonables (es decir, suficientes para obtener un retorno competitivo a la inversión).
Estos enfoques buscan ofrecer un marco comprehensivo para medir cómo estas plataformas utilizan sus algoritmos para dirigir la atención, destacando posibles prácticas abusivas y proporcionando herramientas para evaluar la salud competitiva y la equidad en estos mercados digitales.
En el ámbito de las recomendaciones regulatorias, los autores identifican una brecha entre las métricas operativas que las plataformas de digitales utilizan internamente para evaluar su rendimiento y las métricas financieras a las que puede acceder la autoridad (las cuales no reflejan completamente el valor del mercado de la atención). Esta brecha se explicaría por la falta de transparencia en la divulgación de las métricas operativas que utilizan las plataformas.
Así, los autores argumentan que esta falta de transparencia se da sobre todo en el “lado gratuito” de las plataformas, es decir, el que se dirige a los consumidores, y representa una verdadera carencia regulatoria. Para solucionar este problema, proponen que las métricas operativas se informen regularmente como parte de las divulgaciones financieras, sugiriendo su desglose por producto, país y tipo de dispositivo.
Entre las métricas propuestas por los autores (y sin pretensión de exhaustividad), se incluyen: la carga de anuncios; la proporción de clics orgánicos a clics de anuncios; la tasa de clics promedio del primer resultado orgánico y del primer anuncio; el tráfico dirigido a terceros y a los propios productos y servicios de la plataforma; el volumen bruto de mercancías y los ingresos brutos por tarifas, incluidos los provenientes de publicidad.
Además, los autores proponen que las empresas deban presentar un “relato de monetización” (monetization narrative) que aclare la relación entre estas métricas y la monetización. Con ello, abogan por la definición y estandarización de estas métricas por parte de reguladores en colaboración con la industria, basándose en aquellas utilizadas internamente por las propias plataformas.
