Newsletter
Suscríbete a nuestro Newsletter y entérate de las últimas novedades.
La inteligencia artificial ha permitido que los algoritmos (“AL”) puedan resolver problemas cada vez más complejos y procesar datos de una forma más eficiente. Junto con la big data y una mayor capacidad de procesamiento y almacenamiento de datos, los AL están transformando las interacciones entre las firmas y los consumidores, y automatizando los procesos de tomas de decisiones. En definitiva, ello incide en la dinámica competitiva de los mercados (y aún se desconoce el máximo potencial y efectos de estos AL). Son especialmente relevantes los AL de machine learning – aprendizaje supervisado, no supervisado y por refuerzo- que se usan para fijar precios y que pueden aprender de sus propias iteraciones (data y experiencia) y así generar nuevas reglas (para la definición y explicación de distintos AL, véase OCDE, 2023).
El uso de los AL en los mercados ha generado beneficios para las firmas y los consumidores, contribuyendo a la eficiencia. Sin embargo, al mismo tiempo, los AL producen riesgos anticompetitivos (Ibidem). La discusión sobre los riesgos anticompetitivos asociados a los AL, en un inicio, se centró en la colusión (v.gr. Leslie, 2023). Afortunadamente, en los últimos dos años el debate se ha extendido al análisis de las implicancias del uso de AL en los abusos de dominancia.[1]
«Los algoritmos facilitan la predación y la hacen menos costosa y más efectiva, desvirtuando las premisas en que se basa la escuela de Chicago para cuestionar la racionalidad de esta conducta.»
La literatura reciente da cuenta que los AL puede aumentar el poder de mercado de las firmas y facilitar la ejecución de prácticas de abuso de posición dominante exclusorias, como los precios predatorios, descuentos exclusorios, ventas atadas y empaquetamiento. Como se verá, el uso de AL en los mercados permite cuestionar algunos supuestos que sirven de base a los modelos y la doctrina de abusos exclusorios y podría alterar los requisitos que deben concurrir para configurar estas conductas exclusorias.
La literatura referida tiene un fundamento común: los AL facilitan algunos abusos exclusorios porque aumentan la capacidad de una firma (dominante) para segmentar con mayor precisión a los consumidores y discriminar precios entre distintos grupos de manera más rápida y eficiente (algorithmic targeting o “AL focalizados”, CeCo, 2023).[2] Los AL se alimentan de una cantidad enorme de datos en tiempo real y pueden predecir la reacción de un consumidor frente a un cambio en los precios (incluso se ha planteado que los AL permiten personalizar precios según la disposición a pagar de los consumidores; Mehra, 2021). Se advierte que no es necesario que se trate de AL que fijan precios personalizados a cada consumidor[3] -cercano a una discriminación perfecta en que se identifica la disposición a pagar por cada unidad- sino que basta una discriminación de tercer grado, en que se identifican ciertos grupos de consumidores.
En particular, se señala que los AL permiten distinguir con precisión entre los consumidores infra marginales (quienes son más “leales” a la firma dominante, tienen menor probabilidad de desviar su demanda hacia un competidor)[4] y aquellos marginales (más proclives a desviar su demanda hacia un competidor de la firma dominante) (Nowag y Cheng, 2023; Gal y Rubinfeld, 2023).
Este tipo de discriminación con un alto nivel de diferenciación entre consumidores o usuarios se ha observado en ecosistemas digitales en que operan AL. Por ejemplo, se ha documentado que el algoritmo de Uber puede detectar cuándo los conductores tienen poca batería en sus teléfonos móviles de manera que no pueden hacer multi-homing con otras plataformas competidoras (el multi-homing es un indicador de que son usuarios marginales; Gal y Rubinfeld, 2023). Igualmente, en California, se condenó a Uber porque utilizó un algoritmo (llamado “Hell”) que permitía identificar a los conductores marginales (aquellos que hacían multi-homing con Lyft o tenían incentivos para hacerlo) y sólo a ellos se les ofreció incentivos y bonos especiales para atraerlos, con efectos exclusorios en el mercado aguas arriba (véase CeCo, 2023, Ibid).
Al respecto, es interesante que, según señalan Cheng y Nowag (2023), en la ausencia de AL focalizados y su capacidad de segmentar a los consumidores con mayor precisión, las firmas dominantes deben predar o realizar descuentos exclusorios o ventas atadas a todo -o la mayoría- del mercado. Esto supone una restricción: al desplegar estas conductas, las firmas dominantes enfrentan un trade-off entre el aumento de ganancias derivadas de la retención de consumidores inframarginales y la disminución de ganancias asociada a la pérdida de consumidores marginales. Los AL relajan este trade-off o derechamente lo pueden eliminar, haciendo más factible y rentable los abusos exclusorios mencionados.
Revisemos los precios predatorios como un ejemplo para entender el planteamiento expuesto. Se debe recordar que la predación es una práctica en que la firma dominante compite agresivamente hoy -soportando pérdidas en el corto plazo- con el objeto de inducir la salida de un competidor o impedir el ingreso de un entrante- y así incrementar su posición dominante en el mediano o largo plazo. De este modo, es una estrategia que se compone de dos etapas: el período predatorio o de sacrificio de ganancias en que la firma dominante cobra precios bajo cierta medida de costo de producción y en que los consumidores enfrentan precios bajos; y, segundo, el período de recuperación de pérdidas, en que el dominante es capaz de aumentar los precios a niveles supracompetitivos y obtener mayores ganancias porque los agentes víctimas de la predación ya no están en el mercado (o están relegados a una posición poco relevante) y, así, se reduce el bienestar de los consumidores.
La predación es una conducta exclusoria que ha generado controversia en el derecho de la libre competencia y ha sido objeto de críticas desde la economía. Primero, debido a la dificultad de distinguir entre precios predatorios y precios agresivos (o competitivos) que son beneficiosos para el consumidor. Por tal motivo, especialmente en Estados Unidos, hay renuencia en incurrir en un error tipo I en estos casos (falso positivo). Segundo, hasta la década de los 80s, los economistas que adscribían a la escuela de Chicago argumentaron que la predación no es una estrategia racional ni factible porque no es rentable para la firma dominante y, por tal motivo, no debiera observarse en la práctica.
El escepticismo de la escuela de Chicago frente a la predación descansa en tres premisas[5]: Premisa 1: el predador pierde más que la víctima porque debe bajar todos sus precios y ello es más grave cuanto mayor es su participación de mercado (asumiendo, por tanto, que el predador no puede discriminar precios); Premisa 2: una amenaza de predación no es creíble porque una firma no puede comprometerse a vender a precios bajo costo hasta que los rivales salgan del mercado; y Premisa 3: el período de beneficios supra-normales no existe porque las firmas víctimas de la predación que salen del mercado volverán a ingresar cuando la firma dominante aumenta los precios (asumiendo barreras a la entrada bajas).
Los argumentos de la escuela de Chicago han ejercido una influencia sustantiva en la (exigua) jurisprudencia en Estados Unidos sobre precios predatorios, en que Brooke Group es el caso más emblemático (más aun, la jurisprudencia que existe, en su mayoría, ha desestimado las demandas por precios predatorios). Existe consenso en que el estándar impuesto por los tribunales de ese país hace muy difícil lograr una condena por precios predatorios.[6] Por su parte, en Chile, los precedentes del TDLC también son escasos y se puede advertir que ha seguido un razonamiento similar al de Estados Unidos (V.gr. Sentencia N°39/2006, c. 33 y Sentencia N°110/2011, c. 26; en ambos casos se desestimó la demanda y la primera fue revocada por la Corte Suprema).
Los algoritmos facilitan la predación y la hacen menos costosa y más efectiva, desvirtuando las premisas en que se basa la escuela de Chicago para cuestionar la racionalidad de esta conducta (Leslie, 2023).
En relación con la Premisa 1, dado que los AL permiten identificar a los consumidores marginales e inframarginales, en el primer período la firma dominante solo cobra el precio predatorio al primer grupo, mientras que al segundo grupo se le cobra un precio que permita maximizar sus ganancias. Así, los AL ayudan al predador a minimizar las pérdidas que soporta durante la primera etapa y reducen la necesidad de recuperar pérdidas en la segunda etapa. En consecuencia, se reduce el costo que soporta la firma dominante al implementar una estrategia predatoria y ésta se torna más viable y atractiva.
En el mismo sentido, dado que desde un inicio la firma dominante puede cobrar precios que maximicen su utilidad a los consumidores inframarginales, los AL ayudan a financiar las prácticas predatorias y ello permite desvirtuar la Premisa 2.
La consecuencia práctica del efecto de los AL en la predación es relevante: pueden cambiar el entendimiento de la recuperación de pérdidas e incluso, algunos autores plantean que puede prescindirse de la exigencia de probar la probabilidad de recuperación de las pérdidas en la configuración del ilícito (Nowag y Cheng, 2023).
Respecto de la Premisa 3, ésta podría rebatirse aun prescindiendo de los AL porque se asume, erróneamente, que el ingreso al mercado -y un eventual reingreso al mercado de las víctimas de la predación- supone la inexistencia de costos hundidos y ello es falaz (véase Fumagalli et. al, 2018, p. 17). Esta premisa es aún más débil cuando se incorporan los AL en el análisis por cuanto éstos operan en ecosistemas digitales que presentan efectos de red que devienen en barreras a la entrada importantes (OCDE, 2022).
Más aun, según muestra la evidencia, la firma dominante puede usar AL para incidir en la arquitectura de las decisiones y explotar los sesgos cognitivos de los consumidores y, de este modo, imponer o aumentar artificialmente los costos al cambio erigiéndose como una barrera a la entrada adicional (véase CMA, 2022). En consecuencia, la Premisa 3 tampoco se cumple en la práctica.
De esta manera, los AL permiten refutar algunos supuestos en que se basa la doctrina y jurisprudencia actual sobre precios predatorios, lo que insta a revisitarlos y ajustarlos acorde con los nuevos riesgos anticompetitivos.
Este impacto de los AL en los precios predatorios es similar en las conductas exclusorias mencionadas (descuentos, ventas atadas y empaquetamiento; Cheng y Nowag, 2023 y CMA, 2021). Por tal motivo, es probable que el uso de AL por parte de agentes dominantes puede aumentar las oportunidades para incurrir en conductas exclusorias y eventualmente, el daño que generan en el bienestar. Esto da lugar a nuevos desafíos para la libre competencia.
Las autoridades de competencia están enfrentando cada vez más casos que involucran AL -y Chile no debiera ser la excepción-[7] y, en ese escenario, debieran incorporar las capacidades necesarias para poder entender y auditar los AL -especialmente aquellos poco transparentes- y los riesgos que producen. Para esos efectos, se debieran reclutar expertos en datos y computación. Algunas autoridades ya han creado áreas especializadas (v.gr. Technology Task Force, FTC, 2019 y Digital Markets Unit, CMA, 2021). Chile no se ha quedado atrás: la información disponible muestra que la FNE ha contratado expertos en ciencias de datos (OCDE, 2023, p. 33; Stanford Report 2nd ed., 2023, pp. 76-80).
Adicionalmente, si los AL generan riesgos anticompetitivos sería deseable determinar reglas de atribución de responsabilidad claras para las personas que se involucran en su uso: ¿se atribuye responsabilidad a la firma o la persona que usa el AL y/o al proveedor que lo crea o programa?
Por último, dado que los AL generan riesgos a la competencia, ¿debieran ser sólo objeto de escrutinio por parte de las autoridades de competencia o también ser objeto de una regulación que actúe ex ante de manera de poder monitorear los AL y mitigar sus riesgos? En mayo de este año, se presentó un proyecto de ley para regular los sistemas de inteligencia artificial.[8] Esperemos que en la discusión se incorpore la perspectiva de la libre competencia y los consumidores.
[1] Véase OECD, 2023. Recientemente, incluso se ha revisado el impacto de los AL en el control de fusiones (Gal y Rubinfeld, 2023).
[2] En el mismo sentido, CMA, 2021.
[3] La evidencia empírica muestra que el uso de precios personalizados no es masivo aún; OCDE, 2023.
[4] Ello puede deberse a la existencia de mayores costos al cambio, sesgos cognitivos como la inercia y aversión a las pérdidas, entre otras razones.
[5] John McGee (1958) y Bork (1978).
[6] V.gr. Fumagalli et. al. 2018, p. 74. y Vaheesan, 2015, p. 82.
[7] El estudio final sobre el mercado del hospedaje (FNE, 2024) es la primera aproximación formal de las autoridades chilenas a los algoritmos de precios y sus riesgos anticompetitivos, p. 146 y ss.
[8] Boletín N°16821-19, ingresado a la Cámara de Diputados el 7 de mayo de 2024.
