Newsletter
Suscríbete a nuestro Newsletter y entérate de las últimas novedades.
El pasado 11 de diciembre se celebró el 21° Día de la Competencia, organizado por la Fiscalía Nacional Económica (FNE). En esta ocasión, el foco estuvo en los precios algorítmicos y su relación con la colusión. Este tema fue presentado y analizado en profundidad por el reconocido economista y profesor de la Universidad de Pensilvania (UPenn), Joseph Harrington.
Esta ocasión marca la quinta vez que CeCo cubre este importante evento (ver las notas de los años 2020, 2021, 2022, 2023). A continuación, revisaremos los aspectos más destacados y relevantes de la jornada tratados por el académico.
El Fiscal Nacional Económico, Jorge Grunberg, inauguró el evento destacando que los carteles constituyen la principal amenaza contra la libre competencia (ver su discurso acá). En este contexto, destacó el fortalecimiento institucional de la FNE, logrado a través de reformas legales que han alineado la normativa chilena con los más altos estándares internacionales (ver nota CeCo: “La persecución de carteles en Chile: la exposición del Fiscal Grunberg en la ICN Annual Conference de 2023”).
Sumado a lo anterior, el Fiscal destacó que la FNE reconoce las eficiencias asociadas al uso de algoritmos por parte de las empresas(p. ej., ver nota CeCo sobre estudio de mercado del hospedaje). Sin embargo, Grunberg también advirtió sobre los riesgos anticompetitivos que pueden derivarse del uso de estas herramientas computacionales. Al respecto, el Fiscal declaró que la FNE “se encuentra preparada para detectar colusiones algorítmicas y perseguirlas, con el mismo rigor y con la misma fuerza con que ha operado respecto de colusiones más tradicionales”. Además, adelantó que: “La defensa de que no fue un ejecutivo de la empresa quien celebró o ejecutó un acuerdo o una práctica concertada, sino que fue un software propio o de un tercero quien lo propició, no será aceptada como una excusa legítima”.
En este marco, el Fiscal también señaló que la FNE, a través de su Unidad de Inteligencia, ya se encuentra aplicando técnicas modernas como el machine learning y el screening para identificar anomalías en las variables competitivas, de manera precisa y efectiva (ver nota CeCo: “OCDE: Herramientas de data screening para Investigaciones sobre Competencia”).
En su exposición, Harrington partió refiriéndose a la manera en que el uso de algoritmos para recomendar precios puede aumentar la eficiencia del mercado, resaltando sus efectos procompetitivos. Alguno de estos efectos son la rápida adaptación a las condiciones del entorno y la personalización de precios (para una definición del concepto de algoritmo, ver nota CeCo: “OCDE: Competencia Algorítmica”; e investigación de G. Sossa: “Algoritmos: Una mirada al presente”).
Sin embargo, Harrington también advirtió sobre los riesgos anticompetitivos asociados al uso de algoritmos de precios, identificando tres principales, a saber: (i) la facilitación de la colusión entre competidores; (ii) la creación de relaciones de liderazgo en la fijación de precios; y (iii) la externalización de la fijación de precios a terceros. A continuación, repasamos estos tres riesgos.
Harrington explicó que los algoritmos permiten que los acuerdos colusorios sean más efectivos. En este contexto, distinguió dos vías: (i) la colusión cognitiva, donde los competidores utilizan algoritmos para coordinar precios de manera intencional; y (ii) la colusión algorítmica, en la que los propios algoritmos aprenden a implementar una estrategia colusiva sin intervención humana (ver nota CeCo: “Un repaso a la colusión utilizando algoritmos de precios”).
En cuanto a la colusión cognitiva, los algoritmos facilitan la ejecución del cartel, esto es, contribuyen a su coordinación, monitoreo y castigo de desviaciones. De este modo, los algoritmos mejoran la estabilidad del cartel y permiten una rápida adaptación a cambios en el mercado. Ante este escenario, Harrington propuso reforzar herramientas como el cartel screening, que permite identificar patrones anómalos de precios y posibles exclusiones de competidores (ver nota CeCo: “Data screening en la persecución de los carteles”).
En contraste, la colusión algorítmica plantea un desafío más complejo. En efecto, Harrington explicó que los algoritmos de aprendizaje automático, como Q-learning, pueden alcanzar precios supracompetitivos sin intervención humana, mediante esquemas de recompensa y castigo. A modo de ilustración, en la Figura 1 se observa cómo, durante la fase de aprendizaje de los algoritmos, los precios de las firmas convergen gradualmente a niveles colusorios. Luego, al introducir un shock que obliga a una firma a reducir su precio, se observa una fase de castigo, donde la otra responde bajando también su precio. Finalmente, ambos algoritmos recuperan los precios altos, demostrando que han aprendido a estabilizar la colusión mediante represalias automáticas.
Figura 1
Fuente: J. Harrington, 21° Día de la Competencia, FNE, 2024.
Frente a esto, Harrington señaló que la legislación actual, dirigida a la persecución de acuerdos humanos explícitos, es insuficiente para abordar este fenómeno, por lo que propuso regular las propiedades de los algoritmos y profundizar en la investigación para entender y prevenir conductas colusorias (para profundizar en remedios, ver nota CeCo: “Remedios para colusiones tácitas algorítmicas desde una perspectiva teórica”).
Luego, Harrington señaló que el liderazgo en precios es otra vía en la que los algoritmos pueden generar riesgos anticompetitivos, aunque de forma más sutil. En este caso, las empresas configuran sus algoritmos de manera independiente, siguiendo procesos cognitivos humanos. Sin embargo, puede surgir endógenamente una relación líder-seguidor en la fijación de precios (en la que el resultado económico suelen ser precios supra competitivos). Así lo evidenciaría un estudio empírico sobre medicamentos para la alergia vendidos en internet por los cinco principales minoristas en Estados Unidos.
El estudio muestra que la frecuencia de ajuste de precios varía significativamente y se relaciona con el nivel de precios: los minoristas que actualizan con menor frecuencia tienden a fijar precios hasta un 33% más altos que aquellos que lo hacen diariamente (ver Figura 2). Este patrón genera un liderazgo en precios, donde los minoristas con ajustes menos frecuentes –retailers D y C de la Figura 2- actúan como líderes y los más activos -A y B- como seguidores. En este sentido, la programación algorítmica facilita la estabilidad y compromiso de esta relación de líder-seguidor, al permitir que se pueda programar la frecuencia de fijación de precios.
Figura 2
Fuente: Brown y MacKay (2021)
Desde la perspectiva del derecho de competencia, Harrington señala que, aunque el liderazgo en precios puede generar precios supra competitivos, generalmente se considera legal porque prohibirlo interferiría con el proceso competitivo natural. Sin embargo, es posible mitigar sus riesgos restringiendo prácticas que lo faciliten, como compartir información sobre algoritmos de precios o realizar anuncios públicos que fomenten una dinámica líder-seguidor.
Por último, Harrington dedicó especial atención al outsourcing de algoritmos de precios, donde las empresas delegan la recomendación o fijación de precios a terceros especializados. Este modelo implica que compañías de análisis de datos procesan información -no pública- sobre precios, ventas e inventarios de sus clientes para entrenar algoritmos y recomendar precios óptimos. Estos son modelos que ya se han visto involucrados en casos de libre competencia (ver nota CeCo: “Colusión tácita algorítmica en mercados secundarios”).
Asimismo, el economista señaló estudios empíricos que se han hecho en cuanto al outsourcing de algoritmos de precios. En particular, una investigación sobre la dinámica de precios en empresas gasolineras que adoptaron este tipo de servicios evidenció que, cuando varias empresas recurrían a algoritmos, la relación entre el precio y el costo marginal (es decir, el margen de beneficio) aumentaba en un 12%. De manera similar, en mercados duopólicos, si ambos competidores implementaban estos servicios, dicha relación se incrementaba en un 30%, contrastando con un efecto nulo cuando solo una empresa los utilizaba.
Respecto a los riesgos anticompetitivos del outsourcing de algoritmos, estos surgen a través de tres vías: (i) acuerdos de fijación de precios, donde los competidores coordinan precios a través del proveedor del algoritmo; (ii) intercambio de información sensible facilitado por el uso del mismo intermediario; y (iii) conducta unilateral del proveedor, quien puede diseñar algoritmos que generen precios supracompetitivos para maximizar el valor ofrecido a sus clientes (para un caso al respecto, ver nota CeCo: “Algoritmos y colusión: El nuevo caso de los Hoteles en Las Vegas”).
Ante estos desafíos, Harrington señaló que las soluciones deben equilibrar la eficiencia competitiva con la prevención de daños al mercado. Advirtió contra medidas drásticas, como restringir la venta de algoritmos a múltiples competidores, ya que esto limitaría las eficiencias. En su lugar, propuso prohibir algoritmos basados en objetivos colectivos o coordinados, como la maximización de ganancias conjuntas, y recomendó monitorear su intención y diseño (ver nota CeCo: “¿Es posible enseñarle libre competencia a un algoritmo?”).
