Newsletter
Suscríbete a nuestro Newsletter y entérate de las últimas novedades.
Existen ciertos factores que pueden facilitar escenarios colusorios. Tradicionalmente se ha entendido que la existencia de muchas empresas, así como la falta de transparencia en el mercado, puede dificultar esta práctica. Sin embargo, con el abrupto arribo de la era digital, donde el uso de distintos tipos de algoritmos está cada vez más integrado dentro de los procesos productivos de las empresas, se vislumbran oportunidades para la proliferación de estructuras de tipo hub-and-spoke, que abren una nueva dinámica en este panorama.
En este contexto, revisamos el artículo “The Role of Secondary Algorithmic Tacit Collusion in Achieving Market Alignment”, de Ariel Ezrachi (Universidad de Oxford) y Maurice Stucke (Universidad de Tennessee). El documento examina el potencial anticompetitivo que tiene el concepto —acuñado por los autores— de “colusión secundaria tácita” (o “STC”, por sus siglas en inglés).
La STC ocurre en mercados aparentemente competitivos, cuando los oferentes delegan sus decisiones de fijación de precios a múltiples “hubs algorítmicos”. Estos hubs, que actúan de forma independiente entre sí, suelen ser empresas de software que ofrecen a sus clientes aguas abajo (p. ej., un retailer) herramientas algorítmicas para recomendar precios que maximicen la utilidad de la empresa (entre otros servicios complementarios, tales como el “data harvesting” y diseño de estrategias comerciales).
Según indican los autores, la transparencia, rapidez y constante interacción entre los algoritmos de los hubs, puede inducir a situaciones de colusión tácita. Este fenómeno puede tener importantes implicancias para la regulación del uso de algoritmos.
En el contexto de un ilícito de colusión, un esquema hub-and-spoke consiste en que varias empresas competidoras (spokes) acuerdan coordinar su comportamiento a través de la actividad de un centro (hub), con el cual tienen una relación vertical.
Ahora bien, a continuación utilizaremos el concepto de hub-and-spoke, no para describir un acuerdo colusorio, sino para describir una situación en la cual varias empresas competidoras deciden -individualmente- externalizar sus decisiones de precios a una empresa (aguas arriba), que ofrece servicios de recomendación de precios en base a algoritmos. La Figura 1 muestra un esquema simple en el cual hay un hub (empresa que ofrece algoritmos de recomendación de precios) y cuatro spokes (i.e., competidores aguas abajo, que forman el “mercado primario”).
Figura 1: Estructura de “Hub-and-Spoke algorítmico”
Fuente: Elaboración propia en base a diagramas del artículo de Ezrachi y Stucke (2023).
En principio y de acuerdo con la doctrina tradicional, en este escenario bastaría con demostrar que existe independencia entre los actores del mercado primario (los spokes) respecto a su decisión de contratar los servicios del hub algorítmico, para descartar una sanción por colusión. Sin embargo, de acuerdo a los autores, si se estudia con mayor profundidad la dinámica generada por un hub algorítmico, este enfoque puede cambiar.
En efecto, Ezrachi y Stucke mencionan que si el objetivo principal del hub algorítmico es maximizar los ingresos de sus clientes, pueden existir escenarios en donde el hub “alinee las estrategias” de todos sus clientes. Esto, pues el hub algorítmico puede considerar que es más rentable optimizar las ganancias de todos sus clientes de forma conjunta, y no de forma independiente (es decir, beneficiarlos a todos sin perjudicar a nadie). Si esto ocurre, el resultado final será un precios supra-competitivo (en el extremo, un precio monopólico). Además, mientras más empresas contraten los servicios del hub algorítmico, este tendrá acceso a más datos acerca de los competidores, generando así un loop de refuerzo que perfeccionará la estrategia de optimización del hub, consolidando su posición.
De este modo, Ezrachi y Stucke señalan que ya existen precedentes en donde las autoridades han investigado este tipo de estructuras, por colusión. El caso “RealPage” (plataforma que ofrece servicios de recomendación de precios para arrendar o comprar propiedades) es ejemplo de aquello. En efecto, existen múltiples denuncias en EE.UU., en contra de RealPage, por la supuesta imposición de un esquema hub-and-spoke —utilizando su algoritmo de fijación de precios— en el mercado inmobiliario estadounidense (al respecto, ver nota CeCo: “Un repaso a la colusión utilizando algoritmos de precios”).
La colusión tácita —o “paralelismo consciente”— ocurre cuando no hay un acuerdo entre los rivales, pero se observan tendencias de precios similares. En otras palabras, para un observador externo, un escenario de colusión ilícita es indistinguible de un escenario de colusión tácita, pues en ambos los competidores aparecen comportándose igual.
Como se sabe, la colusión tácita es más probable en mercados oligopólicos, donde existen pocos competidores, los productos o servicios son homogéneos, y existe un alto grado transparencia en los precios de los rivales (p. ej., los servicios de fijación de precios con algoritmos).
Sin embargo, para Ezrachi y Stucke es particularmente interesante analizar el fenómeno de la colusión tácita entre empresas que proveen servicios de recomendación de precios en base a algoritmos. A modo de ejemplo, se puede pensar en un mercado compuesto por 4 firmas competidoras que entregan servicios de recomendación de precios basados en algoritmos. A este mercado se le denominará “secundario”, en referencia al mercado “primario” en que participan las empresas ubicadas aguas abajo (es decir, los clientes de los hubs algorítmicos). En este mercado secundario, se destaca la transparencia de precios (mediante la gran capacidad de monitoreo y reconocimiento de patrones por parte de los algoritmos) y la homogeneidad en los servicios de recomendación de precios (todos en base a algoritmos y con el objetivo de maximizar la renta del cliente).
Por consiguiente, las condiciones de competencia del mercado secundario pueden inducir a la colusión tácita. Por ejemplo, la colusión tácita en el mercado secundario puede ser inducida por las estrategias de marketing de las empresas que ofrecen los servicios de recomendación de precios. Así, si un hub ofrece sus servicios de fijación de precios bajo la premisa de “maximizar la renta”, los otros hubs pueden considerar este mensaje para diseñar sus propios servicios, alineando así sus conductas pero sin mediar un acuerdo entre ellas.
Ahora bien, el concepto de “colusión tácita algorítmica secundaria” (o STC) ocurre cuando combinamos las estructuras hub-and-spoke (entre clientes de un mercado primario competitivo y un hub algorítmico del mercado secundario), con la colusión tácita entre los hubs algorítmicos que forman parte del mercado secundario.
Mediante la estructura hub-and-spoke, los hubs pueden optimizar las rentas de sus clientes, considerando toda su cartera de clientes como si fueran uno. Si a esto último le agregamos la colusión tácita algorítmica entre los distintos hubs en el mercado secundario, obtenemos la STC. Este escenario se ilustra en la Figura 2.
Figura 2: Colusión tácita secundaria utilizando algoritmos
Fuente: Elaboración propia en base a diagramas del artículo de Ezrachi y Stucke (2023).
Como es posible observar en la Figura 2, bajo un escenario de competencia, es esperable que las firmas A, B, C y D (los hubs algorítmicos) compitan en precio, capten al mayor número de clientes y aumenten sus ventas. No obstante, la dinámica cambia cuando la configuración del mercado secundario cumple con las condiciones que propician una colusión tácita algorítmica; es decir, cuando la decisión de precios es decidida por algoritmos y la transparencia es un elemento presente. En tales circunstancias, tal como señalan los autores, puede surgir una “consciencia compartida” entre los hubs, lo que conduce a un comportamiento paralelo en sus estrategias.
Ahora bien, ya que la competencia en el mercado primario depende directamente de los precios que recomiendan los algoritmos del mercado secundario, y este último se encuentra en un escenario colusivo tácito, es posible que el precio en el mercado primario no sea competitivo, aunque las condiciones iniciales de este mercado no entreguen indicio alguno de oportunidades anticompetitivas.
Entonces, si existen condiciones para la colusión tácita en el mercado secundario, cada hub algorítmico podrá aprender la estrategia de su competidor e internalizar una reacción que considere la estrategia rival.
El concepto de STC presenta un desafío interesante para las autoridades de competencia.
En primer lugar, es preciso recordar que parte del fenómeno ocurre por la colusión tácita en el mercado secundario. En este sentido, en la medida que no se demuestre un acuerdo colusorio entre las empresas que ofrecen los servicios de recomendación de precios, será complejo sancionar su comportamiento.
Al respecto, los autores mencionan la importancia que podrían tener los esfuerzos de marketing de los hubs como señales para sus competidores. En efecto, reconocen que sancionar este tipo de estrategias podría desestabilizar el alineamiento entre los hubs. Sin embargo, la ambigüedad y facilidad que tendrían los hubs para defender dichas estrategias, argumentando que son parte de un esfuerzo unilateral por adquirir clientes, debilita la validez de este tipo de enforcement.
Por otro lado, resulta complejo definir un límite sobre el cual este tipo de estructuras hub-and-spoke dejen de ser meramente relaciones verticales entre proveedor/cliente, y pasen a considerarse como un escenario que eventualmente convergerá en una colusión tácita secundaria.
Siguiendo la misma línea, en estructuras hub-and-spoke se puede sancionar a los clientes (spokes) cuando, desde un inicio, existen intenciones anticompetitivas, o bien cuando son conscientes del efecto que podría tener este actuar en el mercado. No obstante, y tal como ya fue ejemplificado, la STC puede propiciarse en un mercado secundario con varios hubs, y donde los actores del mercado primario no conocen que existe intenciones anticompetitivas.
Asimismo, los autores sugieren que la autoridad diseñe un “algoritmo auditor” que monitoree y analice los servicios ofrecidos por los hubs algorítmicos. Aunque ya el diseño de un algoritmo auditor es complejo de imaginar, surgen otras interrogantes difíciles de responder: ¿cuándo es necesario intervenir un algoritmo?
Por último, desde el ámbito de control preventivo de fusiones, los autores determinan que una evaluación ex ante sobre los efectos que podría tener el uso de algoritmos es una manera efectiva para prevenir la STC. En concreto, esto implica añadir a la evaluación de fusiones el riesgo de STC que podría ocurrir producto de la operación. Cabe notar que en los nuevos lineamientos de la FTC se contempla la posibilidad de incluir el riesgo de colusión algorítmica dentro del análisis (ver nota CeCo: “El nuevo proyecto de Guías de la FTC y el DOJ”).
