Las autoridades antimonopolio temen que los algoritmos de precios autónomos que utilizan cada vez más los vendedores en línea puedan aprender a colusionar. Esta columna utiliza experimentos con algoritmos de precios basados en IA en un entorno controlado para demostrar que incluso algoritmos relativamente sencillos aprenden sistemáticamente a aplicar estrategias colusorias sofisticadas. Lo más preocupante es que aprenden a colusionar por ensayo y error, sin conocimiento previo del entorno en el que operan, sin comunicarse entre sí y sin que se les haya diseñado o instruido específicamente para colusionar.
¿Recuerda su última compra en línea? Lo más probable es que el precio que pagó no lo fijara una persona, sino un algoritmo de software. Ya en 2015, más de un tercio de los vendedores de Amazon.com tenían precios automatizados (Chen et al. 2016), y sin duda la proporción ha aumentado desde entonces. Con el crecimiento de un sector de software de reajuste de precios que suministra sistemas de precios llave en mano, incluso los vendedores más pequeños pueden permitirse hoy los precios algorítmicos.
A diferencia de los sistemas tradicionales de gestión de ingresos, utilizados desde hace mucho tiempo por empresas como las aerolíneas y los hoteles, en los que el programador sigue estando efectivamente a cargo de las decisiones estratégicas, los programas de precios que están surgiendo ahora son mucho más «autónomos». Estos nuevos algoritmos adoptan la misma lógica que los programas de inteligencia artificial (IA) que han alcanzado recientemente un rendimiento sobrehumano en entornos estratégicos complejos, como el juego del Go o el ajedrez. Es decir, el programador solo indica al algoritmo el objetivo de la tarea, como ganar la partida o generar el máximo beneficio posible. No se le indica específicamente cómo jugar, sino que aprende a partir de la experiencia. En una fase de entrenamiento, el algoritmo experimenta activamente con estrategias alternativas enfrentándose a clones en entornos simulados, adoptando con mayor frecuencia las estrategias que mejor funcionan. En este proceso de aprendizaje, el algoritmo requiere poca o ninguna orientación externa. Una vez completado el aprendizaje, el algoritmo se pone en funcionamiento.
Desde el punto de vista antimonopolio, la preocupación es que estos algoritmos de precios autónomos descubran por sí mismos que, si quieren obtener el máximo beneficio posible, deben evitar las guerras de precios. Es decir, pueden aprender a colusionar aunque no se les haya instruido específicamente para ello, e incluso aunque no se comuniquen entre sí. Esto constituye un problema. En primer lugar, un «buen rendimiento» desde la perspectiva de los vendedores, es decir, precios elevados, perjudica a los consumidores y a la eficiencia económica. En segundo lugar, en la mayoría de los países (incluidos Europa y Estados Unidos), la colusión «tácita», que no se basa en una intención explícita ni en la comunicación, no se considera actualmente ilegal, con el argumento de que es poco probable que se produzca entre agentes humanos y de que, incluso si se produjera, sería prácticamente imposible detectarla. La opinión convencional, por tanto, es que una aplicación agresiva de la normativa antimonopolio probablemente produciría muchos falsos positivos (es decir, la condena de conductas inocentes), mientras que una política tolerante daría lugar a relativamente pocos falsos negativos (es decir, la absolución de conductas anticompetitivas). Sin embargo, con la llegada de los precios basados en IA, la preocupación es que pueda alterarse el equilibrio entre los dos tipos de error. Aunque hasta ahora no se ha aportado ninguna prueba real de colusión algorítmica autónoma,1 las autoridades antimonopolio debaten activamente el problema.2
Quienes están preocupados (por ejemplo, Ezrachi y Stucke 2015) sostienen que los algoritmos de IA ya superan a los seres humanos en muchas tareas, y no parece haber ninguna razón para que los precios sean diferentes. Estos analistas también se refieren a la literatura de informática que ha documentado la aparición de cierto grado de precios anticompetitivamente elevados en simulaciones en las que algoritmos de precios independientes interactúan de forma reiterada. Algunos académicos (por ejemplo, Harrington 2018) están desarrollando vías para que la colusión mediante IA sea ilegal.
Los escépticos replican que estas simulaciones no utilizan el modelo canónico de colusión, por lo que no representan los mercados reales (por ejemplo, Kuhn y Tadelis 2018, Schwalbe 2018).3 Además, el grado de precios anticompetitivos parece ser limitado y, en cualquier caso, los precios elevados en sí mismos no indican necesariamente colusión, que, por el contrario, debe implicar algún tipo de esquema de recompensa y castigo para coordinar el comportamiento de las empresas. Según los escépticos, lograr una colusión genuina sin comunicación es una tarea difícil no solo para los seres humanos, sino incluso para los programas de IA más inteligentes, especialmente cuando el entorno económico es estocástico. Cualquier sobreprecio que se observe en las simulaciones podría deberse a que los algoritmos no logran aprender el equilibrio competitivo. Si así fuera, habría pocos motivos de preocupación, dado que el problema presumiblemente desaparecerá a medida que la inteligencia artificial siga desarrollándose.
Para contribuir a este debate sobre políticas, en un artículo reciente (Calvano et al. 2018a) construimos agentes de fijación de precios basados en IA y los dejamos interactuar de forma reiterada en entornos controlados que reproducen el modelo canónico de colusión de los economistas, es decir, un juego de precios repetido con movimientos simultáneos y plena flexibilidad de precios. Nuestros resultados sugieren que, en este marco, incluso algoritmos de precios relativamente sencillos aprenden sistemáticamente a aplicar estrategias colusorias sofisticadas. Las estrategias imponen castigos proporcionales a la magnitud de las desviaciones y de duración finita, con un retorno gradual a los precios anteriores a la desviación.
La figura 1 ilustra las estrategias de castigo que los algoritmos aprenden de forma autónoma a aplicar. Partiendo de los precios (colusorios) en los que han convergido los algoritmos (la línea punteada gris), anulamos la elección de uno de los algoritmos (la línea roja), obligándolo a desviarse a la baja hasta el precio competitivo o de Nash (la línea punteada naranja) durante un periodo. El otro algoritmo (la línea azul) sigue actuando según la estrategia que ha aprendido. Tras esta desviación exógena en el periodo, ambos algoritmos recuperan el control de la fijación de precios.
Figura 1 Respuestas de precios a una reducción de precio desviada
La figura muestra la trayectoria de precios en los periodos siguientes. Está claro que la desviación se castiga de inmediato (el precio de la línea azul baja inmediatamente después de la desviación de la línea roja), lo que hace que la desviación no resulte rentable. Sin embargo, el castigo no es tan severo como podría serlo (es decir, un retorno al precio competitivo), y además es solo temporal; posteriormente, los algoritmos regresan gradualmente a los precios anteriores a la desviación.
Lo especialmente destacable es el comportamiento del algoritmo que se desvía. Es evidente que responde no solo al rival, sino también a su propia acción. (Si respondiera únicamente al rival, no habría motivo para bajar el precio en el periodo t = 2, ya que el rival ha cobrado el precio colusorio en el periodo t = 1). Este tipo de comportamiento autorreactivo es una señal distintiva de colusión genuina, y sería difícil explicarlo de otra manera.
La colusión que encontramos suele ser parcial: los algoritmos no convergen hacia el precio de monopolio, sino hacia uno algo más bajo. Sin embargo, demostramos que la propensión a colusionar es persistente: una colusión sustancial sigue prevaleciendo incluso cuando las empresas activas son tres o cuatro, cuando son asimétricas y cuando operan en un entorno estocástico. La literatura experimental con sujetos humanos, en cambio, ha constatado de forma sistemática que estos son prácticamente incapaces de coordinarse sin comunicación explícita, salvo en el caso más simple, con dos agentes simétricos y sin incertidumbre.
Lo más preocupante es que los algoritmos no dejan rastro de una acción concertada: aprenden a colusionar únicamente por ensayo y error, sin conocimiento previo del entorno en el que operan, sin comunicarse entre sí y sin que se les haya diseñado o instruido específicamente para colusionar. Esto plantea un verdadero desafío para la política de competencia. Aunque se necesita más investigación antes de considerar medidas de política, el llamamiento de las autoridades antimonopolio a prestar atención parece estar bien fundado.
