Escrito por Mabel Benancio Avila, estudiante de la Facultad de Derecho de la Pontificia Católica del Perú
En 2011, el libro “The Making of a Fly” alcanzó un inaudito precio de casi $24,000,000 en Amazon. La plataforma ofrecía 17 ejemplares, 15 de ellos usados y 2 nuevos, cada uno a cargo de un proveedor distinto. Mientras las copias usadas se vendían a $35.00, los ejemplares nuevos alcanzaron la exorbitante suma de $23,698,655.93. Esto fue consecuencia de un bucle generado por algoritmos de fijación de precios que ajustaban automáticamente los precios de un proveedor en función del otro, lo que provocó un incremento exponencial hasta alcanzar el valor máximo. Aunque al día siguiente el precio de los libros nuevos descendió a $106.00, este episodio evidencia los problemas y desafíos derivados del uso de algoritmos para fijar precios en los mercados.
En este artículo, exploraremos cómo los algoritmos de fijación de precios o pricing algorithms, diseñados para maximizar beneficios, pueden facilitar y fomentar la colusión. El análisis se dividirá en tres secciones: primero, se establecerá un marco teórico sobre la colusión y los algoritmos de fijación de precios; luego, se examinará cómo dichos algoritmos facilitan la colusión; y, por último, se discutirán los desafíos que estas nuevas formas de colusión plantean para los reguladores, así como las posibles soluciones a considerar.
El concepto de colusión ha sido establecido por la Organización para la Cooperación y el Desarrollo Económico (“OECD”) como “any form of coordination or agreement among competing firms with the objective of raising profits to a higher level than the non-cooperative equilibrium, resulting in a deadweight loss” (2017, p. 19). En otras palabras, es un acuerdo anticompetitivo entre agentes económicos para fijar, de manera conjunta, precios, niveles de producción u otras variables estratégicas, con el propósito de incrementar sus ganancias y coordinar o supervisar sus acciones, obteniendo ventajas superiores a las que se lograrían en un mercado competitivo.
Un aspecto fundamental de la colusión es que puede establecerse de dos formas: (i) explícita o (ii) tácita. La colusión explícita es una práctica anticompetitiva que establece, de forma deliberada y formal, acuerdos escritos u orales que permiten a los competidores coordinar estrategias, intercambiar información y adoptar medidas para restringir la competencia. En contraste, la colusión es tácita o implícita cuando los agentes económicos, sin necesidad de una coordinación directa o de acuerdos expresos, ajustan sus estrategias al reconocer su interdependencia.
Por otro lado, los algoritmos de fijación de precios son “modelos matemáticos computacionales que predicen inmediatamente el precio óptimo para la compañía” (Labbé 2023, p. 2). Para lograr esto, procesan como input un conjunto de variables, como las condiciones de oferta y demanda, los precios de sus competidores, los precios de bienes sustitutos y complementarios, los costos de producción, entre otros; y, como output o resultado, sugieren un nivel de precio óptimo (Cerda 2021).
Los algoritmos permiten ajustar los precios con mayor precisión y eficiencia que los mecanismos convencionales de fijación de precios, gracias a su capacidad para procesar grandes volúmenes de datos en tiempo real. Esto facilita la implementación de estrategias de precios dinámicos y la discriminación de precios en función de las características del consumidor (Faulbaum 2023). No obstante, a pesar de sus ventajas en términos de optimización y eficiencia, su uso podría propiciar nuevas formas de coordinación entre agentes económicos que anteriormente no eran viables, incrementando los riesgos de colusión.
En ese sentido, surgen cuatro escenarios de colusión vinculados al uso de algoritmos de fijación de precios: (i) “Messenger”, (ii) “Hub-and-Spoke”, (iii) “Predictable Agent”); y, (iv) “Digital Eye”.
En el primer escenario (“Messenger”), la colusión mediante algoritmos se produce después de que los competidores hayan establecido un acuerdo colusorio explícito. Es decir, una vez que las empresas competidoras hayan acordado de manera previa fijar precios simultáneamente a través de diversos medios, como comunicaciones electrónicas, reuniones presenciales, foros sectoriales o gremiales, entre otros (Mazzarda 2022, p. 26-27). La particularidad de este mecanismo es que, alcanzado el acuerdo, las empresas coludidas implementan los algoritmos para monitorear los precios de sus competidores, asegurando la efectiva ejecución del acuerdo.
En la ejecución convencional de un acuerdo de fijación de precios, los cárteles deben garantizar su cumplimiento ante el riesgo de desviaciones que amenacen su estabilidad. Este control se ha basado en la vigilancia mutua y la amenaza de represalias, métodos que, pese a su propósito disuasorio, resultan costosos, ineficientes y propensos a errores (Rivera 2022, p.142).
Por el contrario, en un esquema de colusión facilitado por algoritmos, el monitoreo se efectúa a través de la recopilación y el análisis sistemático de datos, empleando metodologías como el web scraping y el uso de agregadores que extraen información sobre precios en tiempo real desde diversas plataformas. Una vez obtenidos, estos datos son procesados por algoritmos que identifican desviaciones respecto a los valores previamente acordados, lo que posibilita la implementación de mecanismos de ajuste automático de precios o la generación de alertas ante eventuales incumplimientos. Así, este monitoreo continuo facilita la coordinación estratégica entre las empresas coludidas, mitiga el riesgo de una guerra de precios y permite la imposición de sanciones inmediatas a los agentes que intenten transgredir el acuerdo.
Un precedente relevante se registró en 2018, cuando la Comisión Europea sancionó a las empresas Asus, Denon & Marantz, Philips y Pioneer, dedicadas a la venta de dispositivos digitales, por imponer a sus distribuidores minoristas un precio mínimo de reventa en el sector de comercio electrónico. Estas empresas utilizaron un sistema de software que monitoreaba e identificaba a los minoristas que no cumplían con el precio mínimo establecido, lo que les permitía contactarlos, exigirles que ajustaran sus precios y amenazar con represalias, como el bloqueo de suministros de productos; configurando así una forma de colusión explícita.
Considerando lo anterior, Rivera sostiene que este tipo de conductas podrían ser sancionadas por las autoridades de competencia, dado que “una colusión de precios facilitada por algoritmos de monitoreo no es otra cosa que un acuerdo de colusión de precios ordinario que suceden en otros mercados, pero con la particularidad que ha sido mejorada por el uso de algoritmos” (2022, p. 145). En ese sentido, el algoritmo actúa como una herramienta que facilita la implementación, el monitoreo y el cumplimiento de conductas anticompetitivas convencionales. Por consiguiente, tanto las empresas implicadas como sus ejecutivos estarían sujetos a sanciones por prácticas colusorias.
El segundo escenario es la colusión Hub-and-Spoke, que ocurre cuando un tercero, como un consultor o desarrollador de software (hub), proporciona a los competidores (spokes) un algoritmo de ajuste de precios, que es usado simultáneamente. De esta manera, los spokes logran coordinarse a través de la intermediación del hub, evitando así interacciones directas que podrían ser consideradas como acuerdos colusorios y sancionadas por la autoridad de competencia.
En este marco, la coordinación derivada del uso de algoritmos se articula en dos niveles. En primer lugar, a nivel de códigos, ocurre cuando un tercero suministra algoritmos con un propósito compartido, como el cálculo de precios, e implementa una metodología que implica la delegación completa de las decisiones estratégicas al tercero en común que opera el algoritmo. En segundo lugar, a nivel de datos, se presenta cuando los competidores emplean el algoritmo como un medio para intercambiar información o cuando el proveedor de software gestiona los datos de entrada para conformar un conjunto de datos común entre las partes involucradas (Viecens 2023, p.5).
La singularidad de la colusión del tipo Hub-and-Spoke, en contraste con la del tipo “Messenger”, reside en las etapas de la colusión en las que el algoritmo participa. Mientras que en el segundo caso los algoritmos se utilizan únicamente como herramientas para ejecutar acuerdos colusorios ya establecidos, en el primero intervienen desde el proceso o decisión de fijación de precios hasta su monitoreo entre competidores.
Un caso de relevancia en el análisis de este tipo de colusión es Gibson v. MGM, iniciado a raíz de una demanda colectiva (class action), presentada el 25 de enero de 2023 ante la Corte del Distrito de Nevada, por Richard Gibson y Heriberto Valiente contra los prestadores de servicios hoteleros Caesars Entertainment, Wynn Resorts, MGM Resorts y Treasure Island en el mercado Strip de Las Vegas, así como contra las desarrolladoras de software Cendyn Group y Rainmaker Group. Los demandantes alegaron que los operadores hoteleros se coludieron para incrementar los precios de las habitaciones en distintos hoteles de Las Vegas, utilizando algoritmos de Rainmaker que les permitían coordinar precios en función de datos no públicos sobre ocupación de habitaciones, tarifas, etc., lo que resultó en un aumento artificial de precios. Este esquema, donde Rainmaker y Cendyn actuaron como el “hub” facilitador y los hoteles como los “spokes”, fue considerado como una violación del artículo 1 de la Sherman Act por restringir irrazonablemente la competencia mediante una fijación de precios indirecta a través de algoritmos.
El tercer escenario de colusión, denominado «Predictable Agent«, ocurre cuando cada competidor desarrolla e implementa su propio algoritmo de fijación de precios, que monitorea continuamente las variaciones de las condiciones y precios del mercado, ajustando los suyos de manera sincrónica o secuencial. Al respecto, Robles explica que “las empresas, por ejemplo, podrían programar el algoritmo para monitorizar en tiempo real y sin lapsos de demora los precios establecidos por los competidores, para seguir los fijados por el líder barométrico o para replicar el empleado por sus competidores, evitando competir con ellos, sin necesidad de llegar a un acuerdo explícito sobre las condiciones de la coordinación” (2018, p. 12). En ese sentido, los algoritmos pueden actuar como herramientas de señalización que, mediante el análisis y la replicación de comportamientos del mercado, permiten a las empresas alinear sus estrategias comerciales de manera implícita.
Por otro lado, las empresas también podrían emplear estos algoritmos para divulgar una selección particular de datos, cuyo propósito sería comunicarles propuestas y negociaciones sobre precios a sus pares. Como resultado, se podría generar una colusión tácita pura, pues, aunque se advierta una clara intención anticompetitiva de los competidores, no existe evidencia de un acuerdo expreso de concertación.
Un caso representativo de este panorama se presentó a principios de la década de 1990, cuando el Departamento de Justicia de Estados Unidos (“DOJ”) investigó a la Airline Tariff Publishing Company (“ATPCO”), entidad responsable de recopilar y distribuir en tiempo real información sobre tarifas aéreas, fechas de viaje, restricciones de boletos, aeropuertos de origen y destino, etc. Su sistema permitía a las aerolíneas anunciar aumentos de tarifas con semanas de anticipación mediante las fechas de inicio de emisión. Si sus competidores replicaban estos anuncios, al llegar la fecha establecida, todas aplicaban simultáneamente el incremento. De este modo, este esquema operaba como un mecanismo de señalización que favorecía la coordinación entre aerolíneas sin necesidad de acuerdos explícitos.
Dado que la colusión tácita no es sancionable y probar una coordinación explícita resultaba complejo para el DOJ, el caso se resolvió mediante un acuerdo en el que las aerolíneas se comprometieron a cesar los anuncios anticipados de aumentos de precios, salvo en casos que beneficiaran a los consumidores, y a asegurar que todas sus tarifas estuvieran disponibles al público.
Finalmente, el cuarto escenario, denominado “Digital Eye”, constituye un modelo de colusión tácita en el que los algoritmos de fijación de precios operan de manera completamente autónoma mediante la aplicación de técnicas avanzadas de machine learning y deep learning. Su método de operación comienza con la recepción de un objetivo predefinido, como la maximización de beneficios o la optimización del rendimiento, y a partir de este, el algoritmo emplea redes neuronales avanzadas para ajustar sus estrategias sin intervención humana. Durante este proceso, el sistema procesa grandes volúmenes de datos y modifica los precios en tiempo real para mejorar su desempeño.
A pesar de que su funcionamiento está sujeto a restricciones normativas que prohíben prácticas anticompetitivas como la fijación de precios o la repartición de mercados, dentro de estos márgenes el algoritmo tiene la capacidad de aprender y perfeccionar sus decisiones de manera autónoma, lo que le permite desarrollar un conocimiento avanzado del mercado y adoptar estrategias óptimas de fijación de precios (OECD 2016, p. 32).
Aunque no se ha documentado evidencia empírica sobre este escenario, la investigación “Virtual Competition: The Promise and Perils of the Algorithm-Driven Economy” de Ezrachi y Stucke proporciona indicios relevantes. En este estudio, se diseñó un experimento en un entorno controlado con dos algoritmos de autoaprendizaje programados para maximizar beneficios. Los resultados revelaron que, tras un período inicial de fluctuaciones en los precios, los algoritmos comenzaron a recopilar el comportamiento del otro, convergiendo hacia un equilibrio por encima del precio competitivo. De este modo, lo notable es que este patrón colusorio emergió sin la necesidad de una programación explícita para coludir, lo que demuestra la capacidad de los algoritmos para aprender y adoptar estrategias supra-competitivas de forma autónoma.
Considerando lo expuesto, la implementación de algoritmos de fijación de precios puede incidir en la estructura competitiva del mercado, generando desafíos sustanciales para el ordenamiento jurídico y las autoridades de competencia. Uno de los principales retos es la necesidad de redefinir el concepto de acuerdo colusorio. Las leyes de competencia a menudo requieren un «acuerdo» explícito entre competidores para sancionar la colusión, sin embargo, esta concepción puede resultar insuficiente para abarcar la colusión tácita facilitada por algoritmos, debido a la ausencia de los elementos esenciales de contacto y coordinación (OECD 2017, p.36). Dado que los algoritmos facilitan interacciones rápidas y automáticas entre competidores, se plantea la necesidad de revisar el concepto de «acuerdo» para abarcar estas nuevas formas de coordinación, aunque ello conlleva el riesgo de equiparar la colusión tácita con la colusión expresa.
Otro desafío es la determinación de la responsabilidad en las decisiones de precios adoptadas por algoritmos. Pese a que los algoritmos son diseñados por humanos y, en la mayoría de los casos, se les puede atribuir responsabilidad a estos diseñadores u operadores, el avance hacia sistemas más autónomos complica esta atribución (OECD 2017, p.39). Mientras que la evasión de responsabilidad detrás de algoritmos no es una opción viable, determinar la responsabilidad en casos de colusión algorítmica requiere una evaluación cuidadosa de cómo se programan y supervisan los algoritmos, y de si las acciones anticompetitivas podían haber sido anticipadas. A medida que la inteligencia artificial (IA) se desarrolla, las agencias y tribunales deberán enfrentar el desafío de definir claramente la responsabilidad y ajustar las normas para abordar estos nuevos escenarios.
Finalmente, respecto a los desafíos expuestos, es relevante examinar tres enfoques alternativos formulados por la OCDE para abordar la colusión algorítmica desde una óptica académica y regulatoria. El primero se basa en la realización de estudios de mercado e investigaciones sectoriales, los cuales permitirían a las agencias de competencia identificar fallos estructurales en los mercados, aun cuando no exista evidencia explícita de coordinación entre competidores. Estos estudios ayudarían a comprender las dinámicas del mercado que facilitan la colusión algorítmica, y pueden generar recomendaciones regulatorias o promover la autorregulación mediante códigos de conducta. El segundo enfoque se sustenta en el control ex ante de concentraciones económicas, con el propósito de mitigar el riesgo de colusión tácita en mercados donde los algoritmos pueden facilitar la coordinación, incluso en estructuras menos concentradas. Este enfoque exige un examen riguroso de las condiciones del mercado, atendiendo a elementos como la transparencia y la velocidad de interacción estratégica, cuyo impacto puede verse amplificado por la implementación de algoritmos. El tercer enfoque se refiere a la imposición de compromisos y remedios, donde las autoridades de competencia podrían dificultar la colusión a través de programas de monitoreo de algoritmos y mecanismos de auditoría. No obstante, la efectividad de dichas auditorías podría ser limitada debido a la capacidad de aprendizaje automático de los algoritmos y la velocidad con la que estos evolucionan.
En conclusión, el uso de algoritmos de fijación de precios plantea serios desafíos para la competencia en los mercados digitales, ya que pueden facilitar tanto la colusión explícita como tácita entre empresas. Aunque los algoritmos ofrecen ventajas en términos de eficiencia y automatización, su capacidad para coordinar precios de manera rápida y autónoma desafía la efectividad de las medidas regulatorias actuales. Por tanto, es crucial que las autoridades de competencia y regulación adapten sus enfoques de identificación y sanción de nuevas prácticas colusorias. Tienen la difícil tarea de evitar que la innovación oculte nuevas formas de dañar los mercados y que el optimismo por el auge tecnológico interfiera con la firmeza de su labor.
Bibliografía
Borenstein, S. (1999). Rapid price communication and coordination: The Airline Tariff Publishing case (1994). En J. E. Kwoka & L. J. White (Eds.), The antitrust revolution (3ª ed., pp. 310-326). Oxford University Press. https://global.oup.com/us/companion.websites/fdscontent/uscompanion/us/pdf/kwoka/9780195322972_09.pdf
Cerda, M. (2021). ¿Pueden los algoritmos de precios facilitar la colusión? Centro Competencia. https://centrocompetencia.com/cerda-pueden-algoritmos-de-precios-facilitar-colusion/
Comisión Europea. (2018). Antitrust: Commission fines four consumer electronics manufacturers for fixing online resale prices. https://ec.europa.eu/commission/presscorner/detail/en/ip_18_4601
Comisión Europea. (2018). Antitrust: Commission fines four consumer electronics manufacturers for fixing online resale prices. https://ec.europa.eu/commission/presscorner/detail/en/IP_18_4601
Eisen, M. (2011). Amazon’s $23,698,655.93 Book About Flies, It Is Not Junk: A Blog About Genomes, DNA, Evolution, Open Science, Baseball and Other Important Things. http://www.michaeleisen.org/blog/?p=358 [https://perma.cc/UHL7-N3UA]
Ezrachi, A., & Stucke, M. (2016). Virtual competition: The promise and perils of the algorithm-driven economy. Harvard University Press. (p. 60).
Faulbaum S., E. (2023, 12 de abril). Especial ABA 2023: Un repaso a la colusión utilizando algoritmos de precios. CeCo Chile. https://centrocompetencia.com/especial-aba-2023-colusion-algoritmos-de-precios/
Gibson et al. v. MGM Resorts International et al. (2023). Tribunal de Distrito de Nevada. No. 2:2023cv00140, Documento 96. https://files.lbr.cloud/public/2023-01/Vegas.pdf?VersionId=JfF2vqkvnnWV9yg__PBz3w5b0j4TN_eT
Labbé, M. (2023). Soluciones para la colusión por algoritmos de fijación de precios. Revista Chilena de Derecho y Tecnología, 12, 1-17. https://doi.org/10.5354/0719-2584.2023.69556
Mazzarda, F. (2022). Pricing algorithms and the risk of tacit collusion. Tesi di Laurea in IO & Competition Theory, Luiss Guido Carli University. Relator: G. L. Albano. Luiss Theses Repository. https://tesi.luiss.it/33426/
Organización para la Cooperación y el Desarrollo Económico – OCDE (2017). Algorithms and collusion competition policy in the digital age. https://web-archive.oecd.org/temp/2017-10-03/449398-algorithms-collusion-competition-policy-in-the-digital-age.htm
Rivera, S. (2022). Los algoritmos de fijación de precios y la posibilidad cada vez más latente de una colusión tácita en el mercado: ¿es necesario redefinir el concepto tradicional de “acuerdo” colusorio? (Tesis de pregrado, Universidad ESAN). https://repositorio.esan.edu.pe/items/384dc615-ca03-4421-ab09-4b8adf432cb6
Robles, A. (2018). Cuando el cartelista es un robot. Colusión en mercados digitales mediante algoritmos de precios [When the Cartelist Is a Robot. Pricing Algorithms and Collusion in Digital Markets]. Actas de Derecho Industrial, 38, 77-103. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3170631
Viecens, M.F. (2023). Algoritmos y colusión: ¿qué hemos aprendido? Un análisis para América Latina, Revista Latinoamericana de Economía y Sociedad Digital (4). https://revistalatam.digital/article/numero-especial-cetys-01/
