Precificação e colusão algorítmica: evidências e implicações para concorrência

Cada vez mais, algoritmos empregados por empresas têm impactado o mundo dos negócios e o ambiente concorrencial. Os algoritmos de precificação, por exemplo, permitem que as empresas estabeleçam preços de maneira rápida e eficiente. Com a ajuda de tal ferramenta, muitos fatores [1] podem ser incluídos em uma estratégia de precificação. As enormes possibilidades técnicas permitem que os algoritmos sejam usados não apenas no contexto de um simples ajuste aos preços dos concorrentes, mas também na adaptação ou diferenciação de preços para os consumidores.

A discussão sobre o papel da automação algorítmica sobre nossas vidas e negócios é algo interdisciplinar que reúne matérias que vão desde Economia, Direito e Filosofia até segurança de dados e, é claro, vários ramos do campo de inteligência artificial. Sobre o tema, a OCDE, em 2017, lançou um documento intitulado "Algoritmos e conluio: Política de concorrência na era digital", em que já aprofundava a discussão sobre como os algoritmos estão mudando o cenário concorrencial, sendo um meio facilitador para as empresas alcançarem resultados colusivos por meio de novas formas que não requerem necessariamente a obtenção de um acordo no sentido antitruste tradicional, ou mesmo sem exigir qualquer interação humana. O presente artigo busca explorar quais são os efeitos e as evidências mais recentes do uso de tais ferramentas de precificação sobre a concorrência, mais especificamente, em relação a colusão entre empresas concorrentes.

Inicialmente, vale recordar que a utilização de programas de computador para precificação de produtos e serviços vem ocorrendo há décadas em diversas indústrias, como setor hoteleiro, postos de gasolina e companhias aéreas, sem falar nas transações dos mercados financeiros, em que a negociação algorítmica é um fenômeno onipresente. Por exemplo, a aplicação de preços dinâmicos no mercado de aviação pode ser creditada à empresa americana American Airlines e data do início da década de 1980 (McAfee e Te Velde, 2007). A precificação de tal empresa utilizava os recém-criados sistemas de reserva de voos para modificar o preço dos assentos, conforme a ocupação da aeronave crescia. É fato que a utilização desses algoritmos de precificação foi impulsionada pelo advento do comércio online e das plataformas digitais. Schwalbe (2018) explica que se, por um lado, o uso generalizado de algoritmos pode mudar as condições estruturais do mercado em favor do conluio [2], por outro lado, os algoritmos podem aumentar a pressão competitiva [3], sendo que a questão depende da investigação do caso concreto.

Ademais, ao analisar as implicações da colusão algorítmica para a concorrência, é importante diferenciar formas de sua implementação. Schwalbe (2018) argumenta que os algoritmos podem não apenas alterar as condições estruturais do mercado, mas também ser empregados diretamente para facilitar o conluio, ou seja, os algoritmos podem ser considerados um "dispositivo de facilitação do conluio". Nesse caso, os algoritmos são usados como um instrumento adicional para coordenar um cartel.

Em relação aos impactos dos algoritmos na concorrência, Ezrachi e Stucke (2016) propõem categorizar quatro tipos de cenários de colusão algorítmica: 1) mensageiro, 2) hub-spoke, 3) "agente previsível" e 4) "máquina autônoma". No primeiro cenário, o do mensageiro, as empresas usam os algoritmos para implementar um cartel. Nesse cenário, é necessário um acordo explícito entre as empresas. Aqui, nota-se que os algoritmos são apenas uma nova tecnologia para organizar um cartel [4]. Schwalbe (2018) pontua que os cartelistas usaram e sempre usarão a tecnologia disponível para formar um cartel — seja por telefone, e-mail, programas de computador etc. Nesse caso, a tecnologia usada para implementar o cartel é diferente (isto é, os algoritmos), mas a legislação brasileira vigente de concorrência é totalmente suficiente para lidar e punir esse tipo de conduta anticompetitiva [5].

No segundo cenário, hub-spoke, várias empresas (spoke) utilizam o mesmo algoritmo, por exemplo, terceirizando decisões de preços para uma mesma empresa (hub) que oferece precificação algorítmica como um serviço. Um equilíbrio coordenado poderia surgir se o estabelecimento de preços por um algoritmo central conduzisse a preços que maximizassem os lucros conjuntos. Da mesma forma que o cenário anterior, para que surja um cenário de hub-spoke, alguma comunicação ou acordo é necessário para que as empresas coordenem qual hub usar (Schwalbe, 2018). Esse tipo de acordo equivaleria a um caso comum de um cartel hub-spoke e, portanto, não traz qualquer problema novo ao direito da concorrência. Nesse caso, a ex-comissária Ohlhausen do Federal Trade Commission (FTC), autoridade antitruste americana, argumentou que se a palavra "algoritmo" pode ser substituída pela frase "um cara chamado Bob", então os algoritmos podem ser tratados da mesma maneira que em um cartel tradicional de hub-spoke (Ohlhausen, 2017). O CMA (2018), autoridade antitruste britânica, salienta que pode existir uma situação mais sensível quando as empresas de determinado mercado confiam sua política de preços ao mesmo provedor de serviços de precificação algorítmica, o que pode levar à coordenação por esse agente sem o conhecimento daquelas empresas.

O terceiro cenário, denominado por Ezrachi e Stucke (2016) de "agente previsível", apresenta cada empresa desenvolvendo seu próprio algoritmo. À medida que os algoritmos monitoram a definição de preços pelos outros algoritmos, e acompanham essas variações, é criada uma interdependência entre eles. Os algoritmos podem reagir muito rapidamente, ou seja, se uma empresa baixa o preço, outras empresas baixam seus preços imediatamente. Nesse caso, a pressão competitiva é reduzida e o comportamento de conluio pode se tornar mais provável. Segundo Schwalbe (2018), esse funcionamento dos algoritmos pode ser semelhante a uma garantia de equiparação de preço (price-matching guarantees ou meeting-competition clauses) [6] que também diminui a pressão competitiva, visto que, como os algoritmos podem reagir muito rapidamente, dificilmente haverá um momento em que o preço de um concorrente possa ser reduzido para aumentar a participação de mercado e obter receitas e lucros adicionais. Dessa forma, ao reagirem de forma previsível, os algoritmos sinalizam suas intenções e tornam mais fácil para os concorrentes descobrir o que está acontecendo, aumentando a probabilidade de alcançar um resultado de coordenação tácita. Entretanto, Schwalbe (2018) levanta dúvidas, com exemplos hipotéticos, sobre o que acontece quando as empresas usam algoritmos distintos que reagem de maneira ligeiramente diferente às condições de mercado. E conclui que, mesmo se as empresas usassem algoritmos idênticos, cada um provavelmente observaria coisas diferentes e aprenderia de forma diferente, pois os algoritmos geralmente contêm elementos estocásticos.

No último cenário, o da "máquina autônoma", os algoritmos podem ficar tão complexos e sofisticados que, dado um objetivo de maximizar os lucros, um algoritmo pode aprender por si mesmo e chegar a um resultado de coordenação tácita, sem qualquer intenção de conluio de seus proprietários sendo a possibilidade de descoberta pela autoridade antitruste bem limitada (CMA, 2018). Segundo Ezrachi e Stucke (2016), com o uso de algoritmos de computador em toda a indústria, pode-se testemunhar um paralelismo consciente em mercados com muito mais participantes, onde o conluio anteriormente teria sido instável. Schwalbe (2018) conclui que a literatura jurídica assume que alcançar tal equilíbrio de conluio e maximizador de lucros é muito fácil ou mesmo inevitável. Entretanto, o mesmo autor pondera de maneira crítica que não é evidente se o cenário do "agente autônomo" realmente levará a esse tipo de resultado de colusão. 

Schwalbe (2018) argumenta que a ocorrência da colusão de maneira autônoma depende muito do que esses algoritmos são capazes, se eles podem de fato coordenar seu comportamento ou mesmo aprender a se comunicar uns com os outros. Nesse sentido, diversos estudos recentes têm buscado entender como seria possível esse arranjo colusivo e se seria viável uma colusão entre algoritmos autonomamente. Por exemplo, o aspecto mais importante com relação ao conluio, mesmo que de forma autônoma, é o número de concorrentes no mercado. Na meta-análise realizada por Horstmann et al. (2016), tais autores mostram que, entre os experimentos simulados de oligopólio que foram pesquisados, os mercados com dois agentes são significativamente mais propensos a conluio tácito do que os mercados com três ou quatro agentes [7].

Até o momento, as evidências para o antitruste do "agente previsível" e/ou da "máquina autônoma" (isto é, ausente a determinação/componente humano) desses algoritmos que podem levar a um resultado de colusão (tácita) e a consequente responsabilização por tal infração eram discussões majoritariamente abstratas e teóricas [8]. Entretanto, em um artigo recente, Assad et al. (2020) fornecem a primeira evidência empírica da relação de precificação algorítmica e concorrência. Inicialmente, os autores esclarecem que não há evidência direta de comportamento anticompetitivo por parte de qualquer firma de software algorítmico ou marca de gasolina mencionada no referido estudo. Foi analisado o mercado de varejo de gasolina da Alemanha, onde softwares de precificação algorítmica foram amplamente adotados em meados de 2017 e para o qual os autores tiveram acesso a dados públicos de preços com alta frequência. Como as datas de adoção eram desconhecidas, foram identificados os postos de gasolina que adotaram o software de precificação algorítmica por meio de testes de quebras estruturais.

Usando essas informações, os autores examinaram o impacto da adoção dos softwares de precificação algorítmica sobre as margens de lucro dos postos. Eles estimaram que os postos de gasolina de varejo alemães aumentaram suas margens em cerca de 9% após a adoção de precificação algorítmica, mas apenas onde enfrentaram a concorrência local. Por sua vez, ao restringir a análise aos mercados de duopólio, verificou-se que as margens de lucro do mercado não mudam quando apenas um dos dois postos de gasolina adota a precificação algorítmica. Entretanto, as margens aumentaram 28% nos mercados em que ambos os postos a adotam. Vale destacar que as margens não começam a aumentar até aproximadamente um ano após a adoção de softwares de precificação em todo o mercado, sugerindo que os algoritmos nesse mercado aprenderam com o tempo a coordenar atingindo um resultado de conluio tácito.

Esses resultados sugerem que a adoção de inteligência artificial para fins de precificação pode potencializar a implementação de práticas colusivas (nesse caso, as tácitas). Tais resultados trazem à tona as discussões que até o momento eram abstratas e teóricas e que vão começar a exigir investigações e julgamentos à luz dos fatos e das legislações vigentes. As autoridades antitruste ao redor do mundo devem permanecer vigilantes e continuar o aprofundamento do tema como têm feito em diversos fóruns nacionais e internacionais e por meio de suas investigações e estudos técnicos.

Por fim, vale lembrar que algoritmos também podem e devem ser usados pelas autoridades antitruste, por exemplo, no trabalho de monitoramento de mercado, na detecção de comportamentos incomuns e anomalias de preços, fazendo uma varredura de problemas competitivos e de indícios de cartel. Esse trabalho tem sido realizado pelo Projeto Cérebro [9], do Cade, que por meio do uso de big data, ciência da computação e modelos estatísticos ajuda na detecção e construção de evidências para o combate proativo a cartéis.

---

[1] Como, por exemplo, preço dos competidores, demanda esperada e diversos dados de mercado.

[2] Por exemplo, a transparência de preços pode aumentar na presença de algoritmos que coletam e analisam os preços cobrados pelos concorrentes. Dessa forma, os desvios de um preço colusivo podem ser detectados de forma mais rápida e fácil e os mecanismos de retaliação podem se tornar mais eficazes.

[3] Por exemplo, os algoritmos podem reduzir os custos de transação para as empresas, reduzir as fricções nos mercados e fornecer aos consumidores mais informações para tomada de decisões.

[4] O Cade já condenou um cartel que fez o uso de um software para monitorar e fiscalizar a implantação de um acordo no mercado de autoescolas e despachantes. Nesse caso, havia a clara intenção dos agentes (mão humana) em utilizar o algoritmo e o software para operacionalizar o cartel. Ver Processo Administrativo 08012.011791/2010-56.

[5] É importante salientar que os algoritmos podem disponibilizar novas formas de facilitar o conluio, por exemplo, trocando secretamente informações entre empresas que são difíceis de detectar pelas autoridades da concorrência.

[6] À primeira vista, essas "garantias de equiparação de preço" podem parecer pró-competitivas. Geralmente, os consumidores não reclamam de conseguirem comprar a preços baixos e garantidos. No entanto, as garantias de equiparação de preços podem auxiliar a tornar colusões mais estáveis, facilitando a fixação de preços do cartel e removendo o incentivo para reduzir os preços (Hay, 1982).

[7] Resultados similares são encontrados em Potters e Suetens (2013).

[8] Ver por exemplo Athias e Moreira (2017), CMA (2018) e Gal (2018).

[9] Pimenta, G. (2019) Projeto Cérebro: Cade usa inteligência artificial no combate a cartéis. Portal Jota.

---

Referências

Assad, S.; Clark, R.; Ershov, D.; Xu, L. (2020) Algorithmic Pricing and Competition: Empirical Evidence from the German Retail Gasoline Market, CESifo Working Paper, nº 8521.

Athias, D. T. e Moreira, A. (2017) Algoritmos e suas repercussões nas infrações concorrenciais. Coluna Opinão, Consutor Jurídico.

Competition and Markets Authority (CMA) (2018). Pricing algorithms. Economic working paper on the use of algorithms to facilitate collusion and personalised pricing.

Ezrachi, A., Stucke, M. (2016) Virtual Competition, Harvard University Press, Harvard, MA.

Gal, M. S. (2018) Algorithms as Illegal Agreements, forthcoming in Berkeley Technology Journal.

Hay, G. (1982) Oligopoly, Shared Monopoly, and Antitrust Law, Cornell Law Review 28: 439-481.

Horstmann, N.; Kramer, J.; Schnurr, D. (2016) Number Effects and Tacit Collusion in Experimental Oligopolies. Mimeo.

McAfee, R.; Velde, V. (2007) Dynamic pricing in the airline industry. Mimeo.

OECD (2017) Algorithms and Collusion: Competition Policy in the Digital Age.

Ohlhausen, M.K. (2017) Should We Fear The Things That Go Beep In the Night? Some Initial Thoughts on the Intersection of Antitrust Law and Algorithmic Pricing, FTC.

Potters, J.; Suetens, S. (2013) Oligopoly Experiments in the Current Millennium. Journal of Economic Surveys: 27, 439-460.

Schwalbe, U. (2018) Algorithms, machine learning, and collusion. Journal of Competition Law & Economics: 14, Issue 4: 568–607.