O debate sobre conluio ganhou novas camadas com a expansão de algoritmos de aprendizagem utilizados para definir preços em setores variados da economia digital. Antes, a lei antitruste dos Estados Unidos se concentrava em acordos explícitos entre vendedores, como combinações de preços feitas em encontros privados.
Hoje, a dinâmica envolve softwares que ajustam automaticamente valores com base em dados do mercado, comportamento de concorrentes e padrões detectados em tempo real. Pesquisadores afirmam que, mesmo sem programação direta para cooperar, esses sistemas podem gerar preços elevados ao repetir ações que aumentam lucros.
Em 2019, um estudo simulou um mercado com duas cópias de um mesmo algoritmo simples de aprendizagem, permitindo que as máquinas testassem estratégias de precificação ao longo do tempo. O experimento mostrou que cada algoritmo passou a reagir de forma automática quando o outro reduzia valores, derrubando seus próprios preços de modo abrupto.
Essa resposta mecânica, segundo os pesquisadores, sustentou preços altos, pois ambas as máquinas aprenderam que reduções agressivas poderiam causar perdas. No fim, o equilíbrio era formado pela manutenção de valores elevados apoiados por reações desproporcionais, sem qualquer instrução explícita de cooperação.
A discussão ganhou força nos anos seguintes, quando cientistas buscaram entender se algoritmos não responsivos — que escolhem ações de forma aleatória pré-definida, sem reagir ao comportamento do concorrente — também poderiam levar a preços altos. De acordo com estudos conduzidos em 2024, estratégias desse tipo podem estimular algoritmos sem arrependimento de troca a adotarem preços elevados.
Nesse cenário, o jogador que utiliza a estratégia não responsiva mantém lucros ao alternar entre preços muito altos e valores mais baixos oferecidos ocasionalmente, o que pode resultar em equilíbrio com valores acima dos competitivos.
Os autores dos estudos destacam que regular essas situações é difícil, pois não há sinais diretos de conluio. Diferentemente dos casos humanos, em que ameaças ou acordos verbais podem ser investigados, algoritmos não estabelecem comunicação explícita.
Cientistas da computação e economistas que analisam precificação algorítmica afirmam que o comportamento observado pode surgir apenas da interação contínua entre sistemas de aprendizagem. Pesquisadores como Aaron Roth, da Universidade da Pensilvânia, observam que algoritmos não fazem acordos, mas podem atingir estados de equilíbrio que resultam em preços altos.
Os estudos incorporam ferramentas da teoria dos jogos, área que examina como agentes adotam estratégias ao competir repetidamente. Um dos conceitos centrais é o de equilíbrio, que ocorre quando cada jogador encontra sua melhor resposta possível ao comportamento do outro.
Pesquisadores mostram que algoritmos sem arrependimento de troca tendem a convergir para equilíbrios considerados competitivos quando enfrentam versões idênticas de si mesmos. Contudo, quando confrontados com estratégias não responsivas, esses mesmos algoritmos podem chegar a resultados de preços elevados.
Um dos experimentos conduzidos no segundo semestre de 2024 encontrou que as probabilidades ideais para a estratégia não responsiva favoreciam preços muito altos combinados com um conjunto amplo de valores mais baixos.
Para os pesquisadores, isso significa que um algoritmo sem arrependimento de troca, ao tentar evitar prejuízos ao longo do tempo, pode adotar preços elevados com frequência. Essa dinâmica ocorre mesmo sem qualquer forma de punição, ameaça ou retaliação entre os participantes.
Ao aprofundarem a pesquisa, os autores concluíram que esse equilíbrio pode ser estável para ambos os lados: os dois participantes obtêm lucros semelhantes e não têm incentivo para alterar suas estratégias. Esse resultado deixa consumidores expostos a preços altos, mesmo sem sinais de coordenação.
Pesquisadores afirmam que o fenômeno lembra resultados de conluio observados em ambientes humanos, mas ocorre sem comunicação, intenção ou acordo explícito.
Entre as propostas discutidas para enfrentar o problema está a ideia de restringir o uso de algoritmos de precificação a modelos sem arrependimento de troca. Pesquisadores como Jason Hartline, da Northwestern University, desenvolveram métodos para verificar se um algoritmo possui essa propriedade sem examinar seu código interno. A proposta, segundo ele, não resolveria todos os cenários, mas reduziria casos em que a precificação algorítmica resulta em valores acima do esperado.
No entanto, não há consenso entre os especialistas. Estudos recentes indicam que mesmo algoritmos considerados seguros podem produzir resultados indesejados dependendo do ambiente e das estratégias dos concorrentes.
Pesquisadores afirmam que ainda não existe uma solução definitiva para regular a precificação algorítmica, já que diferentes modelos de aprendizagem podem interagir de formas complexas em mercados digitais. Economistas como Mallesh Pai destacam que o tema segue como um dos principais desafios contemporâneos para autoridades reguladoras, especialmente diante da expansão da inteligência artificial.
A discussão envolve ainda impactos na formulação de políticas públicas. Como algoritmos podem variar suas estratégias de forma rápida e contínua, reguladores precisam identificar comportamentos potencialmente danosos sem depender de evidências explícitas de acordo ou intenção.
Pesquisadores afirmam que essa fronteira entre economia, computação e direito ainda está em construção e pode exigir novas abordagens legais para lidar com cenários em que não há ação direta, mas os resultados afetam consumidores e mercados.
Em síntese, a literatura recente aponta que a precificação algorítmica pode gerar preços altos mesmo sem conluio intencional. Estudos mostram que mecanismos de aprendizagem, ao buscar lucros maiores, podem alcançar equilíbrios estáveis que reproduzem efeitos típicos de colusão. Pesquisadores indicam que ainda há muitas questões a serem entendidas e que o tema permanece no centro dos debates sobre regulação econômica em ambientes digitais.