Algorytmiczny kartel: Nowe wyzwania dla prawa antymonopolowego w erze AI

Sztuczna inteligencja, wkradając się w niemal każdy aspekt gospodarki, zaczyna fundamentalnie zmieniać reguły gry na rynku. Szczególnie widoczne jest to w kontekście mechanizmów ustalania cen, gdzie algorytmy oparte na uczeniu ze wzmocnieniem, takie jak Q-learning, stają się coraz bardziej wyrafinowane. Ich zdolność do autonomicznego uczenia się i adaptowania strategii cenowych, reagując na działania konkurentów w czasie rzeczywistym, prowadzi do zdumiewających wyników – często skutkujących cenami znacznie przewyższającymi te konkurencyjne. Algorytmy te mogą mimikować zmowę bez bezpośredniej komunikacji, tworząc stabilniejsze i wyższe ceny, niż byliby w stanie osiągnąć ludzcy operatorzy.

Jednak środowisko ekonomistów pozostaje sceptyczne. W złożonych i niestabilnych warunkach rynkowych niezależne algorytmy AI mogą mieć trudności z wypracowaniem stabilnych strategii zmowy, chyba że dojdzie do bezpośredniej koordynacji, na przykład poprzez wymianę niepublicznych danych. Właśnie ta wymiana danych, często ukryta w nieprzejrzystych modelach głębokiego uczenia, staje się kluczowym punktem zapalnym dla regulatorów. „Czarna skrzynka” wielu algorytmów sprawia, że odróżnienie zgodnej z prawem optymalizacji od zakazanej zmowy jest niezwykle trudne. Pętle sprzężenia zwrotnego między niezależnymi agentami AI dodatkowo komplikują identyfikację nielegalnych praktyk.

Uczestnicy zmowy algorytmicznej: nowe oblicza koordynacji

Tradycyjne kary kartelowe miały ustalone ramy, jednak AI wprowadza nowe, skomplikowane warianty. Oprócz jawnych karteli, jak w przypadku Topkinsa, gdzie ludzki operator świadomie instruował algorytm do ustalenia konkretnych cen, pojawiają się subtelniejsze formy. Mamy do czynienia ze zmową opartą na samouczeniu, gdzie niezależne algorytmy autonomicznie „dogadują się” w kwestii cen, bez bezpośredniej komunikacji. Innym przykładem jest zmowa typu „hub-and-spoke”, gdzie oprogramowanie zewnętrznego dostawcy agreguje dane od wielu firm, by skoordynować ich politykę cenową. Co więcej, algorytmy mogą prowadzić do sygnalizowania – dedukowania strategii cenowych rywali na podstawie publicznie dostępnych danych i odpowiedniego dostosowywania własnych cen, co finalnie skutkuje skoordynowanymi wzorcami cenowymi na rynku.

Wyzwania prawne: Stare prawo w nowej rzeczywistości

Prawo antymonopolowe, bazujące na kilkudziesięcioletnich zasadach, musi pilnie dostosować się do rzeczywistości napędzanej przez AI. W USA, ustawa Shermana Act wymaga dowodów na umyślne porozumienie. Tu pojawia się problem: w przypadku AI, które autonomicznie uczy się z warunków rynkowych, może brakować wyraźnej ludzkiej zgody. Czy algorytm może „zrozumieć” zmowę? Klasyczne ujęcie prawnicze zakładało „spotkanie umysłów” między ludźmi, jednak sprawa Duffy vs. Yardi, gdzie sądy uznały, że wspólne używanie tego samego algorytmu do ustalania cen może prowadzić do zmowy, wskazuje na ewolucję tej koncepcji.

Kwestia odpowiedzialności karnej również nabiera nowego wymiaru. Algorytm nie ma „zamiaru przestępczego” (mens rea), ale odpowiedzialność może być przypisana firmom lub ludzkim agentom, którzy go używają. Potencjalnie, firma może być pociągnięta do odpowiedzialności, jeśli „wiedziała” lub „powinna była wiedzieć”, do czego doprowadzi jej algorytm, co może być interpretowane jako „umyślna ślepota” lub odpowiedzialność za działania AI pod doktryną respondeat superior.

Ujawnienie dowodów zmowy algorytmicznej jest niezmiernie trudne. Klasyczne dowody, takie jak e-maile czy protokoły spotkań, są nieobecne. Regulatorzy muszą sięgać po innowacyjne metody, takie jak inżynieria wsteczna algorytmów, analiza danych treningowych, a nawet badanie interfejsów użytkownika. Wyzwaniem jest odróżnienie naturalnego zachowania rynkowego od faktycznej koordynacji. Debata toczy się również wokół stosowania zasady per se (automatyczne uznanie za nielegalne) w stosunku do analizy rule-of-reason (ocena wpływu na konkurencję), zwłaszcza w przypadku tak nowatorskiego zjawiska jak zmowa algorytmiczna.

Reakcje organów ścigania i legislacyjne: Globalna gra w kotka i myszkę

Organy antymonopolowe na całym świecie intensywnie pracują nad dostosowaniem się do tych zmian. W USA, przypadek Topkinsa w 2015 roku był pierwszym skazaniem za algorytmiczne ustalanie cen, choć opierał się na bezpośredniej koordynacji człowieka. Bardziej przełomowe są sprawy RealPage (2024) i Duffy vs. Yardi (2024), gdzie Departament Sprawiedliwości i prywatni powodowie oskarżyli firmy o wykorzystanie oprogramowania do koordynacji cen mieszkań. Te sprawy wskazują, że nawet bez jawnej ludzkiej zmowy, skoordynowane działanie algorytmu może być uznane za naruszenie prawa.

W Europie, choć Komisja Europejska nie ma jeszcze potwierdzonego przypadku, w swoich wytycznych z 2023 roku ostrzega, że algorytmiczna zmowa może być traktowana jako „uzgodniona praktyka” zgodnie z art. 101 TFUE. Podobnie w Wielkiej Brytanii, CMA (Competition and Markets Authority) ukarało sprzedawców Amazon za użycie oprogramowania do koordynacji cen, traktując to jako nielegalne. Na froncie legislacyjnym, w USA rozważany jest PAC Act (Preventing Algorithmic Collusion Act), który miałby domyślnie traktować wymianę wrażliwych informacji za pośrednictwem algorytmów cenowych jako porozumienie. Kalifornijska ustawa SB295 idzie jeszcze dalej, kryminalizując użycie algorytmów wytrenowanych na niepublicznych danych konkurencji.

Unijny akt o AI, jeśli zostanie przyjęty, wprowadzi wymogi przejrzystości i ewidencji dla systemów AI wysokiego ryzyka, co potencjalnie obejmie algorytmy cenowe. Globalnie, coraz więcej krajów, od Kanady po Japonię i Chiny, analizuje potrzebę aktualizacji swoich ram prawnych. OECD rekomenduje ponowne zbadanie koncepcji „porozumienia” w kontekście zmowy algorytmicznej, a współpraca międzynarodowa staje się kluczowa dla ujednolicenia standardów.

Przyszłość antytrustu: Adaptacja i innowacja

Przyszłość prawa antymonopolowego w erze AI wymaga fundamentalnych reform. Eksperci proponują modyfikację wymogów dotyczących „porozumienia”, tak aby pewne zachowania algorytmiczne były traktowane jako z natury antykonkurencyjne, chyba że firmy udowodnią ich niezależne uzasadnienie. Kluczową rolę odegra przejrzystość algorytmów i ich audytowanie. Firmy mogą być zobowiązane do ujawniania i poddawania kontroli swoich algorytmów cenowych, a także do wdrażania tzw. „zgodności przez projekt” (compliance by design), czyli projektowania algorytmów z wbudowanymi zabezpieczeniami antymonopolowymi. Organy regulacyjne z kolei eksplorują nowe narzędzia, takie jak „antymonopol komputerowy” – algorytmy do wykrywania podejrzanych wzorców cenowych, oraz tworzenie wyspecjalizowanych jednostek do audytowania AI.

Kwestia połączeń i przejęć staje się również bardziej złożona. Fuzje mające na celu dostęp do danych lub modeli uczenia maszynowego mogą być kwestionowane na podstawie potencjalnej zmowy algorytmicznej. Ostatecznie, pomimo dyskusji o nowych ramach, agencje podkreślają, że istniejące narzędzia antymonopolowe, odpowiednio adaptowane i wsparte kreatywną analizą dowodową, wciąż są potężną bronią w walce z nowymi formami zmowy. Wyzwanie leży w znalezieniu równowagi między zapobieganiem nadużyciom a niehamowaniem innowacji, które AI niewątpliwie ze sobą przynosi.