martes, 13 de noviembre de 2018
Felipe Morandé Embajador de Chile ante la OCDE
El_Mercurio
El concepto "inteligencia artificial" fue acuñado por John McCarthy hace más de 60 años y no pasó mucho con él sino hasta poco tiempo atrás, cuando, con la digitalización, la capacidad y velocidad de procesamiento de datos e información de los computadores aumentó en miles de veces. Esto ha permitido el desarrollo de algoritmos que enseñan a los computadores a aprender a partir del reconocimiento de patrones de comportamiento en la inmensidad de la Big Data, en lo que se ha dado en llamar machine learning (ML). Dicho proceso de aprendizaje puede ser dinámico -prueba y error- y no supervisado directamente por humanos y, más recientemente, ha devenido incluso en la posibilidad de que los sistemas computacionales usen softwares complejos que intentan replicar la actividad de las neuronas humanas creando redes neuronales artificiales. Ello, que ha sido bautizado como deeplearning (DL), es, sin embargo, una verdadera caja negra, debido a que los algoritmos utilizados no proveen a los programadores con la información del proceso de toma de decisiones que conduce a los resultados observados. Los algoritmos de ML y DL, aparte de tener ya una creciente aplicabilidad en salud, finanzas e ingeniería, también son usados por diversas compañías a nivel mundial para llevar a cabo análisis predictivos (demanda, cambios de preferencias, evaluación de riesgos, etc.) y para optimizar procesos de negocios (reducción de costos, segmentación de consumidores o fijación de precios). En esta última dimensión, los algoritmos son diseñados para fijar automáticamente precios que maximicen los beneficios de la empresa en forma dinámica y continua, reaccionando instantáneamente a cambios en las condiciones de mercado ("dynamicpricing", i.e. aerolíneas y hoteles) o adecuándolos a las características personales de los consumidores (discriminación de precios). Esto puede tener efectos muy positivos para un funcionamiento más eficiente de los mercados, pero a la vez puede transformarse en una herramienta a veces sutil de colusión. En otras palabras, existe un riesgo de que los algoritmos ML/DL sean factores facilitadores de nuevas formas de coordinación entre competidores no vistas en el pasado. Algo así como una colusión "algorítmica". Esta posibilidad de colusión se daría de manera tácita a partir de la mayor transparencia y la interacción más frecuente entre competidores que traería aparejado el uso de algoritmos ML/DL por parte de aquellos. La transparencia es crucial, porque permite a los competidores monitorearse mutuamente sus acciones y detectar las desviaciones de un acuerdo. En el caso de un mercado donde los competidores usan algoritmos de fijación de precios en forma dinámica puede que se dé una colusión tácita, incluso existiendo varios competidores. La interacción frecuente permite a los competidores coludidos tácitamente tomar represalias rápida y agresivamente contra el que se desvía, lo que sería facilitado por los algoritmos ML/DL. El problema para las agencias de defensa de la libre competencia es justamente detectar signos de colusión tácita, puesto que en este caso de colusión algorítmica no hay contacto entre los competidores y tampoco es necesario que ni siquiera los algoritmos estén diseñados para que exista colusión. Simplemente, puede darse como resultado de la interacción entre tales algoritmos ML/DL de lado y lado. Es más, en el caso de algoritmos DL, es imposible saber siquiera cuál es el proceso de toma de decisiones que ha seguido la "máquina", lo que no solo hace difícil la detección de colusión, sino también la posterior asignación de responsabilidades legales. Este es un debate todavía en pañales, pero que se viene con mucha intensidad. Y a la velocidad que solo un mundo digitalizado puede traer. EN EL CASO DE UN MERCADO DONDE LOS COMPETIDORES USAN ALGORITMOS DE FIJACIÓN DE PRECIOS EN FORMA DINÁMICA PUEDE QUE SE DÉ UNA COLUSIÓN TÁCITA.
