4544
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
4544
PENEREIRO, Stephanie Vendemiatto; ARMANI, Wagner José Penereiro. A atuação do Ministério
Público na Defesa da Concorrência. Revista de Defesa da Concorrência, Brasília, v. 10, n. 2, p.
24-44, 2022
https://doi.org/10.5286/rdc.v10i2.968
ALGORITMOS DE
PRECIFICAÇÃO E CONLUIOS
IMPLÍCITOS: O QUE DIZEM AS
EVIDÊNCIAS?1
Pricing algorithms and tacit collusion: what is the
evidence?
Rutelly Marques da Silva2
Escola Nacional de Administração Pública (ENAP) - Brasília/DF, Brasil
Fernando Filgueiras3
Universidade Federal de Goiás (UFG) - Goiás/GO, Brasil
RESUMO ESTRUTURADO
Contexto (facultativo): O uso de algoritmos de precicação tem se disseminado entre as empresas e,
em virtude disso, aumentou a preocupação de pesquisadores e de autoridades antitruste quanto a
possíveis impactos negativos na concorrência.
Objetivo: Identicar se, na literatura econômica, evidências de conluios implícitos gerados por
algoritmos de precicação e, com isso, contribuir para o aperfeiçoamento da política pública de
defesa da concorrência.
Método: Esta pesquisa adota o método de revisão rápida da literatura sobre algoritmos de precicação.
Foram selecionados 18 artigos que investigam a relação desses algoritmos com conluios implícitos
a partir de modelos teóricos, modelos de simulação computacional, avaliações empíricas e análises
Editor responsável: Prof. Dr. Luis Henrique Bertolino Braido, Fundação Getúlio Vargas (FGV/RJ), Rio de Janeiro, RJ, Brasil.
ORCID: https://orcid.org/0000-0001-6085-1446.
Recebido em: 26/10/2022 Aceito em: 26/10/2022 Publicado em: 02/12/2022
2 Consultor Legislativo. Doutorando em Políticas Públicas pela Escola Nacional de Administração Pública (ENAP),
Mestre em Economia pelo Centro de Desenvolvimento e Planejamento Regional (Cedeplar) da Universidade Federal de
Minas Gerais (UFMG) e Bacharel em Ciências Econômicas pela UFMG. É professor colaborador dos cursos de MBA na área
de regulação ofertados pela Fundação Getúlio Vargas de Brasília-DF e do MBA em Direito e Regulação do Setor Elétrico do
Instituto Brasileiro de Ensino, Desenvolvimento e Pesquisa (IDP). Brasília - DF. E-mail: rutelly@gmail.com; Lattes: http://lattes.
cnpq.br/8765538537978937. ORCID: https://orcid.org/0000-0002-2807-8024.
3 Professor associado da Faculdade de Ciências Sociais da Universidade Federal de Goiás (UFG). Professor do Programa
de Pós-Graduação em Ciência Política e Relações Internacionais da UFG. Professor do Programa Prossional de Doutorado em
Políticas Públicas da Escola Nacional de Administração Pública (ENAP). Professor aliado no Ostrom Workshop on Political
Theory and Policy Analysis, Indiana University. Pesquisador do Instituto Nacional de Ciência e Tecnologia (INCT) – Democracia
Digital, Universidade Federal da Bahia (UFBA). Bolsista de Produtividade do Conselho Nacional de Desenvolvimento Cientíco
e Tecnológico (CNPq). Filgueiras é doutor em Ciência Política pelo Instituto Universitário de Pesquisas do Rio de Janeiro
(Iuperj). Entre suas obras, Governance for the Digital World - Nem More State Nem More Market (Palgrave, 2021), com Virgilio
Almeida. Goiânia-GO. E-mail: fernandolgueiras@ufg.br; Lattes: http://lattes.cnpq.br/4348768274838297. ORCID: https://orcid.
org/0000-0001-9570-8113.
3
45
4746
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
qualitativas.
Conclusões: Dos dezoito artigos selecionados para a revisão rápida, seis produzem evidências a
partir simulações computacionais e duas a partir de modelos teóricos; nove discutem o tema em
termos qualitativos e uma o faz empiricamente. As evidências de conluios implícitos decorrentes de
algoritmos de precicação são baseadas em modelos teóricos e de simulação. Há, contudo, carência
de evidências empíricas e associadas a casos julgados por autoridades de concorrência.
Palavras-chave: algoritmo; precicação; conluio implícito; concorrência; evidências.
STRUCTURED ABSTRACT
Context (optional): Pricing algorithms have spread among companies. As a result, researchers and
antitrust authorities are concerned about the impacts on reducing competition.
Objective: Identify whether, in the economic literature, there is evidence of tacit collusion by pricing
algorithms and, thus, contribute to improve public policies for the defense of competition.
Method: This research adopts a rapid literature review on pricing algorithms. Eighteen articles
were selected. They analyze the relationship of these algorithms with implicit collusion based on
theoretical models, computer simulation models, empirical evaluations and qualitative analyses.
Conclusions: Of the eighteen articles selected for rapid review, six produce evidence from computer
simulations and two from theoretical models; nine discuss the issue in qualitative terms and one does
it empirically. The review shows that evidence of implicit collusion arising from pricing algorithms is
based on theoretic and in simulation models. There is a lack of empirical evidence associated with
cases of antitrust judged by competition authorities.
Keywords: algorithm; pricing; implicit collusion; competition; evidence
Classicação JEL: K21.
Sumário: 1. Introdução; 2. Conluio implícito: conceito e o seu enquadramento
na legislação antitruste; 3. Os algoritmos de precicação e sua possível
relação com o conluio implícito; 4. As evidências de impactos dos algoritmos
de precicação no conluio implícito; 4.1. Das evidências a partir de modelos
computacionais; 4.2. Das evidências empíricas; 4.3. Das evidências teóricas;
4.4. Das evidências qualitativas; 5. Implicações para a autoridade antitruste
brasileira; 6. Considerações Finais; 7. Referências.
1. INTRODUÇÃO
Em abril de 2011, dois vendedores independentes anunciaram na Amazon Marketplace o
livro The Making of a Fly por um preço comercial. Em dez dias, o preço de venda de cada exemplar
atingiu US$ 23,7 milhões, muito superior àquele associado à venda de 15 unidades usadas (US$ 35,34).
O surpreendente preço foi explicado pela interação dos algoritmos de precicação de ambos os
vendedores, que teria produzido um feedback positivo innito e, em consequência, provocado uma
espiral de preços.
O fato narrado acima é um alerta sobre os impactos dos algoritmos de precicação na
4746
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
concorrência. Algoritmos têm assumido um lugar central na economia política contemporânea,
uma vez que eles organizam e estruturam o acesso de consumidores a serviços, bens e informação,
conformando uma nova dinâmica de poder nas sociedades contemporâneas (CULPEPPER; THELEN,
2021). Os feedbacks positivos dão origem a um novo processo de institucionalização na economia e
criam diculdades para os formuladores de políticas na regulação dessa nova dinâmica econômica.
Inspirados em Ezrachi e Stucke (2016) e em Mehra (2016), vários estudos foram desenvolvidos
com vistas a discutir os impactos dos algoritmos de precicação na concorrência, dentre os quais o
surgimento de conluios implícitos a partir de decisões autônomas desses algoritmos. Em virtude da
capacidade de aprendizado, essas ferramentas digitais, na resolução da tarefa de maximizar o lucro
das empresas e a partir da lógica de que a recompensa (preços elevados) é incentivada por uma
punição (guerra de preços), deniriam um preço acima daquele que seria o preço concorrencial.
Em geral, o uso e o avanço de algoritmos para resolver diferentes problemas leva em
consideração uma lógica consequencialista, considerando custos e benefícios para que os agentes
tomem uma decisão ou realizem uma ação. A digitalização não segue uma lógica de apropriação do
comportamento dos algoritmos aos requisitos institucionais e normas que organizam a sociedade
(FILGUEIRAS, 2021). Assim, algoritmos implicam novas dinâmicas institucionais, em que eles
transformam vários aspectos da sociedade ao criar novas regras e normas para o funcionamento
da sociedade e ao mudar as instituições existentes em função de inovações que desaam a ordem
social (ALMEIDA; FILGUEIRAS; MENDONÇA, 2022).
A possibilidade de algoritmos de precicação favorecerem ou formarem conluios, explícitos
ou implícitos, traz desaos para as autoridades antitruste, responsáveis pela repressão e pela
prevenção de condutas lesivas à concorrência. Isso porque novos elementos precisam ser agregados
às investigações de conluios e às análises das operações de fusões e aquisições.
Nesse contexto, como forma de contribuir com o aperfeiçoamento da política pública de
defesa da concorrência, o objetivo deste artigo é identicar evidências de conluios implícitos
gerados por algoritmos de precicação. Para tanto, a segunda seção deste estudo discute o conceito
de conluio implícito; a terceira tem como objeto a relação conceitual dos algoritmos de precicação
com o conluio implícito; a quarta seção apresenta as evidências identicadas na literatura sobre a
associação em questão; a quinta seção levanta algumas implicações para a autoridade antitruste
brasileira; a sexta seção expõe as considerações nais.
2. CONLUIO IMPLÍCITO: CONCEITO E O SEU ENQUADRAMENTO NA
LEGISLAÇÃO ANTITRUSTE
Em termos jurídicos, o conluio (ou cartel) exige a comunicação e um acordo entre empresas
que concorrem entre si, em um ambiente no qual essas empresas tentam e usam instrumentos para
disfarçar o arranjo.
Já no âmbito econômico, o conluio é entendido de forma mais ampla, pois está associado à
prática de preços acima do preço concorrencial em decorrência de um comportamento coletivo. Ou
seja, as empresas poderiam praticar um preço acima do preço concorrencial ainda que não tenham
combinado uma estratégia com essa nalidade. Por isso, em economia, os cartéis: (i) explícitos,
nos quais as empresas acordam uma determinada prática empresarial, que podem ser formados
4948
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
a partir de acordos explícitos ou tácitos, e que são equivalentes ao conceito de conluio adotados
por advogados; e (ii) os implícitos, onde o acordo entre as empresas não existe4. Como mencionam
Calvano et al. (2020), citando Harrington (2018), o conluio para os economistas é um esquema de
punição e recompensa, desenhado para incentivar a prática pelas empresas de preços acima do nível
concorrencial5.
Os conluios implícitos são, como mostra Silva (2005), resultantes da dinâmica de interação
entre as empresas no mercado em que atuam. A constante interação entre elas pode levar a um preço
de equilíbrio similar ao preço praticado por um cartel explícito, mesmo sem comunicação mútua.
Para entender essa conclusão, basta considerar a situação hipotética em que apenas duas empresas,
A e B, atuam em um determinado mercado. A empresa A, sem que tenha havido alteração que afete
as suas curvas de oferta e demanda, aumenta o preço em um momento t. Se a rival B acompanha
esse movimento, A permanece com o preço elevado em t+1, ou seja, houve um conluio implícito para
elevar o preço de mercado. Caso contrário, A retorna ao preço de t-1. Qualquer tentativa de uma das
empresas em ganhar mercado por meio da redução de preço terá como consequência uma guerra de
preços, uma forma de punição pelo rompimento do conluio implícito.
Como o conluio explícito é um ilícito, espera-se que as empresas interessadas em distorcer
a concorrência busquem instrumentos capazes de: promover o conluio sem que elas precisem
discutir e acordar a prática com suas rivais, ou seja, instrumentos capazes de acentuar o papel da
interação de mercado como meio de viabilizar e tornar estável o conluio implícito; e descaracterizar
as preocupações do órgão antitruste com os conluios durante a análise de um ato de concentração.
Entra em cena, então, os efeitos potenciais dos algoritmos de precicação.
3. OS ALGORITMOS DE PRECIFICAÇÃO E SUA POSSÍVEL RELAÇÃO COM
O CONLUIO IMPLÍCITO
Hutchinson, Ruchkina e Pavlikov (2021) apontam que, embora não haja consenso, o termo
algoritmo pode ser denido como uma sequência de operações destinadas a executar tarefas ou
resolver problemas6. Nos últimos anos, um progresso notável ocorreu no desenho de algoritmos
(RUSSELL, 2019). O desenvolvimento de algoritmos está associado à evolução da capacidade
computacional e proliferação de big data. Entre os algoritmos, chamam atenção os algoritmos de
aprendizado de máquina. Esses softwares, em vez de especicar regras e rotas passo a passo que os
algoritmos tradicionais seguem, aprendem com exemplos, dados e experiências.
Os algoritmos de aprendizado de máquina fazem parte de uma família de métodos de
inteligência articial (IA), que incluem aprendizado profundo e aprendizado por reforço (KELLEHER,
4 Na economia, o conluio implícito também é denominado de conluio tácito. Neste artigo, optou-se pelo termo
implícito para diferenciar o tipo de conluio na concepção econômica (explícito ou implícito) do tipo de acordo associado ao
conluio na concepção dos advogados (explícito ou tácito). Uma discussão sobre as diferenças entre advogados e economistas
em torno do conceito de conluio pode ser encontrada em Ong (2021) e em Motta (2004).
5 No plano jurídico, os conluios implícitos são sinônimos de paralelismo consciente, paralelismo de conduta e preços
de oligopólio (ZHENG; WU, 2019).
6 O autor atribui tal denição a Knuth (1997). Não se deve confundir algoritmo com sistema algorítmico. Conforme
Almeida, Filgueiras e Mendonça (2022), enquanto o primeiro seria uma descrição abstrata e formal de um procedimento
computacional associado a outras formas computacionais, o segundo envolveria uma combinação de componentes
computacionais e sociais. Essa distinção tem implicações que não serão abordadas neste artigo, tais como a maneira de lidar
com os resultados gerados pelos algoritmos de precicação.
4948
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
2019); eles impulsionam softwares modernos incorporados em assistentes pessoais virtuais, carros
autônomos, mecanismos de recomendação, ferramentas de reconhecimento de imagem e voz e
serviços de tradução de idiomas.
Para o tema tratado neste artigo, o interesse está nos algoritmos voltados à precicação
e baseados em estratégias de aprendizagem de reforço porque eles emulam o que ocorre em um
conluio implícito. Esses softwares resolvem tarefas com base na experiência e que estão associados à
tomada de ações e à interação com um determinado ambiente com vistas a maximizar a recompensa
total. Conforme apontam Assad et al. (2021), a recompensa (manter os preços elevados até ocorrer
uma redução pelos concorrentes), a guerra de preços (para punir o rival que reduziu preços) e o
perdão (elevação de preços) são característica do conluio, a exemplo do exposto na seção anterior.
Ezrachi e Stucke (2016)7 dividem os conluios envolvendo os algoritmos de precicação em
quatro categorias: mensageiro (messenger), hub-and-spoke, agente previsível (predictable agente) e
máquina autônoma (digital eye)8. Na categoria mensageiro, o algoritmo de precicação é usado para
implementar o cartel e suas decisões, como no caso do monitoramento dos preços para identicar
traições. A categoria hub-and-spoke se caracteriza pela existência de uma terceira parte (o algoritmo,
o hub) assumir o papel de vendedor e denidor do preço de vários concorrentes (spoke) que formaram
o cartel. No caso do agente previsível, cada concorrente usa o seu próprio algoritmo para monitorar
os preços no mercado e ajustar os seus preços aos praticados pelos rivais. Por m, na categoria
máquina autônoma, os algoritmos determinam a melhor forma de maximizar o lucro da empresa.
Enquanto as duas primeiras categorias estão associadas aos conluios explícitos, porque envolvem a
existência de um acordo entre as empresas concorrentes, as duas últimas se relacionam aos conluios
implícitos, já que exigem apenas a interação entre as empresas no âmbito do mercado. Os riscos de
conluios associados às duas primeiras categorias já são vericados em situações concretas.
Bernhardt e Dewenter (2020) citam o Caso Topkins, em que varejistas usaram seus algoritmos
para ajustar seus preços em ões coordenadas, permitindo-lhes reagir instantaneamente às
utuações de preços. Trata-se, portanto, de um acordo baseado na coordenação humana e que foi
implementado por algoritmos, usados como mensageiros entre as empresas na xação de preços.
Os autores também relatam um caso similar ocorrido no Reino Unido: a empresa Trod Ltd rmou um
acordo com outro vendedor para manter seus preços em determinados níveis e implementou o cartel
usando um software de precicação.
Šmejkal (2017) menciona uma condenação antitruste envolvendo a categoria hub-and-
spoke. No caso Meyer versus Kalanick, um tribunal de Nova Iorque, Estados Unidos, considerou que
o preço praticado pelo aplicativo Uber era fruto da certeza dos motoristas vinculados ao aplicativo
de que nenhum motorista ofereceria outro preço ao cliente. Em razão disso, o juiz responsável pelo
caso considerou que a Kalanick havia criado um acordo entre o hub (Kalanick-Uber) e os spokes
(motoristas) e um acordo entre os motoristas. Šmejkal (2017) cita ainda outro caso do tipo hub-and-
spoke, julgado na União Europeia: a Eturas, ofertante de software de reservas online às agências de
viagens, as informou que, para “normalizar a concorrência”, tal software limitaria o nível máximo de
descontos oferecidos em 3%.
7 Ezrachi e Stucke (2016) e Mehra (2016) são apontados como pioneiros no estudo dos impactos dos algoritmos de
precicação na concorrência.
8 Klein (2021), Calvano et al. (2019) e Bernhardt e Dewenter (2020) utilizam classicações distintas, mas alinhadas à
categorização de Ezrachi e Stucke (2016).
5150
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
No caso brasileiro, o Grupo de Trabalho em Economia Digital das Autoridades de Concorrência
dos BRICS9 menciona o uso de software para coordenar aumentos de preço e para monitorar o acordo
em três mercados: reservas de bilhetes aéreos por agências de turismo, nos quais as empresas
áreas discutiam os aumentos; serviços prestados pelos Centros de Formação de Condutores (CFC);
fabricação de placas para veículos. Esses casos, todavia, não envolvem algoritmos alcançados pela
denição de Hutchinson, Ruchkina e Pavlikov (2021).
Os órgãos antitruste de vários países se preparam para enfrentar os desaos associados aos
algoritmos de precicação. Hansen, Misra e Pai (2021b) apontam que a Organização para a Cooperação
e Desenvolvimento Econômico (OCDE) emitiu esclarecimentos não vinculativos sobre algoritmos
computacionais e conluios no mercado (OECD, 2017). O’Connor e Wilson (2021) mencionam que a
Autoridade de Concorrência e Mercados do Reino Unido (Competition Market Authority - CMA) divulgou
um white paper descrevendo os fatores de risco associados ao uso de algoritmos de precicação
(CMA, 2018). Assad et al. (2021) citam que a OCDE, um Comissário da Federal Trade Commission (FTC),
a CMA no Reino Unido e as autoridades de concorrência francesas, alemãs e canadenses levantaram
preocupações sobre o risco de conluio em decorrência de algoritmos de precicação. A FTC (SMITH,
2020), inclusive, emitiu orientações sobre o uso de Inteligência Articial em mercados. Por m, Klein
(2021) informa que a Comissão Europeia identica o risco de conluio implícito em decorrência de
algoritmos como um tópico potencial para investigação10.
Como as preocupações com os algoritmos de precicação se disseminam entre autoridades
concorrenciais de diversos países, e visando a contribuir para que a autoridade antitruste brasileira
possa se estruturar para lidar com eventuais casos concretos, é relevante identicar evidências
cientícas relacionadas ao tema já produzidas.
4. AS EVIDÊNCIAS DE IMPACTOS DOS ALGORITMOS DE PRECIFICAÇÃO
NO CONLUIO IMPLÍCITO
Uma forma de identicar evidências de associação entre algoritmos de precicação e conluio
implícito é a realização de uma revisão rápida na literatura11. Conforme Petticrew e Roberts (2006),
trata-se de uma revisão a partir de uma sistematização, realizada dentro de um tempo limitado e
com restrições no escopo da pesquisa12. Gavine et al. (2018) apontam que as conclusões principais
de uma revisão rápida não diferem extensivamente daquelas obtidas por uma revisão sistemática.
Assim, a revisão rápida permite uma indicação segura da direção da literatura sobre determinado
problema cientíco.
As publicações selecionadas para a revisão rápida consistem em artigos que estavam
disponíveis nas bases de periódicos Scopus, Proquest e Jstor na data de 3 de maio de 2022 e que
continham as expressões “algorithmic pricing” e “collusionem seus títulos, resumos ou corpos. Não
9 Grupo de Trabalho em Economia Digital das Autoridades de Concorrência (BRICS, 2019).
10 No Brasil, ainda não há iniciativas de porte semelhante.
11 Gavine et al. (2018) discorrem sobre o uso de revisões da literatura como forma de produzir evidências em políticas
públicas.
12 Gavine et al. (2018) mencionam que não há um consenso em torno da denição de revisão rápida e da metodologia
nela empregada, mas apontam características que lhe são comuns: foco; estratégia de busca menos sosticada, uso apenas
evidências altamente processadas; não inclusão da chamada literatura cinzenta; e omissão ou realização de apenas uma
avaliação básica de qualidade.
5150
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
foi aplicado ltro associado ao ano da publicação.
A Figura 1 demonstra as etapas de seleção dos textos incluídos na revisão rápida.
Figura 1 – Etapas da revisão rápida
Fonte: elaboração própria.
Foram incluídas na revisão rápida as publicações que investigaram a relação entre algoritmos
de precicação e conluios implícitos. A Figura 2 apresenta o prisma da revisão rápida.
Figura 2 – Prisma da revisão rápida
Fonte: elaboração própria.
Conforme ilustra a Figura 2, dos 87 estudos identicados nas bases de periódicos consultadas,
apenas 18, publicados entre 2019 e 202213, foram incluídos na revisão rápida14. Na fase da triagem, foram
eliminados os textos cujos resumos indicavam não haver reexão acerca do papel dos algoritmos de
precicação na formação de conluios implícitos entre empresas; são os casos de publicações que se
propõem enfatizar questões éticas, mecanismos de desing, discriminação de preços e outras práticas
empresariais. Quanto ao critério de elegibilidade e de inclusão na revisão rápida, foi avaliado se a
publicação tem como objetivo discutir a relação entre algoritmos de precicação e conluios implícitos
entre empresas. Nesse contexto, por exemplo, foram excluídas aquelas publicações com ênfase em
possíveis mudanças nos guias destinados às análises de concentração horizontal e nos desaos da
13 O texto mais antigo identicado nas bases de periódicos foi publicado em 2008, mas não atendeu aos critérios para
inclusão na revisão rápida. O mesmo ocorreu com o texto mais antigo que passou por leitura completa, publicado em 2016.
14 A leitura dos textos incluídos na revisão rápida mostrou que há outros anteriores à 2019 potencialmente elegíveis
para uma revisão sistemática, mas que não foram alcançados pela pesquisa realizada neste estudo. Algumas possíveis
explicações para a exclusão de textos dessa natureza: são livros; não estavam nas bases de periódicos consultadas; e não
continham as duas expressões de busca.
5352
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
legislação antitruste frente aos algoritmos de precicação.
Considerando que o objetivo do estudo é identicar evidências da associação entre
algoritmos de precicação e conluios implícitos, eles foram classicados conforme a metodologia
analítica empregada: (i) modelos de simulação computacional; (ii) modelos empíricos; (iii) modelos
teóricos; (iv) análises qualitativas.
O Gráco 1 apresenta os 18 textos incluídos na revisão rápida segundo o tipo de evidência
por eles produzidos.
Gráco 1 – Textos da revisão rápida segundo o tipo de abordagem empregada
Fonte: elaboração própria.
Conforme ilustra o Gráco 1, 9 textos que produzem evidências da associação entre algorit-
mos de precicação e conluio implícitos o fazem a partir de análises qualitativas, 6 a partir de simu-
lações computacionais e 2 a partir de modelos teóricos. Apenas 1 apresenta evidência empírica. É
oportuno esclarecer a classicação de três estudos: Hansen, Misra e Pai (2021b), Assad et al. (2021) e
Thépot (2021). O primeiro, embora envolva uma simulação e um teste empírico, teve foco na simula-
ção, razão pela qual foi classicado como evidência de simulação computacional. O segundo, apesar
de discorrer sobre estudos de simulação e um estudo empírico, foi classicado como empírico por-
que, para efeitos da revisão rápida, o fato novo apresentado é justamente a evidência empírica. Já o
terceiro foi classicado como evidência teórica, mas cita um estudo empírico.
4.1. Das evidências a partir de modelos computacionais
Calvano et al. (2020) estudam o comportamento de algoritmos alimentados por Inteligência
Articial (do tipo Q-learning) em um modelo de oligopólio de competição de preços. De acordo com
os autores, os algoritmos aprendem consistentemente a cobrar preços acima do preço concorrencial
(ainda que inferiores ao preço de monopólio) sem que se comuniquem uns com os outros. Esses
preços são sustentados por estratégias de conluio, com uma fase nita de punição seguida de um
retorno gradual à cooperação. A assimetria entre as empresas não torna o problema de coordenação
mais difícil para os algoritmos, mas simplesmente os leva a coordenar em uma solução que não
alcance o preço de monopólio ou de um cartel explícito. A variabilidade da demanda impede o conluio
entre as empresas, mas não a elimina, e a entrada de uma nova empresa no mercado reduz o lucro
do conluio. Calvano et al. (2020) argumentam que as autoridades antitruste devem ter instrumentos
para testar algoritmos de precicação em ambientes que reproduzam o setor investigado.
5352
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
Hansen, Misra e Pai (2021b), a partir do algoritmo Upper Condence Bound (UCB) tuned,
assumem que (i) as demandas das duas empresas são estáticas, o que evita viés no experimento
decorrente do aprendizado do consumidor quanto à xação de preços pelo algoritmo, e (ii) as
rmas não observam o preço e a quantidade vendida da rival. Os autores concluem que, se o valor
informativo dos experimentos algorítmicos de preços é baixo (o que ocorre com mais ruídos na
demanda), os preços de longo prazo são consistentes com preços concorrenciais; se altos (menos
ruídos na demanda), são acima do preço concorrencial; ou seja, a ausência do ruído aumenta a
correlação entre os preços das empresas. Também foi constatado que os algoritmos que não forçam
correlação nos preços geram preços concorrenciais em todas as congurações de ruído; quando várias
empresas empregam algoritmos idênticos, o aprendizado do algoritmo pode ser focado distante dos
preços concorrenciais, resultando em preços acima do preço concorrencial.
Klein (2021) investiga se algoritmos de precicação com base em Q-learning aprendem
a realizar conluios. O autor promove uma comparação do lucro obtido pelo algoritmo com os
lucros teóricos de concorrência e de cartel e conclui que, quando o número de preços discretos é
limitado, algoritmos Q-learning de empresas concorrentes geralmente se coordenam em equilíbrios
colusivos. A coordenação ocorre mesmo que o algoritmo não se comunique e seja instruído apenas a
maximizar o lucro individual da rma para o qual opera. O algoritmo Q-learning aprende o benefício
de curto prazo de reduzir ligeiramente o mercado de seu concorrente, mas também aprende com
a experimentação o benefício de longo prazo de redenir o declínio gradual de preços com um
grande aumento de preços quando os preços se tornam baixos, ou seja, o algoritmo aprende que a
punição ao rival tem um limite. Klein (2021) observa, contudo, que é necessário melhor compreensão
empírica quanto à aplicação das conclusões de simulações no mundo real e que as investigações de
órgãos antitruste podem contribuir com esse objetivo. Em paralelo, o autor sugere avaliar medidas
regulatórias para enfrentar o conluio autônomo por parte dos algoritmos de precicação, tais como
proibição de rmas atualizarem preços de forma sequencial e de o algoritmo considerar o preço dos
rivais na denição do preço da rma para o qual opera15, e repensar as bases das leis antitrustes, já
que elas exigem prova da comunicação entre rivais para promover a existência do conluio.
Calvano et al. (2021) analisam se algoritmos Q-learning apreendem a formar conluio a partir
de um modelo de oligopólio de Cournot com monitoramento imperfeito. Os autores concluem que
esses algoritmos podem aprender: a formar um conluio em um ambiente com monitoramento
imperfeito sem ter sido instruído a fazê-lo mesmo sem comunicação entre eles, bem como reduzir a
produção para aquém do nível concorrencial para, com isso, aumentar preços e lucros. Os resultados
de conluio podem ser sustentados em ambientes estocásticos, com a ressalva de que o nível de
conluio diminui à medida que os choques de demanda aumentam.
Kastius e Schlosser (2022) estudam o desempenho dos algoritmos de precicação Deep
Q-Networks (DQN) e Soft Actor Critic (SAC) em diferentes modelos de mercado e vericam que o
algoritmo pode identicar qual preço praticado pelas empresas do mercado geram o maior lucro
possível. Com isso, o algoritmo pode punir as empresas rivais se elas não xarem esse preço, o que
é uma característica do conluio implícito.
Sanchez-Cartas e Katsamakas (2022) utilizam um modelo que considera dois algoritmos
de precicação (Q-learning e Particle Swarm Optimization algorithms - PSO), duas rmas e três
15 Essas sugestões aparentam não são triviais e, portanto, exigem análise aprofundada para discutir se são factíveis
de implementação.
5554
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
estruturas de demanda (Logit, Hotelling e linear). Os autores apontam que: o algoritmo Q-learning
tende a denir preços acima do nível concorrencial, o que não signica necessariamente tendência
ao conluio; esses preços dependem da estrutura de mercado, ou seja, não são resultados automáticos
do algoritmo; mudanças no desenho dos algoritmos podem levá-los a denir preços mais próximos
dos concorrenciais; quando as empresas usam algoritmos diferentes, eles podem gerar dispersão de
preços e o preço acima do concorrencial pode ser menor; ao enfrentar um concorrente que não usa
algoritmo, ambos os algoritmos tendem a denir preço acima do concorrencial, mas o concorrente
sem algoritmo tem maior benefício. Diante disso, os autores ponderam que as autoridades antitruste
devem focar suas investigações em mercados oligopolizados, a partir de uma abordagem caso a
caso, o que exige acesso à arquitetura do algoritmo. Ademais, apontam que algoritmos voltados
aos consumidores podem reduzir a capacidade de as empresas denirem preços acima dos preços
concorrenciais.
Um aspecto a ser observado acerca dos modelos utilizados para produzir evidências da
relação entre algoritmos de precicação e conluios implícitos é que, como apontam Gautier, Ashwin
e Van Cleynenbreugel (2020), a quantidade de interações do algoritmo para gerar o resultado de
conluio implícito pode, na prática, inviabilizar esse resultado, ou seja, o tempo de convergência para
um equilíbrio pode ser longo. Calvano et al. (2019) também reconhecem as limitações dos algoritmos,
os quais enfrentariam três obstáculos, estabilidade, adaptação e escalabilidade.
4.2. Das evidências empíricas
Assad et al. (2021) abordam estudos baseados em ferramentas experimentais e em técnicas
empíricas envolvendo os algoritmos de precicação. Um desses estudos é Assad et al. (2020)16, que
constatam que a adoção do algoritmo de precicação no mercado varejista alemão de gasolina
aumentou preços e margens para postos não monopolistas17; para mercados em duopólio, isso
somente ocorreu quando ambos os concorrentes adotaram o algoritmo, o que reforçaria a tese de
que a disseminação dos algoritmos de precicação favorece o conluio implícito. Veljanovski (2022)
relativiza essa evidência empírica, argumentando que o setor de revenda de combustíveis tem
apresentado comportamento cartelizado, de forma que o resultado de Assad et. al. (2021) pode estar
reetindo um cartel que já existiria no setor e não um conluio implícito provocado por algoritmo de
precicação.
Embora não tenha sido classicado nesta revisão rápida como produção de evidência
empírica da associação entre algoritmo de precicação e conluio implícito, cabe abordar nesta
subseção os resultados de uma investigação empírica produzida por Hansen, Misra e Pai (2021b).
Esses autores, além do experimento simulado abordado na subseção 4.1, testaram empiricamente o
modelo que desenvolveram. A partir dos dados usados por Chen, Mislove e Wilson (2016), Hansen,
Misra e Pai (2021b) concluem que os dois maiores vendedores de produtos no sítio eletrônico da
Amazon com menor variação de demanda têm uma correlação mais alta nos preços ao longo do
tempo e preços relativos mais altos em relação a outros vendedores. Esses achados são consistentes
com os resultados da simulação, segundo os quais os mercados com menor ruído têm as correlações
16 Esse texto não foi identicado na busca nas bases de periódicos consultadas provavelmente por se tratar de um
texto para discussão. Contudo, Assad et al. (2021) praticamente reproduzem o estudo de Assad et al. (2020).
17 Postos monopolistas já operam com preço de monopólio. Por isso, o uso de um algoritmo de precicação por um
revendedor monopolista não teria o efeito de induzir ao conluio implícito.
5554
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
mais altas nos preços e níveis mais altos de preços. Como algumas hipóteses do modelo simulado
não foram observadas no estudo empírico, os autores alegam que não é possível armar que a
correlação vericada é explicada unicamente pelo modelo teórico do artigo.
Por m, Thépot (2021) menciona que Brown e MacKay (2021)18 realizam uma análise empírica
dos preços horários de medicamentos para alergia de cinco varejistas online nos Estados Unidos,
cujas estratégias de precicação se davam por algoritmos que operam em tempo real. Os preços dos
medicamentos teriam aumentado nesse período.
4.3. Das evidências teóricas
Thépot (2021) discute como formas implícitas de conluio surgem em um oligopólio de produto
homogêneo, de xação de preços, com retornos decrescentes de escala e onde os algoritmos de
precicação implementam políticas de correspondência. O modelo desenvolvido pelo autor diferencia
o match de preços em queda do macth de preços em elevação e considera que as rmas usam o
mesmo algoritmo de precicação. O autor conclui que os algoritmos levam a uma multiplicidade de
equilíbrios com preços acima do preço concorrencial, além de tornarem os conluios mais viáveis ou
menos instáveis. Por outro lado, os algoritmos de precicação, ao substituírem os intermediários
nas transações, melhoram o bem-estar social se os custos de codicação não forem muito altos e
contribuem para a estabilidade da indústria. Diante do potencial impacto negativo na concorrência,
Thépot (2021) sugere alterações no design dos algoritmos de precicação, de forma a congurar
sistemas de monitoramento que bloqueiam aqueles algoritmos que incorporem mecanismos de
correspondência bidirecional, e nas políticas das plataformas de comércio digital com vistas a
privilegiar ofertantes pioneiros em descontos de preços. Também defende a ênfase nas políticas
antitruste destinadas a reduzir as barreiras à entrada.
Por sua vez, O’Connor e Wilson (2021) desenvolvem um modelo para avaliar como uma
tecnologia que prevê perfeitamente um choque de demanda estocástico negativo altera o caráter e
a sustentabilidade do conluio. O modelo considera que duas rmas estão sujeitas a dois diferentes
tipos de choques de demanda negativos (um previsível e outro imprevisível) e que a sustentabilidade
das estratégias de equilíbrio colusivo depende de as empresas terem acesso a uma tecnologia (no
caso, a Inteligência Articial) que lhes permita prever ou observar perfeitamente um dos choques.
Os autores demonstram que a melhoria exógena na capacidade das empresas em prever a demanda
por meio da Inteligência Articial pode tornar viável o conluio onde anteriormente era insustentável
(porque é possível distinguir a traição do rival de uma queda geral na demanda do mercado); ou
pode tornar o conluio mais lucrativo onde anteriormente já existia (porque permite o melhor preço
de conluio para o contexto do mercado). Por outro lado, o aumento na transparência proporcionado
pelo uso da Inteligência Articial também pode comprometer o conluio onde era possível (porque
facilita que a empresa avalie o melhor momento de romper o cartel implícito); os consumidores
ganham mais com a introdução da Inteligência Articial quando a probabilidade do choque de
demanda agora previsível é grande em relação à probabilidade daquele que ainda não é observável.
4.4. Das evidências qualitativas
18 Esse texto não foi alcançado pela revisão provavelmente por não ter sido publicado como artigo cientíco.
5756
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
A opção por incluir textos que realizam uma análise conceitual, analítica ou interpretativa
sobre os algoritmos de precicação propriamente ditos ou sobre publicações que buscaram
investigar a associação entre esses algoritmos e conluios implícitos19 está assentada em três razões:
as discussões conceituais, analíticas e interpretativas também são formas de produção de evidências,
principalmente em um tema incipiente, como é o caso do objeto deste estudo; possibilidade de
incorporar, ainda que indiretamente, as conclusões de estudos não captados pelos critérios de
identicação adotados nesta revisão rápida; discussão das limitações das evidências produzidas
pelos modelos computacionais, alguma das quais destacadas na subseção 4.1.
Calvano et al. (2019) argumentam que a conclusão de que os algoritmos de aprendizado podem
gerar conluios implícitos, sem serem orientado para tal e sem haver comunicação com concorrentes,
é limitada porque desaos tecnológicos associados à capacidade de processamento de dados
pelos algoritmos, além de eles não incorporarem características complexas da realidade econômica.
Bernhardt e Dewenter (2020) discutem dois cenários em que os algoritmos de precicação
ameaçam a concorrência: quando conspiram por conta própria (conluio algorítmico propriamente
dito)20 e quando são usados para formar um conluio (conluio por código). Os autores armam que
várias condições impedem uma prevalência duradoura do conluio algorítmico e que, na prática, pode
ser difícil estabelecer se os preços criados por algoritmos foram congurados de maneira ilegítima.
Há, ainda, fatores que impedem o conluio algoritmo, tais como a grande quantidade de concorrentes,
a mudança das condições de mercado devido a entradas ou saídas de empresas e, principalmente,
produtos heterogêneos. Portanto, os resultados de conluio são improváveis de ocorrer, que a
capacidade de comunicação dos algoritmos é ainda limitada, além de serem baixas as chances de
duas empresas implantarem algoritmos de precicação compatíveis e capazes de ler um ao outro e
de receber os mesmos dados de entrada.
Gautier, Ashwin e Van Cleynenbreugel (2020) analisam a literatura com vistas a fornecer uma
descrição mais objetiva das capacidades das tecnologias de Inteligência Articial se envolverem em
conluios implícitos. De acordo com o apurado pelos autores: a literatura econômica aponta, inclusive
com experimentos computacionais, que existe risco de conluio implícito por parte dos algoritmos de
preços; não casos comprovados na vida real de conluio implícito algorítmico; é improvável, pelo
menos em um futuro próximo, que algoritmos sosticados de precicação baseados em aprendizado
de máquina sejam implantados em mercados altamente concorrenciais, com um grande número de
produtos diferenciados e baixas barreiras à entrada; a complexidade computacional envolvida na
expansão do uso de algoritmos de precicação é signicativa; o aumento do número de agentes no
mercado torna o ambiente não estacionário21, o que elimina a garantia de que o algoritmo convergirá
para um equilíbrio concorrencial ou colusivo; o tempo de convergência pode ser relativamente
longo e, assim, inviabilizar o conluio implícito; a maioria dos modelos que apontam evidências de
conluio implícito tende a ignorar algumas características e incertezas importantes dos negócios
19 Os textos tratados nesta subseção não são revisões sistemáticas da literatura, embora acabem fazendo uma
compilação de várias publicações.
20 A possibilidade de os algoritmos de precicação gerarem conluios implícitos cunhou a expressão conluio
algorítmico. Embora não seja o foco deste artigo, a diferenciação do conluio algorítmico do conluio implícito, como sugere
Calzolari (2021), pode ser uma forma de tornar ilícito o preço acima do concorrencial denido pelos algoritmos. De certa
forma, essa diferenciação está alinhada ao entendimento de Almeida, Filgueiras e Mendonça (2022) de que algoritmos se
transformaram em instituições.
21 Um ambiente não estacionário é aquele cujas regras de funcionamento (no caso, as políticas das empresas) se
alteram ao longo do tempo.
5756
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
reais. Em virtude disso, modicações signicativas na política antitruste ou nas leis antitruste seriam
prematuras.
Šmejkal (2021) discute os desaos que o crescente uso da Inteligência Articial representam
para a proteção da concorrência, em particular os impactos dos algoritmos que coletam e processam
grandes quantidades de dados para os gatekeepers da Internet. O autor argumenta que: o comércio
online, juntamente com sistemas de Inteligência Articial que detectam instantânea e continuamente
o comportamento de outros participantes do mercado, priva a suposição de incerteza concorrencial
e, logo, facilita o cartel; a literatura e os estudos empíricos sobre as consequências concorrenciais de
maior transparência proporcionada pelos algoritmos mostram elevações nos níveis de preços, mesmo
sem contatos diretos entre empresas; a Inteligência Articial torna possível o conluio implícito entre
um número maior de empresas e com sustentabilidade por um período de tempo mais longo; não
há unanimidade na literatura quanto à possibilidade de as empresas mudarem seu comportamento.
Šmejkal (2021) considera que os danos potenciais podem ser mitigados, pois o monitoramento de
preços por Inteligência Articial permite que compradores encontrem ofertas não envolvidas em
conluio algorítmico ou detectem e denunciem o conluio. Ademais, novos arranjos legais capazes
de punir as empresas pela adoção da conduta podem abalar as condições de sustentabilidade do
conluio22.
Hutchinson, Ruchkina e Pavlikov (2021) avaliam os riscos de conluio associados ao uso de
algoritmos de precicação e discutem se o conceito de “acordo” para ns antitruste precisa ser
revisto. Os autores ponderam que, quanto mais empresas fazem uso de algoritmos que permitem
a comunicação direta e indireta entre os concorrentes, maior a probabilidade de essas empresas
serem consideradas responsáveis por eventuais ilícitos concorrenciais. Além disso, os algoritmos
podem facilitar o conluio por aumentarem a transparência do mercado e a frequência das interações
entre rivais e por eliminarem a necessidade de os concorrentes se comunicarem diretamente uns
com os outros.
Wech e Weck (2021) abordam os paralelos existentes entre os cenários de propriedade
comum de empresas e os algoritmos de precicação. Os autores argumentam que os algoritmos
de precicação facilitam o conluio porque aumentam a transparência e a frequência dos ajustes
de preços. Com isso, o conluio a partir de algoritmos de precicação pode tornar dispensáveis
os acordos explícitos de conluio porque os participantes do conluio podem concordar quanto à
precicação do algoritmo e sua conguração em vez de acordar preços. Os autores observam, ainda,
que a frequência do reajuste de preços pode tornar difícil a obtenção de provas. Nesse contexto, eles
sugerem (i) inversão do ônus da prova em casos de conluios implícitos, de forma que as empresas
demonstrem que o preço cobrado não é excessivo23, e (ii) responsabilização das empresas que usam
algoritmos de precicação.
Matin (2021) pondera que o conluio algoritmo enfrenta desaos técnicos, tais como acesso
a dados privados e públicos, a interação com parceiros adaptativos que também podem estar
aprendendo e a existência de soluções de equilíbrio múltiplas, potencialmente innitas, dentro
dos grandes espaços estratégicos inerentes aos jogos repetidos. Esses obstáculos e a instabilidade
natural dos conluios tornariam improvável esses arranjos na era da Inteligência Articial. Segundo
22 Šmejkal (2021) menciona o Australian Competition and Consumer Act de 2010, segundo o qual as empresas que
lucram com conluio são puníveis, mesmo sem haver evidências de seu comportamento colusivo.
23 Os autores não abordam como seria essa demonstração.
5958
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
o autor, as tentativas do Estado em conter um eventual conluio implícito entre empresas poderiam
reforçar as condições para que ele ocorra. A Inteligência Articial seria uma inovação de mercado,
um dos elementos de um mercado livre, que permite que os preços se tornem mais subjetivos e de
acordo com as preferências dos consumidores.
Hansen, Misra e Pai (2021a) constatam que: a literatura tem mostrado que preços acima do
preço concorrencial são possíveis mesmo que as empresas não observem os preços de suas rivais;
há incerteza quanto aos tipos de mercados que podem ser suscetíveis ao conluio de algoritmo,
embora haja indicação de maior probabilidade em mercados nos quais a demanda é uma função
relativamente previsível dos preços oferecidos ou uma função previsível de informações adicionais
de alta frequência que as empresas podem não ter acesso; remédios antitruste simples, como
garantir que o algoritmo de cada vendedor esteja alheio aos preços dos concorrentes, podem não
ter o efeito desejado; e os algoritmos de precicação podem ser hostis ao conluio bem-sucedido
porque viabilizam preços discriminatórios e personalizados, assim como uma concorrência baseada
em termos de qualidade não relacionados a preços.
Veljanovski (2022), a partir de uma reexão conceitual e da prospecção de evidências
disponibilizadas em outros estudos, conclui que: não evidência concreta de conluio implícito
a partir de algoritmos de preços; os casos antitruste de condenação envolvendo algoritmos de
precicação se referem à facilitação à decisão tomada por humanos em prol do conluio. O autor
argumenta que a possibilidade de conluio a partir de algoritmos é fundamentada em simulações
computacionais baseadas em estruturas de mercado simplicadas e que a viabilidade de um conluio
a partir de algoritmos depende das mesmas condições estruturais de mercado que afetam um conluio
tradicional. Por isso, Veljanovski (2022) sugere a realização de mais estudos para identicar em quais
condições os algoritmos de precicação geram conluios e a consideração das seguintes abordagens
para enfrentar o possível problema: regulação da introdução de algoritmos de precicação ex ante,
nos moldes do arranjo empregado para a comercialização de novos medicamentos24; regulação ex
post, como normalmente a política de defesa da concorrência faz, mas com o uso de normas jurídicas
diferentes das atuais, o que exigiria uma reavaliação da questão controversa da proibição legal do
conluio implícito; e proibição total de preços algorítmicos, o que impediria as eciências geradas
pelos algoritmos de precicação.
A partir dos relatos trazidos pelos estudos abordados nesta subseção, nota-se que, embora
os modelos computacionais e teóricos indiquem a existência de conluio implícito a partir dos
algoritmos de precicação, as evidências qualitativas apontam incertezas quanto a essa associação,
inclusive em virtude das poucas evidências empíricas.
5. IMPLICAÇÕES PARA A AUTORIDADE ANTITRUSTE BRASILEIRA
A disseminação dos algoritmos de precicação desperta receios quanto à formação de
conluios implícitos e à deagração de uma espécie de inação algorítmica. A revisão da literatura
aponta que as evidências de conluios implícitos associados a algoritmos ainda se encontram no
plano teórico e nos modelos de simulação. Há carência de evidências empíricas. Outro aspecto a ser
observado é que a atuação das autoridades antitruste na análise de casos concretos pode colaborar
24 Ou seja, qualquer novo algoritmo de precicação seria testado por uma agência reguladora para vericar se
apresenta uma tendência de conluio como condição para que seu uso seja autorizado.
5958
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
para guiar eventuais medidas por parte do Estado em relação aos algoritmos de precicação. Apesar
disso, existe certo consenso na literatura de que o Estado deve monitorar e atuar preventivamente
no enfrentamento de possíveis conluios implícitos a partir de algoritmos de precicação.
Considerando a importância da atuação preventiva, é pertinente que o Conselho Administrativo
de Defesa Econômica (Cade) ajuste suas análises de condutas e, sobretudo, de atos de concentração25
em casos envolvendo rmas que utilizam algoritmos de precicação, no sentido de investigar se a
presença desses algoritmos pode, de fato, gerar preocupações concorrenciais.
Nas análises de atos de concentração, sugere-se que a autoridade antitruste considere a revisão
do Guia para Análise de Atos de Concentração Horizontal (Guia H) (BRASIL, 2016), especicamente
quanto à análise de probabilidade de atuação coordenada decorrentes de fusões e aquisições. Embora
seja possível incluir algumas das preocupações mencionadas pelos estudos revisados nos itens que
atualmente são abordados pelo Guia H, é desejável, para ns de sinalização e maior segurança
jurídica às empresas26, que o Cade incorpore explicitamente alguns elementos em suas análises de
efeitos coordenados: (i) redução da probabilidade de conluio implícito associado aos algoritmos de
precicação em decorrência da existência e da inuência de algoritmos voltados aos consumidores
que identicam menores preços, da conduta de plataformas de comércio eletrônico recompensarem
com exposição adicional as empresas que cortam preços e da prática da discriminação de preços; (ii)
tipo de algoritmo de precicação usado pelas empresas envolvidas no ato de concentração, que
o risco de conluio é maior se empresas rivais usam o mesmo algoritmo, de forma que uma fusão de
empresas que retire do mercado um algoritmo de precicação pode facilitar a atuação coordenada;
(iii) menor relevância ao critério de as quatro maiores empresas terem mais de 75% do mercado como
indicativo de maior probabilidade de exercício de poder coordenado, uma vez que, na presença de
algoritmos de precicação, esse percentual pode se mostrar superestimado; (iv) maior parcimônia
no uso do papel da assimetria entre empresas como elemento dicultador do conluio; (v) realização,
pelo próprio Cade ou por um trustee, de avaliações nos algoritmos das empresas envolvidas no ato
de concentração, a m de se corroborar ou não a possibilidade desses algoritmos formarem conluios
implícitos; (vi) utilização de medidas mitigadoras dos efeitos potencialmente lesivos à concorrência,
tais como a exigência de as partes contratarem auditorias externas para avaliação do algoritmo de
precicação, a revisão do algoritmo com vistas a impedir que ele aprenda a fazer conluios e a vedação
da atualização sequencial de preços pelos algoritmos.
Visando a reduzir o risco para as empresas em atos de concentração e mesmo em eventuais
investigações para apurar condutas lesivas à concorrência, sugere-se que o Cade crie uma espécie
de guia de boas práticas concorrenciais na utilização de algoritmos de precicação, uma iniciativa
inspirada naquela narrada por Weche e Weck (2021). Segundo esses autores, a Comissão Europeia,
reconhecendo que os problemas estruturais do mercado que não podem ser resolvidos pelos
instrumentos existentes estão dicultando cada vez mais a concorrência, propôs a Digital Markets
Act (DMA), que prevê possibilidades de intervenção nos ecossistemas digitais. O desao, no caso do
guia sugerido, é equilibrar o objetivo de coibir ilícitos com impactos negativos, a exemplo do risco de
inibir inovações que favorecem a concorrência, uma preocupação levantada por Matin (2021)27.
25 Situação em que Cade atua preventivamente.
26 que as empresas teriam algumas diretrizes do que seria um algoritmo de precicação que desperta preocupações
no Cade.
27 Streel e Larouche (2021) discutem a efetividade e os impactos do DMA.
6160
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
Em termos de agenda de pesquisa, são relevantes a realização de estudos empíricos
destinados a investigar a relação entre algoritmos de precicação e conluios implícitos e as
análises que discutam as implicações e a efetividade das sugestões mais intrusivas identicadas
nos artigos incluídos na revisão rápida. Outro campo de estudo é, como sugere Almeida, Filgueiras
e Mendonça (2022), o tratamento dos algoritmos como instituições, o que pode abrir um caminho
para que a sociedade enfrente as várias questões associadas à disseminação de algoritmos no
âmbito empresarial e social. Particularmente para o antitruste, ao tratar os algoritmos como um
instrumentos que moldam as relações sociais e de mercado, essa abordagem pode contribuir
para denir responsabilidades quando os algoritmos levam a resultados nocivos à concorrência,
independente de qual seja a intenção das empresas que o empregam.
6. CONSIDERAÇÕES FINAIS
Algoritmos encaminham mudanças institucionais no funcionamento de mercados. Em
algumas situações, formuladores de políticas são deferentes com o avanço tecnológico, uma vez que
processos de digitalização representam formas essenciais de investimento econômico. A ameaça
de desinvestimento representa custos elevados para a sociedade. Contudo, o poder dos algoritmos
cria novas dinâmicas de mercado organizadas e infundidas algoritmicamente (CULPEPPER; THELEN,
2021). Além desse quadro político e econômico mais amplo, que institucionaliza novas formas de
poder mediadas pelos algoritmos, a tendência é que as regras e as dinâmicas coletivas de ação dos
algoritmos produzam formas de conluios implícitos e explícitos que transformam o mercado e sua
lógica concorrencial.
Assim, este artigo é um passo para dois avanços com relação a uma sociologia e economia
política dos algoritmos. Primeiro, os algoritmos impactam diretamente a sociedade uma vez que eles
originam novas instituições que organizam diversos aspectos da sociedade (ALMEIDA; FILGUEIRAS;
MENDONÇA, 2022). Quando algoritmos promovem conluios, eles atuam como estratégias para
maximização e otimização do lucro por meio da análise de dados e denição de preços. Segundo
os algoritmos impactam o funcionamento das instituições existentes, com consequências para a
atuação de formuladores de políticas. Frente às inovações proporcionadas com algoritmos tomando
decisão e realizando diversas tarefas para a denição de preços, formuladores devem adaptar
mecanismos regulatórios de forma a enfrentar os desaos do mercado contemporâneo. Muitas
das soluções emergentes signicam o uso de algoritmos no processo de regulação, de maneira a
identicar, classicar e resolver problemas regulatórios (YEUNG, 2018; FILGUEIRAS, 2022).
O avanço dos algoritmos na sociedade contemporânea possibilita, portanto, uma ampla
agenda de pesquisa centrada no poder dos algoritmos na sociedade contemporânea e a forma
como eles organizam as escolhas e ações coletivas (ALMEIDA; FILGUEIRAS; MENDONÇA, 2022). Essa
agenda de pesquisa aponta em duas direções. Na dimensão teórica, ela possibilita avanços na teoria
institucional com relação ao poder dos algoritmos. na dimensão empírica, ela demonstra as
implicações práticas dos algoritmos para a sociedade contemporânea.
7. REFERÊNCIAS
ALMEIDA, Virgílio; FILGUEIRAS, Fernando; MENDONÇA, Ricardo Fabrino. Algorithms and institutions:
6160
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
How social sciences can contribute to governance of algorithms? IEEE Internet Computing, [S. l.], v.
26, n. 2, p. 42-46, 2022.
ASSAD, Stephanie et al. Algorithmic Pricing and Competition: Empirical Evidence from the German
Retail Gasoline Market. CESifo Working Paper, [S. l.], n. 8521, 2020. Disponível em: https://bit.
ly/3EPRnBo. Acesso em: 22 out. 2022.
ASSAD, Stephanie et al. Autonomous algorithmic collusion: Economic research and policy implications.
Oxford Review of Economic Policy, [S. l.], v. 37, n. 3, p. 459–478, 2021.
BERNHARDT, Lea; DEWENTER, Ralf. Collusion by code or algorithmic collusion? When pricing algorithms
take over. European Competition Journal, [S. l.], v. 16, n. 2–3, p. 312–342, 2020.
BRASIL. Conselho Administrativo de Defesa Econômica. Guia para análise de atos de concentração
horizontal. Brasília: Conselho Administrativo de Defesa Econômica, 2016.
BRICS IN THE DIGITAL ECONOMY: competition policy in practice: 1st report by the competition authorities
working group on digital economy. Brasília: CADE, 2019. Disponível em: https://bit.ly/3opFw4N. Acesso
em: 19 out. 2022.
BROWN, Zach Y; MACKAY, Alexander. Competition in pricing algorithms. American Economic Journal:
Microeconomics, [S. l.], 2021. No prelo.
CALVANO, Emilio et al. Algorithmic collusion with imperfect monitoring. International Journal of
Industrial Organization, [S. l.], v. 79, p. 1-15, 2021.
CALVANO, Emilio et al. Algorithmic Pricing What Implications for Competition Policy? Review of
Industrial Organization, [S. l.], v. 55, n. 1, p. 155–171, 2019.
CALVANO, Emilio et al. Articial intelligence, algorithmic pricing, and collusion. American Economic
Review, [S. l.], v. 110, n. 10, p. 3267–3297, 2020.
CALZOLARI, Luca. The Misleading Consequences of Comparing Algorithmic and Tacit Collusion:
Tackling Algorithmic Concerted Practices Under Art. 101 TFEU. European Papers: A Journal on Law and
Integration, [S. l.], v. 6, n. 2, p. 1193–1228, 2021.
CHEN, Le; MISLOVE, Alan; WILSON, Christo. An Empirical Analysis of Algorithmic Pricing on Amazon
Marketplace. In: INTERNATIONAL WORLD WIDE WEB CONFERENCE, 25., 2016, Montreal, Canada.
Proceedings [...]. Montreal: International World Wide Web Conference Committee, 2016.
COMPETITION & MARKETS AUTHORITY (CMA). Pricing algorithms Economic working paper on the use of
algorithms to facilitate collusion and personalised pricing. London: Competition & Markets Authority,
2018. Disponível em: https://bit.ly/3XG4Vbu. Acesso em: 12 out. 2022.
CULPEPPER, Pepper D.; THELEN, Kathleen. Are we Amazon Primed? Consumers and politics of platform
power. Comparative Political Studies, [S. l.], v. 53, n. 2, p. 288-318, 2021.
EZRACHI, Ariel; STUCKE, Maurice E. Virtual Competition: The Promise and Perils of the Algorithm-
Driven Economy. Cambridge: Harvard University Press, 2016.
FILGUEIRAS, Fernando. Big data, articial intelligence and the future of regulatory tools. In: HOWLETT,
Michael (ed.). Routledge Handbook on Policy Tools. New York: Routledge, 2022.
FILGUEIRAS, Fernando. New Pythias of public administration: Ambiguity and choice in AI systems as
6362
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
challenges for governance. AI & Society, [S. l.], n. 37, 2021.
GAUTIER, Axel; ASHWIN, Ittoo; VAN CLEYNENBREUGEL, Pieter. AI algorithms, price discrimination and
collusion: a technological, economic and legal perspective. European Journal of Law and Economics,
[S. l.], v. 50, n. 3, p. 405–435, 2020.
GAVINE, Anna et al. Maximising the availability and use of high-quality evidence for policymaking:
collaborative, targeted and efcient evidence reviews.Palgrave Communications, [S. l.], v. 4, n. 5, 2018.
HANSEN, K. T.; MISRA, Kanishka; PAI, Mallesh M. Algorithmic collusion: Supra-competitive prices via
independent algorithms. Marketing Science, [S. l.], v. 40, n. 1, p. 1–12, 2021b.
HANSEN, K. T.; MISRA, Kanishka; PAI, Mallesh M. Collusive Outcomes via Pricing Algorithms. Journal of
European Competition Law and Practice, [S. l.], v. 12, n. 4, p. 334–337, 2021a.
HARRINGTON, Joseph E. Developing Competition Law for Collusion by Autonomous Articial Agents.
Journal of Competition Law and Economics, [S. l.], v. 14, n. 3, p. 331–63, 2018.
HUTCHINSON, Christophe Samuel; RUCHKINA, Gulnara Fliurovna; PAVLIKOV, Sergei Guerasimovich.
Tacit collusion on steroids: The potential risks for competition resulting from the use of algorithm
technology by companies. Sustainability, [S. l.], v. 13, n. 2, p. 1–14, 2021
KASTIUS, Alexander; SCHLOSSER, Rainer. Dynamic pricing under competition using reinforcement
learning. Journal of Revenue and Pricing Management, [S. l.], v. 21, n. 1, p. 50–63, 2022.
KELLEHER, John D. Deep Learning. Cambridge: The MIT Press, 2019.
KLEIN, Timo. Autonomous algorithmic collusion: Q-learning under sequential pricing. RAND Journal of
Economics, [S. l.], v. 52, n. 3, p. 538–558, 2021.
KNUTH, Donald E. The Art of Computer Programming: Volume 1. Fundamental Algorithms. 3. ed.
Boston: Addison-Wesley Professional, 1997.
MATIN, Pedram. Reliability of Regulating Articial Intelligence to Restrain Cartelization: A Libertarian
Approach. Asian Journal of Law and Economics, [S. l.], v. 12, n. 2, p. 149–169, 2021.
MEHRA, Salil K. Antitrust and the Robo-Seller: Competition in the Time of Algorithms. Minnesota Law
Review, [S. l.], v, 100, p. 1323–1375, 2016.
MOTTA, Massimo.Competition policy: theory and practice. New York: Cambridge University Press,
2004.
O’CONNOR, Jason; WILSON, Nathan E. Reduced demand uncertainty and the sustainability of collusion:
How AI could affect competition. Information Economics and Policy, [S. l.], v. 54, 2021.
ONG, Burton. The Applicability of Art. 101 TFEU to Horizontal Algorithmic Pricing Practices: Two
Conceptual Frontiers. IIC International Review of Intellectual Property and Competition Law, [S. l.], v.
52, n. 2, p. 189–211, 2021.
ORGANISATION FOR ECONOMIC CO-OPERATION AND DEVELOPMENT (OECD). Algorithms and Collusion:
Note from the European Union. Paris: OECD, 2017. Disponível em: https://bit.ly/3Vmo1BR. Acesso em:
11 out. 2022.
PETTICREW, Mark; ROBERTS, Helen. Systematic reviews in the social sciences: a practical guide.
Oxford: Blackwell Publishing, 2006.
6362
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios
implícitos: o que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2,
p. 45-63, 2022.
https://doi.org/10.5286/rdc.v10i2.1014
RUSSELL, Stuart. Human compatible: Articial Intelligence and the Problem of Control. New York:
Viking, 2019.
SANCHEZ-CARTAS, J. Manuel; KATSAMAKAS, Evangelos. Articial Intelligence, Algorithmic Competition
and Market Structures. IEEE Access, v. 10, p. 10575–10584, 2022.
SILVA, Rutelly Marques da. Estabilidade de Cartéis Tácitos e Ciclos Econômicos. Revista de Direito da
Concorrência, Brasília, v. 5, n. 1, p. 25-47, 2005.
ŠMEJKAL, Václav. Cartels by robots current antitrust law in search of an answer. InterEULawEast:
Journal for International and European Law, Economics and Market Integrations, [S. l.], v. 4, n. 2, p.
1–18, dez. 2017.
ŠMEJKAL, Václav. Three challenges of articial intelligence for antitrust policy and law. InterEULawEast:
Journal for International and European Law, Economics and Market Integrations, [S. l.], v. 8, n. 2, p.
97–118, 2021.
SMITH, Andrew. Using Articial Intelligence and Algorithms. Federal Trade Commission, 8 abr. 2020.
Disponível em: https://bit.ly/3H07hfz. Acesso em: 15 ago. 2022.
STREEL, Alexandre de; LAROUCHE, Pierre. The European Digital Markets Act: A Revolution Grounded on
Traditions.Journal of European Competition Law & Practice, [S. l.], v. 12, n. 7, p. 542–560, 2021.
THÉPOT, Jacques. Pricing algorithms in oligopoly with decreasing returns. Theory and Decision, [S. l.],
v. 91, n. 4, p. 493–515, 2021.
VELJANOVSKI, Cento. What Do We Now Know about “Machine Collusion. Journal of European
Competition Law and Practice, [S. l.], v. 13, n. 1, p. 47–50, 2022.
WECHE, John; WECK, Thomas. Tacit collusion and the boundaries of competition law: The parallel case
of common ownership and algorithmic pricing. European Competition and Regulatory Law Review,
[S. l.], v. 5, n. 1, p. 4–10, 2021.
YEUNG, Karen. Algorithmic Regulation: A Critical Interrogation. Regulation & Governance, [S. l.], v. 12,
n. 4, 505–523, 2018.
ZHENG, Guan; WU, Hong. Collusive algorithms as mere tools, super-tools or legal persons. Journal of
Competition Law and Economics, [S. l.], v. 15, n. 2–3, p. 123–158, 2019.
COMO CITAR ESTE ARTIGO:
SILVA, Rutelly Marques da; FILGUEIRAS, Fernando. Algoritmos de precicação e conluios implícitos: o
que dizem as evidências? Revista de Defesa da Concorrência, Brasília, v. 10, n. 2, p. 45-63, 2022.