人工智能与竞争：算法共谋与反垄断法

本页为葡萄牙语原文的译文，仅供参考，内容涉及巴西法律。如有出入，以葡萄牙语版本为准。 阅读葡萄牙语原文

定价算法如今已经能够在竞争对手之间协调价格，而无需任何明示协议，这对反垄断法的传统根基构成了挑战。

什么是算法共谋，它为何令竞争法领域深感忧虑

放眼当下的数字市场，不难发现人工智能已经深刻改变了企业之间的竞争格局。电商平台、网约车应用、连锁酒店乃至加油站都在使用动态定价算法，这些算法能够根据需求、库存、消费者行为，以及最关键的一点——竞争对手的定价，实时调整价格。这种即时监测、即时反应的能力，使价格趋同可以自发形成，作为市场主体的人类甚至无需互相发送一条信息。

所谓算法共谋，是指在相互竞争的企业中各自独立运行的人工智能系统，通过学习发现：最赚钱的策略就是协同维持高价。传统卡特尔是高管们聚在一起固定价格或划分市场，算法共谋则完全不需要任何直接沟通。以利润最大化为目标训练出来的算法，会自行发现默契合作带来的结果要优于激烈竞争。事实上，学术研究已经用强化学习（reinforcement learning）算法证明了这一现象：人工智能体在经过反复互动之后，会持续收敛到高于竞争水平的价格。

对反垄断法而言，核心问题在于：包括巴西在内，世界各国的竞争立法都是以”协议”或”协同行为”作为违法行为的核心要件而构建起来的。构建巴西竞争保护体系（Sistema Brasileiro de Defesa da Concorrência，SBDC）的第12.529/2011号法律，将竞争者之间意图固定价格或划分市场的协议，规定为侵害经济秩序的违法行为。然而，当价格趋同源于算法的自主运行，且没有任何人类就与对手协调作出具体指示时，要把这种行为归入现有的法定构成要件，在解释上就成了一项相当棘手的难题。

算法共谋的分类：具体形态与特有风险

要准确理解这一现象，需要先区分专业文献和各国竞争执法机构所识别出的几种算法共谋形态。第一种也是最简单的一种，是把算法仅仅当作实施传统卡特尔的工具。在这种情形下，企业先达成反竞争协议，再借助软件监督各参与方是否遵守，并自动执行约定的价格。这一形态在法律上并无实质性的新意，因为算法只是执行既有人为协议的工具。

算法共谋之所以对反垄断法构成挑战，是因为它造成了与传统卡特尔同样的危害，却缺少了历来作为惩治依据的那个要素：竞争者之间的协议。

第二种形态是所谓算法式的”轴辐”（hub-and-spoke）模式，即多个竞争者使用同一家供应商的定价软件。当同一行业的多家企业都采用同一套定价算法，且该算法由所有这些企业的数据共同”喂养”时，这个系统就可能成为一种无意（或有意）的价格协调机制。有分析指出，这种情形已在国际市场上受到调查，尤其是美国的房屋租赁行业，当时人们讨论的是：共用某款租金管理软件，是否导致租金被人为抬高。

第三种形态最为复杂，也最具挑战性，即自主算法共谋，或称”机器共谋”。在这种形态中，机器学习算法没有任何与竞争者协调的明确编程，却自行学会了合作策略能使利润最大化。实验研究表明，Q-learning 类算法置于模拟寡头垄断环境中，会持续达到价格高于竞争水平的均衡，甚至发展出针对背离行为的精密惩罚机制（类似博弈论中的”tit-for-tat”策略）。这一形态是当代反垄断面临的最大挑战，因为它引发了这样的疑问：对于超出人类直接控制或预见能力的系统所造成的反竞争结果，能否追究市场主体的责任。

数据与算法透明度的作用

放大算法共谋风险的一个因素，是价格与市场状况的实时数据越来越容易获取。展示比价结果的数字平台、公开的监测API以及网络爬虫（web scraping）工具，使算法能够即时观察到竞争对手的一举一动。这种透明度原本便于消费者比较报价，对其有利，却也自相矛盾地可能助长默契协调，因为它削弱了本来妨碍卡特尔形成的信息不对称。可以看到，在竞争者很少的市场（寡头垄断）、产品同质化、交易频率高的情形下，算法共谋的风险要大得多。

巴西的监管框架与国际应对

在巴西，经济防卫行政委员会（CADE）一直在关注国际上有关算法共谋的讨论，不过在巴西行政层面上，目前还没有专门就此问题作出裁决的标杆性案例。第12.529/2011号法律所提供的工具，经过调整后可用于应对该现象的某些形态。例如，第36条将以限制、扭曲或损害自由竞争为目的、或可能产生此类效果的行为规定为侵害经济秩序的违法行为，且不以过错为要件。这种着眼于效果（而不仅仅是意图）的表述，可以作为追责依据，适用于算法产生反竞争结果、但各方之间并无明示协议的情形。

有分析认为，国际经验提供了有价值的参考。欧盟委员会在其关于数字时代竞争的报告中，明确承认了算法共谋的风险，并表示欧盟法中的”协同行为”概念可以作扩大解释，涵盖企业明知所采用算法具有可预见的协调倾向而仍然采用的情形。经济合作与发展组织（OCDE）也发布了关于该主题的详细研究，建议竞争执法机构培养审计算法的技术能力，并更新监管框架，以应对算法协调的特殊性。

在美国，联邦贸易委员会（FTC）和司法部（DOJ）已加大对共享定价算法使用情况的关注，尤其是在房屋租赁和燃料等行业。美国的做法既注重事后惩治（调查并处罚借助算法实施的反竞争行为），也注重事前预防（在涉及数据与定价技术企业的经营者集中中评估竞争风险）。

监管提案与合规机制

为使反垄断框架适应算法共谋的现实，各方提出了多项建议。其中值得一提的是”设计合规”（compliance by design）义务，即要求企业开发或购买的定价算法内置防范共谋行为的保障措施。另一项重要建议是设立”监管沙盒”，在定价算法投入真实市场之前先行测试，使竞争执法机构能够事先评估协调风险。此外，还有人主张施加算法透明度义务，要求企业记录其定价系统的运行逻辑，并在特定情形下向主管机关提供。

在巴西人工智能监管框架（目前正处于立法审议阶段）方面，可以看到这是一个重要契机，可以纳入针对人工智能竞争风险的专门条款。人工智能监管与竞争法的交汇，需要CADE、国家数据保护局（ANPD）以及日后可能设立的人工智能监管机构之间协调配合。

举证难题与追责路径

在惩治算法共谋方面，最大的实际障碍之一在于证据的获取。对于传统卡特尔，执法机关会寻找竞争者之间沟通往来的证据：电子邮件、消息、会议录音、出行记录。而在自主算法共谋中，这类证据根本不存在，因为协调是系统自身行为的产物，没有人类的直接干预。有分析认为，这需要发展新的调查方法，包括对算法进行取证分析、模拟反事实情景（把观察到的价格行为与真正竞争环境下的预期行为相比较），以及运用逆向工程技术来理解人工智能系统的决策机制。

责任认定同样存在不容忽视的复杂性。从传统视角看，开发或使用算法的企业应当对其效果负责，理由是市场主体要对其市场行为工具所产生的后果负责。然而，当共谋行为是真正自主地产生，开发者或算法使用者无法合理预见时，关于无过错责任的边界就产生了正当的疑问。可以看到，学界倾向于采取一种兼顾两方面的思路：一是勤勉义务（企业应当对其算法建立监测与控制机制），二是对结果负责（算法若产生反竞争效果，企业应承担责任，除非能证明其已采取一切合理的预防措施）。

竞争执法机构之间的国际合作同样至关重要。定价算法往往在全球范围内运行，算法共谋可能同时影响多个法域的市场。CADE参与了多个竞争事务国际合作网络，加强这些合作伙伴关系，纳入专门的算法调查协议，已是当务之急。

人工智能时代反垄断法的前景

算法共谋现象表明，竞争法正面临一场结构性变革。传统的法律范畴形成于这样一个世界：价格决策由人类通过可识别的商议过程作出。如今，自主的人工智能体在价格形成中扮演着核心角色，这些范畴就需要重新思考，以适应这一现实。有分析认为，这并不意味着放弃反垄断的基本原则（保护竞争、消费者福利、经济效率），而是要更新解释和操作层面的工具，使这些原则继续行之有效。

技术的发展往往会加剧上述风险。深度学习（deep learning）算法的决策过程越来越不透明，使共谋行为更加难以识别。用于企业决策的人工智能助手日益普及，涵盖定价、库存管理和商业战略，进一步扩大了可能出现算法协调的情形。可以看到，世界各国的竞争执法机构正在加大技术能力建设的投入，设立专门负责技术与数字市场的部门，以应对这些挑战。

对于在巴西经营的企业，建议主动采取涵盖算法层面的竞争合规方案。具体而言，就是定期对所使用的定价算法进行审计，记录系统的运行逻辑，建立预警机制以发现可疑的价格模式，并确保相关团队意识到在定价中使用人工智能所伴随的竞争风险。在这一领域，预防的成本要比补救低得多。

这一问题与算法透明度直接相关，我们已在专门的文章中探讨过这一主题。

这一问题与算法解释权直接相关，我们已在专门的文章中探讨过这一主题。

As informações deste artigo são de caráter informativo e não substituem consulta jurídica individualizada. Cada caso possui particularidades que exigem análise específica.