Dalam skenario hipotetis yang melibatkan dua penjual widget, pelanggan tertarik pada harga terendah, mendorong persaingan. Namun, jika para pedagang secara diam-diam setuju untuk menaikkan harga, mereka berdua dapat mendapatkan keuntungan finansial. Praktik ini, yang dikenal sebagai kolusi, adalah ilegal, dan secara historis, undang-undang di AS dirancang untuk mencegah kesepakatan semacam itu demi menjaga harga yang adil. Saat ini, situasinya lebih kompleks karena banyak penjual menggunakan algoritma pembelajaran yang menyesuaikan harga berdasarkan data pasar. Algoritma ini, meskipun lebih sederhana daripada model AI canggih, dapat menunjukkan perilaku yang tidak terduga.
Regulator menghadapi tantangan dalam memastikan harga yang adil melalui algoritma, karena metode tradisional berfokus pada kolusi eksplisit, yang tidak berlaku di sini. Aaron Roth, seorang ilmuwan komputer di Universitas Pennsylvania, mencatat bahwa algoritma tidak berinteraksi dengan cara yang sama seperti manusia. Sebuah studi signifikan dari tahun 2019 menunjukkan bahwa algoritma dapat belajar untuk berkolusi secara implisit, bahkan tanpa pemrograman langsung untuk perilaku semacam itu. Dalam eksperimen, dua algoritma pembelajaran belajar untuk membalas pemotongan harga, yang mengakibatkan harga yang lebih tinggi karena ancaman perang harga.
Sebuah makalah terbaru oleh Roth dan rekan-rekannya lebih jauh mengeksplorasi implikasi penetapan harga algoritmik, mengungkapkan bahwa bahkan algoritma yang dirancang untuk mengoptimalkan keuntungan dapat mengarah pada hasil yang tidak menguntungkan bagi konsumen. Natalie Collina, salah satu penulis studi, menekankan bahwa harga tinggi dapat muncul dari perilaku algoritmik yang tampaknya wajar, mempersulit pengawasan regulasi. Mallesh Pai, seorang ekonom, menunjukkan bahwa tanpa ancaman atau kesepakatan yang jelas, regulator kesulitan untuk mengidentifikasi kapan harga tidak dapat dibenarkan tinggi.
Penelitian ini menggunakan teori permainan untuk menganalisis penetapan harga algoritmik, dengan tujuan untuk memahami bagaimana kolusi dapat direplikasi dalam lingkungan yang terkontrol. Joseph Harrington, seorang ekonom, menyoroti tujuan menciptakan dan membongkar kolusi dalam pengaturan laboratorium. Studi ini menggambarkan bahwa algoritma pembelajaran dapat menyesuaikan strategi berdasarkan interaksi sebelumnya, yang mengarah pada keadaan keseimbangan di mana tidak ada pemain yang memiliki insentif untuk mengubah pendekatan mereka.
Seiring kemajuan studi, para peneliti sedang menyelidiki bagaimana strategi yang tidak responsif dapat mempengaruhi dinamika harga. Secara mengejutkan, strategi ini dapat mengarah pada harga yang lebih tinggi, bahkan ketika mereka tidak tampak mengancam. Temuan ini menimbulkan pertanyaan tentang efektivitas kerangka regulasi saat ini dalam menangani masalah penetapan harga algoritmik. Roth mengakui kompleksitas situasi ini, menyarankan bahwa meskipun melarang algoritma tertentu mungkin tidak layak, memahami implikasinya sangat penting untuk regulasi di masa depan.