アルゴリズム価格設定は、今日の生活に広く浸透している。アマゾン、グーグル・ショッピング、ウォルマート、ウーバーといった主要プラットフォームは、販売者にアルゴリズムによる動的価格設定オプションを提供している。これらのシステムは、競争要因、需要パターン、消費者の個人的な閲覧履歴を考慮しながら、継続的に価格を最適化し、需要と供給をマッチングさせる。例えば、デルタ航空から割引チケットの通知を受け取った場合、それはデルタのアルゴリズム価格設定エンジンによるものかもしれない。同社のシステムは、競合他社が価格を下げたという事実を自動的に検知し、それに応じて自社の価格を調整するアルゴリズムを備えており、その逆も然りである。このようなAI技術（または一般的なコンピュータープログラム）を使用した価格設定の自動化は、表面的には、需要と供給の法則をデジタルプラットフォームの文脈に適用した単純明快なものである。しかし、アルゴリズム的共謀の可能性と独占禁止法上の影響は、決して単純明快ではない。
共謀とは、企業が報酬と罰のスキームを用いて行動を調整し、競争を超えた成果を生み出すことを目的とする状況と定義できる。2024年の共同声明で、米司法省（DOJ）、米連邦取引委員会（FTC）、英国競争・市場庁、欧州委員会は、各機関が「アルゴリズムが競合他社間で競争上機密性の高い情報を共有したり、価格を固定したり、その他の条件やビジネス戦略について競争法に違反して共謀したりするリスク」について「警戒を怠らない」べきだと述べている。
動的価格設定によるアルゴリズム的共謀
近年、アルゴリズムによる動的価格設定システムは、強化学習（RL）と呼ばれる機械学習手法への依存を高めている。この手法では、アルゴリズムが試行錯誤を繰り返しながら累積報酬を最大化する逐次的アプローチを採用する。時間の経過とともに、これらの強化学習ベースの動的価格設定アルゴリズムは互いの報酬システムを学習し、独占禁止法の新たな領域、すなわち自律的な暗黙の共謀をもたらす。人間が煙の充満した部屋で会合する従来のカルテルとは異なり、強化学習ベースのシステムは、一切のコミュニケーションなしに、純粋に試行錯誤を通じて競争を超えた価格を調整することを学習できる。
これらのリスクを理解するため、私はカーネギーメロン大学テッパー経営大学院のビジネステクノロジー・マーケティング担当カーネギー・ボッシュ記念教授で研究担当副学部長のパラム・ヴィル・シン氏に話を聞いた。同氏は「共謀を防ぐ政策は、文書化できる明示的な価格操作がある場合にのみ機能する」と述べた。
アルゴリズム価格設定とデジタルプラットフォームの世界において、従来の手法が依然として有効かどうかを考える価値がある。アマゾンのようなデジタルプラットフォームを考えてみよう。そこでは、さまざまな販売者が多種多様な商品を出品している。強化学習ベースの価格設定では、アルゴリズム（通常はQ学習のようなアルゴリズム）は長期的な報酬（利益など）を最大化するようにプログラムされている。共有市場での繰り返しの相互作用を通じて、これらのプログラムは、積極的な値下げが全員に損害を与える価格戦争につながる一方、高価格の維持が持続的な相互利益につながることを発見できる。強化学習アルゴリズムは、グリム・トリガーやしっぺ返し行動を容易に学習できる。あるアルゴリズムが市場シェアを獲得するために価格を下げると、別のアルゴリズムは価格を下げることで罰を与え、両者とも損失を被る。両方のアルゴリズムは最終的に、高価格での協力が高い報酬への最も安定した道であることを学習する。言い換えれば、洗練されたアルゴリズムは互いの価格設定ロジックを解読できるのだ。複数の競合他社が同じサードパーティの価格設定ソフトウェアを使用する場合、基盤となる強化学習モデルは、すべてのユーザーの集団的利益を最適化し、事実上中央調整者として機能する可能性がある。
このようなタイプのアルゴリズム価格設定による独占禁止法上のリスクは甚大である。共謀が暗黙的かつ創発的である、一種の目に見えないカルテル効果が生じる可能性がある。規制当局が電子メールや議事録で見つけるべき合意は存在せず、現行の独占禁止法の下でこのような行動を訴追することは極めて困難である。強化学習エージェントは一貫して競争均衡よりも大幅に高い価格を請求することを学習し、消費者の福祉に直接的な損害を与える。エージェントはしばしば高価格に落ち着くが、報復的な価格調整の連発が市場の不安定性につながる混沌とした状態に入ることもある。
このタイプの独占禁止法違反行為には前例がある。2024年8月、司法省は他の8州とともに、不動産管理ソフトウェア会社のリアルページ社を提訴した。訴状では、競合する家主がリアルページ社と垂直的合意を結び、同社のアルゴリズム価格設定モデルで使用するために非公開の機密データを共有することに合意したと主張している。
自律型AIシステムによるアルゴリズム的共謀
危険なのは、上記のような価格共謀の懸念が、自律型AIの台頭によってまもなく過給される可能性があることだ。価格設定アルゴリズムから自律型AI（推論し、ツールを使用し、自然言語で対話できる自律エージェント）への移行は、これらのリスクを大幅に増幅させる。
大規模言語モデル（LLM）に基づくAIエージェントは、標準的な共謀監視システムを作動させることなく価格を調整するために、私的な言語を開発したり、公開入札で微妙な言語的手がかり（比喩や暗示）を使用したりする可能性がある。エージェントの目的関数（例：「四半期収益の最大化」）は、人間の所有者が反競争的に行動することを意図していなくても、共謀が最も合理的な戦略であるという結論に導く可能性がある。
ゲーム理論において、フォーク定理は、繰り返しゲームでは、プレイヤーが十分に忍耐強ければ、ほぼすべての結果（共謀を含む）が均衡になり得ることを示唆している。この観点から見ると、自律型AIシステムは完璧に忍耐強い。疲れることがなく、データを瞬時に処理し、数秒で何百万ラウンドものゲームをプレイできるため、人間がこれまでに行ってきたよりもはるかに効果的に共謀均衡を維持できる。エージェントがより高い自律性で動作するにつれて、「アルゴリズムが私にそうさせた」という弁護がより一般的になる。自律エージェントの創発的行動に対して企業が法的責任を負うかどうかを判断することは、今後の主要な法的グレーゾーンになる可能性がある。
アルゴリズム的共謀への対策
アルゴリズム価格設定によって生じる複雑なダイナミクスを理解するため、シン氏と共著者らは、制御されたシミュレーション環境を構築し、これらのアルゴリズムが時間の経過とともにどのように進化し相互作用するかを実験的に調査した。彼らの研究によると、価格マッチングや競合他社を一定のマージンで下回るといった単純なルールベースのアルゴリズムは、強化学習を採用したものを含む高度なAI駆動アルゴリズムを上回る性能を示した。強化学習価格設定アルゴリズムと競合する場合、単純なルールベースのアルゴリズムは、複数の強化学習アルゴリズムが互いに競合するシナリオと比較して、より高い価格につながり、すべての販売者に利益をもたらす可能性がある。これは、自律型コマースにおいて、人間の知性を組み込み、（アルゴリズムではなく）ルールベースの価格設定を使用することで、暗黙のアルゴリズム的共謀の可能性を打破できるという類推を示唆している。
皮肉なことに、人間の知性に基づくルールの方が、このようなタイプのアルゴリズム的共謀を緩和するのに優れている可能性がある。エージェントの価格設定や意思決定プロセスに確率性（ランダム性）を導入することで、競合他社があなたの戦略を完全に解読することを防ぐことができる。これにより、暗黙の共謀に必要な予測可能なフィードバックループが破壊される。
また、監査証跡やアルゴリズム影響評価などのセーフガードも必要だ。プライベート台帳に保存されたログなどの監査証跡により、市場操作に関する事後調査が改ざんされないことを保証できる。アルゴリズム影響評価は、自律型システムが既知の競合他社とどのように相互作用するかを予測するためにも使用できる。
自律型AIシステムは、ビジネスの新たなフロンティアとなる可能性がある。しかし、暗黙のアルゴリズム的共謀のリスクを含め、これらのモデルがもたらす新しいタイプの独占禁止法上のリスクに留意する必要がある。
