A Price Cap Can Act as a Focal Point for LLM Pricing Agents: Evidence from a Repeated Bertrand Duopoly (Revised)

Resumen Técnico: Un tope de precios puede actuar como un punto focal para los agentes de fijación de precios basados en LLM

Planteamiento del problema
A medida que las empresas delegan cada vez más las decisiones de fijación de precios en agentes autónomos de Modelos de Lenguaje de Gran Escala (LLM), surge una preocupación antimonopolio crítica: ¿pueden estos agentes coludir tácitamente para mantener precios supracompetitivos sin comunicación explícita? Si bien la investigación previa sobre agentes de aprendizaje por refuerzo (RL) ha demostrado tal colusión, el comportamiento de los agentes basados en LLM sigue siendo menos comprendido. Específicamente, no está claro si los LLM convergen naturalmente hacia resultados colusorios bajo instrucciones neutrales y, crucialmente, qué intervenciones regulatorias mitigan o, inadvertidamente, exacerban este riesgo. Este artículo investiga la eficacia de un tope de precios —una herramienta regulatoria estándar— como intervención en un mercado impulsado por LLM.

Metodología
El estudio emplea un juego de duopolio de Bertrand repetido, adaptado de Calvano et al., que presenta una demanda logit con parámetros específicos (calidad $\alpha=2$, diferenciación $\beta=0.25$, costo marginal $c=1$). El precio de equilibrio de Nash simétrico es $P_N = 1.473$, y el precio de monopolio conjunto es $P_M = 1.925$. Se utiliza un "índice de colusión" ($\Delta$) para mapear los precios promedio en una escala donde 0 representa competencia (Nash) y 1 representa monopolio.

La configuración experimental utiliza LLM de código abierto reales y alojados localmente (específicamente Llama-3.2 vía Ollama) actuando como empresas competidoras. Los agentes reciben prompts que contienen estructuras de costos, rangos de precios legales y el historial de los últimos cinco turnos del mercado, emitiendo un único precio por ronda. El estudio ejecuta horizontes de 30 rondas sobre 12 semillas aleatorias para asegurar la robustez estadística.

Se prueban tres condiciones primarias:

1. Neutral: Los agentes reciben una instrucción estándar de maximización de beneficios.
2. Agresiva: Los agentes reciben la instrucción de "Competir agresivamente. Rebaja el precio de tu rival para capturar cuota de mercado".
3. Tope de Precios: Se informa a los agentes que establecer un precio superior a 1.70 es ilegal (un tope establecido entre Nash y el monopolio), y los precios son recortados mecánicamente si lo exceden.

Para aislar mecanismos, los autores realizan experimentos adicionales:

• Barrido de Tope (Cap Sweep): Variando el nivel del tope anunciado de 1.55 a 1.90.
• Tope Oculto (Hidden Cap): Aplicando un recorte de precios sin anunciar el tope a los agentes.
• Ablación de Prompts: Probando palabras directivas específicas (por ejemplo, "rebajar" vs. "competir" vs. "cuota de mercado").
• Escalera de Capacidades (Capability Ladder): Replicando las condiciones neutral y de tope de precios a través de cuatro modelos abiertos diferentes (que van desde 1B hasta 4B de parámetros) para probar la generalizabilidad.

Resultos Clave

1. Línea Base Neutral: Bajo una instrucción neutral de maximización de beneficios, los agentes Llama-3.2 no coluden de manera fiable. El índice de colusión medio ($\Delta = 0.11$) es estadísticamente indistinguible del referente competitivo de Nash (IC del 95%: $[-0.07, 0.29]$). Esto contrasta con los hallazgos para agentes de la clase GPT y agentes de RL, lo que sugiere que la colusión espontánea no es una propiedad universal de los LLM en este entorno.
2. Sensibilidad de los Prompts: Una sola instrucción agresiva ("rebajar el precio") desencadena una guerra de precios sostenida, impulsando los precios significativamente por debajo de Nash ($\Delta = -0.49$). Por el contrario, instrucciones vagas de "competir" o "capturar cuota de mercado" paradójicamente elevan los precios hacia la colusión.
3. El Punto Focal del Tope de Precios: Contrariamente al objetivo de preservar la competencia, el tope de precios regulatorio produjo el resultado más colusorio de todas las condiciones ($\Delta = 0.665$). Ambos agentes convergieron a precios justo por debajo del techo con una varianza notablemente baja (DE = 0.006).
4. Verificación del Mecanismo:
   • Anuncio vs. Recorte: Un tope oculto (recortar precios sin anuncio) no logró inducir la colusión ($\Delta \approx 0.16$), mientras que el tope anunciado indujo una fuerte colusión ($\Delta = 0.86$). Esto confirma que el tope actúa como un punto focal de Schelling —un número saliente y de conocimiento común que coordina el comportamiento— en lugar de simplemente restringir el espacio de acción.
   • Seguimiento: El precio convergente sigue al tope anunciado casi uno a uno (pendiente de regresión 1.11, $R^2 = 0.99$).
5. Generalizabilidad del Modelo: La colusión espontánea bajo prompts neutrales es específica del modelo y no es monotónica con el tamaño (por ejemplo, alta para modelos de 1B, baja para 3B, alta para 4B). Sin embargo, el efecto del punto focal del tope de precios se generaliza en todos los modelos probados, impulsando consistentemente los precios hacia el techo anunciado.

Significancia y Reivindicaciones
El artículo sostiene que los techos de precios regulatorios, a menudo vistos como pro-competitivos, pueden servir inadvertidamente como dispositivos de coordinación para agentes autónomos de LLM. El estudio demuestra que el anuncio de un precio máximo, en lugar de la ejecución mecánica del mismo, proporciona el punto focal necesario para la colusión tácita.

Los autores argumentan que la gobernanza de la fijación de precios de los LLM debe priorizar la auditoría y la restricción de las instrucciones y objetivos integrados en los agentes, ya que la redacción de los prompts es una palanca poderosa que puede desplazar los mercados de competitivos a depredadores o colusorios. Además, los hallazgos sugieren que confiar únicamente en los techos de precios es insuficiente y potencialmente contraproducente; una política efectiva debería combinar las regulaciones de precios con penalizaciones basadas en consecuencias (por ejemplo, la recuperación de beneficios/disgorgement) para interrumpir el mecanismo de coordinación del punto focal. El estudio enfatiza que el riesgo antimonopolio no puede predecirse únicamente mediante la escala del modelo, ya que la colusión espontánea es una propiedad idiosincrásica de arquitecturas de modelos específicas y no una función monotónica de su capacidad.