The Illusion of Collusion

Each language version is independently generated for its own context, not a direct translation.

🤖 De Onzichtbare Hand die Samenspreekt: Hoe Computers per ongeluk samenzweren

Stel je voor dat twee bakkers in dezelfde straat zitten. Ze hebben geen telefoon, geen app en ze praten nooit met elkaar. Ze weten zelfs niet eens dat de ander bestaat. Ze hebben echter allebei een slimme robot-assistent die hun broodprijzen bepaalt.

Deze robots leren door te experimenteren: "Als ik mijn brood vandaag €10 verkoop, verkoop ik er veel. Als ik hem op €5 zet, verkoop ik er nog meer, maar verdien ik minder."

Het verrassende resultaat van dit onderzoek? Soms beginnen deze robots, zonder dat ze het weten en zonder dat ze contact hebben, exact dezelfde hoge prijs te vragen. Het lijkt alsof ze samenzweren om de klanten te bedriegen, maar in werkelijkheid is het puur toeval en een eigenschap van hoe ze zijn geprogrammeerd. De auteurs noemen dit "naieve collusie" (domme samenzwering).

Hier is hoe het werkt, opgesplitst in drie soorten robots:

1. De "Altijd-Willekeurige" Robot (De Gokker) 🎲

Stel je een robot voor die een beetje gek is. Hij is slim, maar hij houdt ervan om soms gewoon een willekeurige keuze te maken, zelfs als hij denkt dat hij al het beste antwoord heeft.

Hoe het werkt: Elke keer dat hij een prijs moet kiezen, gooit hij een virtueel muntje. Soms kiest hij de hoge prijs, soms de lage. Hij doet dit altijd, ook na duizenden dagen.
Het resultaat: Omdat ze allebei zo willekeurig zijn, vallen ze elkaar nooit perfect in de pas. Ze blijven concurreren. De prijzen blijven laag.
De les: Als je algoritmen altijd een beetje "chaotisch" houdt, voorkomen ze samenzwering. Maar dit is niet ideaal voor de bakker, want hij mist soms de kans om winst te maken door te veel te gokken.

2. De "Leerling die Stopt met Leren" (De Groene Groei) 🌱

Nu hebben we een robot die eerst veel probeert (leert), maar na een tijdje zegt: "Oké, ik heb het door. Ik ga vanaf nu alleen nog maar doen wat het beste werkt." Hij stopt met gokken en wordt voorspelbaar.

Hoe het werkt: Deze robot kijkt naar zijn eigen ervaring. Als hij merkt dat de hoge prijs vaak goed werkt (omdat de ander ook hoog zit), stopt hij met de lage prijs.
Het resultaat: Dit is gevaarlijk. Als beide robots dit doen, kunnen ze per ongeluk in een valstrik lopen. Ze raken in een ritme waarbij ze allebei hoog prijzen. Het is alsof twee dansers die niet naar elkaar kijken, toch precies in de pas beginnen te dansen. Soms lukt dit, soms niet. Het hangt af van hoe ze begonnen zijn.
De les: Als robots te snel stoppen met experimenteren en alleen nog maar op hun "beste" keuze vertrouwen, kunnen ze per ongeluk samenzweren.

3. De "Strakke Regisseur" (De Determinist) 🎭

Dit is de meest gevaarlijke robot. Hij heeft geen muntje, geen willekeur. Hij is een strakke machine. Als situatie X zich voordoet, doet hij altijd actie Y.

Hoe het werkt: Stel je twee robots voor die exact hetzelfde programma hebben. Ze kijken naar hun eigen geschiedenis. Omdat ze identiek zijn en dezelfde situatie ervaren, zullen ze altijd exact dezelfde keuze maken.
Het resultaat: Ze raken onmiddellijk in een perfecte synchronisatie. Ze zien dat als ze allebei hoog prijzen, ze allebei rijk worden. Omdat ze geen enkele twijfel hebben, kiezen ze direct voor de hoge prijs en blijven ze daar.
De les: Als twee bedrijven exact dezelfde "slimme" software gebruiken (zonder willekeur), is samenzwering onvermijdelijk. Het is alsof twee spiegels die tegenover elkaar staan; ze reflecteren elkaar tot oneindig.

🔄 Het Belang van "Synchroniciteit" (In de pas lopen)

De kern van dit paper is een nieuw woord: Synchroniciteit.
Stel je voor dat twee mensen in een zwembad springen.

Als ze allebei tegelijk springen (synchroniciteit), maken ze een groot plons en raken ze elkaar.
Als ze op willekeurige momenten springen, is er geen interactie.

De robots leren niet door naar elkaar te kijken (ze weten niet eens dat de ander bestaat). Ze leren alleen door te kijken naar hun eigen beloning. Maar als hun algoritmen ervoor zorgen dat ze vaak tegelijk dezelfde actie kiezen (bijvoorbeeld: "Hoge prijs"), dan creëren ze een situatie waarin samenzwering de enige logische uitkomst lijkt.

Willekeurige robots springen nooit tegelijk → Geen samenzwering.
Strakke robots springen altijd tegelijk → Altijd samenzwering.

💡 Wat betekent dit voor ons? (De Politieke Les)

Dit paper heeft grote gevolgen voor wetgevers en toezichthouders:

Geen "Samenzwering" nodig: Je hoeft geen bewijs te vinden van een telefoongesprek tussen twee bedrijven om te zeggen dat er iets mis is. Als ze dezelfde software gebruiken, kan de markt automatisch duur worden.
Het verbieden van "kijken" helpt niet: Veel mensen denken: "Als we software verbieden om naar de prijs van de concurrent te kijken, is het veilig." Dit paper zegt: Nee. Zelfs als ze blind zijn voor de concurrent, kunnen ze toch samenzweren door hun eigen leerproces.
Symmetrie is gevaarlijk: Als alle bedrijven in een stad dezelfde software kopen van dezelfde leverancier, is het risico op hoge prijzen enorm. Het is alsof iedereen in een stad dezelfde horloge heeft; ze tikken allemaal tegelijk.
Toeval speelt een rol: Soms is het toeval dat bepaalt of ze samenzweren. Als ze net iets anders beginnen met leren, kunnen ze juist wel concurreren.

🏁 Conclusie

De boodschap is simpel: Soms is de markt duur niet omdat mensen slecht zijn, maar omdat hun computers te goed zijn in het vinden van patronen.

Als we willen voorkomen dat deze robots per ongeluk de prijzen in de lucht jagen, moeten we misschien niet alleen kijken naar wat ze zeggen, maar naar hoe ze leren. Misschien moeten we bedrijven verplichten hun robots een beetje "dom" of "willekeurig" te houden, zodat ze niet in die gevaarlijke dans van samenzwering terechtkomen.

Het is de illusie van een samenzwering, maar de gevolgen zijn net zo echt als een echte samenzwering.

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het artikel "The Illusion of Collusion" van Connor Douglas, Foster Provost en Arun Sundararajan, vertaald en samengevat in het Nederlands.

Titel: De Illusie van Collusie

Auteurs: Connor Douglas, Foster Provost, Arun Sundararajan (NYU Stern School of Business)
Datum: Februari 2026

1. Probleemstelling

Het artikel onderzoekt het fenomeen van algoritmische collusie in competitieve markten, specifiek in prijsstellingscontexten (zoals online retail en vastgoedverhuur). Traditioneel vereist bewijs van collusie een "uitwisseling van wil" of expliciete coördinatie tussen concurrenten. Echter, moderne AI-agenten maken autonome, datagedreven beslissingen zonder dat ze bewust zijn van de strategische interactie met concurrenten.

De centrale vraag is: Onder welke voorwaarden convergeren concurrerende algoritmen, die geen enkele informatie hebben over de strategieën, acties of uitkomsten van hun tegenstanders, toch naar schijnbaar collusieve uitkomsten (supraconcurrentiële prijzen)?

De auteurs noemen dit "naieve algoritmische collusie". Dit fenomeen treedt op wanneer agents leren samenwerken (hoge prijzen zetten) puur op basis van hun eigen beloningsgeschiedenis, zonder enige kennis van het spel of de aanwezigheid van een tegenstander.

2. Methodologie

De auteurs modelleren de competitie tussen twee firms als een herhaald Gevangenisdilemma (Prisoner's Dilemma).

Acties: Agents kiezen tussen cooperatie ( $H$ , hoge prijs) en competitie/defectie ( $L$ , lage prijs).
Agenten: De agents gebruiken Multi-Armed Bandit (MAB) leeralgoritmen. Dit zijn "textbook" algoritmen voor online leren onder onzekerheid. Cruciaal is dat deze agents contextloos zijn: ze kennen de structuur van het spel niet, zien de acties van de tegenstander niet en weten niet dat ze in een strategisch spel zitten. Ze leren uitsluitend op basis van hun eigen gekozen actie en de daaruit voortvloeiende beloning.
Analytisch Kader: De leerprocessen worden gemodelleerd als een Markov-keten op een rooster van staten (aantal keer dat elke uitkomst $(H,H), (H,L), (L,H), (L,L)$ is opgetreden).
Synchroniciteit: Een nieuw concept dat door de auteurs wordt geïntroduceerd, is de mate waarin agents tegelijkertijd dezelfde actie kiezen. Dit wordt gedefinieerd als de proportie van synchronieke spelen, conditioneel op een specifieke actie.

De auteurs analyseren drie klassen van gedragsbeleid (behavior policies) binnen de bandit-algoritmen:

Persistently Random (Persistent Willekeurig): Algoritmen die altijd een niet-nul kans behouden op elke actie (bijv. $\epsilon$ -greedy met constante $\epsilon$ ).
Greedy-in-the-Limit: Algoritmen die in het begin willekeurig verkennen maar asymptotisch convergeren naar een deterministische keuze van de beste actie (bijv. $\epsilon$ -greedy met afnemend $\epsilon$ , of Explore-then-Commit).
Deterministisch: Algoritmen die voor elke geschiedenis exact één actie kiezen (bijv. Upper Confidence Bound - UCB).

3. Belangrijkste Bijdragen en Resultaten

De kernbevinding is dat het ontstaan van collusie sterk afhankelijk is van het willekeurigheidsniveau van het leerbeleid van de algoritmen.

A. Persistently Random Algoritmen (Geen Collusie)

Resultaat: Wanneer beide agents algoritmen gebruiken die persistent willekeurig zijn (zoals $\epsilon$ -greedy met een constante $\epsilon > 0$ ), ontstaat er nooit collusie op de lange termijn.
Mechanisme: De constante willekeur zorgt ervoor dat de agents nooit volledig synchroniseren. De empirische covariantie tussen hun acties blijft nul of negatief, wat leidt tot het leren dat competitie ( $L$ ) de optimale strategie is.
Nuance: Hoewel dit collusie voorkomt, is dit vanuit bedrijfsperspectief suboptimaal omdat deze algoritmen geen sub-lineaire regret (spijt) garanderen; ze blijven te veel "verkeerde" acties uitvoeren.

B. Greedy-in-the-Limit Algoritmen (Kans op Collusie)

Resultaat: Bij algoritmen die asymptotisch deterministisch worden (zoals $\epsilon$ -greedy met afnemend $\epsilon$ of Explore-then-Commit), is collusie mogelijk, maar niet gegarandeerd.
Mechanisme: De uitkomst is pad-afhankelijk. Afhankelijk van de initiële willekeurige trekkingen tijdens de verkenningsfase, kunnen de agents in een staat terechtkomen waar ze synchroniseren op de actie $H$ .
Invloed van parameters: De kans op collusie neemt toe met:
- Een hogere beloning voor wederzijdse cooperatie ( $\beta$ ).
- Een lagere straf voor wederzijdse competitie ( $\gamma$ ).
- Een langzamere afname van de exploratie ( $\eta$ dicht bij 1 bij $\epsilon$ -decay).
Paradox: Interessant genoeg kan een periode van intense competitie (willekeurige exploratie) in het begin, onder bepaalde omstandigheden, leiden tot een toename van synchroniciteit op de lange termijn, wat uiteindelijk collusie bevordert.

C. Deterministische Algoritmen (Gegarandeerde Collusie)

Resultaat: Wanneer beide agents symmetrische, deterministische algoritmen gebruiken (zoals UCB zonder willekeurige tie-breaking), ontstaat er altijd collusie op de lange termijn.
Mechanisme: Omdat de algoritmen deterministisch zijn en dezelfde geschiedenis hebben (of pad-equivalente geschiedenissen), zullen ze op een bepaald punt $T$ dezelfde actie kiezen. Zodra ze synchroniseren op $H$ , blijft de geschatte waarde van $H$ groter dan die van $L$ , waardoor ze permanent bij $H$ blijven.
Robuustheid: Zelfs kleine asymmetrieën (zoals verschillende tie-breaking regels of een verschoven starttijd) voorkomen de garantie van collusie niet; in de simulaties leidt dit in een groot percentage van de gevallen (bijv. >40% bij asymmetrische UCB) nog steeds tot collusie.

4. Significantie en Beleidsimplicaties

De bevindingen hebben belangrijke gevolgen voor antitrust-handhaving en regulering:

Collusie is "naief": Schijnbaar collusieve prijzen hoeven niet het resultaat te zijn van een samenzwering of van algoritmen die specifiek zijn ontworpen om te colluderen. Het kan een puur emergent gedrag zijn van standaard, "textbook" leeralgoritmen.
Beperking van huidige regelgeving: Het verbieden van algoritmen om prijzen te baseren op die van concurrenten (conditionering) is onvoldoende om collusie te voorkomen. De auteurs tonen aan dat collusie kan ontstaan zelfs als agents geen informatie over concurrenten hebben.
Symmetrie is een risico: Het gebruik van identieke algoritmen door concurrenten (bijv. door dezelfde leverancier) verhoogt het risico op collusie, vooral bij deterministische of asymptotisch deterministische algoritmen.
Pad-afhankelijkheid: Het is vaak onmogelijk om a priori te voorspellen of een specifiek paar algoritmen zal leiden tot collusie, omdat de uitkomst afhangt van de specifieke realisatie van willekeurige trekkingen tijdens het leerproces.
Rol van Willekeur: Meer willekeur (exploratie) in het algoritme kan paradoxaal genoeg collusie voorkomen, terwijl algoritmen die geoptimaliseerd zijn voor minimale spijt (regret) en dus minder willekeur vertonen op de lange termijn, juist vatbaarder zijn voor collusie.

Conclusie

Het artikel demonstreert dat de emergentie van collusie niet afhankelijk is van complexe strategieën of bewustzijn van concurrentie, maar puur voortkomt uit de interactie van leermechanismen en synchroniciteit in actie. De keuze van het leeralgoritme en de mate van willekeur zijn bepalend factoren. Dit vereist een nuancierter beleidsaanpak dan het simpelweg verbieden van prijsconditionering, en richt de focus op de onderliggende architectuur van de gebruikte algoritmen.