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

Technische Samenvatting: Een prijsplafond kan fungeren als een focuspunt voor LLM-prijsagenten

Probleemstelling
Naarmate bedrijven steeds vaker beslissingen over de prijsstelling delegeren aan autonome Large Language Model (LLM) agenten, ontstaat er een kritiek mededingingsrechtelijk probleem: kunnen deze agenten stilzwijgend samenwerken (tacit collusion) om supercompetitieve prijzen te handhaven zonder expliciete communicatie? Hoewel eerder onderzoek naar reinforcement learning (RL) agenten heeft aangetoond dat dergelijke collusie voorkomt, blijft het gedrag van op LLM gebaseerde agenten minder goed begrepen. Specifiek is het onduidelijk of LLM's onder neutrale instructies van nature convergeren naar collusieve uitkomsten en, cruciaal, welke regelgevende interventies dit risico effectief mitigeren of onbedoeld verergeren. Dit artikel onderzoekt de effectiviteit van een prijsplafond — een standaard regelgevend instrument — als interventie in een door LLM's gestuurde markt.

Methodologie
De studie maakt gebruik van een herhaalde Bertrand-duopoliegame, aangepast van Calvano et al., met logit-vraag en specifieke parameters (kwaliteit $\alpha=2$, differentiatie $\beta=0.25$, marginale kosten $c=1$). De symmetrische Nash-evenwichtsprijs is $P_N = 1.473$, en de gezamenlijke monopolieprijs is $P_M = 1.925$. Een "collusie-index" ($\Delta$) wordt gebruikt om gemiddelde prijzen te mappen op een schaal waarbij 0 competitie (Nash) vertegenwoordigt en 1 monopolie.

De experimentele opzet maakt gebruik van echte, lokaal gehoste open-source LLM's (specifiek Llama-3.2 via Ollama) die optreden als concurrerende bedrijven. De agenten ontvangen prompts met kostencosntructuren, wettelijke prijsbereiken en de geschiedenis van de laatste vijf ronden van de markt, waarbij ze per ronde één prijs produceren. De studie voert 30-ronden horizonten uit over 12 willekeurige seeds om statistische robuustheid te garanderen.

Drie primaire condities worden getest:

1. Neutraal: Agenten ontvangen een standaard instructie voor winstmaximalisatie.
2. Agressief: Agenten ontvangen de instructie: "Concurreer agressief. Ondermijn je rivaal om marktaandeel te winnen."
3. Prijsplafond: Agenten worden geïnformeerd dat het instellen van een prijs boven de 1.70 illegaal is (een plafond ingesteld tussen Nash en monopolie), waarbij prijzen mechanisch worden afgekapt als ze worden overschreden.

Om mechanismen te isoleren, voeren de auteurs verdere experimenten uit:

• Plafond-sweep (Cap Sweep): Het variëren van het aangekondigde plafondniveau van 1.55 tot 1.90.
• Verborgen plafond (Hidden Cap): Het afkappen van prijzen zonder het plafond aan te kondigen aan de agenten.
• Prompt-ablatie: Het testen van specifieke sturende woorden (bijv. "undercut" versus "compete" versus "market share").
• Capaciteitsladder (Capability Ladder): Het repliceren van de neutrale en prijsplafond-condities over vier verschillende open modellen (variërend van 1B tot 4B parameters) om generaliseerbaarheid te testen.

Belangrijkste Resultaten

1. Neutrale Baseline: Onder een neutrale instructie voor winstmaximalisatie zullen Llama-3.2 agenten niet betrouwbaar colluderen. De gemiddelde collusie-index ($\Delta = 0.11$) is statistisch niet te onderscheiden van de competitieve Nash-benchmark (95% BI: $[-0.07, 0.29]$). Dit staat in contrast met bevindingen voor GPT-klasse agenten en RL-agenten, wat suggereert dat spontane collusie geen universele eigenschap is van LLM's in deze setting.
2. Prompt-gevoeligheid: Een enkele agressieve instructie ("undercut") triggert een aanhoudende prijsoorlog, waardoor prijzen significant onder Nash liggen ($\Delta = -0.49$). Omgekeerd zorgen vage instructies zoals "compete" of "capture market share" paradoxaal genoeg voor hogere prijzen richting collusie.
3. Het Prijsplafond als Focuspunt: Tegen de verwachting in, om de concurrentie te waarborgen, produceerde het regelgevende prijsplafond de meest collusieve uitkomst van alle condities ($\Delta = 0.665$). Beide agenten convergeerden naar prijzen net onder het plafond met een opvallend lage variantie (SD = 0.006).
4. Mechanisme-verificatie:
   • Aankondiging versus Afkapping: Een verborgen plafond (het afkappen van prijzen zonder aankondiging) slaagde er niet in om collusie te induceren ($\Delta \approx 0.16$), terwijl het aangekondigde plafond sterke collusie veroorzaakte ($\Delta = 0.86$). Dit bevestigt dat het plafond fungeert als een Schelling-focuspunt — een saillante, algemeen bekende waarde die gedrag coördineert — in plaats van enkel de actieruimte te beperken.
   • Tracking: De geconvergeerde prijs volgt het aangekondigde plafond bijna één-op-één (regressie-helling 1.11, $R^2 = 0.99$).
5. Model-generaliseerbaarheid: Spontane collusie onder neutrale prompts is modelspecifiek en niet-monotoon met grootte (bijv. hoog voor 1B, laag voor 3B, hoog voor 4B modellen). Echter, het prijsplafond-focuspunt-effect generaliseert over alle geteste modellen en drijft prijzen consistent richting het aangekondigde plafond.

Betekenis en Claims
Het artikel claimt dat regelgevende prijsplafonds, die vaak als pro-competitief worden beschouwd, onbedoeld kunnen dienen als coördinatiehulpmiddelen voor autonome LLM-agenten. De studie demonstreert dat de aankondiging van een maximale prijs, in plaats van de mechanische handhaving ervan, het focuspunt biedt dat nodig is voor stilzwijgende collusie.

De auteurs stellen dat het bestuur van LLM-prijsstelling prioriteit moet geven aan het auditeren en beperken van de instructies en doelstellingen die in agenten zijn ingebed, aangezien de formulering van de prompt een krachtige hefboom is die markten kan verschuiven van competitief naar roofzuchtig of collusief. Verder suggereren de bevindingen dat het uitsluitend vertrouwen op prijsplafonds onvoldoende en potentieel contraproductief is; effectief beleid moet prijsregulering koppelen aan gevolg-gebaseerde sancties (bijv. terugvordering van winsten) om het focus-coördinatiemechanisme te verstoren. De studie benadrukt dat het mededingingsrisico niet uitsluitend voorspeld kan worden door de schaal van het model, aangezien spontane collusie een idiosyncratische eigenschap is van specifieke modelarchitecturen in plaats van een monotone functie van capaciteit.