ხელოვნურ ინტელექტში ფარული გარიგება გულისხმობს შეთანხმებულ ქმედებებს ბაზრის იმ მახასიათებლების პირობებში, რომლებიც, როგორც წესი, კომპიუტერულ სისტემებსა თუ ალგორითმებს უკავშირდება. ხელოვნურ ინტელექტში ფარული გარიგება ასევე ეხება იმას, თუ როგორ შეუძლიათ ალგორითმებს ისწავლონ შეთანხმება ადამიანებისგან განსხვავებული გზებით. იდეა მდგომარეობს იმაში, რომ ფასების დადგენისას ან საბაზრო გარემოს შესწავლისას, ალგორითმებმა შესაძლოა ადამიანებისგან განსხვავებული პროცესები გამოიყენონ. საბოლოოდ, ხელოვნურ ინტელექტში ფარული გარიგება გულისხმობს ადამიანებისა და მანქანების კოორდინაციის კვეთას - მაგალითად, როდესაც ბაზრის მონაწილეები იყენებენ კონკურენციის შესაზღუდად შექმნილ ალგორითმს, რამაც შესაძლოა გადამწყვეტი როლი შეასრულოს ფარულ გარიგებაში. ინსტიტუციური განმარტება - ჩანაწერი არ არის.

კონკურენციის ორგანოები სულ უფრო მეტად ინტერესდებიან ხელოვნურ ინტელექტთან დაკავშირებული ფარული გარიგებების სხვადასხვა ასპექტით. რეალური შემთხვევები დღემდე იშვიათია. არაერთმა უწყებამ, მათ შორის აშშ-ის იუსტიციის დეპარტამენტის ანტიმონოპოლიურმა სამმართველომ, საფრანგეთისა და გერმანიის კონკურენციის ორგანოებმა და კანადის კონკურენციის ბიურომ, საჯაროდ განაცხადეს ამ საკითხებზე ფოკუსირების გაზრდის შესახებ, თუმცა ყველა მათგანი გარკვეულ სკეპტიციზმსაც იჩენს.

ხელოვნურ ინტელექტში ფარული გარიგებების კვლევა ჯერ კიდევ საწყის ეტაპზეა. თუ დავუშვებთ, რომ ანტიმონოპოლიური პასუხისმგებლობის მიზნებისთვის შესაძლებელია შეთანხმების არსებობის დასკვნა, ხელოვნური ინტელექტი ფარული გარიგების შექმნის ახალ მექანიზმებს აჩენს. თუმცა, როდესაც ხელოვნური ინტელექტი გამოიყენება სკრინინგის მეშვეობით ფარული გარიგებების გამოსავლენად, მას შეუძლია ამ პრობლემების გადაჭრაში დაგვეხმაროს. ეს განსაკუთრებით ეხება იმ ინდუსტრიებს, რომლებიც სტრუქტურული მიზეზების გამო უფრო მეტად არიან მიდრეკილნი ფარული შეთანხმებებისკენ, ან სადაც ქცევის გარკვეულმა მოდელებმა შესაძლოა უკეთესი შედეგი გამოიღოს ხელოვნური ინტელექტის სკრინინგის ტექნოლოგიაში ინვესტირებით. მთლიანობაში, ლიტერატურა ხელოვნურ ინტელექტში ფარულ გარიგებებზე უფრო მეტად ფოკუსირებულია თეორიულ და პოლიტიკურ არგუმენტებზე, ვიდრე ემპირიულ მონაცემებზე. მიუხედავად ამისა, ხელოვნურ ინტელექტში ფარული გარიგებების შესწავლას დიდი მნიშვნელობა აქვს.

დიდი ხანია მიიჩნევა, რომ ფასების მარტივმა მონიტორინგმა და მათი სწრაფად შეცვლის შესაძლებლობამ შესაძლოა ხელი შეუწყოს ფარულ გარიგებას კომპიუტერების ჩართულობის გარეშეც. თუმცა, ხელოვნური ინტელექტი წარმოადგენს უკიდურეს შემთხვევას, როდესაც ფასებზე დაკვირვება და მათი კორექტირება ხდება რეალურ დროში, იმაზე სწრაფად, ვიდრე ადამიანს შეუძლია. მონაცემების სიმრავლის გამო, შესაძლოა ფარული გარიგება "თვალსაჩინო ადგილას იყოს დამალული" (მაგალითად, კოორდინირებული იყოს საჯარო ინფორმაციის მასიური მოცულობის ფარგლებში ისე, რომ რთული გახდეს გარიგების სიგნალების შემჩნევა), რაც მის გამოვლენას კიდევ უფრო ართულებს.

ადამიანსა და კომპიუტერს შორის ურთიერთქმედებამ შესაძლოა საზიანო შედეგებამდე მიგვიყვანოს; არსებობს მაგალითები, როდესაც ადამიანები ალგორითმებს ფარული გარიგების განზრახვით ან „ცენტრისა და სხივების“ ტიპის შეთქმულების ნაწილად ქმნიდნენ, როგორც ეს აშშ-სა და ევროკავშირში Topkins-ისა და Eturas-ის საქმეებში გამოჩნდა. გარდა ამისა, შეგვიძლია წარმოვიდგინოთ ალგორითმები, რომლებიც დაპროგრამებულია კონკურენტ მოთამაშეებში - იქნება ეს ადამიანები თუ სხვა ალგორითმები - კოოპერაციული ქცევის გამოსაწვევად ან შესასწავლად. მაგალითად, ალგორითმი შეიძლება განზრახ იყოს დაპროგრამებული ბაზრის მაღალი ფასებისკენ წარმართვისთვის ან იმ კომპანიების დასასჯელად, რომლებიც ფასებს ამცირებენ. ასეთ შემთხვევებში, ალგორითმი იმ ადამიანის აგენტია, რომელსაც კონკრეტული ფარული შეთანხმების სურვილი ამოძრავებს.

ასევე არსებობს შეშფოთება, რომ ალგორითმებმა, მაშინაც კი, თუ ისინი პირდაპირ არ არიან დაპროგრამებულნი ფარული გარიგებისთვის, დროთა განმავლობაში შესაძლოა ეს თავად ისწავლონ. აკადემიური ნაშრომები სულ უფრო მეტად სცდება წმინდა თეორიას, სადაც ხელოვნური ინტელექტი, ყოველგვარი წინასწარი ინსტრუქციის გარეშე, საბოლოოდ მაინც ადგენს ზეგაანაკვეთურ ფასებს. მიუხედავად იმისა, რომ ალგორითმებს შეუძლიათ სწავლის სხვადასხვა მეთოდის გამოყენება, ექსპერიმენტული სამუშაოები აჩვენებს, თუ რა ხდება ფასების დადგენისას. Calvano, Calzolari, Denicolò და Pastorello (2020) შეისწავლიან ფარულ გარიგებას ხელოვნური ინტელექტის ალგორითმების მიერ დიფერენცირებული პროდუქტების ლოგიტ-მოდელში. მათ მიერ გამოყენებული ალგორითმები არ არის დაპროგრამებული ფარული შეთანხმებისთვის. ალგორითმები ერთმანეთთან მრავალჯერადად ურთიერთქმედებენ და ამ პროცესის შედეგია ფასები, რომლებიც აღემატება არაკოორდინირებული ქცევის თეორიულ პროგნოზებს. ეს ფარული შეთანხმებები ნარჩუნდება წახალისებისა და დასჯის სქემების გამოყენებით. Klein (2021) ასევე შეისწავლის სტრატეგიებს, რომელთა გამოყენებასაც ალგორითმები სწავლობენ იმ პირობებში, როდესაც ერთგვაროვანი პროდუქტების გამყიდველი კომპანიები რიგრიგობით ცვლიან ფასებს; ავტორი პოულობს ეჯვორტის (Edgeworth) საფასო ციკლებს, რომლებიც ზეგაანაკვეთურ მოგებას უჭერს მხარს.

ჯონსონი, როდსი და ვილდენბისტი (Johnson, Rhodes, and Wildenbeest, 2023) სვამენ კითხვას: შეუძლია თუ არა საცალო ვაჭრობის პლატფორმას, სადაც პროდუქტის ფასებს მესამე მხარის გამყიდველების ალგორითმები ადგენენ, ბაზრის „რეგულირება“ და ფარული გარიგებების წინააღმდეგ ბრძოლა, რითაც გააძლიერებს კონკურენციას ალგორითმებს შორის და შეამცირებს ფასებს. ავტორები ასკვნიან, რომ პლატფორმის მიერ მოთხოვნის მართვის პოლიტიკის სტრატეგიულ გამოყენებას - კერძოდ, დაბალი ფასების წახალისებას მომხმარებელთა მოთხოვნასთან მეტი წვდომით - შეუძლია გავლენა მოახდინოს ალგორითმების სწავლის პროცესზე და, შესაბამისად, მათ საბოლოო საფასო სტრატეგიებზე. ასეთმა პოლიტიკამ შესაძლოა გაართულოს ალგორითმების მიერ ფარული გარიგებების შენარჩუნება, რის შედეგადაც ფასები იკლებს, რაც მომხმარებლისთვის სასარგებლოა. გარკვეულ პირობებში, მსგავსი პოლიტიკა თავად პლატფორმისთვისაც მომგებიანია.

სალსედო (Salcedo, 2015) აჩვენებს, რომ ფარული შეთანხმება შეიძლება მოხდეს მაშინ, როდესაც ალგორითმებს შეუძლიათ კონკურენტი ალგორითმების „დეშიფრაცია“ და როდესაც ალგორითმის შეცვლას დრო სჭირდება. აქ ძირითადი იდეა ისაა, რომ ასეთი პირობები იძლევა საფასო ვალდებულების აღებისა და ამ განზრახვის კომუნიკაციის საშუალებას, რაც ფარულ გარიგებამდე მიდის. აღსანიშნავია, რომ ეს შეთანხმება შეიძლება მოხდეს მაშინაც კი, თუ ფასების ძალიან სწრაფად შეცვლაა შესაძლებელი, რადგან თავად ალგორითმების სტრუქტურამ შესაძლოა შეზღუდოს საფასო გადაწყვეტილებების ტიპები.

ბრაუნი და მაკკეი (Brown and MacKay, 2023) ასევე იკვლევენ, თუ როგორ შეიძლება ალგორითმები ვალდებულების აღების ინსტრუმენტებად იქცნენ. უფრო ზუსტად, ისინი განიხილავენ კომპანიებს, რომლებიც კონკურენციას უწევენ არა უშუალოდ ფასებით, არამედ ალგორითმებით, რომლებიც, თავის მხრივ, შესაძლოა ისეთი დაკვირვებადი მონაცემების ფუნქციას წარმოადგენდნენ, როგორიცაა საბაზრო ფასები. ერთ-ერთი შესაძლებლობით, კომპანიები იყენებენ ამ „ვალდებულების ძალას“ კონკურენციის შესასუსტებლად, რაც ფასების ზრდას იწვევს. ამ იდეასთანაა დაკავშირებული ისიც, რომ თუ ერთი კომპანია მეორეზე უფრო დახვეწილია (იმ გაგებით, რომ უფრო სწრაფად შეუძლია ფასების შეცვლა), ნაკლებად დახვეწილმა კომპანიამ შესაძლოა მოიგოს „საფასო ლიდერის“ როლის შესრულებით. ეს ნიშნავს, რომ ნაკლებად დახვეწილი კომპანია იმაზე მაღალ ფასს ადგენს, ვიდრე სხვა შემთხვევაში დააწესებდა, იმ იმედით, რომ უფრო დახვეწილი კომპანია საკუთარი მაღალი ფასით უპასუხებს. ავტორებს ასევე მოჰყავთ თავიანთი თეორიების დამადასტურებელი გარკვეული ემპირიული მტკიცებულებები.