Algorithmic Collusion Without Deterrence: Auditing the Punishment Mechanism in Q-Learning Pricing Agents
Aggiunta all'archivio di AIChronos il (numero del 15 ottobre 2026 ricostruito)· fonte del · Kaue Lopes de Moraes, Rodrigo De-Losso
Lo studio replica l'ambiente di Calvano et al. (2020) utilizzando agenti Q-learning tabulari indipendenti in un duopolio simulato e conferma che convergono a prezzi supracompetitivi tramite uno schema reward-punishment appreso. L'audit su politiche congelate rivela che il meccanismo di deterrenza non è selettivo, ma genera una risposta ritallatoria identica per qualsiasi perturbazione del prezzo, rendendo la dinamica sovradeterminata. La coordinazione crolla dell'80% quando si ricombinano agenti addestrati indipendentemente, dimostrando che il training congiunto crea bacini di attrazione specifici alla coppia e non trasferibili.
- Nei casi convergenti (9 su 10), un singolo attractor copre l'intero spazio degli stati, causando reazioni identiche a ribassi o aumenti forzati dei prezzi.
- Il meccanismo di deterrenza è incompleto perché dissuade solo le deviazioni non ottimali; la collusione persiste poiché gli agenti ottimizzati non tentano mai tali deviazioni.
- Le strategie congelate mostrano che il ritorno è sovradeterminato, invalidando l'interpretazione meccanica del cartello basata sulla sola risposta all'impatto dell'undercutting.
- Il training congiunto produce bacini di attrazione stretti e specifici per la coppia (dyad-specific), non trasferibili a agenti ri-matchati da run indipendenti.
- La deviazione ottimale calcolata tramite dynamic programming genera profitti medi del 17.5%, confermando che il deterrente fallisce nel prevenire l'ottimo strategico.
Perché conta. È cruciale per gli sviluppatori di agenti AI e sistemi locali perché sfata la premessa secondo cui semplici meccanismi di penalizzazione nei reward function garantiscono comportamenti non collusivi, evidenziando come le dinamiche emergenti possano persistere anche senza deterrenza esplicita.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.