1. Εισαγωγή
Η τεχνητή νοημοσύνη δεν ανήκει πια στη σφαίρα της επιστημονικής φαντασίας. Είναι ο αόρατος αλγόριθμος πίσω από τις τιμές που βλέπεις στην οθόνη σου, πίσω από τα προϊόντα και τις υπηρεσίες που σου προτείνονται, ακόμα και πίσω από το πότε και πώς θα σου παρουσιαστεί μια προσφορά. Καθοδηγεί, προβλέπει, επηρεάζει, χωρίς να το αντιλαμβάνεσαι.
Έχεις παρατηρήσει ποτέ ότι όσο περισσότερο ψάχνεις για ένα αεροπορικό εισιτήριο, τόσο ανεβαίνει η τιμή του; Δεν είναι τυχαίο. Ο αλγόριθμος έχει ήδη «διαβάσει» τη συμπεριφορά σου, έχει καταγράψει το ενδιαφέρον σου και προσαρμόζει την τιμή σε πραγματικό χρόνο, όχι απαραίτητα προς όφελός σου. Το ερώτημα, όμως, είναι ουσιαστικό: πού τελειώνει η ευφυής επιχειρηματική στρατηγική και πού αρχίζει η αθέμιτη εμπορική πρακτική;
Το παρόν άρθρο ξεκινά με την παρουσίαση του θεωρητικού και τεχνολογικού πλαισίου της τεχνητής νοημοσύνης, αναδεικνύοντας τον τρόπο με τον οποίο αυτή ενσωματώνεται στις σύγχρονες επιχειρηματικές πρακτικές. Ειδική αναφορά γίνεται στις βασικές κατηγορίες αλγορίθμων τιμολόγησης που χρησιμοποιούνται σήμερα. Στη συνέχεια, εξετάζονται τα οφέλη που απορρέουν από τη χρήση τεχνητής νοημοσύνης στον ανταγωνισμό, τόσο από την πλευρά της προσφοράς όσο και της ζήτησης.
Επίσης, αναλύονται οι προκλήσεις που ανακύπτουν σε σχέση με την εφαρμογή των κανόνων του Δικαίου του Ανταγωνισμού. Συγκεκριμένα, εξετάζεται η εφαρμογή του Άρθρου 101 ΣΛΕΕ υπό το πρίσμα των αντιανταγωνιστικών συμπράξεων μέσω τεχνητής νοημοσύνης, με έμφαση στη σιωπηρή αλγοριθμική συμπαιγνία, σε αντιδιαστολή προς τις κλασικές μορφές σύμπραξης. Ακολούθως, αναλύεται η εφαρμογή του Άρθρου 102 ΣΛΕΕ, διερευνώντας πώς η συγκέντρωση και η εκμετάλλευση των μεγάλων δεδομένων (Big Data) από επιχειρήσεις με δεσπόζουσα θέση μπορεί να οδηγήσει σε πρακτικές αυτοπροτίμησης (self-preferencing) και καταχρηστικού αποκλεισμού ανταγωνιστών (foreclosure).
Στο τελευταίο μέρος, παρουσιάζεται ο νέος Κανονισμός (ΕΕ) 2024/1689 για την Τεχνητή Νοημοσύνη (AI Act). Εξετάζονται οι κατηγορίες τεχνητής νοημοσύνης που ρυθμίζονται, οι βασικές ρυθμιστικές αρχές και υποχρεώσεις που επιβάλλονται, καθώς και οι συνέπειες για το δίκαιο του ανταγωνισμού και τη λειτουργία των ψηφιακών αγορών.
Συνοψίζοντας, στόχος του άρθρου δεν είναι απλώς να αποτυπώσει τη σύνθετη σχέση μεταξύ τεχνητής νοημοσύνης και ανταγωνισμού, αλλά και να αξιολογήσει την καταλληλότητα και επάρκεια του ισχύοντος νομικού πλαισίου, συμπεριλαμβανομένου του AI Act, στην αντιμετώπιση των καινοφανών πρακτικών στρέλβσησης του ανταγωνισμού στην αγορά.
Σε μια εποχή όπου οι αλγόριθμοι μετατρέπονται σε σιωπηλούς ρυθμιστές των αγορών, το κρίσιμο ερώτημα είναι πιο επίκαιρο από ποτέ:
Μπορεί η Ευρωπαϊκή Ένωση να διασφαλίσει την απαραίτητη ισορροπία μεταξύ καινοτομίας, διαφάνειας και θεμιτού ανταγωνισμού;
2. Θεωρητικό και Τεχνολογικό Πλαίσιο της Τεχνητής Νοημοσύνης
Τι ακριβώς είναι η τεχνητή νοημοσύνη (στο εξής «ΤΝ»); Αν θέσουμε το ερώτημα σε έναν νομικό, έναν επιστήμονα πληροφορικής ή έναν πολιτικό, οι απαντήσεις θα διαφέρουν, ενίοτε ριζικά. Ο κοινός παρονομαστής, όμως, είναι ότι η ΤΝ αναφέρεται σε τεχνολογίες που επιχειρούν να μιμηθούν ή να αναπαράγουν πτυχές της ανθρώπινης νοημοσύνης, επιτελώντας λειτουργίες όπως η μάθηση από δεδομένα (learning), η πρόβλεψη γεγονότων ή συμπεριφορών (prediction) και η λήψη αποφάσεων συχνά χωρίς άμεση ανθρώπινη παρέμβαση (decision-making).
Η ανάγκη για έναν ενιαίο ορισμό και κανονιστικό πλαίσιο εντός της ΕΕ οδήγησε στην υιοθέτηση του Κανονισμού (ΕΕ) 2024/1689 για την ΤΝ (στο εξής «Κανονισμός» ή «AI Act»). Σύμφωνα με το Άρθρο 3(1) του Κανονισμού, η Τεχνητή Νοημοσύνη ορίζεται ως εξής:
«Μηχανικό σύστημα που έχει σχεδιαστεί για να λειτουργεί με διαφορετικά επίπεδα αυτονομίας και μπορεί να παρουσιάζει προσαρμοστικότητα μετά την εφαρμογή του και το οποίο, για ρητούς ή σιωπηρούς στόχους, συνάγει, από τα στοιχεία εισόδου που λαμβάνει, πώς να παράγει στοιχεία εξόδου, όπως προβλέψεις, περιεχόμενο, συστάσεις ή αποφάσεις που μπορούν να επηρεάσουν υλικά ή εικονικά περιβάλλοντα» (Άρθρο 3(1)).[i]
Αυτός ο λειτουργικός ορισμός ενσωματώνει τα τρία βασικά χαρακτηριστικά των συστημάτων ΤΝ:
- Αυτονομία, δηλαδή ικανότητα λειτουργίας χωρίς συνεχή ανθρώπινη παρέμβαση ή εποπτεία,
- Προσαρμοστικότητα, δηλαδή δυνατότητα του συστήματος να αυτοβελτιώνεται και να προσαρμόζεται μετά την ανάπτυξή του, και
- Ικανότητα επιρροής στο περιβάλλον, δηλαδή δυνατότητα του συστήματος να επηρεάζει τα υλικά ή άυλα (ψηφιακά) περιβάλλοντα μέσω των αποτελεσμάτων του (π.χ. συστάσεις, αποφάσεις, προβλέψεις).
Με πιο απλά λόγια, η ΤΝ δεν είναι ένα ενιαίο εργαλείο, αλλά ένα σύνολο τεχνολογιών και μεθόδων που επιτρέπουν σε μηχανές και συστήματα με τη δυνατότητα να «σκέφτονται», να «μαθαίνουν» και να «αποφασίζουν». Αυτή η τεχνολογική εξέλιξη δημιουργεί νέες ευκαιρίες για την κοινωνία και την οικονομία — από την προσωποποιημένη ιατρική και την πράσινη ενέργεια, έως τις έξυπνες πόλεις και τη βελτιστοποίηση της παραγωγής. Ταυτόχρονα, όμως, θέτει κρίσιμα ερωτήματα για το νομικό και θεσμικό πλαίσιο, ιδίως όσον αφορά τη διαφάνεια, τη λογοδοσία και την προστασία του ανταγωνισμού σε ολοένα και πιο αυτοπατοποιημένες αγορές.
3. Η ενσωμάτωση της ΤΝ στις επιχειρήσεις
3.1. Οφέλη από τη χρήση ΤΝ για τον ανταγωνισμό
Η τεχνολογική καινοτομία αποτελεί διαχρονικά την κινητήρια δύναμη για την πρόοδο των αγορών αλλά και της κοινωνίας συνολικά. Όπως εύστοχα ανέφερε ο John F. Kennedy, «Η αλλαγή είναι ο νόμος της ζωής. Και όσοι κοιτούν μόνο το παρελθόν ή το παρόν είναι βέβαιο ότι θα χάσουν το μέλλον».[ii] Μέσα σε αυτό το δυναμικά εξελισσόμενο περιβάλλον, η ΤΝ μπορεί να διαδραματίσει καθοριστικό ρόλο στην επιτάχυνση της καινοτομίας, αλλά και στην ενίσχυση του ανταγωνισμού και της καταναλωτικής ευημερίας.
Από την πλευρά της προσφοράς, οι αλγόριθμοι λειτουργούν ως καταλύτες επιχειρησιακής αποδοτικότητας, συμβάλλοντας στη μείωση του κόστους παραγωγής και των συναλλαγών. Η συμβολή αυτή βασίζεται κυρίως στη βελτιστοποίηση της κατανομής των πόρων και στη δυνατότητα λήψης αποφάσεων σε πραγματικό χρόνο. Ένα χαρακτηριστικό παράδειγμα είναι οι αλγόριθμοι δυναμικής τιμολόγησης, οι οποίοι επιτρέπουν στις επιχειρήσεις να προσαρμόζουν τις τιμές τους άμεσα και αυτοματοποιημένα, ανταποκρινόμενοι στις διακυμάνσεις της προσφοράς και της ζήτησης, οδηγώντας σε ακριβέστερη τιμολόγηση, βελτιωμένη εξυπηρέτηση πελατών και αποτελεσματικότερη διαχείριση των αποθεμάτων.[iii]
Από την πλευρά της ζήτησης, οι τεχνολογίες Τεχνητής Νοημοσύνης συμβάλλουν στη μείωση του κόστους συναλλαγής για τους καταναλωτές και παράλληλα ενισχύουν τη διαφάνεια στις αγορές.
Ψηφιακά εργαλεία όπως οι μηχανές σύγκρισης τιμών και οι έξυπνοι ψηφιακοί βοηθοί επιτρέπουν στους χρήστες να λαμβάνουν πληρέστερα ενημερωμένες αποφάσεις, μειώνοντας την έκθεσή τους σε αδιαφανείς ή καταχρηστικές πρακτικές τιμολόγησης και γενικότερα σε παραπλανητικές εμπορικές πρακτικές.
Καθώς τα αλγοριθμικά αυτά συστήματα εξελίσσονται, ενδέχεται στο μέλλον να αναλαμβάνουν πλήρως την αγοραστική διαδικασία για λογαριασμό των χρηστών, με βάση τις προτιμήσεις, το ιστορικό συμπεριφοράς και τα δηλωμένα όρια τιμής τους. Μια τέτοια εξέλιξη όχι μόνο ενδυναμώνει τους καταναλωτές, αλλά και εντείνει τα κίνητρα ανταγωνισμού μεταξύ των επιχειρήσεων, με επίκεντρο την τιμή, την ποιότητα και την καινοτομία.[iv]
3.2. Τύποι αλγορίθμων τιμολόγησης
Η ενσωμάτωσης ΤΝ στις εμπορικές πρακτικές γίνεται ιδιαιτέρως εμφανής στους τομείς της παράλληλης τιμολόγησης (parallel pricing) και της εξατομικευμένης τιμολόγησης (personalized pricing). Στα πεδία αυτά, οι επιχειρήσεις αξιοποιούν εξελιγμένους αλγορίθμους για τη δυναμική προσαρμογή των τιμών τους, σε πραγματικό χρόνο, με βάση παραμέτρους όπως η συμπεριφορά των ανταγωνιστών και των καταναλωτών και οι διακυμάνσεις στην προσφορά και ζήτηση.[v] Η χρήση τέτοιων αλγορίθμων αναδεικνύει όχι μόνο τις δυνατότητες τιμολογιακής ευελιξίας και αποτελεσματικότητας, αλλά και τις πιθανές απειλές για τον ανταγωνισμό, όταν οδηγεί σε σιωπηρή σύμπραξη ή εκμετάλλευση της ασυμμετρίας πληροφόρησης σε βάρος του καταναλωτή.
Οι αλγόριθμοι παράλληλης τιμολόγησης επιτρέπουν την αυτόματη παρακολούθηση και προσαρμογή των τιμών μιας επιχείρησης σε σχέση με τις τιμές των ανταγωνιστών της, όχι μέσω ρητής συμφωνίας, αλλά μέσω προγραμματισμένου συγχρονισμού της τιμολογιακής συμπεριφοράς. Πρόκειται για έναν μη συνεννοημένο αλλά εκούσιο παραλληλισμό συμπεριφοράς, ο οποίος δύναται να μειώσει τα κίνητρα για τιμολογιακό ανταγωνισμό και ενδέχεται να οδηγήσει σε μονοπωλιακές τιμές.
Ένα χαρακτηριστικό παράδειγμα εμφανίζεται στον τομέα των αεροπορικών εισιτηρίων. Αν ο αλγόριθμος μιας αεροπορικής εταιρείας ανιχνεύσει αύξηση €20 στην τιμή εισιτηρίου για τη διαδρομή Λάρνακα–Άμστερνταμ από ανταγωνίστρια εταιρεία, μπορεί να αντιδράσει άμεσα, αυξάνοντας και τη δική του τιμή κατά αντίστοιχο ποσό. Η αλγοριθμική αυτή μίμηση δημιουργεί ένα προβλέψιμο και σταθερό μοτίβο τιμολόγησης, το οποίο αποτρέπει τον ανταγωνισμό μέσω τιμής και διαμορφώνει ένα περιβάλλον με τεχνητά υψηλές τιμές.
Παρότι απουσιάζει οποιαδήποτε ρητή συμφωνία μεταξύ των επιχειρήσεων, η πρακτική αυτή μπορεί να παράγει αντίστοιχα αντιανταγωνιστικά αποτελέσματα με εκείνα μιας κανονικής σύμπραξης, οδηγώντας σε συντονισμένη συμπεριφορά που πλήττει τους καταναλωτές.[vi] Η αντιμετώπιση αυτών των περιπτώσεων αποτελεί σημαντική πρόκληση για τις Αρχές Ανταγωνισμού, καθώς δεν εμπίπτουν εύκολα στα παραδοσιακά εργαλεία εντοπισμού συμφωνιών κατά του ανταγωνισμού, όπως απαιτεί το Άρθρο 101 ΣΛΕΕ.
Η εξατομικευμένη τιμολόγηση συνιστά μια πιο προηγμένη μορφή δυναμικής τιμολόγησης, καθώς βασίζεται στην ανάλυση προσωπικών δεδομένων και προφίλ συμπεριφοράς των καταναλωτών.[vii] Μέσω τεχνικών μηχανικής μάθησης (machine learning)[viii] και ειδικά ενισχυτικής μάθησης (reinforcement learning)[ix] ή προγνωστικών μοντέλων (predictive models)[x], οι επιχειρήσεις μπορούν να διαμορφώνουν διαφορετική τιμή για το ίδιο προϊόν ή υπηρεσία, με βάση την εκτιμώμενη προθυμία πληρωμής (willingness to pay) κάθε χρήστη.
Χαρακτηριστικά παραδείγματα τέτοιων πρακτικών έχουν παρατηρηθεί σε πλατφόρμες όπως το Booking.com, ιστότοποι αεροπορικών εισιτηρίων και υπηρεσίες streaming. Εάν, για παράδειγμα, ένας χρήστης επισκέπτεται επαναλαμβανόμενα μια συγκεκριμένη σελίδα ή εμφανίζει περιορισμένες εναλλακτικές επιλογές, ο αλγόριθμος μπορεί να εντοπίσει υψηλό επίπεδο ενδιαφέροντος και να προσαρμόσει ανοδικά την τιμή, στοχεύοντας στην απορρόφηση μέγιστου μέρους του πλεονάσματος καταναλωτή.
Αν και η πρακτική αυτή δύναται να αυξήσει την αποδοτικότητα της αγοράς και να ενισχύσει τα έσοδα των επιχειρήσεων, εγείρει σοβαρά ερωτήματα από την πλευρά του Δικαίου Ανταγωνισμού.
4. Ανάλυση υπό το πρίσμα του Άρθρου 101 ΣΛΕΕ: Αντιανταγωνιστικές συμπράξεις μέσω Τεχνητής Νοημοσύνης
Το Άρθρο 101 ΣΛΕΕ απαγορεύει κάθε συμφωνία μεταξύ επιχειρήσεων, απόφαση ενώσεων επιχειρήσεων ή εναρμονισμένη πρακτική που έχει ως αντικείμενο ή ως αποτέλεσμα την παρεμπόδιση, τον περιορισμό ή τη νόθευση του ανταγωνισμού εντός της εσωτερικής αγοράς.[xi] Στην απαγόρευση αυτή περιλαμβάνονται, μεταξύ άλλων, πρακτικές όπως ο καθορισμός τιμών, η κατανομή αγορών ή πελατών και ο περιορισμός παραγωγής ή πρόσβασης στην αγορά.
Στο πλαίσιο αυτό, η δυναμική τιμολόγηση – όταν εφαρμόζεται με τη χρήση αλγοριθμικών μηχανισμών – ενδέχεται να οδηγήσει σε παραλληλισμό στρατηγικής συμπεριφοράς. Συγκεκριμένα, μπορεί να διευκολύνει τον αυτόματο ευθυγραμμισμό των τιμών μεταξύ ανταγωνιστών, χωρίς προηγούμενη ρητή συνεννόηση ή επαφή μεταξύ τους.[xii] Το φαινόμενο αυτό είναι γνωστό στη βιβλιογραφία ως σιωπηρή συμπαιγνία (tacit collusion) και έχει αναδειχθεί ως μία από τις μεγαλύτερες προκλήσεις για το Δίκαιο του Ανταγωνισμού στην ψηφιακή εποχή.[xiii]
Όμως τι ακριβώς είναι η σιωπηρή συμπαιγνία και γιατί η ΤΝ την καθιστά ακόμη πιο δύσκολη στον εντοπισμό και την καταστολή;
Αντίθεση κλασικής σύμπραξης και σιωπηρής συμπαιγνίας
Η κλασική μορφή σύμπραξης προϋποθέτει πρόθεση, επικοινωνία και συνειδητή εγκατάλειψη του ανταγωνιστικού κινδύνου μέσω ρητής συμφωνίας. Για παράδειγμα, όταν δύο παραγωγοί του ίδιου προϊόντος συμφωνούν να διατηρούν τιμή €100 ανά μονάδα, αυτό συνιστά ξεκάθαρη παραβίαση του Άρθρου 101 ΣΛΕΕ.
Αντιθέτως, στην περίπτωση της σιωπηρής συμπαιγνίας, ιδίως όταν αυτή διευκολύνεται από αλγοριθμικά συστήματα, δεν υφίσταται άμεση επικοινωνία ή αποδεδειγμένη πρόθεση. Αντί αυτού, παρατηρείται παράλληλη, προβλέψιμη και επαναλαμβανόμενη τιμολογιακή συμπεριφορά, η οποία οφείλεται σε αλγόριθμους που «μαθαίνουν» και ευθυγραμμίζουν τιμές μεταξύ ανταγωνιστών, χωρίς ανθρώπινη παρέμβαση. Πρόκειται ουσιαστικά για ένα «καρτέλ χωρίς συμφωνία», όπου η ευθυγράμμιση τιμών δεν αποτελεί προιόν συνεννόησης, αλλά προκύπτει ως αποτέλεσμα της τεχνολογικής λειτουργίας των συστημάτων ΤΝ.[xiv] Αυτή η μορφή συντονισμού δυσχεραίνει σημαντικά τον εντοπισμό και την απόδειξη παράβασης, δημιουργώντας κενά εφαρμογής του Άρθρου 101 ΣΛΕΕ, τα οποία οι Αρχές Ανταγωνισμού καλούνται να καλύψουν.
Για παράδειγμα, δύο πλατφόρμες κρατήσεων ξενοδοχείων μπορεί να χρησιμοποιούν αλγορίθμους που παρακολουθούν αυτόματα τις τιμές της ανταγωνιστικής πλατφόρμας και προσαρμόζουν τις δικές τους αντίστοιχα, σε πραγματικό χρόνο. Η διαδικασία αυτή οδηγεί σε συνεχή και αμοιβαία ευθυγράμμιση τιμών, χωρίς να έχει υπάρξει ούτε ρητή ούτε σιωπηρή συμφωνία μεταξύ των εμπλεκόμενων επιχειρήσεων. Ο αλγόριθμος «μαθαίνει» ότι η προσαρμογή στις τιμές του ανταγωνιστή είναι στρατηγικά αποδοτική και επαναλαμβάνει τη συμπεριφορά με προβλέψιμο τρόπο. Με τον τρόπο αυτό δημιουργείται ένας αυτοματοποιημένος μηχανισμός συντονισμού, που παράγει συγκλίνουσα τιμολόγηση, χωρίς επικοινωνία, χωρίς πρόθεση και χωρίς παραδοσιακά αποδεικτικά στοιχεία συμφωνίας.
Όπως αναφέρθηκε πιο πάνω, το Άρθρο 101 ΣΛΕΕ προϋποθέτει την ύπαρξη κάποιου βαθμού συνεννόησης (ρητής ή σιωπηρής) προκειμένου να στοιχειοθετηθεί παράβαση. Όταν, όμως, η αλγοριθμική σύγκλιση τιμών προκύπτει από τη χρήση κοινών πληροφοριών της αγοράς, χωρίς ανταλλαγή εμπιστευτικών δεδομένων ή προγραμματισμένη αλληλεπίδραση μεταξύ των επιχειρήσεων, η πρακτική δεν εμπίπτει εύκολα στον απαγορευτικό κανόνα του άρθρου.
Ωστόσο, η γραμμή είναι λεπτή. Όταν υπάρχουν ενδείξεις σηματοδότησης τιμής (price signalling) ή χρήσης κοινών παρόχων λογισμικού ή αλγορίθμων που ενδέχεται να ευνοούν την ευθυγράμμιση της συμπεριφοράς, τότε πλησιάζουμε επικίνδυνα τα όρια του Άρθρου 101 ΣΛΕΕ.
Σε τέτοιες περιπτώσεις, ακόμη και αν δεν υπάρχει ανθρώπινη επαφή ή πρόθεση, η συνεννόηση μπορεί να έχει συντελεστεί μεταξύ αλγορίθμων («μεταξύ bots), και όχι μεταξύ φυσικών προσώπων. Το κρίσιμο ερώτημα για τις αρχές ανταγωνισμού είναι κατά πόσον το τελικό αποτέλεσμα συνιστά αντικείμενο ή αποτέλεσμα περιορισμού του ανταγωνισμού, ανεξαρτήτως του «μέσου» μέσω του οποίου προέκυψε
Το πρόβλημα οξύνεται όταν χρησιμοποιούνται συστήματα «black box» τεχνητής νοημοσύνης – δηλαδή αλγόριθμοι των οποίων ο τρόπος λειτουργίας δεν είναι διαφανής ή ερμηνεύσιμος ούτε από τους ίδιους τους δημιουργούς τους. Η έλλειψη διαφάνειας καθιστά εξαιρετικά δύσκολη την απόδειξη του κατά πόσον η παράλληλη συμπεριφορά είναι αποτέλεσμα ανεξάρτητης «μάθησης» από κοινές συνθήκες της αγοράς ή έμμεσης συνεργασίας μέσω των αλγοριθμικών μηχανισμών. Ως αποτέλεσμα, δημιουργείται ένα σημαντικό κενό επιβολής του Άρθρου 101 ΣΛΕΕ. Συγκεκριμένα, η απλή διαπίστωση παράλληλης τιμολόγησης μεταξύ ανταγωνιστών δεν επαρκεί πλέον για την τεκμηρίωση παράβασης, εφόσον δεν υπάρχουν αποδείξεις επικοινωνίας ή συνεννόησης.
Η παραδοσιακή νομική προσέγγιση, η οποία βασίζεται σε στοιχεία πρόθεσης και επαφής, δυσκολεύεται να προσαρμοστεί στις νέες μορφές αλγοριθμικού συντονισμού, ιδιαίτερα όταν οι αποφάσεις λαμβάνονται αυτόνομα από συστήματα ΤΝ χωρίς ανθρώπινη παρέμβαση.
Θεωρίες ζημίας: Τρόποι με τους οποίους μπορεί να προκύψει αλγοριθμικός συντονισμός
Η σχετική βιβλιογραφία έχει αναδείξει τέσσερις βασικούς μηχανισμούς μέσω των οποίων οι αλγόριθμοι τιμολόγησης ενδέχεται να περιορίσουν τον ανταγωνισμό, ακόμη και χωρίς ρητή συμφωνία ή συνεννόηση μεταξύ των επιχειρήσεων. Οι θεωρίες αυτές, που συχνά προσομοιάζουν με καρτελικές δομές, είναι οι εξής:
- Hub and Spoke (σύστημα κόμβου και ακτίνας) – όταν ένας κοινός αλγόριθμος (ή προμηθευτής λογισμικού) λειτουργεί ως «κόμβος», μέσω του οποίου επιτυγχάνεται έμμεσος συντονισμός των «ακτίνων» (επιχειρήσεων).[xv]
- Predictable Agent (προβλέψιμος πράκτορας) – όταν οι αλγόριθμοι δρουν ως προβλέψιμοι παίκτες, επιτρέποντας στους ανταγωνιστές να προσαρμόζονται στρατηγικά και να συντονίζουν τη συμπεριφορά τους.[xvi]
- Invisible Hand (αόρατο χέρι) – όταν η χρήση όμοιων εργαλείων, δεδομένων και στόχων οδηγεί σε παρόμοια αποτελέσματα, χωρίς καμία αλληλεπίδραση μεταξύ των επιχειρήσεων.[xvii] Για παράδειγμα, εάν αρκετοί διαδικτυακοί πωλητές βασίζονται στον ίδιο αλγόριθμο τιμολόγησης, ο προγραμματιστής μπορεί να τροποποιήσει τον αλγόριθμο ώστε να αυξήσει τις τιμές σε όλους, αυξάνοντας παράλληλα τα δικά του έσοδα ή την επιρροή του στην αγορά.[xviii]
- Autonomous Machine (αυτόνομη μηχανή) – όταν οι αλγόριθμοι, μέσω διαδικασιών ενισχυτικής μάθησης, καταλήγουν από μόνοι τους σε στρατηγικές ευθυγράμμισης τιμών, επιτυγχάνοντας ένα είδος «αλγοριθμικής σύμπραξης χωρίς ανθρώπους».[xix]
Κοινό στοιχείο όλων των σεναρίων είναι ότι αναπαράγονται συνθήκες καρτέλ – υψηλές, ευθυγραμμισμένες τιμές και περιορισμένος ανταγωνισμός – χωρίς παραδοσιακά στοιχεία συμφωνίας ή πρόθεσης, δημιουργώντας σοβαρά προβλήματα ερμηνείας και εφαρμογής του Άρθρου 101 ΣΛΕΕ.
5. Άρθρο 102 ΣΛΕΕ: Απαγόρευση εκμετάλλευσης δεσπόζουσας θέσης και πρόσβαση σε Μεγάλα Δεδομένα
Το Άρθρο 102 ΣΛΕΕ απαγορεύει την καταχρηστική εκμετάλλευση δεσπόζουσας θέσης από μία ή περισσότερες επιχειρήσεις στην εσωτερική αγορά ή σε σημαντικό τμήμα αυτής, εφόσον η κατάχρηση είναι ικανή να επηρεάσει το εμπόριο μεταξύ κρατών μελών.
Ενδεικτικά παραδείγματα καταχρηστικής συμπεριφοράς είναι: 1) η άμεση ή έμμεση επιβολή άδικων τιμών ή όρων συναλλαγής, 2) ο περιορισμός της παραγωγής, της διαθέσεως ή της τεχνολογικής αναπτύξεως επί ζημίας των καταναλωτών, 3) η εφαρμογή άνισων όρων σε ισοδύναμες συναλλαγές, και 4) η επιβολή όρων που παρεμποδίζουν τον ανταγωνισμό.[xx]
Ο βασικός σκοπός του Άρθρου 102 είναι η προστασία της ανταγωνιστικής διαδικασίας από τις στρεβλώσεις που προκαλούνται λόγω οικονομικής ισχύος, με τελικό στόχο τη διατήρηση και προαγωγή της ευημερίας των καταναλωτών.
Η εξατομικευμένη τιμολόγηση ως πιθανή μορφή κατάχρησης
Η εξατομικευμένη τιμολόγηση μπορεί σε ορισμένες περιπτώσεις να αποτελεί μορφή καταχρηστικής εκμετάλλευσης δεσπόζουσας θέσης, παραβιάζοντας το Άρθρο 102 ΣΛΕΕ.[xxi] Η πρακτική αυτή, αν και ενίοτε μπορεί να έχει θετικά αποτελέσματα, όπως τη δυνατότητα παροχής στοχευμένων εκπτώσεων, που διευκολύνουν την είσοδο νέων παικτών σε αγορές με υψηλό κόστος αλλαγής (switching cost), ενδέχεται, επίσης, να οδηγήσει σε στρέβλωση του ανταγωνισμού με δυσμενείς επιδράσεις για τους καταναλωτές.
Η προβληματική εντείνεται όταν η επιχείρηση κατέχει δεσπόζουσα θέση και απολαμβάνει μονοπωλιακή ή αποκλειστική πρόσβαση σε δεδομένα καταναλωτικής συμπεριφοράς, τα οποία χρησιμοποιεί για να εφαρμόζει διαφορετικές τιμές για το ίδιο προϊόν, ανάλογα με το ιστορικό συμπεριφοράς και τις προτιμήσεις των χρηστών, χωρίς διαφάνεια και χωρίς αντικειμενικά κριτήρια.
Σε τέτοιες περιπτώσεις, η εξατομικευμένη τιμολόγηση ενδέχεται να οδηγήσει σε εκμετάλλευση της αδυναμίας ή του επείγοντος του χρήστη, διακρίσεις μεταξύ καταναλωτών χωρίς οικονομική αιτιολόγηση, και συστηματική υφαρπαγή μέρους ή και του συνόλου του πλεονάσματος καταναλωτή.
Συγκέντρωση μεγάλων δεδομένων
Η συγκέντρωση δεδομένων ενδεχομένως να προσδώσει σημαντικό στρατηγικό πλεονέκτημα σε επιχειρήσεις που δραστηριοποιούνται σε ψηφιακές αγορές, ενισχύοντας καθοριστικά τη δεσπόζουσα θέση τους στην αγορα.
Η πρόσβαση σε τέτοιου είδους δεδομένα, σε συνδυασμό με προηγμένα συστήματα τεχνητής νοημοσύνης, μπορεί να ενισχύσει καθοριστικά τη δεσπόζουσα θέση μιας επιχείρησης στην αγορά, καθιστώντας την ικανή την εφαρμογή πρακτικών αυτοπροτίμησης ή άλλων πρακτικών αποκλεισμού των ανταγωνιστών από την αγορά.[xxii]
α) Πρακτικές αυτοπροτίμησης (Self-preferencing)
Η αυτοπροτίμηση αναφέρεται στην πρακτική κατά την οποία μια δεσπόζουσα ψηφιακή πλατφόρμα ευνοεί τα δικά της προϊόντα ή υπηρεσίες έναντι εκείνων τρίτων επιχειρήσεων, εκμεταλλευόμενη τη διττή της ιδιότητα: αφενός ως ενδιάμεσος πάροχος αγοράς (marketplace) και αφετέρου ως άμεσος ανταγωνιστής προμηθευτών που δραστηριοποιούνται στην ίδια πλατφόρμα.
Η ευνοϊκή μεταχείριση υλοποιείται συνήθως μέσω αλγοριθμικής προτεραιοποίησης στα αποτελέσματα αναζήτησης, προκατειλημμένων συστημάτων συστάσεων, και επιλεκτικής χρήσης δεδομένων χρηστών που δεν είναι διαθέσιμα στους ανταγωνιστές.
Η υπόθεση Google Shopping αποτελεί κλασικό παράδειγμα αυτής της πρακτικής. Στην εν λόγω υπόθεση, η Ευρωπαϊκή Επιτροπή επέβαλε πρόστιμο €2,42 δισ. στην Google, κρίνοντας ότι προέβη σε κατάχρηση δεσπόζουσας θέσης στην αγορά γενικής διαδικτυακής αναζήτησης, μέσω της συστηματικής προώθησης της δικής της υπηρεσίας σύγκρισης τιμών (Google Shopping), εις βάρος ανταγωνιστικών υπηρεσιών.
Η χρήση του αλγορίθμου Panda από το 2011 ενίσχυσε τη δυνατότητα της Google να ευνοεί με συστηματικό τρόπο τις δικές της υπηρεσίες στα οργανικά αποτελέσματα αναζήτησης, αποκλείοντας έμμεσα τους ανταγωνιστές.
Η πρακτική αυτή οδήγησε σε μοχλευμένη ενίσχυση της θέσης ισχύος της Google (leveraging) και στρέβλωση της πρόσβασης των ανταγωνιστών στην αγορά, αποτελώντας σαφές παράδειγμα αποκλεισμού μέσω αλγοριθμικού αυτοελέγχου.
β) Αποκλεισμός του ανταγωνισμού (competitors foreclosure)
Η στρατηγική αποκλεισμού ανταγωνιστών ενισχύεται σημαντικά σε αγορές που βασίζονται σε Τεχνητή Νοημοσύνη, καθώς η επιτυχία σε τέτοια οικοσυστήματα εξαρτάται από την πρόσβαση σε κρίσιμους πόρους, όπως, μεγάλα δεδομένα, υπολογιστικές υποδομές υψηλής ισχύος, τεχνολογική τεχνογνωσία, και ανθρώπινο κεφάλαιο υψηλής εξειδίκευσης.
i) Υπολογιστικό κόστος
Οι νεοσύστατες επιχειρήσεις ΤΝ αντιμετωπίζουν διαρκώς αυξανόμενα εμπόδια εισόδου λόγω της αδυναμίας πρόσβασης σε βασικούς πόρους, όπως προηγμένους επεξεργαστές (GPUs), υποδομές cloud υψηλής απόδοσης και μεγάλα και ποιοτικά δεδομένα που είναι αναγκαία για την εκπαίδευση των αλγορίθμων. Οι πόροι αυτοί συγκεντρώνονται στα χέρια λίγων τεχνολογικών κολοσσών, των λεγόμενων GAMMANs (Google, Amazon, Microsoft, Meta), που λειτουργούν ως δομικά σημεία συμφόρησης (structural bottlenecks) στην εφοδιαστική αλυσίδα της ΤΝ.[xxiii]
Η κατακόρυφη ενοποίηση και η κάθετη ενσωμάτωση των πόρων αυτών ενισχύουν τη δυνατότητα ελέγχου της πρόσβασης σε κρίσιμα μέσα και αυξάνουν τον κίνδυνο στρατηγικού αποκλεισμού ανταγωνιστών, όχι μόνο σε επίπεδο υπηρεσιών, αλλά και σε επίπεδο τεχνολογικής υποδομής.
ii) Συνεργασίες με στοιχεία συντονισμού (Co-opetition)
Στην προσπάθειά τους να αποκτήσουν πρόσβαση στους απαραίτητους πόρους (υπολογιστική ισχύ, δεδομένα, υποδομές), πολλές νεοφυείς επιχειρήσεις τεχνητής νοημοσύνης αναγκάζονται να συνάπτουν συνεργασίες εξάρτησης με τους κυρίαρχους παίκτες της αγοράς. Παρά το γεγονός ότι οι συνεργασίες αυτές ενδέχεται να επιταχύνουν την πρόσβαση στην αγορά ή να μειώσουν τα κόστη συναλλαγών, εγκυμονούν τον κίνδυνο δημιουργίας άτυπων μορφών συντονισμού ή εναρμόνισης συμπεριφορών, οι οποίες περιορίζουν τις ανταγωνιστικές πιέσεις και αλλοιώνουν τη δυναμική της αγοράς.
Οι λεγόμενες «co-opetition agreements» (δηλαδή, ταυτόχρονη συνεργασία και ανταγωνισμός) ενδέχεται να οδηγήσουν σε άτυπες μορφές συντονισμού, ιδίως όταν περιλαμβάνουν ανταλλαγή ή συνεκμετάλλευση δεδομένων, κοινούς αλγορίθμους ή πλατφόρμες υπολογιστικής ισχύος, και αποκλειστικές συμφωνίες πρόσβασης σε κρίσιμες τεχνολογικές υποδομές.
Σε τέτοιες περιπτώσεις, η συνολική ανταγωνιστική πίεση στην αγορά μειώνεται, χωρίς να υπάρχει ρητή σύμπραξη ή παράνομη συμφωνία.[xxiv] Ως αποτέλεσμα, οι κυρίαρχοι παίκτες όχι μόνο διατηρούν αλλά και ενισχύουν τη δεσπόζουσα θέση τους, καθώς οι νεοεισερχόμενες επιχειρήσεις συχνά εξαρτώνται στρατηγικά από την πρόσβαση στις πλατφόρμες, στις υποδομές ή στα δεδομένα που ελέγχονται από τους κυρίαρχους φορείς. Η εξάρτηση αυτή περιορίζει ουσιαστικά την ικανότητά τους να ανταγωνιστούν αποτελεσματικά.
iii) Ρόλος των κυρίαρχων παικτών ως «ρυθμιστών πρόσβασης»
Οι κυρίαρχες επιχειρήσεις που λειτουργούν ως ρυθμιστές πρόσβασης (gatekeepers) έχουν τη δυνατότητα να περιορίσουν ή να καθυστερήσουν την πρόσβαση ανταγωνιστών σε κρίσιμα δεδομένα και ψηφιακές υποδομές. Αυτό μπορεί να επιτευχθεί είτε μέσω άρνησης χορήγησης αδειών είτε μέσω της επιβολής διακριτικών και υπερβολικών τελών. Με τον τρόπο αυτό ενισχύεται η ισχύς τους στην αγορά, ενώ παράλληλα περιορίζεται η ανάπτυξη και η καινοτομία από μικρότερες επιχειρήσεις.[xxv]
Καθίσταται σαφές ότι η συγκέντρωση μεγάλων δεδομένων, όταν συνδυάζεται με δεσπόζουσα θέση και προνομιακή πρόσβαση σε υποδομές τεχνητής νοημοσύνης, ενδέχεται να στρεβλώσει τον ανταγωνισμό, να αναχαιτίσει την καινοτομία και να υπονομεύσει την ευημερία των καταναλωτών. Αυτό μπορεί να συμβεί μέσω πρακτικών όπως η αδιαφανής εξατομικευμένη τιμολόγηση, η αυτοπροτίμηση προϊόντων ή υπηρεσιών του gatekeeper και ο αποκλεισμός ανταγωνιστών.
Παρά τις σημαντικές δυνατότητες που προσφέρουν τα μεγάλα δεδομένα για τη βελτίωση της ποιότητας των υπηρεσιών και της εμπειρίας των καταναλωτών, η καταχρηστική τους εκμετάλλευση από επιχειρήσεις με ισχυρή θέση στην αγορά εγκυμονεί σοβαρούς ανταγωνιστικούς κινδύνους. Χωρίς ισότιμη και έγκαιρη πρόσβαση στα δεδομένα, ακόμη και ανταγωνιστές που διαθέτουν παρόμοιες υπηρεσίες δεν μπορούν να δραστηριοποιηθούν αποτελεσματικά, γεγονός που ενισχύει τις δομικές ανισορροπίες στις ψηφιακές αγορές.
5. Κανονισμός (ΕΕ) 2024/1689 (AI ACT): Ρυθμιστικό πλαίσιο για την ΤΝ
Ο Κανονισμός (EE) 2024/1689[xxvi] για την Τεχνητή Νοημοσύνη, γνωστός ως ΑΙ Act, αποτελεί την πρώτη ολοκληρωμένη νομοθετική πράξη που ρυθμίζει την ανάπτυξη, τη διάθεση και τη χρήση συστημάτων ΤΝ στην Ευρωπαϊκή Ένωση. Εφαρμόζεται σε κάθε επιχείρηση, ανεξαρτήτως του αν έχει έδρα εντός ή εκτός της ΕΕ, εφόσον διαθέτει συστήματα τεχνητής νοημοσύνης που επηρεάζουν τους πολίτες της ΕΕ.[xxvii] Ο Κανονισμός εισάγει προληπτικούς (ex ante) κανόνες, υιοθετώντας μια προσέγγιση βάσει κινδύνου (risk – based approach), οι οποίοι επιβάλλουν συγκεκριμένες νομικές υποχρεώσεις πριν από τη διάθεση ή χρήση συστημάτων ΤΝ.[xxviii]
α) Ποιες κατηγορίες συστημάτων ΤΝ ρυθμίζονται και πώς ταξινομούνται;
Ο ΑΙ Act κατατάσσει τα συστήματα ΤΝ σε τέσσερις κατηγορίες, οι οποίες αντανακλούν την πιθανότητα και σοβαρότητα των επιπτώσεών τους στα θεμελιώδη δικαιώματα, την ασφάλεια και τις αξίες της ΕΕ.[xxix]
- Απαράδεκτος κίνδυνος (Unacceptable risk): Περιλαμβάνει συστήματα που θεωρούνται απειλητικά για τις αξίες της ΕΕ, όπως η βιομετρική ταυτοποίηση σε πραγματικό χρόνο σε δημόσιους χώρους. Αυτά απαγορεύονται ρητά (Άρθρο 5).
- Υψηλός κίνδυνος (High risk): Περιλαμβάνει συστήματα ΤΝ που χρησιμοποιούνται σε ευαίσθητους τομείς όπως προσλήψεις, εκπαίδευση, υγειονομική περίθαλψη, αξιολόγηση πιστοληπτικής ικανότητας, μετανάστευση. Αυτά επιτρέπονται μόνον υπό αυστηρές προϋποθέσεις (Άρθρα 6 και 9-15) με στόχο τη διασφάλιση της αξιοπιστίας και της δικαιοσύνης.
- Περιορισμένος κίνδυνος (Limited risk): Περιλαμβάνει εφαρμογές όπως τα chatbots. Αυτά επιτρέπονται νοουμένου ότι ικανοποιούν βασικές απαιτήσεις διαφάνειας, όπως η ενημέρωση των χρηστών ότι αλληλεπιδρούν με ΤΝ (Άρθρο 52).
- Ελάχιστος ή αμελητέος κίνδυνος (Minimnal or negligible risk): Περιλαμβάνει απλά συστήματα, όπως η ΤΝ σε βιντεοπαιχνίδια ή φίλτρα ανεπιθύμητης αλληλογραφίας, που δεν υπόκεινται σε υποχρεώσεις συμμόρφωσης.
Η προσέγγιση βάσει κινδύνου επιτρέπει τη στοχευμένη ρύθμιση, ώστε να αποφεύγεται η υπερβολική επιβάρυνση συστημάτων με χαμηλό ρίσκο. Ωστόσο, συνεπάγεται σημαντικό διοικητικό κόστος συμμόρφωσης για τους παρόχους συστημάτων υψηλού κινδύνου, ειδικά για ΜΜΕ και νεοφυείς επιχειρήσεις, γεγονός που έχει προκαλέσει ανησυχίες για πιθανή αναχαίτιση της καινοτομίας.
β) Ποιες είναι οι βασικές ρυθμιστικές αρχές και υποχρεώσεις του AI ACT;
Για τα συστήματα ΤΝ που θεωρούνται υψηλού κινδύνου, όπως η τεχνητή νοημοσύνη που χρησιμοποιείται στην αναγνώριση προσώπου, ή στην πρόσβαση σε δημόσιες υπηρεσίες, οι πάροχοι (δημιουργοί, υπεύθυνοι διάθεσης) πρέπει να:
- Διενεργούν αξιολόγηση συμμόρφωσης πριν από τη διάθεση στην αγορά ή τη θέση σε χρήση (Άρθρο 43).
- Εγκαθιδρύουν και διατηρούν σύστημα διαχείρισης ποιότητας και κινδύνου, με συνεχή παρακολούθηση της απόδοσης του συστήματος (Άρθρο 9).
- Τηρούν λεπτομερή τεχνική τεκμηρίωση και αρχεία καταγραφής λειτουργιών για έλεγχο και διαφάνεια (Άρθρα 11–12).
- Διασφαλίζουν αποτελεσματική ανθρώπινη εποπτεία, ώστε να υπάρχει δυνατότητα παρέμβασης ή αναστολής σε περίπτωση προβλημάτων (Άρθρο 14).
- Εγγράφουν το σύστημα στη δημόσια βάση δεδομένων της ΕΕ, παρέχοντας πληροφορίες για τη χρήση και τα χαρακτηριστικά του (Άρθρο 49).
- Τοποθετούν σήμανση CE που πιστοποιεί τη συμμόρφωση με τις απαιτήσεις του Κανονισμού (Άρθρο 48).
Για παράδειγμα, mια τράπεζα που εφαρμόζει ΤΝ στην αξιολόγηση αιτήσεων δανείων οφείλει να αποδείξει ότι το σύστημά της λειτουργεί με δίκαιο και διαφανή τρόπο, χωρίς μεροληπτικές ή διακριτικές πρακτικές. Η συμμόρφωση δεν αφορά μόνο την αποδοτικότητα του συστήματος, αλλά και την ικανότητα ελέγχου από άνθρωπο, ώστε να διασφαλίζεται ότι οι αποφάσεις δεν αποκλείουν αδικαιολόγητα ορισμένες κατηγορίες αιτητών.
Συνοψίζοντας, αυτοί οι κανόνες αποσκοπούν στην οικοδόμηση της εμπιστοσύνης των πολιτών στην ΤΝ, καθιστώντας τα ασφαλή, αξιόπιστα και διαφανή. Ωστόσο, οι πολυεπίπεδες απαιτήσεις συμμόρφωσης δημιουργούν υψηλό διοικητικό και οικονομικό βάρος για τους παρόχους, γεγονός που ενδέχεται να πλήξει δυσανάλογα τις μικρότερες επιχειρήσεις και νεοφυείς εταιρείες. Αυτό μπορεί να οδηγήσει σε αύξηση του κόστους εισόδου στην αγορά, με αποτέλεσμα την ενίσχυση των μεγάλων παικτών που διαθέτουν πόρους για πλήρη συμμόρφωση. Επίσης, μπορεί να οδηγήσει σε συγκέντρωση ισχύος σε μικρό αριθμό πολύ μεγάλων επιχειρήσεων, περιορίζοντας τις ευκαιρίες καινοτομίας.
γ) Αλληλεπίδραση AI ACT με το Δίκαιο του Ανταγωνισμού
Παρόλο που ο Κανονισμός αναφέρει ότι εφαρμόζεται «με την επιφύλαξη» του Δικαίου του Ανταγωνισμού της ΕΕ, οι πρακτικές επιπτώσεις του στον ανταγωνισμό, αν και έμμεσες, είναι σημαντικές.
Πρώτον, ο Κανονισμός απαιτεί από τις αρχές εποπτείας να κοινοποιούν δεδομένα σε Αρχές Ανταγωνισμού ακόμη και χωρίς προηγούμενες ενδείξεις παραβάσεων της αντιμονοπωλιακής νομοθεσίας.[xxx] Αυτό θα μπορούσε να βοηθήσει στον εντοπισμό παραβάσεων π.χ. καρτέλ, αλλά δημιουργεί ανησυχίες για τη διατήρηση του απορρήτου και για πιθανή υπέρμετρη παρέμβαση των Αρχών Ανταγωνισμού (π.χ. μαζική συλλογή μεγάλου όγκου πληροφοριών).
Δεύτερον, εργαλεία ΤΝ που χρησιμοποιούνται από τις Αρχές Ανταγωνισμού για να εντοπίζουν πρακτικές όπως η χειραγώγηση προσφορών ή τα καρτέλ (π.χ. triangle tools ή screening algorithms) ενδέχεται να χαρακτηριστούν ως «υψηλού κινδύνου» και να υπόκεινται σε αυστηρή συμμόρφωση, αποθαρρύνοντας την καινοτομία στον τομέα της ψηφιακής επιβολής του Δικαίου του Ανταγωνισμού.[xxxi]
Τρίτον, οι κανόνες διαφάνειας (Άρθρα 16, 19, 23–25) μπορεί να αποκαλύψουν εμπορικά ευαίσθητες πληροφορίες, όπως στρατηγικές τιμολόγησης, καθιστώντας ευκολότερη τη σιωπηρή συνεννόηση ή ακόμα και τη σύμπραξη μεταξύ ανταγωνιστών. Παράλληλα, το υψηλό κόστος συμμόρφωσης μπορεί να λειτουργήσει ως πρόσθετο εμπόδιο εισόδου στην αγορά, αποθαρρύνοντας την είσοδο νέων επιχειρήσεων στην αγορά, με αποτέλεσμα τη διατήρηση ή/και την ενίσχυση τη θέσης των μεγάλων παικτών.[xxxii]
Παρά τους ανωτέρω κινδύνους, το AI Act μπορεί να έχει και θετικές επιπτώσεις στο Δίκαιο του Ανταγωνισμού. Η εναρμόνιση των κανόνων ΤΝ σε όλα τα κράτη μέλη της ΕΕ θα μπορούσε να περιορίσει τον κανονιστικό κατακερματισμό και να μειώσει το κόστος εισόδου νέων ανταγωνιστών στην αγορά. Παράλληλα, η ύπαρξη σαφών προτύπων, όπως η θεσμοτετημένη δυνατότητα προληπτικής πρόσβασης σε δεδομένα από τις Αρχές Ανταγωνισμού, ενισχύει την αποτελεσματικότητα της εποπτείας και αυξάνει την εμπιστοσύνη των καταναλωτών.
Συμπερασματικά, ο AI Act αποτελεί σημαντικό βήμα για την οικοδόμηση ενός ασφαλούς, διαφανούς και υπεύθυνου πλαισίου ανάπτυξης και χρήσης της ΤΝ στην ΕΕ. Η πρόκληση για τις ρυθμιστικές αρχές έγκειται στο να επιτύχουν ισορροπία: να αποτρέψουν πρακτικές που στρεβλώνουν τον ανταγωνισμό, χωρίς όμως να επιβαρύνουν δυσανάλογα την καινοτομία και την είσοδο νέων παικτών στην αγορά.
6. Συμπεράσματα
Η τεχνητή νοημοσύνη συνιστά ταυτόχρονα ευκαιρία και πρόκληση για το Δίκαιο του Ανταγωνισμού. Από τη μια πλευρά, οι αλγόριθμοι προσφέρουν εργαλεία βελτιστοποίησης, μείωσης κόστους, αύξησης διαφάνειας και ενίσχυσης της καταναλωτικής ευημερίας. Από την άλλη, όμως, δημιουργούν νέες μορφές κινδύνων, όπως η σιωπηρή αλγοριθμική συμπαιγνία, η αδιαφανής εξατομικευμένη τιμολόγηση, η αυτοπροτίμηση και ο στρατηγικός αποκλεισμός ανταγωνιστών.
Η παραδοσιακή νομική προσέγγιση, που στηρίζεται σε αποδείξεις πρόθεσης και επικοινωνίας, δυσκολεύεται να προσαρμοστεί σε ένα περιβάλλον όπου οι αποφάσεις λαμβάνονται αυτόνομα από «μαύρα κουτιά» αλγορίθμων. Το αποτέλεσμα είναι κενά στην εφαρμογή του Άρθρου 101 ΣΛΕΕ, αλλά και νέες προκλήσεις στον έλεγχο καταχρηστικών πρακτικών βάσει του Άρθρου 102 ΣΛΕΕ. Η συγκέντρωση δεδομένων και υποδομών στους κυρίαρχους παίκτες της αγοράς εντείνει αυτές τις δυσκολίες, οδηγώντας σε αυξανόμενη εξάρτηση νεοεισερχόμενων επιχειρήσεων και σε δομικές στρεβλώσεις του ανταγωνισμού.
Ο AI Act έρχεται να καλύψει ένα μέρος αυτού του κανονιστικού κενού, θέτοντας προληπτικούς κανόνες βάσει κινδύνου και επιδιώκοντας την οικοδόμηση εμπιστοσύνης στην ΤΝ. Ωστόσο, η συμμόρφωση ενδέχεται να επιβαρύνει δυσανάλογα μικρότερες επιχειρήσεις και να ενισχύσει περαιτέρω τους ήδη ισχυρούς παρόχους. Το κρίσιμο ζητούμενο είναι να αποφευχθεί η υπερβολική ρύθμιση που θα επιβραδύνει την καινοτομία, αλλά και η υπορύθμιση που θα αφήσει ανεξέλεγκτες πρακτικές στρέβλωσης της αγοράς.
Η Ευρωπαϊκή Ένωση βρίσκεται ενώπιον μιας ιστορικής πρόκλησης: να διαμορφώσει ένα πλαίσιο που θα συνδυάζει την προώθηση της καινοτομίας με τη διασφάλιση θεμιτού και δίκαιου ανταγωνισμού. Η επιτυχία θα εξαρτηθεί από την ικανότητα των θεσμών να παρακολουθούν στενά τις εξελίξεις, να προσαρμόζουν έγκαιρα το κανονιστικό πλαίσιο και τις πολιτικές τους και να καλλιεργούν μια κουλτούρα που προάγει τη χρήση της ΤΝ ως μοχλού ανάπτυξης και καινοτομίας, χωρίς να υπονομεύει τις αρχές μιας ελεύθερης και δίκαιης αγοράς.
Το άρθρο ετοιμάστηκε στο πλαίσιο πρακτικής άσκησης στην εταιρεία Trojan Economics.
[i] European Parliament & Council. (2024). AI Act, Regulation (EU) 2024/1689, Art. 3(1). https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A32024R1689
[ii] Kennedy, J. F. (1964). Address in the Assembly Hall at the Paulskirche in Frankfurt (June 25, 1963). In Public papers of the Presidents of the United States: John F. Kennedy, 1963 (pp. 527–530). Washington, DC: U.S. Government Printing Office.
[iii] Competition and Markets Authority. (2018). Pricing algorithms: Economic working paper on the use of algorithms to facilitate collusion and personalised pricing (CMA94, p. 20). https://www.gov.uk/government/publications/pricing-algorithms-economic-working-paper
[iv] Ibid 3, p.21; Molski, R. (2022). Competition law and artificial intelligence – Challenges and opportunities. Teka Komisji Prawniczej PAN Oddział w Lublinie, 14(2), 321–345, p. 343. https://doi.org/10.32084/tekapr.2021.14.2-24
[v] Rab, S. (2019). Artificial intelligence, algorithms and antitrust. Competition Law Journal, 18(4), 141–150. https://doi.org/10.4337/clj.2019.04.02
[vi] Harrington J., Developing Competition Law for Collusion by Autonomous Price-Setting Agents, 2017, SSRN, https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3037818 ; Κωνσταντίνου, Γ. (2022). Τεχνητή νοημοσύνη και δίκαιο ανταγωνισμού (Μεταπτυχιακή διπλωματική εργασία, ΠΜΣ Εμπορικό Δίκαιο, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών), σελ. 26.
[vii] Competition and Markets Authority. (2018). Pricing algorithms: Economic working paper on the use of algorithms to facilitate collusion and personalised pricing (CMA94, p. 36). https://www.gov.uk/government/publications/pricing-algorithms-economic-working-paper
[viii] Rab, S. (2019). Artificial intelligence, algorithms and antitrust. Competition Law Journal, 18(4), p. 142. https://doi.org/10.4337/clj.2019.04.02
[ix] Κωνσταντίνου, Γ. (2022). Τεχνητή νοημοσύνη και δίκαιο ανταγωνισμού (Μεταπτυχιακή διπλωματική εργασία, ΠΜΣ Εμπορικό Δίκαιο, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών), σελ. 14
[x] Molski, R. (2022). Competition law and artificial intelligence – Challenges and opportunities. Teka Komisji Prawniczej PAN Oddział w Lublinie, 14(2), 321–345, p. 343. https://doi.org/10.32084/tekapr.2021.14.2-24
[xi] European Union. (2012). Consolidated version of the Treaty on the Functioning of the European Union, Article 101. Official Journal of the European Union, C 326, 47–390. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:12012E/TXT
[xii] Ν. Βέττα και Γ. Κατσουλάκο, Πολιτική Ανταγωνισμού και Ρυθμιστική Πολιτική, Τυπωθήτω, 2004, σελ. 61-64.
[xiii] Palmigiano, P., & Penny, L. (2024, August 11). AI and Competition law – the next frontier? Taylor Wessing.https://www.taylorwessing.com/en/insights-and-events/insights/2024/08/ai-and-competition-law-the-next-frontier
[xiv] Deng, Ai, What Do We Know About Algorithmic Tacit Collusion? (September 16, 2018). Antitrust, Vol. 33, No. 1, Fall 2018, Available at SSRN: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3171315
[xv] Competition and Markets Authority. (2018). Pricing algorithms: Economic working paper on the use of algorithms to facilitate collusion and personalised pricing (CMA94, p. 4, 25- 27). https://www.gov.uk/government/publications/pricing-algorithms-economic-working-paper
[xvi] Ibid 16, p. 27-28. Ezrachi Α. και Stucke M., Artificial Intelligence & Collusion: When Computers Inhibit Competition, 2015, σ. 1789, SSRN, https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2591874 .
[xvii] Ibid, p.344
[xviii] Marx, Lorenz, Christian Ritz, and Jonas Weller. 2019. “Liability for outsourced algorithmic collusion – A practical approximation.” Concurrences 2:1–8.
[xix] Ibid 16, p. 28.
[xx] European Union. (2012). Consolidated version of the Treaty on the Functioning of the European Union, Article 102. Official Journal of the European Union, C 326, 47–390. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:12012E/TXT
[xxi] Rab, S. (2019). Artificial intelligence, algorithms and antitrust. Competition Law Journal, 18(4), p. 145. https://doi.org/10.4337/clj.2019.04.02
[xxii] Motta, M. (2023). Self-preferencing and foreclosure in digital markets: Theories of harm for abuse cases. International Journal of Industrial Organization, 90, 102974. https://doi.org/10.1016/j.ijindorg.2023.102974
[xxiii] Martens, B. (2024) ‘Why artificial intelligence is creating fundamental challenges for competition policy ’ , Policy Brief 16/2024, Bruegel, p .4.
[xxiv] Ibid, p.7-10
[xxv] Ibid, p. 6.
[xxvi] Regulation (EU) 2024/1689, Official Journal of the European Union, L 2024/1689, July 12, 2024. http://data.europa.eu/eli/reg/2024/1689/oj
[xxvii] Palmigiano, P., & Penny, L. (2024, August 11). AI and Competition law – the next frontier? Taylor Wessing. https://www.taylorwessing.com/en/insights-and-events/insights/2024/08/ai-and-competition-law-the-next-frontier
[xxviii] Schrepel, T. (2025). Decoding the AI Act: Implications for Competition Law and Market Dynamics. Journal of Competition Law & Economics. https://doi.org/10.1093/joclec/nhaf007
[xxix] Future of Life Institute. (2024, May 30). High-level summary of the AI Act | EU Artificial Intelligence Act. Retrieved July 26, 2025, from https://artificialintelligenceact.eu/high-level-summary/
[xxx] Schrepel, T. (2025). Decoding the AI Act: Implications for Competition Law and Market Dynamics. Journal of Competition Law & Economics, p.2. https://doi.org/10.1093/joclec/nhaf007
[xxxi] Ibid , p. 4-5.
[xxxii] Ibid, p. 5-6.