Wydajesz miliony na reklamę programatyczną, ufając, że aukcje Real-Time Bidding wyłaniają najlepszą ofertę. Co, jeśli platformy DSP i SSP, bez żadnego ludzkiego porozumienia, nauczyły się windować ceny? Badania nad milczącą zmową algorytmów na rynkach energii pokazują, że to nie science-fiction, tylko realne ryzyko, które może kosztować branżę AdTech setki milionów złotych rocznie.
Problem, którego nie widać gołym okiem
Rynek reklamy programatycznej to oligopol. Kilka podmiotów (Google, The Trade Desk, Amazon, Xandr/Microsoft) kontroluje lwią część globalnego popytu i podaży. Codziennie ich algorytmy biorą udział w miliardach aukcji, ucząc się i optymalizując strategie. To idealne środowisko dla zjawiska opisanego w paperze z rynku energii: milczącej zmowy algorytmicznej.
Mówiąc wprost: autonomiczne agenty DSP, dążące do maksymalizacji zysku swoich operatorów, mogą samodzielnie 'odkryć', że delikatne zawyżanie stawek w określonych warunkach jest dla wszystkich bardziej opłacalne niż agresywna konkurencja. Nie potrzebują do tego żadnego spotkania w ciemnym pokoju. Wystarczy im powtarzalna gra z niepełną informacją, czyli dokładnie to, czym jest aukcja RTB.
Mechanizm zmowy wzięty z elektrowni
Paper analizujący rynek energii elektrycznej dostarcza gotowej ramy do zbadania tego problemu w AdTech. Autorzy modelują składanie ofert jako powtarzalną grę z niedoskonałym monitoringiem publicznym. W energetyce jest to zagregowana cena na giełdzie. W reklamie jest to cena rozliczeniowa aukcji (clearing price), która jest sygnałem publicznym widocznym dla wszystkich uczestników po zamknięciu aukcji.
W laboratorium, przy użyciu wieloagentowego uczenia ze wzmocnieniem (MARL), agenci energetyczni regularnie osiągali wyniki supra-konkurencyjne. Oznacza to, że wypracowywali strategie, które przynosiły im wyższe zyski, niż wynikałoby to z teoretycznej równowagi Nasha dla zdrowej konkurencji. Co kluczowe, robili to bez żadnych instrukcji do kooperacji. Ten sam mechanizm może działać w silnikach optymalizacyjnych DSP, które 'widzą' ceny wygrywające i dostosowują swoje algorytmy bidowania w ułamku sekundy.
Scenariusz: symulacja 'uczciwości' platformy reklamowej
Wyobraźmy sobie, że organizacja branżowa, na przykład IAB Polska, zleca audyt mechanizmu aukcyjnego. Zamiast analizować suche logi serwerowe, buduje symulację wieloagentową wiernie odwzorowującą logikę aukcji first-price lub second-price.
W symulacji biorą udział agenty reprezentujące strategie głównych DSP na rynku. Każdy agent otrzymuje identyczny zestaw danych wejściowych: profile użytkowników, stawki reklamodawców, historyczne ceny. Przez miliony iteracji agenty uczą się optymalizować swój wynik. Po zakończeniu symulacji zespół audytorów nie szuka twardych dowodów zmowy, bo tych nie będzie. Zamiast tego stosuje wielowymiarowe kryteria z omawianego paperu: analizuje stabilność emergentnych strategii, korelację między działaniami agentów w czasie, odchylenie zysków od konkurencyjnego punktu odniesienia oraz reakcję na szoki zewnętrzne (np. nagłe wejście nowego gracza z agresywną strategią).
Jeśli symulacja wykaże, że w 80% scenariuszy agenty samoistnie wypracowują stabilny, supra-konkurencyjny poziom cen, to jest to mocny sygnał, że mechanizm aukcyjny na żywym rynku ma wadę konstrukcyjną. Nie jest to dowód na celowe działanie platform, ale dowód na to, że reguły gry są wadliwe.
Koszty i korzyści z audytu algorytmicznego
Dla dużej grupy reklamodawców wydającej 50 milionów złotych rocznie na reklamę programatyczną, nawet 5-procentowe, nieuzasadnione zawyżenie cen z powodu milczącej zmowy to 2,5 miliona złotych strat rocznie. W skali całego polskiego rynku programatycznego, wartego według szacunków IAB około 2,5 miliarda złotych, mówimy o potencjalnie 125 milionach złotych nienależnie pobranych z budżetów marek.
Koszt zbudowania i przeprowadzenia takiej symulacji przez zespół data scientistów to wydatek rzędu 200-500 tysięcy złotych. To ułamek potencjalnych strat. Audyt symulacyjny pozwala też przetestować różne mechanizmy aukcyjne. Być może powrót do modelu aukcji second-price, gdzie cena płacona przez zwycięzcę jest niższa od jego oferty, utrudnia algorytmom osiągnięcie stabilnego supra-konkurencyjnego poziomu. Symulacja daje twarde argumenty do dyskusji z platformami, zamiast opierania się na intuicji.
Od energetyki do AdTech: czas na własne kryteria
Największą wartością paperu nie jest stwierdzenie, że zmowa istnieje, ale dostarczenie narzędzi do jej wykrywania. Branża reklamowa nie potrzebuje kopiować kryteriów z rynku energii. Potrzebuje zbudować własne, oparte na tych samych zasadach: analizie stabilności strategii, korelacji działań i odchylenia od konkurencyjnej normy.
Z mojego doświadczenia w audytowaniu kampanii wynika, że większość reklamodawców nawet nie loguje danych z wystarczającą granularnością, by móc przeprowadzić taką analizę. Pierwszym krokiem nie jest więc skomplikowana symulacja, ale wymóg kontraktowy wobec DSP: 'dostarczaj surowe logi aukcji z anonimizowanymi identyfikatorami konkurentów'. Bez tego regulatorzy i audytorzy są ślepi. To jest realne, twarde wezwanie do działania, a nie mglista wizja przyszłości.
- Wykrywanie niejawnej zmowy algorytmów DSP bez analizy intencji
- Symulacyjny audyt mechanizmu aukcyjnego przed wdrożeniem
- Twarde dane do renegocjacji stawek z platformami AdTech
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: AI agents in Algorithmic Electricity Markets: On the Emergence of Tacit Collusion
Autorzy: Jakub Seredy\'nski, Georgios Tsaousoglou
As electricity market participants increasingly adopt learning-based agents for their bidding strategies, electricity markets are becoming algorithmic. Evidence from algorithmic markets in other domains shows that tacit collusion can arise purely through independent learning. Moreover, electricit...
arXiv: arxiv.org/abs/2608.26896
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
