Folk around and find out: algorithmic collusion and the limits of coordination

Abstract

Treball fi de màster de: Master's Degree in Data Science. Master Program in Data Science for Decision Making. Curs 2024-2025

Tutors: Christopher Rauh i Hannes Mueller

The Folk Theorem establishes that collusion can be sustained in repeated interactions, yet empirical evidence suggests coordination becomes more difficult as market participants increase. This thesis presents the first test of whether Large Language Model (LLM) agents exhibit this pattern. In controlled experiments with 2–5 competing agents, we find LLM coordination erodes predictably with competition. Our results show a 3.7% reduction in equilibrium price for each additional firm (p < 0.001), with prices declining smoothly. This culminates in a 10.6% total price reduction from duopoly to five-agent markets, providing quantitative evidence on algorithmic collusion boundaries in the AI era.

El Teorema de Folk establece que la colusión puede mantenerse en interacciones repetidas, pero la evidencia empírica sugiere que la coordinación se vuelve más difícil a más participantes en el mercado. Esta tesis presenta una primera prueba de si agentes de modelos de lenguaje grandes (LLM) muestran este patrón. En experimentos controlados con 2-5 agentes competidores, encontramos que la coordinación entre LLM se erosiona predeciblemente con la competencia. Resultados muestran una reducción del 3,7% en el precio de equilibrio por empresa adicional (p < 0,001), con disminución precios. Esto culmina en reducción total del 10,6% desde duopolio hasta mercados con cinco agentes, proporcionando evidencia cuantitativa sobre límites colusión algorítmica en era de la IA.