El Departamento de Justicia de EE.UU. y la Comisión Federal de Comercio (FTC) llegaron a un acuerdo para investigar por separado si Microsoft, OpenAI y Nvidia incurren en prácticas anticompetitivas.
Al mismo tiempo, con la promulgación de la Ley de Inteligencia Artificial de la UE, la Comisión Europea muestra un creciente interés en investigar la IA. En marzo y mayo de 2024, la Comisión Europea envió solicitudes formales de información a Google, Facebook, TikTok y Microsoft, pidiendo detalles sobre los riesgos y medidas de mitigación relacionados con la IA generativa. El 16 de julio de 2024, ### la Autoridad de Competencia y Mercados del Reino Unido (CMA) anunció el inicio de una investigación sobre la "contratación por parte de Microsoft del equipo central de Inflection AI" para determinar si esta contratación equivale a una "adquisición".
Esta urgencia en las revisiones de competencia se debe, por un lado, a que ### los reguladores de competencia no quieren volver a ser tomados por sorpresa por las grandes empresas tecnológicas; por otro lado, las condiciones intrínsecas del desarrollo de los grandes modelos de IA parecen tener características de ### "concentración" y "restricción". Por lo tanto, tanto la UE como EE.UU. parecen inclinarse por una "intervención preventiva" antes de que las empresas tecnológicas logren una posición dominante en el mercado de la IA.
### ¿Atributos intrínsecos "anticompetitivos" en el desarrollo de la IA?
### 1. Barreras de infraestructura en la nube y capacidad de cómputo
Algunos expertos creen que ### un mercado oligopólico de IA es casi inevitable.
Para las startups de IA, el entrenamiento de modelos es un costo fijo costoso y la principal barrera para entrar en el mercado de IA. Es difícil sostener estos costos solo con el dinero de los inversores.
Solo las mayores empresas tecnológicas (principalmente Google, Amazon, Microsoft, Meta, Apple y Nvidia, conocidas como GAMMAN) tienen la infraestructura en la nube y la capacidad de cómputo necesarias para satisfacer las necesidades de entrenamiento de los modelos de IA más grandes. El control de GAMMAN sobre activos clave limita a las startups más pequeñas a roles subordinados.
Esto explica por qué las startups de IA a menudo buscan acuerdos de colaboración con las grandes empresas tecnológicas. El ejemplo más típico es la colaboración entre OpenAI y Microsoft, intercambiando acceso a infraestructura de cómputo por el derecho de GAMMAN a usar sus modelos más recientes. O bien, las startups de IA pueden alejarse de la frontera tecnológica y enfocarse en modelos de IA más pequeños que funcionen bien en tareas específicas, "sentando las bases" para modelos más grandes, para crear aplicaciones con datos propietarios.
### 2. Barreras para acceder a datos con derechos de autor
Muchos conjuntos de datos de alta calidad para entrenar IA de texto, audio e imagen están protegidos por derechos de autor. En principio, los autores pueden cobrar tarifas de licencia por el uso de sus obras. Esto provocará una reducción en el suministro de datos de entrenamiento debido a costos adicionales. También aumentará el costo de entrenamiento de modelos y reducirá la competencia entre los desarrolladores de modelos.
La Ley de IA de la UE requiere que los desarrolladores de modelos cumplan con la ley de derechos de autor de la UE establecida en la Directiva de Derechos de Autor, especialmente el Artículo 4, que otorga una excepción de derechos de autor para la investigación comercial, pero permite a los titulares de derechos optar por no acogerse a esta excepción. En EE.UU. existe cierta incertidumbre legal, con varios casos pendientes. Si los tribunales dictaminan que no se aplica la excepción de uso justo, los inversores en IA se enfrentarán al riesgo de daños legales punitivos. Para evitar esto, las mayores empresas de IA ya han firmado acuerdos de licencia de datos con grandes empresas de medios. Por ejemplo, OpenAI ha firmado acuerdos con The New York Times, Bertelsmann Media Group y la plataforma de noticias Reddit.
Si los países aplican estrictamente las leyes de derechos de autor, aumentará la dificultad para que los modelos de IA obtengan datos de entrenamiento, y los desarrolladores de IA más pequeños y las startups podrían no tener los recursos financieros para pagar las licencias de derechos de autor, lo que podría excluirlos completamente del mercado.
### 3. Facilidad de acceso a los usuarios
Los desarrolladores de modelos de IA necesitan canales comerciales para generar ingresos que cubran los costos de entrenamiento y ejecución de los modelos.
Algunas startups han construido sus propios modelos de negocio desde cero y han tenido bastante éxito. Por ejemplo, OpenAI creó una tienda de aplicaciones GPT de pago y cobra una tarifa de suscripción a los usuarios de la versión profesional de ChatGPT. ChatGPT alcanzó más de 100 millones de usuarios en su primer año de lanzamiento.
Sin embargo, ### para las startups de IA con efectos de red débiles o inexistentes, construir un modelo de negocio desde cero es muy difícil. Una forma más sencilla de generar ingresos es colaborar con GAMMAN e integrar modelos de IA en sus modelos de negocio establecidos. Por ejemplo, Google está integrando sus propios modelos de IA y los de terceros en su motor de búsqueda y otros servicios, cobrando precios elevados por el acceso a algunos servicios impulsados por IA.
Por lo tanto, las startups que aún no han formado un modelo de negocio también están dispuestas a colaborar con GAMMAN, integrando modelos de IA en el extremo downstream de su cadena de valor: los servicios existentes de GAMMAN orientados al usuario; a cambio, las startups colaboran en sentido inverso en el extremo upstream de la cadena de valor, donde GAMMAN otorga a las startups acceso a infraestructura de cómputo y posibles datos de entrenamiento.
### ¿Los acuerdos de "coopetición" entre GAMMAN y las startups de IA constituyen una "adquisición"?
Por las razones anteriores, las startups de IA que quieren mantener una posición de vanguardia tecnológica necesitan firmar acuerdos de coopetición con GAMMAN para superar las barreras de costos de entrenamiento y adquisición de clientes. GAMMAN puede integrarse verticalmente a lo largo de toda la cadena de valor de la IA, mientras que las startups cubren principalmente las partes de entrada e intermedias de la cadena de valor.
Las autoridades de competencia ven estos acuerdos y transacciones con escepticismo, preocupadas de que los acuerdos de coopetición puedan convertirse en un caballo de Troya para que GAMMAN ejerza influencia y reduzca la competencia de las startups de IA. ### Una cuestión legal importante es si acciones como inversiones estratégicas de GAMMAN o contratar a fundadores y talentos técnicos de startups constituyen una nueva forma de adquisición para evadir la supervisión antimonopolio: una "cuasi-adquisición".
Sin embargo, varias investigaciones de las autoridades de competencia hasta ahora no han encontrado evidencia concluyente.
Aunque la Comisión Europea concluyó en abril de 2024 que los acuerdos de inversión de Microsoft en OpenAI no constituían una adquisición, continúa investigando si iniciar una investigación antimonopolio formal sobre estos acuerdos, argumentando que podrían distorsionar el mercado interno de la UE. Alemania adoptó un enfoque similar, determinando en noviembre de 2023 que los acuerdos no estaban sujetos al control de fusiones alemán, pero se reservó la posibilidad de volver a examinarlos si Microsoft aumentara su influencia sobre OpenAI en el futuro.
Las autoridades antimonopolio de EE.UU. también se han unido ahora a las investigaciones.
### Puntos de partida para las investigaciones antimonopolio sobre IA generativa
Si el concepto de "cuasi-adquisición" es legalmente difícil de abordar, es probable que los reguladores busquen avances en el control de uno o más componentes clave de los que depende la IA generativa.
### 1. Datos
A diferencia del hardware, los datos de entrenamiento no son competitivos y pueden ser utilizados simultáneamente por muchas personas. Sin embargo, muchas fuentes de datos de entrenamiento de alta calidad están sujetas a derechos de autor y tarifas de licencia.
Esto es especialmente cierto en campos especializados o áreas con regulaciones de datos más estrictas (como salud o finanzas). Pre-entrenar o ajustar finamente un modelo con profunda experiencia en estos campos puede requerir acceso a grandes cantidades de datos que ### no están ampliamente disponibles y son difíciles de recopilar para los nuevos participantes en el mercado.
Por supuesto, simplemente poseer grandes cantidades de datos no es ilegal. Sin embargo, las autoridades antimonopolio pueden prestar especial atención al control de los datos por parte de las empresas para determinar si podría reducir el suministro de datos, crear barreras de acceso o impedir el desarrollo pleno de una competencia justa.
### 2. Talento
Otro insumo importante para la IA generativa es la experiencia laboral. El desarrollo de modelos generativos requiere un gran número de ingenieros e investigadores que deben tener habilidades específicas y relativamente escasas, y un profundo conocimiento de aprendizaje automático, procesamiento del lenguaje natural y visión por computadora. El talento que las empresas pueden atraer y retener puede desempeñar un papel crucial no solo en la trayectoria de desarrollo de la IA generativa, sino también en la velocidad de desarrollo.
Debido a la escasez de talento, las empresas poderosas pueden tener incentivos para retener a los empleados, sofocando así la competencia de competidores reales o potenciales. Para garantizar la competencia y la innovación en el mercado, es esencial permitir que el talento con ideas innovadoras se mueva libremente y, lo que es crucial, no se vea obstaculizado por cláusulas de no competencia.
La investigación anunciada en julio por la CMA del Reino Unido sobre la contratación por parte de Microsoft del equipo central de Inflection AI (un competidor de OpenAI) pertenece a esta categoría. Además, la prohibición total anunciada por la FTC de EE.UU. el 23 de abril de 2024 de que todos los empleados (incluidos los altos directivos) firmen nuevos acuerdos de no competencia también tiene como objetivo promover la movilidad del talento en TI. Sin embargo, su legalidad fue rápidamente cuestionada por un juez y su futuro aún es incierto.
### 3. Recursos de cómputo
Los sistemas de IA generativa suelen requerir grandes cantidades de recursos de cómputo. El cómputo generalmente requiere hardware dedicado, como computadoras con chips especializados como unidades de procesamiento gráfico (GPU), o acceso a recursos de cómputo a través de servicios de computación en la nube. Sin embargo, ### los costos de operación y mantenimiento de los chips y los precios de los servicios en la nube son muy caros, y actualmente solo unas pocas empresas los ofrecen, lo que aumenta el riesgo de comportamiento anticompetitivo.
Hoy en día, algunos mercados de chips especializados ya están altamente concentrados, y la demanda de chips para servidores podría superar la oferta. Por ejemplo, el aumento de la demanda de chips de servidor que se pueden usar para entrenar IA ha llevado a escasez, lo que ha llevado a los principales proveedores de servicios en la nube como AWS, Microsoft, Google y Oracle a "limitar la oferta de productos a los clientes". Y las empresas en mercados altamente concentrados tienen más probabilidades de adoptar prácticas competitivas desleales u otras violaciones de las leyes antimonopolio.
En 2022, después de más de dos meses de litigio de la Comisión Federal de Comercio de EE.UU. contra Nvidia, Nvidia abandonó su adquisición de Arm. La FTC argumentó que el acuerdo permitiría a Nvidia suprimir tecnologías competitivas innovadoras y permitiría a Nvidia socavar injustamente la posición de los competidores del negocio de licencias de Arm.