Bianca Bez, Daniel Becker
Publicado no Canal Energia.
O dinamismo do setor de construção civil nos Estados Unidos impulsiona uma demanda crescente por soluções flexíveis e eficientes, tornando o aluguel de equipamentos uma prática estratégica para construtoras de todos os portes. Esse segmento movimenta dezenas de bilhões de dólares ao ano e responde por parcela significativa dos investimentos em obras, com grandes empresas de locação desempenhando papel central tanto no fornecimento de máquinas quanto na definição de tendências do setor. Diante da importância estratégica e do volume financeiro, qualquer distorção competitiva nesse setor pode impactar diretamente os custos das obras em todo o país e prejudicar centenas de empresas que dependem dessas soluções para operar.
Nesse contexto, o caso In Re: Construction Equipment Antitrust Litigation (1:25-cv-03487) é paradigmático. Trata-se de uma ação coletiva movida no Tribunal Distrital do Norte de Illinois, EUA, em que diversas construtoras alegam que as maiores empresas locadoras de equipamentos de construção conspiraram para inflar artificialmente os preços de aluguel desses equipamentos, violando legislações antitruste como o Sherman Act.
Nas últimas décadas, o mercado passou por forte consolidação, ficando dominado por gigantes como United Rentals, Sunbelt Rentals, Herc Rentals, H&E Equipment, Sunstate Equipment, entre outros. Um dos atores chaves é a Rouse Services LLC, responsável por fornecer a maioria dos serviços de "benchmarking" de preços no segmento. O uso da ferramenta de inteligência artificial chamada Rouse Rental Insights (RRI) — um programa que, alimentado com dados de notas fiscais e contratos reais, gera diariamente o chamado “RRI Price”, um preço “ótimo” sugerido para cada tipo de equipamento, levando em conta sazonalidade, demanda e oscilações regionais. Aparentemente inofensivo, o sistema teria sido utilizado por todas as grandes locadoras para ajustar seus preços de forma semelhante, criando um alinhamento quase perfeito entre concorrentes. O resultado, segundo os autores e os próprios demandantes, é o surgimento de um cartel algorítmico — um fenômeno em que não há acordo explícito entre as partes, mas há um alinhamento automático determinando quanto cada um deve cobrar.
O caso ainda está em curso, mas sua importância já ultrapassa as fronteiras do setor de construção. Sob a lente da Análise Econômica do Direito (AED), ele evidencia como a eficiência algorítmica pode gerar ineficiências sociais, especialmente em mercados com poucos agentes relevantes. O objetivo original da IA — prever melhor e reduzir custos — cede lugar à lógica do “lucro ótimo conjunto”, em que o modelo matemático passa a substituir o mecanismo competitivo sem “combinações explícitas”. E, nesse ponto, a racionalidade da inteligência artificial colide com a racionalidade econômica dos consumidores.
A discussão sobre o caso narrado insere-se em um fenômeno mais amplo: a colusão algorítmica, isto é, a coordenação automatizada de preços mediada por sistemas de inteligência artificial. Em mercados altamente digitalizados, os algoritmos de precificação deixaram de ser meros instrumentos de cálculo para se tornarem mecanismos de regulação em tempo real, capazes de coletar dados, aprender padrões e ajustar valores de maneira contínua e autônoma. Esses sistemas operam dentro de redes sociotécnicas complexas, nas quais interagem, além de códigos e fórmulas, plataformas, fluxos de dados e decisões humanas, criando um ambiente em que o comportamento de um agente influencia e é imediatamente replicado pelos demais.
Em vez de acordos formais, o alinhamento surge como um subproduto lógico da programação: modelos de IA distintos, mas com objetivos semelhantes — maximizar margens e reduzir incertezas —, passam a reagir de modo convergente às mesmas variáveis de mercado. A inteligência artificial, alimentada por dados compartilhados e mecanismos de aprendizado preditivo, reduz a assimetria de informação e elimina o espaço de ação independente, levando os agentes a ajustar seus comportamentos de forma quase simultânea e autorreferente.
Em contextos oligopolizados, essa dinâmica tende a intensificar-se. A coleta massiva de informações, o monitoramento constante de preços e a capacidade de execução imediata tornam os mercados mais transparentes entre concorrentes — e, paradoxalmente, menos competitivos para o consumidor. A máquina, ao observar e reagir em milissegundos a qualquer alteração feita por outro agente, cria uma estrutura de coordenação espontânea, em que cada participante “aprende” a não competir. Assim, a tecnologia que prometia eficiência passa a operar como um sistema de disciplina coletiva, capaz de manter preços elevados sem necessidade de comunicação humana ou conluio explícito.
Do ponto de vista jurídico e econômico, o desafio está em identificar e responsabilizar essas formas de coordenação automatizada. As estruturas tradicionais de enforcement — baseadas na prova de um acordo ou na demonstração de intenção — tornam-se insuficientes diante de sistemas capazes de replicar o comportamento de um cartel sem deixarem rastros diretos de conluio. A própria arquitetura algorítmica funciona como um ambiente de consenso distribuído: diversos agentes independentes, trocando dados e previsões, atingem um “acordo” técnico sobre o preço ideal, ainda que nenhum deles tenha formalmente pactuado nada. Trata-se de uma colusão sem reuniões, sem e-mails e sem contratos — mas com resultados idênticos aos de um cartel tradicional.
Essas práticas expõem uma nova fronteira para o direito concorrencial. A automação da decisão econômica desloca o locus da racionalidade: quem define o preço já não é o gestor, mas o modelo. E quando o modelo é o mesmo — ou quando os sistemas aprendem uns com os outros —, o mercado passa a se autorregular por padrões de eficiência que, paradoxalmente, inibem a concorrência e cristalizam margens de lucro acima do nível competitivo. O risco, portanto, não é apenas tecnológico, mas institucional: delegar o processo concorrencial à tecnologia é permitir que o próprio código aprenda a cooperar onde deveria haver disputa.
Transportando essa lógica para o setor de energia e infraestrutura, a transição torna-se natural. Aqui, a dinâmica de concentração de mercado e a crescente digitalização das cadeias produtivas ampliam o potencial de riscos semelhantes. O fornecimento de equipamentos elétricos, painéis solares, aerogeradores, transformadores e sistemas de armazenamento é controlado por um número restrito de agentes econômicos. Caso esses atores passem a utilizar plataformas de precificação automatizada com aprendizado contínuo — alimentadas por dados de contratos, flutuações cambiais e demanda regional —, o resultado poderá ser uma uniformização de preços que emerge de forma autônoma, não de uma decisão consciente.
Esse cenário adquire contornos ainda mais críticos porque o setor elétrico é regulado, e a coordenação algorítmica entre fornecedores ou construtoras poderia impactar diretamente o custo dos empreendimentos e, em última instância, a modicidade tarifária. O risco não está apenas na prática de preços elevados, mas na perda de transparência sobre a sua formação. Em sistemas automatizados, o critério de rentabilidade pode ser retroalimentado por decisões passadas, consolidando níveis de preço cada vez mais altos, sem que nenhum agente consiga identificar o ponto em que a lógica competitiva foi substituída pela lógica cooperativa do algoritmo.
Ao mesmo tempo, a dependência crescente de soluções de IA cria um ambiente em que a racionalidade econômica é substituída por uma racionalidade computacional, na qual os parâmetros de eficiência são definidos por códigos e não por políticas públicas ou princípios concorrenciais. A consequência é uma reconfiguração silenciosa do poder de mercado, deslocando a concorrência do plano das decisões humanas para o da arquitetura dos sistemas digitais. É um tipo de coordenação que não precisa ser intencional para ser eficaz — e que pode ser mais estável do que qualquer cartel humano.
Assim, ao observar o que já foi judicializado no âmbito da construção civil norte-americana, o setor de energia brasileiro tem diante de si um alerta precoce. A automação de decisões econômicas exige uma nova camada de regulação: não apenas a que coíbe condutas, mas a que audita algoritmos, define parâmetros de aprendizado e impõe deveres de transparência sobre as variáveis utilizadas na precificação. O risco, em última análise, é permitir que o preço da transição energética — um processo vital e global — seja determinado por sistemas que aprendem a competir menos, justamente quando a competição deveria ser o motor da inovação.
A resposta americana no caso In Re: Construction Equipment Antitrust Litigation será uma poderosa bússola no futuro da precificação em setores estratégicos. No Brasil, onde a digitalização da infraestrutura energética avança em ritmo acelerado, essa discussão precisa começar agora, antes que o preço da transição verde seja determinado por um software que aprendeu a maximizar margens em vez de eficiência. E é sempre bom lembrar: a inteligência artificial não cria incentivos, apenas os amplifica. Se o incentivo é competir, ela reduz custos. Se o incentivo é coordenar, ela pode elevar preços. A escolha, portanto, não é só tecnológica, mas institucional. E talvez o verdadeiro desafio da regulação contemporânea seja justamente esse: ensinar os algoritmos a não agirem como cartéis.