CeCo | IA y nuevos avances en enforcement antitrust 2025

https://centrocompetencia.com/wp-content/themes/Ceco

Colusión; IA; Inteligencia artificial; fusiones; algoritmos; datos; computational; antitrust; herramientas computacionales; DOJ; CADE; Stanford; data mining, bid ridding, predictive coding; antitrust

Computational Antitrust 2025: Nuevos avances del uso de IA en el enforcement

9.07.2025
CeCo Chile
7 minutos
Claves
  • El 18 de junio de 2025 se celebró el evento de lanzamiento del cuarto informe anual del programa Computational Antitrust de Stanford, organizado en conjunto con la OCDE.
  • El informe recoge la experiencia de 25 agencias de competencia, de las cuales 5 son iberoamericanas: Brasil, Chile, Colombia, España, y Perú. Predomina el uso de herramientas para detectar bid rigging.
  • En la primera parte del panel se resumieron los principales resultados del informe: (i) el uso de herramientas analíticas avanzadas para detectar carteles y riesgos en operaciones de concentración; (ii) la inversión en infraestructura de datos robusta, y (iii) los cambios institucionales, como la creación de unidades digitales internas.
  • Finalmente, representantes de España, Austria y la OCDE reflexionaron sobre los hallazgos del informe, compartiendo sus experiencias. Algunas agencias desarrollan herramientas propias (Austria) y otras usan modelos prexistentes (Singapur y Polonia).
Keys
  • On June 18, 2025, the launch event for the fourth annual report of Stanford’s Computational Antitrust program was held, organized in partnership with the OECD.
  • The report compiles the experiences of 25 competition agencies, including five from Ibero-America: Brazil, Chile, Colombia, Spain, and Peru. The predominant use is of tools to detect bid rigging.
  • In the first part of the panel, the main findings of the report were summarized: (i) the use of advanced analytical tools to detect cartels and risks in merger operations; (ii) investment in robust data infrastructure; and (iii) institutional changes, such as the creation of internal digital units.
  • Finally, representatives from Spain, Austria, and the OECD reflected on the report’s findings and shared their experiences. Some agencies develop their own tools (Austria), while others use pre-existing models (Singapore and Poland).

El pasado 18 de junio se realizó el evento de lanzamiento del cuarto informe anual del programa de Stanford, en colaboración con la OCDE. El encuentro contempló la realización de un panel de discusión para discutir los avances recientes en el uso de IA y análisis de datos en la labor diaria de las autoridades de competencia. Participaron del panel Thibault Shrepel (del centro Stanford CodeX) y Teodora Groza (Sciences Po), Susana Fernández (CNMC), Lukas Cavada (AFCA), Despina Pachnou (OECD) y Antonio Capobianco (OECD).

Tal como hicimos el año pasado, en esta nota cubriremos algunos avances reportados en el informe, haciendo especial mención a las autoridades latinoamericanas. Además, repasaremos algunas ideas discutidas en el panel del evento.

Avances en Herramientas Computacionales en Latinoamérica

Si bien el informe analiza la experiencia de 25 países, en esta sección se presenta un panorama actualizado de los avances y proyectos de herramientas computacionales implementados por las principales agencias de competencia de Latinoamérica.

Chile: Herramientas de la Unidad de Inteligencia

En el caso chileno, destacó a la Unidad de Inteligencia (UI) de la Fiscalía Nacional Económica (FNE) como la gran protagonista de los avances computacionales en competencia. Esta unidad forma parte de la División Anticarteles desde 2020, y se encuentra conformada por un abogado, un econonomista/cientista de datos y un ingeniero en software. Su misión es desarrollar herramientas computacionales para fortalecer la detección y persecución de carteles.

En materia de monitoreo de mercados (market screening), la UI ha desarrollado tres herramientas: (i) un sistema automatizado que recopila diariamente los precios de más de 80.000 productos en línea, facilitando tanto la respuesta a reclamos de consumidores como las investigaciones en curso; (ii) un recolector de noticias, que monitorea más de quince plataformas digitales y almacena más de 360.000 artículos para mantener actualizados a los investigadores de la FNE, y (iii) un procesador de datos aduaneros, que organiza información desde 2007, permitiendo identificar actores relevantes del mercado, analizar concentración y precios, y agilizar significativamente las investigaciones (al reducir la necesidad de solicitar datos de manera formal).

Para fortalecer las investigaciones de carteles, la UI ha desarrollado una herramienta computacional de screening que analiza licitaciones públicas pasadas, identificando automáticamente patrones sospechosos como repartición de contratos, adjudicaciones reiteradas o precios atípicos (para más información sobre este concepto, véase nota CeCo: OCDE: Herramientas de data screening para Investigaciones sobre Competencia). Además, la unidad ha implementado soluciones prácticas como scripts para visualizar redes de llamadas telefónicas y algoritmos de deep learning capaces de detectar texto en imágenes extraídas de dispositivos móviles incautados en allanamientos.

Brasil: De la promesa a la acción

En el informe previo, se destacó el desarrollo de la agencia de competencia brasileña, CADE, de un proyecto de análisis e investigación de datos llamado “Cerebro”. Esta plataforma, utiliza análisis avanzado de datos y algoritmos para detectar y perseguir carteles en licitaciones públicas en Brasil (para más información sobre Cerebro, ver nota CeCo: Computational Antitrust (Stanford): Un Año de Progreso y Desafíos)

Ahora bien, la novedad es que el último año, Cerebro fue clave para la detección de un caso de colusión. En efecto, la Operación Novo Rumo (diciembre 2024), permitió desarticular un cartel de infraestructura vial por más de R$9.000 millones (equivalente a USD 1.64 mil millones), y Cerebro detectó patrones de colusión (como direcciones IP compartidas, co-oferentes recurrentes y similitudes en documentos) a partir del análisis masivo de datos públicos.

En este sentido, el informe también destaca la integración efectiva de machine learning y web scraping en el monitoreo de licitaciones, junto con la innovación en la presentación de la evidencia: CADE priorizó reportes accesibles y narrativos para facilitar la comprensión de jueces y autoridades no técnicas, lo que fue clave en el éxito judicial del caso Novo Rumo. Asimismo, Cerebro amplió su alcance al mercado de combustibles, incorporando algoritmos para detectar posibles carteles en precios y márgenes a nivel local. De todas formas, persisten desafíos en la traducción de resultados técnicos a un lenguaje comprensible para el sistema judicial y en la superación de trabas institucionales que dificultan el acceso a tecnología avanzada en el sector público (escuchar podcast con E. Ruiz-Tagle sobre desafíos del uso de herramientas de IA para probar la colusión).

España: Herramientas computacionales de la CNMC

Durante este año, la Comisión Nacional de Mercados Competitivos de España (“CNMC”) ha estado modernizando su enfoque para detectar colusión en licitaciones públicas: sigue usando como base su herramienta Bid Riging Algorithm for Vigilance in Antitrust (“BRAVA”), que identifica patrones sospechosos con machine learning, pero ahora la potencia integrando análisis de redes (para visualizar conexiones entre empresas y personas).

Este año destacan por hacer sus resultados más explicables usando metodologías como LIME y SHAP (así cualquier analista o juez puede entender por qué la IA detectó algo raro), sumar dashboards visuales, y probar técnicas de última generación como redes neuronales de grafos y zero-shot learning (sobre IA explicable para abogados, ver artículo y de Malca, Quiñones y Gómez; y podcast).

Radiografía del antitrust computacional: de la detección algorítmica de carteles a la defensa del consumidor

Durante la apertura del evento de lanzamiento, Teodora Groza y Thibault Schrepel presentaron, a modo de resumen, un diagnóstico general sobre cómo las agencias de competencia están integrando herramientas computacionales en sus operaciones. Su exposición se organizó en tres grandes categorías: (i) las herramientas analíticas avanzadas utilizadas para detectar carteles y riesgos en operaciones de concentración; (ii) las inversiones en infraestructura de datos robusta, y (iii) los cambios institucionales que han acompañado esta transformación (i.e. la creación de unidades digitales internas y el fomento de colaboraciones abiertas).

Herramientas para la detección de carteles

Tal como se mostró en la sección anterior, el principal uso reportado por las agencias de competencia sigue siendo la detección de bid rigging. Este fenómeno es especialmente relevante considerando que la contratación pública representa cerca del 15% del PIB de los países de la OCDE.

Además, varias agencias han implementado análisis de redes (network analysis), una técnica que permite mapear y examinar las relaciones entre distintos actores dentro de un mercado. Esta metodología no solo se utiliza para identificar patrones de colusión entre empresas que presentan ofertas a una licitación, sino también entre individuos, lo que permite detectar vínculos personales (como lazos familiares), que antes tenían más probabilidad de pasar desapercibidos.

Otras agencias han avanzado en el procesamiento automatizado de datos de licitaciones mediante web scraping, una técnica que consiste en extraer información directamente desde sitios web de manera sistemática y automatizada (para más información sobre este concepto ver nota Ceco: La “piratería” del data scraping y la restricción de ventas pasivas), como ocurre en Pakistán. Lituania, por su parte, desarrolló una herramienta de revisión documental basada en IA que puede identificar distintos tipos de coordinación —fijación de precios, reparto de mercado e intercambio de información— analizando palabras en contexto y detectando intenciones o incluso emociones asociadas al lenguaje (al respecto, ver columna de E. Ruiz-Tagle: “¿Positivo o negativo? Clasificación de texto en sede libre competencia”).

Patrones en el uso de IA por agencias de competencia

En su revisión sobre la integración de IA y machine learning en las actividades de las agencias de competencia, los expositores identificaron seis patrones principales, entre ellos destacan:

  1. La capacidad para analizar grandes volúmenes de datos: Muchas agencias han invertido en sistemas que permiten a los investigadores “conversar” directamente con grandes bases de datos y cuerpos de jurisprudencia.
  2. Uso de modelos de lenguaje avanzados (LLMs), tanto en fase experimental como en implementaciones concretas: Polonia y Singapur han reportado el uso directo del modelo GPT-4 (OpenAI), mientras que Austria, Italia, Luxemburgo y Francia han optado por desarrollar o afinar modelos propios.
  3. Preocupación por la explicabilidad (explainability): El reporte destaca un cambio relevante en la preocupación de las agencias por la explicabilidad de los resultados entregados por herramientas de IA. España, Singapur y Brasil, subrayan la importancia de poder explicar de forma clara cómo los algoritmos llegan a sus conclusiones, especialmente ante los tribunales.

IA al servicio de los consumidores

Un avance relevante en la integración de IA por parte de las agencias de competencia ha sido el desarrollo de herramientas orientadas directamente a la protección del consumidor, especialmente mediante el monitoreo de precios y condiciones de mercado (a través de web scraping).

Chile destaca nuevamente, a través de una herramienta que monitorea regularmente los precios (ya mencionada en la primera sección de esta nota). En Colombia, existen dos sistemas: uno enfocado en el seguimiento de precios en supermercados y otro que analiza los precios de vuelos domésticos (incluyendo variables como el equipaje de mano), para identificar alzas atípicas y eventuales prácticas problemáticas.

Por su parte, Pakistán ha desarrollado un panel regional para rastrear aumentos de precios por zona, junto a una herramienta que identifica ofertas de descuento falsas, es decir, situaciones en que se anuncia una rebaja cuando, en realidad, el precio se subió previamente para simular un ahorro inexistente.

Por último, en Taiwán, la autoridad creó una herramienta que analiza series temporales de precios, segmentando periodos y evaluando si los aumentos tienen justificación económica, especialmente en productos básicos como harina de trigo y soya. Así, cuando no se observa una explicación razonable para los aumentos, las agencias consideran iniciar una investigación.

Very Cool Use Cases”: innovaciones que sorprenden

En la etapa final de la presentación, Schrepel destacó algunos ejemplos especialmente innovadores y prometedores identificados en el informe. Entre ellos:

  • Polonia: La creación de una versión personalizada del modelo GPT-4 orientada a detectar dark patterns en sitios web, ya utilizada en plataformas de la región sur del país.
  • Hungría: El lanzamiento de un “cartel chat que permite a cualquier persona reportar anónimamente si ha sido víctima de un cartel, directamente desde la web de la agencia.
  • Singapur: Dos avances destacados, (i) el AI Verified Toolkit, que permite evaluar si un modelo fundacional podría presentar riesgos anticompetitivos, y (ii) el Merger Decision Bot, un asistente automatizado entrenado específicamente en control de fusiones.

Reflexiones de la autoridad austriaca

En sus palabras finales, Cavada (AFCA) enfatizó el valor de la cooperación internacional y el intercambio de aprendizajes en el desarrollo de inteligencia artificial. Compartió el proceso de transformación institucional de la agencia austríaca, que hoy destina cerca de un tercio de su presupuesto a tecnología y capacitación, y cuenta con un equipo de data science en expansión. Austria prioriza el desarrollo de herramientas propias para el screening de carteles y modelos de lenguaje, considerando la digitalización como una oportunidad estratégica para fortalecer el enforcement.

Enlaces relacionados: 

También te puede interesar

 

Federico Amtmann D.