Newsletter
Suscríbete a nuestro Newsletter y entérate de las últimas novedades.
https://centrocompetencia.com/wp-content/themes/Ceco
La noción de optimal deterrence, es decir, la disuasión óptima o el nivel de sanción suficiente para que el infractor no encuentre rentable infringir la norma, va un paso más allá del ideal clásico de “hacer justicia”. Su función es preventiva: desincentivar la formación de cárteles y acuerdos anticompetitivos antes de que existan. En mercados donde la colusión es clandestina por diseño, esa promesa tiene sentido intuitivo: si los cárteles operan en las sombras, un sistema sancionador eficaz logrará que, ex ante, el riesgo esperado supere a la ganancia esperada.
«En un sistema donde la multa base se calcula como β/p, una probabilidad sobreestimada tiende, ceteris paribus, a reducir el castigo aplicado cuando se detecta el ilícito; y con ello puede debilitar el objetivo de disuasión que justificó introducir p en primer lugar.»
La regla normativa más difundida en esta tradición —desde Becker y posteriormente formalizada por Polinsky y Shavell— es simple: la multa debe escalar con el beneficio ilícito y con la dificultad de ser detectado. Es decir, si “te atrapan poco”, la sanción debe ser mayor para sostener la disuasión. El problema es que, como advirtió Wils (2006), la distancia entre teoría y práctica no es un detalle técnico, sino un obstáculo empírico: medir la probabilidad real de detección con precisión suficiente para usarla operativamente es extremadamente difícil.
En este contexto, el artículo de Galano y García (Probabilidad de detección de carteles: Una aplicación al caso peruano) es valioso: ofrece, hasta donde se conoce, la primera estimación empírica estructurada de la probabilidad de detección aplicada a carteles en el Perú, país que incorpora explícitamente ese parámetro en la fórmula legal para el cálculo de multas por cárteles, y la plantea explícitamente como contraparte a la práctica institucional del Indecopi. Si Wils advertía el riesgo de operacionalizar el parámetro, este artículo intenta medirlo y abre la puerta a discutir calibración con evidencia local.
El Indecopi incorporó en 2003 la probabilidad de detección dentro de los parámetros de sus multas, pero su definición ha ido evolucionando con el tiempo, primero se aplicaba con cierta discrecionalidad y luego con criterios más estructurados. Recién en el 2013, la Gerencia de Estudios Económicos del Indecopi reconoció que “la legislación vigente (…) tampoco indica cómo deben ser calculados o monetizados criterios trascendentes como el beneficio ilícito, el daño o la probabilidad de detección”. Quizá incluso más sintomático es el reporte del uso heterogéneo de la probabilidad de detección: “mientras algunos órganos resolutivos cuantifican la probabilidad de detección de la infracción y la incorporan en el cálculo de la multa, otros la utilizan como circunstancia atenuante o agravante de la infracción, o simplemente no la utilizan” (p. 26). Solamente, a partir de la publicación del Decreto Supremo que aprueba la metodología para la determinación de multas (DS 032-2021) (“DS”) que se uniformiza la metodología para los catorce órganos resolutivos del Indecopi, entre ellos la Comisión de Libre Competencia (“CLC”).
De acuerdo con el DS, la multa final (M*) es el resultado ajustado conforme a topes máximos legales pertinentes de la multa preliminar (M). Esta última cantidad es el resultado de multiplicar el valor estimado de la multa base (m) por un componente que captura el efecto de las circunstancias agravantes y atenuantes presentes en cada caso (F). En particular, m puede ser calculado de acuerdo con tres aproximaciones. En el caso de la CLC y la Sala Especializada de Libre Competencia, m es calculado a través del método ad hoc, en donde m es igual al beneficio ilícito o perjuicio económico causado () dividido entre la probabilidad de detección (p).
m = \frac{\beta}{p}
Sobre p, la DS establece que este factor “permite que la multa base incorpore la expectativa del infractor en ser detectado”. En este extremo, la aproximación a definir p inicia con las autoridades determinando el nivel de detección (bajo, medio o alto) de acuerdo con las características presentadas en la Imagen 1. En segundo lugar, de acuerdo con la materia implicada en el caso (Protección del Consumidor, Libre Competencia o Propiedad Intelectual), existe una tabla de valores a aplicar, con la única excepción de los valores para Libre Competencia, los cuales pueden variar en 4.63% (ver Imagen 2).
Imagen 1: Criterios para determinar el nivel de detección 
Fuente: Elaboración propia en base a DS 032-2021 / Indecopi
Imagen 2: Probabilidades que aplicar de acuerdo con la materia afectada.
Fuente: Elaboración propia en base a DS 032-2021 / Indecopi
Dentro de este marco, García y Galano calibran un modelo tipo “birth-and-death” sobre las decisiones de carteles sancionados por la CLC entre 1992 y 2024. Su resultado central es el siguiente: la probabilidad anual de detección se ubicaría entre 18% y 31%, con una estimación puntual de 25%, resultado por debajo del promedio histórico que la autoridad habría utilizado de 54%.
Un aporte adicional del paper es que no se limita a entregar un punto único, sino que intenta dialogar con la forma en que el Indecopi trabaja con rangos y categorías (“fácil”, “medio–difícil”), estimando probabilidades separadas por submuestras. El ejercicio no pretende replicar exactamente el razonamiento de la autoridad, sino aproximar empíricamente si sus rangos se encuentran respaldados por patrones históricos observables. Incluso con esa desagregación, los valores empíricos no alcanzan plenamente los extremos superiores del rango normativo.
El hallazgo de los autores nos invita a preguntarnos sobre las implicancias de un parámetro aparentemente sobreestimado. El artículo advierte que la principal implicancia de una probabilidad sobreestimada es la reducción del efecto disuasivo de las multas, lo cual es por lo menos paradójico, ya que es la razón por la que se incluye este parámetro en primer lugar. Sin embargo, esta conclusión no es única. En palabras de los autores[1], ellos resaltan que la calibración del parámetro solo es una de las partes de un ecosistema que vale la pena ver de más cerca.
Como habíamos adelantado, la inclusión de la probabilidad de detección posibilita un enforcement que pasa de una ley que castiga al infractor, a una que previene la formación de la actividad ilícita. El corazón de la lógica que sostiene este mecanismo, de acuerdo con la teoría de disuasión óptima, es potestad de la autoridad de elegir el esfuerzo que realizará para detectar infracciones: elegir un esfuerzo alto eleva la probabilidad de detección práctica, lo cual disuadiría a las empresas de participar en actividades ilícitas por el temor a ser descubiertas y sancionadas.
Una consecuencia ineludible, sin embargo, de alocar un mayor esfuerzo a la detección de infracciones es el incremento del costo de las actividades que suponen mayores hallazgos. Las restricciones presupuestarias limitan, en el mundo real, el esfuerzo en detección que una autoridad puede implementar. En ese escenario, la teoría económica ofrece una salida aparente: si el Estado no puede “comprar” una probabilidad alta de detección mediante más fiscalización, puede preservar la disuasión elevando el castigo aplicado cuando la conducta es descubierta.
Desde la perspectiva del infractor, y para el beneficio de la autoridad, incluso una menor probabilidad de detección puede ser compensada con el otro elemento que se esperaría el infractor racional tome en cuenta al cometer un ilícito: el castigo esperado ( ), que se compone de la multa multiplicada por la probabilidad de detección. Es decir, si el Estado desea compensar el hecho de tener un bajo nivel de detección, puede incrementar la multa aplicada cuando detecta el ilícito, de modo que el riesgo esperado continúe siendo suficientemente alto como para desincentivar la conducta.
El aumento de la multa aplicable, sin embargo, no es un instrumento sin fricciones. La disuasión óptima aparece originalmente en un modelo teórico que abstrae restricciones institucionales: asume que, si p es baja, la autoridad puede elevar la multa en la proporción necesaria para sostener el castigo esperado. En la práctica, esa “compensación perfecta” rara vez se materializa. Existen al menos cuatro fuentes de fricción que la erosionan.
Primero, los topes máximos legales introducen un límite duro: incluso si el cálculo β/p arroja un monto elevado, la multa final puede truncarse al máximo permitido. En esos escenarios, cuando p es baja, el sistema ya no puede elevar la sanción tanto como la teoría sugeriría, porque el diseño jurídico impone un techo. La compensación deja de ser lineal y el castigo esperado puede volverse insuficiente.
Segundo, el control de proporcionalidad judicial opera como una restricción adicional. Si el resultado del cálculo —incluso ajustado por el reglamento— luce desanclado de las circunstancias del caso o resulta excesivo, puede ser anulado o reducido por falta de razonabilidad. Esta tensión ya se ha materializado en decisiones recientes en otras áreas del Indecopi: el hecho de que la sanción sea producto de una fórmula no garantiza que sea defendible si el parámetro clave y su aplicación no están adecuadamente motivados.
Tercero, la disuasión efectiva depende de la ejecución: una multa alta que no se cobra, o que se cobra con baja probabilidad, reduce el castigo esperado real. La teoría suele concentrarse en la detección, pero en la práctica la amenaza creíble incorpora también la expectativa de ejecución. Por ello, incluso un diseño que compense p baja con una multa alta puede perder potencia si la cobranza enfrenta obstáculos.
Cuarto, la propia medición de β es imperfecta. El beneficio ilícito no suele ser observable directamente y se estima con aproximaciones. Si β está subestimado, el castigo esperado se reduce; si está sobreestimado, la sanción puede volverse vulnerables a controles de proporcionalidad. En ambos casos, el parámetro p interactúa con un insumo que ya es incierto, lo que vuelve más sensible cualquier error de calibración.
El caso peruano ofrece un laboratorio institucional apropiado y poco común para pensar seriamente sobre la disuasión óptima. A diferencia de todas las jurisdicciones, que utilizan la teoría económica solamente como un marco teórico, pero prefieren fórmulas más administrables basadas en ventas afectadas y gravedad, el Perú ha optado por incorporar explícitamente la probabilidad de detección en el cálculo sancionador. Esa decisión —ambiciosa en lo conceptual— se vuelve aún más significativa si se recuerda que recién con el DS 032-2021 se uniformiza formalmente la metodología para los distintos órganos resolutivos del Indecopi, incluyendo a la CLC.
La investigación de García Oré y Galano es valiosa precisamente porque toma en serio esa apuesta institucional y la confronta con evidencia local. Si la probabilidad anual de detección compatible con los carteles sancionados se ubica en torno a 25% (y además como límite superior), la pregunta es qué ocurre cuando el número que alimenta el denominador se aparta de la realidad histórica. En un sistema donde la multa base se calcula como β/p, una probabilidad sobreestimada tiende, ceteris paribus, a reducir el castigo aplicado cuando se detecta el ilícito; y con ello puede debilitar el objetivo de disuasión que justificó introducir p en primer lugar. Sin embargo, el propio diseño peruano y la teoría económica recuerdan que la discusión no puede agotarse en p: la multa final también depende de la medición de β, del ajuste por agravantes y atenuantes, de la ejecución efectiva del cobro, y de los límites jurídicos de proporcionalidad y topes máximos.
En ese sentido, el Perú enseña una lección útil para otras jurisdicciones: trasladar la disuasión óptima al lenguaje normativo no es solo un ejercicio de coherencia matemática, sino un problema de economía institucional. El parámetro p no vive en un vacío: interactúa con fricciones legales, con capacidad administrativa, con los incentivos de clemencia, con el estándar judicial de razonabilidad y con la calidad de la información disponible. Cuando esas piezas se mueven —y en el Perú han cambiado varias veces— la pretensión de “compensación perfecta” que promete la teoría se vuelve más difícil de sostener.
De allí que el mayor aporte de este debate sea quizá, abrir una agenda de investigación aplicada que permita acercar la metodología a su objetivo preventivo, y no solo a su consistencia formal. Cuatro vías parecen especialmente prioritarias:
En conjunto, estas líneas sugieren un avance cauteloso: incorporar la probabilidad de detección puede ser conceptualmente fundamental para perseguir disuasión óptima, pero su efectividad depende de la calidad de la calibración y de un entorno institucional que permita interpretar el parámetro sin confundirlo con cambios de composición, selección o fricciones legales. El mérito del Perú es haber intentado algo que otros sistemas evitan; su desafío (y su oportunidad) es convertir esa ambición en evidencia, ajuste continuo y diseño institucional robusto.
[1] Declaraciones obtenidas en entrevista realizada el 16 de febrero de 2026.
Regístrate de forma gratuita para seguir leyendo este contenido
Contenido exclusivo para los usuarios registrados de CeCo
