El  uso de análisis predictivo con inteligencia artificial para la detección temprana y prevención de prácticas colusorias

Catalina Sierpe Venegas; Cristóbal Ureta Soublette

doi:10.5354/0719-7462.2025.76551

The use of predictive analysis with artificial intelligence for early detection and prevention of collusive practices

Authors

Catalina Sierpe Venegas Pellegrini & Rencoret Abogados https://orcid.org/0000-0002-5131-1410
Cristóbal Ureta Soublette Pellegrini & Rencoret Abogados https://orcid.org/0009-0008-5294-435X

Download

PDF

Abstract

Early detection of collusive practices has, by far, remained one of the most persistent challenges for competition authorities due to the complexity and subtlety with which competitors coordinate prices, behaviors, or divide markets. Traditional monitoring methods rely heavily on direct evidence or clear indicators, and thus on the authority's capacity to gather them, which proves limited in increasingly dynamic markets. This article explores how predictive analysis, supported by artificial intelligence, can offer innovative solutions for identifying collusive patterns before they materialize. First, the article reviews the characteristics of markets prone to collusion and the limitations competition agencies face with their current detection tools. Next, it analyzes the most widely used predictive models, such as machine learning and deep learning, highlighting their ability to analyze large data volumes and detect anomalies in pricing and production behavior. Additionally, the benefits and challenges of implementing artificial intelligence for competition authorities are discussed, including reduced dependency on direct evidence, real-time monitoring, and some of the issues involved in using these tools in investigations.

References

* Aco, Antony, Bryan Hancco y Yasiel Pérez (2023). «Análisis comparativo de técnicas de machine learning para la predicción de casos de deserción universitaria». Revista Ibérica de Sistemas y Tecnologías de Información, 51: 84-98. DOI: 10.17013/ risti.51.84–98.

* Álvarez, María (2023). «Inteligencia artificial y medidas cautelares en el proceso penal: Tutela judicial efectiva y autodeterminación informativa en potencial riesgo». Revista Española de Derecho Constitucional, 127: 177-207. DOI: 10.18042/cepc/redc.127.06.

* Armstrong, Mark y David E. M. Sappington (2005). «Recent developments in the theory of regulation». Handbook of Industrial Organization. Tomo 3 (pp. 1557-1700). Ámsterdam: Elsevier. Disponible en https://tipg.link/eQTy.

* Araya, Carlos (2020). «Desafíos legales de la inteligencia artificial en Chile». Revista Chilena de Derecho y Tecnología, 9 (2): 257-290. DOI: 10.5354/0719-2584.2020.54489.

* Araya, Fernando (2015). «Derecho de la libre competencia». Revista Chilena de Derecho Privado, 24: 233-250. DOI: 10.4067/S0718-80722015000100011.

* Beaton-Wells, Caron Y. y Brent E. Fisse (2008). «Criminalising serious cartel con duct: Issues of law and policy». Australian Business Law Review, 36 (3): 166-240. Disponible en https://tipg.link/eRI5.

* Castellanos, Jorge y María Montero (2020). «Perspectiva constitucional de las garantías de aplicación de la inteligencia artificial: La ineludible protección de los derechos fundamentales». Ius et Scientia, 6 (2): 72-82. DOI: 10.12795/IETSCIENTIA.2020.i02.06.

* Competition and Markets Authority (2021). Algorithms: How they can reduce competition and harm consumers. Disponible en https://tipg.link/eRID.

* Connor, John M., Albert A. Foer y Simcha F. Udwin (2010). «Criminalizing cartels: An american perspective». New Journal of European Criminal Law, 1 (2): 199-217. DOI: 10.1177/203228441000100207.

* Cuevas, Erik (2021). Introducción al machine learning con MATLAB. Bilbao: Marcombo.

* Dagnino, Jorge (2014). «Regresión lineal». Revista Chilena de Anestesia, 43 (2): 143 -149. DOI: 10.25237/revchilanestv43n02.14.

* Echeverría, Elisa (2007). Estrategias para detectar colusión: Lecciones para el caso chileno. Tesis para optar al grado de Magíster en Gestión y Políticas Públicas. Universidad de Chile. Disponible en https://tipg.link/eRY1.

* Espino, Carlos y Xavier Martínez (2017). Análisis predictivo: Técnicas y modelos utilizados y aplicaciones del mismo - herramientas Open Source que permiten su uso. Trabajo de fin de grado. Universidad Oberta de Catalunya. Disponible en https://tipg.link/eRY6.

* Espinoza, Lourdes y Raúl Rubin de Celis. (2017). «Regulador no benevolente y asimetrías de información: Aproximación con un modelo de agencia». Revista de Análisis Económico, 32 (1): 23-45. DOI: 10.4067/ S0718-88702017000100023.

* Ghosal, Vivek (2006). «Discovering cartels: Uncovering dynamic interrelationships between criminal and civil antitrust investigations». Múnich Personal RePEc Archive, Universidad de Múnich. Disponible en https://tipg.link/eXo6.

* González, Aldo (2007). «Conceptos y aplicación de la delación compensada en la persecución de carteles». En Foco, 100: 1-19. Disponible en https://tipg.link/eRaE.

—. (2011). «Prácticas colusivas». En La libre competencia en el Chile del Bicentenario (pp. 143-155). Santiago: Thomson Reuters PuntoLex. Disponible en https://tipg. link/eRbQ.

* Hammond, Scott D. (2000). «Fighting cartels - Why and how? Lessons common to detecting and deterring cartel activity». Discurso en la 3rd Nordic Competition Policy Conference, Estocolmo. Disponible en https://tipg.link/eRkj.

* Harrington, Joseph E. (2018). «Developing competition law for collusion by autonomous artificial agents». Journal of Competition Law and Economics, 14 (3): 331-363. DOI: 10.1093/joclec/nhy016.

* Ivaldi, Marc, Bruno Jullien, Patrick Rey, Paul Seabright y Jean Tirole (2003). The economics of tacit collusion. Toulouse: Institut d’Économie Industrielle. Disponible en https://tipg.link/eRnF.

* Jiang, Fei, Yong Jiang, Hui Zhi, Yi Dong, Hao Li, Sufeng Ma, Yilong Wang, Qiang Dong, Haipeng Shen y Yongjun Wang (2017). «Artificial intelligence in healthcare: Past, present and future». Stroke Vascular Neurology, 2 (4): 230243. DOI: 10.1136/ svn2017000101.

* Kaplow, Louis (2013). Competition policy and price fixing. Nueva Jersey: Princeton University Press.

* LeCun, Yann, Yoshua Bengio y Geoffrey Hinton (2015). «Deep learning». Nature, 521: 436-444. DOI: 10.1038/nature14539.

* López, Dionis y Leticia Arco (2019). «Aprendizaje profundo para la extracción de aspectos en opiniones textuales». Revista Cubana de Ciencias Informáticas, 13 (2): 105-145. Disponible en https://tipg.link/eRoF.

* Mamani, Zoraida (2022). «Machine learning process to determine the social demand for IT professional jobs». Industrial Data, 25 (2): 275-300. DOI: 10.15381/idata.v25i2.21643.g19078.

* Motta, Massimo (2004). Competition policy: Theory and practice. Cambridge: Cambridge University Press.

* Navarro, María (2005). Las conductas conscientemente paralelas. Madrid: Civitas-Aranzadi.

* Neira, Ana (2021). «Inteligencia artificial y tutela cautelar: Especial referencia a la prisión provisional». Revista Brasileira de Direito Processual Penal, 7 (3): 1897-1933. DOI: 10.22197/rbdpp.v7i3.618.

* OECD (2024). «Artificial intelligence, data and competition». OECD Artificial Intelligence Papers, 18. Disponible en https://tipg.link/eTQe.

—. (2022) «Data screening tools for competition investigations». OECD Roundtables on Competition Policy Papers, 284. DOI: 10.1787/4c5bbb9d-en.

* Parisi, Antonino, Franco Parisi y David Díaz (2006). «Modelos de algoritmos genéticos y redes neuronales en la predicción de índices bursátiles asiáticos». Cuadernos de Economía, 43 (128): 251-284. DOI: 10.4067/S0717-68212006000200002.

* Pascual, Lorenzo y Esther Ruiz (2021) «Predicción de series temporales basada en machine learning: Aplicaciones económicas y financieras». En Daniel Peña, Pilar Poncela y Esther Ruiz (editores), Nuevos métodos de predicción económica con datos masivos (pp. 189-214). Madrid: Funcas. Disponible en https://tipg.link/eRqN.

* Pérez, Jorge (2019). «Statihouse: Desarrollo tecnológico basado en ciencia de datos para explorar estadísticamente el sector inmobiliario». Ingeniare, 27 (1): 113- 130. DOI: 10.4067/S0718-33052019000100113.

* Petit, Nicolas (2012). «The oligopoly problem in EU competition law». En Ioannis Líanos y Damien Geradin (editores), Research handbook in European competition law (pp. 259-349). Cheltenham: Edward Elgar Publishing. Disponible en https:// tipg.link/eRsX.

* Posner, Richard A. (1969). «Oligopoly and the antitrust laws: A suggested approach». Stanford Law Review, 21 (6): 1562-1606. DOI: 10.2307/1227523.

* Ramírez, Cristián (2024). «Inteligencia artificial y prisión preventiva». Actualidad Jurídica, 50: 337-362. Disponible en https://tipg.link/eRz_.

* Serey, Víctor D. (2012). Indicadores de colusión en el mercado farmacéutico chileno. Tesis de Magíster en Economía, Pontificia Universidad Católica de Chile. Disponible en https://tipg.link/eR-k.

* Sims, Rod (2017). «Can robots collude?». Discurso en la Australian Competition and Consumer Comision (ACCC). Disponible en https://tipg.link/eR_J.

* Solernou, Stella (2021). «La colusión en el contexto de algoritmos». Revista de Estudios Europeos, 78: 138-153. Disponible en https://tipg.link/eR_N.

* Sosvilla, Simón D. (2021). Desarrollo y aplicación de herramientas econométricas para la identificación y medición del riesgo. Proyecto PR108/2012 (Ayudas para la financiación de proyectos de investigación SantanderUCM 2019). Universidad Complutense de Madrid, Instituto de Análisis Económico. Disponible en https://tipg.link/eS1e.

* Stucke, Maurice E. (2006). «Morality and antitrust». Columbia Business Law Review, 3: 443-547. DOI: 10.7916/cblr.v2006i3.2992.

* Tenorio, Guillermo (2021). «El derecho a una vida libre de algoritmos». Revista IUS, 15 (48): 115-135. DOI: 10.35487/rius.v15i48.2021.708.

* Whelan, Peter (2007). «A principled argument for personal criminal sanctions as punishment under EC cartel law». Competition Law Review, 4 (1): 7-40. Disponible en https://tipg.link/eS1q.

* Wiemken, Timothy L. y Robert R. Kelley (2020). «Machine learning in epidemiology and health outcomes research». Annual Review of Public Health, 41 (1): 21-36. DOI: 10.1146/annurev-publhealth-040119-094437.