Pág. 1
Análisis discriminante y algoritmos de redes neuronales artificiales para el estudio de
mercados financieros
Juan Carlos Lázaro Guillermo, Amanda Del Aguila Del Aguila, Ysabel Moran Quintanilla,
Ysaelen Josefina Odor Rossel, Orison Valera Davila, Carlos Mariano Alvez Valles
© Juan Carlos Lázaro Guillermo, Amanda Del Aguila Del Aguila, Ysabel Moran Quintanilla,
Ysaelen Josefina Odor Rossel, Orison Valera Davila, Carlos Mariano Alvez Valles, 2024
Primera edición: Noviembre, 2024
Editado por:
Editorial Mar Caribe
www.editorialmarcaribe.es
Av. General Flores 547, Colonia, Colonia-Uruguay.
Diseño de cubierta: Yelitza Sánchez Cáceres
Libro electrónico disponible en: https://editorialmarcaribe.es/analisis-discriminante-y-
algoritmos-de-redes-neuronales-artificiales-para-el-estudio-de-mercados-financieros/
Formato: electrónico
ISBN: 978-9915-9732-1-0
ARK: ark:/10951/isbn.9789915973210
DOI: 10.70288/emc.9789915973210
Aviso de derechos de atribución no comercial: Los autores pueden autorizar al público en general a reutilizar
sus obras únicamente con fines no lucrativos, los lectores pueden usar una obra para generar otra obra, siempre
y cuando se dé el crédito de investigación y, otorgan a la editorial el derecho de publicar primero su ensayo bajo
los términos de la licencia CC BY-NC 4.0.
Editorial Mar Caribe firmante N° 795 del 12.08.2024 de la Declaración de Berlín: “nos sentimos obligados a abordar
los desafíos de internet como un medio funcional emergente para la distribución de conocimiento. Obviamente, estos avances
podrán modificar significativamente la naturaleza de la publicación científica, así como el sistema existente de aseguramiento
de la calidad” (Sociedad Max Planck, ed.. 2003., pp. 152-153).
Pág. 2
EDITORIAL MAR CARIBE
«Análisis discriminante y algoritmos de redes neuronales artificiales
para el estudio de mercados financieros»
COLONIA DEL SACRAMENTO, URUGUAY
2024
Pág. 3
Sobre los autores y la publicación
Juan Carlos Lázaro Guillermo
jlazarog@unia.edu.pe
https://orcid.org/0000-0002-4785-9344
Universidad Nacional Intercultural de la
Amazonia, Perú
Amanda Del Aguila Del Aguila
adelaguilad@unia.edu.pe
https://orcid.org/0000-0001-6930-975X
Universidad Nacional Intercultural de la
Amazonia, Perú
Ysabel Moran Quintanilla
ymoranq@unia.edu.pe
https://orcid.org/0000-0002-8797-534X
Universidad Nacional Intercultural de la
Amazonia, Perú
Ysaelen Josefina Odor Rossel
odorysa@gmail.com
https://orcid.org/0000-0003-3160-3106
Universidad Nacional Experimental Francisco
de Miranda, Venezuela
Orison Valera Davila
orison_vale[email protected]du.pe
https://orcid.org/0000-0002-3972-6330
Universidad Nacional de Ucayali, Perú
Carlos Mariano Alvez Valles
calvezv@unmsm.edu.pe
https://orcid.org/0000-0003-2341-6191
Universidad Nacional Mayor de San
Marcos, Perú
Libro resultado de investigación:
Publicación original e inédita, cuyo contenido es resultado de un proceso de investigación realizado
antes de su publicación, ha sido revisada por pares externos a doble ciego, el libro ha sido
seleccionado por su calidad científica y porque contribuye significativamente en el área del saber e
ilustra una investigación completamente desarrollada y completada. Además, la publicación ha
pasado por un proceso editorial que garantiza su estandarización bibliográfica y usabilidad.
Pág. 4
Índice
Prólogo .................................................................................................................................. 6
Capítulo 1 .............................................................................................................................. 9
El análisis discriminante, métodos de predicción y redes neuronales artificiales ..... 9
RNA y su aplicación en la predicción de dificultades financieras ........................ 11
Empleo de RNA en instituciones de crédito ............................................................. 13
RNA en la predicción de los mercados ...................................................................... 15
La predicción de la rentabilidad bursátil .................................................................. 25
Capítulo 2 ............................................................................................................................ 28
RNA y la competencia dentro de los mercados financieros ........................................ 28
Los tipos de algoritmos ................................................................................................ 30
Ventajas de los algoritmos ........................................................................................... 35
La prevalencia de los algoritmos de fijación de precios .......................................... 37
Las teorías algorítmicas de los daños ......................................................................... 40
Conducta algorítmica coordinada ........................................................................ 41
La conducta unilateral algorítmica ....................................................................... 48
La conducta de exclusión algorítmica ......................................................... 49
La autopreferencia .......................................................................................... 49
Los algoritmos de fijación de precios ......................................................................... 51
Los precios abusivos ...................................................................................... 53
Los descuentos ................................................................................................ 54
El empaquetado .............................................................................................. 55
Capítulo 3 ........................................................................................................................... 57
La explotación algorítmica desde el análisis de la OECD .......................................... 57
Los precios excesivos y deslealtad comercial ............................................. 57
La discriminación de precios ........................................................................ 61
Investigando algoritmos .............................................................................................. 63
La necesidad ............................................................................................................. 63
La factibilidad .......................................................................................................... 65
Las técnicas de investigación ................................................................................. 67
Las competencias específicas ................................................................................. 73
La coordinación y colaboración ............................................................................ 74
Capítulo 4 ....................................................................................................................... 78
Estudios de caso, normativa, algoritmos RNA y aparición de la Inteligencia Artificial
(IA) .................................................................................................................................. 78
Las posibles intervenciones normativas .............................................................. 79
Las opciones institucionales para gobernar los algoritmos...................... 80
Pág. 5
La transparencia algorítmica y rendición de cuentas ............................... 81
Los principios para la transparencia algorítmica....................................... 82
La normativa para evitar la colusión algorítmica ...................................... 83
Impacto de la ciencia de datos e inteligencia artificial ............................................ 88
Conclusiones ............................................................................................................ 97
Bibliografía................................................................................................................ 99
Pág. 6
Prólogo
El potencial de las redes neuronales artificiales (RNA) para aumentar la
productividad de los mercados financieros es innegable, desde actuar como un
poderoso asistente de codificación hasta ejecutar procesamientos de datos
autónomos y entrenados para predecir el comportamiento del sector; este es el
futuro de la econometría y de la teoría económica del presente. Las RNA podrían
aumentar la productividad a través de varios análisis numéricos, es decir, a través
de efectos directos de la significancia y representatividad de los métodos estadísticos
que impulsa la productividad total de los factores o a través de factores de
producción individuales.
De hecho, varios estudios ya apuntan a considerables aumentos de
productividad inducidos por las RNA a nivel del sector banca y finanzas. Sin
embargo, las estimaciones de los efectos agregados para la nueva banca (mercados
Fintech), difieren marcadamente de un país a otro, según la clasificación del nivel de
riesgo del Banco Mundial, y que va desde un aumento en el crecimiento anual de la
oferta y demanda global de las cuentas nacionales en hasta un crecimiento anual del
índice per cápita, esto medido en puntos porcentuales.
El resultado final dependerá de si vemos una adopción y difusión rápida y
amplia de métodos discriminantes simples o complejos en todos los sectores de la
economía. Hasta ahora, la velocidad de difusión entre sectores y empresas tiene
pocos precedentes históricos. Y la evidencia da cuenta de la necesidad del Estado
moderno en la adopción de estos métodos de cuantificación sin sesgos. Pero un
riesgo clave se deriva de la posibilidad de que la mayor parte del valor creado por
las RNA sea extraído por unas pocas empresas del sector y que termine dominando
el ecosistema de la economía mundial aniveles de monopolio. Esta es una razón
clave por la que el aumento de la productividad de las RNA a nivel de las estadísticas
sectorizadas, puede no traducirse en ganancias sostenidas de valor añadido a nivel
agregado, ya que el poder de mercado aumenta los costos.
A lo largo de la historia ya vemos que esto sucede con el auge de las
tecnologías de la información y de la comunicación, lo que dio lugar a que la
masificación de métodos de aprendizaje automatizado (machine learning) se
Pág. 7
concentraran en el sector y beneficiaran principalmente a los países con grandes
estructuras tecnológicas (monopolio). Por lo tanto, es fundamental diseñar una
estrategia mundial de automatización de datos con el propósito de preservar la
competencia en el espacio de la inteligencia artificial; crear un ecosistema que apoye
la competitividad de las empresas del sector finanzas, generando aumentos de la
productividad sectorial a lo largo del tiempo, facilitando el desarrollo de productos
y servicios respaldados por las RNA.
En el panorama empresarial actual, los algoritmos se han convertido en una
parte integral de las operaciones de las empresas y sirven para diferentes propósitos,
como desarrollar productos innovadores y mejorar los existentes. La utilización de
algoritmos ha allanado el camino para el surgimiento de nuevos mercados en línea,
provocando importantes perturbaciones en industrias tradicionalmente fuera de lí-
nea. Los algoritmos de RNA tienen la potencial de mejorar la eficiencia y fomentar
la competencia de diversas maneras. Esto puede actuar como catalizadores de inno-
vaciones disruptivas, reducir costos, derribar barreras de entrada, simplificar el pro-
ceso para los clientes, y fijar precios dinámicos. Sin embargo, algunos beneficios pue-
den impedir la competencia y afectar negativamente a los consumidores.
El desarrollo de la economía digital ha planteado desafíos para los legislado-
res y reguladores que buscan salvaguardar la competencia, mantener la confianza
del mercado y mejorar el bienestar social. Los riesgos potenciales asociados con el
uso extensivo de algoritmos informáticos en los modelos de negocios contemporá-
neos son riesgos apremiantes en los círculos profesionales.
Las RNA están influyendo significativamente en las condiciones del mercado,
proporcionando herramientas automatizadas avanzadas para monitorear precios,
implementar políticas compartidas, enviar señales de mercado y optimizar las ga-
nancias conjuntas. En el primer escenario, los desafíos enfrentan las agencias regu-
ladoras en detectar posibles casos anticompetitivos y reunir evidencia suficiente
para cumplir con los criterios legales. En el segundo escenario, los responsables de
hacer cumplir la ley de competencia tienen varias opciones a considerar. Un enfoque
es utilizar herramientas antimonopolio tradicionales y comenzar por realizar una
investigación de mercado exhaustiva.
Pág. 8
El avance de la inteligencia artificial (IA) se ha acelerado debido a los incenti-
vos tecnológicos, financieros y humanos disponibles actualmente. En particular, se
han producido avances significativos en tecnologías inteligentes en diversos cam-
pos, como la agricultura, la manufactura, la medicina, la educación, los vehículos
autónomos y el entretenimiento. Además, las implicaciones sociales, económicas,
éticas y legales de la IA se han convertido en temas de contemplación y discusión en
todo el mundo.
En consecuencia, los autores exponen en el libro que existe una demanda cre-
ciente de personas especializadas con amplia formación técnica, incluidos informá-
ticos y científicos capaces de crear nuevas tecnologías inteligentes, así como profe-
sionales como médicos, administradores e ingenieros que puedan utilizar eficaz-
mente estas tecnologías en sus respectivos campos. Desafortunadamente, la imple-
mentación de sistemas inteligentes puede conducir a una reducción de las oportu-
nidades laborales para tareas que dependen en gran medida de habilidades manua-
les, particularmente en los países en desarrollo.
No obstante, las naciones desarrolladas que anteriormente subcontrataban su
fuerza laboral ahora buscan reemplazarla con sistemas inteligentes a nivel nacional.
Desde un punto de vista ético, es crucial que estos sistemas posean ciertos requisitos
para evitar sesgos y reacciones sociales negativas. A este respecto, los autores se
orientan a concientizar en la transparencia y la fiabilidad en el campo de las finanzas
e impulsan la promoción del acceso igualitario de hombres y mujeres a la IA, espe-
cialmente en América Latina.
Este esfuerzo tiene como objetivo alentar a los sistemas a tener una perspec-
tiva más imparcial y representativa de la mayoría de la población. Por último, el
futuro de la IA también abarca sus interacciones con otras áreas del conocimiento y
tecnologías. En particular, la computación cognitiva se beneficiará de los avances en
la comprensión del funcionamiento del cerebro humano y la neurociencia, así como
del desarrollo de procesadores, sistemas de almacenamiento de datos, realidad vir-
tual y entornos de realidad aumentada.
Pág. 9
Capítulo 1
El análisis discriminante, métodos de predicción y redes neuronales
artificiales
El análisis discriminante es un método popular y ampliamente utilizado para
examinar datos financieros en el contexto de dificultades financieras. Esta técnica
implica evaluar varias variables independientes para asignar una puntuación,
conocida como puntuación z, a cada empresa de una muestra determinada.
Posteriormente, a partir de los resultados de la muestra, el analista establece un
punto de corte específico para el z-score. Se prevé que las empresas que caigan por
debajo de este umbral se enfrentarán a la quiebra, mientras que se espera que las que
lo superen mantengan su salud financiera. La principal ventaja de este enfoque
radica en su capacidad para simplificar un problema complejo condensándolo en
una sola puntuación. A Altman (1968) se le atribuye ser el primero en emplear el
Análisis Discriminante para la predicción de quiebras. Vale la pena señalar que los
estudios que utilizan la metodología del Análisis Discriminante reportan
consistentemente un alto nivel de precisión en la clasificación de empresas.
Un inconveniente importante del método de análisis discriminante son sus
estrictos requisitos estadísticos previos. Estos incluyen la necesidad de que las
variables independientes sigan una distribución normal multivariada, que a
menudo no se cumple cuando se utilizan variables independientes ficticias.
Asimismo, la interpretación de los resultados del modelo es limitada ya que la
puntuación obtenida es principalmente una clasificación ordinal, lo que proporciona
información limitada. Además, determinar la significancia estadística de las
contribuciones de las diversas variables independientes a la puntuación general
carece de un enfoque sencillo.
Los modelos de elección binaria, también conocidos como técnicas de
variable dependiente limitada, incluidos Probit, Tobit y Logit, tienen la capacidad
de abordar y mitigar las principales limitaciones del análisis discriminante. En el
ámbito del análisis contable para la predicción de crisis financieras, el innovador
Pág. 10
artículo de Martínez (1989) constituye el estudio pionero que popularizó la
aplicación de técnicas de regresión de elección binaria.
Lennox (1999) realizó una investigación sobre quiebras corporativas y
descubrieron que el modelo Logit parecía tener una menor incidencia de errores de
tipo I, que se refiere a categorizar erróneamente a una empresa en quiebra como
financieramente estable. Sin embargo, también observaron que el Análisis
Discriminante Múltiple no superó significativamente al modelo Logit. Como
resultado, concluyeron que la complejidad computacional adicional del modelo
Logit puede no valer la pena a menos que las consecuencias de los errores de tipo I
sean excepcionalmente graves.
El estudio realizado por Lando y Duffie (2003) plantean preocupaciones con
respecto a las metodologías generales utilizadas en los modelos de predicción de
quiebras. Destacan tres cuestiones metodológicas clave que socavan la credibilidad
y eficacia de estos modelos. En primer lugar, critican el uso de muestras basadas en
elecciones y distribuidas equitativamente durante la estimación y validación del
modelo, argumentando que este enfoque puede no representar con precisión
escenarios de quiebra del mundo real. En segundo lugar, cuestionan el uso arbitrario
de probabilidades de corte y sugieren que se debería adoptar un enfoque más
sistemático y objetivo. Por último, Lando y Duffie (2003) cuestionan el supuesto de
costos iguales de los errores en las predicciones, enfatizando la necesidad de
considerar las posibles consecuencias e impactos de estos errores de manera más
integral. En general, su estudio proporciona información valiosa sobre las
limitaciones y debilidades de las metodologías actuales de predicción de quiebras,
destacando áreas que requieren mayor refinamiento y mejora.
Después de emplear Probit y modelos discriminantes múltiples para abordar
estos problemas, los investigadores descubrieron que ni el modelo discriminante
múltiple ni el modelo Probit exhibieron un rendimiento superior en comparación
con un modelo simplista que asumía que ninguna de las empresas estaba en quiebra.
Tonon et al. (2022) emplearon un modelo Probit que utilizaba trece ratios
financieros fundamentales para pronosticar la probabilidad de dificultades
financieras dentro de empresas en Ecuador y encontraron que existe un impacto
Pág. 11
sustancial en la predicción de dificultades financieras. Estos ratios significativos se
identificaron de la siguiente manera:
• X1, Logaritmo (activos totales / índice del nivel de precios);
• X2, que representa los Pasivos Totales / Activos Totales;
• X3, que indica el Capital de Trabajo / Activos Totales;
• X4, que denota el Pasivo corriente / Activo corriente;
• XK, que relaciona la variable respuesta de tipo categórico y un conjunto de
variables explicativas categóricas o continuas.
Los investigadores desarrollaron una función índice, denominada Y, con una
ecuación estimada que incluye varias variables. Aplicaron tres modelos con
ecuaciones de tipo:
Y = AX1 - BX2 -CX3 + DX4+……NXK
Las variables X1 a Xn se utilizan como variables ficticias estacionales para tener
en cuenta cualquier variación estacional en los datos.
La probabilidad de experimentar dificultades financieras se puede
determinar consultando las tablas que proporcionan la información estadística
acumulada. Tonon et al. (2022) clasificaron a todas las empresas del sector como en
dificultades si su probabilidad de enfrentar dificultades financieras excedía uno de
manera condicional, estratificando las que no contaban con información financiera
y aquellas que no presentaban actividad.
RNA y su aplicación en la predicción de dificultades financieras
En los últimos tiempos, las redes neuronales artificiales (RNA) se han
utilizado cada vez más en la predicción de problemas financieros, con notable éxito
en diversas aplicaciones. Odom y Sharda (1990) realizaron un estudio y
determinaron que una RNA de retropropagación superó a un modelo de análisis
discriminante en la predicción precisa del fracaso empresarial. Posteriormente, el
Pág. 12
grupo de Servicio y Soporte de Desarrollo de Aplicaciones (ADSS) de Neuralware
mejoraron la precisión de su modelo.
El grupo ADSS desarrolló con éxito un sistema basado en RNA diseñado
específicamente para identificar quiebras bancarias, que fue utilizado por la
reconocida firma de contabilidad KPMG Peat Marwick. En su análisis, afirmaron
haber logrado una impresionante tasa de precisión del 90%. Otro estudio
comparando el rendimiento de un modelo basado en RNA con un modelo Logit,
indicó que el modelo RNA funcionó igual o incluso mejor que el modelo Logit.
Además, observaron que cuando se disminuía el punto de corte (nivel de
probabilidad), el modelo Logit presentaba un mayor aumento de errores de tipo II
(clasificación errónea de una empresa sana como en quiebra) en comparación con el
modelo ANN, al tiempo que reducía eficazmente los errores de tipo I. (clasificación
errónea de empresa en quiebra como sana).
Tam y Kiang (1992) realizaron un estudio sobre asociaciones de ahorro y
préstamo, donde encontraron que la evidencia empírica respalda consistentemente
la noción de que las redes neuronales artificiales (RNA) superan a otras técnicas de
clasificación como el análisis discriminante, Logit, k Vecino más cercano (kNN), y
árbol de decisión (ID3) en términos de precisión predictiva. Además, afirman que
las RNA pueden servir como una alternativa superior a estas técnicas de clasificación
en escenarios específicos.
• Un escenario en el que las redes neuronales artificiales (RNA) demuestran su
superioridad es cuando se trata de distribuciones multimodales. En tales
casos, las RNA destacan por representar con precisión la función
discriminante no lineal, que a menudo se encuentra en tareas de clasificación.
Estas tareas implican relaciones entre variables que no son de naturaleza
lineal. Por ejemplo, un estudio realizado por García y Marín (1992) revelaron
que los agentes de crédito mostraban una mayor precisión predictiva en
comparación con los modelos de análisis discriminante lineal. Esto se
atribuyó principalmente a su capacidad de comprender y establecer
conexiones no lineales entre las variables y los resultados del préstamo. De
manera similar; al día de hoy, la investigación de O'Brien y Silcox (2024).
Pág. 13
también respaldan la noción de que los juicios humanos se representan mejor
mediante una función no lineal.
• Una de las ventajas de las redes neuronales artificiales es su capacidad para
adaptarse a la naturaleza dinámica del entorno en el que se aplican. Esto se
logra mediante el ajuste del modelo, lo que permite a la red responder
rápidamente y adaptarse a cualquier cambio que pueda ocurrir.
• Otra ventaja de las RNA es su robustez, ya que no hacen suposiciones sobre
la distribución de probabilidad o la distribución equitativa de los datos.
Además, a diferencia de otros modelos que tienen restricciones rígidas como
la linealidad, las RNA no están sujetas a tales limitaciones.
Empleo de RNA en instituciones de crédito
El propósito del modelo de retropropagación de las RNA es utilizar índices
financieros como insumo para desarrollar un modelo de predicción en la
identificación de dificultades financieras en instituciones crediticias. La razón para
elegir el modelo de retropropagación es su éxito comprobado en el campo de las
tareas de predicción de quiebras, Además, implementar este modelo es
relativamente sencillo debido a la disponibilidad de herramientas. Las RNA han
ganado un importante reconocimiento dentro del campo contable, ya que sirven
como una valiosa herramienta para predecir quiebras utilizando factores como flujos
de fondos, índices de acumulación y datos contables. Por ello, la industria de seguros
también ha adoptado el uso de RNA para obtener alertas tempranas de insolvencia
de aseguradoras.
Existen dos enfoques ampliamente utilizados cuando se trata de validar
modelos de predicción de quiebras. El primer enfoque implica dividir un único
conjunto de datos en dos conjuntos separados: uno se utiliza para desarrollar el
modelo, mientras que el otro se utiliza para evaluar su desempeño. Por otro lado, el
segundo enfoque implica utilizar datos de un período de tiempo específico como
datos dentro de la muestra y datos de otro período de tiempo similar como conjunto
de prueba fuera de la muestra. En el contexto de esta investigación, se elige con fines
Pág. 14
de validación el primer método, que implica dividir el conjunto de datos en
conjuntos de entrenamiento y prueba.
El modelo RNA ha demostrado ser tan eficaz, y en algunos casos incluso más
eficaz, que el modelo Probit a la hora de diagnosticar instituciones de crédito en
dificultades como modelo de alerta temprana. Ambos modelos tienen una tasa de
precisión general de alrededor del 90 % para los datos de la muestra y del 92 %, y
no existe una diferencia estadísticamente significativa entre sus resultados (Escalona
et al., 2024).
Las instituciones crediticias pueden identificar posibles dificultades
financieras en muchos casos, pero al cometer errores de Tipo II, una institución de
crédito sólo se considera en dificultades después de haber sido puesta bajo
administración o recibir un aviso de la administración. Esto tiene un impacto
negativo en las RNA, imposibilita predecir las dificultades financieras cuando las
empresas aún no han sido oficialmente puestas bajo administración, incluso si
terminan enfrentando problemas financieros. Esta limitación impedirá que la RNA
cree un sistema de alerta temprana eficaz. El mismo problema se aplica al modelo
Probit.
Este preciso llamar la atención sobre los desafíos que pueden surgir al
introducir una nueva tecnología en un sistema establecido. Específicamente, puede
haber resistencia por parte de los supervisores de las instituciones financieras. Si la
RNA (un modelo predictivo) sugiere que ciertas empresas corren el riesgo de
experimentar una crisis, pero un supervisor no está de acuerdo basándose en su
experiencia personal, puede optar por ignorar la advertencia de la RNA.
El dilema ético que rodea el proceso de auditoría de las empresas que son
falsamente señaladas por posibles problemas es una preocupación importante que
debe examinarse a fondo. Es crucial que antes de implementar el sistema, todas las
organizaciones que operan bajo él sean conscientes de las limitaciones del sistema y
de la posibilidad de cometer errores de Tipo II, lo que podría dar lugar a auditorías
por parte del consejo de supervisión. Al asegurarnos de que las personas
comprendan las limitaciones del sistema, podemos evitar expectativas poco
realistas. Además, es imperativo abordar la seguridad y accesibilidad de la
Pág. 15
información proporcionada para mitigar cualquier posible violación de la
confidencialidad. Con la implementación de este sistema, más personas tendrán
acceso a información potencialmente sensible, por lo que es esencial establecer
medidas sólidas que salvaguarden la privacidad.
Para determinar si es factible implementar un sistema de predicción de alerta
temprana, es importante realizar un análisis exhaustivo de los costos y beneficios
involucrados. Este análisis debería considerar el beneficio financiero potencial, como
evitar que las instituciones de crédito quiebren, así como el impacto en la confianza
pública. Es necesario justificar los recursos adicionales necesarios para implementar
el sistema, incluido personal como constructores de sistemas, personal de
mantenimiento y personal de monitoreo y auditoría. Otros recursos necesarios
incluyen equipos informáticos, el desarrollo de nuevas normas de cumplimiento
para las cooperativas de crédito, capacitación del personal, integración con los
sistemas de información existentes y el establecimiento de un departamento
adecuado.
Para mostrar de manera efectiva las ventajas potenciales que se pueden
obtener al integrar completamente el sistema, puede ser crucial desarrollar un
prototipo. Este prototipo puede servir como demostración práctica para la dirección,
permitiéndoles presenciar de primera mano los beneficios tangibles que se pueden
lograr mediante la implementación completa del sistema. Al hacerlo, es posible
persuadir a la dirección para que asigne los recursos y el apoyo necesarios al
proyecto. Es igualmente importante asegurar el apoyo y la participación de las
personas que participarán directamente en la utilización del sistema. Al
involucrarlos en el proceso y obtener su aceptación, resulta más fácil garantizar una
transición más fluida y una implementación exitosa. Además, el acto de construir un
prototipo proporciona a los creadores del sistema una experiencia y conocimientos
invaluables que resultarán beneficiosos cuando se trata de la ejecución real a gran
escala del proyecto.
RNA en la predicción de los mercados
Pág. 16
La creciente volatilidad de los mercados financieros y la globalización de los
flujos de capital resaltan la necesidad de mejorar los pronósticos, los métodos de
clasificación y los métodos de reducción de dimensionalidad para tomar mejores
decisiones. Durante las últimas dos décadas, ha habido una inestabilidad
macroeconómica significativa en América Latina y Asia. Como resultado, los
analistas financieros y los tomadores de decisiones están muy interesados en
predecir con precisión las tasas de rendimiento, los diferenciales subyacentes y las
tasas de incumplimiento en los mercados crediticios nacionales e internacionales.
El mercado de derivados financieros, como las opciones de compra y venta,
ha experimentado un crecimiento sustancial, lo que hace que la fijación de precios
de estos instrumentos sea crucial para cubrir activos de riesgo y lograr una
diversificación óptima de la cartera en las instituciones de inversión internacionales.
A medida que la demanda de nuevos productos derivados sigue aumentando, uno
de los principales desafíos para los profesionales de los mercados financieros es
determinar el precio correcto de estos instrumentos.
Para evitar ser engañados por arbitrajistas internacionales y especialistas en
gestión de riesgos, los profesionales de estos mercados deben asegurarse de que sus
ofertas de derivados tengan un precio que elimine cualquier potencial de arbitraje.
La evaluación precisa del riesgo depende de una comprensión profunda de los
factores que determinan las tasas de rendimiento subyacentes (Botta y Wiedemann,
2019). Por lo tanto, una fijación de precios precisa requiere la utilización de modelos
que puedan generar predicciones razonablemente precisas incluso cuando se
aplican a datos que no se utilizaron durante el desarrollo del modelo.
El proceso de predicción implica obtener información sobre la relación entre
diferentes variables y cómo se influyen entre sí en los mercados dinámicos. Para
lograrlo, es necesario profundizar en datos históricos para identificar las variables
clave que actúan como indicadores confiables para predecir el comportamiento de
otras variables. Además, implica comprender el momento de las relaciones de
adelanto y retraso entre múltiples variables, determinar la importancia estadística
de estas relaciones y reconocer qué variables tienen la mayor importancia en
términos de señalar resultados o retornos futuros.
Pág. 17
Está claro que si conocemos el modelo subyacente preciso que genera los
datos observados en los mercados, podremos obtener los pronósticos más precisos,
incluso en presencia de errores de medición. Sin embargo, es muy probable que el
verdadero modelo subyacente sea excesivamente complejo o que no estemos
seguros de cuál de los numerosos modelos en competencia es el real. Por lo tanto,
debemos confiar en aproximaciones del verdadero modelo subyacente mediante el
uso de modelos aproximados. Una vez que reconozcamos la presencia de
incertidumbre en el modelo y el hecho de que nuestros modelos son meras
aproximaciones, los enfoques de redes neuronales surgirán como formidables
contendientes del modelo lineal ampliamente aceptado.
El acto de clasificar diferentes oportunidades de inversión o préstamo como
riesgos aceptables o inaceptables es una tarea común en las organizaciones
financieras y comerciales. Estas organizaciones se esfuerzan por distinguir entre
riesgos buenos y malos identificando los rasgos clave de los candidatos a invertir.
Por ejemplo, un banco del sector crediticio puede tratar de determinar la
probabilidad de incumplimiento de un préstamo para un automóvil considerando
características fácilmente identificables como ingresos, años de empleo, años de
residencia, nivel de educación, número de dependientes y deuda existente. Además,
las organizaciones pueden desear un sistema de clasificación más matizado que
varíe desde niveles muy bajos a medios y muy altos de riesgo inaceptable para
gestionar eficazmente la exposición a diversos tipos de riesgo. Se ha demostrado que
las redes neuronales son muy competentes en esta tarea, superando incluso a los
métodos más sofisticados basados en enfoques estadísticos tradicionales.
La reducción de la dimensionalidad también juega un papel crucial en los
entornos financieros. A menudo, tendemos a resumir grandes cantidades de datos
mediante el uso de medidas como medias, promedios, medianas o medias
recortadas, que implican eliminar un cierto porcentaje de valores extremos de la
muestra. Tomemos como ejemplo el Promedio Industrial Dow-Jones, que
simplemente representa el promedio de los precios de las acciones industriales. De
manera similar, Standard and Poor 500 es simplemente el precio promedio de los
precios de las 500 acciones más grandes.
Pág. 18
Si bien, confiar únicamente en promedios puede resultar engañoso.
Consideremos el ejemplo de dos estudiantes: un estudiante recibe la misma
calificación en todas las materias, lo que da como resultado una calificación
promedio. Por otro lado, otro estudiante puede obtener una A en la mitad de sus
materias y una C en la mitad restante. Aunque ambos estudiantes tienen un
promedio de B, sus desempeños son muy diferentes. Las calificaciones del primer
estudiante se agrupan en torno a una calificación B, mientras que las del segundo
estudiante se agrupan en torno a dos calificaciones: una A y una C. Por lo tanto, es
crucial determinar si el promedio reportado en las noticias refleja realmente el
estado del mercado. reduciendo la dimensionalidad y transmitiendo información
significativa.
Mirar hacia adelante y hacer predicciones sobre el futuro, así como utilizar
modelos de clasificación y reducción de dimensionalidad, requiere algo más que
analizar datos pasados. Utilizamos los coeficientes derivados de datos históricos
para adaptarlos a nuevos datos y hacer predicciones, clasificaciones y decisiones
para el futuro. Suele decirse que podemos entender la vida reflexionando sobre el
pasado, pero también debemos vivirla mirando hacia adelante.
Si bien el pasado puede ser útil para predecir el futuro, es crucial saber qué
modelos de aproximación, junto con datos del pasado, deben usarse para
pronosticar con precisión eventos futuros. El éxito de la estrategia a mediano plazo
de una empresa depende de las perspectivas de cambios de precios y cantidades
dentro de su industria específica en los próximos trimestres. En última instancia, la
efectividad de los pronósticos de los tomadores de decisiones juega un papel
importante en la determinación de los logros de cualquier estrategia.
Los métodos de diagnóstico y pronóstico tienen un impacto significativo en
los entornos de toma de decisiones, ya que proporcionan información crucial que
permite a los tomadores de decisiones tomar decisiones óptimas. Al analizar los
factores que han influido en el pasado y predecir con precisión el futuro, quienes
toman decisiones obtienen información valiosa que puede guiar su proceso de toma
de decisiones a lo largo del tiempo. Esto es similar a cómo los principios de
ingeniería se basan en la comprensión de las leyes subyacentes que gobiernan el
Pág. 19
movimiento de las variables en un sistema dinámico para desarrollar reglas de
retroalimentación efectivas.
En el contexto de las finanzas, por ejemplo, cuando la Reserva Federal
aumenta las tasas de interés a corto plazo, los administradores de cartera deben
determinar los ajustes apropiados a sus activos. Comprender cómo los cambios en
las tasas de corto plazo afectan las diferentes tasas de rendimiento y las tasas de
inflación futuras permite a los funcionarios financieros desarrollar una función de
reacción. Esta función de reacción sirve como guía, impulsándolos a cambiar sus
inversiones de activos más riesgosos a opciones más seguras y de mayor
rendimiento. Nos referimos a este mecanismo de control, que se basa en las leyes
que rigen el movimiento del sistema, como una función política. Las organizaciones
empresariales, impulsadas por su interés en diagnosticar y predecir resultados,
pueden formular funciones de políticas que controlen eficazmente su propio
bienestar futuro.
El procedimiento de examinar datos pasados, prever resultados futuros y
tomar medidas para gestionarlos son tareas separadas pero interrelacionadas.
Aunque las políticas de control no tienen por qué ser estrictas e inmutables, actúan
como principios prácticos para mejorar el proceso de toma de decisiones. Al analizar
y predecir de manera competente factores como la demanda y su respuesta a las
perturbaciones externas, las empresas pueden tomar decisiones bien informadas con
respecto a las modificaciones de precios. Como resultado, no sorprende que las
divisiones de investigación de diferentes sectores valoren mucho las técnicas de
predicción precisas.
Los métodos de previsión precisos desempeñan un papel vital en la gestión
eficaz de las carteras de los bancos comerciales y de inversión. Los estrategas de
cartera deben tener un conocimiento profundo de la distribución de los
rendimientos para poder evaluar los rendimientos esperados en relación con el
riesgo. Tradicionalmente, se ha confiado en modelos dinámicos lineales con
distribuciones normales o log-normales de rendimientos de activos para analizar y
tomar decisiones. Aun cuando, en entornos volátiles, se hace necesario ir más allá de
estos supuestos simplistas y profundizar en las complejidades de la aproximación
Pág. 20
numérica. Esto significa abandonar la conveniencia de utilizar fórmulas basadas en
distribuciones normales y explorar enfoques alternativos. A pesar del desafío
adicional, esforzarse para hacerlo puede generar beneficios significativos. Por
ejemplo, las empresas pueden comprender mejor cómo los cambios en sus
estrategias o los factores externos pueden afectar sus retornos.
Las actividades formales de diagnóstico y previsión, junto con las prácticas
de control o toma de decisiones en el ámbito empresarial y financiero, funcionan en
armonía para mejorar la eficacia general. Sin embargo, es importante señalar que
cada una de estas actividades requiere conjuntos de habilidades distintos y la
aplicación de algoritmos diferentes pero interconectados. Al emplear métodos de
diagnóstico y predicción, es imperativo poseer conocimientos de técnicas específicas
para filtrar o preprocesar datos para lograr una convergencia óptima.
Igualmente, una estimación precisa es crucial para obtener diagnósticos
confiables y garantizar la precisión al examinar datos que no pertenecen a la
muestra. Por otro lado, tomar decisiones informadas en el ámbito de las finanzas,
como determinar cuándo comprar o vender diversos instrumentos o fijar precios
adecuados, implica incorporar supuestos particulares sobre cómo clasificar el riesgo
y comprender las preferencias de los inversores a la hora de equilibrar riesgo y
rendimiento. En consecuencia, los resultados de estas decisiones están fuertemente
influenciados por la selección de un índice de preferencia o bienestar que se alinee
con niveles aceptables de riesgo y rendimientos deseados durante un período de
tiempo determinado.
Mirándolo desde cierto punto de vista, se puede considerar que la influencia
fluye en una dirección, abarcando una amplia gama de actividades, como métodos
de diagnóstico y pronóstico, que impactan directamente en la toma de decisiones
comerciales y financieras. Estos métodos de diagnóstico y pronóstico tienen el
propósito de proporcionar información valiosa o hechos estilizados sobre las tasas
de rendimiento anticipadas y su nivel asociado de volatilidad. Los pronósticos
desempeñan un papel fundamental a la hora de determinar las estrategias de fijación
de precios adoptadas por las empresas para sus productos, además de influir en el
Pág. 21
precio de instrumentos financieros como opciones de compra o venta y otras formas
complejas de derivados.
Por otro parte, es importante considerar que podría haber un intercambio
recíproco de retroalimentación o influencia. El conocimiento de los objetivos de los
directivos o de sus medidas de bienestar, que pueden obtenerse mediante encuestas,
puede servir como un indicador valioso para los modelos de previsión,
especialmente en entornos inestables. De manera similar, el riesgo o la volatilidad
estimados obtenidos de los modelos de pronóstico y el riesgo implícito observado
en los mercados financieros a través de decisiones de fijación de precios para
opciones o swaps pueden diferir significativamente cuando existe un alto nivel de
incertidumbre sobre el estado futuro de la economía. En ambos escenarios, la
información derivada de las expectativas de las encuestas o de las volatilidades
implícitas basadas en los precios de los derivados financieros puede utilizarse como
herramientas adicionales para mejorar la precisión de los modelos de pronóstico de
las tasas de rendimiento subyacentes. También puede resultar interesante predecir
las volatilidades implícitas utilizando los precios de las opciones.
Así, la elección de qué índice de precios utilizar para medir y predecir la
inflación puede variar dependiendo de las intenciones del individuo que busca esta
información. Si el propósito es ayudar a la autoridad monetaria a controlar las
presiones inflacionarias y establecer políticas, entonces los índices de precios con
altos niveles de volatilidad a corto plazo pueden no ser adecuados. Esto se debe a
que una medida excesivamente volátil del nivel de precios podría dar lugar a
reacciones exageradas a la hora de determinar los tipos de interés a corto plazo.
Aunque, si la medida de precios es demasiado indulgente, podría dar lugar a una
política monetaria pasiva que no afronte adecuadamente las crecientes presiones
inflacionarias. Por lo tanto, es beneficioso extraer información de una variedad de
índices de precios o tasas de rendimiento para identificar movimientos del mercado
o fuerzas impulsoras fundamentales. Los enfoques de redes neuronales pueden ser
particularmente efectivos para lograr esto.
A diferencia de disciplinas como la física o la ingeniería, el proceso de
medición y análisis de datos para diagnóstico y pronóstico en campos como las
Pág. 22
finanzas no se distingue tan claramente de los objetivos e intenciones de los
investigadores, los tomadores de decisiones y los participantes del mercado. Este es
un punto sutil pero crucial que conviene subrayar. Cuando creamos modelos para
aproximar las tasas de rendimiento en los mercados financieros, lo que
esencialmente estamos haciendo es intentar pronosticar las predicciones hechas por
otros. Las fluctuaciones en las tasas de rendimiento ocurren en respuesta a noticias
tanto públicas como privadas, ya que los comerciantes reaccionan a estas noticias
comprando o vendiendo activos. Para captar mejor el verdadero modelo subyacente,
debemos considerar cómo los operadores (individuos muy parecidos a nosotros)
aprenden, procesan información y toman decisiones al formular nuestros propios
modelos.
En los últimos años, ha habido un interés creciente en la investigación
macroeconómica. Esta investigación arroja luz sobre el hecho de que los tomadores
de decisiones que pretendemos representar con nuestros modelos no poseen una
racionalidad completa ni una comprensión omnisciente de su entorno financiero. Al
igual que nosotros, ellos tienen que aprender y adaptarse a las circunstancias en
constante cambio. En vista de esto, los métodos de redes neuronales han surgido
como una opción natural para aproximar los mercados financieros. Originariamente
arraigadas en las ciencias cognitivas y del cerebro, las redes neuronales
proporcionan un medio para comprender cómo se procesa la información y se
transforma en conocimiento. En la sección siguiente, profundizaremos en la
estructura de los marcos de redes neuronales típicos para demostrar este punto. Vale
la pena señalar que el análisis realizado utilizando redes neuronales se reconoce
cada vez más como un componente crucial de la comprensión filosófica del
conocimiento en finanzas empíricas.
Una parte importante del progreso inicial en el estudio de las redes
neuronales se ha producido en los campos de la psicología, la neurociencia y la
ingeniería. Este progreso se ha centrado predominantemente en la resolución de
problemas de reconocimiento de patrones. De manera similar, los algoritmos
genéticos, que se utilizan para implementar prácticamente redes neuronales, han
seguido una trayectoria de desarrollo comparable en el ámbito de las matemáticas
Pág. 23
aplicadas. Estos algoritmos se han utilizado principalmente para optimizar sistemas
dinámicos discretos y no lineales, y ahora se han expandido al ámbito de la
ingeniería de datos.
Por lo tanto, existe un problema importante con la interfaz que puede ser
comprensible tanto para estudiantes como para profesionales que han recibido su
educación básica en estadística clásica y econometría. Numerosas terminologías
utilizadas en el campo del aprendizaje profundo pueden parecer desconocidas o
peculiares para personas con esa formación. Para ilustrar, el concepto de modelo se
denomina arquitectura y, en lugar de estimar una arquitectura de red, nos
dedicamos a entrenarla. Así también, los investigadores suelen trabajar con un único
conjunto de datos de entrenamiento y un conjunto de datos de prueba separado, en
lugar de utilizar datos dentro y fuera de la muestra. Además, los coeficientes en el
aprendizaje profundo se conocen comúnmente como ponderaciones, mientras que
los términos constantes se denominan sesgos.
Adicionalmente a las diferencias de significado y vocabulario, existen
numerosas aplicaciones de redes neuronales e inteligencia artificial que no tienen
mucha relevancia para los profesionales de las finanzas. Incluso si tienen cierta
relevancia, es posible que no se ajusten bien a las necesidades y requisitos específicos
de los profesionales financieros. Por ejemplo, el reconocimiento de patrones se
utiliza con frecuencia en la investigación lingüística para identificar y traducir las
letras del alfabeto. Sin embargo, sería más interesante explorar la identificación de
patrones recurrentes, como las burbujas financieras en los datos de rendimiento de
activos de alta frecuencia, o los patrones observados en la estructura temporal de las
tasas de interés.
De manera similar, un número considerable de publicaciones sobre mercados
financieros realizadas por investigadores de redes neuronales poseen una
naturaleza ad hoc, careciendo de cualquier conexión con el marco teórico más
amplio y los supuestos de comportamiento fundamentales que sustentan la
economía y las finanzas. En consecuencia, lamentablemente, una parte importante
de esta investigación no logra obtener una consideración seria por parte de la
comunidad académica en general en los campos de la economía y las finanzas.
Pág. 24
La razón por la que el enfoque de las redes neuronales es tan atractivo es
porque reconoce el hecho de que nuestra capacidad para tomar decisiones racionales
en los mercados financieros es limitada. En otras palabras, cuando intentamos
predecir resultados futuros en estos mercados, esencialmente estamos tratando de
predecir lo que otros individuos van a predecir o estimar. Esto significa que los
participantes en los mercados financieros están constantemente involucrados en un
proceso de aprendizaje, en el que ajustan sus propias creencias y expectativas en
función de errores previos que han cometido.
El enfoque de las redes neuronales es muy atractivo en este contexto debido
a su capacidad para facilitar respuestas umbral por parte de quienes toman
decisiones económicas cuando se enfrentan a cambios en las políticas o variables
exógenas. Sin embargo, a medida que la tasa de interés sigue subiendo, los
inversores se vuelven cada vez más atentos. Si la tasa de interés supera un umbral
crítico, digamos el 5%, puede desencadenar una reacción masiva o una "caída" en el
mercado, lo que provocaría una venta masiva de acciones y una carrera hacia títulos
gubernamentales más seguros (Girault et al., 2016).
El concepto gira en torno a la noción de que los administradores económicos
no reaccionan de manera lineal y proporcional a los cambios en los factores externos,
sino que exhiben respuestas asimétricas y no lineales. Las redes neuronales
proporcionan un enfoque intuitivo para capturar este comportamiento complejo en
la toma de decisiones económicas y financieras. Al comparar las redes neuronales
con los modelos econométricos clásicos, una diferencia notable es que las redes
neuronales no se basan en hipótesis específicas sobre los valores de los coeficientes
o la forma funcional que conecta el regresor observado x con el resultado y. De
hecho, a menudo resulta complicado interpretar el significado de los coeficientes
estimados en las redes neuronales, a diferencia de los modelos econométricos
tradicionales, donde los coeficientes tienen interpretaciones bien definidas. Esta
divergencia con la econometría convencional resalta el énfasis contrastante puesto
en la obtención de estimaciones precisas y consistentes de parámetros o coeficientes.
En el ámbito de la economía, los economistas tienden a confiar en algoritmos
numéricos que se basan en supuestos de datos continuos o "blandos" cuando utilizan
Pág. 25
modelos no lineales (Hillier y Liberman, 2010). Sin embargo, estos métodos a
menudo resultan inadecuados, lo que conduce a fallas o requiere estimaciones
repetidas para garantizar que las estimaciones obtenidas no representen
simplemente una de las muchas posiciones óptimas locales potenciales. Para superar
este desafío, los investigadores han recurrido al uso de algoritmos genéticos y otros
algoritmos de búsqueda evolutiva, que brindan la capacidad de trabajar con
discontinuidades y aumentan la probabilidad de identificar el óptimo global. Si bien
esto es ciertamente alentador, la desventaja es que debemos estar preparados para
tener paciencia, ya que puede llevar un poco más de tiempo obtener los resultados
deseados.
El uso de estos métodos es particularmente aplicable en los sectores
financieros de los mercados emergentes, así como en mercados que experimentan
un alto nivel de innovación y cambio. Hay dos razones interrelacionadas para esto.
En primer lugar, los datos en estos mercados suelen ser ruidosos debido a la
disponibilidad limitada del mercado o a las noticias que se difunden rápidamente,
lo que genera asimetrías y no linealidades que no pueden ignorarse. En segundo
lugar, los participantes en estos mercados a menudo se encuentran en un proceso de
aprendizaje, tratando de comprender los acontecimientos políticos y los cambios en
la organización del mercado mediante prueba y error. Las estimaciones de
parámetros de una red neuronal, que utilizan los participantes del mercado para
hacer pronósticos y decisiones, son en sí mismas el resultado de un proceso de
aprendizaje y búsqueda.
La predicción de la rentabilidad bursátil
Durante las últimas décadas, los mercados financieros han experimentado
cambios significativos gracias al surgimiento de plataformas avanzadas de
comunicación y negociación, que han permitido que un mayor número de
inversores accedan a los mercados, conllevado a una transformación de la teoría
tradicional del mercado de capitales y a una mejora de los métodos de análisis
financiero.
Pág. 26
Los investigadores han estado intrigados durante mucho tiempo por la
predicción de los rendimientos de las acciones, que normalmente implica examinar
la relación entre la información fundamental disponible públicamente del pasado y
los rendimientos futuros de las acciones o índices. Este enfoque desafía la hipótesis
del mercado eficiente, que sostiene que toda la información relevante se incorpora
rápidamente a los precios de las acciones, lo que hace imposible predecir los
rendimientos futuros. Si bien, hay pruebas contradictorias que sugieren que es
posible que los mercados no siempre sean plenamente eficientes, lo que deja espacio
para la posibilidad de predecir rendimientos futuros con resultados mejores que las
probabilidades.
Tomando en consideración las investigaciones realizadas es evidente que
existe evidencia que respalda la previsibilidad de los rendimientos del mercado de
valores utilizando información disponible públicamente, como datos de series
temporales sobre variables financieras y económicas. Los estudios destacan la
importancia de variables como las tasas de interés, las tasas de crecimiento
monetario, los cambios en la producción industrial y las tasas de inflación para
predecir una parte de los rendimientos de las acciones (Lidiema et al., 2018).
Sin embargo, es importante señalar que la mayoría de estos estudios se basan
en supuestos de regresión lineal simple, a pesar de la falta de evidencia que respalde
una relación lineal entre los rendimientos de las acciones y las variables financieras
y económicas. Como existe una cantidad considerable de varianza residual en los
rendimientos reales de las acciones en comparación con las predicciones hechas por
ecuaciones de regresión, es posible que la utilización de modelos no lineales pueda
explicar esta varianza residual y proporcionar pronósticos más precisos de los
movimientos del precio de las acciones.
Debido a la prevalencia de supuestos lineales en las técnicas de modelización
actuales, se vuelve esencial considerar un método de análisis financiero que
incorpore el análisis no lineal de los mercados financieros integrados. Aunque se
puede realizar una regresión no lineal, la mayoría de estas técnicas requieren la
especificación de un modelo no lineal antes de determinar las estimaciones de los
Pág. 27
parámetros. Sin embargo, las redes neuronales presentan una técnica de modelado
no lineal que puede superar estos desafíos.
Para Johnson y Padilla (2005) las redes neuronales ofrecen un enfoque único
que no requiere especificación previa durante el proceso de modelado, ya que
aprenden de forma autónoma la relación inherente entre variables. Esto es
particularmente valioso en la inversión en valores y otras áreas financieras donde
abundan las suposiciones y se sabe poco sobre los procesos subyacentes que
determinan los precios de los activos. Además, las redes neuronales brindan la
ventaja de opciones de arquitectura flexibles, algoritmos de aprendizaje y
procedimientos de validación.
Pág. 28
Capítulo 2
RNA y la competencia dentro de los mercados financieros
En la economía global en rápida evolución, los algoritmos y las RNAs se han
convertido en herramientas indispensables para empresas de diversos sectores. Las
redes neuronales artificiales (RNA) son los componentes básicos para el desarrollo
de algoritmos avanzados de inteligencia artificial (IA) que impulsan varios sistemas
modernos. Sin embargo, comprender las complejidades de las RNA y establecer
estrategias efectivas para facilitar el aprendizaje exitoso de las RNA puede plantear
desafíos.
La adopción generalizada de la IA, incluida la revolucionaria IA generativa,
ha atraído una atención significativa y generado un entusiasmo considerable. Los
gobiernos y los formuladores de políticas de todo el mundo participan activamente
en tratar de comprender y aprovechar los beneficios potenciales y al mismo tiempo
mitigar los riesgos potenciales que plantean los algoritmos y la IA. Además, las
autoridades de competencia también están vigilando de cerca estos avances
tecnológicos transformadores para garantizar prácticas justas y éticas dentro del
mercado.
En 2017, la Organización para la Cooperación y el Desarrollo Económicos
(OECD) organizó una mesa redonda sobre el tema Algoritmos y colusión. El foco de
esta discusión fue el papel potencial de los algoritmos para facilitar la colusión,
particularmente en forma de colusión tácita OECD (2023). La discusión destacó
específicamente la amenaza que representan los algoritmos autónomos de
autoaprendizaje, como los algoritmos de aprendizaje automático, que tienen la
capacidad de producir resultados colusorios sin una programación explícita para
hacerlo. La cuestión de la colusión algorítmica sigue siendo una preocupación para
las autoridades de competencia (González y Martínez, 2020). Si bien, experiencias
posteriores de estas autoridades han revelado que el daño algorítmico a la
competencia se extiende más allá de los efectos coordinados, como se explicará en
detalle en este documento.
Pág. 29
En los últimos años, varias autoridades de competencia han publicado
documentos de políticas que analizan la conexión entre los algoritmos y la
competencia. Por ejemplo, la Autoridad de Competencia y Mercados del Reino
Unido, la Autoridad Danesa de Competencia y Consumidores de Dinamarca, la
Autoridad Finlandesa de Competencia y Consumidores de Finlandia, la Comisión
de Comercio Leal del Japón, la Autoridad Noruega de Competencia de Noruega, la
Autoridad Sueca de Competencia de Suecia, la Autoridad de Consumidores y
Mercados de los Países Bajos, La Autoridade da Concorrência de Portugal y un
documento conjunto de la Autorité de la concurrence & Bundeskartellamt de Francia
y Alemania han publicado dichos documentos (OECD, 2023). Estos artículos han
cubierto una variedad de temas, incluida la prevalencia de los algoritmos de fijación
de precios, las teorías algorítmicas del daño tanto coordinadas como unilaterales y
los métodos para investigar los algoritmos. Este documento de referencia sigue un
alcance y una estructura similares. En las siguientes secciones, exploraremos
algunos de los hallazgos clave descritos en este documento.
Un algoritmo es una serie de pasos que convierten una entrada en una salida.
Los algoritmos sirven para diferentes propósitos y este documento destaca
específicamente la importancia de los algoritmos de búsqueda, recomendación,
asignación, monitoreo y fijación de precios. Los documentos de política de las
autoridades de competencia han puesto un énfasis significativo en el papel de estos
algoritmos. Tienen el potencial de mejorar la competencia y aumentar la eficiencia.
Por ejemplo, los algoritmos ayudan al desarrollo de productos innovadores y
superiores, disminuyen los gastos de producción, eliminan los obstáculos a la
entrada al mercado, minimizan los costos de búsqueda y mejoran el equilibrio entre
la oferta y la demanda. No obstante, los algoritmos también pueden tener efectos
adversos al reducir la competencia y afectar negativamente a los consumidores.
Una multitud de autoridades de competencia han realizado extensas
encuestas entre varias empresas para obtener una comprensión integral de cómo se
utilizan los algoritmos en la economía en general. Si bien estas encuestas fueron
limitadas en términos de tamaño de muestra, los datos recopilados indican
claramente que las empresas que operan en la esfera en línea tienden a depender en
Pág. 30
gran medida de algoritmos de seguimiento y emplean estrategias de precios
dinámicas. Por otro lado, parece haber una notable ausencia de prácticas de fijación
de precios personalizadas entre estas empresas. Sin embargo, la creciente
abundancia de datos relacionados con los clientes ha facilitado la viabilidad de
implementar técnicas de fijación de precios personalizadas.
Los tipos de algoritmos
En el panorama empresarial actual, los algoritmos se han convertido en una
parte integral de las operaciones de las empresas y sirven para una multitud de
propósitos, como desarrollar productos innovadores y mejorar los existentes. La
utilización de algoritmos ha allanado el camino para el surgimiento de nuevos
mercados en línea, al tiempo que ha provocado importantes perturbaciones en
industrias tradicionalmente fuera de línea (Aragonés, 2019). Con sus amplias
capacidades, los algoritmos cumplen diversas funciones y han llamado la atención
de las autoridades de competencia, particularmente en lo que respecta a los
algoritmos de fijación de precios. Debido a las preocupaciones en torno a la colusión
algorítmica y la fijación de precios personalizados, las autoridades de competencia
han centrado su atención en comprender y regular estos algoritmos.
Un algoritmo es esencialmente una serie de pasos que se siguen para
transformar una entrada en una salida. En la nota de antecedentes de la Mesa
Redonda sobre Algoritmos y Colusión, la OECD define un algoritmo como una lista
precisa e inequívoca de operaciones simples que se aplican mecánica y
sistemáticamente a un conjunto de fichas u objetos, como piezas de ajedrez, números
o ingredientes (OECD, 2023).
El estado inicial de estos tokens representa la entrada, mientras que el estado
final representa la salida. Si bien, es posible que esta definición no capte
completamente la complejidad de los algoritmos de IA modernos, que han
evolucionado significativamente en los últimos años. Para proporcionar una
comprensión más clara, clasificamos estos algoritmos según su función y tecnología.
Al hacerlo, podemos establecer una definición más concreta de los tipos específicos
de algoritmos que existen.
Pág. 31
Los algoritmos se desarrollan y utilizan para diversos fines y es útil
categorizarlos según su tipología funcional. Esta tipología, basada en los trabajos de
Latzer y la Autoridad de Consumidores y Mercados, ayuda a clasificar los
algoritmos según sus funciones previstas. Al considerar estas clasificaciones,
podemos comprender mejor los tipos específicos de algoritmos:
• Búsqueda: Presentación y ordenación de información basada en datos de
entrada específicos (por ejemplo, búsqueda en Google, Bing o Baidu), que
puede ser una búsqueda de productos o servicios (por ejemplo, Amazon o
Booking.com).
• Recomendación: Recomendación de información o productos específicos
basada principalmente en datos sobre el usuario (incluidos datos de
comportamiento), el producto y/u otros parámetros (por ejemplo, Spotify o
Netflix).
• Asignación: la ejecución automatizada de transacciones así como la
distribución y asignación de la oferta y la demanda. Piense en las ofertas
automatizadas en línea en tiempo real de Google Adsense, que relacionan a
un cliente con un taxi disponible (por ejemplo, Uber) o el comercio
algorítmico (por ejemplo, Quantopian).
• Vigilancia o vigilancia: la observación de comportamientos y patrones para
identificar anomalías, incluida la detección de fraude en los datos de las
transacciones, el seguimiento de los empleados (por ejemplo, Spector, Sonar
Spytec) o el software de seguimiento general (por ejemplo, Webwatcher).
También podría referirse a la vigilancia del mercado para rastrear el
comportamiento de los competidores y las decisiones estratégicas, como la
fijación de precios (por ejemplo, Wiser Solutions o Intelligence Node).
• Precios: Establecer o recomendar precios basados en datos sobre
características observables del cliente o condiciones del mercado (por
ejemplo, Rainmaker Group o A2i Pricecast Fuel).
Pág. 32
• Agregación: recopilación, categorización y reorganización de información de
diferentes fuentes. Por ejemplo, agregadores de noticias (p. ej. Google News
o nachrichten.de).
• Comunicación: comunicación automatizada con consumidores y/o empresas.
Considere las comunicaciones entre consumidores y chatbots o asistentes
virtuales que se comunican con terceros en nombre de los consumidores (por
ejemplo, Siri, Alexa o Google Assistant).
• Filtro: el filtrado (especialmente en segundo plano) de información y datos.
Por ejemplo, considere los filtros de spam o los filtros para excluir material
protegido por derechos de autor (por ejemplo, Norton o Net Nanny).
• Producción de información: la producción de información. Piense en los
informes automatizados de noticias o eventos deportivos, mercados de
valores y cotizaciones de acciones (por ejemplo, Quill, Quakebot o GPT-4).
• Predicción: predecir comportamientos o escenarios futuros (por ejemplo,
PredPol, Sickweather o ScoreAhit).
• Puntuación: Puntuación u ordenación de información, productos, empresas
y/o consumidores. Piense en las puntuaciones de reseñas en línea (por
ejemplo, el Sistema de reputación de eBay) y las puntuaciones de crédito del
consumidor (por ejemplo, Kreditech).
Los algoritmos también se pueden clasificar según el tipo de tecnología que
utilizan. Estos algoritmos se basan principalmente en RNAs con inteligencia
artificial (IA), aprendizaje automático y aprendizaje profundo. Dentro del dominio
más amplio de la IA, el aprendizaje automático surge como un subcampo específico
que se centra en el desarrollo de algoritmos y técnicas que permiten a las máquinas
aprender y mejorar de forma autónoma a partir de la experiencia y los datos.
Al emplear procesos iterativos, estos algoritmos mejoran su rendimiento y
hacen predicciones o decisiones precisas sin estar programados explícitamente para
cada tarea específica. El aprendizaje automático se considera un componente
fundamental de la IA, ya que permite a las máquinas adaptarse y evolucionar en
Pág. 33
función de la información que reciben, lo que conduce a una mayor eficiencia y
precisión en sus operaciones.
La inteligencia artificial (IA) es el campo interdisciplinario que implica el
estudio y desarrollo de máquinas inteligentes capaces de realizar tareas que
normalmente requerirían inteligencia humana. Abarca varios enfoques científicos y
de ingeniería destinados a crear máquinas que posean capacidades cognitivas, como
la percepción, el razonamiento, el aprendizaje y la resolución de problemas.
El aprendizaje profundo, por otro lado, es un subcampo del aprendizaje
automático que se inspira en la estructura y el funcionamiento del cerebro humano.
Su objetivo es imitar el comportamiento de las neuronas mediante el uso de redes
neuronales artificiales. Estas redes constan de capas interconectadas de unidades
computacionales, conocidas como neuronas artificiales, que procesan y transmiten
información. Al simular la compleja interconexión de las neuronas, los algoritmos
de aprendizaje profundo pueden extraer y analizar patrones, relaciones y
representaciones de grandes cantidades de datos. Esto permite a las máquinas
realizar tareas complejas, como reconocimiento de imágenes y voz, procesamiento
del lenguaje natural y toma de decisiones, con notable precisión.
Esencialmente, la inteligencia artificial abarca el campo más amplio de la
creación de máquinas inteligentes, mientras que el aprendizaje automático se centra
en el desarrollo de algoritmos que permitan a las máquinas aprender y mejorar a
partir de la experiencia y los datos. El aprendizaje profundo profundiza aún más en
el ámbito del aprendizaje automático al replicar la estructura neuronal del cerebro
humano, permitiendo a las máquinas realizar tareas cognitivas sofisticadas (Díaz,
2021). Juntos, estos subcampos de la IA contribuyen al avance de la tecnología y la
creación de sistemas inteligentes que pueden revolucionar diversas industrias y
mejorar nuestra vida diaria.
El aprendizaje automático se puede clasificar en tres tipos principales:
aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo. El
aprendizaje supervisado implica que el algoritmo adquiera conocimientos a partir
de los datos de entrenamiento, que consisten en asignaciones de entrada y salida,
para hacer predicciones sobre nuevos datos de entrada.
Pág. 34
Por otro lado, el aprendizaje no supervisado se centra en que el algoritmo
aprenda la estructura subyacente de los datos de entrada, a menudo a través de
métodos como la agrupación. Por último, el aprendizaje por refuerzo adopta un
enfoque diferente al utilizar un enfoque de prueba y error, donde el algoritmo ajusta
los valores de entrada y observa las recompensas resultantes para maximizar el
rendimiento general. Estos distintos tipos de técnicas de aprendizaje automático
ofrecen varias formas de abordar y resolver diferentes tipos de problemas en el
campo.
Los algoritmos de aprendizaje profundo suelen estar compuestos por
numerosas capas de redes neuronales artificiales. Son particularmente ventajosos
cuando se trata de problemas complejos que involucran conjuntos de datos extensos
y multidimensionales como texto, voz, imágenes y videos (França et al., 2021).
Cuando se trabaja con grandes conjuntos de datos en el aprendizaje automático, a
los analistas les puede llevar mucho tiempo seleccionar manualmente las
características relevantes para sus modelos.
Aun cuando, los algoritmos de aprendizaje profundo pueden automatizar
este proceso, reduciendo así el tiempo y los gastos asociados con la selección de
funciones. Sin embargo, esta automatización también presenta desafíos en términos
de interpretabilidad, transparencia y explicabilidad. Se vuelve difícil comprender
los factores en los que se ha basado el modelo y cómo se han ponderado, lo que
dificulta comprender el proceso de toma de decisiones de un modelo de aprendizaje
profundo. En consecuencia, auditar algoritmos de aprendizaje profundo resulta ser
una tarea más compleja.
Se ha prestado mucha atención a los modelos centrales de IA, que sirven
como base para la IA generativa. Lanzamientos de alto perfil como ChatGPT de
OpenAI y Bard de Google han puesto estos modelos en el centro de atención. El
lanzamiento más reciente de OpenAI, GPT-4, es un modelo de lenguaje avanzado
que incorpora técnicas de aprendizaje profundo para predecir secuencias de
palabras y generar texto. Si bien esta tecnología no es nueva, los debates políticos en
curso están abordando preocupaciones sobre los posibles riesgos antimonopolio y
Pág. 35
la regulación de los algoritmos generativos de IA, así como sus similitudes con los
algoritmos de búsqueda y recomendación.
La OECD ha esbozado las diversas consideraciones tecnológicas,
socioeconómicas y políticas de los modelos de lenguaje de IA en un documento
reciente. Además, la Autoridad de Mercados y Competencia del Reino Unido (CMA)
ha anunciado una revisión del mercado de los modelos básicos de IA para
comprender mejor su evolución potencial, las oportunidades y riesgos que
presentan, y cómo los principios de competencia y protección del consumidor
pueden guiar estos mercados en el futuro. futuro.
El Foro de Cooperación Regulatoria Digital del Reino Unido (DRCF) ha
descrito previamente varias áreas que merecen una mayor investigación debido a su
novedad o rápido desarrollo. Estas áreas incluyen tecnologías de Inteligencia
Artificial (IA), que abarcan el aprendizaje automático y el aprendizaje profundo, así
como tecnologías que mejoran la privacidad. Además, vale la pena considerar las
tecnologías de contabilidad distribuida como blockchain, que pueden contribuir al
avance de la Web 3.0. Otras tecnologías dignas de mención incluyen la computación
en la nube, las tecnologías cuánticas, los dispositivos de Internet de las cosas (IoT),
como asistentes de voz y tecnologías portátiles, tecnologías de ciberseguridad,
tecnologías inmersivas como la realidad virtual y aumentada, tecnologías
publicitarias y tecnologías biométricas. La literatura académica también
proporciona explicaciones básicas de estas tecnologías, como blockchain,
inteligencia artificial y computación en la nube (Butijn, 2023).
Ventajas de los algoritmos
Los algoritmos han demostrado ser muy ventajosos para los consumidores,
ya que no solo mejoran su experiencia general, sino que también abren nuevas
oportunidades de mercado y, al mismo tiempo, alteran las existentes, como afirma
la Autoridad de Mercados y Competencia. La llegada de nuevos productos digitales
ha contribuido significativamente a la mejora de los niveles de vida y ha obtenido
un inmenso valor para los consumidores. Por ejemplo, un estudio realizado en 2017
reveló que los motores de búsqueda eran la categoría de bienes digitales más
Pág. 36
buscada, y un usuario promedio otorgaba un valor de 17.530 dólares al acceso a estos
motores de búsqueda, como destaca Brynjolfsson et al. (2019). Es importante
reconocer que los productos digitales se están convirtiendo constantemente en un
componente crucial de la economía global, siendo particularmente notable el
crecimiento de la IA en los últimos años, y los expertos predicen que este crecimiento
seguirá aumentando durante el resto de esta década.
Los algoritmos han sido ampliamente reconocidos por su capacidad para
generar mejoras significativas en la eficiencia y fomentar un entorno más
competitivo. Estas mejoras pueden observarse tanto en términos de eficiencias del
lado de la demanda como de la oferta. Se ha descubierto que el uso de algoritmos de
fijación de precios, en particular, produce beneficios sustanciales al aumentar la
eficiencia y reducir los costos asociados con las transacciones. Este reconocimiento
del impacto positivo de los algoritmos en la eficiencia y la reducción de costos
(Descamps et al., 2021).
Los algoritmos tienen el potencial de mejorar significativamente la eficiencia
y fomentar la competencia de diversas maneras. Para empezar, pueden actuar como
catalizadores de innovaciones disruptivas que conduzcan a la creación de productos
nuevos o mejorados. Esto permite personalizar y adaptar los productos para
satisfacer las necesidades específicas de los consumidores. Además, los algoritmos
tienen la capacidad de reducir costos optimizando los procesos de producción o
mejorando la productividad de los trabajadores. Esta reducción de costes puede
resultar especialmente ventajosa para las empresas.
Asimismo, los algoritmos pueden derribar las barreras de entrada al
proporcionar a los recién llegados más pequeños información valiosa sobre el
mercado y facilitar el desarrollo de productos disruptivos a costos más bajos.
Además, los algoritmos pueden simplificar el proceso para los clientes al reducir sus
costos de búsqueda. Lo logran presentando una gama de productos adecuados con
información completa sobre aspectos competitivos clave como el precio, la calidad
y las preferencias del consumidor. Por ejemplo, los sitios web de comparación de
precios ofrecen rápidamente a los consumidores comparaciones de precios entre
Pág. 37
diversos bienes y servicios. Las herramientas de seguimiento de precios también
notifican a los clientes cuando los precios son excepcionalmente bajos.
También, la inteligencia artificial incluso se emplea para el reconocimiento de
productos, lo que facilita a los consumidores localizar los artículos deseados. Por
último, la fijación de precios dinámica, posible gracias a algoritmos, permite una
optimización de los precios que se adapta a las fluctuaciones del mercado. En
resumen, los algoritmos tienen el potencial de revolucionar la eficiencia y la
competencia en diversos ámbitos.
Sin embargo, a pesar de los numerosos impactos beneficiosos que los
algoritmos tienen en la promoción de la competencia, también pueden tener
consecuencias negativas que impiden la competencia y afectan negativamente a los
consumidores. Estos posibles perjuicios a la competencia se explorarán a fondo en
el capítulo siguiente.
La prevalencia de los algoritmos de fijación de precios
La incorporación de algoritmos en diversos mercados a nivel global ha
supuesto una transformación importante. Estos algoritmos se utilizan tanto en los
mercados en línea como fuera de línea, lo que afecta a una amplia gama de
industrias. Si bien actualmente no existe una visión general completa del grado en
que se confía en los algoritmos, recientes encuestas específicas realizadas por
investigadores y autoridades de competencia han proporcionado cierta evidencia
sobre su prevalencia. En particular, estas encuestas profundizan particularmente en
el uso de algoritmos en las estrategias de fijación de precios dentro de diferentes
sectores del mercado.
Una parte importante de la literatura existente se centra en la utilización de
algoritmos con el fin de gestionar y determinar precios. Es fundamental hacer una
distinción entre diferentes tipos de algoritmos de fijación de precios, a saber,
aquellos que ejercen control sobre los precios de otras empresas (denominados
algoritmos de control de precios), aquellos que sugieren o establecen
automáticamente un precio basado en los precios de otras empresas y /o condiciones
del mercado como la demanda (conocidos como algoritmos de fijación de precios
Pág. 38
dinámicos) y aquellos que adaptan los precios a los consumidores individuales en
función de sus características específicas (denominados algoritmos de fijación de
precios personalizados). En un estudio exhaustivo realizado por Seele et al. (2021),
se proporciona una revisión exhaustiva de artículos académicos relacionados con
algoritmos de precios dinámicos y personalizados.
Durante una mesa redonda, la OECD exploró el concepto de precios
personalizados y encontró dificultades para evaluar su prevalencia debido a la
escasez de ejemplos concretos. Sin embargo, desde entonces, varias encuestas
realizadas por autoridades de competencia e investigadores han intentado arrojar
luz sobre la prevalencia de los algoritmos de fijación de precios. Estas encuestas,
indican que un número significativo de empresas emplean algoritmos de fijación de
precios, aunque hay pruebas limitadas de fijación de precios personalizados.
Además, la evidencia sugiere que la utilización de algoritmos de fijación de precios
ha experimentado un rápido aumento tanto en los mercados en línea como fuera de
línea.
En este contexto, existe una colección de estudios realizados tanto por
autoridades de competencia como por investigadores académicos. Los estudios
realizados por las autoridades de competencia proceden principalmente de varios
países europeos, como la Unión Europea, Dinamarca, los Países Bajos, Noruega,
Portugal y el Reino Unido. Por otro lado, también existen estudios académicos que
provienen de jurisdicciones no europeas como Singapur y Estados Unidos.
Avanzando un poco más en la línea de tiempo, Perrotini (2015) estudió el efecto de
aumentar el crédito para incitar el consumo, la inversión y el crecimiento económico
utilizando la función logística acumulativa y series de Taylor. El objetivo era analizar
los fundamentos y los límites de la política monetaria no convencional practicada
durante la recesión monetaria de Estados Unidos (2007-2009), para contener el pavor
financiero, soslayar el riesgo de deflación y estimular la endeble redención de la
economía.
Por lo general, estos estudios implican encuestas dirigidas a una muestra
específica de empresas dentro de la jurisdicción que se estudia. Estas encuestas
suelen realizarse una sola vez, proporcionando una instantánea de la situación en
Pág. 39
un momento determinado, y se llevan a cabo durante un período de uno o dos
meses. El año específico en el que se realizaron las encuestas varía según la
jurisdicción, abarcando desde 2015 hasta 2021 (OECD, 2021). Las encuestas a
menudo dan prioridad a las empresas con presencia en línea, que van desde un
tamaño de muestra de 38 hasta potencialmente miles de empresas. Si bien algunas
encuestas cubren empresas de diversos sectores de la economía, otras se centran
específicamente en sectores que tienen un número significativo de empresas con
presencia en línea.
Si bien algunos de estos estudios son limitados en tamaño y frecuencia, lo que
significa que no pueden proporcionar evidencia definitiva sobre la prevalencia de
los algoritmos de fijación de precios (OECD, 2023). Es difícil sacar conclusiones
generales de estos estudios debido a su número limitado. Sin embargo, con base en
la evidencia presentada se puede observar que:
• un número significativo de empresas de diversas industrias, particularmente
aquellas con presencia en línea, utilizan algoritmos de seguimiento de
precios, aunque el alcance de este uso puede variar dependiendo de la
jurisdicción;
• entre estas empresas, la mayoría ajusta manualmente sus precios o se basa en
algoritmos de precios dinámicos para las recomendaciones de precios,
mientras que sólo una pequeña parte utiliza algoritmos que actualizan
automáticamente sus precios; y
• no hay muchos indicios de precios personalizados.
En esencia, los algoritmos de seguimiento de precios y los algoritmos de
fijación de precios dinámicos son relativamente comunes en los mercados en línea,
mientras que los precios personalizados son menos frecuentes.
De igual forma, los informes de investigación de mercado antes mencionados
que evalúan a los proveedores que suministran software de optimización y gestión
de precios, también muestra un enfoque específico en el software de algoritmos de
precios minoristas, que está dirigido principalmente a industrias fuera de línea como
comestibles, moda/indumentaria. y grandes almacenes. La adopción de algoritmos
Pág. 40
de fijación de precios parece estar bastante extendida: se estima que 1.800 empresas
en todo el mundo utilizaron este software en 2020.
Los proveedores de software afirman con confianza que la implementación
de esta tecnología puede generar mayores ingresos y mayores márgenes de
beneficio. Sin embargo, vale la pena señalar que existe evidencia limitada que
sugiere que los precios personalizados se utilizan ampliamente. Según la economía
del comportamiento, los consumidores generalmente tienen una percepción
negativa de los precios personalizados.
Si bien pueden aceptar ciertas formas de discriminación de precios de tercer
grado, como tarifas con descuento para personas mayores o niños, cuando estas
prácticas están culturalmente establecidas, los precios personalizados a menudo se
ven desfavorablemente debido a su falta de transparencia. Como resultado, las
empresas pueden optar por evitar implementar estrategias de precios
personalizadas para proteger su reputación o pueden ser menos comunicativas y
abiertas sobre el uso de dichas estrategias. Esta falta de evidencia que respalde la
adopción generalizada de precios personalizados puede atribuirse a estos factores.
Las teorías algorítmicas de los daños
Las teorías algorítmicas del daño abarca tanto comportamientos coordinados,
conocidos como colusión algorítmica, como comportamientos unilaterales,
denominados comportamientos algorítmicos de exclusión y explotación. Es preciso
hacer una clara distinción entre algoritmos de fijación de precios, que pueden
facilitar ambos tipos de conducta, y otros tipos de algoritmos como los de búsqueda,
recomendación y asignación, que también pueden provocar daños a través de un
comportamiento unilateral.
La mayoría de los casos algorítmicos que existen actualmente se centran
principalmente en la autopreferencia. Sin embargo, incluso estos casos han sido
relativamente limitados en número (Hao, 2019). Además, ha habido casos en los que
los algoritmos han facilitado acuerdos colusorios explícitos o en los que el mismo
proveedor de software ha proporcionado software de fijación de precios, lo que ha
dado lugar a un escenario de centro y radio. Hasta donde sabe, no ha habido casos
Pág. 41
independientes de colusión tácita, fijación de precios predatorios algorítmicos,
descuentos algorítmicos, vinculación y agrupación algorítmica. Si bien, ha habido
muy pocos casos de abuso de explotación algorítmica. Sin embargo, es importante
señalar que, si bien estos daños pueden no ser frecuentes en la actualidad, son
teóricamente posibles y pueden surgir en casos futuros.
Conducta algorítmica coordinada
Existe una preocupación creciente sobre la posibilidad de que los algoritmos
de fijación de precios permitan acciones coordinadas entre los participantes del
mercado, lo que en última instancia conducirá a precios inflados artificialmente. En
un sentido más amplio, estos algoritmos se pueden clasificar en tres métodos
principales mediante los cuales pueden facilitar la colusión.
Igualmente, existe un concepto llamado colusión tácita algorítmica
autónoma, en el que los algoritmos de autoaprendizaje tienen la capacidad de
coludir o evitar resultados competitivos sin la necesidad de compartir o coordinar
información explícita. Estos algoritmos autónomos pueden tomar de forma
independiente decisiones que se alineen con un comportamiento colusorio,
beneficiando en última instancia a las empresas involucradas.
Hay varias formas en que los algoritmos pueden permitir la colusión entre
empresas. Un método implica el uso de sistemas de precios automatizados que
analizan los datos de precios y los ajustan en consecuencia. Esto permite a las
empresas detectar y responder fácilmente a cualquier desviación de precios,
estableciendo así un entorno más estable para la colusión explícita, como
implementar el mantenimiento del precio de reventa o llegar a un acuerdo de precios
(Buleje, 2018). Otra forma en que los algoritmos pueden facilitar la colusión es en
entornos radiales. En estas situaciones, varias empresas dependen del mismo
software de fijación de precios de terceros para tomar decisiones sobre precios. Esto
crea un sistema radial donde la información se puede compartir fácilmente entre las
empresas, lo que permite aún más la colusión.
Si bien los juristas han abogado durante mucho tiempo por la colusión tácita
algorítmica autónoma, sólo recientemente los economistas han comenzado a
Pág. 42
profundizar en este tema. A pesar de que existe una cantidad considerable de
investigaciones sobre la colusión algorítmica, su viabilidad real y su alcance en
escenarios del mundo real siguen sin estar claros. Aunque los algoritmos de fijación
de precios se han vuelto más frecuentes, el uso de algoritmos de fijación de precios
de autoaprendizaje aún no está generalizado (Viecens, 2023). Igualmente, no hay
evidencia definitiva que demuestre que la colusión tácita algorítmica autónoma
plantee un problema importante. No obstante, las autoridades de competencia
deben permanecer alerta y proactivas en el seguimiento de estos acontecimientos.
Al principio, los economistas creían que era poco probable que ocurriera una
colusión algorítmica sin una comunicación explícita o, a lo sumo, si había alguna
comunicación tácita, sería poco probable que ocurriera en las condiciones del
mercado del mundo real. Sin embargo, estudios más recientes han planteado dudas
sobre esta suposición.
Existe una gran cantidad de literatura que sugiere la posibilidad de que se
produzca una colusión algorítmica sin necesidad de comunicación directa, y hay
indicios iniciales de que este tipo de colusión ya está ocurriendo. Si bien los precios
personalizados generalmente se basan en métodos de aprendizaje automático
supervisados, como el análisis de regresión, la colusión tácita algorítmica autónoma
a menudo se modela utilizando algoritmos de aprendizaje por refuerzo.
Diversos investigadores han empleado algoritmos de aprendizaje por
refuerzo Q-learning y han descubierto que estos algoritmos pueden aprender a
establecer precios por encima de niveles competitivos sin necesidad de
comunicación entre ellos. Estudios académicos recientes, que son de naturaleza
innovadora, han demostrado que la utilización de software de fijación de precios de
terceros por parte de las estaciones de servicio en Alemania ha resultado en precios
inflados en los mercados minoristas locales de gasolina. Sin embargo, otros
académicos que también emplean el aprendizaje por refuerzo Q-learning sostienen
que el proceso de alcanzar un equilibrio colusorio es lento y, a menudo, infructuoso.
Según varios autores, los algoritmos de fijación de precios tienen el potencial
de afectar la competencia de una manera que reduce la motivación de los
competidores para bajar sus precios. Esto se debe a que estos algoritmos están
Pág. 43
diseñados para responder instantáneamente a cualquier reducción de precio al
compararla automáticamente con un recorte de precio equivalente. Como resultado,
los precios en todo el mercado pueden estar inflados artificialmente en comparación
con lo que serían en un escenario donde no se utilizan algoritmos de fijación de
precios. Es importante señalar que este efecto existe incluso en ausencia de colusión
entre competidores (Brown y MacKay, 2021).
Hay opiniones diferentes entre los autores con respecto a la importancia de
la colusión algorítmica y si justifica más investigaciones y esfuerzos de aplicación de
la ley. Según Schrepel (2020), algunos autores sostienen que se exageran los riesgos
asociados a la colusión algorítmica y que puede que no sea necesario invertir
recursos adicionales para abordar esta cuestión. Por otro lado, Klein (2020) sostiene
que la ausencia de casos reportados no debe verse como una indicación de que la
colusión algorítmica no sea una preocupación importante, sino que debería seguir
siendo una máxima prioridad para futuras investigaciones y acciones.
Ha habido un número relativamente bajo de casos en los que se ha producido
colusión algorítmica. Sin embargo, ciertas autoridades han expresado su
preocupación por los riesgos potenciales asociados con la colusión algorítmica. Estos
casos conocidos de colusión implican coordinación tanto horizontal como vertical,
como la práctica de mantener el precio de reventa. Varios casos resueltos sirven
como ejemplos, incluidos casos en los que los minoristas de vallas publicitarias en
línea utilizaron algoritmos de precios simples para coordinar los precios (como
Topkins US y GB Eye Trod UK).
Así también, una plataforma de viajes en línea facilitó la colusión mediante el
envío de correos electrónicos a agencias de viajes, notificándoles las limitaciones a
los descuentos (Eturas). Se descubrió que las empresas inmobiliarias españolas
habían utilizado un software de intermediación común para coordinar los precios
(Proptech), mientras que los fabricantes de productos electrónicos impedían a los
minoristas fijar los precios de venta de forma independiente (mantenimiento de los
precios de reventa), manteniendo así los precios artificialmente altos (caso
Consumer Electronics).
Pág. 44
Ha habido un renovado enfoque en la posible colusión facilitada por el
software de fijación de precios de terceros en los Estados Unidos, con acusaciones
que han surgido e investigaciones académicas que sugieren evidencia de colusión
algorítmica. Específicamente, los hoteleros que operan en el bullicioso Strip de Las
Vegas han sido implicados en el uso de software de fijación de precios de terceros
para establecer precios que exceden los niveles competitivos.
Esto genera preocupaciones sobre la equidad y la competitividad del
mercado. Además, en un caso separado, los inquilinos en los EE. UU. han
emprendido acciones legales contra el software YieldStar de RealPage, que ayuda a
los propietarios a determinar los precios de alquiler. Estas demandas afirman que el
software tiene la capacidad de fomentar la coordinación entre los propietarios, lo
que da como resultado precios de alquiler inflados artificialmente. Esto resalta aún
más las posibles consecuencias negativas asociadas con el uso de software de fijación
de precios de terceros en diversas industrias.
En un incidente más reciente que giró en torno a la utilización de software de
fijación de precios de terceros, los individuos responsables de su creación fueron
finalmente absueltos de cualquier culpabilidad o mala conducta. Para profundizar
más, durante el mes de junio del año 2018 se presentó una denuncia formal en
Francia, afirmando que el citado software de fijación de precios facilitaba una
colusión de precios entre fabricantes de automóviles rivales, específicamente en lo
que respecta a repuestos. Sin embargo, un avance rápido hasta noviembre de 2022,
se reveló que los acusados involucrados en este caso fueron reivindicados de
cualquier actividad ilícita y salieron ilesos de posibles penas o sanciones.
A pesar de la identificación de posibles casos de colusión algorítmica por
parte de las autoridades, algunos comentaristas han argumentado que existe una
posible laguna en la aplicación de la ley. Es decir, la colusión algorítmica tácita y
autónoma puede escapar al castigo en ausencia de comunicación explícita.
En una consulta pública reciente, la Autoridad de Mercados y Competencia
del Reino Unido (CMA) solicitó comentarios sobre la efectividad y adecuación de su
papel y propuso acciones para abordar las teorías algorítmicas del daño. Las
respuestas recibidas indicaron que la mayoría de las teorías algorítmicas del daño
Pág. 45
ya están adecuadamente abordadas por las leyes y regulaciones existentes. Sin
embargo, se identificó una excepción notable, que se refería a la colusión tácita
algorítmica autónoma. En tales casos, surgieron preocupaciones de que el énfasis
actual en la comunicación entre competidores puede no ser suficiente en situaciones
donde la participación humana no está directamente presente. Esta idea destaca la
necesidad de realizar más exámenes y posibles ajustes en el enfoque adoptado por
la CMA al abordar las teorías algorítmicas del daño.
La actual ley de competencia aborda adecuadamente situaciones en las que
un algoritmo simplemente ayuda a un claro acuerdo colusorio realizado por
humanos. Esto incluye casos en los que el algoritmo facilita la coordinación o un
acuerdo entre empresas, o cuando varias empresas utilizan el software de fijación
de precios con el mismo proveedor. Si bien, cuando se trata de colusión tácita, la ley
de competencia existente puede no ser lo suficientemente integral y puede no cubrir
casos de colusión tácita algorítmica autónoma. Para abordar esto, una posible
solución podría implicar revisar las definiciones de "acuerdo" y "práctica
concertada" para que ya no se basen únicamente en el concepto de comunicación
recíproca o un encuentro de mentes entre empresas.
Por otro lado, hay otro aspecto a considerar a la hora de detectar colusión
algorítmica, y es la identificación de prácticas facilitadoras. Estas prácticas son
acciones tomadas por competidores que pueden aumentar la probabilidad de
coordinación entre ellos. Al participar en prácticas de facilitación, los competidores
pueden superar las barreras a la coordinación y están motivados para cooperar entre
sí. En el contexto específico de la colusión algorítmica, las prácticas de facilitación
pueden implicar el intercambio de información entre competidores sobre los
conjuntos de datos específicos utilizados en sus algoritmos, los resultados o costos
generados por sus algoritmos, o los parámetros de decisión incluidos en los
algoritmos.
No obstante, es importante señalar que las prácticas de facilitación también
pueden tener un efecto positivo en la competencia, por ejemplo cuando brindan a
los consumidores o a los nuevos participantes información valiosa para tomar
decisiones informadas. En algunos casos, las prácticas de facilitación se consideran
Pág. 46
factores adicionales que indican indirectamente la existencia de un "acuerdo" entre
competidores. Sin embargo, considerando las posibles limitaciones de la legislación
existente para abordar la colusión algorítmica, puede ser prudente reevaluar si la
mera adopción de prácticas de facilitación debería ser una base para la
responsabilidad legal.
Si la colusión algorítmica se generaliza, las autoridades deberían considerar
implementar varias propuestas para abordarla. Una propuesta de Michal Gal
sugiere un enfoque basado en el mercado y tres intervenciones regulatorias:
• La primera intervención involucra a los consumidores algorítmicos, que no
requieren intervención regulatoria sino que agrupan a los consumidores para
aumentar su poder adquisitivo e interrumpir la coordinación entre
vendedores.
• La segunda intervención se centra en la revisión de fusiones, donde las
fusiones que aumentan los riesgos de colusión algorítmica sin ningún
beneficio compensatorio podrían prohibirse o remediarse.
• La tercera intervención implica un algoritmo disruptivo, en el que un
regulador designa y subsidia a un proveedor para que opere un algoritmo
disruptivo que cobra precios más bajos y potencialmente competitivos,
creando perturbaciones en el mercado.
Así, se podría aplicar un desfase en la respuesta de los algoritmos de fijación
de precios a las condiciones del mercado, congelando el precio de un proveedor en
cada período y alentando a otros proveedores a fijar precios más bajos para capturar
capacidad adicional. Alternativamente, un enfoque regulatorio podría abordar la
colusión algorítmica influyendo en el diseño de algoritmos para prevenir la colusión
tácita e implementando regulaciones para reducir los precios a niveles competitivos
si se vuelven potencialmente colusorios después de la introducción de software
algorítmico de fijación de precios. Además, algunos sugieren que las plataformas
digitales pueden evitar la colusión entre vendedores en línea dirigiendo la demanda
de los consumidores a través de las reglas de diseño de sus plataformas, como la
forma en que clasifican o muestran los productos a los consumidores.
Pág. 47
Un artículo académico recientemente publicado proporciona el primer
examen empírico de la correlación entre precios algorítmicos y competencia (Labbé,
2023). Aunque la teoría económica presenta con frecuencia pronósticos
contradictorios e inciertos con respecto a esta conexión, esta investigación valida
efectivamente que la implementación de precios algorítmicos tiene un impacto
sustancial en la competencia. Esto se evidencia en el aumento observado en los
márgenes de beneficio dentro de los mercados no monopólicos que han adoptado
mecanismos algorítmicos de fijación de precios.
Vale la pena señalar que el mismo software de fijación de precios es
ampliamente accesible y se está adoptando en numerosas industrias en todo el
mundo. Considerando esto, los autores enfatizan la importancia de que las
autoridades de competencia profundicen en la correlación entre precios algorítmicos
y competencia en diferentes contextos. Como resultado, abogan por una
comprensión integral de esta dinámica y recomiendan que las autoridades de
competencia tomen medidas apropiadas para garantizar que se mantenga una
competencia leal.
El 25 de enero de 2023, un grupo de personas, conocidos como los
demandantes, iniciaron colectivamente un procedimiento legal en el Tribunal de
Distrito de Nevada presentando una demanda colectiva (OECD, 2023). El punto
central de esta disputa legal es el ámbito del alquiler de habitaciones de hotel
específicamente ubicado a lo largo del ilustre Strip de Las Vegas, famoso por su
atmósfera vibrante y bulliciosa.
El caso en curso involucra a varios acusados, a saber, Caesars Entertainment,
Inc, Treasure Island, LLC, Wynn Resorts Holdings, LLC y MGM Resorts
International, propietarios y administradores de hoteles ubicados en el famoso Strip
de Las Vegas. Si bien los procedimientos legales aún están en curso, este caso en
particular proporciona una ilustración cautivadora de una supuesta conspiración
"central y radial".
Los acusados utilizaron tres algoritmos proporcionados por una empresa
externa llamada Rainmaker Group. Estos algoritmos, a saber, GuestRev, RevCaster
y GroupRev, desempeñaron un papel importante en sus operaciones. GuestRev, en
Pág. 48
particular, fue diseñado específicamente para la industria hotelera con casino y
brindó recomendaciones para fijar el precio de las habitaciones de hotel
individuales. Rainmaker Group afirmó con orgullo en su sitio web que su software
tenía una notable tasa de aceptación del 90 % para estas sugerencias de precios.
RevCaster, por otro lado, permitió a los clientes realizar un seguimiento y responder
a los precios de la competencia mediante la recopilación de datos de precios
específicos del mercado de los rivales. Por último, GroupRev era un algoritmo que
predecía la demanda de los clientes que realizaban reservas grupales, como aquellos
que asistían a conferencias o convenciones con diez o más participantes. Se alega
que los demandados explotaron el uso de estos algoritmos para aumentar los
precios, lo que en última instancia supuso una carga para los consumidores.
Los demandados están acusados de utilizar software de fijación de precios
externo para recopilar datos sobre su estrategia de precios y obtener
recomendaciones sobre precios. Como resultado, abandonaron sus propias opciones
individuales de fijación de precios y ofertas y, en cambio, confiaron en un conjunto
colectivo de algoritmos de fijación de precios. Se alega que estos algoritmos les
permitieron cobrar precios excesivamente altos por sus habitaciones de hotel. Si bien
los demandados no revelaron directamente sus estrategias de precios ni sus
decisiones de fijación de precios previstas, esta información de alguna manera se
volvió accesible para otros, lo que en última instancia condujo a la manipulación de
los precios en todo el mercado. Esta supuesta colaboración puede describirse como
un centro y una conspiración.
La conducta unilateral algorítmica
Durante la Mesa Redonda de la OECD sobre Algoritmos y Colusión en 2017,
la discusión giró en torno a las formas en que los algoritmos pueden potencialmente
ayudar a la colusión, ya sea a través de acuerdos explícitos o mediante
entendimientos sutiles. Hasta ahora, la mayor parte de la conversación sobre el
impacto de los algoritmos en la aplicación de las leyes de competencia se ha centrado
en su papel a la hora de facilitar el comportamiento colusorio. Sin embargo, es
importante señalar que las empresas dominantes también pueden utilizar
Pág. 49
algoritmos para mejorar sus acciones unilaterales, como involucrarse en prácticas
abusivas que refuerzan su dominio en el mercado.
La conducta de exclusión algorítmica
La conducta excluyente de una empresa líder tiene un impacto negativo
indirecto en los consumidores al excluir a los competidores del mercado. Esta
exclusión puede tomar la forma de comportamiento algorítmico, donde los
algoritmos de la empresa dominante excluyen intencionalmente a un competidor,
impidiéndole así competir efectivamente y socavando la posición de la empresa
dominante en el mercado. Estos comportamientos algorítmicos se pueden observar
en algoritmos de búsqueda, recomendación y asignación.
La autopreferencia
La autopreferencia se caracteriza por una empresa dominante que muestra
favoritismo hacia sus propios productos y servicios, o los de sus filiales, a expensas
de sus competidores. Esto significa que la clasificación de estos productos y servicios
no está determinada por una competencia leal basada en sus méritos. El impacto de
la autopreferencia en el bienestar general es incierto. Si bien puede haber casos en
los que la preferencia propia no obstaculiza la competencia, existe la preocupación
de que una empresa dominante pueda explotar su posición en el mercado para
excluir a rivales en mercados relacionados, ya sea en sectores posteriores o
complementarios. Este efecto perjudicial es particularmente relevante en el contexto
de los algoritmos de búsqueda, recomendación y asignación.
Varias jurisdicciones en todo el mundo han examinado casos de
autopreferencia, en los que las empresas priorizan sus propios intereses sobre los de
sus competidores. En Asia, por ejemplo, la Comisión de Comercio Justo de Corea
(KFTC) tomó medidas contra Kakao Mobility ("Kakao") por su comportamiento en
su aplicación de taxi coreana. La KFTC determinó que Kakao había explotado su
posición dominante en el mercado más amplio de llamadas para obtener ventaja en
el mercado de franquicias de taxis (Escalante, 2023). De manera similar, en Europa
ha habido numerosos casos de autopreferencia, incluido el caso de Google Shopping
Pág. 50
de la CE, el caso de "Buy Box" y Prime Label de Amazon de la CE, y el caso de los
servicios de logística de AGCM Amazon. Estos casos arrojan luz sobre varias
justificaciones potenciales para la autopreferencia que resulta en la exclusión de
competidores.
Una razón de esto es la extracción imperfecta de rentas, como se ve en el caso
de Google Shopping de la CE (Motta, 2023). Por ejemplo, Google genera ingresos a
través de la publicidad en búsquedas, lo que significa que los usuarios y vendedores
no tienen que pagar para que sus enlaces aparezcan en los resultados de búsqueda
orgánicos. Esto crea un incentivo potencial para que Google manipule su algoritmo
de búsqueda para favorecer sus propios servicios y excluir a sus competidores.
Google tenía una presencia dominante en la industria de las búsquedas y
deliberadamente mostró su servicio de comparación de compras ("CSS") de manera
más prominente que los CSS rivales. Además, Google manipuló su algoritmo de
búsqueda para degradar la visibilidad de estos CSS competidores en los resultados
de búsqueda orgánicos. Como resultado, los CSS rivales experimentaron una
disminución significativa en visibilidad y tráfico, sin poder compensar esta pérdida
por otros medios, lo que finalmente llevó a su exclusión del mercado.
Otra razón para esto es que una empresa dominante, como AGCM Amazon,
utiliza su algoritmo para implementar tácticas de exclusión de clientes que resultan
en mayores costos para sus competidores (Motta, 2023). Amazon, al ser el actor
dominante en el mercado, introdujo la función Buy Box en su mercado, que sirve
como un canal de marketing crucial para los vendedores de la plataforma. Para
mejorar sus posibilidades de aparecer en Buy Box, Amazon alentó a los vendedores
del mercado a utilizar su oferta de logística llamada Logística de Amazon (FBA),
donde Amazon se encarga del almacenamiento, el embalaje, la entrega y el servicio
al cliente de sus propios productos. Como resultado, las empresas de logística
competidoras enfrentaron una reducción en su base de clientes, lo que les dificultó
cubrir sus costos fijos y mantener un nivel satisfactorio de calidad del servicio. En
consecuencia, las acciones de Amazon provocaron un aumento de los costes para las
empresas de logística rivales y, en última instancia, las excluyeron del mercado.
Pág. 51
La literatura académica ofrece varias soluciones potenciales para abordar la
preferencia personal. Un enfoque consiste en implementar remedios, compromisos
o medidas provisionales caso por caso, teniendo en cuenta los efectos específicos
involucrados. Otra opción es establecer normas que prohíban rotundamente la
autopreferencia. Alternativamente, la plataforma podría separarse estructural o
funcionalmente de la línea de negocio que vende productos de la competencia. Sin
embargo, algunos autores advierten contra una aplicación rígida de la
autorreferencia, ya que una prohibición total podría tener consecuencias negativas
para los consumidores a largo plazo. Sostienen que, al hacerlo, los reguladores
esencialmente estarían favoreciendo un diseño de mercado específico.
Los algoritmos de fijación de precios
Los algoritmos de fijación de precios tienen el potencial de revolucionar la
forma en que las empresas fijan los precios y se dirigen a los consumidores. Una
aplicación importante es la fijación de precios personalizados, donde los precios se
personalizan para los consumidores individuales en función de sus características o
comportamientos personales. Este enfoque permite a las empresas ofrecer precios
personalizados que se alineen con las necesidades y preferencias específicas de cada
cliente.
Así también, la segmentación algorítmica permite a las empresas diferenciar
los precios entre dos grupos distintos de consumidores: los arriesgados y los
seguros. Al implementar esta estrategia, las empresas pueden ajustar los precios
para estos dos grupos, asegurándose de maximizar las ganancias sin comprometer
su tolerancia al riesgo. Vale la pena señalar que, si bien los precios personalizados
requieren capacidades técnicas más avanzadas, la orientación algorítmica ofrece una
alternativa más simple que aún puede generar beneficios significativos para las
empresas.
Cuando una empresa tiene un cierto nivel de control sobre el mercado, la
capacidad de adaptar los precios a los clientes individuales y una comprensión de
cuánto está dispuesto a pagar cada cliente, puede implementar precios
personalizados o discriminatorios. Con el avance de los algoritmos de fijación de
Pág. 52
precios y la disponibilidad de perfiles completos de consumidores, la práctica de la
discriminación de precios de primer grado se está volviendo cada vez más viable.
Los posibles impactos de los precios personalizados en el bienestar general
no están claros, como afirman Botta y Wiedemann (2020). Cuando un vendedor
monopolista discrimina precios, a los clientes que están menos dispuestos a pagar
(generalmente considerados consumidores "más pobres") se les cobran precios más
bajos que a aquellos que están más dispuestos a pagar (a menudo denominados
consumidores "más ricos"). Esta estrategia de precios diferenciales da como
resultado una redistribución del bienestar del consumidor.
Por otro lado, el monopolista tiene la capacidad de implementar estrategias
de precios personalizadas, lo que le permite fijar precios que se alineen más
estrechamente con la disposición a pagar de cada consumidor. Al hacerlo, el
monopolista puede efectivamente transferirse una parte del excedente del
consumidor, beneficiando sus propias ganancias (Botta y Wiedemann, 2020).
Lo anterior sugiere que los precios personalizados no siempre reducen la
competencia o perjudican a los consumidores. Sin embargo, vale la pena señalar que
una empresa dominante podría hacer un mal uso de los precios personalizados o de
los algoritmos algorítmicos de orientación para participar en prácticas comerciales
perjudiciales, como precios predatorios, descuentos, vinculaciones y paquetes. Estas
estrategias dañinas se basan principalmente en la selección algorítmica.
La introducción de precios personalizados y focalización algorítmica ha
cambiado significativamente el panorama de la conducta anticompetitiva. En el
pasado, una empresa dominante tendría que fijar un precio único para todo el
mercado, lo que podría limitar su capacidad de adoptar un comportamiento
excluyente. Esta decisión implicaría sopesar los beneficios de ganar clientes leales
frente a la posible pérdida de clientes marginales y la consiguiente disminución de
las ganancias.
Si bien, con la llegada de los precios personalizados y la orientación
algorítmica, esta compensación ya no es tan significativa. La capacidad de adaptar
los precios y dirigirse a personas específicas ha eliminado o reducido
Pág. 53
significativamente las limitaciones a la conducta anticompetitiva. Además, la
selección algorítmica también afecta la forma en que evaluamos el comportamiento
excluyente en función de las estrategias de precios.
En primer lugar, la selección algorítmica crea un problema para las medidas
de precio y costo relevantes utilizadas como entrada para la prueba precio-costo. La
prueba precio-costo determina si la empresa dominante cobra precios por debajo del
costo. Los precios personalizados significan que no existe un precio actual único en
el mercado que pueda usarse para comparar. El precio apropiado debe corresponder
a la porción de la demanda que se puede comparar (es decir, el precio a los clientes
marginales). Asimismo, el costo debe ser exclusivo de las unidades de producción a
las que se aplica la reducción de precio (lo que puede ser difícil de determinar).
Una vez que una autoridad de competencia identifica el daño causado por un
algoritmo de fijación de precios, existen varias soluciones potenciales a considerar.
Las soluciones conductuales podrían abordar los problemas de fijación de precios
personalizados y orientación algorítmica (Assad et al., 2020). Estas soluciones
podrían incluir limitar la cantidad de datos personales recopilados por la empresa
dominante, exigir a la empresa dominante que comparta datos de clientes con
empresas rivales, implementar medidas de transparencia para informar a los
usuarios cuando se emplea una estrategia de precios personalizada y revelar los
parámetros considerados, u otorgar los usuarios el derecho a optar por no recibir
precios personalizados (Botta y Wiedemann, 2020).
Los precios abusivos
Los precios predatorios pueden entenderse de diferentes maneras según la
jurisdicción de que se trate. En Estados Unidos, normalmente se considera un
proceso de dos fases. La primera fase, conocida como "fase de depredación", implica
que la empresa dominante reduzca deliberadamente los precios por debajo de lo que
se considera una medida de costos adecuada. Sin embargo, a menudo existe
desacuerdo y controversia en torno a lo que constituye una medida de costos
adecuada. El objetivo de esta fase es expulsar a los competidores o disuadir la
entrada al mercado de nuevos operadores. La segunda fase, denominada "fase de
Pág. 54
recuperación", ocurre cuando la empresa dominante vuelve a subir los precios para
recuperar al menos la inversión inicial realizada durante la fase de precios
predatorios, incluso si esos precios todavía están por debajo del costo incurrido
durante esa fase (Hemphill). En cambio, en Europa, demostrar la fase de
recuperación no es necesario para establecer precios predatorios; la prueba de la fase
de depredación por sí sola es suficiente (Cheng y Nowag, 2022).
Los algoritmos desempeñan un papel importante a la hora de permitir
tácticas predatorias de fijación de precios, ya que permiten a las empresas identificar
y centrarse en los clientes que tienen más probabilidades de cambiar a otro
proveedor. Al identificar a estos clientes marginales, una empresa dominante puede
reducir estratégicamente los precios por debajo de su costo durante la fase de
depredación, intentando así expulsar a la competencia. El uso de algoritmos también
beneficia a la empresa dominante al minimizar las pérdidas de los clientes que
probablemente no cambiarán de proveedor, conocidos como clientes
inframarginales. Esta reducción de las pérdidas reduce la necesidad de la empresa
dominante de recuperar beneficios durante la fase de recuperación, lo que en última
instancia hace que la estrategia general de fijación de precios predatorios sea más
viable y eficaz (Cheng y Nowag, 2022).
Los descuentos
Los descuentos suelen clasificarse en dos tipos: estandarizados y
personalizados. Los descuentos estandarizados son uniformes y se aplican a todos
los clientes, mientras que los descuentos personalizados se adaptan a clientes o
transacciones individuales. Sin embargo, existe un nuevo tipo de descuento llamado
descuentos algorítmicos que combina las ventajas de los descuentos estandarizados
y personalizados.
Estos descuentos algorítmicos están diseñados para beneficiar a grandes
grupos de clientes al ofrecer mayores descuentos a los clientes marginales y
descuentos más pequeños (o nulos) a los clientes inframarginales. Además, los
descuentos algorítmicos también tienen en cuenta la rentabilidad de las
transacciones al centrarse en áreas donde la competencia es más intensa. En general,
Pág. 55
los descuentos algorítmicos tienen como objetivo maximizar las ganancias para
todos los clientes.
Una empresa dominante tiene la capacidad de utilizar la selección algorítmica
como una forma de abordar los inconvenientes tanto de los descuentos
estandarizados como de los descuentos personalizados. Los descuentos
estandarizados pueden no ser la opción más rentable para ciertos clientes, mientras
que los descuentos personalizados pueden ser costosos y afectar negativamente la
rentabilidad cuando se ofrecen a una base de clientes grande y diversa.
Por lo tanto, al emplear la segmentación algorítmica, una empresa dominante
puede aumentar la probabilidad de utilizar descuentos estratégicamente para evitar
que los clientes se cambien a empresas rivales. Esta práctica de ofrecer descuentos
para disuadir a los clientes de cambiar puede, en última instancia, conducir a un
comportamiento anticompetitivo al excluir la competencia de esos rivales.
El empaquetado
Una empresa que ocupa una posición dominante en un mercado puede
utilizar estrategias de vinculación y agrupación para explotar su dominio en otro
mercado en el que carece de dominio. La vinculación implica el requisito de que los
clientes compren tanto el producto de la empresa dominante (denominado producto
vinculante) como un producto relacionado (el producto vinculado).
La agrupación, por otro lado, se refiere a cómo la empresa dominante
presenta sus productos a los clientes. Esto se puede hacer a través de paquetes puros,
donde la empresa solo ofrece un paquete que incluye tanto los productos vinculados
como los vinculados, o mediante paquetes mixtos, donde la empresa ofrece la opción
de comprar los productos vinculados y vinculados por separado pero también
ofrece un paquete con descuento que incluye ambos. El uso de vinculaciones y
paquetes por parte de una empresa dominante puede utilizarse para excluir
injustamente a sus competidores y obstaculizar la competencia en el mercado
(Comisión Nacional de los Mercados y la Competencia, 2024).
Pág. 56
Cuando una empresa dominante considera la posibilidad de ofrecer un
paquete vinculado, se enfrenta a un dilema. Por un lado, existe la posible pérdida
de ingresos de los clientes que deciden no comprar más el producto vinculante
debido al paquete vinculado. Por otro lado, hay ganancias de ingresos de los clientes
que eligen seguir con el paquete vinculado independientemente del vínculo. Esta
compensación presenta un desafío para la empresa dominante a la hora de tomar su
decisión (Cheng y Nowag, 2022).
El uso de la segmentación algorítmica brinda a la empresa dominante la
oportunidad de atender específicamente a clientes inframarginales que poseen una
demanda inelástica. Estos clientes prefieren comprar un paquete vinculado en lugar
de comprar los productos A y B por separado de los competidores de la empresa
dominante. Al hacerlo, la empresa dominante puede ofrecer beneficios adicionales
y aprovecharlos para ofrecer un paquete con descuento a los clientes marginales que
exhiben una demanda más elástica.
Este precio con descuento garantiza que estos clientes sigan siendo leales a la
empresa dominante y no se cambien a un competidor. En consecuencia, el empleo
de orientación algorítmica puede potencialmente disminuir el nivel de dominio del
mercado requerido por una empresa dominante para llevar a cabo eficazmente una
estrategia de vinculación y agrupación anticompetitiva (Cheng y Nowag, 2022).
Pág. 57
Capítulo 3
La explotación algorítmica desde el análisis de la OECD
El comportamiento explotador de una empresa dominante tiene un impacto
negativo directo en los consumidores al someterlos a precios o condiciones
comerciales injustas, como afirmó la OECD en 2020. En la mayoría de los países de
la OECD, el procesamiento de abusos de explotación es raro, ya sea porque no están
cubiertos por las normas de competencia en países como Estados Unidos, Canadá y
México, o porque sólo se investigan esporádicamente en países como Australia, la
UE, Japón, Corea y Turquía (OECD, 2020). El caso interpuesto por el
Bundeskartellamt alemán contra Facebook marcó el primer caso de conducta de
explotación digital oficialmente sancionada, como destacaron Botta y Wiedemann
(2019).
Una empresa que ocupa una posición dominante en el mercado tiene la
capacidad de utilizar su poder para adoptar un comportamiento de explotación.
Ejemplos de tal conducta incluyen cobrar precios excesivamente altos, imponer
condiciones comerciales injustas y practicar la discriminación de precios. Los precios
excesivos se refieren al acto de fijar precios de compra o venta injustos, mientras que
las condiciones comerciales injustas implican imponer unilateralmente otras
condiciones comerciales injustas. La discriminación de precios, por otra parte,
implica ofrecer condiciones diferentes a diferentes clientes, lo que coloca a ciertos
individuos en desventaja competitiva. En las siguientes secciones, examinaremos
cada uno de estos abusos de explotación con más detalle.
Los precios excesivos y deslealtad comercial
Uno de los principales obstáculos que se enfrentan en los casos de explotación
abusiva es la tarea de distinguir si el comportamiento en cuestión puede clasificarse
como "excesivo" o "injusto". Esta determinación puede plantear un desafío
importante para las autoridades, ya que con frecuencia no existe un punto de
referencia definitivo disponible para determinar la equidad de los precios o las
condiciones. Vale la pena señalar que los casos de abusos de explotación, con precios
Pág. 58
excesivos como ejemplo destacado, son extremadamente poco comunes, incluso
dentro de jurisdicciones como la Unión Europea, donde la ley de competencia
teóricamente permite su investigación (Motta, 2023).
El sobreprecio algorítmico puede ocurrir de dos formas: a través de medios
monetarios, como el uso de algoritmos de fijación de precios, y a través de
indicadores de calidad no monetarios, como el uso de algoritmos de búsqueda,
recomendación o asignación. Cuando una empresa dominante tiene un poder de
mercado significativo, puede explotar este poder para manipular su algoritmo con
el fin de beneficiarse a sí misma. Esto se puede lograr aumentando la exposición
publicitaria o imponiendo condiciones desfavorables para la recopilación de datos.
En términos más simples, la sobrevaloración algorítmica también puede entenderse
como el cobro de precios no monetarios exorbitantemente altos.
Una empresa dominante tiene la capacidad de explotar su posición utilizando
tácticas de autopreferencialidad para imponer condiciones contractuales injustas a
los vendedores intermedios. Estos términos pueden dar lugar a una extracción
excesiva de datos, que puede utilizarse para excluir a los competidores del mercado
en el futuro, o a una transferencia de riqueza mediante el pago de servicios auxiliares
como el análisis de datos o la obtención de una alta clasificación en los sistemas de
clasificación. Este comportamiento puede tener efectos perjudiciales sobre el
bienestar, ya que a menudo conduce al abuso de los márgenes de terceros, con las
posibles consecuencias negativas de la degradación y descubren que la mayoría de
los escenarios de autopreferencia dan como resultado una disminución del bienestar
general.
Las empresas pueden participar en prácticas comerciales desleales al utilizar
sus algoritmos para degradar a los clientes y crear una ventaja competitiva injusta.
Como resultado, los clientes pueden verse obligados a aceptar términos y
condiciones desfavorables que, en última instancia, benefician a la empresa. Un
ejemplo de esta forma de abuso se observó en el caso del sitio web de un restaurante
local, Kakaku.com, donde se utilizaron clasificaciones sesgadas para promocionar a
los clientes que pagaban, demostrando así un abuso de una posición negociadora
superior.
Pág. 59
Asimismo, se han observado casos de clasificaciones injustas en casos de
protección al consumidor en el Reino Unido y Australia, donde los sitios web de
reservas de hoteles han promocionado productos o servicios pagos de terceros sin
transparencia. Estas clasificaciones sesgadas han generado preocupaciones con
respecto a la integridad de los resultados de búsqueda, un ejemplo lo constituye el
siguiente caso:
Trivago N.V. es una conocida plataforma que opera en el sector de
alojamiento de viajes en línea, brindando a los usuarios una manera conveniente de
buscar y comparar precios de varias opciones de alojamiento. Sin embargo, la
empresa enfrentó una acción legal iniciada por la Comisión Australiana de
Competencia y Consumidores (ACCC) en un caso titulado "Comisión Australiana
de Competencia y Consumidores contra Trivago N.V. [2020] FCA 16" (Mercado
Negro, 2018).
Esta batalla legal giró principalmente en torno a cuestiones de protección del
consumidor, destacando la necesidad de que Trivago garantice la transparencia y la
equidad en sus operaciones. Un aspecto importante del caso involucró el intrincado
análisis del algoritmo de Trivago, con el objetivo de obtener una comprensión más
profunda de cómo funciona la plataforma y cómo impacta potencialmente en las
elecciones y la toma de decisiones de los consumidores. Al profundizar en el
funcionamiento interno del algoritmo de Trivago, la ACCC buscó arrojar luz sobre
posibles sesgos o prácticas engañosas que podrían perjudicar a los consumidores.
Este caso particular giraba en torno a salvaguardar los derechos de los
consumidores en lugar de promover la competencia. La Comisión Australiana de
Competencia y Consumidores (ACCC) acusó a Trivago de engañar a los
consumidores mediante sus prácticas publicitarias. Trivago había emitido anuncios
de televisión en los que se afirmaba que su plataforma permitiría a los usuarios
descubrir el hotel perfecto al precio más asequible.
En su sitio web, Trivago mostraba precios de varios sitios de reservas en línea
para un hotel específico, con un precio resaltado en una posición destacada conocida
como "Posición de oferta superior", caracterizada por letras verdes grandes y
rodeadas de espacios en blanco. El quid de la cuestión se centró en cómo se eligió
Pág. 60
esta "oferta de primera posición" y si realmente representaba el precio más bajo
disponible (Deutsche Welle, 2022). Después de un examen exhaustivo por parte de
expertos durante la prueba, se determinó que en aproximadamente el 66% de los
anuncios, la "Oferta de primera posición" no correspondía al precio más bajo
disponible.
La Comisión Australiana de Competencia y Consumidores (ACCC)
emprendió acciones legales contra Trivago en agosto de 2018 y, después de un largo
proceso legal, el Tribunal Federal dictaminó en enero de 2020 que Trivago había
violado la Ley del Consumidor de Australia al participar en prácticas engañosas con
respecto a las tarifas de las habitaciones de hotel a través de su sitio web y anuncios
de televisión. Insatisfecho con la decisión del tribunal, Trivago decidió apelar en
marzo de 2020. Sin embargo, su apelación finalmente fue desestimada por el Pleno
del Tribunal Federal en noviembre de 2020, confirmando el fallo inicial contra
Trivago. Como consecuencia de su mala conducta, a Trivago se le impuso una
importante multa de 44,7 millones de dólares australianos.
Este caso demuestra la capacidad de las autoridades de competencia para
investigar algoritmos, aunque los modelos de aprendizaje automático a menudo se
consideran entidades misteriosas. Estos modelos generalmente se entrenan con
conjuntos de datos específicos o aprenden mediante prueba y error, lo que hace que
su funcionamiento interno sea opaco. Sin embargo, este caso pone de relieve que
todavía es posible obtener conocimientos mediante la investigación algorítmica,
aunque ciertos modelos de aprendizaje automático son más transparentes que otros
(FundsPeople, 2024). Existen varias técnicas para la interpretabilidad independiente
del modelo, incluidos gráficos de dependencia parcial, efectos locales acumulados,
explicaciones independientes del modelo interpretables localmente y explicaciones
aditivas de Shapley.
Cabe destacar que, luego de realizar una evaluación inicial, los científicos de
datos de la ACCC opinaron que el caso tenía un mérito considerable. Esta evaluación
marcó el inicio de los siguientes pasos procesales que se desarrollarían a lo largo del
caso. Con meticulosa atención al detalle, los científicos de datos de ACCC
examinaron meticulosamente cada línea de código y realizaron meticulosamente
Pág. 61
análisis estadísticos descriptivos integrales. La intención detrás de esta ardua tarea
era proporcionar información invaluable al equipo de investigación, permitiéndoles
examinar a fondo el algoritmo. A pesar de la naturaleza intensiva en recursos de este
esfuerzo, los esfuerzos realizados por los científicos de datos se consideraron
extremadamente valiosos y justificados.
Si bien, a pesar de la complejidad del algoritmo y los diversos métodos de
interpretación empleados, ambos expertos coincidieron en un hallazgo importante.
Coincidieron en que en el 66% de los anuncios, la oferta que ocupaba la primera
posición no era en realidad el precio más bajo disponible en el anuncio.
Esta revelación subraya el hecho de que incluso cuando se trata de algoritmos
complejos, a veces una simple estadística descriptiva puede transmitir eficazmente
un mensaje claro. Los expertos emplearon diferentes metodologías para determinar
qué datos tenían la mayor influencia en el algoritmo, lo que los llevó a llegar a
conclusiones contrastantes. Para ayudar al tribunal a comprender estas
disparidades, los peritos a menudo recurrieron al uso de analogías como medio de
explicación. Tanto la ACCC como Trivago contrataron los servicios de expertos
independientes para ayudar en sus investigaciones. Los científicos de datos de la
ACCC desempeñaron un papel en la formulación de preguntas para los expertos y
ayudaron al equipo de investigación a interpretar la evidencia proporcionada por
los expertos. Además, tanto Trivago como la ACCC contrataron a sus propios
expertos técnicos para analizar más a fondo los datos.
La discriminación de precios
Aparte de la conducta excluyente antes mencionada, los algoritmos de
fijación de precios que se emplean para fijar precios personalizados o discriminar
precios también pueden considerarse abuso de explotación en determinadas
jurisdicciones. El abuso de explotación ocurre cuando la discriminación de precios
impone condiciones desiguales en transacciones similares, lo que en última instancia
coloca al cliente en desventaja en términos de competencia. Sin embargo, es
importante señalar que estos casos son increíblemente escasos.
Pág. 62
La Organización para la Cooperación y el Desarrollo Económicos (OECD) ha
ofrecido anteriormente un enfoque integral y detallado para evaluar si los precios
personalizados pueden considerarse un abuso de explotación. Este marco, tal como
lo describió la OECD en 2018, implica un proceso paso a paso que involucra cinco
etapas clave:
• En primer lugar, es necesario identificar cualquier disparidad de precios que
no pueda justificarse por diferencias en los costos.
• En segundo lugar, es fundamental comprobar que la empresa en cuestión
ocupa una posición dominante en el mercado.
• En el futuro, el tercer paso implica realizar un análisis para evaluar el impacto
en el bienestar del consumidor y la eficiencia general del mercado,
determinando así si hay evidencia de algún daño causado por tales prácticas
de fijación de precios.
• El cuarto paso implica evaluar si el daño causado por estas prácticas es
persistente y es poco probable que se resuelva mediante las fuerzas normales
del mercado.
• Por último, es crucial identificar la fuente específica de discriminación para
definir e implementar soluciones apropiadas para abordar el problema de
manera efectiva.
Siguiendo este enfoque sistemático, los reguladores y las autoridades pueden
garantizar una evaluación y una respuesta exhaustivas a los casos de fijación de
precios personalizados potencialmente explotadores.
En determinadas jurisdicciones, castigar la discriminación de precios como
abuso de explotación puede presentar dificultades a la hora de llevar esos casos ante
los tribunales. Un excelente ejemplo es el caso MEO, donde el TJUE analizó el uso
del artículo 102 del TFUE para abordar el abuso de explotación y destacó la
importante carga de la prueba requerida para un procesamiento exitoso.
Para establecer un caso, una autoridad de competencia tendría que demostrar
varios factores clave. En primer lugar, tendrían que demostrar que la discriminación
Pág. 63
de precios es un comportamiento recurrente. Igualmente, tendrían que demostrar
que el algoritmo utilizado por la empresa discrimina sistemáticamente entre
diferentes grupos de consumidores, lo que probablemente implicaría investigar el
algoritmo subyacente.
Asimismo, la autoridad necesitaría establecer que no existen justificaciones
válidas para la fijación de precios personalizados, ya que la empresa dominante
podría argumentar que es una forma de fijación de precios óptima que beneficia a
los consumidores en general. Por último, tendrían que identificar el escenario
contrafactual relevante para determinar el impacto de los precios personalizados en
el bienestar del consumidor. Estos requisitos plantean obstáculos importantes para
las autoridades de competencia que intentan abordar la discriminación de precios
explotadora (Botta y Wiedemann, 2020).
Actualmente, ninguna autoridad de competencia ha adoptado medidas
punitivas contra un caso de fijación de precios personalizados con arreglo al artículo
102 del TFUE. Sin embargo, es posible que la probabilidad de dicha aplicación
aumente junto con el aumento previsto en la adopción de estrategias de fijación de
precios personalizadas (Botta y Wiedemann, 2020).
Investigando algoritmos
Las autoridades de competencia desempeñan un papel crucial a la hora de
reconocer casos en los que los algoritmos tienen un impacto negativo en la
competencia. En esta sección se profundiza en las formas en que las autoridades de
competencia pueden investigar eficazmente estos algoritmos dañinos.
Específicamente, explora varios enfoques que pueden adoptar las autoridades de
competencia para examinar directamente los algoritmos, como la auditoría
algorítmica y la IA explicable. También presenta una variedad de métodos y técnicas
posibles, destacando los objetivos y obstáculos asociados con cada uno de ellos.
La necesidad
Pág. 64
El uso de algoritmos puede dar lugar a diversos problemas, muchos de los
cuales no son nuevos sino que mejoran las teorías existentes sobre el daño. Esto
plantea un desafío para las autoridades que deben poseer los conocimientos y
habilidades necesarios para comprender estos algoritmos. En determinadas
situaciones, puede que no sea esencial un conocimiento profundo del algoritmo. Por
ejemplo, si el algoritmo ha facilitado un cártel tradicional en el que dos comerciantes
han acordado explícitamente evitar la competencia de precios, la evidencia de
documentos internos como correos electrónicos o mensajes puede ser suficiente para
demostrar la intención de causar daño, como se ve en el caso de UK Trod Ltd/GB
Eye, Caso Ltd. Sin embargo, hay casos en los que comprender el algoritmo se vuelve
inevitable para evaluar si se ha producido algún daño. Los ejemplos incluyen el daño
unilateral en el caso AGCM Amazon FBA o el caso EC Amazon Buy Box. Por lo tanto,
es inevitable que las autoridades se encuentren cada vez más con casos que exijan
una comprensión de los algoritmos, lo que requerirá la contratación de personal
especializado con experiencia en informática y/o ciencia de datos.
En este sentido, OECD (2024) explora cómo las autoridades de competencia
podrían investigar y abordar eficazmente los posibles daños causados por los
algoritmos. Un enfoque sugerido fue que las autoridades obtuvieran una
comprensión integral del proceso de toma de decisiones del algoritmo, incluidas sus
diversas características. Al obtener este conocimiento, las autoridades de
competencia podrían prohibir el uso de características específicas que contribuyan
al daño.
Por lo tanto, se propuso que involucrar a científicos de datos en el proceso de
investigación podría ofrecer valiosos conocimientos tecnológicos sobre algoritmos y
posibles soluciones (OECD/CAF, 2022). Esta idea ha ganado fuerza en los últimos
años a medida que las autoridades de competencia se enfrentan a un número cada
vez mayor de casos relacionados con algoritmos y asumen una mayor
responsabilidad de hacer cumplir las regulaciones digitales antes de que se
produzcan daños potenciales.
Existe una creencia cada vez mayor entre los autores de que las autoridades
de competencia deberían examinar directamente los algoritmos, particularmente a
Pág. 65
la luz de las recientes decisiones europeas sobre el abuso de posiciones dominantes
en el mercado en el sector digital. Tanto las autoridades de competencia como los
gobiernos han reconocido la importancia de adquirir el conocimiento, las
habilidades y los recursos necesarios para investigar los posibles daños causados
por los algoritmos. Esto ha resultado en el establecimiento de nuevas unidades
digitales y la introducción de nuevas regulaciones, como la Ley de Mercados
Digitales de la UE45 y la Unidad de Mercados Digitales en el Reino Unido (UK
Digital Markets46), que otorgan a estas autoridades mayor poderes para recopilar
datos relevantes.
La factibilidad
Existe una creciente preocupación por la capacidad de comprender el proceso
de toma de decisiones de ciertos algoritmos, particularmente aquellos que son más
complejos como el aprendizaje automático o los modelos de aprendizaje profundo.
Estos algoritmos a menudo se denominan "cajas negras" debido a la falta de
transparencia en torno a cómo llegan a su salida en función de la entrada.
Si bien, es importante reconocer que existe un espectro de complejidad y que
los diferentes algoritmos presentan distintos niveles de dificultad para que los
analicen las autoridades de competencia. Algunos daños algorítmicos son más
fáciles de identificar que otros. Por ejemplo, puede ser factible determinar el daño
general causado por la colusión algorítmica, como un aumento general de los
precios. Sin embargo, resulta difícil identificar qué algoritmos específicos y sus
interacciones fueron responsables de este aumento de precios, especialmente en
situaciones en las que todas las empresas utilizan algoritmos que ajustan los precios
en función de la competencia y las condiciones del mercado. En tales casos,
comprender el funcionamiento exacto de estos algoritmos puede resultar difícil.
Aunque, hay campos emergentes como la IA explicable y la auditoría algorítmica
que ofrecen vías potenciales para comprender mejor el funcionamiento interno de
los algoritmos.
La IA explicable es un campo en crecimiento que se centra en el desarrollo de
técnicas para explicar e interpretar modelos de aprendizaje automático. El objetivo
Pág. 66
es permitir que los humanos comprendan cómo estos algoritmos toman decisiones.
Hay dos enfoques principales en la IA explicable: usar algoritmos inherentemente
interpretables, también conocidos como algoritmos de "caja blanca", o emplear
métodos de ingeniería retrospectivos, también llamados métodos post-hoc.
Actualmente, los métodos de IA explicables son más eficaces para explicar el
proceso de toma de decisiones de algoritmos individuales que para identificar la
colusión algorítmica. Puede resultar complicado detectar la colusión simplemente
examinando el algoritmo, a menos que esté explícitamente programado para ello.
Sin embargo, hay algunas sugerencias de que se puede identificar la colusión
algorítmica y se pueden realizar más investigaciones en esta área.
El proceso de auditoría algorítmica abarca varias técnicas para evaluar
algoritmos. Se emplea comúnmente con fines regulatorios para evaluar si un
algoritmo cumple con los requisitos, regulaciones o estándares legales. Los
reguladores y los profesionales de auditoría pueden utilizar diversas herramientas
y metodologías para realizar esta auditoría (OECD, 2023). En los últimos tiempos,
numerosas autoridades de competencia han publicado documentos regulatorios
que exploran formas de examinar algoritmos, ya sea auditando directamente el
algoritmo en sí o examinando los datos utilizados por el algoritmo. Estos informes
de las autoridades de competencia aclaran que existen múltiples enfoques
disponibles para investigar un algoritmo. La revisión del código es simplemente uno
de los métodos potenciales. El alcance y la naturaleza de la investigación variarán
según el caso (consulte la sección 4.3 para obtener más información).
Ciertos enfoques no siempre son viables dada la complejidad de los
algoritmos, en algunos casos las autoridades de competencia y consumidores han
considerado el funcionamiento de algoritmos más complejos. Por ejemplo, el caso
Trivago de la Comisión Australiana de Competencia y Consumidores (“ACCC”).
Aun cuando, se trata de un caso de protección del consumidor, proporciona un
ejemplo de una autoridad que investiga con éxito un algoritmo. Aunque los modelos
de aprendizaje automático a veces se ven como "cajas negras" (especialmente si han
sido "entrenados" en un conjunto de datos específico o aprendido mediante prueba
y error), y algunos modelos de aprendizaje automático son más interpretables que
Pág. 67
otros, estos casos muestran que las autoridades puede beneficiarse de la
investigación directa de algoritmos. Además, en el caso Kakaku.com de la Comisión
de Comercio Justo de Japón (JFTC), el tribunal ordenó al sitio web que revelara parte
de su algoritmo.
Las técnicas de investigación
En la actualidad, falta un marco integral que abarque todos los estándares y
pautas necesarios para analizar algoritmos. La complejidad de los algoritmos varía
mucho, y los algoritmos de IA van desde simples árboles de decisión que siguen
reglas de "si, entonces..." hasta redes neuronales más complejas. Como resultado, la
capacidad de una autoridad para evaluar el desempeño de un algoritmo depende
de su nivel de complejidad.
Las autoridades de competencia han explorado ampliamente la investigación
de los algoritmos y su impacto en las empresas. Esta exploración es evidente a través
de tres fuentes principales. En primer lugar, numerosas autoridades de competencia
han publicado informes que describen sus estrategias para examinar los algoritmos
de una empresa. Estos informes sirven como recursos valiosos para comprender el
proceso de investigación. En segundo lugar, las decisiones tomadas por las
autoridades de competencia en casos relacionados con algoritmos arrojan luz sobre
sus conclusiones y observaciones sobre la funcionalidad del algoritmo.
Aunque ciertos aspectos de estas decisiones están redactados debido a la
naturaleza clasificada de las operaciones del algoritmo, aún brindan información
sobre la investigación directa de la autoridad y la comprensión de los atributos
influyentes del algoritmo, este puede resolver un problema complejo, pero, no sirve
si no puede ejecutarse (Verdegay et al., 2021). Por último, el campo académico ha
contribuido a la comprensión y evaluación de algoritmos mediante el desarrollo de
auditoría algorítmica e IA explicable. Estos trabajos académicos proporcionan
metodologías y enfoques que facilitan una comprensión y evaluación integral de los
algoritmos. Combinando ideas de estas diversas fuentes, surgen varios mensajes
clave sobre la investigación de algoritmos por parte de las autoridades de
competencia.
Pág. 68
Numerosas autoridades de competencia han publicado informes que
describen en términos prácticos su enfoque para investigar los algoritmos de una
empresa. Estos informes provienen de varios países, incluidos el Reino Unido,
Japón, los Países Bajos y un informe conjunto de Francia y Alemania. Además, otros
reguladores han brindado orientación sobre la comprensión de los algoritmos. Estos
informes sirven como un recurso valioso para las empresas, ya que brindan
información sobre lo que pueden esperar durante una investigación.
Los informes cubren una variedad de temas, incluida la investigación de la
funcionalidad y el comportamiento del algoritmo sin acceso al algoritmo y los datos,
la descripción de los poderes de investigación, el examen de la función de un
algoritmo, la investigación del funcionamiento y el comportamiento de un algoritmo
con acceso al algoritmo y los datos, y abordar desafíos y otras consideraciones
importantes.
Es factible realizar una investigación sobre el funcionamiento y la conducta
del algoritmo incluso sin poder acceder directamente al algoritmo en sí o a los datos
subyacentes. Esto se puede hacer empleando varios métodos, que pueden utilizarse
tanto antes como durante una investigación oficial realizada por un organismo
autorizado. Sin embargo, cabe señalar que estas técnicas pueden no ser tan eficientes
o efectivas como aquellas que implican acceso directo al algoritmo y a los datos.
Estos métodos dependen en gran medida del conocimiento y las ideas derivadas de
la investigación académica sobre auditoría algorítmica e inteligencia artificial
explicable.
La auditoría algorítmica ha sido un tema de interés durante más de diez años
y sus orígenes se remontan a un fuerte deseo de justicia social. Los investigadores y
activistas se han visto impulsados por la demanda del público de investigar
algoritmos que toman decisiones cada vez más importantes, a menudo de manera
opaca. Una contribución significativa a la popularización del concepto de auditoría
algorítmica provino de Cathy O'Neil a través de su libro "Weapons of Math
Destruction" publicado en 2016. O'Neil destacó las diversas formas en que los
algoritmos pueden impactar negativamente a los ciudadanos y pidió una
intervención regulatoria. para abordar estos efectos nocivos. O'Neil enfatizó que la
Pág. 69
auditoría algorítmica tiene el potencial de arrojar luz sobre el propósito, el
funcionamiento y los resultados de estos algoritmos, descubriendo en última
instancia cualquier daño que puedan causar.
La auditoría algorítmica abarca una variedad de técnicas utilizadas para
evaluar algoritmos, independientemente de si el código fuente y los datos son
accesibles o no. Estas técnicas pueden adoptar diversas formas, incluida la revisión
de la gobernanza y la documentación técnica, el examen de los resultados del
algoritmo o el análisis de sus procesos internos. La literatura académica ha
identificado varios enfoques potenciales para realizar auditorías de algoritmos,
como auditorías de código, encuestas de usuarios, auditorías de scraping, auditorías
de API, auditorías de sock-puppet y auditorías de fuentes colaborativas.
Vale la pena señalar que, si bien la auditoría de código es crucial, la
investigación académica sobre auditoría algorítmica a menudo explora métodos que
no dependen del código fuente subyacente. Un estudio de Metaxa et al. (2021)
analiza varias técnicas que se pueden utilizar para auditorías algorítmicas sin
acceder al código fuente. Esto demuestra que es posible evaluar algoritmos y su
impacto sin tener una visibilidad completa del código.
En esencia, la literatura sobre auditoría algorítmica reconoce la importancia
del código fuente, pero también reconoce enfoques alternativos que pueden
emplearse para evaluar algoritmos sin acceso directo al código (Mota y Herrera,
2023). Por ejemplo, las auditorías algorítmicas académicas se han centrado en
investigar el uso de la personalización y los precios en diversos contextos. Estas
auditorías tienen como objetivo comprender cómo los algoritmos influyen en los
procesos de toma de decisiones y potencialmente perpetúan sesgos o prácticas
discriminatorias. El uso de código fuente puede dar a una empresa una ventaja
competitiva y puede contener información confidencial. Sin embargo, este no es
siempre el caso. En un incidente reciente, Twitter emprendió acciones legales contra
GitHub, un servicio de código compartido, para identificar a los individuos
responsables de publicar parte del código fuente de Twitter. Esto resalta la
importancia y la sensibilidad del código fuente en determinadas situaciones.
Pág. 70
Cuando existe una sospecha de daño, una autoridad de competencia tiene la
capacidad de iniciar una investigación y utilizar sus medidas de investigación
habituales para examinar un algoritmo. Estas medidas de investigación abarcan
realizar búsquedas sorpresa, solicitar información pertinente y/o realizar entrevistas
(como con los ingenieros de software responsables de desarrollar el algoritmo
dentro de la empresa). El objetivo es adquirir cualquier código, dato o
documentación relevante.
El grado en que esto se aplica puede variar dependiendo de la jurisdicción
específica, pero es posible que terceros sean incluidos en el alcance de la
responsabilidad cuando crean y administran un algoritmo externamente.
Una vez que se inicia una investigación, es importante que la autoridad
profundice primero en los aspectos funcionales del algoritmo que se está
examinando. Esto incluye comprender el propósito y el objetivo del algoritmo
dentro de las operaciones de la empresa, así como las suposiciones subyacentes y las
entradas/salidas de datos involucradas. Además, la autoridad también debe
examinar minuciosamente a las personas responsables del desarrollo del algoritmo,
incluidos los acuerdos contractuales con terceros.
Asimismo, es crucial evaluar si se identificó algún riesgo durante el proceso
de desarrollo del algoritmo, incluidos los informes de prueba o depuración, y cómo
se abordaron posteriormente estos riesgos. Al realizar una investigación exhaustiva
de la función del algoritmo, la autoridad puede obtener información valiosa sobre
su uso general y sus implicaciones.
Llevar a cabo una investigación exhaustiva sobre el funcionamiento y el
comportamiento de un algoritmo puede ser más eficaz cuando se tiene acceso tanto
al algoritmo como a los datos subyacentes. Esta idea está respaldada por la
Autoridad de Consumidores y Mercados, la Autorité de la concurrence &
Bundeskartellamt y la Autoridad de Mercados y Competencia. Vale la pena señalar
que la revisión de código, una técnica que implica examinar el código del algoritmo,
no se ha explorado ampliamente en la literatura debido al secreto que rodea a
algunos algoritmos de plataforma. Sin embargo, presenta una vía prometedora para
futuras investigaciones.
Pág. 71
La IA explicable es la práctica de utilizar métodos de IA para mejorar la
transparencia, la interpretabilidad y la explicabilidad de algoritmos complejos. Estas
técnicas implican el empleo de algoritmos para proporcionar una explicación
completa o aproximada de cómo funciona el algoritmo investigado. La necesidad de
una IA explicable surge del deseo de los usuarios de confiar en los modelos y
predicciones de la IA. Si bien se han logrado avances en el desarrollo de métodos
para explicar ciertos enfoques complejos de IA, como las redes neuronales
profundas, sigue siendo un desafío.
Se han explorado varios enfoques tanto en la industria como en la literatura
académica, como explicaciones independientes del modelo interpretables
localmente (LIME), anclajes e interpretabilidad mecanicista. Sin embargo, es
importante señalar que todavía no existe una forma definitiva de comprender
completamente modelos más complejos, incluidas las redes neuronales profundas,
como se destaca en un artículo reciente.
Examinar la documentación circundante y el contexto del algoritmo, así como
comprender su propósito y función, puede ofrecer información valiosa sobre su
comportamiento. Esto puede implicar profundizar en varios recursos, como
documentación, pseudocódigo y explicaciones generales del algoritmo. Igualmente,
considerar el ciclo de vida completo del algoritmo, incluida su concepción,
desarrollo, implementación y evaluaciones continuas de desempeño, puede
proporcionar una comprensión integral de su comportamiento. Además, recopilar
información a través de entrevistas con personal relevante, como ingenieros de
investigación y equipos de productos, puede mejorar aún más nuestro conocimiento
sobre el funcionamiento y el comportamiento del algoritmo.
Adicional a las auditorías de algoritmos, las autoridades también pueden
explorar enfoques de prueba alternativos, como ensayos de control aleatorios (RCT)
o pruebas A/B, que no se abordan específicamente en el concepto de auditorías de
algoritmos (Metaxa et al., 2021). Vale la pena señalar que las principales empresas
digitales suelen utilizar estos métodos de prueba como parte de sus procesos
internos. Por lo tanto, las autoridades pueden consultar estudios anteriores o buscar
ayuda de la empresa investigada para realizar ECA o pruebas A/B relevantes. Esto
Pág. 72
amplía la gama de opciones disponibles para las autoridades al evaluar las
plataformas digitales.
Ha habido numerosos casos en los que a un organismo regulador se le ha
concedido acceso tanto al algoritmo como a los datos. Un ejemplo de ello es el caso
de Trivago llevado a cabo por la ACCC, donde los científicos de datos revisaron
manualmente el código. Otro caso involucró a la AGCM italiana, que investigó cómo
Amazon determinaba su puntuación del Algoritmo de Comerciante Destacado
("FMA"). Se descubrió que la puntuación se calculaba utilizando una función lineal
de cinco variables, estimadas mediante técnicas econométricas o de aprendizaje
automático, que en última instancia influyeran en qué ofertas se incluían en Amazon
Buy Box.
Asimismo, la Comisión Europea examinó varias pruebas en el caso Google
Shopping. Esto incluyó documentos contemporáneos de Google y otros actores del
mercado, una cantidad significativa de datos del mundo real que ascienden a 5,2
Terabytes de resultados de búsqueda de Google (equivalente a aproximadamente
1,7 mil millones de consultas de búsqueda), experimentos y encuestas que analizan
el impacto de la visibilidad de los resultados de búsqueda en el comportamiento del
consumidor. y tasas de clics, datos financieros y de tráfico que destacan la
importancia comercial de la visibilidad en los resultados de búsqueda de Google y
las consecuencias de ser degradado. Además, se llevó a cabo una extensa
investigación de mercado, que incluyó cuestionarios enviados a varios cientos de
empresas que operan en los mercados afectados.
La investigación de algoritmos plantea numerosos desafíos para las
autoridades de competencia, y es una tarea compleja y ardua que les exige
considerar diversos aspectos. Esto incluye tener en cuenta las ideas proporcionadas
por la Autoridad de Consumidores y Mercados y la Autoridad de Competencia y
Mercados.
Inicialmente, vale la pena señalar que algunos de los métodos mencionados
anteriormente pueden requerir una cantidad significativa de tiempo y recursos para
implementarlos. Además, es posible que no proporcionen pruebas suficientes para
establecer ningún daño potencial. Por ejemplo, revisar el código manualmente
Pág. 73
puede consumir mucho tiempo y es posible que no identifique de manera efectiva
problemas en algoritmos complejos o no considere las consecuencias negativas que
pueden surgir debido a los datos de entrada o al entorno general en el que opera el
algoritmo.
Esto es particularmente relevante para los complejos algoritmos de
aprendizaje automático que evolucionan constantemente en función de los datos de
entrenamiento y los avances de los algoritmos. En consecuencia, las investigaciones
deben ser proporcionales al daño que se examina y deben realizarse con el nivel
adecuado de detalle. Por ejemplo, confiar únicamente en encuestas de usuarios
puede no profundizar lo suficiente en el asunto, mientras que utilizar técnicas
dinámicas puede ofrecer una granularidad excesiva.
También, es común que una empresa utilice múltiples algoritmos
simultáneamente dentro de un sistema más grande, lo que puede plantear un
desafío a la hora de comprender cómo estos algoritmos interactúan entre sí. Así,
estos extensos sistemas algorítmicos frecuentemente involucran un aspecto del
juicio humano, ya sea de empleados o consumidores, lo que agrega complejidad a
la comprensión del comportamiento general del sistema. Además, los algoritmos
suelen servir como base del valor de una empresa digital, lo que requiere que
cualquier investigación tenga en cuenta el mantenimiento de la confidencialidad de
los algoritmos y la protección de los secretos comerciales de los competidores.
Además, una autoridad puede encontrar dificultades en materia de privacidad y
seguridad del usuario. Por último, si una empresa opera a nivel internacional o
emplea algoritmos desarrollados por terceros, esto puede presentar obstáculos
adicionales para una autoridad a la hora de recopilar pruebas (Comisión Económica
para América Latina y el Caribe, 2018).
Las competencias específicas
Para abordar eficazmente la necesidad de conocimiento algorítmico, puede
resultar beneficioso que los reguladores establezcan un cuerpo centralizado de
expertos para aunar recursos (Corporación Andina de Fomento, 2021). Singapur ya
cuenta con un equipo central de científicos de datos e ingenieros de software que
Pág. 74
brindan soporte en varios departamentos gubernamentales. De igual forma, la
colaboración entre las autoridades de competencia a nivel mundial, a través de
conferencias y canales internacionales, puede facilitar el intercambio de experiencias
y conocimientos.
Participar en los avances académicos y potencialmente emplear empresas de
auditoría algorítmica de terceros también pueden ser enfoques valiosos. El gobierno
británico, por ejemplo, reconoce el potencial del mercado emergente de garantía de
IA para ayudar a las empresas a garantizar que sus algoritmos de IA cumplan con
los requisitos reglamentarios. Con el tiempo, el número de autoridades de
competencia con unidades de datos ha aumentado significativamente.
En 2019, de las 35 autoridades encuestadas, 11 contaban con este tipo de
unidades. Para 2022, este número había aumentado a 19 de 32 autoridades
encuestadas. Aunque las unidades de datos todavía son de tamaño relativamente
pequeño, la presencia de un número considerable de científicos de datos en algunas
autoridades resalta el compromiso de desarrollar experiencia en la investigación de
casos algorítmicos. Por ejemplo, la Autoridad de Mercados y Competencia del Reino
Unido estableció su unidad de datos en febrero de 2019.
La investigación del funcionamiento y comportamiento algorítmicos puede
ser compleja y técnica, y requiere una amplia gama de habilidades y conocimientos
por parte de las autoridades de competencia. Para cumplir con estos requisitos,
muchas autoridades de competencia han tomado medidas para mejorar sus
capacidades. Esto incluye el establecimiento de unidades de datos, la contratación
de científicos y tecnólogos de datos y la utilización de su experiencia en
investigaciones de mercado, control de fusiones, casos de aplicación de la ley y
regulación digital. En particular, algunas autoridades de competencia incluso han
contratado a estos expertos para realizar ingeniería inversa y comprender los
algoritmos empleados por las empresas.
La coordinación y colaboración
La implementación generalizada de la inteligencia artificial en diversos
sectores de la economía ha atraído la atención de múltiples organismos reguladores,
Pág. 75
lo que ha planteado un desafío importante a la hora de coordinar sus esfuerzos.
Debido a la naturaleza especializada de diferentes ámbitos, como la política de
competencia, los mercados financieros y la atención sanitaria, puede que no sea
factible depender de una única autoridad reguladora para abordar eficazmente
todos los aspectos problemáticos del aprendizaje automático.
En consecuencia, están surgiendo dos tipos distintos de marcos legales para
la IA: leyes vinculantes como la Ley de IA de la UE y directrices más suaves como
las directrices de IA de la OECD. Como resultado, los gobiernos y los responsables
de la formulación de políticas deben colaborar y sincronizar sus respuestas a los
riesgos asociados con la IA. Además, las autoridades de competencia tienen la
oportunidad de aprender unas de otras y mejorar su eficacia mediante la
colaboración.
Dado que las principales empresas digitales operan a través de fronteras
internacionales, las autoridades de competencia de todo el mundo se enfrentan a
desafíos similares a la hora de abordar los impactos negativos causados por estas
empresas. Por lo tanto, es crucial que las autoridades de competencia cooperen y
compartan sus conocimientos y experiencias, lo que puede facilitarse a través de
talleres, mesas redondas en organizaciones como la OECD y grupos de trabajo en la
ICN.
Hay varios casos de jurisdicciones que establecen relaciones bilaterales, como
lo observa la Autoridad de Competencia y Mercado. Así, a veces las empresas
ofrecen compromisos que se extienden globalmente, beneficiando a los
consumidores de todo el mundo en lugar de limitarse a la jurisdicción donde ocurrió
una violación de la ley de competencia. Por ejemplo, Google asumió compromisos
globales en el caso de publicidad en línea manejado por la Autorité de la
Concurrence francesa y en el caso de la zona de pruebas de privacidad supervisado
por la Autoridad de Mercados y Competencia del Reino Unido.
Las autoridades de competencia también pueden obtener información valiosa
de otros reguladores del sector que han enfrentado desafíos similares. Varias
jurisdicciones, incluidas Australia, los Países Bajos y el Reino Unido, están
adoptando una regulación digital coordinada entre múltiples reguladores
Pág. 76
sectoriales. Esto resalta la importancia de que los reguladores del sector colaboren y
compartan conocimientos para mejorar la eficiencia operativa y minimizar cargas
innecesarias para las empresas. Un ejemplo de dicha colaboración es el Foro de
Cooperación Regulatoria sobre Transparencia Digital del Reino Unido (DRCF), cuyo
objetivo es apoyar mejoras en la transparencia algorítmica mejorando las
capacidades de los reguladores del sector del Reino Unido, investigando auditorías
de terceros en el mercado y promoviendo la transparencia en la contratación
algorítmica.
El Gobierno del Reino Unido espera que los reguladores participen
activamente en la implementación de los principios descritos en el marco regulatorio
de IA pro-innovación propuesto recientemente (Departamento de Ciencia,
Innovación y Tecnología del Reino Unido, 2023. La Autoridad de Conducta
Financiera del Reino Unido (FCA) ha llevado a cabo una investigación sobre la
explicabilidad algorítmica76, explorando dos enfoques principales: (a)
"interpretabilidad por diseño" y (b) "ingeniería inversa de características
explicativas":
• El primer enfoque implica crear un algoritmo más simple desde el principio,
pero puede comprometer la capacidad predictiva.
• El segundo enfoque implica el uso de un algoritmo independiente que
proporciona una interpretación simplificada de un algoritmo de aprendizaje
automático de caja negra.
Los reguladores financieros como la FCA han estado lidiando con los desafíos
que plantea el comercio algorítmico durante años, como lo demuestra su revisión
del cumplimiento del comercio algorítmico en los mercados mayoristas. La
Organización para la Cooperación y el Desarrollo Económico (OECD) también ha
reconocido el uso cada vez mayor de inteligencia artificial, aprendizaje automático
y algoritmos en los servicios financieros, lo que ha llevado a revisiones de los
Principios de Protección al Consumidor Financiero.
Por lo tanto, los reguladores sectoriales suelen utilizar "zonas de pruebas"
regulatorias, con numerosos ejemplos en toda la OECD. Estos "sandboxes" se
Pág. 77
refieren a exenciones regulatorias limitadas o flexibilidad otorgada a las empresas,
lo que les permite probar nuevos modelos de negocios con requisitos regulatorios
reducidos (Alameda, 2018). Al tiempo que garantizan la protección del consumidor
y los objetivos regulatorios generales, los entornos de pruebas regulatorios
generalmente son administrados y organizados caso por caso por las autoridades
regulatorias pertinentes. Se han implementado en varios sectores, incluidos
finanzas, atención médica, transporte, servicios legales, aviación y energía, dentro y
fuera de la OECD (OECD, 2020).
Tanto la Autoridad de Conducta Financiera del Reino Unido como la
Comisión Helénica de Competencia han establecido entornos de pruebas
regulatorios. Además, las jurisdicciones que implementan regulación digital
podrían considerar la utilización de entornos de pruebas regulatorios como un
medio para que las empresas prueben sus algoritmos y aborden los posibles daños
dentro de un entorno regulatorio seguro. Sin embargo, cabe señalar que los entornos
limitados de pruebas regulatorios pueden ser más adecuados para identificar daños
algorítmicos unilaterales que daños coordinados.
Las autoridades de competencia también pueden extraer lecciones de las
medidas de derecho indicativo de la IA. Actualmente, no existe ninguna ley estricta
que regule específicamente la IA, lo que significa que no existe un marco legalmente
vinculante que se pueda hacer cumplir en los tribunales. Los Principios de IA de la
OECD sirven como ejemplo de derecho indicativo y representan el primer conjunto
de principios reconocido internacionalmente que rige la IA.
En este contexto, la OECD ayuda activamente a los gobiernos a implementar
estos principios a través del Grupo de Trabajo de la OECD sobre Gobernanza de la
Inteligencia Artificial (AIGO). El desarrollo de los principios de IA de la OECD
implicó la participación de la sociedad civil y la industria. Sin embargo, se espera
que la Ley de IA de la UE se convierta en la primera legislación integral que regule
la IA por parte de un importante regulador global. La Ley de IA de la UE describe
cómo podría ser un ecosistema de auditoría de IA. Dados los rápidos avances en la
tecnología de IA, es probable que los gobiernos de todo el mundo respondan con
medidas políticas rápidas y en evolución.
Pág. 78
Capítulo 4
Estudios de caso, normativa, algoritmos RNA y aparición de la
Inteligencia Artificial (IA)
El impacto de la participación en el entorno de pruebas regulatorio de la FCA
ha demostrado ser particularmente ventajoso para las empresas más pequeñas. Estas
empresas, que a menudo enfrentan recursos limitados y limitaciones financieras, se
han beneficiado enormemente del apoyo y la orientación del sandbox. Al ofrecer un
campo de pruebas seguro, el entorno de pruebas regulatorio de la FCA mitiga los
riesgos financieros asociados con el desarrollo y lanzamiento de nuevos productos
o servicios, lo que en última instancia nivela el campo de juego para las empresas
más pequeñas y promueve su crecimiento y éxito (Ansoff, 1965).
Así, la introducción del entorno de pruebas regulatorio de la FCA ha
revolucionado la forma en que las empresas pueden innovar y desarrollar sus ideas
dentro del sector financiero. Al proporcionar un espacio seguro y supervisado para
que las empresas prueben sus propuestas con consumidores reales, el sandbox no
solo ha acelerado el tiempo que tardan las empresas en ingresar al mercado, sino
que también ha aumentado significativamente las posibilidades de éxito.
Adicionalmente, la accesibilidad y el apoyo del sandbox han empoderado
particularmente a las empresas más pequeñas, permitiéndoles superar barreras
financieras y competir en igualdad de condiciones con los actores más grandes.
El entorno de pruebas regulatorio de la FCA es un ejemplo brillante de
innovación regulatoria, que fomenta el crecimiento e impulsa la evolución de la
industria financiera. La iniciativa innovadora ofrece a las empresas la oportunidad
de interactuar con consumidores reales, obteniendo así información y comentarios
valiosos para perfeccionar sus propuestas (Alameda, 2018). Lo que distingue al
entorno de pruebas regulatorio de la FCA es su disponibilidad constante, lo que
significa que las empresas pueden enviar solicitudes para unirse al entorno de
pruebas en cualquier momento, lo que garantiza una plataforma flexible y accesible
para la innovación.
Pág. 79
El "sandbox regulatorio" ofrece multitud de ventajas para las empresas:
• En primer lugar, proporciona un entorno controlado donde las empresas
pueden probar sus productos y servicios, lo que les permite evaluar su
funcionalidad y rendimiento. Así como también, ofrece una oportunidad
única para que las empresas evalúen el nivel de atractivo que tiene su modelo
de negocio para los consumidores o prueben la viabilidad de una tecnología
específica en el mercado.
• En segundo lugar, el entorno de pruebas regulatorio permite a las empresas
reducir significativamente el tiempo necesario para llevar sus productos o
servicios al mercado, lo que podría generar ahorros de costos.
• Por último, ofrece un valioso apoyo a las empresas en la identificación e
implementación de medidas de protección al consumidor, asegurando que
los nuevos productos y servicios prioricen el bienestar y la seguridad de los
consumidores.
Hay varios beneficios que los reguladores pueden obtener al utilizar
"sandboxes":
• Los entornos de pruebas permiten a los reguladores acelerar la introducción
de productos y servicios innovadores en el mercado, lo que en última
instancia beneficia a los consumidores.
• Al utilizar sandboxes, los reguladores pueden identificar efectivamente
cualquier obstáculo regulatorio innecesario que pueda obstaculizar la
innovación.
• Mediante el uso de entornos de pruebas, los reguladores pueden identificar
las áreas de la tecnología y los mercados emergentes donde los marcos
regulatorios pueden necesitar adaptarse y modificarse en consecuencia.
Las posibles intervenciones normativas
Reconociendo el impacto significativo que tienen los algoritmos en la
organización y manipulación de la información a escala global, y entendiendo que
Pág. 80
estas consecuencias se extienden mucho más allá del ámbito de la economía digital,
los académicos y los responsables de la formulación de políticas se han involucrado
cada vez más en un animado discurso sobre la necesidad de implementar nuevos
tipos de intervenciones regulatorias. Este debate en curso se centra en varias áreas
clave, incluidas posibles estrategias institucionales para gobernar algoritmos,
enfoques regulatorios alternativos y los riesgos potenciales asociados con una
regulación demasiado estricta.
Las opciones institucionales para gobernar los algoritmos
Siempre que sea posible, se debe dar prioridad a las soluciones de mercado,
ya que fomentan la innovación y la competencia. Sin embargo, en los casos en que
existen fallas del mercado, pueden ser necesarias soluciones alternativas. Estos
pueden incluir la autoorganización, la autorregulación, la corregulación y la
intervención estatal. Se han propuesto varias medidas regulatorias, como medidas
de información, principios de "neutralidad de búsqueda", regulaciones sobre delitos
cibernéticos y esquemas de certificación de protección de datos.
Algunos académicos abogan por el establecimiento de nuevas instituciones
regulatorias para gobernar la economía digital, como un regulador digital global
responsable de coordinar y supervisar las regulaciones de datos e Internet. Para
abordar los riesgos asociados con los algoritmos y la inteligencia artificial, algunos
proponen la creación de un nuevo régimen regulatorio. Por ejemplo, la Ley de
Desarrollo de la Inteligencia Artificial ("AIDA") sugiere establecer una agencia para
certificar la seguridad de los sistemas de IA (Canadá, 2023).
Los programas certificados tendrían responsabilidad extracontractual
limitada, mientras que los programas no certificados enfrentarían responsabilidad
estricta. Sin embargo, la viabilidad y la conveniencia social de crear tales agencias
reguladoras siguen siendo inciertas. Tradicionalmente, los gobiernos han adoptado
un enfoque de la economía digital orientado al mercado, lo que ha facilitado su
rápido crecimiento y alentado la innovación. Sin embargo, los formuladores de
políticas deben tener cuidado con la aplicación excesiva y la intervención regulatoria
Pág. 81
excesiva, ya que pueden crear barreras de entrada y desalentar la inversión en
valiosos algoritmos patentados.
La OECD recomienda evaluar el impacto competitivo de las regulaciones del
mercado en las primeras etapas de la formulación de políticas. Saurwein et al. (2015)
discuten varias opciones para regular algoritmos, que van desde soluciones de
mercado hasta regulaciones estatales. Estas opciones tienen diferentes limitaciones
y pueden ser más o menos adecuadas para abordar diferentes categorías de riesgos
de algoritmos. En un extremo del espectro, existen soluciones de mercado en las que
los proveedores compiten para ofrecer mejores algoritmos, utilizando técnicas como
el aprendizaje automático para reducir el sesgo y evitar la manipulación. Por otro
lado, las soluciones del lado de la demanda implican que los consumidores tomen
medidas para protegerse, como negarse a utilizar ciertos servicios o utilizar
tecnología para protegerse contra riesgos algorítmicos. Teniendo en cuenta estos
principios, es importante explorar el potencial para abordar los riesgos algorítmicos
a través de la regulación del mercado, así como formas alternativas de intervención
y los riesgos potenciales para la competencia.
La transparencia algorítmica y rendición de cuentas
Los recientes debates en torno a las intervenciones regulatorias han llamado
la atención sobre la necesidad de que los algoritmos sean más transparentes y
responsables de sus efectos. En Estados Unidos, la Oficina de Protección al
Consumidor de la FTC ha creado la Oficina de Investigación e Investigación
Tecnológica, que realiza estudios independientes y proporciona orientación sobre la
transparencia algorítmica.
Asimismo, aún no está claro determinar la autoridad o el regulador adecuado
para supervisar los algoritmos, y la coordinación entre reguladores con objetivos
potencialmente contradictorios es un desafío. La economía digital opera en la
intersección de varias leyes, como la privacidad, la transparencia, la protección de
datos, la propiedad intelectual, la protección del consumidor y la competencia, lo
que requiere intervenciones en múltiples áreas de políticas por parte de diferentes
Pág. 82
agencias. Además, el carácter global de los negocios online plantea un desafío
territorial a la hora de diseñar normativas.
Los principios para la transparencia algorítmica
• El primer paso para promover la justicia y la equidad en los sistemas
analíticos es fomentar la conciencia entre todas las partes interesadas clave,
incluidos propietarios, diseñadores, constructores, usuarios y otras partes
relevantes, sobre los sesgos inherentes que pueden estar presentes en estos
sistemas. Es fundamental que comprendan las posibles consecuencias
negativas que estos sesgos pueden infligir a los individuos y a la sociedad en
su conjunto al diseñar, implementar y utilizar dichos sistemas. Al cultivar esta
conciencia, podemos sentar las bases para un panorama tecnológico más
inclusivo y justo.
• Los organismos reguladores deberían promover la implementación de
sistemas que permitan a las personas y colectivos que se han visto afectados
negativamente por decisiones influenciadas por algoritmos tener los medios
para impugnar y recibir una restitución adecuada.
• Un aspecto esencial que debe enfatizarse es el concepto de responsabilidad
en relación con el uso de algoritmos por parte de las instituciones. Es
imperativo que estas instituciones asuman la responsabilidad de los
resultados y las decisiones tomadas por los algoritmos, incluso si puede
resultar difícil proporcionar una explicación integral del funcionamiento
interno y los procesos empleados por estos algoritmos.
• En contextos de políticas públicas, es crucial que los sistemas e instituciones
que utilizan algoritmos de toma de decisiones ofrezcan explicaciones
detalladas tanto sobre los procedimientos del algoritmo como sobre las
decisiones específicas que toma. Esta práctica promueve la transparencia y la
rendición de cuentas.
• La procedencia de los datos se refiere a la documentación de cómo se
recopilaron los datos de entrenamiento utilizados en los algoritmos. Es
Pág. 83
importante que los creadores de algoritmos proporcionen una descripción
exhaustiva del proceso de recopilación de datos, incluido cualquier sesgo que
puedan haber sido introducidos por humanos o algoritmos durante el
proceso de recopilación. Esta transparencia permite el escrutinio público de
los datos, lo que a su vez brinda la mejor oportunidad para identificar y
rectificar cualquier problema o error. Sin embargo, cabe señalar que puede
haber motivos válidos para limitar el acceso a estos datos. Las preocupaciones
sobre la privacidad, la protección de secretos comerciales o la prevención de
que actores malintencionados exploten el sistema podrían justificar la
restricción del acceso a personas calificadas y autorizadas.
• La auditabilidad es un aspecto crucial para garantizar la transparencia y la
rendición de cuentas en el ámbito de los modelos, algoritmos, datos y
decisiones. Implica la documentación y el registro meticulosos de estos
elementos para permitir procedimientos de auditoría en situaciones en las
que se sospecha un daño potencial o es necesario investigarlo. Al tener un
registro completo de todo el proceso, es posible volver sobre y examinar cada
paso dado, proporcionando información sobre posibles fallas, sesgos o
errores que puedan haber ocurrido. Esto facilita aún más la identificación de
cualquier resultado dañino o consecuencia no deseada que pueda surgir de
la utilización de estos modelos, algoritmos, datos o decisiones. En esencia, la
auditabilidad sirve como salvaguarda, asegurando que cualquier sospecha o
inquietud sobre el daño pueda abordarse y rectificarse a fondo mediante un
proceso de evaluación transparente y responsable.
• La validación y pruebas; las organizaciones deben utilizar métodos rigurosos
para validar sus modelos y documentar esos métodos y resultados. En
particular, deben realizar pruebas de rutina para evaluar y determinar si el
modelo genera sesgos discriminatorios. "Se anima a las instituciones a
publicar los resultados de dichas pruebas".
La normativa para evitar la colusión algorítmica
Pág. 84
En esta etapa, sigue siendo incierto si es posible establecer regulaciones que
puedan impedir efectivamente que los algoritmos producto de las RNAs basadas en
aprendizaje automático logren de forma independiente una coordinación implícita,
sin causar ningún efecto perjudicial en el proceso competitivo de maneras
alternativas. Hasta donde sabe no se han presentado sugerencias en la literatura
antimonopolio para abordar este comportamiento. Además, faltan casos o
investigaciones de competencia que aporten pruebas de esta colusión "virtual", lo
que dificulta la justificación de la implementación de regulaciones destinadas a
prevenir las consecuencias adversas de conductas que aún no han sido presenciadas.
Sin embargo, es crucial reconocer los desafíos asociados con la identificación
de la colusión entre algoritmos de aprendizaje automático, especialmente
considerando los rápidos avances en los mercados digitales. Por lo tanto, resulta
imperativo anticipar las posibles medidas regulatorias que podrían implementarse
si esta forma única de colusión se convierte en una realidad en el mercado.
Seguidamente, se analizaran brevemente tres tipos potenciales de intervenciones
regulatorias y los riesgos potenciales que podrían plantear para la competencia:
• Una posible respuesta a la cuestión de los algoritmos que conducen a precios
anticompetitivos es la implementación de una regulación de precios. Este
enfoque implica establecer límites máximos de precios para evitar que las
empresas inflen injustamente sus precios. Si bien, es importante considerar
los posibles inconvenientes de los precios máximos, ya que pueden crear
barreras a la competencia. En cambio, se recomienda que los responsables de
las políticas exploren políticas alternativas que sean más eficientes para
promover la competencia. Vale la pena señalar que las regulaciones de precios
no sólo desalientan la innovación y el suministro de productos de alta calidad
sino que, irónicamente, pueden resultar en precios más altos. Esto se debe a
que el establecimiento de límites de precios puede facilitar inadvertidamente
la colusión entre empresas que operan en mercados digitales que de otro
modo serían competitivos. Por lo tanto, se debe prestar una cuidadosa
consideración a las posibles consecuencias no deseadas de la regulación de
precios en este contexto.
Pág. 85
• Hay varias normativas que los responsables de las políticas pueden
implementar para hacer que la colusión tácita esté menos presente en los
mercados digitales. Un enfoque es modificar las características estructurales
de estos mercados que más facilitan la colusión. Por ejemplo, las autoridades
podrían introducir sistemas de descuentos secretos o imponer limitaciones a
la información que se puede compartir en línea, haciendo así que los
mercados sean menos transparentes. Asimismo, podrían imponer retrasos en
los ajustes de precios o exigir a las empresas que se comprometan con nuevas
ofertas durante un período de tiempo mínimo, a fin de disminuir la
frecuencia de interacción en los mercados digitales. Sin embargo, es
importante señalar que estas políticas pueden tener consecuencias no
deseadas. Podrían potencialmente restringir la competencia al limitar la
cantidad de información disponible para los consumidores y obstaculizar el
ajuste eficiente de la oferta y la demanda mediante ajustes rápidos de precios.
• Un posible enfoque para regular los algoritmos es establecer reglas que dicten
cómo se diseñan. Estas reglas serían similares a las Tres Leyes de la Robótica
de Asimov y tendrían como objetivo impedir que las empresas coordinen de
forma independiente precios anticompetitivos. Para mantener una
coordinación tácita, se podría restringir la reacción de los algoritmos ante
determinadas características o variables del mercado. Por ejemplo, podrían
programarse para ignorar los cambios más recientes en los precios o ignorar
las fluctuaciones de precios de empresas individuales, centrándose en cambio
en los precios promedio del sector. Si bien este enfoque puede limitar la
capacidad de las empresas para desarrollar algoritmos innovadores, es
probable que tenga un impacto menor en la competencia en comparación con
otras formas de intervención. Sin embargo, regular el diseño de algoritmos
también impondría una carga adicional a las agencias responsables de
supervisar el cumplimiento de estas reglas.
La intención detrás de proporcionar una lista de posibles intervenciones
regulatorias no es abogar por una dirección política particular, sino más bien crear
una base para la discusión y alentar debates futuros. Es importante señalar que si se
Pág. 86
va a implementar alguna regulación con el objetivo de reducir la colusión en los
mercados, las autoridades deberían adoptar un enfoque cauteloso. Esto se debe a
que dichas regulaciones podrían tener consecuencias imprevisibles que podrían
socavar el funcionamiento eficaz de los mercados digitales.
El rápido desarrollo de la economía digital ha planteado nuevos desafíos para
los legisladores y reguladores que buscan salvaguardar la competencia, mantener la
confianza del mercado y mejorar el bienestar social. Una preocupación apremiante
en los círculos profesionales son los riesgos potenciales asociados con el uso
extensivo de algoritmos informáticos en los modelos de negocios contemporáneos.
Si bien se reconoce las numerosas ventajas que las RNAs fundamentadas en sistemas
automatizados han aportado a la sociedad, es necesario iniciar una discusión sobre
los efectos potenciales de los algoritmos en las prácticas colusorias.
Es preciso analizar el impacto potencial de los algoritmos en las
investigaciones antimonopolio de dos maneras principales. En primer lugar, los
algoritmos están influyendo significativamente en las condiciones del mercado, lo
que da como resultado una mayor transparencia de los precios y la capacidad de las
empresas para participar en transacciones de alta frecuencia, lo que les permite
reaccionar rápida y agresivamente. Estos cambios en el mercado digital podrían
potencialmente hacer viables las estrategias colusorias en casi cualquier estructura
de mercado. En segundo lugar, los algoritmos proporcionan a las empresas
herramientas automatizadas avanzadas para monitorear los precios, implementar
políticas compartidas, enviar señales de mercado y optimizar las ganancias
conjuntas utilizando técnicas de aprendizaje profundo. En consecuencia, los
algoritmos tienen el potencial de permitir a las empresas lograr resultados similares
a los de los cárteles tradicionales mediante una colusión tácita.
Desde una perspectiva de implementación, es importante distinguir entre
situaciones en las que los competidores utilizan algoritmos como herramienta
complementaria en un acuerdo colusorio más amplio que cae dentro del ámbito
tradicional de las normas de competencia sobre acuerdos anticompetitivos, y
situaciones en las que los algoritmos permiten a las empresas alinearse. su conducta
empresarial de una manera que se asemeja mucho a un paralelismo consciente, un
Pág. 87
tipo de conducta que no se considera ilegal según las normas de competencia. En el
primer escenario, los desafíos que enfrentan las agencias reguladoras giran en torno
a detectar posibles casos anticompetitivos, comprender la tecnología involucrada y
reunir evidencia suficiente para cumplir con los criterios legales requeridos. Por otro
lado, el segundo escenario presenta más dificultades porque los criterios legales
existentes no permiten intervenir utilizando reglas tradicionales sobre acuerdos
anticompetitivos entre competidores.
Dados los desafíos actuales, los responsables de hacer cumplir la ley de
competencia tienen varias opciones a considerar. Un enfoque es utilizar
herramientas antimonopolio tradicionales y comenzar por realizar una
investigación de mercado exhaustiva. Esta investigación tendría como objetivo
comprender la prevalencia de la colusión algorítmica, las condiciones bajo las cuales
ocurre y los sectores en los que es más probable que se observe. Si se encuentra
evidencia de un problema de competencia, las posibles soluciones podrían implicar
ajustar el proceso de revisión de fusiones para tener en cuenta el impacto de los
algoritmos en los efectos coordinados. Asimismo, se podrían diseñar soluciones
conductuales para evitar que las empresas utilicen algoritmos con fines de colusión.
A medida que se realicen más investigaciones y surja evidencia consistente que
demuestre la contribución significativa de los algoritmos a los aumentos de precios
a través de la colusión tácita, las autoridades podrían necesitar contemplar
revisiones más sustanciales para abordar la colusión algorítmica. Esto podría incluir
reevaluar el concepto de "acuerdo" y examinar el tratamiento legal actual de la
colusión tácita.
El papel cada vez mayor de los algoritmos en la configuración y organización
de la información ha llevado a algunos expertos a preguntarse si es necesaria una
reforma regulatoria para la economía digital. Actualmente, la gobernanza de este
sector está impulsada principalmente por las fuerzas del mercado. Este artículo
explora posibles enfoques regulatorios para abordar la cuestión de la colusión
algorítmica, como la regulación de precios, medidas para desestabilizar la colusión
tácita y reglas sobre el diseño de algoritmos (Flores, 2018). Sin embargo, es
importante considerar los posibles impactos negativos sobre la competencia que
Pág. 88
podrían superar los beneficios de la intervención regulatoria. Si se proponen
soluciones regulatorias, las preocupaciones sobre la competencia serían sólo un
aspecto del debate más amplio, que requeriría tener en cuenta varias
consideraciones más allá del riesgo de colusión.
En resumen, a pesar de los riesgos evidentes que los algoritmos pueden
presentar en términos de competencia, es esencial reconocer que este ámbito es muy
complejo e incierto. Tanto la no intervención como la regulación excesiva podrían
generar costos significativos para la sociedad, particularmente si se consideran las
ventajas potenciales de los algoritmos. Por lo tanto, cualquier medida futura que se
implemente debe someterse a una evaluación exhaustiva y abordarse con cautela.
Impacto de la ciencia de datos e inteligencia artificial
El impacto de la ciencia de datos se extiende más allá de sus aplicaciones
técnicas; ha facilitado la colaboración entre diferentes disciplinas y ha permitido la
integración de métodos de IA en diversos campos, incluidos la medicina y la
ingeniería (Rivero y Beltrán, 2024). El desarrollo de tecnologías inteligentes ha tenido
un impacto significativo en la sociedad en diversos sectores:
• En el mundo empresarial, las oficinas de gestión utilizan ahora métodos
automatizados de toma de decisiones.
• En la industria manufacturera, se emplean robots con capacidades avanzadas
para realizar tareas como el movimiento y la localización de objetos.
• En agricultura, se están logrando avances continuos en el desarrollo de
tecnologías que pueden diagnosticar enfermedades en los cultivos y
monitorear las condiciones del suelo.
• Estas tecnologías se basan en sensores, imágenes satelitales y datos históricos
para predecir la productividad de las plantaciones. Sin embargo, debido a su
elevado coste, estas tecnologías actualmente están limitadas a las grandes
empresas.
• En el campo de la educación, se espera que la inteligencia artificial (IA)
desempeñe un papel central en las aulas del futuro, cambiando
Pág. 89
fundamentalmente el papel de los docentes. Los sistemas de inteligencia
artificial ya son capaces de proporcionar comentarios personalizados a los
estudiantes sobre sus informes y ensayos, lo que permite a los profesores
identificar áreas de mejora de manera más efectiva. Además, ha aumentado
la disponibilidad de plataformas de tutoría en línea, que brindan apoyo
educativo a estudiantes de todos los niveles. Sin embargo, es importante
señalar que el acceso a estas tecnologías no es universal, ya que una porción
importante de la población aún carece de acceso a internet, particularmente
en México.
• El sector sanitario también ha sido testigo de una transformación gracias a
sistemas inteligentes, sensores de bajo coste y entornos virtuales. Estos
avances han mejorado enormemente la prevención, el diagnóstico y el
tratamiento de enfermedades de alto riesgo como el cáncer, la obesidad, la
hipertensión y la diabetes. Por ejemplo, las aplicaciones móviles ahora
permiten a los usuarios controlar su consumo de azúcar y su frecuencia
cardíaca utilizando los sensores de sus teléfonos inteligentes. Estas
tecnologías de bajo costo tienen el potencial de beneficiar a las zonas rurales
al aumentar la cobertura de atención médica y reducir los costos de traslado
de pacientes.
• Las tecnologías inteligentes también tienen implicaciones para la seguridad.
Las cámaras de circuito cerrado ahora pueden analizar de manera eficiente
días enteros de grabaciones, lo que ayuda en los esfuerzos de vigilancia.
Además, el seguimiento de la ubicación de las personas se ha vuelto más
preciso. Los drones equipados con sistemas inteligentes pueden incluso
utilizarse para detectar actividades delictivas. Sin embargo, el uso de tales
tecnologías genera preocupaciones sobre el control gubernamental y la
invasión de la privacidad.
En conclusión, el desarrollo de tecnologías inteligentes ha revolucionado
varios sectores, incluidos los empresariales, la salud, la educación y la seguridad. Si
bien estos avances han aportado numerosos beneficios, es esencial abordar las
Pág. 90
cuestiones de accesibilidad y privacidad para garantizar que todos los miembros de
la sociedad disfruten de los beneficios.
La inteligencia artificial está preparada para provocar transformaciones
significativas en los lugares de trabajo tanto a nivel nacional como internacional. Por
un lado, los puestos de trabajo requerirán cada vez más competencia en informática
y análisis de datos, mientras que, por otro lado, los puestos que pueden
automatizarse, como los de albañilería, manufactura o ventas telefónicas,
disminuirán en número.
La aparición de la IA presenta numerosas ventajas en diversos ámbitos,
incluido el campo médico, donde los médicos pueden aprovechar tecnología
eficiente para acceder a información sobre enfermedades y medicamentos mediante
el procesamiento del lenguaje natural. Además, los estudiantes ahora pueden
dedicar más atención al desarrollo de habilidades analíticas y computacionales en
lugar de simplemente memorizar contenidos.
Reconociendo la importancia de la IA, es crucial introducir educación sobre
este tema desde una edad temprana para fomentar el pensamiento computacional,
que abarca habilidades como el análisis de datos, la abstracción, el desarrollo de
algoritmos y la resolución de problemas (Rivero y Beltrán, 2024). En la era digital
actual, estas habilidades se consideran igualmente vitales que materias tradicionales
como matemáticas o comunicación. En consecuencia, países como Estados Unidos,
Reino Unido y Finlandia ya han comenzado a promover estas habilidades dentro de
sus sistemas de educación básica y secundaria. Este cambio en el enfoque educativo
dará lugar, en última instancia, a un panorama global más competitivo en el que
prosperarán los graduados equipados con habilidades de razonamiento
computacional, habilidades de abstracción conceptual y la capacidad de colaborar
en entornos multidisciplinarios.
Las áreas que tienen mayor probabilidad de ser automatizadas son aquellas
que involucran tareas manuales repetitivas, mientras que aquellas que requieren
habilidades sociales, análisis, negociación, tutoría, empatía y creatividad tienen el
menor riesgo. Un ejemplo de profesión con pocas posibilidades de automatización
Pág. 91
es la enseñanza en la escuela primaria, ya que exige un nivel significativo de estas
habilidades para interactuar eficazmente con los niños.
Los países en desarrollo son particularmente vulnerables a la automatización
del empleo: las estimaciones sugieren que hasta el 85% de los empleos en Etiopía y
el 65% en Argentina están en riesgo. Sin embargo, esto no implica que el 85% de la
fuerza laboral de Etiopía estará desempleada, sino que una porción significativa de
los empleos existentes podrían ser reemplazados por tecnologías inteligentes. Una
consecuencia de esta tendencia es que los países desarrollados pueden optar por
utilizar la IA para automatizar trabajos a nivel nacional en lugar de subcontratar el
trabajo a países en desarrollo. Esto exacerbaría la desigualdad económica y
tecnológica, beneficiando a los propietarios de la tecnología e impidiendo el
progreso de otros países.
Los aspectos éticos y legales de la asignación de responsabilidades y
obligaciones cuando intervienen sistemas inteligentes son tema de debate. Por
ejemplo, si un coche autónomo atropella a un peatón, la culpa podría recaer en el
propietario del vehículo, pero también hay que reconocer que el propietario no tiene
control total sobre el coche, y la responsabilidad también podría recaer en el
propietario intelectual de la IA, que es la empresa que lo desarrolló originalmente.
Esta es la razón por la que los modelos de caja negra, como las redes neuronales,
pueden crear situaciones ambiguas y enfrentar críticas si no funcionan de manera
transparente.
El avance de la IA se ha acelerado debido a los incentivos tecnológicos,
financieros y humanos disponibles actualmente. En particular, se han producido
avances significativos en tecnologías inteligentes en diversos campos, como la
agricultura, la manufactura, la medicina, la educación, los vehículos autónomos y el
entretenimiento. Además, las implicaciones sociales, económicas, éticas y legales de
la IA se han convertido en temas de contemplación y discusión en todo el mundo
(Moujahid, 2016).
En consecuencia, existe una demanda creciente de personas especializadas
con amplia formación técnica, incluidos informáticos y científicos capaces de crear
nuevas tecnologías inteligentes, así como profesionales como médicos,
Pág. 92
administradores e ingenieros que puedan utilizar eficazmente estas tecnologías en
sus respectivos campos. Desafortunadamente, la implementación de sistemas
inteligentes puede conducir a una reducción de las oportunidades laborales para
tareas que dependen en gran medida de habilidades manuales, particularmente en
los países en desarrollo.
Por el contrario, las naciones desarrolladas que anteriormente
subcontrataban su fuerza laboral ahora buscan reemplazarla con sistemas
inteligentes a nivel nacional. Desde un punto de vista ético, es crucial que estos
sistemas posean ciertos requisitos para evitar sesgos y reacciones sociales negativas.
A este respecto, la transparencia y la fiabilidad son especialmente importantes.
Además, actores influyentes en el campo han impulsado la promoción del acceso
igualitario de hombres y mujeres a la IA, especialmente en América Latina.
Este esfuerzo tiene como objetivo alentar a los sistemas a tener una
perspectiva más imparcial y representativa de la mayoría de la población. Por
último, el futuro de la IA también abarca sus interacciones con otras áreas del
conocimiento y tecnologías. En particular, la computación cognitiva se beneficiará
de los avances en la comprensión del funcionamiento del cerebro humano y la
neurociencia, así como del desarrollo de procesadores, sistemas de almacenamiento
de datos, realidad virtual y entornos de realidad aumentada.
La Inteligencia Artificial se ha convertido en un campo muy intrigante dentro
de la informática debido a su amplia gama de aplicaciones. La búsqueda de
comprender la inteligencia y crear modelos y simulaciones de la misma ha atraído a
muchos científicos a esta área de investigación. Los orígenes del concepto y los
criterios de desarrollo de la "IA" se remontan a Alan Turing, el genio matemático
inglés, que tuvo la intuición para ello (Hernández, 2022). El término "Inteligencia
Artificial" fue acuñado por McCarthy, quien organizó una conferencia en el
Dartmouth College de Estados Unidos para explorar la posibilidad de construir
máquinas "inteligentes" (ETOPIA Centro de Arte y Tecnología, 2022).
Este evento crucial estableció el marco inicial de lo que hoy conocemos como
Inteligencia Artificial, aunque hubo trabajos anteriores en campos relacionados.
Desde sus inicios, la IA enfrentó el desafío de que no existía una definición
Pág. 93
universalmente acordada de inteligencia, razón por la cual, incluso hoy en día, sigue
siendo difícil encontrar una definición definitiva (Moujahid, 2016). Así como la
Psicología reconoce varios tipos de inteligencia humana, como la emocional,
interpersonal, musical, lingüística, cinestésica y espacial, las diferentes definiciones
de inteligencia artificial enfatizan diferentes aspectos, aunque existen puntos en
común entre ellos. A continuación se presentan algunas de las definiciones
originales que han dado forma a este campo:
• El examen de la computación revela que las máquinas poseen la capacidad
de percibir, razonar y actuar.
• El campo de la ciencia se centra en la creación de máquinas que sean capaces
de realizar tareas que normalmente requerirían inteligencia humana. Esto
implica desarrollar tecnología avanzada que pueda imitar o replicar las
capacidades cognitivas humanas.
• Hay en marcha un esfuerzo innovador y apasionante que pretende estimular
las capacidades cognitivas de los ordenadores. Este busca crear máquinas que
posean mentes de la manera más completa y auténtica posible. En otras
palabras, se esfuerza por desarrollar computadoras que realmente puedan
pensar y razonar, asemejándose a los procesos de pensamiento humanos.
Esta fascinante línea de investigación tiene el potencial de revolucionar el
campo de la inteligencia artificial y redefinir las capacidades de las máquinas.
• El campo de la informática que se centra en el desarrollo e implementación
de sistemas automatizados capaces de exhibir un comportamiento inteligente
se conoce como inteligencia artificial. Esta rama de la informática tiene como
objetivo crear máquinas y software que puedan imitar las capacidades
cognitivas humanas, como el aprendizaje, la resolución de problemas, el
razonamiento y la toma de decisiones. Al utilizar diversas técnicas y
algoritmos, los sistemas de inteligencia artificial pueden analizar grandes
cantidades de datos, reconocer patrones y hacer predicciones o
recomendaciones. El objetivo final de la inteligencia artificial es desarrollar
máquinas que puedan pensar, aprender y adaptarse de manera similar a la
Pág. 94
inteligencia humana, permitiéndoles realizar tareas complejas y resolver
problemas intrincados sin intervención humana.
• Una máquina inteligente se refiere a un sistema sofisticado que es
responsable del intrincado proceso de examinar, organizar y transformar
datos sin procesar en conocimiento valioso. Este conocimiento, a su vez,
comprende información estructurada que se obtiene y utiliza para disminuir
cualquier falta de comprensión o incertidumbre en torno a una tarea
particular asignada a la máquina. Destacando el papel crucial que
desempeñan las máquinas inteligentes en la adquisición y aplicación de
información para mejorar los procesos de toma de decisiones.
La psicología jugó un papel crucial al reforzar la noción de que los humanos
y los animales pueden considerarse máquinas de procesamiento de información.
Piaget formuló teorías como el conductismo y la psicología cognitiva, fortaleciendo
la conexión entre la IA y la cognición humana. Desde el año 400 a. C., filósofos como
Sócrates, Platón, Aristóteles y Leibniz sentaron las bases cuando conceptualizaron la
mente como una máquina que opera basándose en conocimiento codificado y
utilizando el pensamiento para determinar las acciones apropiadas. Por ejemplo, la
explicación estructurada de Aristóteles sobre cómo los humanos derivan
conclusiones racionales a partir de premisas, conocida como silogismos, sigue
siendo un aspecto fundamental de la IA en la actualidad. Además, la lingüística se
desarrolló junto con la inteligencia artificial y sirvió como base para la
representación del conocimiento (Nagesha et al., 2016).
Las teorías lingüísticas, en particular las formuladas por Chomsky,
desempeñaron un papel vital en la configuración de cómo los sistemas representan
y procesan la información. Sin embargo, la filosofía por sí sola no dio forma a la IA.
Otras contribuciones significativas provinieron de diferentes disciplinas. Las
matemáticas ofrecieron las herramientas necesarias para manipular afirmaciones
lógicas e incertidumbres probabilísticas, mientras que el cálculo permitió modelar
diversos fenómenos. Las matemáticas también allanaron el camino para el
razonamiento con algoritmos.
Pág. 95
La informática, que surgió casi al mismo tiempo que la IA, proporcionó un
medio para implementar múltiples teorías a través de artefactos computacionales y
modelos cognitivos. Los avances en la velocidad y la memoria de las computadoras
traídos por la industria informática fueron esenciales para el funcionamiento de
programas complejos. Así, el desarrollo de esta fue un esfuerzo de colaboración que
abarcó una amplia gama de disciplinas.
La filosofía, las matemáticas, la psicología, la informática y la lingüística
hicieron contribuciones significativas, cada una aportando sus perspectivas y
herramientas únicas para apoyar el crecimiento y el avance de la IA. Esta surgió de
la fusión de diversas disciplinas y campos de conocimiento. Se inspiró y obtuvo
conocimientos de la informática, la filosofía, la lingüística, las matemáticas y la
psicología. Estas ciencias no sólo aportaron su conocimiento acumulado sino que
también proporcionaron valiosas herramientas y experiencias que impulsaron el
crecimiento y desarrollo.
El enfoque subsimbólico de la IA se caracteriza por el desarrollo de sistemas
que tienen la capacidad de aprender. Esto se puede lograr a nivel individual
imitando el funcionamiento del cerebro humano mediante el uso de redes
neuronales. A nivel de especie, se obtiene imitando el proceso de evolución. En el
pasado, el término "Algoritmos Genéticos" (GA) se usaba comúnmente para referirse
a este enfoque, sin distinguir entre diferentes tipos de Algoritmos Evolutivos (EA),
ya que los otros algoritmos pueden verse como variaciones o mejoras de GA
(Nagesha et al., 2016).
Por el contrario, otro enfoque en la IA es el enfoque subsimbólico, que utiliza
representaciones numéricas o subsimbólicas del conocimiento. Si bien los primeros
libros sobre inteligencia artificial destacan principalmente el trabajo de Rosenblatt y
Widrow en la década de 1950 con las redes neuronales como ejemplo de
representación subsimbólica, es importante señalar que esto no se limita solo a las
redes neuronales.
Actualmente, la IA está ampliando sus horizontes de investigación y
esforzándose por incorporar diversos enfoques en sistemas extensos para maximizar
los beneficios de cada enfoque en múltiples campos de especialización. Esto se debe
Pág. 96
a que se están desarrollando aplicaciones con esta tecnología en numerosos ámbitos,
incluidos la medicina, la biología, la ingeniería, la educación y más. Además, están
ganando terreno nuevas metodologías que utilizan el enfoque subsimbólico, como
algoritmos de optimización inspirados en fenómenos naturales como colonias de
hormigas, sistemas inmunológicos y grupos de partículas. Estas técnicas aprovechan
los comportamientos observados en la naturaleza para mejorar sus capacidades
Pág. 97
Conclusiones
Desde una perspectiva de implementación, es importante distinguir entre
situaciones en las que los competidores utilizan algoritmos como herramienta
complementaria en un acuerdo colusorio más amplio que cae dentro del ámbito
tradicional de las normas de competencia sobre acuerdos anticompetitivos, y
situaciones en las que los algoritmos permiten a las empresas alinearse. En el primer
escenario, los desafíos que enfrentan las agencias reguladoras giran en torno a
detectar posibles casos anticompetitivos, comprender la tecnología involucrada y
reunir evidencia suficiente para cumplir con los criterios legales requeridos.
Por otro lado, el segundo escenario presenta más dificultades porque los
criterios legales existentes no permiten intervenir utilizando reglas tradicionales
sobre acuerdos anticompetitivos entre competidores. Si se encuentra evidencia de
un problema de competencia, las posibles soluciones podrían implicar ajustar el
proceso de revisión de fusiones para tener en cuenta el impacto de los algoritmos en
los efectos coordinados.
Asimismo, se podrían diseñar soluciones conductuales para evitar que las
empresas utilicen algoritmos con fines de colusión. A medida que se realicen más
investigaciones y surja evidencia consistente que demuestre la contribución
significativa de los algoritmos a los aumentos de precios a través de la colusión
tácita, las autoridades podrían necesitar contemplar revisiones más sustanciales
para abordar la colusión algorítmica. Este libro de investigación posibles enfoques
regulatorios para abordar la cuestión de la colusión algorítmica, como la regulación
de precios, medidas para desestabilizar la colusión tácita y reglas sobre el diseño de
algoritmos.
Sin embargo, es importante considerar los posibles impactos negativos sobre
la competencia que podrían superar los beneficios de la intervención regulatoria. Si
se proponen soluciones regulatorias, las preocupaciones sobre la competencia serían
sólo un aspecto del debate más amplio, que requeriría tener en cuenta varias
consideraciones más allá del riesgo de colusión.
Pág. 98
En conclusión, las empresas participantes en estos mercados a menudo se
encuentran en un proceso de aprendizaje, tratando de comprender los
acontecimientos políticos y los cambios en la organización del mercado mediante
prueba y error. Las estimaciones de parámetros de una red neuronal, que utilizan
los participantes del mercado para hacer pronósticos y decisiones, son en sí mismas
el resultado de un proceso de aprendizaje y búsqueda. Por ende, los algoritmos han
sido ampliamente reconocidos por su capacidad para generar mejoras significativas
en la eficiencia y fomentar un entorno más competitivo en el sector financiero. Estas
mejoras pueden observarse tanto en términos de eficiencias del lado de la demanda
como de la oferta. Se demostró a través de la literatura que el uso de algoritmos de
fijación de precios, en particular, produce beneficios sustanciales al aumentar la
eficiencia y reducir los costos asociados con las transacciones.
Pág. 99
Bibliografía
Alameda, T. (21 de febrero de 2018). La FCA estudia la creación de un 'sandbox
regulatorio' global. BBVA. https://www.bbva.com/es/fca-estudia-creacion-
sandbox-regulatorio-global/
Altman, E.I. (1968). Financial ratios, discriminant analysis and the prediction of
corporate bankruptcy. The journal of finance, 23(4), 589-609.
Ansoff, H.I. (1965). Corporate Strategy: An Analytic Approach to Business Police for
Growth and Expansion. New York, NY: McGraw-Hill
Aragonés, M. (19 de junio de 2019). La revolución de la Inteligencia Artificial en las
empresas. Forbes México. https://www.forbes.com.mx/la-revolucion-de-la-
inteligencia-artificial-en-las-
empresas/#:~:text=Foto:%20Yuichiro%20Chino/Getty%20images.%20Por%20
Manuel%20Aragon%C3%A9s*%20La
Assad, S., Clark, R., Ershov, D., y Xu, L. (2020). Algorithmic pricing and competition:
Empirical evidence from the German retail gasoline market.
https://www.econstor.eu/bitstream/10419/223593/1/cesifo1_wp8521.pdf
Botta, M., & Wiedemann, K. (2019). Exploitative conducts in digital markets: time
for a discussion after the Facebook decision. Journal of European Competition
Law & Practice, 10(8), 465-478.
Botta, M., & Wiedemann, K. (2020). To discriminate or not to discriminate?
Personalised pricing in online markets as exploitative abuse of dominance.
European Journal of Law and Economics, 50, 381-404.
Brown, Z.Y., & MacKay, A. (2021). Competition in pricing algorithms (No. w28860).
National Bureau of Economic Research. https://doi.org/10.3386/w28860
Brynjolfsson, E., Collis, A., & Eggers, F. (2019). Using massive online choice
experiments to measure changes in well-being. Proceedings of the National
Academy of Sciences, 116(15), 7250-7255.
Pág. 100
Buleje Díaz, C. (2018). Libre Competencia y Algoritmos: estado de la cuestión y
algunas reflexiones a la luz de la normativa peruana de Libre Competencia.
Foro Jurídico, (17), 111 - 137. Recuperado de
https://revistas.pucp.edu.pe/index.php/forojuridico/article/view/22763
Butijn, B.J. (2023). Introduction to Advanced Information Technology. In: Berghout,
E., Fijneman, R., Hendriks, L., de Boer, M., Butijn, BJ. (eds) Advanced Digital
Auditing. Progress in IS. Springer, Cham. https://doi.org/10.1007/978-3-031-
11089-4_3
Canadá. (2023). The Artificial Intelligence and Data Act (AIDA) – Companion document.
Innovation, Science and Economic Development Canada. Recuperado el 01
de marzo de 2024 de https://ised-isde.canada.ca/site/innovation-better-
canada/en/artificial-intelligence-and-data-act-aida-companion-document
Comisión Económica para América Latina y el Caribe (CEPAL) (2018). Datos,
algoritmos y políticas: la redefinición del mundo digital. Cartagena de Indias:
UN/CEPAL
Comisión Económica para América Latina y el Caribe (CEPAL) (2019). Perspectivas
del Comercio Internacional de América Latina y el Caribe. Santiago: Naciones
Unidas
Comisión Nacional de los Mercados y la Competencia (2024). Conductas
Anticompetitivas. https://www.cnmc.es/ambitos-de-
actuacion/competencia/conductas-anticompetitivas
Corporación Andina de Fomento (2021). EXPERIENCIA. Datos e Inteligencia
Artificial en el sector público. Caracas: CAF. Recuperado de
https://scioteca.caf.com/handle/123456789/1793
Descamps, A., Klein, T., & Shier, G. (2021). Algorithms and competition: the latest
theory and evidence. Competition Law Journal, 20(1), 32-39.
Deutsche Welle. (2022, 22 de abril). Australia multa a Trivago por información engañosa
[Comunicado de prensa]. https://www.dw.com/es/australia-multa-a-trivago-
por-informaci%C3%B3n-enga%C3%B1osa/a-61552817
Pág. 101
Díaz-Ramírez, J. (2021). Aprendizaje Automático y Aprendizaje Profundo.
Ingeniare. Revista Chilena de Ingeniería, 29(2), 180-181.
https://dx.doi.org/10.4067/S0718-33052021000200180
Escalante, S. (2023). Chaebols Coreanas: Estructura de propiedad y gobierno [Tesis de
grado]. Universidad de Oviedo
Escalona González, S., Caballero Mota, Y., Rodríguez Alvarez, Y., León Acebo, M.,
González Milán, Z., Ricardo Paez, B., y Rodríguez Espinosa, K. (2024). Red
neuronal artificial para la predicción de mortalidad de pacientes con
enfermedad renal crónica. Revista Cubana de Medicina Militar, 53(3),
e024038408. Recuperado
de https://revmedmilitar.sld.cu/index.php/mil/article/view/38408/2619
ETOPIA Centro de Arte y Tecnología. (2022). D3us ex m4ch1na. [Catálogo de arte e
inteligencia artificial]. LABoral Centro de Arte y Creación Industria.
https://fundacionzcc.org/wp-content/uploads/2022/07/PUBLICACION.-
ARTE-E-INTELIGENCIA-ARTIFICIAL.pdf
Flores Vivar, J.M. (2018). Algoritmos, aplicaciones y Big data, nuevos paradigmas en
el proceso de comunicación y de enseñanza-aprendizaje del periodismo de
datos. Revista de Comunicación, 17 (2), 268-291.
https://doi.org/10.26441/RC17.2-2018-A12
França, R. P., Monteiro, A. C. B., Arthur, R., & Iano, Y. (2021). An overview of deep
learning in big data, image, and signal processing in the modern digital age.
Trends in Deep Learning Methodologies, 63-87.
FundsPeople (2024). Inteligencia Artificial: la guía imprescindible para entender
conceptos fundamentales. https://fundspeople.com/es/glosario/inteligencia-
artificial-guia-imprescindible-para-entender-conceptos-fundamentales/
García Pérez De Lema, D., y Marín Hernández., S. (1992). Información utilizada por la
banca pan, evaluar el riesgo crediticio. Madrid: Banca Española.
Pág. 102
Girault, A.G., Serrate, J.S., y Ochoa, R. (2016). EL G20 Y LA GLOBALIZACIÓN EN
CRISIS: Liderazgo en tiempos de descontento social. Consejo Argentino para las
Relaciones Internacionales (CARI). http://www.jstor.org/stable/resrep21031
González Arencibia, M., y Martínez Cardero, D. (2020). Dilemas éticos en el
escenario de la inteligencia artificial. Economía y Sociedad, 25(57), 93-
109. https://dx.doi.org/10.15359/eys.25-57.5
Hao, K. (08 de febrero de 2019). Cómo se produce el sesgo algorítmico y por qué es
tan difícil detenerlo. MIT Technology Review.
https://www.technologyreview.es/s/10924/como-se-produce-el-sesgo-
algoritmico-y-por-que-es-tan-dificil-
detenerlo#:~:text=Pero%20ser%20conscientes%20de%20que%20estos%20ses
gos%20existen%20no%20es
Hernández, J. (2022). (22 de septiembre de 2022). Inteligencia artificial: qué aporta y
qué cambia en el mundo del trabajo. BID Mejorando Vidas.
https://blogs.iadb.org/trabajo/es/inteligencia-artificial-que-aporta-y-que-
cambia-en-el-mundo-del-trabajo/
Hillier, F., y Liberman, G. (2010). Introducción a la investigación de operaciones.
Ciudad de México: McGraw-Hill/Interamericana Editores, S.A. De C.V
Johnson, C.A., y Padilla, M.A. (2005). Regularidades no lineales en índices
accionarios. Una aproximación con redes neuronales. El trimestre
económico, 72(288), 765-821. https://doi.org/10.20430/ete.v72i288.561
Labbé Figueroa, M.F. (2023). Remedios para la colusión por algoritmos de fijación
de precios. Revista Chilena De Derecho Y Tecnología, 12, 1–17.
https://doi.org/10.5354/0719-2584.2023.69556
Lando, D., & Duffie, D. (2003). Term Structures of Credit Spreads with Incomplete
Accounting Information. Econometrica-Journal of the Econometric Society, 69(3),
633-664. https://doi.org/10.1111/1468-0262.00208
Pág. 103
Lennox, C. (1999). Identifying failing companies: a re-evaluation of the logit, probit
and DA approaches. Journal of Economics and Business, 51(4), 347-364.
https://doi.org/10.1016/S0148-6195(99)00009-0
Lidiema, C., Waititu, A., Mageto, T., & Ngunyi, A. (2018). Non-parametric Approach
in Modelling Effects of Remittances on Household Credit in Kenya. American
Journal of Applied Mathematics and Statistics, 6(1), 25-35.
Martínez, V.P. (1989). La información contable en la predicción de la crisis bancaria
1977-1985. Revista Española de Financiación y Contabilidad, 18(58), 309–338.
http://www.jstor.org/stable/42779922
Mercado Negro. (2018). Denuncian a Trivago por publicidad engañosa en Australia.
[Comunicado de prensa].
https://www.mercadonegro.pe/publicidad/denuncian-a-trivago-por-
publicidad-enganosa-en-australia/
Metaxa, D., Park, J.S., Robertson, R.E., Karahalios, K., Wilson, C., Hancock, J., &
Sandvig, C. (2021). Auditing algorithms: Understanding algorithmic systems
from the outside in. Foundations and Trends® in Human–Computer Interaction,
14(4), 272-344.
Mota Sánchez, E.M., y Herrera Expósito, E. (2023). Auditoría algorítmica en la
inteligencia artificial en el Sector Público. Proyecciones, (17),25.
https://doi.org/10.24215/26185474e025
Motta, M. (2023). Self-preferencing and foreclosure in digital markets: theories of
harm for abuse cases. International Journal of Industrial Organization, 90,
102974. https://doi.org/10.1016/j.ijindorg.2023.102974
Moujahid, A. (26 de junio de 2016). A practical introduction to deep learning with
caffe and python. Adil Moujahid.
https://adilmoujahid.com/posts/2016/06/introduction-deep-learning-python-
caffe/
Pág. 104
Nagesha, K., Chandar, K.R., & Sastry, V. (2016). Prediction of dust dispersion by
drilling operation using artificial neural networks. Int. J. Prev. Control Ind.
Pollut, 1, 1-13.
O'Brien, T.E., & Silcox, J.W. (2024). Nonlinear Regression Modelling: A Primer with
Applications and Caveats. Bulletin of mathematical biology, 86(4), 40.
https://doi.org/10.1007/s11538-024-01274-4
Odom, M.D., & Sharda, R. (1990, June). A neural network model for bankruptcy
prediction. In 1990 IJCNN International Joint Conference on neural networks (pp.
163-168). IEEE.
OECD (2020), “Los países en desarrollo y la cooperación al desarrollo: ¿qué está en
juego?”, Medidas políticas clave de la OECD ante el coronavirus (COVID-19),
OECD Publishing, Paris, https://doi.org/10.1787/f839a75c-es.
OECD (2021), Artificial Intelligence, Machine Learning and Big Data in Finance:
Opportunities, Challenges, and Implications for Policy Makers,
https://www.oecd.org/finance/artificial-intelligence-machine-learningbig-
data-in-finance.htm.
OECD (2023). Algorithmic Competition, OECD Competition Policy Roundtable
Background Note. www.oecd.org/daf/competition/algorithmic-competition-
2023.pdf.
OECD (2024), "Detecting cartels for ex officio investigations", OECD Roundtables on
Competition Policy Papers, No. 311, OECD Publishing, Paris,
https://doi.org/10.1787/1ea7cdba-en
OECD/CAF (2022), "Estrategias de inteligencia artificial en América Latina y el
Caribe", in Uso estratégico y responsable de la inteligencia artificial en el sector
público de América Latina y el Caribe, OECD Publishing,
Paris, https://doi.org/10.1787/03c4e7eb-es.
Perrotini, I. (2015). La reserva federal, la crisis y la política monetaria no
convencional. Contaduría y administración, 60(Supl. 2), 250-271.
https://doi.org/10.1016/j.cya.2015.11.001
Pág. 105
Rivero Panaqué, C., y Beltrán Castañón, C. (2024). La inteligencia artificial en la
educación del siglo XXI: avances, desafíos y oportunidades. Presentación.
Educación, 33(64), 5-7. https://doi.org/10.18800/educacion.202401.P001
Saurwein, F., Just, N., & Latzer, M. (2015). Governance of algorithms: options and
limitations. Emerald Group Publishing Limited, 17(6), 35-49.
https://doi.org/10.1108/info-05-2015-0025
Schrepel, T. (2020). The Fundamental Unimportance of Algorithmic Collusion for
Antitrust Law. Harvard Journal of Law and Technology, Available at
SSRN: https://ssrn.com/abstract=3535561
Seele, P., Dierksmeier, C., Hofstetter, R., & Schultz, M.D. (2021, May 1). Mapping the
Ethicality of Algorithmic Pricing: A Review of Dynamic and Personalized
Pricing. Journal of Business Ethics. Springer Science and Business Media B.V.
https://doi.org/10.1007/s10551-019-04371-w
Tam, K.Y. y Kiang, M. (1992). Predicting Bank Failures: A Neural Network
Approach. Decision Sciences, 23, 926-947.
Tonon Ordóñez, L.B., Orellana Osorio, I.F., Pinos Luzuriaga, L.G., y Reyes Clavijo,
M.A. (2022). Riesgo de fracaso empresarial en el sector C23 de manufactura
del Ecuador. PODIUM, (41), 71–90.
https://doi.org/10.31095/podium.2022.41.5
Verdegay, J., Lamata, M., Pelta, D., y Cruz, C. (2021). Inteligencia artificial y
problemas de decisión: la necesidad de un contexto ético. Suma de Negocios,
12(27), 104-114. https://doi.org/10.14349/sumneg/2021.V12.N27.A2
Viecens, F. (2023). Algoritmos y colusión: ¿qué hemos aprendido? Un análisis para
América Latina. Revista Latinoamericana de Economía y Sociedad Digital,
2(Especial), 1-23. https://doi.org/10.53857/RLESD.04.2023.01
Pág. 106
De esta edición de “Análisis discriminante y algoritmos de redes neuronales
artificiales para el estudio de mercados financieros”, se terminó de editar en la
ciudad de Colonia del Sacramento en la República Oriental del Uruguay el
01 de noviembre de 2024
Pág. 107
Pág. 108
