Regulación antimonopolio en mercados digitales algorítmicos:
propuesta de marco jurídico adaptativo
1
Abogado de la Universidad Peruana de Ciencias Aplicadas Peru. Maestro en Gerencia Social,
Pontificia Universidad Católica del Perú. ORCID: https://orcid.org/0000-0001-6301-9460. E-mail:
fernandozaga@gmail.com.
Adaptive antitrust regulation for algorithmic markets: integrating behavioral
economics and rational choice in digital governance
F e r n a n d o A . R a m o s Z a g a
1
Fecha de recibimiento: 16 de junio de 2025
Fecha de aceptación: 22 de septiembre de 2025
Resumen
La acelerada digitalización de los mercados y la automatización de decisiones
económicas mediadas por algoritmos han desbordado los marcos tradicionales del
derecho de la competencia, al generar nuevas formas de poder económico y coordinación
tácita que desafían la capacidad regulatoria de los Estados. En ese sentido, el objetivo del
presente artículo es proponer un marco jurídico para la regulación antimonopolio en
entornos algorítmicos, combinando la teoría de la elección racional con la economía del
comportamiento, a fin de equilibrar coherencia normativa, eficacia disuasoria y
adaptabilidad tecnológica. Los resultados revelan que la economía conductual, aunque
ofrece herramientas valiosas para comprender sesgos y dinámicas organizacionales, no
proporciona una teoría normativa eficaz para garantizar proporcionalidad y coherencia
sancionatoria. A partir de ello, se propone un marco jurídico que preserve la racionalidad
estructural del derecho, incorpore mecanismos conductuales, así como establezca
estándares de transparencia y auditabilidad algorítmica. De ese modo, se plantea una
redefinición del enforcement antimonopolio, orientado a equilibrar legitimidad
democrática, eficacia empírica y adaptabilidad tecnológica.
Palabras clave: regulación antimonopolio, economía del comportamiento, elección
racional, regulación algorítmica, inteligencia artificial.
Abstract
The accelerated digitalization of markets and the automation of economic decision-
making through algorithms have surpassed the traditional frameworks of competition law,
giving rise to new forms of economic power and tacit coordination that challenge the
regulatory capacity of States. Accordingly, this article aims to propose a legal framework
for antitrust regulation in algorithmic environments by combining rational choice theory
with behavioral economics, in order to balance normative coherence, deterrent
effectiveness, and technological adaptability. The findings reveal that behavioral
economics, while offering valuable tools to understand cognitive biases and
organizational dynamics, lacks an effective normative theory to ensure proportionality
and sanctioning coherence. Based on this diagnosis, the study proposes a legal framework
that preserves the structural rationality of law, integrates behavioral mechanisms, and
establishes standards for algorithmic transparency and auditability. Thus, it advances a
redefinition of antitrust enforcement designed to reconcile democratic legitimacy,
empirical effectiveness, and technological adaptability.
Keywords: antitrust regulation, behavioral economics, rational choice, algorithmic
regulation, artificial intelligence.
Introducción
La expansión digital de los mercados globales ha generado una transformación sin
precedentes en la estructura competitiva y en los mecanismos regulatorios tradicionales.
Las decisiones empresariales mediadas por algoritmos de aprendizaje automático y
sistemas de inteligencia artificial han introducido nuevas formas de coordinación tácita y
de concentración económica que desafían los paradigmas normativos clásicos del derecho
de la competencia (Ezrachi y Stucke, 2016). La opacidad inherente a los procesos
algorítmicos, unida a la velocidad de las transacciones digitales, ha reducido la capacidad
de las autoridades para detectar y sancionar conductas anticompetitivas en tiempo real,
dando lugar a una brecha entre la dinámica tecnológica y la respuesta jurídica (Pasquale,
2015). Tal desajuste ha puesto en cuestión los fundamentos del enforcement
1
, al
evidenciar la insuficiencia de las herramientas normativas tradicionales frente a las
nuevas formas de poder económico basadas en el control de datos y en la automatización
de decisiones (Khan, 2017).
En ese marco, la teoría de la elección racional, concebida como el pilar analítico del
derecho antimonopolio, ha orientado la política de competencia hacia la maximización
del bienestar social mediante la asignación eficiente de recursos y la penalización de
conductas que reducen la eficiencia del mercado (Becker, 1968; Shavell, 1985). No
obstante, los avances de la economía del comportamiento han cuestionado la presunción
de racionalidad plena al demostrar que las decisiones económicas están afectadas por
sesgos cognitivos, heurísticas y normas sociales que distorsionan la percepción del riesgo
y la valoración de las sanciones (Kahneman y Tversky, 1979; Thaler y Sunstein, 2008).
La integración de estos hallazgos al análisis antimonopolio ha permitido comprender que
la eficacia regulatoria depende no solo del diseño de incentivos externos, sino también de
la configuración psicológica y organizacional de los agentes económicos.
A pesar de tales avances, persiste una brecha significativa entre la teoría económica y la
práctica jurídica. Las políticas de competencia basadas exclusivamente en la elección
racional carecen de mecanismos que incorporen la heterogeneidad conductual observada
en la realidad empresarial, mientras que los enfoques conductuales, al carecer de una
teoría normativa unificada, no ofrecen criterios suficientes para garantizar coherencia y
proporcionalidad sancionatoria (Sugden, 2009). Dicha tensión teórica se intensifica en los
entornos algorítmicos, donde la interacción entre agentes automatizados genera
comportamientos emergentes que no se ajustan a la noción clásica de intencionalidad
jurídica (Calvano et al., 2020). De ahí la necesidad de un marco integrador que combine
la solidez normativa de la elección racional con la flexibilidad empírica de la economía
del comportamiento, orientado a una regulación antimonopolio coherente y adaptativa.
La justificación de esta investigación radica en la urgencia de redefinir los fundamentos
del enforcement antimonopolio frente a la automatización de las decisiones económicas.
El derecho actual enfrenta el desafío de equilibrar la previsibilidad normativa con la
capacidad adaptativa frente a innovaciones disruptivas. Un marco jurídico integrador
permitiría articular principios estructurales de proporcionalidad y responsabilidad con
mecanismos conductuales de orientación y prevención, favoreciendo un enforcement que
preserve la legitimidad democrática sin renunciar a la eficacia empírica. Tal propuesta
busca superar la dicotomía entre coerción y persuasión, estableciendo una arquitectura
1
El término enforcement se refiere al conjunto de mecanismos institucionales, normativos y
procedimentales destinados a asegurar el cumplimiento de las normas jurídicas mediante la supervisión,
detección, sanción y corrección de conductas infractoras (Becker, 1968).
regulatoria multinivel que subordine los instrumentos conductuales a los principios
normativos de racionalidad y justicia (Dworkin, 1986; North, 1990).
Desde una perspectiva aplicada, el desarrollo de un marco integrador tendría
implicaciones prácticas sustantivas para las autoridades de competencia, las empresas
tecnológicas y los diseñadores de políticas públicas. En particular, permitiría optimizar
los programas de clemencia, ajustar las estrategias de comunicación sancionatoria y
diseñar entornos de decisión que incentiven el cumplimiento normativo de manera no
coercitiva. Al mismo tiempo, la incorporación de principios de transparencia y
auditabilidad algorítmica ofrecería instrumentos para mitigar la opacidad decisional de
los sistemas automatizados y fortalecer la trazabilidad en los procesos de investigación.
La pertinencia de esta propuesta se acentúa al vincularse con los desafíos contemporáneos
de gobernanza digital, ética algorítmica y soberanía tecnológica. En un contexto de
concentración de poder en plataformas digitales globales, la regulación antimonopolio se
convierte en un componente esencial para garantizar la equidad, la innovación y la
protección de la competencia en mercados cada vez más interconectados (Bradford,
2020). La articulación entre racionalidad jurídica, comportamiento económico y
regulación algorítmica constituye, así, una respuesta estructural a la erosión de los límites
tradicionales del derecho frente a la inteligencia artificial.
En este sentido, el objetivo del presente artículo es proponer un marco jurídico integrador
para la regulación antimonopolio en entornos algorítmicos, que combine la teoría de la
elección racional con la economía del comportamiento. La contribución principal se
orienta a ofrecer una arquitectura normativa jerárquica que preserve la coherencia
estructural del sistema jurídico, incorpore herramientas conductuales en niveles
operativos, así como pedagógicos, al adaptar los principios del enforcement a la
complejidad tecnológica contemporánea. De esta manera, la propuesta aspira a consolidar
un modelo de regulación que equilibre legitimidad, eficacia y adaptabilidad, fortaleciendo
la capacidad institucional de los Estados para enfrentar los desafíos competitivos del siglo
XXI.
Fundamentos cognitivos y organizacionales del comportamiento anticompetitivo
La integración de la economía del comportamiento al análisis de decisiones
anticompetitivas ha redefinido la comprensión de los mecanismos psicológicos y
organizacionales que subyacen al comportamiento empresarial. En efecto, la teoría
prospectiva evidenció que los agentes económicos no evalúan resultados en términos
absolutos, sino relativos a un punto de referencia, manifestando de manera sistemática
aversión a la pérdida (Kahneman y Tversky, 1979). Tal hallazgo contradice la premisa de
la teoría de la utilidad esperada, según la cual las decisiones se basan exclusivamente en
la maximización de beneficios netos (von Neumann y Morgenstern, 2007). Así, en el
ámbito antimonopolio, la aversión a la pérdida implica que las empresas tienden a percibir
las sanciones como pérdidas desproporcionadas respecto al estado actual, aunque
subestiman la probabilidad de detección cuando los beneficios de la conducta se presentan
como ganancias potenciales.
De manera complementaria, el sesgo de exceso de confianza desempeña un papel central
en la comprensión de la irracionalidad empresarial frente a riesgos regulatorios. La
evidencia empírica demuestra que los ejecutivos suelen sobreestimar su habilidad para
evadir la detección y subestimar la probabilidad de sanción efectiva (Moore y Healy,
2008). Esta distorsión cognitiva, conocida como optimismo ilusorio, atenúa la eficacia
disuasoria de las sanciones e incentiva una percepción sesgada del riesgo. Al mismo
tiempo, las dinámicas organizacionales refuerzan dicho sesgo, dado que premian la
asunción de riesgos y penalizan la cautela excesiva, generando culturas corporativas
proclives a normalizar la infracción cuando los beneficios esperados son sustanciales
(Bazerman y Tenbrunsel, 2011).
En una línea convergente, los efectos de anclaje cognitivo explican cómo las empresas
calibran su percepción del riesgo sancionatorio a partir de precedentes históricos. Las
investigaciones sobre heurísticas de juicio revelaron que los individuos ajustan sus
estimaciones a partir de valores iniciales arbitrarios (Tversky y Kahneman, 1974). Así,
cuando las autoridades aplican sanciones moderadas de forma reiterada, tales valores
actúan como puntos de referencia que disminuyen la percepción de riesgo, incluso en
contextos donde el marco normativo se ha endurecido significativamente (Gilovich et al.,
2002).
A partir de la noción de racionalidad limitada, se comprende que las empresas no
optimizan sus decisiones conforme al modelo de elección racional, pues enfrentan
restricciones cognitivas que limitan su capacidad para procesar información compleja
(Simon, 1955). Ello se agrava en entornos regulatorios caracterizados por normas técnicas
y jurisprudencia fragmentada, donde las decisiones emergen de procesos burocráticos y
jerárquicos que no siempre priorizan el cumplimiento (March y Simon, 1993).
Aunado a ello, los sesgos motivacionales añaden una dimensión ética al análisis
conductual. Las investigaciones sobre razonamiento motivado han demostrado que los
individuos racionalizan conductas cuestionables cuando estas benefician sus intereses
personales o corporativos (Kunda, 1990). En la práctica empresarial, la presión por
resultados financieros inmediatos genera incentivos para justificar internamente
estrategias anticompetitivas, lo cual debilita los mecanismos de cumplimiento y refuerza
narrativas que minimizan la gravedad de las infracciones (Palazzo et al., 2012).
De manera adicional, las normas sociales y la reciprocidad estratégica influyen en la
disposición al cumplimiento normativo. Las investigaciones sobre cooperación
demostraron que los agentes incorporan criterios de equidad y reputación en sus
decisiones (Fehr y Gächter, 2000). Por consiguiente, la percepción de legitimidad
procedimental en la actuación de las autoridades se convierte en un factor decisivo para
fomentar el cumplimiento voluntario, más allá de la severidad formal de las sanciones
(Tyler, 2006).
Asimismo, los sesgos organizacionales introducen una capa adicional de complejidad.
Las empresas operan como sistemas de incentivos múltiples en los que las metas
financieras predominan sobre las consideraciones normativas. La evidencia sugiere que
las rutinas y creencias compartidas dentro de las organizaciones pueden normalizar
prácticas anticompetitivas, sobre todo en sectores donde la presión competitiva es intensa
y la infracción se percibe como estrategia legítima (Cyert et al., 1959; Ashforth y Anand,
2003).
Por otro lado, la neuroeconomía aporta fundamentos biológicos que explican la asimetría
en la evaluación de pérdidas y ganancias. Las investigaciones con neuroimagen han
identificado una activación diferenciada de la amígdala frente a pérdidas, lo cual refleja
respuestas emocionales más intensas asociadas al miedo y la ansiedad (Camerer et al.,
2005). En consecuencia, las políticas regulatorias que enfatizan las pérdidas potenciales
derivadas de las conductas ilícitas pueden tener efectos disuasorios más fuertes que
aquellas centradas únicamente en la probabilidad de sanción (Loewenstein et al., 2008).
Del mismo modo, los efectos de encuadre o framing influyen de manera determinante en
la evaluación de riesgos empresariales. La forma en que se presenta la información sobre
sanciones o estándares de cumplimiento modifica la percepción de riesgo, sin alterar su
contenido sustantivo (Tversky y Kahneman, 1981). En ese sentido, la comunicación
institucional de las autoridades se configura como un instrumento de política pública
capaz de reforzar los incentivos de cumplimiento cuando el mensaje se diseña
estratégicamente (Johnson et al., 2012).
Asimismo, las investigaciones sobre descuento temporal ofrecen una explicación sobre
la preferencia empresarial por beneficios inmediatos frente a costos futuros. El descuento
hiperbólico revela que los individuos valoran de manera desproporcionada las
recompensas a corto plazo (Laibson, 1997). En contextos corporativos, esta tendencia se
intensifica cuando las remuneraciones dependen del desempeño trimestral, favoreciendo
estrategias que maximizan beneficios instantáneos a costa de riesgos sancionatorios
futuros. En consecuencia, la efectividad disuasoria del enforcement depende no solo de
la severidad de las sanciones, sino también de la inmediatez con que se aplican (Frederick
et al., 2002).
La comprensión de los determinantes psicológicos y organizacionales del
comportamiento anticompetitivo revela que las empresas no actúan bajo una racionalidad
puramente instrumental, sino que sus decisiones están moduladas por sesgos cognitivos,
normas sociales y estructuras de incentivos internos. A partir de esta constatación, se hace
necesario examinar mecanismos regulatorios capaces de canalizar tales patrones de
conducta hacia el cumplimiento normativo. En esa dirección, la sección siguiente
profundiza en los mecanismos de nudging regulatorio y en la función del soft law como
instrumentos operativos destinados a reconfigurar los entornos decisionales
empresariales mediante estrategias de orientación conductual no coercitivas.
Mecanismos de nudging regulatorio como instrumento operativo del soft law
El denominado soft law o derecho indicativo, concebido como respuesta institucional a
las limitaciones del enforcement punitivo, redefine el paradigma regulatorio mediante la
incorporación de mecanismos de orientación conductual que privilegian la
reconfiguración de entornos de decisión por encima de la imposición coercitiva. En
efecto, la economía del comportamiento y la teoría del nudge han demostrado que la
efectividad normativa no depende únicamente de la severidad sancionatoria, sino de la
capacidad del sistema jurídico para diseñar contextos que faciliten el cumplimiento a
través de la transparencia, la accesibilidad normativa y la reducción de fricciones
cognitivas (Thaler y Sunstein, 2008). Así, el derecho indicativo sustituye la coacción por
la persuasión informada, ofreciendo marcos interpretativos, estándares y directrices que
orientan la conducta empresarial sin crear obligaciones jurídicas estrictas (Senden, 2004).
A partir de esa lógica, su arquitectura se sostiene en el reconocimiento de que los agentes
económicos operan bajo racionalidad limitada y restricciones cognitivas que dificultan la
interpretación de normas complejas. De hecho, la proliferación de regulación técnica y la
fragmentación jurisprudencial generan costos de transacción informacional que
obstaculizan el cumplimiento, incluso cuando existe disposición genuina a observar la ley
(North, 1990). En consecuencia, las guías de mejores prácticas, los códigos de conducta
y los estándares de soft law actúan como instrumentos que reducen dichos costos, ya que
simplifican la traducción de principios abstractos en acciones operativas concretas y
permiten a las empresas internalizar exigencias regulatorias sin recurrir a procesos
jurídicos extensos (Abbott y Snidal, 2000).
En ese contexto, los mecanismos de nudging regulatorio constituyen la dimensión
operativa más significativa del derecho indicativo. Su objetivo consiste en rediseñar el
entorno decisional para incrementar la saliencia de opciones conformes al derecho,
reducir obstáculos que dificultan comportamientos deseables o modificar las reglas
predeterminadas que conducen a resultados ineficientes (Sunstein, 2014). Por ejemplo,
los requisitos de transparencia que exponen información sobre precios y condiciones
contractuales pueden favorecer la detección temprana de prácticas colusorias, mientras
que los procedimientos simplificados de registro antimonopolio reducen costos de
cumplimiento e incentivan la autorregulación voluntaria (Alemanno y Sibony, 2015).
En consecuencia, la eficacia de este enfoque depende de su capacidad para corregir los
sesgos cognitivos que distorsionan la percepción empresarial del riesgo. El diseño
regulatorio debe considerar la incidencia del exceso de confianza, los efectos de anclaje
y las limitaciones de procesamiento informacional. Así, la adopción de configuraciones
por defecto que requieran optar activamente por prácticas de riesgo puede resultar más
eficaz que las prohibiciones generales. Del mismo modo, la presentación de datos
sancionatorios en formatos que incrementen la percepción de probabilidad y magnitud de
las sanciones contribuye a contrarrestar el optimismo ilusorio en la toma de decisiones
empresariales (Johnson y Goldstein, 2003).
Desde una perspectiva contemporánea, la dimensión algorítmica amplía los retos del
derecho indicativo. Las prácticas digitales y el uso de inteligencia artificial en fijación de
precios, segmentación y mediación de mercados exigen estándares de transparencia,
auditabilidad y trazabilidad algorítmica que garanticen un comportamiento competitivo
legítimo (Pasquale, 2015). Tales marcos no imponen prohibiciones categóricas, sino que
establecen parámetros para el desarrollo tecnológico responsable, enviando señales
regulatorias que orientan la inversión hacia la incorporación de salvaguardas
antimonopolio en el diseño de sistemas automatizados (Citron y Pasquale, 2014).
Sin embargo, su implementación suscita objeciones de carácter democrático y
epistemológico. Las críticas advierten que los mecanismos de nudging pueden derivar en
manipulación conductual, sustituyendo la deliberación consciente por condicionamientos
contextuales que operan de manera subliminal (Bovens, 2009). Además, cuando tales
intervenciones son diseñadas sin participación pública, emerge el riesgo de un
paternalismo tecnocrático que impone criterios de eficiencia definidos unilateralmente
por expertos, desdibujando los principios de autonomía y pluralismo valorativo
(Rebonato, 2013). La falta de transparencia en los criterios que sustentan las
intervenciones refuerza la necesidad de mecanismos de rendición de cuentas que
legitimen las decisiones regulatorias.
En paralelo, la preocupación por la certeza jurídica subraya que la proliferación del
derecho indicativo puede incrementar la ambigüedad normativa. Mientras las normas
imperativas delimitan con precisión la frontera entre lo lícito y lo ilícito, las directrices
indicativas y los estándares flexibles generan zonas interpretativas grises que amplían la
discrecionalidad administrativa y la incertidumbre para las empresas (Elster, 1989). Tal
indeterminación resulta problemática en derecho de la competencia, donde la licitud
depende de evaluaciones contextuales sobre efectos de mercado o justificaciones de
eficiencia. Si el derecho indicativo se expande sin una jerarquía clara respecto del derecho
imperativo, se corre el riesgo de configurar un mosaico regulatorio que debilite la
coherencia del enforcement (Kaplow, 1992).
Por otra parte, los hallazgos empíricos sobre su efectividad muestran resultados
heterogéneos. Aunque los nudges han demostrado éxito en conductas individuales como
el ahorro previsional, la donación de órganos o las elecciones alimentarias (Thaler y
Benartzi, 2004; Johnson y Goldstein, 2003), su extrapolación al ámbito empresarial
enfrenta limitaciones estructurales. Las decisiones corporativas involucran múltiples
actores con intereses divergentes y altos niveles de racionalidad estratégica, lo que reduce
la capacidad de las intervenciones conductuales para modificar patrones de
comportamiento en entornos organizacionales sofisticados (Loewenstein y Chater, 2017).
Además, la efectividad del derecho indicativo depende en gran medida del contexto
institucional. Las investigaciones sobre racionalidad ecológica han evidenciado que las
intervenciones conductuales varían en función de la cultura organizacional, la estructura
de mercado y las presiones competitivas (Gigerenzer, 2007). Por ello, una estrategia
regulatoria exitosa en un sector puede resultar ineficaz o incluso contraproducente en
otro. Tal constatación refuerza la idea de que el derecho indicativo debe concebirse como
un complemento adaptativo del enforcement coercitivo, más que como su sustituto
integral (Loewenstein et al., 2015).
En sentido complementario, su consolidación institucional exige capacidades empíricas
avanzadas para evaluar resultados y ajustar intervenciones. Dado que la efectividad del
derecho indicativo no se mide por tasas de sanción, sino por modificaciones conductuales,
resulta indispensable incorporar metodologías experimentales, análisis cuasi-
experimentales y técnicas de inferencia causal que permitan valorar su impacto real
(Sunstein, 2016). En consecuencia, las autoridades de competencia requieren fortalecer
sus estructuras analíticas, ampliar su capacidad estadística y articular sistemas de
aprendizaje regulatorio continuo que garanticen la adaptación del soft law a dinámicas
empresariales cambiantes (Alemanno y Spina, 2014).
Por ende, el análisis de los mecanismos de nudging regulatorio y del derecho indicativo
muestra que la regulación basada en la orientación conductual ofrece herramientas
eficaces para promover el cumplimiento normativo, aunque enfrenta límites teóricos y
riesgos de legitimidad cuando se erige en sustituto del enforcement coercitivo. Con base
en tales tensiones, la sección siguiente aborda las objeciones estructurales y
epistemológicas que surgen al trasladar el enfoque conductual al ámbito del enforcement
antimonopolio, examinando sus implicaciones sobre la coherencia normativa, la
proporcionalidad sancionatoria y la legitimidad del poder punitivo.
Tensiones del enfoque conductual en el enforcement antimonopolio
La refundación de los sistemas de enforcement antimonopolio sobre bases puramente
conductuales enfrenta objeciones estructurales que comprometen su viabilidad teórica y
operativa. En efecto, aunque la economía del comportamiento ha revelado con precisión
los límites del modelo de elección racional, su capacidad para ofrecer un marco normativo
coherente y predecible permanece controvertida, dado que carece de una teoría normativa
unificada capaz de transformar hallazgos descriptivos sobre sesgos cognitivos en
principios prescriptivos sólidos aplicables al diseño sancionatorio (Rebonato, 2013;
Sugden, 2009).
Desde una perspectiva epistemológica, la economía del comportamiento posee un
carácter eminentemente descriptivo, pues se limita a identificar desviaciones sistemáticas
respecto de la racionalidad plena sin establecer criterios normativos para el diseño
institucional (Elster, 1989). Tal limitación adquiere especial relevancia en el ámbito
sancionatorio, donde la legitimidad depende de la articulación de principios de
imputabilidad, proporcionalidad y previsibilidad. La teoría de la elección racional permite
esa articulación mediante una concepción coherente de acción racional que vincula
conducta, intención y responsabilidad, justificando la proporcionalidad de las sanciones
(Kaplow y Shavell, 2001). En cambio, el enfoque conductual, al enfatizar la
irracionalidad sistemática y la influencia del contexto, debilita los fundamentos
conceptuales que sostienen la legitimidad del castigo, pues difumina los vínculos entre
agencia moral y responsabilidad jurídica.
Por otro lado, la fragmentación empírica de los hallazgos conductuales obstaculiza la
construcción de un paradigma sancionatorio sistemático. La investigación en economía
del comportamiento ha identificado numerosos sesgos cognitivos y heurísticas de juicio
que operan de manera diversa según los contextos, los individuos y las condiciones
institucionales (Kahneman, 2011). No obstante, la ausencia de una teoría integradora que
permita predecir consistentemente las respuestas de los agentes frente a estímulos
regulatorios impide formular principios generales aplicables a distintos entornos de
mercado. De hecho, la evidencia muestra que los sesgos interactúan de forma
contradictoria y que los mismos individuos pueden comportarse de modo irracional en un
dominio y racional en otro (Gigerenzer y Goldstein, 1996). Esta heterogeneidad
imposibilita derivar pautas normativas universales de enforcement y socava la pretensión
de coherencia que requiere todo sistema sancionador legítimo.
En una línea complementaria, la posibilidad de manipulabilidad estratégica representa un
desafío crítico. Si el diseño sancionatorio se orienta a explotar sesgos cognitivos
previsibles, las empresas pueden desarrollar sofisticación adaptativa que neutralice tales
intervenciones mediante asesoría legal y económica especializada (Loewenstein y Chater,
2017). Las organizaciones con amplios recursos pueden identificar las lógicas implícitas
del diseño conductual y ajustar sus estrategias para conservar beneficios ilícitos
minimizando la exposición punitiva. En consecuencia, los enfoques conductuales tienden
a perder eficacia a medida que los agentes aprenden y ajustan su comportamiento,
fenómeno que limita su efectividad temporal y erosiona la estabilidad de las políticas
disuasorias (Bubb y Pildes, 2014).
De igual modo, la noción tradicional de culpabilidad enfrenta tensiones conceptuales bajo
el prisma conductual. El derecho sancionador se funda en la posibilidad de atribuir
responsabilidad subjetiva sobre la base de intencionalidad, conocimiento o negligencia,
presupuestos que requieren un agente capaz de comprender y anticipar consecuencias
(Hart, 1968). Si los sesgos operan inconscientemente, distorsionando la evaluación del
riesgo, la imputación de culpabilidad se vuelve problemática. En tal escenario, un
ejecutivo podría alegar que su capacidad de formar intención dolosa se vio afectada por
limitaciones cognitivas estructurales, lo que pondría en cuestión la legitimidad del
reproche penal o administrativo (Shavell, 2004).
En el plano empírico, los resultados sobre la eficacia de las sanciones diseñadas
conductualmente son ambivalentes. Algunas investigaciones confirman que el encuadre
de sanciones en términos de pérdida induce mayor aversión al riesgo, lo que aumenta la
disuasión, en concordancia con la teoría prospectiva (Kahneman y Tversky, 1979). Sin
embargo, otros estudios muestran que enfatizar las pérdidas puede estimular conductas
compensatorias orientadas a recuperar lo perdido, generando mayor exposición al riesgo
(Zeelenberg y van Dijk, 1997). Tal ambigüedad evidencia la dificultad de extrapolar
hallazgos de laboratorio a contextos empresariales donde las decisiones surgen de
estructuras jerárquicas complejas, presiones competitivas y racionalidades estratégicas
múltiples (Levitt y List, 2007).
De acuerdo con lo anterior, la proporcionalidad sancionatoria adquiere una dimensión
especialmente crítica. La teoría de la elección racional proporciona un marco coherente
que equilibra costos de enforcement, probabilidad de detección y beneficios ilícitos
esperados, articulando así la justificación de las sanciones conforme a criterios de
eficiencia y justicia (Becker, 1968). En contraste, una perspectiva conductual pura
sugeriría calibrar la severidad según la respuesta psicológica esperada, lo que podría
conducir a sanciones excesivas para infracciones menores o a sanciones leves para
conductas graves si los datos empíricos mostraran efectos conductuales diferenciales. Tal
desvinculación entre gravedad objetiva y severidad sancionatoria socava los principios
de proporcionalidad y justicia retributiva que legitiman el poder punitivo (Ireland, 2024).
En coherencia con ese planteamiento, la posibilidad de falsos positivos conductuales
plantea riesgos de sobre-enforcement. Las arquitecturas sancionatorias que buscan
maximizar la percepción de pérdida mediante encuadres disuasorios pueden inducir una
sobrerreacción empresarial que inhiba conductas legítimas y reduzca la competencia. Las
empresas, enfrentadas a entornos regulatorios que amplifican la percepción de riesgo,
podrían optar por estrategias defensivas que limiten la innovación o la competencia
agresiva, afectando la eficiencia dinámica de los mercados (Joskow, 2002). Tal fenómeno,
conocido como chilling effect, tensiona la frontera entre disuasión efectiva y parálisis
competitiva.
Así, la estabilidad temporal de los efectos conductuales constituye otro desafío.
Numerosos estudios han demostrado que las intervenciones basadas en sesgos tienden a
perder eficacia con el tiempo debido a procesos de habituación y aprendizaje adaptativo
(Loewenstein y Haisley, 2007). Esa volatilidad reduce la predictibilidad normativa y
exige reajustes permanentes en el diseño sancionatorio, lo que incrementa la
incertidumbre y debilita el valor de estabilidad inherente a los sistemas jurídicos legítimos
(Fuller, 1969).
En esa línea argumental, la economía conductual ofrece herramientas limitadas para
explicar fenómenos como la colusión tácita o las estrategias concertadas sin acuerdo
explícito. Tales prácticas, esenciales en la teoría antimonopolio contemporánea, no
derivan de sesgos cognitivos sino de reconocimiento estratégico racional y coordinación
tácita entre agentes (Motta, 2004). Por tanto, la explicación conductual resulta
insuficiente para abordar patrones de interacción consciente donde prevalece el cálculo
de equilibrios de mercado. Ello confirma que los enfoques conductuales pueden
desempeñar una función complementaria, pero no sustitutiva, dentro de marcos analíticos
que integren teoría de juegos y modelos de racionalidad estratégica (Shapiro, 1989).
La revisión crítica del enfoque conductual aplicado al enforcement antimonopolio
evidencia que, pese a su valor explicativo, su falta de sistematicidad y su vulnerabilidad
a la manipulación estratégica limitan su capacidad para sustentar un marco normativo
coherente. A partir de esta constatación, resulta imperativo explorar los desafíos que
plantea la digitalización de los mercados y la irrupción de la inteligencia artificial,
fenómenos que transforman radicalmente los fundamentos del enforcement. En
consecuencia, la sección siguiente analiza la reconfiguración del derecho de la
competencia en la era algorítmica, prestando especial atención a los problemas de
imputabilidad, transparencia y gobernanza digital.
Reconfiguración del enforcement antimonopolio en la era algorítmica
La digitalización estructural de los mercados ha introducido una serie de
transformaciones que desbordan los marcos tradicionales del enforcement antimonopolio,
al reconfigurar los fundamentos epistemológicos, normativos y operativos sobre los
cuales se había construido la regulación económica moderna. En particular, las
plataformas digitales articulan arquitecturas algorítmicas que toman decisiones de
precios, asignación de recursos y exclusión de competidores con una velocidad y
complejidad que superan las capacidades de supervisión de los sistemas jurídicos
concebidos para entornos analógicos (Ezrachi y Stucke, 2016). A su vez, la opacidad
algorítmica, derivada de la ausencia de transparencia sobre los criterios decisionales de
los modelos de aprendizaje automático, dificulta la atribución de responsabilidad y la
evaluación de licitud de conductas mediadas por inteligencia artificial (Pasquale, 2015).
En función de lo anterior, el problema de la intencionalidad algorítmica plantea desafíos
conceptuales que desestabilizan las bases tradicionales de imputabilidad jurídica. Los
algoritmos de aprendizaje automático operan ajustando sus parámetros mediante
identificación de patrones y retroalimentación continua, lo cual produce decisiones
autónomas orientadas a optimizar funciones objetivo definidas por sus programadores
(Russell y Norvig, 2021). Cuando tales sistemas generan resultados anticompetitivos,
como colusión tácita o discriminación de precios, se torna ambiguo determinar si el origen
del comportamiento corresponde a la intención empresarial, a una negligencia de diseño
o a una emergencia imprevista de los procesos de optimización (Mehra, 2016). En
consecuencia, la ambigüedad resultante compromete la coherencia del principio de
imputabilidad que sustenta la legitimidad sancionatoria del derecho de la competencia.
Al respecto, la colusión algorítmica ilustra de manera paradigmática la tensión entre
racionalidad económica y responsabilidad jurídica. La evidencia teórica y experimental
demuestra que los algoritmos de fijación de precios pueden aprender de forma
independiente a coordinar precios supracompetitivos sin necesidad de comunicación
directa ni intención colusoria explícita (Calvano et al., 2020). De acuerdo con ello, la
conducta emergente del aprendizaje por refuerzo revela que los sistemas identifican
estrategias que maximizan beneficios en escenarios de interdependencia estratégica,
convergiendo hacia equilibrios colusivos mediante ensayo y error. Por tanto, el fenómeno
desborda las categorías jurídicas tradicionales que exigen prueba de concertación o
acuerdo para configurar infracción, dado que la coordinación algorítmica se produce sin
intercambio de información humano detectable (Harrington, 2018).
En esa lógica, la discriminación de precios automatizada introduce dilemas éticos y
normativos sobre la equidad y legitimidad de prácticas basadas en segmentación
algorítmica. Las plataformas digitales poseen capacidades sin precedentes para ajustar
precios según perfiles de comportamiento, predicciones de disposición a pagar y variables
demográficas o contextuales (Acquisti et al., 2016). Si bien la teoría económica clásica
sostiene que la discriminación perfecta podría aumentar la eficiencia asignativa, en la
práctica la personalización algorítmica produce asimetrías informativas y vulneraciones
de justicia distributiva que los marcos antimonopolio convencionales no logran abordar
adecuadamente (Stucke y Grunes, 2016).
Así, el poder estructural de las plataformas dominantes amplifica las limitaciones del
enforcement tradicional. Las empresas tecnológicas que controlan infraestructuras
digitales centrales poseen la capacidad de definir estándares de interoperabilidad, reglas
de acceso a datos y condiciones de participación en sus ecosistemas, configurando un
régimen de gobernanza privada con efectos cuasi regulatorios (Khan, 2017). Bajo tales
condiciones, la situación genera zonas grises entre el ejercicio legítimo de derechos de
propiedad tecnológica y el abuso de posición dominante mediante restricciones de acceso
y exclusión estratégica (Li y Cauffman, 2025). Dado que los marcos tradicionales de
enforcement operan ex post, la respuesta institucional resulta insuficiente para corregir
las asimetrías estructurales generadas por dinámicas de concentración temprana y control
de infraestructura esencial.
En prolongación de esa perspectiva, la velocidad de la innovación tecnológica acentúa el
desfase entre la evolución de los modelos de negocio digitales y la capacidad de respuesta
institucional. Los procedimientos de investigación antimonopolio suelen extenderse por
años, período durante el cual los mercados digitales experimentan transformaciones que
invalidan parcialmente los supuestos iniciales del análisis (Shelanski, 2013). En
consecuencia, el desfase temporal provoca que las intervenciones regulatorias lleguen
cuando los daños competitivos se han consolidado, dificultando la reversión de posiciones
dominantes en entornos caracterizados por efectos de red y economías de escala que
favorecen la concentración (Yun, 2020).
Por otro lado, la tensión entre transparencia algorítmica y protección de secretos
comerciales plantea dilemas complejos para la gobernanza digital. Las autoridades de
competencia enfrentan limitaciones técnicas y jurídicas para exigir acceso a los
algoritmos, pues las empresas argumentan que la divulgación de sus modelos
comprometería ventajas competitivas derivadas de la innovación (Zarsky, 2016). Al
mismo tiempo, la complejidad de los sistemas de aprendizaje profundo, cuyas estructuras
de decisión son opacas incluso para sus propios desarrolladores, acentúa el llamado
problema de la caja negra (Burrell, 2016). En tal contexto, la falta de explicabilidad
obstaculiza tanto la evaluación ex ante de la legalidad empresarial como el escrutinio ex
post por parte de las autoridades, erosionando la efectividad del control antimonopolio.
Asimismo, los mercados de datos introducen un cambio sustantivo en la
conceptualización del poder de mercado. La acumulación de información sobre el
comportamiento de los usuarios otorga ventajas competitivas auto-reforzadas que
consolidan posiciones dominantes difíciles de desplazar. A medida que los datos generan
mejores algoritmos, estos atraen más usuarios, reproduciendo ciclos de retroalimentación
positiva que amplifican el control sobre el mercado (Stucke y Grunes, 2016). En virtud
de ello, los instrumentos analíticos tradicionales que miden poder de mercado en términos
de cuotas o sustitución de productos resultan insuficientes para capturar la naturaleza
acumulativa y dinámica del dominio informacional (OECD, 2016).
En consecuencia, la regulación algorítmica prospectiva surge como una estrategia que
busca prevenir distorsiones estructurales antes de su consolidación. Las aproximaciones
de privacy by design y competition by design
2
proponen incorporar salvaguardas
antimonopolio dentro de la arquitectura técnica de las plataformas, mediante principios
de interoperabilidad, transparencia y portabilidad de datos que operen como elementos
estructurales del diseño tecnológico (Cavoukian, 2010). Si bien tal orientación reduce los
costos ex post de enforcement y promueve una cultura de cumplimiento preventivo,
enfrenta dificultades prácticas asociadas con la rápida obsolescencia tecnológica y el
riesgo de imponer estándares regulatorios que limiten la innovación (Yeung, 2017).
2
Las nociones de privacy by design y competition by design aluden a enfoques regulatorios preventivos
que integran principios normativos en la propia configuración técnica de los sistemas digitales. En el caso
del privacy by design, se busca que la protección de datos personales sea un componente inherente de la
arquitectura tecnológica, minimizando la recopilación excesiva de información y asegurando su uso
transparente (Cavoukian, 2010). Por su parte, el competition by design plantea que las plataformas digitales
incorporen salvaguardas antimonopolio estructurales, tales como interoperabilidad, portabilidad y acceso
equitativo a datos, con el fin de prevenir prácticas de exclusión y concentración de poder antes de que estas
ocurran (Yeung, 2017).
De manera complementaria, la dimensión transnacional del enforcement plantea
problemas de coordinación que debilitan la capacidad regulatoria de los Estados. Las
plataformas tecnológicas operan globalmente mientras las autoridades antimonopolio
mantienen competencias territoriales limitadas, lo que facilita estrategias de arbitraje
normativo y forum shopping (Bradford, 2020). En consecuencia, las empresas pueden
localizar funciones críticas en jurisdicciones con supervisión laxa, eludiendo sanciones
sin perder acceso a los mercados más rentables. Bajo esa lógica, la fragmentación
institucional genera una carrera hacia la baja en estándares regulatorios, al incentivar la
competencia entre jurisdicciones por atraer innovación tecnológica a costa de la
efectividad del enforcement (Fletcher, 2023).
En definitiva, la transformación digital de los mercados impone un replanteamiento
integral del enforcement antimonopolio, al introducir dilemas inéditos sobre
responsabilidad, poder informacional y coordinación transnacional. Dado que las
estructuras jurídicas tradicionales no logran responder con eficacia a tales desafíos, se
vuelve necesario diseñar un marco normativo que articule coherencia estructural,
evidencia conductual y adaptabilidad tecnológica. En esa dirección, la sección siguiente
propone un marco jurídico integrador que combina la racionalidad de la teoría de la
elección con los aportes de la economía del comportamiento y la regulación algorítmica,
preservando la legitimidad democrática y la estabilidad normativa del sistema regulatorio.
Propuesta de marco jurídico integrador para la regulación antimonopolio en
entornos algorítmicos
La formulación de un marco jurídico integrador capaz de preservar la coherencia
normativa del enfoque racionalista y, al mismo tiempo, incorporar los avances de la
economía del comportamiento y la regulación algorítmica, requiere una arquitectura
jerárquica que subordine los instrumentos conductuales y experimentales a principios
estructurales estables. En efecto, el desafío no radica en la elección entre paradigmas
excluyentes, sino en la posibilidad de articularlos de modo complementario sin incurrir
en la fragmentación regulatoria que caracteriza los modelos híbridos contemporáneos.
Desde una perspectiva sistemática, la teoría de la elección racional mantiene primacía
arquitectónica por razones de coherencia normativa, previsibilidad institucional y
legitimidad democrática, mientras que las contribuciones conductuales se integran en
niveles funcionales subsidiarios con objetivos pedagógicos, operativos y comunicativos
(North, 1990; Ostrom, 2009).
A partir de esta premisa, la jerarquía normativa se justifica en tres dimensiones
interrelacionadas. En primer lugar, la estabilidad conceptual y la consistencia
interpretativa constituyen condiciones indispensables para la previsibilidad y la seguridad
jurídica, cualidades que la teoría de la elección racional garantiza mediante la aplicación
coherente de principios de imputabilidad, proporcionalidad y racionalidad instrumental
en contextos diversos (Fuller, 1969). En segundo término, la legitimidad democrática del
ejercicio punitivo estatal depende de la capacidad del sistema sancionador para justificar
normativamente el uso del poder coercitivo más allá de la mera efectividad conductual
(Dworkin, 1986). Finalmente, la economía del comportamiento carece de una teoría
normativa unificada capaz de traducir hallazgos empíricos en principios prescriptivos
consistentes, lo que limita su potencial para sustentar estructuras regulatorias coherentes
(Sugden, 2009).
En consecuencia, el nivel estructural del marco integrador se apoya en la teoría de la
elección racional y establece principios de enforcement como la proporcionalidad entre
la gravedad de la infracción y la severidad de la sanción, la previsibilidad normativa
mediante reglas claras que permitan evaluar ex ante la licitud de las conductas, y la
imputabilidad subjetiva que vincula la responsabilidad con la intencionalidad o la
negligencia (Becker, 1968; Shavell, 1985). Estos principios actúan como restricciones
constitucionales que delimitan los márgenes del diseño punitivo, impidiendo que
consideraciones de efectividad o eficiencia vulneren los fundamentos normativos. En
particular, la proporcionalidad asegura que la legitimidad de la sanción derive de la
relación entre la conducta y el daño social causado, con independencia de que evidencias
empíricas indiquen mayores efectos disuasorios en sanciones más severas (Gutmann et
al., 2018).
Por otra parte, el nivel pedagógico del sistema integra herramientas de economía
conductual orientadas a reducir fricciones cognitivas y simplificar las arquitecturas de
elección, mediante mecanismos como guías de mejores prácticas, estándares de
cumplimiento sugerido o herramientas de autoevaluación. Dichos instrumentos no
generan obligaciones jurídicas, sino que disminuyen los costos de transacción en la
comprensión normativa, favoreciendo una autonomía informada en entornos de alta
complejidad (Sunstein, 2016; Senden, 2004).
En un plano complementario, el nivel operativo se orienta a ajustar procedimientos e
instituciones en función de evidencia conductual sobre el cumplimiento normativo. Los
sistemas de denuncia anónima, los programas de clemencia y los procedimientos que
minimizan el desfase temporal entre infracción y sanción constituyen ejemplos de cómo
el diseño institucional puede optimizar la efectividad del enforcement sin alterar
principios de licitud o proporcionalidad (Kaplow & Shavell, 1994).
Asimismo, el nivel comunicativo emplea conocimientos sobre efectos de encuadre,
saliencia y arquitectura informacional para reforzar la percepción de certeza y severidad
sancionatoria. Mediante la formulación estratégica de mensajes, las autoridades pueden
enfatizar las pérdidas asociadas al incumplimiento y aprovechar momentos de atención
pública elevada, maximizando la eficacia de la comunicación sin modificar el contenido
normativo (Tversky & Kahneman, 1981; Johnson et al., 2012).
El carácter jerárquico del marco exige, sin embargo, que las intervenciones conductuales
permanezcan subordinadas a los principios estructurales racionalistas. Cuando la
evidencia empírica sugiera una medida efectiva que infrinja proporcionalidad o
previsibilidad, los valores normativos deben prevalecer, puesto que la coherencia
institucional y la legitimidad democrática superan cualquier beneficio instrumental
(Dworkin, 1986). De este modo, la estructura integradora resuelve las tensiones entre
efectividad y coherencia privilegiando la segunda como fundamento de estabilidad
sistémica.
En el ámbito de la regulación algorítmica, resulta imprescindible definir principios que
aborden la opacidad y la escala de las decisiones mediadas por inteligencia artificial. La
auditabilidad, la explicabilidad y la documentación se convierten en estándares
procedimentales que permiten la reconstrucción y evaluación de decisiones
automatizadas sin obstaculizar la innovación tecnológica (Citron & Pasquale, 2014;
Yeung, 2017).
Desde otra perspectiva, la adaptabilidad institucional se configura como una capacidad
de ajuste basada en la evidencia, sin comprometer la previsibilidad normativa. Ello
requiere estructuras deliberativas que equilibren estabilidad y aprendizaje mediante
evaluación experimental y análisis de impacto regulatorio (Sunstein, 2016; Sabel &
Simon, 2011). Dichas adaptaciones deben circunscribirse a los niveles pedagógico,
operativo y comunicativo, preservando la invariabilidad de los principios estructurales.
Asimismo, la gobernanza del sistema integrador depende de mecanismos de rendición de
cuentas que eviten la deriva tecnocrática y garanticen la sujeción del poder regulatorio a
la deliberación pública. La transparencia sobre fundamentos empíricos, la consulta
participativa y el control judicial son instrumentos esenciales para prevenir
manipulaciones incompatibles con la autonomía individual y la dignidad (Bovens, 2009;
Rebonato, 2013).
En definitiva, la implementación efectiva del marco requiere el fortalecimiento de
capacidades institucionales en psicología cognitiva, economía experimental y análisis de
datos, siempre subordinadas a la competencia jurídica y económica tradicional. Solo
mediante la preservación de jerarquías normativas claras puede evitarse que la
sofisticación conductual sustituya la racionalidad jurídica como principio rector de
legitimidad institucional (Alemanno & Spina, 2014).
Tabla 1
Marco jurídico integrador para la regulación antimonopolio en entornos algorítmicos
Nivel
Objetivo clave
Herramientas o acciones
Estructural
Asegurar coherencia,
proporcionalidad y previsibilidad
Principios jurídicos claros y
reglas estables
Pedagógico
Reducir fricciones cognitivas
Guías, estándares,
autoevaluaciones
Operativo
Ajustar procedimientos según
evidencia
Programas de clemencia,
denuncias anónimas
Comunicativo
Potenciar disuasión sin modificar
normas
Mensajes estratégicos, encuadres
informativos
Algorítmico
Asegurar transparencia y trazabilidad
Auditabilidad, explicabilidad,
documentación
Adaptativo
Mantener estabilidad con ajuste
empírico
Evaluaciones de impacto,
revisión continua
Gobernanza
Evitar tecnocracia, reforzar rendición
de cuentas
Transparencia, participación,
control judicial
Nota: Elaboración propia.
Conclusiones
La reconstrucción conceptual del enforcement antimonopolio requiere un
replanteamiento que reconcilie la coherencia normativa del racionalismo jurídico con la
evidencia empírica proveniente de la economía del comportamiento y la regulación
algorítmica. Así, la legitimidad democrática de la regulación no puede sustentarse
únicamente en la eficacia conductual, sino en la capacidad del sistema para integrar el
conocimiento empírico sin comprometer los principios que garantizan la justicia y la
previsibilidad institucional. La integración entre enfoques debe entenderse como una
articulación jerárquica, donde la racionalidad normativa delimita los márgenes de acción
y la evidencia empírica orienta los procesos de adaptación institucional.
La propuesta teórica presentada redefine la relación entre racionalidad, conducta y
tecnología en el ámbito del derecho de la competencia. Su principal aporte consiste en la
formulación de una arquitectura normativa de niveles diferenciados que preserva la
supremacía de los principios estructurales de imputabilidad, proporcionalidad y
previsibilidad, mientras incorpora los instrumentos conductuales y algorítmicos en planos
complementarios orientados a la pedagogía, la comunicación y la operatividad
institucional. Dicha configuración permite superar la tensión entre control y libertad al
concebir la racionalidad jurídica como una estructura de coherencia que guía la
integración progresiva de innovaciones empíricas sin desnaturalizar la función garantista
del derecho.
En el ámbito práctico, el uso de mecanismos de nudging, programas de clemencia
fundamentados en principios de economía del comportamiento y estrategias
comunicativas basadas en evidencia puede aumentar la efectividad disuasoria sin recurrir
al incremento desproporcionado de sanciones. A su vez, la regulación algorítmica
preventiva, estructurada sobre estándares de auditabilidad, explicabilidad y trazabilidad,
ofrece una vía para anticipar riesgos de colusión o abuso de posición dominante antes de
su consolidación. La eficacia de estas medidas dependerá de su integración en un marco
de legitimidad deliberativa y control democrático que garantice que la sofisticación
técnica no sustituya la racionalidad jurídica ni debilite la responsabilidad institucional.
La propuesta de un marco integrador exige expandir el campo empírico mediante
metodologías aplicadas a contextos empresariales, estudios comparativos entre
jurisdicciones y análisis longitudinales que examinen la persistencia de los efectos
conductuales en entornos organizacionales dinámicos. Es necesario también profundizar
en la relación entre gobernanza algorítmica y derecho público para delinear mecanismos
que armonicen transparencia, innovación y rendición de cuentas. El examen de los límites
éticos del paternalismo conductual y su incidencia en la autonomía corporativa constituye
una línea de investigación indispensable para afianzar una teoría normativa del
cumplimiento en economías digitalizadas.
La configuración de un orden regulatorio capaz de responder a la racionalidad limitada
de los agentes y a la aceleración tecnológica contemporánea implica concebir el derecho
como un proceso deliberativo y evolutivo más que como un sistema cerrado. La
interacción entre racionalidad y conducta, entre norma y evidencia, no busca una
perfección formal, sino la preservación del ideal de justicia en escenarios mediados por
inteligencia artificial y datos masivos. En consecuencia, el enforcement antimonopolio
dependerá menos de la severidad de las sanciones que de la capacidad institucional del
derecho para aprender, adaptarse y transformar el conocimiento empírico en normas
compatibles con la libertad, la dignidad y la estabilidad democrática.
Declaración de uso de inteligencia artificial
Para la elaboración del presente artículo se usó un modelo de lenguaje de gran escala,
específicamente GPT-5 de OpenAI. Dicha herramienta fue utilizada con el propósito de
identificar, revisar y corregir posibles errores de redacción y ortografía, a fin de optimizar
la claridad y coherencia textual del manuscrito. El comando empleado fue: “detecta y
corrige todos los errores de redacción y ortografía”. Posteriormente, los resultados
generados por el sistema fueron sometidos a una revisión para verificar si se mantiene la
intención, el estilo y el tono del borrador original.
Referencias
Abbott, K. W., & Snidal, D. (2000). Hard and Soft Law in International Governance.
International Organization, 54(3), 421–456.
https://doi.org/10.1162/002081800551280
Acquisti, A., Taylor, C., & Wagman, L. (2016). The Economics of Privacy. Journal of
Economic Literature, 54(2), 442–492. https://doi.org/10.1257/jel.54.2.442
Alemanno, A., & Sibony, A.-L. (Eds.). (2015). Nudge and the Law: A European
Perspective (Illustrated). Bloomsbury Academic.
Alemanno, A., & Spina, A. (2014). Nudging legally: On the checks and balances of
behavioral regulation. International Journal of Constitutional Law, 12(2), 429–
456. https://doi.org/10.1093/icon/mou033
Ashforth, B. E., & Anand, V. (2003). The normalization of corruption in organizations.
Research in Organizational Behavior, 25, 1–52. https://doi.org/10.1016/S0191-
3085(03)25001-2
Bazerman, M. H., & Tenbrunsel, A. E. (2011). Blind Spots: Why We Fail to Do What’s
Right and What to Do about It (Illustrated). Princeton University Press.
Becker, G. S. (1968). Crime and Punishment: An Economic Approach. Journal of
Political Economy, 76(2), 169–217. https://doi.org/10.1086/259394
Bovens, L. (2009). The Ethics of Nudge. En T. Grüne-Yanoff & S. O. Hansson (Eds.),
Preference Change (pp. 207–219). Springer Netherlands.
https://doi.org/10.1007/978-90-481-2593-7_10
Bradford, A. (2020). The Brussels Effect: How the European Union Rules the World (1a
ed.). Oxford University PressNew York.
https://doi.org/10.1093/oso/9780190088583.001.0001
Bubb, R., & Pildes, R. H. (2014). How Behavioral Economics Trims Its Sails and Why:
The Tension between Policy and Social Science in Behavioral Law and
Economics. Harvard Law Review, 127(6), 1593–1678.
https://harvardlawreview.org/print/vol-127/how-behavioral-economics-trims-its-
sails-and-why/
Burrell, J. (2016). How the machine ‘thinks’: Understanding opacity in machine learning
algorithms. Big Data & Society, 3(1), 2053951715622512.
https://doi.org/10.1177/2053951715622512
Calvano, E., Calzolari, G., Denicolò, V., & Pastorello, S. (2020). Artificial Intelligence,
Algorithmic Pricing, and Collusion. American Economic Review, 110(10), 3267–
3297. https://doi.org/10.1257/aer.20190623
Camerer, C., Loewenstein, G., & Prelec, D. (2005). Neuroeconomics: How Neuroscience
Can Inform Economics. Journal of Economic Literature, 43(1), 9–64.
https://doi.org/10.1257/0022051053737843
Cavoukian, A. (2010). Privacy by design: The definitive workshop. A foreword by Ann
Cavoukian, Ph.D. Identity in the Information Society, 3(2), 247–251.
https://doi.org/10.1007/s12394-010-0062-y
Citron, D. K., & Pasquale, F. (2014). The Scored Society: Due Process for Automated
Predictions. Washington Law Review, 89(1), 1–34.
https://digitalcommons.law.uw.edu/wlr/vol89/iss1/2
Cyert, R. M., Feigenbaum, E. A., & March, J. G. (1959). Models in a behavioral theory
of the firm. Behavioral Science, 4(2), 81–95.
https://doi.org/10.1002/bs.3830040202
Dworkin, R. (1986). Law’s Empire (Illustrated). Harvard University Press.
Elster, J. (1989). Nuts and Bolts for the Social Sciences (1a ed.). Cambridge University
Press. https://doi.org/10.1017/CBO9780511812255
Ezrachi, A., & Stucke, M. (2016). Virtual Competition: The Promise and Perils of the
Algorithm-Driven Economy. Harvard University Press.
https://doi.org/10.4159/9780674973336
Fehr, E., & Gächter, S. (2000). Cooperation and Punishment in Public Goods
Experiments. American Economic Review, 90(4), 980–994.
https://doi.org/10.1257/aer.90.4.980
Fletcher, A. (2023). International pro-competition regulation of digital platforms: Healthy
experimentation or dangerous fragmentation? Oxford Review of Economic Policy,
39(1), 12–33. https://doi.org/10.1093/oxrep/grac047
Frederick, S., Loewenstein, G., & O’donoghue, T. (2002). Time Discounting and Time
Preference: A Critical Review. Journal of Economic Literature, 40(2), 351–401.
https://doi.org/10.1257/jel.40.2.351
Fuller, L. L. (1969). The Morality of Law (Revised). Yale University Press.
Gigerenzer, G. (2007). Gut Feelings: The Intelligence of the Unconscious. Penguin.
Gigerenzer, G., & Goldstein, D. G. (1996). Reasoning the fast and frugal way: Models of
bounded rationality. Psychological Review, 103(4), 650–669.
https://doi.org/10.1037/0033-295X.103.4.650
Gilovich, T., Griffin, D., & Kahneman, D. (Eds.). (2002). Heuristics and Biases: The
Psychology of Intuitive Judgment (1a ed.). Cambridge University Press.
https://doi.org/10.1017/CBO9780511808098
Gutmann, J., Neuenkirch, M., Neumeier, F., & Steinbach, A. (2018). Economic Sanctions
and Human Rights: Quantifying the Legal Proportionality Principle. SSRN
Electronic Journal. https://doi.org/10.2139/ssrn.3175885
Harrington, J. E. (2018). Developing competition law for collusion by autonomous
artificial agents. Journal of Competition Law & Economics, 14(3), 331–363.
https://doi.org/10.1093/joclec/nhy016
Hart, H. L. A. (1968). Punishment and Responsibility: Essays in the Philosophy of Law.
Oxford University Press.
Ireland, D. J. (2024). Behavioral Economics, Regulatory Compliance and Performance,
And The Compliance Continuum. SSRN. https://doi.org/10.2139/ssrn.4952636
Johnson, E. J., & Goldstein, D. (2003). Do Defaults Save Lives? Science, 302(5649),
1338–1339. https://doi.org/10.1126/science.1091721
Johnson, E. J., Shu, S. B., Dellaert, B. G. C., Fox, C., Goldstein, D. G., Häubl, G., Larrick,
R. P., Payne, J. W., Peters, E., Schkade, D., Wansink, B., & Weber, E. U. (2012).
Beyond nudges: Tools of a choice architecture. Marketing Letters, 23(2), 487–
504. https://doi.org/10.1007/s11002-012-9186-1
Joskow, P. L. (2002). Transaction Cost Economics, Antitrust Rules, and Remedies.
Journal of Law, Economics, and Organization, 18(1), 95–116.
https://doi.org/10.1093/jleo/18.1.95
Kahneman, D. (2011). Thinking, Fast and Slow (Illustrated, reprinted, and revised).
Farrar, Straus and Giroux.
Kahneman, D., & Tversky, A. (1979). Prospect Theory: An Analysis of Decision under
Risk. Econometrica, 47(2), 263. https://doi.org/10.2307/1914185
Kaplow, L. (1992). Rules versus Standards: An Economic Analysis. Duke Law Journal,
42(3), 557. https://doi.org/10.2307/1372840
Kaplow, L., & Shavell, S. (1994). Optimal Law Enforcement with Self-Reporting of
Behavior. Journal of Political Economy, 102(3), 583–606.
https://doi.org/10.1086/261947
Kaplow, L., & Shavell, S. (2001). Fairness versus Welfare. Harvard Law Review, 114(4),
961. https://doi.org/10.2307/1342642
Khan, L. M. (2017). Amazon’s Antitrust Paradox. Yale Law Journal, 126(3), 710–805.
https://www.yalelawjournal.org/note/amazons-antitrust-paradox
Kunda, Z. (1990). The case for motivated reasoning. Psychological Bulletin, 108(3), 480–
498. https://doi.org/10.1037/0033-2909.108.3.480
Laibson, D. (1997). Golden Eggs and Hyperbolic Discounting. The Quarterly Journal of
Economics, 112(2), 443–478. https://doi.org/10.1162/003355397555253
Levitt, S. D., & List, J. A. (2007). What Do Laboratory Experiments Measuring Social
Preferences Reveal About the Real World? Journal of Economic Perspectives,
21(2), 153–174. https://doi.org/10.1257/jep.21.2.153
Li, Q., & Cauffman, C. (2025). Abuse of Relative Dominance by Digital Platforms: A
Law and Economics Perspective. GRUR International, 74(3), 217–225.
https://doi.org/10.1093/grurint/ikaf001
Loewenstein, G., Bryce, C., Hagmann, D., & Rajpal, S. (2015). Warning: You are about
to be Nudged. Behavioral Science & Policy, 1(1), 35–42.
https://doi.org/10.1177/237946151500100106
Loewenstein, G., & Chater, N. (2017). Putting nudges in perspective. Behavioural Public
Policy, 1(1), 26–53. https://doi.org/10.1017/bpp.2016.7
Loewenstein, G. F., & Haisley, E. C. (2007). The Economist as Therapist: Methodological
Ramifications of “Light” Paternalism. SSRN Electronic Journal.
https://doi.org/10.2139/ssrn.962472
Loewenstein, G., Rick, S., & Cohen, J. D. (2008). Neuroeconomics. Annual Review of
Psychology, 59(1), 647–672.
https://doi.org/10.1146/annurev.psych.59.103006.093710
March, J. G., & Simon, H. A. (1993). Organizations (2nd, illustrated and reprinted eds.).
John Wiley & Sons.
Mehra, S. K. (2016). Antitrust and the Robo-Seller: Competition in the Time of
Algorithms. Minnesota Law Review, 100, 1323–1375.
https://scholarship.law.umn.edu/mlr/204
Moore, D. A., & Healy, P. J. (2008). The trouble with overconfidence. Psychological
Review, 115(2), 502–517. https://doi.org/10.1037/0033-295X.115.2.502
Motta, M. (2004). Competition Policy: Theory and Practice (1a ed.). Cambridge
University Press. https://doi.org/10.1017/CBO9780511804038
North, D. C. (1990). Institutions, Institutional Change and Economic Performance (1a
ed.). Cambridge University Press. https://doi.org/10.1017/CBO9780511808678
OECD. (2016). Big Data: Bringing Competition Policy to the Digital Era (OECD
Competition Law and Policy Working Papers No. 193; OECD Competition Law
and Policy Working Papers, Vol. 193). https://doi.org/10.1787/a1c2d55c-en
Ostrom, E. (2009). Understanding Institutional Diversity (Illustrated). Princeton
University Press.
Palazzo, G., Krings, F., & Hoffrage, U. (2012). Ethical Blindness. Journal of Business
Ethics, 109(3), 323–338. https://doi.org/10.1007/s10551-011-1130-4
Pasquale, F. (2015). The Black Box Society: The Secret Algorithms That Control Money
and Information (Illustrated). Harvard University Press.
Rebonato, R. (2013). A Critical Assessment of Libertarian Paternalism. SSRN Electronic
Journal. https://doi.org/10.2139/ssrn.2346212
Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.).
Pearson.
Sabel, C. F., & Simon, W. H. (2011). Minimalism and Experimentalism in the
Administrative State. Georgetown Law Journal, 100(53), 53–94.
https://scholarship.law.columbia.edu/faculty_scholarship/735
Senden, L. (2004). Soft Law in European Community Law (Vol. 1). Hart.
Shapiro, C. (1989). Chapter 6 Theories of oligopoly behavior. En Handbook of Industrial
Organization (Vol. 1, pp. 329–414). Elsevier. https://doi.org/10.1016/S1573-
448X(89)01009-5
Shavell, S. (1985). Criminal Law and the Optimal Use of Nonmonetary Sanctions as a
Deterrent. Columbia Law Review, 85(6), 1232. https://doi.org/10.2307/1122393
Shavell, S. (2004). Foundations of Economic Analysis of Law. Harvard University Press.
Shelanski, H. A. (2013). Information, Innovation, and Competition Policy for the Internet.
University of Pennsylvania Law Review, 161(6), 1663–1705.
https://scholarship.law.upenn.edu/penn_law_review/vol161/iss6/6
Simon, H. A. (1955). A Behavioral Model of Rational Choice. The Quarterly Journal of
Economics, 69(1), 99. https://doi.org/10.2307/1884852
Stucke, M., & Grunes, A. (2016). Big Data and Competition Policy (1a ed.). Oxford
University Press. https://doi.org/10.1093/law:ocl/9780198788133.001.0001
Sugden, R. (2009). On Nudging: A Review of Nudge: Improving Decisions About Health,
Wealth and Happiness by Richard H. Thaler and Cass R. Sunstein. International
Journal of the Economics of Business, 16(3), 365–373.
https://doi.org/10.1080/13571510903227064
Sunstein, C. R. (2014). Why Nudge? The Politics of Libertarian Paternalism. Yale
University Press.
Sunstein, C. R. (2016). The Ethics of Influence: Government in the Age of Behavioral
Science (1a ed.). Cambridge University Press.
https://doi.org/10.1017/CBO9781316493021
Thaler, R. H., & Benartzi, S. (2004). Save More TomorrowTM: Using Behavioral
Economics to Increase Employee Saving. Journal of Political Economy, 112(S1),
S164–S187. https://doi.org/10.1086/380085
Thaler, R. H., & Sunstein, C. R. (2008). Nudge: Improving decisions about health, wealth,
and happiness. Yale University Press.
Tversky, A., & Kahneman, D. (1974). Judgment under Uncertainty: Heuristics and
Biases: Biases in judgments reveal some heuristics of thinking under uncertainty.
Science, 185(4157), 1124–1131. https://doi.org/10.1126/science.185.4157.1124
Tversky, A., & Kahneman, D. (1981). The Framing of Decisions and the Psychology of
Choice. Science, 211(4481), 453–458. https://doi.org/10.1126/science.7455683
Tyler, T. R. (2006). Why people obey the law (2nd ed.). Princeton University Press.
von Neumann, J., & Morgenstern, O. (2007). Theory of Games and Economic Behavior
(Commemorative Edition). Princeton University Press.
Yeung, K. (2017). ‘Hypernudge’: Big Data as a mode of regulation by design.
Information, Communication & Society, 20(1), 118–136.
https://doi.org/10.1080/1369118X.2016.1186713
Yun, J. M. (2020). Overview of Network Effects & Platforms in Digital Markets.
SSRN Electronic Journal. https://doi.org/10.2139/ssrn.3733656
Zarsky, T. (2016). The Trouble with Algorithmic Decisions: An Analytic Road Map to
Examine Efficiency and Fairness in Automated and Opaque Decision Making.
Science, Technology, & Human Values, 41(1), 118–132.
https://doi.org/10.1177/0162243915605575
Zeelenberg, M., & Van Dijk, E. (1997). A reverse sunk cost effect in risky decision
making: Sometimes we have too much invested to gamble. Journal of Economic
Psychology, 18(6), 677–691. https://doi.org/10.1016/S0167-4870(97)00029-9
