Problemática de los algoritmos de fijación de precios en el derecho de la competencia: comparativa y propuesta de regulación en la unión europea

Abstract

El presente Trabajo de Fin de Grado analiza la problemática de los algoritmos de fijación de precios en el Derecho de la Competencia de la Unión Europea. Partiendo de los fundamentos tecnológicos (big data, machine learning y reinforcement learning), examina cómo estos sistemas pueden facilitar formas de colusión tácita o autónoma que resultan difíciles de capturar bajo el artículo 101 TFUE, debido a la ausencia de acuerdo explícito, voluntad humana y prueba causal. A través de un análisis comparado, el estudio contrasta la aproximación europea con las respuestas regulatorias de Estados Unidos (caso RealPage), Reino Unido, China y otras jurisdicciones, identificando convergencias y lecciones útiles. Se constata que, si bien el DMA y el AI Act ofrecen herramientas indirectas, existe un vacío normativo significativo en la detección, transparencia y atribución de responsabilidad de la colusión algorítmica. El trabajo propone un marco regulatorio específico para la UE basado en ocho medidas concretas: obligación de cumplimiento normativo por diseño (compliance by design), visibilidad de resultados con deber de corrección, ampliación de poderes de auditoría algorítmica, pruebas precomerciales en sandbox, herramientas de detección basadas en IA, prohibición del uso de datos no públicos de competidores, presunción rebatible de coordinación y la reintroducción del New Competition Tool. Estas medidas se integran con el marco antitrust vigente bajo los principios de complementariedad, proporcionalidad y transparencia. Finalmente, se concluye que la Unión Europea debe evolucionar hacia un modelo híbrido que combine enforcement ex post con regulación ex ante para preservar la competencia efectiva en los mercados digitales sin frenar la innovación tecnológica.

This Bachelor’s Thesis examines the challenges posed by pricing algorithms in EU Competition Law. Starting from their technological foundations (big data, machine learning and reinforcement learning), it analyses how these systems can facilitate tacit or autonomous collusion that is difficult to capture under Article 101 TFEU due to the lack of explicit agreement, human intent and causal evidence. Through a comparative analysis, the study contrasts the European approach with regulatory responses in the United States (RealPage case), the United Kingdom, China and other jurisdictions, identifying convergences and useful lessons. It concludes that, although the DMA and AI Act provide indirect tools, there is a significant regulatory gap regarding detection, transparency and attribution of responsibility in algorithmic collusion. The thesis proposes a specific regulatory framework for the EU based on eight concrete measures: compliance by design, outcome visibility with correction obligations, expanded powers for algorithmic audits, pre-market testing in controlled environments (sandbox), AI-based detection tools, prohibition on the use of non-public competitors’ data, rebuttable presumption of coordination, and the reintroduction of the New Competition Tool. These measures are integrated with the existing antitrust framework under the principles of complementarity, proportionality and transparency. It is concluded that the European Union must evolve towards a hybrid model combining ex post enforcement with ex ante regulation to preserve effective competition in digital markets without hindering technological innovation.