Colusión en licitaciones: qué puede ver la IA en las ofertas perdedoras

Una licitación cierra con cuatro ofertas. Un proveedor gana, el precio entra en presupuesto y el expediente parece competitivo. Mirando solo ese procedimiento, quizá no haya nada que llame especialmente la atención.

Esa es precisamente la dificultad de la colusión. Varias empresas pueden acordar quién gana, presentar ofertas deliberadamente poco competitivas, no acudir a determinados concursos o repartirse oportunidades y mantener, aun así, la apariencia de competencia. Un comprador ve un acontecimiento; el patrón sospechoso puede existir únicamente al comparar muchas licitaciones, proveedores y organismos.

El 8 de septiembre de 2026, la Competition and Markets Authority británica reclamó una respuesta mucho más basada en datos. El tamaño del problema es relevante: la contratación pública del Reino Unido ronda los 400.000 millones de libras al año, la manipulación de ofertas puede elevar precios un 20 por ciento o más y la CMA estima un posible impacto anual de aproximadamente 1.000 a más de 3.000 millones de libras bajo sus supuestos. Para compras, sin embargo, lo más interesante es qué información considera necesaria la autoridad para detectar el problema.

La oferta ganadora es solo una parte de la evidencia

La atención se dirige de forma natural al adjudicatario. ¿El precio es competitivo? ¿Cumple la especificación? ¿Está bien documentada la decisión? Para detectar patrones de colusión, las ofertas que pierden pueden ser igual de importantes porque la señal aparece a menudo en la relación entre ellas.

Tres proveedores pueden presentarse repetidamente juntos. Uno gana mientras los otros dos ofertan más alto y, en la siguiente licitación, cambia el ganador. Puede haber razones totalmente legítimas, como capacidad, geografía o costes. Pero si las rotaciones, diferencias de precios o patrones de participación se repiten de manera difícil de explicar, puede merecer una revisión especializada.

Una licitación aislada no demuestra nada. La información aparece cuando se comparan datos de oferta a lo largo del tiempo y entre compradores, de ahí que la CMA insista en conservar también las ofertas perdedoras en formatos coherentes y legibles por máquina.

La IA cambia la escala del análisis

Tradicionalmente, muchas investigaciones de cárteles empiezan con denunciantes, reclamaciones o pruebas descubiertas cuando ya existe una sospecha. El análisis de datos añade otra vía: buscar patrones recurrentes en una cantidad de licitaciones que ningún comprador podría revisar manualmente.

La herramienta BRIT de la CMA combina experiencia en investigación de cárteles con ciencia de datos. Se está probando con organismos públicos, incluidos los departamentos británicos de Educación, Trabajo y Justicia, y la CMA afirma que esos pilotos ya han comenzado a generar pistas para actuaciones de competencia.

Es un uso interesante de IA en compras porque no intenta sustituir el juicio sobre una licitación concreta. Amplía la visibilidad entre miles de observaciones y señala dónde puede estar justificada la atención humana especializada.

Un patrón sospechoso no demuestra culpabilidad

Este límite es esencial. Ofertas parecidas, grupos recurrentes de proveedores o ganadores rotatorios pueden tener explicaciones inocentes. Una herramienta de análisis no establece que exista colusión porque haya detectado una anomalía.

BRIT está concebida para encontrar patrones sospechosos y generar pistas. La investigación, las pruebas, la valoración jurídica y el debido proceso vienen después. Compras necesita la misma disciplina: una rareza debe llevar a preservar la información y utilizar el canal jurídico o de competencia adecuado, no a acusar al proveedor en la siguiente reunión.

La CMA advierte expresamente a los compradores públicos de que no comenten la sospecha con los proveedores, porque alertarlos puede dificultar una investigación. Esa frontera debería estar incorporada al proceso interno.

El verdadero cuello de botella puede estar en los datos

El argumento más importante de la CMA es también el menos llamativo: un análisis sofisticado sirve de poco sin los datos correctos. En el Reino Unido, las ofertas perdedoras no se recogen de forma rutinaria en un formato central, coherente y legible por máquina, lo que limita el análisis sistemático.

En compras empresariales ocurre algo parecido. Los históricos están repartidos entre plataformas, correos, hojas de cálculo y carpetas locales; los nombres de proveedor no son uniformes y algunos sistemas conservan el resultado final pero no el detalle de las propuestas descartadas.

La arquitectura de datos se convierte así en parte de la capacidad de compras. Lo que hoy no se conserva bien no podrá analizarse mañana para buscar patrones.

La visibilidad entre compradores cambia lo que puede observarse

Un comprador ve que A pierde contra B y no encuentra nada especial. Otro ve que A pierde contra C y un tercero que B pierde contra C. Cada observación puede ser normal. El conjunto, sin embargo, puede mostrar participaciones repetidas, rotaciones de ganadores o relaciones de precio que justifiquen análisis experto.

Esa es una de las razones por las que los datos centralizados o interoperables tienen valor más allá del análisis de gasto. Permiten preguntas imposibles de responder desde un único expediente.

También ilustran el problema más amplio que tratamos en IA y criterio profesional en compras: un sistema puede mostrar un patrón que merece atención sin decidir qué significa. La persona responsable necesita comprender el límite de la evidencia antes de actuar.

La disciplina de compras no desaparece con un mejor análisis

Aunque el análisis se automatice, los profesionales siguen necesitando conocer señales de riesgo, conservar bien la documentación, proteger la competencia del proceso y saber cuándo implicar a especialistas jurídicos o de competencia. También deben evitar el error contrario: asumir que un panel sin alertas demuestra que el mercado es competitivo.

Voice2Evolve no es una herramienta de detección de cárteles. El vínculo con la conversación aparece después, cuando un profesional tiene que cuestionar un comportamiento inusual sin acusar, escalar internamente una preocupación o evitar que una señal estadística se convierta en una conclusión no respaldada.

La IA puede hacer visibles patrones ocultos. No puede convertir una señal en una prueba ni liberar a compras de la responsabilidad de manejarla correctamente.

Las ofertas perdedoras importan porque la colusión busca esconderse dentro de una competencia aparentemente normal. A veces la información que explica el mercado está precisamente en las propuestas que, tras la adjudicación, parecían haber dejado de ser relevantes.

Fuentes

• UK Competition and Markets Authority (8 de septiembre de 2026). Rigged bids, real costs: a case for urgent action on bid rigging in UK public procurement.
• Sarah Cardell, CMA (8 de septiembre de 2026). Rigged bids, real costs: the case for tackling bid rigging in public procurement.