Algoritmos de datos y poder de mercado en adquisiciones habilitadas por AI

1. Hacer que la diligencia en materia de competencia forme parte de la decisión de inversión

La diligencia en materia de competencia para una adquisición habilitada por AI debe determinar si la tesis de la transacción depende del acceso, el control o una conducta que puede ser difícil de preservar después de una revisión regulatoria. La junta necesita más que un cronograma de presentación. Necesita comprender cómo compite el objetivo, qué insumos hacen posible esa competencia, qué contrapartes pueden limitar la empresa combinada y qué términos de transacción podrían cambiar esas condiciones.

La decisión central es si el adquirente puede poseer el objetivo y aun así ofrecer el valor bajo restricciones de competencia creíbles. Esto requiere una evaluación vinculada de la definición del mercado, la importancia competitiva, la estructura de las transacciones, el acceso a los datos y a la computación, la distribución, la interoperabilidad, el cambio de clientes, la innovación y las soluciones. El resultado de la diligencia debería influir en el precio, el margen de financiación, las fechas límite, los convenios, la asignación de riesgos y el diseño de planes de integración.

El trabajo debe comenzar antes de la exclusividad cuando sea posible. La evidencia temprana puede revelar si una adquisición importante está económicamente más cerca de una integración vertical, una adquisición de plataforma, una extensión del ecosistema, una exclusión de insumos, una adquisición de un competidor incipiente o una transferencia de talento crítico y propiedad intelectual. Una transacción puede contener varias de estas características a la vez.

La placa debe recibir cuatro salidas conectadas. Primero, un mapa de pila AI debe mostrar las dependencias y fuentes de apalancamiento del objetivo. En segundo lugar, un libro de pruebas de competencia debería separar los hechos observados, las estimaciones de la gestión y los escenarios de transacciones. En tercer lugar, una matriz de teoría del daño debería vincular cada preocupación con la evidencia, la exposición a la valoración y las posibles mitigaciones. En cuarto lugar, una hoja de ruta para la toma de decisiones debe mostrar cuándo la junta debe fijar el precio, reestructurar, remediar o abandonar la transacción.

2. Utilizar las preocupaciones actuales de la autoridad como hipótesis de diligencia

El Departamento de Justicia de EE. UU. y la Comisión Federal de Comercio afirman en las Directrices sobre fusiones de 2023 que las fusiones de plataformas pueden afectar la competencia entre plataformas, en una plataforma y desplazar una plataforma. Su guía identifica los efectos de la red, los conflictos de intereses y la adquisición de datos utilizados para comparar, clasificar o predecir como mecanismos relevantes. ^[1] Las mismas directrices abordan las transacciones que afianzan o amplían una posición dominante al negar a los rivales el acceso a los clientes, la escala o los efectos de red. ^[2]

El informe del personal de la FTC de enero de 2025 sobre inversiones y asociaciones de proveedores de nube con desarrolladores de AI describe características contractuales y económicas que pueden afectar la competencia. Estos incluyen derechos de capital y participación en los ingresos, disposiciones de consulta y exclusividad, compromisos para gastar los ingresos de la inversión en los servicios en la nube del socio, acceso a la computación y el intercambio de información técnica, financiera y de clientes. El informe identifica posibles costos de cambio y limitaciones en el acceso a insumos clave. ^[3]

El informe de política de competencia de la Comisión Europea para 2024 asigna el AI generativo a través de chips, computación, datos, modelos y servicios posteriores. Considera el acceso a insumos clave, la integración vertical, las asociaciones y la posibilidad de que las empresas puedan aprovechar posiciones en toda la cadena de valor AI. ^[4] Una declaración conjunta de la Comisión Europea, la Autoridad de Mercados y Competencia del Reino Unido, el Departamento de Justicia de EE. UU. y la FTC identifica un control concentrado de chips, computación, datos y experiencia; la extensión del poder de mercado; y acuerdos entre actores clave como áreas que requieren vigilancia. ^[5]

La actualización del modelo básico de la CMA identifica riesgos que involucran el control de insumos críticos, poderosos titulares que dan forma a la distribución y asociaciones que refuerzan las posiciones existentes. ^[6] La Autorité de la concurrence de Francia ha examinado por separado el funcionamiento competitivo del sector generativo-AI. ^[7] La Oficina de Competencia de Canadá describe los datos, la computación, los algoritmos, los precios y los efectos de las fusiones dentro de la cadena de producción del AI. ^[8] Estos materiales públicos son hipótesis para la diligencia, no conclusiones sobre una transacción específica.

La evaluación jurisdiccional debe ir acompañada de un análisis sustantivo. Los umbrales de notificación, las pruebas de control, los poderes de llamada y las teorías difieren. Los derechos de las minorías, las transferencias de empleados, las licencias y los acuerdos comerciales pueden recibir un tratamiento diferente según los regímenes. El equipo de transacciones debe documentar la base de cada decisión de presentación, monitorear los cambios en el paquete del acuerdo y conciliar el control legal con la relación económica práctica.

La regulación específica AI puede cambiar la base operativa sin resolver las cuestiones de la fusión. La protección de datos, la propiedad intelectual, la regulación del sector, la Ley AI de la UE y la Ley de Mercados Digitales pueden afectar el acceso, la documentación, el diseño técnico y el costo. La diligencia en materia de competencia debe registrar estas interacciones porque una obligación regulatoria puede reducir una ventaja reclamada, crear gastos de implementación o dar forma a una solución viable.

Esta tabla resume los materiales públicos seleccionados para uso administrativo. No establece la prueba legal completa en ninguna jurisdicción.

3. Mapear la cadena de valor completa del AI

Un producto AI suele estar soportado por varias capas. Las capas relevantes pueden incluir diseño y fabricación de semiconductores, aceleradores, capacidad de centros de datos, infraestructura de nube, datos de capacitación, ingeniería de datos, modelos básicos, herramientas de ajuste, sistemas de recuperación, orquestación de aplicaciones, distribución y servicios de cara al cliente. El equipo de transacciones debe identificar dónde operan las partes y dónde dependen de terceros.

El mapa debe registrar el control, los derechos y la sustituibilidad en cada capa. La propiedad es sólo una forma de control. Una reserva de capacidad a largo plazo, un derecho de acceso preferente, una licencia de modelo exclusiva, un compromiso de gasto mínimo, una dependencia técnica o una posición de distribución predeterminada pueden moldear el comportamiento competitivo. El mapa también debería mostrar qué activos se pueden replicar, cuánto tiempo llevaría la replicación y qué barreras legales, financieras o técnicas se aplican.

La cadena de valor debe trazarse para los productos actuales y para los productos futuros creíbles. Los mercados AI pueden cambiar rápidamente, mientras que la infraestructura, los derechos de datos y los flujos de trabajo de los clientes pueden seguir siendo difíciles. Un objetivo que actualmente vende una aplicación puede estar desarrollando un modelo, una plataforma de agente o una red de datos que cambie su papel competitivo. Los materiales de la junta, los planes de ingeniería, las solicitudes de contratación y los pilotos de clientes pueden ser más informativos que las clasificaciones de ingresos actuales.

El equipo debería evitar tratar cada capa como un mercado. El mapa es una herramienta de evidencia. La definición del mercado y la evaluación competitiva requieren un análisis legal y económico. El mapa ayuda al equipo a identificar dónde la evidencia de sustitución, las opiniones de los clientes, la estructura de costos y los derechos de control necesitan pruebas más profundas.

4. Definir el perímetro de transacción a través del control y la dependencia.

Las transacciones AI pueden transferir capacidad competitiva sin una compra convencional de todas las acciones. El perímetro puede incluir inversiones minoritarias, derechos de consejo o de observador, acuerdos comerciales, licencias, compromisos de capacidad, distribución preferente, reparto de ingresos, transferencias de empleados y derechos sobre tecnología futura. El equipo debe analizar el paquete en su conjunto.

La decisión de la CMA sobre Microsoft e Inflection consideró la contratación de casi todo el equipo de especialistas junto con los acuerdos relacionados como una transacción revisable, aunque absolvió el caso por motivos de competencia. ^[9] El informe de políticas de la Comisión Europea analiza de manera similar las asociaciones y transferencias de talento y activos como posibles cambios estructurales que requieren escrutinio. ^[4] Estos ejemplos muestran por qué la forma jurídica por sí sola no puede definir el perímetro de diligencia.

La lista de derechos debe capturar los derechos afirmativos, los vetos, los derechos de consulta, los derechos de información, la influencia presupuestaria, las dependencias comerciales y las consecuencias de la rescisión. El equipo debe identificar si los derechos cambian en hitos, eventos de financiamiento, fallas de desempeño o rondas de financiamiento futuras. Un derecho que parece protector por sí solo puede contribuir a la influencia cuando se combina con otros acuerdos.

La dependencia comercial requiere igual atención. Si un desarrollador de AI debe gastar la mayor parte de su inversión en un proveedor de nube, utiliza herramientas específicas del proveedor y enfrenta costos importantes de salida de datos o migración de modelos, la relación puede ser difícil de deshacer. La diligencia debe cuantificar el costo, el tiempo, el riesgo del servicio y las consecuencias contractuales de pasar a un segundo proveedor.

5. Forme teorías antes de recopilar grandes conjuntos de datos.

Una teoría del daño es una explicación comprobable de cómo la transacción podría debilitar la competencia. El equipo de transacciones debe indicar el mecanismo, los clientes afectados, los activos relevantes, la conducta esperada, el momento y la evidencia que confirmarían o rechazarían la preocupación. Etiquetas amplias como ventaja de los datos o poder del ecosistema son insuficientes.

Una teoría horizontal puede preguntar si el objetivo es una restricción actual o futura sobre el producto AI del adquirente. Una teoría vertical puede preguntar si el control de un modelo, fuente de datos, capacidad de cómputo o canal de distribución permite la exclusión. Una teoría del ecosistema puede preguntarse si la adquisición aumenta los costos de cambio o debilita el alojamiento múltiple. Una teoría de conglomerado puede examinar la agrupación, los incumplimientos o la integración privilegiada entre productos complementarios. Una teoría del trabajo o de la innovación puede preguntar si el talento especializado, la capacidad de investigación o la opcionalidad del producto se eliminan de la competencia independiente.

Cada teoría debe identificar un contrafactual. La pregunta relevante es qué condiciones competitivas probablemente existirían sin la transacción. Las alternativas pueden incluir un crecimiento independiente continuo, una nueva ronda de financiación, una asociación con varios proveedores, una adquisición por parte de otro comprador o un fracaso comercial. La evidencia debe incluir planes y limitaciones contemporáneos en lugar de una narrativa creada únicamente para la presentación.

La evidencia del cliente debe coincidir con el mecanismo. Una teoría de exclusión puede requerir evidencia sobre las alternativas, el costo de cambio, las características requeridas y la respuesta esperada ante un acceso degradado. Una teoría de la competencia incipiente puede requerir evidencia sobre la probable adopción, la diferenciación del producto y la capacidad del objetivo para escalar. Las encuestas, entrevistas, registros de licitaciones y telemetría de productos deben diseñarse o interpretarse prestando atención a la selección, el momento y los incentivos.

La matriz teórica debería impulsar las solicitudes. Reduce la carga de cobranza y mejora la disciplina probatoria. Cada solicitud importante debe estar relacionada con una decisión de la junta directiva, una cuestión regulatoria o una sensibilidad de valoración. El equipo debe registrar lo que refutaría su preocupación inicial y buscar esa evidencia deliberadamente.

6. Ventaja de los datos de prueba a través de derechos de calidad y replicabilidad

Los datos crean valor competitivo cuando mejoran un producto o una decisión de una manera que los rivales no pueden reproducir fácilmente. El volumen por sí solo es una medida incompleta. La diligencia debe examinar la relevancia, la calidad, la frescura, el etiquetado, la singularidad, los derechos legales, los circuitos de retroalimentación, la cobertura y el desempeño marginal obtenido a partir de datos adicionales.

El inventario de datos debe identificar la fuente, el propietario, el uso permitido, la geografía, la retención, el consentimiento, la exclusividad, la portabilidad y los requisitos de eliminación. Debe distinguir los datos utilizados para capacitación, ajuste, recuperación, evaluación, seguridad, personalización y análisis de productos. El equipo debe conciliar los derechos contractuales con los ductos reales y la documentación modelo.

La replicabilidad debe probarse con tiempo y costo. Es posible que haya datos públicos o con licencia disponibles, mientras que los historiales de limpieza, anotaciones, experiencia en el dominio y comentarios siguen siendo difíciles de reproducir. Los datos sintéticos pueden resolver algunas brechas y crear diferentes riesgos legales o de calidad. Los datos específicos del cliente pueden mejorar el servicio sin ser transferibles entre clientes. El equipo debe evitar asumir que el acceso produce automáticamente un poder de mercado duradero.

El modelo de transacción debe mostrar si la combinación de conjuntos de datos cambia la calidad, el costo o el alcance. También debería examinar si la empresa combinada podría restringir el acceso de sus rivales a una fuente compartida, degradar la portabilidad o utilizar datos de plataforma competitivamente sensibles para favorecer sus propios servicios. Las disposiciones de la Ley de Mercados Digitales de la UE sobre portabilidad y acceso a datos proporcionan un contexto regulatorio actual para estas preguntas. ^[10]

Las pruebas de desempeño del modelo deben ser reproducibles. El equipo de diligencia debe preservar el conjunto de datos de evaluación, la definición de la tarea, la línea de base, la versión del modelo, los parámetros y los intervalos de confianza cuando corresponda. Las mejoras que desaparecen en un punto de referencia o segmento de clientes diferente pueden tener una importancia competitiva limitada. Los especialistas técnicos y los economistas deberían ponerse de acuerdo sobre cómo se conecta la evidencia del desempeño con la elección del cliente y el valor económico.

Las calificaciones de evidencia deben asignarse a partir de materiales de transacciones verificadas. Los ejemplos siguientes describen los campos obligatorios.

7. Cuantificar las dependencias de chips y nubes informáticas

La capacidad informática puede ser tanto un costo como una restricción competitiva. La diligencia debe separar la capacitación del modelo, el ajuste, la inferencia, la evaluación y los requisitos de máxima demanda. Debe identificar aceleradores, ubicaciones, proveedores, condiciones de reserva, precios, limitaciones de energía, residencia de datos y portabilidad de cargas de trabajo.

Los créditos en la nube y las inversiones estratégicas pueden ocultar el costo económico. El equipo debe calcular el costo unitario efectivo después de los créditos, el gasto comprometido, el reparto de ingresos y el uso mínimo. Debería determinar qué sucede cuando los créditos vencen o cambia la demanda del modelo. Una transacción que aumenta la utilización puede mejorar la economía, mientras que la concentración en un solo proveedor puede aumentar la exposición al cambio.

La portabilidad técnica requiere más que libertad contractual. Los modelos pueden depender de chips propietarios, orquestación, almacenamiento, redes, seguridad, monitoreo y herramientas de desarrollo. El cambio de plataforma puede requerir trabajo de ingeniería, nueva validación y aprobación del cliente. El modelo de diligencia debe mostrar el tiempo de migración, el costo de ejecución duplicada, el cambio de rendimiento y el riesgo del servicio.

La evidencia de capacidad debe ser prospectiva y acotada. La capacidad reservada del acelerador puede exceder el uso actual porque respalda la capacitación o la redundancia planificada. El equipo debe conciliar las reservas, el consumo real, los tiempos de cola, la utilización, los trabajos fallidos y las previsiones de demanda. Debe comprobar si un rival puede adquirir un sustituto económica y técnicamente adecuado dentro del plazo pertinente para la competencia.

El informe del personal de la FTC identifica los compromisos de la nube, el acceso a los insumos y los costos de cambio como posibles problemas de competencia en las asociaciones AI. ^[3] La declaración internacional conjunta identifica de manera similar los chips especializados y la computación sustancial como insumos críticos. ^[5] La junta debe saber si la tesis de inversión supone un acceso preferencial continuo y si una solución o un cambio de proveedor reduciría el valor.

8. Examinar el acceso y la interoperabilidad del modelo.

El acceso al modelo determina si las aplicaciones y los clientes pueden elegir, combinar o reemplazar las capacidades de AI. El equipo debe inventariar modelos propietarios, modelos de terceros, componentes abiertos, ajustes finos, incrustaciones, sistemas de recuperación y activos de evaluación. Debe registrar licencias, restricciones de uso, portabilidad, derechos de terminación y dependencias técnicas.

La interoperabilidad debe probarse en varios niveles. La interoperabilidad de datos se refiere a formatos y transferencia. La interoperabilidad del modelo se refiere a interfaces, indicaciones, contexto, herramientas y evaluación. La interoperabilidad de las aplicaciones se refiere a la identidad, los permisos, los flujos de trabajo y las pistas de auditoría. La interoperabilidad de la distribución se refiere al acceso a las funciones del sistema operativo, del dispositivo o de la plataforma en condiciones comparables a las del propio servicio del operador tradicional.

La Comisión Europea adoptó medidas de especificación vinculantes en julio de 2026 relativas al acceso de los servicios AI competidores a funciones relevantes de Android y al acceso de proveedores de búsqueda externos a datos de búsqueda. ^[11] Esta acción actual ilustra que la interoperabilidad y el acceso a los datos son cuestiones de competencia operativa. La diligencia en las transacciones debe identificar qué interfaces son esenciales, quién controla el cambio y cómo la empresa combinada podría afectar la calidad, el tiempo o el acceso.

El plan de integración debe preservar opciones creíbles de múltiples modelos y múltiples proveedores hasta que se complete la evaluación de la competencia. Quitar adaptadores, finalizar licencias o rediseñar las API demasiado pronto puede limitar las opciones de solución y socavar la evidencia contrafáctica.

La gobernanza de la interfaz debe incluirse en la diligencia. El equipo debe identificar políticas de versión, períodos de desuso, límites de velocidad, autenticación, niveles de servicio, soporte para desarrolladores y acceso a entornos de prueba. Una interfaz formalmente abierta puede seguir siendo comercialmente ineficaz si los cambios son impredecibles, la documentación está incompleta o el rendimiento difiere del acceso interno del titular.

9. Pruebe los valores predeterminados de distribución y las preferencias propias

La distribución puede convertir un producto AI capaz en una restricción competitiva. Los canales relevantes pueden incluir sistemas operativos, mercados en la nube, suites de productividad, aplicaciones empresariales, navegadores, tiendas de aplicaciones, dispositivos, revendedores y flujos de trabajo integrados. El equipo debe cuantificar el tráfico, la activación, la conversión, el uso y la adquisición de clientes por canal.

Los valores predeterminados son importantes cuando los usuarios enfrentan costos de búsqueda, aprendizaje, migración o contractuales. Un valor predeterminado puede ser explícito, como un asistente preseleccionado, o técnico, como acceso privilegiado a las funciones del dispositivo. La agrupación puede reducir los costos para el cliente y mejorar la integración; también puede hacer que sea más difícil descubrir o comprar un rival independiente. La diligencia debe medir ambos efectos.

Las pruebas de autopreferencia deben examinar la clasificación, la recomendación, la latencia, el acceso a funciones, el acceso a datos, los precios, la elegibilidad y los incentivos comerciales. La pregunta es si la empresa combinada tendría la capacidad y el incentivo para favorecer su propio servicio y si los clientes o rivales podrían responder. La evidencia debe incluir experimentos, documentación de clasificación, pronósticos internos y tratamiento histórico de terceros.

La revisión DMA de 2026 de la UE identifica la interoperabilidad, la autopreferencia, el acceso a datos y las dependencias de la nube como temas relacionados con los servicios AI. ^[12] Estas obligaciones no reemplazan el análisis de fusiones. Pueden afectar la base fáctica, las opciones de solución y la valoración de las ventajas de distribución.

El análisis de distribución debe distinguir el alcance del poder incremental. Una gran base instalada puede acelerar la adopción, mientras que los clientes pueden conservar opciones significativas si los servicios rivales son fáciles de instalar, integrar y comprar. El equipo debe examinar la ubicación, las indicaciones, los incumplimientos, los paquetes contractuales, la asignación de descuentos y la fricción técnica de activar una alternativa.

10. Medir los efectos en los ecosistemas y las redes.

Un ecosistema puede crear valor al reducir el costo de integración y mejorar la experiencia entre productos complementarios. También puede aumentar la dependencia cuando la identidad, los datos, los flujos de trabajo, los desarrolladores y las compras están vinculados. La diligencia debe mapear el recorrido del cliente y determinar qué elementos dificultan el cambio o la multihoming.

Los efectos directos de red surgen cuando un servicio se vuelve más valioso a medida que se unen más usuarios similares. Los efectos indirectos surgen cuando la participación de un lado atrae a otro, como desarrolladores, vendedores o proveedores de datos. Los efectos de aprendizaje pueden surgir cuando el uso mejora el rendimiento. Las economías de escala pueden reducir el costo unitario. Estos mecanismos deben medirse por separado porque crean diferentes implicaciones competitivas y de valoración.

Las Directrices de fusiones de EE. UU. de 2023 abordan específicamente la participación en plataformas, los efectos de red y los conflictos entre un operador de plataforma y los participantes. ^[1] El equipo de diligencia debe preguntarse si la adquisición del objetivo elimina una herramienta que permite el alojamiento múltiple, un participante importante para una plataforma rival o una ruta emergente que podría desplazar a un servicio existente.

La evidencia del cambio debe incluir entrevistas con clientes, motivos de abandono, proyectos de migración, éxito de las exportaciones, reentrenamiento, dependencias de integración y términos contractuales. La voluntad declarada de cambiar es más débil que el comportamiento observado. El modelo debe estimar el costo y el tiempo para segmentos de clientes definidos en lugar de una cifra promedio.

Los incentivos para desarrolladores y socios pueden ser indicadores destacados. Una adquisición puede hacer que terceros estén más dispuestos a construir porque el ecosistema se vuelve más grande, o menos dispuestos porque esperan discriminación o apropiación. La diligencia debe revisar la rotación de socios, el uso de API, las decisiones de inversión, los comentarios sobre la hoja de ruta y el tratamiento de las aplicaciones que compiten con los productos propios de la plataforma.

11. Revisar algoritmos como conducta y evidencia.

Los algoritmos pueden afectar el precio, la clasificación, la coincidencia, la elegibilidad, la capacidad, las recomendaciones y el acceso. La diligencia debe identificar los sistemas de decisión que interactúan con los competidores, proveedores o clientes y determinar qué datos, objetivos, limitaciones y controles humanos los gobiernan.

El equipo debe examinar si un algoritmo de plataforma puede favorecer un producto afiliado, si los sistemas de precios responden a los competidores de manera que faciliten la coordinación y si las reglas de acceso pueden degradar a los rivales. La Oficina de Competencia de Canadá señala que los algoritmos de fijación de precios basados ​​en AI han provocado un debate sobre la coordinación algorítmica tácita. ^[8] La evaluación de la transacción debe centrarse en la evidencia y el mecanismo en lugar de asumir que la automatización en sí misma crea daño.

Los registros modelo de gobernanza también pueden proporcionar evidencia importante. Los objetivos de capacitación, los criterios de evaluación, la importancia de las funciones, los experimentos, los registros de incidentes y las aprobaciones de cambios pueden mostrar cómo funciona realmente un sistema. Los equipos técnicos deben explicar estos materiales en un lenguaje de decisión sin revelar información de propiedad innecesaria.

El diseño de empresas combinadas debería incluir propietarios responsables, auditabilidad y controles de cambio para algoritmos sensibles a la competencia. Si la transacción crea un nuevo conflicto de intereses, la gobernanza puede necesitar separación, restricciones de acceso, pruebas o supervisión independiente.

12. Tratar la propiedad intelectual del talento y sus adquisiciones como activos competitivos.

Los investigadores especializados, ingenieros, líderes de productos y expertos en datos pueden ser aportes escasos. El equipo de diligencia debe identificar equipos críticos, limitaciones de movilidad, planes de retención, agendas de investigación y dependencias de líderes individuales. Debería distinguirse la contratación ordinaria de una transferencia coordinada de una capacidad competitiva.

La diligencia en materia de propiedad intelectual debe abarcar pesos de modelos, códigos, patentes, secretos comerciales, conjuntos de datos, métodos de evaluación, licencias y derechos derivados del empleo o colaboraciones de investigación. Las brechas de propiedad pueden debilitar el valor. Las licencias amplias o los derechos retenidos pueden afectar la exclusividad y el contrafactual competitivo.

El caso Microsoft e Inflection demuestra que las transferencias de empleados combinadas con licencias y acuerdos relacionados pueden constituir una situación de fusión revisable en el Reino Unido. ^[9] Las juntas deben evaluar la sustancia, los activos y la capacidad comercial continua al estructurar una adquisición o una licencia estratégica.

La economía de la retención debería estar relacionada con el riesgo de competencia. Una transacción puede requerir incentivos para preservar la capacidad del objetivo mientras los reguladores evalúan si esa capacidad debe seguir siendo independiente. Por lo tanto, el modelo de financiación debería incluir la duración de la retención, los acuerdos fallidos y las restricciones a la integración.

13. Evaluar la competencia dinámica y la innovación.

Los ingresos actuales pueden subestimar la importancia competitiva de un objetivo AI. Una empresa pequeña puede poseer tecnología, talento, acceso a clientes o una arquitectura capaz de desafiar a un operador establecido. El equipo debe probar la probabilidad, el momento y la escala de la expansión independiente utilizando evidencia contemporánea.

La evidencia relevante incluye hojas de ruta de productos, resultados de experimentos, pilotos de clientes, canalizaciones, planes de financiación, contrataciones, reservas informáticas, debates sobre asociaciones y decisiones de la junta directiva. El equipo debe examinar los hitos técnicos y las limitaciones comerciales. Una hoja de ruta no debe considerarse inevitable; las probabilidades de fracaso, las necesidades de financiación y los riesgos de ejecución pertenecen al contrafactual.

El análisis de la innovación debe identificar vías de investigación superpuestas y enfoques alternativos. La pregunta puede ser si el acuerdo elimina la experimentación independiente, reduce los incentivos para desarrollar un producto interoperable o redirige una tecnología al ecosistema del operador establecido. También puede ser si la combinación de activos acelera la innovación de una manera que sea verificable y específica de la transacción.

La investigación de la OECD destaca la incertidumbre en el desarrollo del mercado de AI y la importancia de la competencia dinámica, los insumos esenciales y los vínculos a lo largo de la cadena de valor. ^[13] La junta debería utilizar escenarios y rangos de decisión, no falsas precisiones.

La eficiencia de la innovación requiere la misma disciplina que las declaraciones de riesgo. El equipo debe identificar los activos complementarios, los hitos de desarrollo, los recursos, el momento y la probabilidad de entrega. Debe comprobar si el beneficio requiere propiedad o podría surgir a través de acuerdos de licencia, suministro o distribución. Los beneficios deben vincularse a los resultados del cliente y ajustarse al costo de integración y al riesgo de ejecución.

14. Construya una sala de pruebas de competencia

La sala de evidencia debe organizarse en torno a teorías y decisiones. Las carpetas principales deben cubrir documentos de transacciones, estrategia, mercado y clientes, datos, computación, modelos, distribución, interoperabilidad, algoritmos, talento, propiedad intelectual, asociaciones, valoración, sinergias y análisis regulatorio.

Cada elemento material debe tener una fuente, fecha, propietario y estado probatorio. Los datos observados deben seguir distinguiéndose de las estimaciones de la gestión y los escenarios de transacciones. Los análisis derivados deben preservar las fórmulas y el linaje. La evidencia del cliente debe registrar la metodología y evitar cotizaciones selectivas.

El equipo debe conciliar los documentos del curso ordinario con las narrativas de las transacciones. Los documentos internos pueden utilizar terminología y límites de mercado diferentes. El análisis debería explicar las diferencias en lugar de reescribir la historia. Las métricas clave deben conciliarse con los sistemas de origen, las cuentas auditadas cuando sea relevante y el modelo de transacción.

Las solicitudes deben ser proporcionadas y controladas. La información sensible a la competencia puede requerir un manejo limpio por parte del equipo. Los datos personales, el código fuente, los pesos de los modelos y la información de seguridad requieren controles especializados. La gobernanza de la evidencia debe respaldar la decisión del acuerdo preservando al mismo tiempo los requisitos legales, de confidencialidad y de ciberseguridad.

La sala de pruebas debe incluir un registro de cuestiones controladas. Cada asunto debe indicar la pregunta, la evidencia recibida, la contradicción no resuelta, el propietario responsable, la consecuencia de la decisión y la siguiente acción. Los análisis reemplazados deben seguir siendo rastreables. Este registro ayuda a la junta a comprender cómo cambiaron las conclusiones y respalda la coherencia entre las presentaciones, los materiales del prestamista y los documentos de transacciones.

15. Definir el caso de transacción hipotético

El caso se refiere a un proveedor global de software empresarial, servicios en la nube y distribución empresarial que adquiere una plataforma de flujo de trabajo AI. El valor empresarial supuesto es USD 3.60 billion. El objetivo tiene USD 420 million de ingresos recurrentes anuales y atiende a los clientes a través de ventas directas, mercados en la nube e integraciones con aplicaciones empresariales.

El objetivo actualmente accede a tres proveedores de modelos básicos. Utiliza un proveedor de nube estratégico para la mayoría de las cargas de trabajo de capacitación e inferencia bajo una obligación comprometida USD 310 million que se extiende más allá del cierre propuesto. Su producto conecta documentos de clientes, datos de flujo de trabajo y comentarios con agentes de dominios específicos. Los clientes pueden exportar algunos registros, mientras que las configuraciones, los historiales de evaluación y el contexto del flujo de trabajo requieren trabajo de migración adicional.

La gerencia estima USD 480 million de valor presente de sinergia bruta de distribución, infraestructura, adquisiciones e integración de productos. El modelo de transacción supone un período desde la firma hasta el cierre de 160 días. Un programa de diligencia competitiva identifica 54 preguntas sobre datos, computación, modelos, distribución, interoperabilidad, algoritmos, talento y contrafactual.

El escenario negativo supone una inversión incremental de USD 42 million durante tres años para capacidad de múltiples nubes, separación de datos, interoperabilidad, auditabilidad y acceso de terceros. El modelo no supone que una autoridad vaya a exigir estas medidas. Pone a prueba la capacidad de la junta para sostener el caso de inversión si las restricciones afectan la exclusividad, la agrupación, los incumplimientos o el momento de la integración.

Cada valor y resultado es una suposición de escenario. USD millones a menos que se indique lo contrario.

16. Modelar los escenarios contrafactuales y de transacción.

El contrafactual base supone que el objetivo sigue siendo independiente, completa una ronda de financiación planificada y continúa la distribución multimodelo. Un segundo contrafactual supone una asociación estratégica sin control. Un tercero supone la adquisición por parte de un comprador sin un ecosistema competidor. Ninguno se trata como un hecho. El equipo asigna probabilidades a partir de financiación verificada, gobernanza y evidencia técnica y comercial.

Los escenarios de transacción deben probar la aprobación total, la revisión ampliada, las limitaciones de comportamiento, las obligaciones de interoperabilidad, la separación de datos, los requisitos de múltiples nubes, la desinversión de activos seleccionados y el fracaso de la transacción. Cada escenario debe mostrar la probabilidad, el momento oportuno, los ingresos, el costo, el gasto de capital, el impacto en el cliente, el financiamiento y las consecuencias de la implementación.

Las sinergias necesitan evidencia a nivel de mecanismo. La sinergia de distribución debe identificar el canal, el segmento de clientes, la tasa de conversión y la canibalización. La sinergia de infraestructura debería tener en cuenta los compromisos existentes y el costo de la migración. La sinergia del producto debe identificar la dependencia del desarrollo y el momento del lanzamiento. La sinergia de datos debe mostrar derechos, método técnico y una mejora mensurable del rendimiento.

La junta debería centrarse en el valor en riesgo por teoría. Una restricción a la distribución por defecto puede afectar la sinergia de ingresos. Un requisito de múltiples nubes puede afectar el costo. La separación de datos puede retrasar la integración del producto. Una prohibición o desinversión puede cambiar el perímetro de la transacción. El modelo de decisión debería evitar un descuento regulatorio indiferenciado.

17. Asigne el esfuerzo de revisión a través de un mapa de calor de riesgos.

El mapa de calor debe combinar capacidad, incentivo, efecto, calidad de la evidencia y complejidad del remedio. La alta exposición con evidencia débil requiere trabajo urgente. Una exposición alta con evidencia sólida aún requiere la atención del directorio porque la transacción puede necesitar una revaloración o una reestructuración.

La exclusividad de los datos puede conllevar una alta exposición cuando el conjunto de datos es importante, no replicable y transferible. La concentración informática puede conllevar una alta exposición cuando las alternativas de capacidad no están disponibles dentro del período requerido. La autopreferencia puede conllevar una alta exposición cuando el adquirente controla una ruta importante hacia el mercado y puede cambiar la clasificación, los valores predeterminados o el acceso a las funciones.

El mapa debe incluir evidencia positiva. El cambio de cliente creíble, las API interoperables, la capacidad disponible, el alojamiento múltiple, el bajo valor incremental de los datos y la gobernanza independiente pueden reducir una preocupación. La evidencia debe ser probada, no afirmada.

El mapa de calor es una herramienta de gestión. No predice la decisión de una autoridad. Su finalidad es asignar recursos de diligencia, valoración y negociación antes de que desaparezca la opcionalidad.

18. Diseñar la preparación del remedio antes de que se solicite.

La preparación para remediar protege la opcionalidad de la transacción. El equipo debe identificar qué inquietudes podrían abordarse mediante cambios de perímetro, acceso, interoperabilidad, separación de datos, licencias, compromisos de suministro, gobernanza o monitoreo. Debería comprobar si una medida es técnicamente viable, comercialmente sostenible y susceptible de verificación.

Las opciones estructurales pueden incluir la venta de un producto, conjunto de datos, modelo, equipo, contrato o derecho de distribución. Un paquete viable necesita suficientes activos, personas, derechos, clientes y apoyo a la transición para competir. Las opciones de comportamiento pueden abordar el acceso, la clasificación, la interoperabilidad, la portabilidad, la concesión de licencias, la capacidad o los flujos de información. Su eficacia depende de la claridad, los incentivos y el seguimiento.

El equipo debe calcular el costo y la fuga de valor para cada opción. Debe identificar las consecuencias fiscales, financieras, de propiedad intelectual, de privacidad, de ciberseguridad y operativas. Una solución puede afectar tanto al objetivo como al ecosistema más amplio del adquirente.

El diseño de integración debe preservar la separabilidad. Las hojas de ruta de productos, las arquitecturas de datos, los contratos y los equipos deben mantener límites claros hasta que se resuelva el riesgo. Esto no implica que será necesario un remedio. Le da a la junta directiva opciones ejecutables y mejora la credibilidad de la negociación.

Las pruebas de remedio deben incluir a clientes y contrapartes cuando sea legal y comercialmente apropiado. Un compromiso de acceso técnicamente elegante puede fracasar si los clientes no pueden utilizarlo, los rivales carecen de activos complementarios o el seguimiento requiere información que no se puede verificar. El equipo debe definir métricas de éxito, fuentes de informes, rutas de disputa y las consecuencias del incumplimiento.

19. Vincular los resultados de la competencia con la financiación y las condiciones de valoración.

El riesgo de competencia afecta los flujos de efectivo, el calendario, la financiación y la opcionalidad. El modelo de valoración debe vincular cada teoría material con los ingresos, el margen, el gasto de capital, el capital de trabajo, los impuestos y el valor terminal. Debería mostrar el valor de las sinergias que dependen de la exclusividad, la ubicación predeterminada, la combinación de datos o la rápida integración.

Los modelos de financiación deben incluir retrasos en la revisión, tarifas de tictac, duración del puente, vencimiento del compromiso, cobertura, retención y costos operativos duplicados. Los prestamistas pueden requerir información sobre las condiciones regulatorias y la exposición a remedios. El equipo debe controlar la información confidencial y al mismo tiempo responder preguntas legítimas sobre suscripción.

Los términos de la transacción pueden asignar el riesgo a través de condiciones, convenios, estándares de esfuerzos, compromisos de reparación, derechos de terminación, tarifas de terminación inversa, fechas de vencimiento prolongado y obligaciones de información. El modelo económico debe informar esas disposiciones. Un comprador debe comprender la carga máxima de reparación compatible con su caso de inversión antes de negociar un compromiso amplio.

El documento de la junta debe mostrar el umbral de abandono y quién puede aprobar los cambios. Una mayor probabilidad de aprobación no compensa una desventaja ilimitada si los términos de la transacción requieren remedios que destruyen la tesis.

20. Implementar una hoja de ruta de diligencia de competencia de noventa días

Los primeros diez días deben establecer la decisión, el perímetro de la transacción, el mapa de jurisdicción, el mapa de pila AI, la taxonomía de evidencia y los controles del equipo limpio. El equipo debe identificar las teorías principales y asignar propietarios.

Los días 11 a 30 deben conciliar datos, cálculos, modelos, distribución y evidencia de asociación. Debería comenzar el trabajo técnico y de atención al cliente. El equipo de valoración debería crear sensibilidades teóricas específicas en lugar de esperar a que finalice el análisis legal.

Los días 31 a 60 deberían probar contrafactuales, cambios, interoperabilidad, incentivos de exclusión, competencia dinámica y viabilidad de remedios. El equipo debe cuestionar tanto las hipótesis adversas como las favorables. Las lagunas materiales deben llegar al comité de transacciones con decisiones definidas.

Los días 61 a 90 deben finalizar el registro de decisiones de la junta, la presentación de pruebas, los casos de financiación, las posiciones a plazo y el paquete de preparación para la reparación. El programa debería continuar después de la firma a medida que surjan nuevas cuestiones de autoridad, desarrollos del mercado y cambios en las transacciones.

El tiempo debe adaptarse al proceso de transacción real y al calendario de la autoridad.

21. Proporcione a la junta directiva un panel de decisiones compacto

El panel debe mostrar las teorías principales, la calidad de la evidencia, el valor en riesgo, el cronograma, la exposición contractual y la próxima decisión. Se debe evitar una única puntuación rojo-ámbar-verde que oculte la incertidumbre. Cada teoría debe tener dueño, conclusión actual, evidencia contraria y fecha límite.

La junta necesita opiniones separadas sobre la probabilidad regulatoria y las consecuencias económicas. Una cuestión de baja probabilidad puede justificar una acción cuya consecuencia sea una prohibición o un remedio que destruya la tesis. Un problema probable con un impacto de valor limitado puede ser manejable mediante el precio o el diseño de implementación.

El tablero debe identificar los supuestos que están a punto de expirar. El rendimiento del modelo, el comportamiento del cliente, la disponibilidad de capacidad, las hojas de ruta de los productos y las posiciones regulatorias pueden cambiar durante un proceso largo. La evidencia debe tener fechas de actualización.

La preparación también debería ser visible. La junta debe saber si la narrativa de presentación se concilia con los documentos de la transacción, si el modelo incluye casos de reparación, si el financiamiento sigue disponible y si el plan de integración preserva los límites requeridos.

22. Utilice la diligencia competitiva AI para preservar la calidad de las decisiones.

Las adquisiciones habilitadas por AI requieren una visión integrada de activos, contratos, arquitectura técnica, comportamiento del cliente e incentivos de mercado. Una pantalla convencional de participación de mercado puede pasar por alto cómo los datos, la computación, los modelos, la distribución y el control del ecosistema se refuerzan entre sí.

El marco comienza con la decisión de inversión de la junta y mapea la pila AI completa. Define teorías comprobables, construye una sala de evidencia controlada y conecta los hallazgos con la valoración, la financiación, los términos, las soluciones y la integración. Trata los derechos, las dependencias y las interfaces técnicas como hechos económicos y no como detalles de fondo.

El caso hipotético muestra cómo se puede probar una supuesta adquisición de USD 3.60 billion a través de 54 preguntas e inversiones negativas específicas. Los números no pronostican una transacción real. Demuestran cómo la junta puede identificar qué partes de USD 480 million de la supuesta sinergia dependen de formas cuestionadas de acceso o integración.

Los materiales públicos actuales muestran una atención sostenida de la autoridad a los aportes, las asociaciones, el poder de la plataforma, la interoperabilidad, las autopreferencias y la competencia dinámica de AI. Esa atención debería traducirse en una recopilación más temprana de pruebas y umbrales de decisión más claros. Los equipos deben actualizar el análisis a medida que cambian las leyes, la tecnología, la estructura del mercado y los hechos de las transacciones.

Este documento proporciona un marco de gestión. No determina el tratamiento legal o regulatorio de cualquier adquisición. Las partes deben obtener asesoramiento actual sobre competencia, empresas, protección de datos, propiedad intelectual, empleo, financiación y sectores específicos en cada jurisdicción relevante.

Fuentes

1. Departamento de Justicia de EE. UU. y Comisión Federal de Comercio, Directrices para fusiones de 2023, Directriz 9 sobre plataformas multilaterales, 18 de diciembre de 2023. Lea la fuente principal
2. Departamento de Justicia de EE. UU. y Comisión Federal de Comercio, Directrices sobre fusiones de 2023, Directriz 6 sobre cómo afianzar o ampliar una posición dominante, 18 de diciembre de 2023. Lea la fuente principal
3. Comisión Federal de Comercio de EE. UU., Informe del personal de la FTC sobre el estudio AI sobre asociaciones e inversiones 6(b), enero de 2025. Lea la fuente principal
4. Dirección General de Competencia de la Comisión Europea, Competencia en Generativos AI y Mundos Virtuales, Competition Policy Brief 3/2024, 19 de septiembre de 2024. Lea la fuente principal
5. Comisión Europea, Autoridad de Mercados y Competencia del Reino Unido, Departamento de Justicia de EE. UU. y Comisión Federal de Comercio de EE. UU., Declaración conjunta sobre competencia en modelos de base generativos AI y productos AI, 23 de julio de 2024. Lea la fuente principal
6. Autoridad de Mercados y Competencia del Reino Unido, Informe de actualización técnica y documento de actualización de modelos de la Fundación AI, abril de 2024. Lea la fuente principal
7. Autorité de la concurrence, Opinión sobre el funcionamiento competitivo del sector de la inteligencia artificial generativa, 28 de junio de 2024. Lea la fuente principal
8. Oficina de Competencia de Canadá, Inteligencia artificial y competencia, 20 de marzo de 2024. Lea la fuente principal
9. Autoridad de Mercados y Competencia del Reino Unido, Microsoft and Inflection Inquiry, Decisión en texto completo, 24 de octubre de 2024. Lea la fuente principal
10. Comisión Europea, Portal para desarrolladores de la Ley de Mercados Digitales, Portabilidad de datos del usuario final. Lea la fuente principal
11. Comisión Europea, Orientación para Google sobre la interoperabilidad AI en Android y el intercambio de datos de búsqueda de Google en virtud de la Ley de Mercados Digitales, 16 de julio de 2026. Lea la fuente principal
12. Comisión Europea, Preguntas y respuestas sobre la revisión de la Ley de Mercados Digitales, 2026. Lea la fuente principal
13. OCDE, Competencia y datos de inteligencia artificial, Documentos de inteligencia artificial de la OCDE No. 18, 24 de mayo de 2024. Lea la fuente principal
14. Comisión Europea, Interoperabilidad bajo la Ley de Mercados Digitales. Lea la fuente principal
15. Comisión Europea, Consulta y Taller de Competencia sobre Mundos Virtuales y Generativos AI. Lea la fuente principal
16. Autoridad de Mercados y Competencia del Reino Unido, CMA AI Strategic Update, 29 de abril de 2024. Lea la fuente principal
17. Departamento de Justicia de EE. UU. y Comisión Federal de Comercio, Directrices para fusiones de 2023, publicación oficial completa. Lea la fuente principal
18. Comisión Europea, Procedimientos de control de fusiones. Lea la fuente principal