De impact van kunstmatige intelligentie op de detectie van kartels

1) Inleiding: Het nieuwe gezicht van kartels op digitale markten

Een van de ernstigste overtredingen van het mededingingsrecht is de vorming van kartels. In de klassieke wereld opereerden kartels doorgaans via geheime bijeenkomsten, versleutelde communicatie, marktverdeling en samenspanning bij biedingsprocessen. De digitale transformatie heeft dit beeld fundamenteel veranderd op twee manieren: (i) Bedrijven hebben toegang gekregen tot technologieën die omstandigheden kunnen creëren die bevorderlijk zijn voor "stilzwijgende naleving" door middel van algoritmische prijsstelling , dynamische biedingen en markttoezichtbots . (ii) Mededingingsautoriteiten kunnen deze technologieën nu ook gebruiken voor detectie , screening en bewijsvergaring

De vraag van vandaag is: maken AI-gestuurde methoden het kartel onzichtbaarder, of maken ze het juist makkelijker op te sporen? In de praktijk is het antwoord een combinatie van beide. AI brengt verdachte patronen aan het licht in big data, maar dat is op zichzelf geen "doorslaggevend bewijs". Het omzetten van technische bevindingen in een overtuigende bewijsstandaard binnen het kader van Wet nr. 4054 vereist daarom een rigoureuze juridische en methodologische aanpak.

2) Conceptueel kader: Kartel, algoritmische samenwerking en toewijzing van verantwoordelijkheid

2.1. Juridisch kader van het kartel (artikel 4054, lid 4)

Artikel 4 van Wet nr. 4054 overeenkomsten, gezamenlijke acties en besluiten van samenwerkingsverbanden van ondernemingen . Prijsafspraken, markt-/klantenverdeling en prijsafspraken bij aanbestedingen zijn typische ernstige overtredingen binnen dit kader. Een algoritme is een "hulpmiddel"; de resultaten van systemen die door mensenhanden zijn ontworpen, geconfigureerd en bediend, zijn juridisch toerekenbaar aan de onderneming. Het verweer "kunstmatige intelligentie heeft het gedaan" ontslaat de onderneming niet van haar verantwoordelijkheid.

2.2. Algoritmische samenspanning

Algoritmische samenwerking vindt plaats wanneer concurrenten gecoördineerd gedrag vertonen met behulp van dezelfde of vergelijkbare software/regels , of stabiel parallel gedrag produceren via bots die direct reageren op prijssignalen in de markt . In de praktijk zijn drie soorten risicodifferentiatie zichtbaar:

Gedeelde software/leverancier (hub & spoke): Convergentie van resultaten met parameters die worden aangestuurd door dezelfde prijssoftware of consultant.
Monitoring-responscyclus: Automatische synchronisatie van bots die de prijzen van concurrenten volgen of de marktleider in de gaten houden.
Gedeelde data-/regelsets: Gedragsmatige convergentie van op regels gebaseerde sjablonen of vergelijkbare op hyperparameters gebaseerde leermodellen die steeds vaker op de markt verkrijgbaar zijn.

2.3. De grenslijn: stilzwijgende paralleliteit of verboden coördinatie?

puur parallel gedrag geen schending. Echter, wanneer parallel gedrag informatie-uitwisseling, overeengekomen regels of coördinatie via een indirecte tussenpersoon, ontwikkelt dit zich tot een ernstige schending in de zin van artikel 4. In het AI-tijdperk wordt het onderscheid als volgt gemaakt:

de modeluitvoer gedragsconvergentie : Er is een technisch fenomeen vastgesteld.
deze convergentie communicatie/regels/een gemeenschappelijk aanbiederseffect , dan worden de gronden voor juridische overtreding versterkt.

3) Technische architectuur voor het opsporen van kartels met behulp van kunstmatige intelligentie

3.1. Gegevenspooling en voorbewerking

Een zinvolle AI-pipeline voor het opsporen van kartels vereist rijke en wettelijk conforme data:

Tijdreeksen: detail- en groothandelsprijzen, kortingscycli, campagnes, houdbaarheidseffecten.
Veilinggegevens: biedbedragen, timing, winstpercentages, gezamenlijke biednetwerken.
Marktgedrag: voorraad-/aanbodstromen, promotionele afstemming, indicatoren voor vraagelasticiteit.
Metadata: Uitsplitsing per winkel/regio, productfamilie, SKU-relaties.

De datakwaliteit wordt gewaarborgd door stappen zoals het opschonen van gegevens , het aanvullen van ontbrekende waarden , het normaliseren van afwijkingen , het toevoegen van tijdstempels en het standaardiseren van valuta . Anonimisering en toegangsrechten worden vanaf het begin opnieuw ontworpen om te voldoen aan de AVG-regelgeving en om bedrijfsgeheimen te beschermen.

3.2. Screeninglagen (meerkanaalsbenadering)

Anomaliedetectie: Patronen die wijzen op afwijkingen van verwachte concurrentiepatronen (intense gelijktijdige stijgingen, "starre" marges, systematische synchronisatie van kortingen, enz.).
Clustering en netwerkanalyse : Modulaire clusters in grafnetwerken gebaseerd op biedingen tussen bedrijven , vergelijkbare prijs-/kortingspatronen en leverancierspartnerschappen .
Begeleide classificatie: Leren van bekende gevallen en risicoscores .
Oorzaak-gevolganalyseogenschijnlijk onschuldige verklaringen zoals kosten, wisselkoersen, seizoensinvloeden en aanbodschokken uitsluiten.

3.3. Drempelwaarden, beheer van vals-positieve resultaten en de ‘menselijke cirkel’

Een lage drempelwaarde een vroege waarschuwing , maar valse positieven ; een hoge drempelwaarde het risico dat de waarschuwing gemist wordt . Oplossing:

Stapsgewijze screening (breed → smal),
Een compromis tussen de twee modellen (bijv. anomalie + netwerkdichtheid),
Beoordeling door een expert/auditor (menselijke kring) en
Een reproduceerbaar besluitvormingsproces met controleerbare logboeken

3.4. De brug naar bewijstransformatie

De door AI geïdentificeerde patronen worden omgezet in een bewijsmateriaal door middel van inspectie ter plaatse , het opsporen van documenten en e-mails , vraag- en antwoordsessies , getuigenissen en econometrische bevestiging . Op deze manier wordt technische twijfel verheven tot het niveau van overtuigend bewijs in de zin van artikel 4 .

4) Procedure, bewijsmateriaal en onderbouwing: Juridische evaluatie van AI-uitkomsten

4.1. De drie pijlers van het bewijsrecht

Rechtmatige verwerving: inspectie ter plaatse, inclusief digitale kopieën, hashwaarden en opslagketen; naleving van de AVG en bescherming van bedrijfsgeheimen.
Expertbeoordeling: Modelarchitectuur, trainingsgegevens, foutpercentages, alternatieve verklaringen.
Verklaarbaarheid: Traceerbaarheid van besluitvormingsprocessen; interpreteerbare criteria of samenvattende verklaringen (weging van kenmerken, interpretatietechnieken zoals SHAP/LIME — als een narratief van resultaten, met technische details die relevant zijn voor het dossier).

4.2. Bewijsstandaard en tegenbewijs

Een technisch signaal kan voldoende zijn om de drempel voor een klacht/vooronderzoek te bepalen
Voor een administratieve boete en een definitieve beslissing zijn meerdere bewijsstukken nodig . Wanneer de verdediging ogenschijnlijk onschuldige verklaringen aanvoert, zoals een vraagshock, kostenstijgingen, de impact van regelgeving, seizoensgebonden campagnes of voorraadomloopsnelheid , moeten de bevindingen van het model opnieuw worden getoetst .

4.3. Bedrijfsgeheimen en gegevensbescherming

Bij het delen van gegevens zijn de segmentatie van bedrijfsgeheimen , datarooms , anonimisering en toegangslogboeken belangrijk. In geval van een geschil kan de openbaarmaking van inzichten in codemodellen worden beperkt op basis van de beginselen van proportionaliteit en noodzakelijkheid ; de controleerbaarheid blijft echter gewaarborgd

5) Turks juridisch perspectief: Institutionele processen en instrumenten

5.1. Processtroom (Samenvatting)

Klacht/melding of scansignaal
Vooronderzoek: Marktonderzoek, benchmarking, basisgegevensaanvragen.
Onderzoek: Inspectie ter plaatse, digitale data-analyse, beoordeling van het logboekbeleid, opvragen van informatie bij derden.
Beoordeling: Technisch rapport + economische analyse + bewijsmateriaal voor communicatie.
Oplossingsmechanismen: Compromis, toezegging of definitieve beslissing.
Rechterlijke toetsing: Nietigverklaring van een huwelijk (procedure, bewijs, proportionaliteit)

5.2. Spijt en verzoening/toezegging

Berouw speelt een cruciale rol bij het verkrijgen van bewijsmateriaal binnen kartels. De door AI gevonden "sporen" leiden tot intern onderzoek en actieve samenwerking . Mechanismen voor verzoening en toezeggingen zijn waardevol, met name om de naleving van afspraken over gedragscorrectie en algoritmebeheer te waarborgen .

6) Praktische compliance-architectuur voor bedrijven: “Algoritmebeheer”

Het wordt aanbevolen dat bedrijven die algoritmes gebruiken de volgende structuur hanteren om te voldoen aan de mededingingswetgeving :

6.1. Beleid en organisatie

Beleid voor algoritmebeheer: één raamwerk dat concurrentie, AVG, consumentenbescherming en bedrijfsgeheimen combineert.
Toezichtscommissie: Juridische zaken, datawetenschap, interne audit, productteams.
Verantwoordelijkheidsverdeling: Producteigenaar + juridisch aanspreekpunt + functionaris voor gegevensbescherming.

6.2. Inventarisatie en classificatie

Modelinventaris: Doelstelling, gegevensbronnen, doelmarkt, type beslissing, menselijke interactieniveaus.
Risicocategorieën: "Laag/Middel/Hoog" (bijv. prijsbepalende modellen classificeren automatisch als "hoog risico").
Levenscyclusregistraties: ontwikkeling, testen, inbedrijfstelling, updates, uitfasering.

6.3. Controlepunten van het datamodel

Gegevenshygiëne: filters die gegevens van concurrenten uitsluiten; een "bewakingsdrempel" voor openbaar beschikbare prijzen; een zwarte lijst met gevoelige variabelen.
Modelbeperkingen : Regels die "directe reactie op het gedrag van concurrenten" beperken; het verwijderen van de drempel die het volgen van de leider activeert
Gedragssimulaties : Anticollisie-stresstests (het verminderen van de reactiesnelheid op de beweging van de tegenstander, het verminderen van de persistentie van de gelijkschakeling) in plaats van A/B-testen
Logboekregistratie: Invoer/uitvoer, regelversies, overschrijvingslogboeken, waarschuwings-/bevestigingsstroom.

6.4. Leveranciers- en contractvoorwaarden

Met de softwareleverancier :
- "Stel de instellingen voor 'Synchronisatie-/coördinatiefacilitator' standaard uit."
- Toegang tot parameter- en updatelogboeken,
- Onafhankelijke audit en forensisch auteursrechtonderzoek,
- Garanties en vrijwaringsverplichtingen met betrekking tot de naleving van de mededingingswetgeving.

6.5. Mensenring en arrestatiemechanisme

Goedkeuringsdrempels : Grote prijsstijgingen of prijsgelijkstelling ten opzichte van concurrenten worden niet doorgevoerd zonder menselijke goedkeuring
Noodstop: In geval van een vermoedelijke coördinatiefout keert het model automatisch naar de veilige modus (statische instellingen).
Training : Competitie-/algoritmemodules voor product- en datateams ; casussimulaties

7) Richtlijnen voor het gebruik van AI vanuit het perspectief van de overheid

7.1. Methodologische waarborging

Meervoudige modelbenadering: een combinatie van netwerkdichtheid + anomalie + statistische toetsing.
Causale filters: Een laag die automatisch onschadelijke verklaringen zoals kosten, belastingen, wetswijzigingen en valutaschokken uitsluit.
Drempelkalibratie: Verschillende gevoeligheden afhankelijk van de markt en het product.
Herhaalbaarheid: De eis dat dezelfde uitvoer wordt verkregen met dezelfde invoer; onafhankelijke validatieprotocollen.

7.2. Procedurele transparantie

de signaalbrief(geanonimiseerd),
Voldoende uitleg voor het recht op verdediging
in de besluittekst moet op een eenvoudige en controleerbare manier worden geschreven.

8) Toepassingsscenario's specifiek voor aanbestedingen en de detailhandel

8.1. Overheidsaanbestedingen

Patroon 1: Wisselende winst — bedrijven dienen om de beurt de laagste biedingen in, waardoor de marges zich stabiliseren boven de "natuurlijke" grenzen.
Patroon 2: Complementaire biedingen — sommige bedrijven doen mee aan de aanbesteding, maar laten hun aanwezigheid voelen met hoge biedingen die niet concurreren.
AI-aanpak: Netwerkgrafiek die de dichtheid van gezamenlijke aanvragen, de verdeling van biedingsverschillen en de margedrempels per projecttype weergeeft.

8.2. Detailhandel/online markten

Patroon 1: Volgen van de leider — automatisch synchroniseren met de veranderingen van de belangrijkste speler in een fractie van een seconde.
Patroon 2: Vaste marge — de marge blijft synchroon en stabiel ondanks kostenfluctuaties.
AI-aanpak: Paneldata met vraag-kostenontleding; prijssynchronisatie met de promotiekalender.

9) Van bewijsmateriaal tot vonnis: Zaakstructuur en verdedigingsstrategieën

9.1. Administratieve aspecten

Bewijsmateriaal: Modelresultaten + e-mail/bericht + aantekeningen van inspectie ter plaatse + verklaringen van derden + econometrische bevestiging.
Evenredigheid : Wees voorzichtig bij het afwegen van de hoogte van de boete en de duur van de overtreding als er een risico is op valse positieven in het model
Compromis/verbintenis: Snelle marktcorrectie door middel van toezeggingen op het gebied van algoritmebeheer.

9.2. Verdediging tegen poging

Eenvoudige verklaringen: wisselkoerseffect, seizoensgebonden promotie, datafout.
Procedurele bezwaren: Onregelmatigheden bij het verkrijgen van het rapport, schending van de geheimhoudingsplicht, onvermogen om het rapport openbaar te maken.
Correctieplan: Parameterwijziging, toezichtlaag, audit door een derde partij.

10) Het evenwicht tussen de Wet bescherming persoonsgegevens (KVKK) en bedrijfsgeheimen

Bij AI-projecten moet de behoefte aan persoonsgegevens tot een minimum worden beperkt; waar mogelijk moeten anonieme/pseudonieme gegevens worden gebruikt . Doelbinding , dataminimalisatie , bewaartermijn , toegangsautorisatie en beleid voor gegevensvernietiging moeten duidelijk worden gedefinieerd. Datarooms voor bedrijfsgeheimen , geanonimiseerde rapportage , toegangslogboeken en contractuele geheimhoudingsverplichtingen moeten worden geïmplementeerd.

#kartel, Wet nr. 4054, juridische dienstverlening, blog, advocaat in Istanbul, artikel, mededingingsrecht, mededingingsautoriteit, Turks recht, kunstmatige intelligentie

Enkele blogtitel