Por Canuto  

Los algoritmos de precios pueden aprender a sostener tarifas elevadas sin intercambiar mensajes ni recibir una orden explícita, un fenómeno que desafía la supervisión empresarial y las reglas antimonopolio.
***

  • Un estudio sobre gasolineras alemanas citado en el análisis detectó márgenes aproximadamente 38% más altos cuando dos competidores adoptaron el mismo software de precios.
  • La coordinación algorítmica puede surgir sin reuniones, intercambio de datos ni un diseño humano deliberado, según investigaciones académicas citadas en el análisis.
  • Los consejos directivos deberán auditar qué señales observan los sistemas, qué objetivos persiguen y cómo reaccionan ante los precios de sus rivales.

 

El riesgo de un cartel sin conversación

La automatización de precios suele venderse como una herramienta para reaccionar con rapidez a la demanda, los costos y los movimientos del mercado. Sin embargo, cuando varios sistemas observan las mismas señales y ajustan sus tarifas de manera autónoma, pueden llegar a un resultado parecido al de un cartel: precios más altos y estables, aunque ningún ejecutivo haya convocado una reunión ni enviado un mensaje a la competencia.

El caso de Amazon ilustra la versión deliberada del problema. En su demanda antimonopolio contra la compañía, la Comisión Federal de Comercio de Estados Unidos describió una herramienta interna llamada Project Nessie, que supuestamente identificaba productos cuyos rivales probablemente seguirían un aumento de precio, elevaba la tarifa y la mantenía después de que otros vendedores la igualaran.

La FTC alegó que Project Nessie generó más de USD $1.000 millones en beneficios excedentes y que Amazon lo pausó durante períodos de mayor escrutinio para después reactivarlo. Amazon negó esas acusaciones y sostuvo que la herramienta fue descontinuada hace años, por lo que se trata de alegatos disputados y no de hechos judicialmente establecidos.

El escenario más difícil de detectar aparece cuando nadie diseña una estrategia de coordinación. Dos algoritmos, cada uno enfocado exclusivamente en maximizar el beneficio de su empresa, pueden aprender mediante interacciones repetidas que dejar de rebajar precios resulta más rentable que competir agresivamente, creando una tregua silenciosa sin un acuerdo humano visible.

Tres caminos hacia la coordinación

El primer patrón es el que los investigadores describen como el fantasma: sistemas desplegados de manera independiente aprenden a no subcotizarse, sin intercambiar información privada y sin recibir instrucciones para alcanzar ese resultado. La conducta puede parecer una coincidencia desde el punto de vista de los ejecutivos, pero sus efectos económicos se asemejan a los de una coordinación explícita.

El segundo patrón es el espejo, en el que una empresa utiliza software para anticipar la reacción de sus rivales y actuar antes de que ellos respondan. Project Nessie pertenece a esta categoría según la descripción de la FTC, porque el sistema no necesitaba un pacto con otras compañías para elevar un precio cuando calculaba que los competidores lo seguirían.

El tercer patrón es el concentrador o hub, donde varias empresas entregan datos a un proveedor común y reciben recomendaciones generadas por un mismo sistema. El caso de RealPage encaja en esta estructura y resulta más sencillo de impugnar para los reguladores, porque existe un proveedor identificable, datos compartidos y una conexión más clara entre la información de competidores y las decisiones de precios.

La diferencia entre esos modelos es crucial para la supervisión. Cuando existe un proveedor común que combina datos no públicos, las autoridades pueden señalar una infraestructura concreta; cuando sistemas separados usan únicamente precios observables y aprenden por sí solos, desaparecen muchas de las pruebas tradicionales de comunicación o entendimiento entre competidores.

La evidencia académica y el caso de la gasolina

Una investigación sobre el mercado de gasolineras alemán encontró que los márgenes aumentaron alrededor de 38% en los mercados donde dos estaciones competidoras adoptaron software automatizado de precios. El efecto no apareció cuando solo una estación de un mercado utilizó la herramienta, lo que sugiere que la interacción entre dos sistemas fue un elemento determinante del resultado observado.

Según el análisis citado por Fortune, las estaciones no necesitaron reunirse, enviarse mensajes ni alcanzar un acuerdo formal. Cada algoritmo pudo aprender que una rebaja provocaba respuestas similares y que, a largo plazo, era más rentable mantener precios elevados, una conclusión compatible con la coordinación autónoma aunque no demuestre por sí sola una infracción legal.

El estudio fue presentado en el análisis como publicado en el Journal of Political Economy en 2024 y figura entre las primeras mediciones en un entorno real de un fenómeno que antes se había examinado principalmente mediante simulaciones. Sus resultados trasladan el debate desde la posibilidad teórica de los algoritmos colusorios hacia una pregunta más concreta: con qué frecuencia pueden producir efectos similares en mercados cotidianos.

La literatura no ofrece una conclusión unánime. Un artículo presentado en el análisis como publicado en la American Economic Review en 2020 mostró que cuatro economistas hicieron competir algoritmos de aprendizaje por refuerzo en un modelo de precios repetidos y que, aunque no podían comunicarse y solo debían maximizar beneficios, aprendieron de forma consistente a cobrar por encima del nivel competitivo.

Por qué la ley enfrenta dificultades

En esos experimentos, cuando un algoritmo reducía el precio para ganar participación, los demás respondían con recortes y luego regresaban al nivel superior cuando el competidor abandonaba la desviación. El patrón persistió incluso cuando las empresas tenían costos o niveles de demanda diferentes y cuando variaba el número de rivales, lo que mostró que la coordinación no dependía de un mercado perfectamente simétrico.

Los cuatro autores, junto con el economista de Wharton Joseph Harrington, expusieron más tarde ese desafío en Science. Advirtieron que delegar los precios en algoritmos puede abrir una puerta trasera a la colusión, porque una inteligencia artificial podría aprender reglas de coordinación sin supervisión ni conocimiento de los seres humanos que aprobaron su implementación.

La aplicación tradicional de las leyes antimonopolio busca evidencia de una reunión, una comunicación o un entendimiento entre competidores. Si una máquina descubre por sí sola que la cooperación tácita genera más ganancias, puede producirse el resultado económico de un cartel sin que aparezca la clase de conducta que las normas fueron diseñadas para identificar.

Harrington ha planteado que la política de competencia debe reconsiderarse frente a la coordinación que surge sin acuerdo. La incertidumbre sobre cómo trasladar los resultados experimentales a todos los mercados reales no elimina el riesgo para las empresas, porque la exposición puede aparecer antes de que exista una doctrina regulatoria definitiva.

RealPage marca una frontera legal

En 2024, el Departamento de Justicia de Estados Unidos y varios estados demandaron a RealPage, cuyo software recomendaba alquileres utilizando datos de propiedades competidoras, junto con arrendadores que empleaban la herramienta. Posteriormente, el DOJ presentó un acuerdo propuesto para resolver sus reclamaciones contra RealPage. El borrador describió ese acuerdo como presentado en noviembre de 2025; su aprobación judicial no aparece confirmada en la información disponible.

Los términos del acuerdo restringen principalmente los datos que el software puede utilizar. Entre otras condiciones, prohíben datos recientes de competidores y la información geográfica local de grano fino que habría permitido coordinar precios a escala de vecindario, además de contemplar un monitor designado por el tribunal.

El acuerdo todavía requiere aprobación judicial y el litigio más amplio continúa. La controversia muestra por qué RealPage representa el caso más sencillo para los reguladores: un proveedor común concentra información no pública de empresas rivales y produce una recomendación que varias compañías pueden seguir.

Dos fallos recientes de cortes de apelaciones, ambos relacionados con software del mismo proveedor, ayudaron a delinear el límite. El Noveno Circuito desestimó un caso contra hoteles de Las Vegas porque la herramienta no agrupaba sus datos confidenciales, mientras que el Tercer Circuito revivió un caso similar contra casinos de Atlantic City, donde los competidores sí introdujeron datos no públicos y siguieron el resultado del sistema aproximadamente nueve de cada diez veces.

La respuesta de ciudades y estados

Las autoridades locales y estatales comenzaron a actuar incluso mientras estas disputas avanzaban. San Francisco prohibió herramientas algorítmicas para fijar alquileres en el verano de 2024, y Filadelfia, Minneapolis y Seattle adoptaron medidas similares, según el análisis de Fortune.

Nueva York aprobó una prohibición estatal de herramientas algorítmicas para fijar alquileres en octubre de 2025. El análisis también señaló cambios legislativos en California durante ese periodo, aunque el alcance exacto de esas medidas puede diferir del de la norma neoyorquina. Días después del acuerdo propuesto con el DOJ, RealPage demandó a Nueva York y presentó sus recomendaciones de precios como una forma de expresión protegida por la Primera Enmienda.

El resultado de esas disputas puede tardar años, pero la exposición empresarial ya existe aunque la clasificación jurídica no esté resuelta. Una compañía que desplegó el sistema enfrenta riesgos regulatorios y reputacionales si sus precios convergen con los de sus rivales de una manera que no puede explicar ante las autoridades o sus clientes.

La responsabilidad tampoco desaparece al contratar a un proveedor tecnológico. Si una empresa define el objetivo, autoriza los datos disponibles y permite que un agente actúe transacción tras transacción sin revisión, la decisión corporativa se encuentra en esas reglas y límites, incluso cuando ningún empleado haya escogido cada precio individual.

Qué deberían revisar las empresas

Apagar todos los sistemas no es una solución realista ni necesariamente necesaria. El primer paso consiste en identificar qué señales pueden observar, porque un agente que reacciona en tiempo real al precio de un rival tiene un insumo directamente relacionado con la coordinación, mientras que otro basado en costos, demanda e inventario presenta un riesgo menor, aunque no completamente nulo.

Muchas empresas todavía no han trazado qué sistemas pueden ver los precios de sus competidores ni cómo esa información llega al modelo a través de la demanda. Esa falta de visibilidad dificulta que un consejo directivo responda una pregunta básica: qué aprendió el sistema sobre los rivales y qué conducta adoptó para convertir ese aprendizaje en una decisión comercial.

Los líderes también pueden introducir restricciones que hagan más difícil sostener una coordinación. Algunas investigaciones sugieren que el fenómeno resulta más frágil cuando los sistemas competidores son distintos entre sí o cuando enfrentan a un número mayor de rivales, pero esas condiciones deben tratarse como medidas de reducción de riesgo y no como garantías de competencia.

La auditoría debe concentrarse en el comportamiento, no solo en los resultados financieros. Un comité debería solicitar una explicación clara de qué optimizó el sistema, qué señales utilizó, cuándo modificó su estrategia ante un competidor y qué cambios materiales se hicieron a su política de precios, con una rigurosidad comparable a la aplicada a los controles financieros.

Pruebas contrafácticas y rendición de cuentas

Una herramienta adicional consiste en realizar pruebas contrafácticas de competencia. La gerencia puede reproducir periódicamente las condiciones del mercado con señales de rivales retrasadas, tiempos de respuesta aleatorizados o sin entradas de precios de competidores, para observar si el desempeño depende de seguir de cerca a otras empresas.

Si los márgenes se mantienen bajo esas configuraciones alteradas, las ganancias podrían reflejar una ventaja propia de la compañía. Si colapsan únicamente cuando el agente ya no puede observar o imitar a sus rivales, el consejo directivo tendría una señal concreta para investigar antes de que la conducta genere un problema regulatorio o reputacional.

Estas pruebas pueden ser técnicamente exigentes, pero ayudan a distinguir la creación legítima de valor de una competencia que se ha desvanecido. Revisar solamente la conversión, el margen o los ingresos no basta, porque un mercado coordinado y uno competitivo pueden producir cifras financieras igualmente atractivas durante un periodo prolongado.

Por último, cada sistema debería operar bajo un mandato auditable. La empresa debe documentar qué se le ordenó perseguir, qué se le prohibió hacer, qué datos puede utilizar y cómo se modificó su política de precios, porque cuando las tarifas surgen de reglas automatizadas esas reglas constituyen, en la práctica, la decisión corporativa.

El cambio tecnológico no elimina la necesidad de responsabilidad humana, sino que la desplaza hacia el diseño del objetivo y los límites operativos. Un mercado tranquilo, con precios estables y márgenes cómodos, puede ser una señal de éxito comercial, pero también puede revelar que dos algoritmos aprendieron que competir dejó de ser rentable.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados