El precio que sabe de ti

Dynamic vs Personalized Pricing: un análisis sobre el momento en que la IA cruza la línea ética.

Claves de la nota

• La Unión Europea exige que el consumidor sea informado si un precio está personalizado mediante decisiones automatizadas.
• En febrero de 2026, la presidenta mexicana Claudia Sheinbaum pidió a Profeco regular tarifas dinámicas de Uber y Didi.
• Un estudio con más de 3.000 participantes propone un moral harm model sobre la justicia en los precios.

El impacto de los precios personalizados en el consumidor

Imagínate una mamá, cinco minutos antes de que cierre la tienda, su bebé necesita leche. No le quedan muchas opciones: tiene que comprar ese producto específico, a esa hora, en ese lugar. El sistema de cámaras de la tienda la reconoce y el algoritmo de precios personalizados sabe mucho de ella. En tiempo real analiza su historial de compras, sabe que compra siempre esa marca, conoce la zona en la que vive e infiere que su elasticidad de precio para ese bien es prácticamente cero. En ese momento el precio sube, y no porque la demanda agregada haya aumentado, ni porque la oferta sea escasa, sino que sube porque el sistema ha inferido algo sobre ella: probablemente pagará lo necesario porque tiene pocas alternativas. El algoritmo no está respondiendo al mercado, está respondiendo a una persona.

Ahora imagínate a un hombre con barba de varios días en el mismo supermercado. Descubre que el precio de su espuma de afeitar favorita ha cambiado desde la última vez que la compró. ¿Por qué? Porque los algoritmos de la tienda infieren que podría necesitar el producto y estiman su capacidad económica basándose, entre otras cosas, en el ticket medio de sus últimas compras. Dos historias diferentes de un mismo problema.

Diferencias entre el mercado y el algoritmo

UNA DISTINCIÓN IMPORTANTE Dynamic pricing responde al mercado: demanda, disponibilidad, tiempo, capacidad residual, competencia. El precio de un vuelo sube porque muchas personas compran pasajes al mismo tiempo. Es, fundamentalmente, impersonal. Personalized pricing responde a ti: a lo que el sistema infiere sobre tu disponibilidad a pagar, tu urgencia, tu renta presunta, tu historial de navegación o tu perfil comportamental. El precio cambia porque el algoritmo aprendió algo sobre ti.

La Unión Europea, a través de su marco de protección del consumidor y de datos, distingue explícitamente entre ambos conceptos: si un precio está personalizado mediante decisiones automatizadas, el consumidor debe ser informado. Pero simplemente decir “su precio fue personalizado” sirve de poco si el consumidor no entiende cómo ni por qué fue determinado. Transparencia formal sin comprensión difícilmente equivale a consentimiento informado. En América Latina, esta distinción todavía está menos desarrollada, aunque el debate ya está apareciendo.

En febrero de 2026, la presidenta mexicana Claudia Sheinbaum pidió públicamente a Profeco que revisara una posible regulación de las tarifas dinámicas de Uber y Didi. Un mes después, Uber respondió lanzando una opción de tarifa fija, protegida por una hora al día durante treinta días, mientras mantenía su sistema de tarifa dinámica para el resto de los viajes, incluido durante el Mundial de fútbol de 2026. El caso anticipa una conversación que probablemente veremos crecer en la región: cómo equilibrar innovación, libertad empresarial y protección del consumidor. La experiencia europea, sin ofrecer la única respuesta, funciona como laboratorio regulatorio del que LATAM puede extraer aprendizajes. La cuestión central es distinguir entre ajustar un precio por las condiciones del mercado y hacerlo por lo que un sistema cree saber sobre la persona al otro lado de la pantalla.

Estados Unidos enfrenta preguntas similares. La FTC abrió un proceso formal sobre “surveillance pricing”; Maryland y Nueva Jersey ya limitan ciertas prácticas de personalized pricing en supermercados; solo en 2026, legisladores estatales han presentado decenas de proyectos sobre pricing algorítmico. No existe un modelo universalmente resuelto, sino un debate global que apenas comienza.

Las variables de la ética comercial

LA ÉTICA DEPENDE DE CINCO VARIABLES No todos los cambios de precio son iguales. La literatura académica y el trabajo de diferentes agencias regulatorias permiten identificar al menos cinco dimensiones que ayudan a determinar cuándo un precio personalizado resulta éticamente más difícil de defender.

• Primera: la naturaleza del bien. Un boleto de business class de última hora es discrecional. La leche para un bebé no. Un estudio publicado en el Journal of Consumer Research, basado en ocho experimentos controlados con más de 3.000 participantes, propone un “moral harm model” de la justicia en precios: la percepción de injusticia aumenta cuando el precio puede producir un daño real y cuando el consumidor es vulnerable. Para bienes esenciales como medicamentos, agua, energía o alimentos básicos, monetizar la urgencia puede acercarse peligrosamente a explotar vulnerabilidad en lugar de optimizar el mercado.
• Segunda: por qué cambia el precio. Un consumidor acepta más fácilmente “el precio subió porque aumentó la demanda” que “el precio subió porque sabemos que probablemente pagarías más”. Una investigación del International Journal of Market Research encontró que el personalized pricing reduce la percepción de fairness incluso entre consumidores que económicamente se benefician de él, porque entra en conflicto con una norma social implícita de trato igualitario.
• Tercera: transparencia. Un aviso diciendo que “el precio fue personalizado” no equivale necesariamente a comprender cómo fue calculado. La OECD encontró experimentalmente que simples disclosures tienen efectos limitados en la comprensión del consumidor. La pregunta para un directivo se vuelve incómoda: “¿Es un precio realmente justo si el cliente técnicamente consintió, pero no entiende cómo fue generado?”
• Cuarta: qué datos se utilizan. Territorio del “surveillance pricing”: datos personales, localización, comportamiento online o inferencias biométricas para estimar la disponibilidad a pagar. La FTC señala algo importante: muchos consumidores parten de la expectativa de que dos clientes en el mismo lugar y momento verán el mismo precio. Utilizar reconocimiento facial para monetizar una necesidad transitoria inferida abre una categoría particularmente delicada: “inferred vulnerability pricing”.
• Quinta: la posibilidad de evitar el precio. Un aumento de tarifa en una plataforma digital puede ser evitado si existe competencia real, pero cuando el sistema utiliza vigilancia en entornos físicos sin alternativa viable, la coerción algorítmica reemplaza al libre mercado.

Añadir como fuente preferida en Google