Tu algoritmo de precios son dos demandas, no una — y casi todas las empresas solo se defienden de una

El primer motor de precios que auditó mi equipo pasó sin problemas.

Habíamos construido un escáner de equidad — lo obvio. Apúntalo a un algoritmo de precios, comprueba si el modelo usa raza, género, edad o cualquier categoría protegida como entrada, y márcalo si lo hace. Lo ejecutamos contra la plataforma de personalización de un minorista de mercado medio y salió en verde. Sin campos protegidos. Nada que ver.

Casi envío el informe. Luego saqué el gráfico de importancia de características del modelo — la lista clasificada de qué entradas realmente movían el precio — y la tercera señal más fuerte era device_type. Debajo de ella: el código postal. Debajo de eso, la hora del día en que comenzó la sesión.

El algoritmo nunca había visto la raza ni los ingresos. No lo necesitaba. Un usuario que navegaba en un teléfono Android antiguo, desde un código postal de bajos ingresos, a las 11 de la noche, obtenía precios sistemáticamente diferentes que un usuario de iPhone en un suburbio adinerado a las 2 de la tarde.Y los datos del censo te dirán exactamente con qué se correlacionan esos grupos de entradas. Nuestro escáner decía «cumple». Una regresión de impacto dispar habría dicho «indefendible». Habíamos construido una herramienta que buscaba el delito que ya nadie comete.

Ese fue el momento en que comprendí qué es realmente el cumplimiento de precios con IA, y por qué casi todo el mundo se equivoca.

En 2025 la FTC recaudó 2.560 millones de dólares de dos empresas, y no las demandaron por lo mismo

Aquí está la cifra que debería estar en una pizarra en la oficina de cada director jurídico de comercio electrónico. En un solo año, la Comisión Federal de Comercio resolvió casos de precios algorítmicos con Instacart por 60 millones de dólares y con Amazon por 2.500 millones. Empresas distintas, conductas distintas, teorías jurídicas distintas — y esa distinción es todo el juego.

El caso de Instacart trataba de discriminación. Su herramienta de precios Eversight ejecutaba experimentos que producían hasta cinco precios diferentes para el mismo artículo en la misma tienda, con una variación que alcanzaba el 23%. Tres cuartas partes del catálogo estaban sujetas a variación algorítmica de precios. El acuerdo de la FTC no dependía de que nadie demostrara que Instacart pretendía cobrar más a los compradores más pobres. Dependía del resultado: ciertos perfiles de consumidor pagaban sistemáticamente más, por un valor estimado de 1.200 dólares al año por hogar.

El caso de Amazon trataba de colusión. Project Nessie extrajo unos 1.400 millones de dólares estimados en beneficios excedentes al predecir cuándo los competidores seguirían un aumento de precio, y luego subir los precios en más de 8 millones de artículos. No hubo reunión, ni acuerdo, ni llamada telefónica entre ejecutivos. Solo un algoritmo que había aprendido que la mayoría de los competidores aplicaban reglas de precios de ojo por ojo, y lo explotó. El juicio antimonopolio, FTC contra Amazon, está fijado para octubre de 2026 y pondrá a prueba si la colusión tácita mediante algoritmo viola la Sección 5 de la Ley de la FTC.

Un motor de precios. Dos vías de aplicación. La mayoría de las empresas construye una defensa para una y nunca ve venir la otra.

Esta es la trampa. Un equipo de precios oye «cumplimiento» y recurre a un banner de divulgación — la respuesta de protección al consumidor. O oye «antimonopolio» y llama a un bufete para pedir un memorando. Casi nadie mira el único algoritmo que está en producción y se hace ambas preguntas a la vez: ¿es este resultado discriminatorio, y está coludiendo?

Lee lo que construimos para ambas vías →

Por qué el instinto del banner de divulgación es una trampa

Durante aproximadamente una semana, al principio, estaba convencido de que todo este problema era un ejercicio de interfaz de usuario.

Nueva York acababa de aprobar su Ley de Divulgación de Precios Algorítmicos, en vigor en noviembre de 2025 — «divulgación clara y visible» cada vez que los precios usen datos personales del consumidor, 1.000 dólares por infracción. Se leía como un problema de banner de cookies. Pon un aviso en la página, registra el consentimiento, listo. Tenía un borrador del texto de divulgación revisado y listo.

Luego leí las enmiendas a la Ley Cartwright de California, y la idea del banner se vino abajo.

Las leyes AB 325 y SB 763 de California, en vigor en enero de 2026, no se preocupan por tu divulgación. Convierten en responsabilidad legal el uso de un «algoritmo común» — definido como uno usado por dos o más partes para influir en los precios usando información de la competencia. Rebajaron el estándar de alegación de modo que un demandante ya no tiene que descartar la actuación independiente solo para sobrevivir a una moción de sobreseimiento. Y elevaron la multa corporativa a lo mayor entre 6 millones de dólares o el doble de la ganancia, con daños triplicados y honorarios de abogados en demandas privadas. Ningún banner del mundo te libra de eso mediante divulgación.La exposición no está en lo que le dices al consumidor; está en lo que tu algoritmo comparte, directamente o a través de un proveedor, con el resto del mercado.

Ese fue el verdadero punto de inflexión para nosotros. La divulgación es el piso de la vía de protección al consumidor. La vía de colusión corre por debajo de ella con una física completamente distinta, y la parte más peligrosa es que puedes activarla a través de un proveedor que nunca has considerado un riesgo.

El problema del proveedor: tu software de precios podría ser tu responsabilidad

Si licencias una herramienta de precios de terceros — Pricefx, PROS, Zilliant, Competera — has externalizado tu optimización. No has externalizado tu responsabilidad. Puede que la hayas importado.

El Noveno Circuito trazó la línea en Gibson contra Cendyn en agosto de 2025, el primer fallo de apelación federal sobre precios algorítmicos y antimonopolio. La buena noticia: suscribirte de forma independiente al mismo algoritmo de precios que tu competidor no es, por sí solo, ilegal. La mala noticia son las tres condiciones que hacen saltar el puerto seguro. Pierdes la protección cuando la herramienta agrupa datos no públicos competitivamente sensibles entre clientes, cuando el proveedor promociona su capacidad de «subir los precios en toda la industria», o cuando facilita el intercambio de datos no anonimizados de la competencia. El mismo proveedor está bien. El mismo proveedor agrupando las cifras en vivo de tus rivales en el modelo que fija el precio de tu catálogo es exposición a una conspiración de eje y radios, aunque nunca hayas hablado con un competidor.

Así que una de las primeras preguntas que ahora hago a cualquier cliente no es «qué hace tu modelo de precios» sino «¿has leído el anexo de tratamiento de datos de tu proveedor?». Porque la cláusula que permite silenciosamente la agrupación de datos entre clientes es donde vive el riesgo antimonopolio, y está tres capas abajo en un contrato que firmó el equipo jurídico y que el equipo de precios nunca vio.

Aquí es también donde importa el estudio de precios de vigilancia 6(b) de la FTC. En 2024 envió órdenes a ocho empresas — incluidas Mastercard, PROS, Accenture y McKinsey — exigiendo saber cómo usan los datos de los consumidores para fijar precios. Algunas de las plataformas de precios más comunes están nombradas en ese estudio. Su algoritmo puede ser tu responsabilidad, y «solo compramos el software» nunca ha sido una defensa.

¿Qué exige realmente el decreto de consentimiento de RealPage?

El documento más instructivo de todo este ámbito no es una ley. Es el decreto de consentimiento de RealPage del Departamento de Justicia de noviembre de 2025, y la razón por la que importa para el comercio electrónico — aunque RealPage sea un caso de vivienda en alquiler — es que es la primera vez que un regulador escribió, con detalle técnico, cómo se ve un algoritmo de precios que cumple.

Guardo una copia impresa. La cobertura destacada fue «El DOJ toma medidas contra el software de fijación de alquileres». Los verdaderos dientes son una especificación de ingeniería:

• Sin entrenamiento con datos de arrendamiento de menos de 12 meses — el modelo no puede reaccionar a las señales de mercado en vivo de los competidores.
• Sin análisis geográfico más estrecho que el nivel estatal — sin usar agrupación de submercados para localizar el poder de fijación de precios.
• Las barreras del «gobernador» — los pisos y techos de lo que el algoritmo puede recomendar — deben ser simétricas, de modo que la herramienta no pueda ajustarse silenciosamente para solo subir los precios como un trinquete.
• Las funciones de aceptación automática requieren parámetros fijados por el usuario, un plazo de implementación de 180 días y un funcionario dedicado de cumplimiento antimonopolio durante un plazo de siete años.

El decreto de RealPage es lo más cercano que tenemos a un regulador entregándote la hoja de especificaciones de un algoritmo defendible. La mayoría de las empresas leyeron el comunicado de prensa y se perdieron el plano.

Cuando leí eso por primera vez, mi reacción fue que el gobierno acababa de hacer la mitad de mi hoja de ruta de producto gratis. Gobernadores simétricos, requisitos de envejecimiento de datos, pisos geográficos — no son abstracciones legales. Son restricciones que puedes implementar, probar y demostrar. Esa es la diferencia entre un memorando de cumplimiento y un sistema de cumplimiento.

El problema forense para el que nadie presupuesta

Observa lo que realmente pasa cuando una demanda civil de investigación de la FTC aterriza en el escritorio de un equipo de precios, con su reloj de producción de 30 días.

No pueden responderla. No porque sean culpables — sino porque nunca registraron los datos correctos. Pueden decirte qué precio fijó el algoritmo el martes pasado, pero no por qué: qué entradas impulsaron ese precio específico, si la dispersión entre segmentos de usuarios se correlacionaba con algo protegido, si la cifra de un competidor influyó en el resultado. Así que pasan de seis a doce meses en extracción forense de datos, reconstruyendo decisiones que el sistema tomó miles de veces por segundo y nunca registró.

Esta es la parte que me parece genuinamente injusta para las buenas empresas. Un minorista puede estar aplicando una estrategia de precios perfectamente defendible y aun así ser incapaz de demostrarlo, porque demostrarlo requiere una ficha de modelo para cada precio — un registro con marca de tiempo de qué entradas se usaron, cuál fue el resultado y cómo se probó frente a proxies demográficos — y nadie construye eso hasta que llega la demanda.

Empezamos a diseñar primero para la demanda. El rastro de auditoría como resultado de primera clase de la decisión de precios, no un proyecto de arqueología después del hecho. Cuando el fiscal general de California lanzó su barrido investigativo en enero de 2026 — cartas a negocios de comercio minorista, supermercados y hoteles preguntando exactamente cómo usan el historial de compras, la navegación, la ubicación y los datos demográficos para fijar precios — las empresas que podían responder en días en lugar de trimestres fueron las que habían instrumentado la decisión, no solo el precio.

¿Por qué la fijación de precios agéntica empeora todo esto?

Los marcos de cumplimiento que todo el mundo se apresura a construir ahora mismo asumen que un humano revisa las decisiones de precios. Esa suposición ya está caducando.

Walmart presentó dos patentes de precios con IA en enero de 2026 y está desplegando etiquetas de estante digitales en las 5.200 de sus tiendas para fin de año — aunque tiene cuidado de llamar a esto «merchandising algorítmico», no «precios dinámicos», e insiste en que los precios se mantienen consistentes sin importar quién compre. McKinsey llama al comercio agéntico la tendencia definitoria del comercio electrónico de 2026: agentes de IA que investigan, comparan y compran de forma autónoma. Forrester espera que uno de cada cinco vendedores despliegue contra-agentes de precios controlados por el vendedor para 2027.

Esta es la versión del problema que me quita el sueño, porque la pregunta de cumplimiento aún no tiene respuesta. Cuando el agente de IA de un comprador negocia un precio con el agente de IA de un vendedor, y el precio acordado resulta ser discriminatorio — ¿quién es responsable? No hay marco regulatorio para la fijación de precios entre agentes. Un sistema diseñado para escalar a miles de decisiones autónomas por segundo no puede tener a un humano en el bucle comprobando cada una en busca de discriminación por proxy o convergencia colusoria. El cumplimiento tiene que estar dentro del agente, o no existe.

Ese no es un problema del futuro. Es la restricción de diseño para cualquier sistema de precios que se esté arquitecturando hoy.

«¿No es esto solo un centro de costos?»

La objeción que más oigo, normalmente de un director de ingresos, es que las herramientas de cumplimiento son un gasto general sobre una función cuyo trabajo entero es ganar dinero.

Pondría las cifras una al lado de la otra y las dejaría discutir. Un programa completo de cumplimiento de precios — análisis de impacto demográfico, evaluación de riesgo de colusión, divulgación multijurisdiccional, generación de rastro de auditoría — cuesta aproximadamente entre 100.000 y 505.000 dólares en el primer año, con el monitoreo continuo sumando de forma significativa por encima. El acuerdo de Instacart fue de 60 millones de dólares. El de Amazon fue de 2.500 millones. Unos pocos cientos de miles de dólares de cumplimiento frente a un acuerdo de nueve cifras no es un centro de costos; es la póliza de seguro más barata del edificio.

La segunda objeción es más sutil: ¿no matarán la optimización las restricciones de divulgación y equidad? Y aquí está lo que no esperaba cuando empezamos — el 62% de los adultos estadounidenses le dijeron a Talker Research en diciembre de 2025 que les preocupa la fijación de precios personalizada. Las patentes de precios de Walmart provocaron reacciones negativas en redes sociales. El riesgo de marca de ser el próximo titular de Instacart es real y cuantificable. Y le recuerdo al director de ingresos que los 1.400 millones de dólares de beneficios excedentes de Project Nessie no sobrevivieron al contacto con la FTC — los ingresos que no puedes defender son ingresos que acabarás devolviendo. Un motor de precios que puedes defender en público vale más que unos pocos puntos básicos extra que tienes que esconder.

Lo que realmente construimos

La brecha con la que seguía topando es que el mercado se divide limpiamente por la mitad y no atiende a ninguno de los dos lados. Las plataformas de precios optimizan precios y ofrecen cero pruebas de equidad, cero monitoreo de colusión, cero automatización de divulgación — su algoritmo puede ser tu responsabilidad. Los bufetes de abogados y las Cuatro Grandes escriben excelentes memorandos de asesoría y no ejecutan nada automatizado; un encargo antimonopolio de Deloitte o McKinsey es consultoría a partir de 500.000 dólares, sin ninguna herramienta al final. ORCAA y FTI aportan auténtica experiencia de auditoría y económica, pero solo consultoría, con forma de litigio.

Nadie se sentó en el medio: una capa integrada que hace análisis de impacto demográfico sobre precios personalizados, puntúa el riesgo de colusión algorítmica, automatiza la lógica de divulgación multijurisdiccional para Nueva York, California, Colorado y la Ley de IA de la UE, y genera el rastro de auditoría que una investigación de la FTC o el DOJ exigirá. Ese espacio — entre lo que hacen los optimizadores y lo que hacen los abogados — es lo que construimos el sistema de cumplimiento de precios de Veriprajna para llenar.

El mapa regulatorio que tiene que cubrir no es estable, y ese es el punto de automatizarlo. La Ley de IA de Colorado entra en vigor en junio de 2026, y para los sistemas de alto riesgo que toman decisiones consecuentes exige evaluaciones de impacto antes del despliegue, cada año después, y de nuevo dentro de los 90 días de cualquier cambio sustancial del modelo. Las obligaciones de alto riesgo de la Ley de IA de la UE llegan en agosto de 2026, con sanciones de hasta 35 millones de euros o el 7% de la facturación global. Hubo 51 proyectos de ley de precios algorítmicos en 24 estados en 2025, con Tennessee y Nuevo México ya avanzando en 2026. Ningún equipo humano rastrea esa matriz a mano y se mantiene al día. Un sistema de cumplimiento que se actualiza con la ley es la única versión que funciona.

Pienso mucho en aquella primera auditoría limpia.

Lo más aterrador de la fijación de precios algorítmica no es la empresa que se propone discriminar o coludir. Es la que hace ambas cosas, accidentalmente, a través de un modelo al que solo se le dijo que maximizara los ingresos — y se entera, cuando llega la demanda civil de investigación, de que no puede probar lo contrario. El algoritmo nunca tuvo ninguna intención. El resultado es ilegal de todos modos, y la intención nunca fue la cuestión.

Tu motor de precios está formulando un argumento legal cada vez que fija un precio. Lo único en duda es si serás capaz de leerlo de vuelta.