Tu herramienta de fijación de precios con IA podría estar operando un cártel (y quizá ni lo sepas)

El otoño pasado estaba en una llamada con una empresa mediana de gestión inmobiliaria cuando su vicepresidenta de ingresos dijo algo que me revolvió el estómago.

«Estamos bien», dijo. «No usamos RealPage. Creamos nuestra propia herramienta de fijación de precios». Una pausa. «Bueno, llama a GPT-4 con nuestros datos y con los anuncios de la competencia que rastreamos. Pero es nuestra».

No era suya. No en ningún sentido que importara. Estaban enviando datos de alquiler competitivamente sensibles —tasas de ocupación, condiciones de los contratos, precios por tipo de unidad— a través de una API de terceros que había sido entrenada con vaya usted a saber qué, refinada por interacciones de vaya usted a saber quién, y que devolvía recomendaciones moldeadas por patrones absorbidos del equivalente a todo un mercado de consultas similares. Sin darse cuenta, habían construido exactamente el tipo de mecanismo de coordinación algorítmica que el Departamento de Justicia acababa de pasar dos años desmantelando.

Esa conversación cambió mi forma de pensar sobre lo que construimos en Veriprajna. Porque el problema no es que una empresa fuera descubierta fijando alquileres con software. El problema es que la arquitectura por defecto que usan la mayoría de las empresas para la IA —envías tus datos al modelo de otro y recibes una recomendación— es estructuralmente indistinguible de aquello que el DOJ acaba de llamar un cártel digital.

¿Qué ocurrió realmente con RealPage?

Permítanme ser específico, porque los detalles importan más que los titulares.

RealPage creó un software llamado YieldStar y AIRM que ingería datos transaccionales granulares y no públicos de propietarios competidores —tarifas de alquiler en tiempo real, condiciones de los contratos, proyecciones futuras de ocupación— y los usaba para generar recomendaciones diarias de precios. El DOJ alegó que esto creaba un cártel de tipo «hub-and-spoke» (centro y radios): RealPage era el centro, los propietarios eran los radios y el algoritmo era la trastienda llena de humo.

La frase clave del escrito del gobierno a la que sigo volviendo: el software garantizaba que los propietarios «probablemente se moverían al unísono en lugar de unos contra otros».

Cuando el objetivo explícito de diseño de tu algoritmo es impedir que los competidores compitan, no necesitas un apretón de manos en una trastienda. Has automatizado el apretón de manos.

El 24 de noviembre de 2025, el DOJ alcanzó un acuerdo histórico. En septiembre de 2025, FPI Management ya había llegado a un acuerdo por $2.8 millones. Yardi Systems se enfrenta a litigios en curso. Y, de repente, toda empresa que ejecutara fijación algorítmica de precios —en el sector inmobiliario, la hostelería, el comercio minorista, la logística— tuvo que hacerse una pregunta que nunca había considerado: ¿Es mi software un coconspirador?

¿Por qué importa esto si no te dedicas al sector inmobiliario?

Aquí es donde se equivoca la mayor parte de la cobertura del caso RealPage. Los comentaristas lo tratan como una historia sobre el sector inmobiliario. No lo es. Es una historia sobre arquitectura.

La sentencia final del DOJ traza una distinción técnica que debería aterrar a cualquier equipo de IA empresarial. Separa el entrenamiento del modelo de la operación en tiempo de ejecución. Los modelos aún pueden aprender de tendencias históricas y agregadas: datos que tengan al menos doce meses de antigüedad y que no estén asociados a transacciones activas. Pero ¿usar el estado actual de un competidor —su ocupación, su inventario, sus precios en vivo— como insumo para una recomendación en tiempo real? Eso ahora se trata como una forma de colusión digital bajo la Sección 1 de la Ley Sherman.

Léelo otra vez. No se trata de la intención. Se trata de la arquitectura del flujo de datos.

Escribí sobre el desglose técnico y legal completo en la versión interactiva de nuestra investigación, pero la idea central es esta: si tu sistema de IA ingiere datos no públicos de la competencia y produce una recomendación que influye en el comportamiento del mercado, tienes un problema antimonopolio. El sector en el que operas es irrelevante. A la Ley Sherman no le importa tu vertical.

Y si estás usando una API multiinquilino —una que procesa datos tuyos y de tus competidores—, el riesgo de mezcla de datos es estructural. No puedes salir de un problema de arquitectura a base de políticas.

La noche en que me di cuenta de que los «wrappers» estaban muertos

Tengo que retroceder a un momento que ocurrió antes del acuerdo de RealPage, porque fue cuando la tesis se cristalizó para mí.

Estábamos sometiendo a pruebas de estrés un prototipo de fijación de precios para un cliente del sector de la hostelería. El sistema tenía una configuración bastante estándar: sus datos de reservas canalizados hacia una API de LLM, combinados con tarifas de mercado extraídas de la web, produciendo sugerencias de precios dinámicos. Interfaz limpia. Respuestas rápidas. Al cliente le encantaba.

Entonces una de mis ingenieras, Priya, realizó una auditoría de procedencia. Rastreó el linaje de datos de cada insumo que tocaba el modelo en el momento de la inferencia. A las 11 de la noche de un martes, escribió en nuestro canal de Slack una sola línea: «No podemos demostrar qué sabe el modelo».

Tenía razón. Cuando envías datos a través de una API pública, pierdes la capacidad de garantizar qué influyó en el resultado. El modelo podría haber sido ajustado con interacciones de otras empresas de hostelería. Podría haber absorbido patrones de precios de un competidor que usó la misma API la semana pasada. Realmente no puedes saberlo. Y en un mundo posterior a RealPage, «realmente no podemos saberlo» no es una defensa: es una admisión.

Esa fue la noche en que le dije al equipo que íbamos a reorientar todo el proyecto hacia un despliegue privado. El cliente se resistió: llevaría más tiempo, costaría más por adelantado, requeriría una infraestructura que no tenían. Recuerdo estar sentado en mi apartamento a la 1 de la madrugada redactando el correo que explicaba por qué no podíamos, en conciencia, entregar lo que habíamos construido. Fue la conversación más difícil que he tenido con un cliente como fundador. También fue la más importante.

La cuestión no es si tu IA da buenas recomendaciones. La cuestión es si puedes demostrar —ante un juez federal, bajo juramento— exactamente qué datos moldearon esas recomendaciones.

¿Cómo respondieron los estados? Más rápido de lo que nadie esperaba

El acuerdo federal fue solo el primer acto. California y Nueva York se movieron con una velocidad que pilló por sorpresa a toda la comunidad del derecho tecnológico.

La AB 325 de California, en vigor desde el 1 de enero de 2026, prohíbe el uso de un algoritmo de fijación de precios común que utilice datos de la competencia para recomendar o influir en un precio como parte de una conspiración para restringir el comercio. El matiz crítico: solo se aplica a herramientas usadas por dos o más personas. Un algoritmo propietario creado para el uso exclusivo de una sola empresa queda exento.

Lee esa exención con atención. California creó, en esencia, un incentivo legal para construir tu propia IA en lugar de suscribirte a una herramienta SaaS compartida.

La S. 7882 de Nueva York, en vigor desde el 15 de diciembre de 2025, va aún más lejos para los gestores de propiedades residenciales. Apunta a cualquier herramienta algorítmica que desempeñe una «función de coordinación», definida como recopilar y analizar datos de múltiples propietarios. La responsabilidad puede surgir incluso sin adoptar directamente la recomendación. El estándar es el «desprecio temerario» por el mero hecho de usar tales herramientas.

Tuve una conversación con un abogado inmobiliario en Manhattan que lo dijo sin rodeos: «Si eres gestor de propiedades en Nueva York y usas una herramienta de fijación de precios multiinquilino, no estás gestionando el riesgo. Lo estás fabricando».

¿Qué significa realmente la «IA soberana» en la práctica?

Uso el término «soberana» de forma deliberada, y sé que suena grandilocuente. Pero el concepto es preciso: tu sistema de IA debería ser arquitectónicamente incapaz de acceder, ingerir o ser influido por datos que no te pertenecen.

En Veriprajna llamamos a nuestro enfoque «Deep AI», y está construido sobre un principio que suena obvio pero que resulta radical en la práctica: separar la voz del cerebro.

La «voz» es el modelo neuronal de lenguaje: lo que entiende el lenguaje natural y genera respuestas fluidas. Desplegamos modelos abiertos como Llama 3 o Mistral de forma privada, dentro de la propia nube privada virtual del cliente. Los datos nunca salen de su perímetro.

El «cerebro» es un solucionador simbólico determinista —grafos de conocimiento, motores de reglas, lógica basada en SQL— que aplica las políticas, realiza los cálculos y garantiza que la salida se ajuste a restricciones regulatorias específicas. El cerebro no alucina. No aproxima. Calcula.

Esto es lo que los científicos cognitivos llaman pensamiento de «Sistema 2»: razonamiento lento, deliberado y auditable, superpuesto al reconocimiento de patrones del «Sistema 1». El modelo neuronal se encarga de la ambigüedad y el lenguaje. El sistema simbólico se encarga de la verdad y del cumplimiento normativo.

La seguridad no puede ser probabilística. Debe ser arquitectónica.

Cuando el DOJ exige que los «gobernadores» de precios sean simétricos —dando el mismo peso a las bajadas y a las subidas de precio—, eso no es una política que puedas hacer cumplir con un prompt de sistema. Es una restricción que codificas en la capa simbólica, donde está matemáticamente garantizada, no estadísticamente probable.

¿Puedes seguir usando datos de mercado sin infringir la ley?

Esta es la pregunta que más me hacen, y es la correcta. La respuesta es sí, pero el cómo importa enormemente.

El mecanismo técnico es la privacidad diferencial. Sin entrar a fondo en las matemáticas (escribí sobre esto extensamente en nuestro análisis técnico en profundidad), la idea central es elegante: añades ruido cuidadosamente calibrado a los datos de modo que la inclusión o exclusión de la información de cualquier participante individual no cambie de forma significativa la salida del algoritmo.

Esto significa que un motor de fijación de precios puede aprender de tendencias amplias del mercado —«la demanda en este código postal está subiendo»— sin «ver» nunca la tasa de ocupación o las condiciones de arrendamiento de un competidor concreto. Obtienes la utilidad analítica sin la exposición antimonopolio.

Combinamos esto con la generación de datos sintéticos. Para 2024, las previsiones apuntaban a que el 60% de los datos de entrenamiento de IA serían sintéticos. En 2026, los datos sintéticos se han convertido en el mecanismo principal de lo que yo llamo «cumplimiento desde el diseño». Usamos modelos generativos para crear versiones sintéticas de alta fidelidad de los datos de mercado que preservan las propiedades estadísticas sin contener ninguna información competitivamente sensible real.

No es un truco para sortear la ley. Es una arquitectura mejor. Y proporciona algo que ningún descargo de responsabilidad legal puede dar: una prueba matemática de que tu sistema no se está coordinando con los competidores.

La discusión que sigo teniendo sobre la «aceptación automática»

Hay un detalle en el acuerdo de RealPage que no recibe suficiente atención: la prohibición de las funciones de aceptación automática.

El software de RealPage podía implementar automáticamente las recomendaciones de precios sin revisión humana. El DOJ consideró esto un factor agravante significativo. El acuerdo ahora exige que las funciones de aceptación automática sean configurables y que los usuarios las activen manualmente.

Tuve una discusión sobre esto con el CTO de un cliente potencial. Quería un agente de fijación de precios totalmente autónomo: sin humanos en el bucle, respuesta instantánea a las condiciones del mercado, máxima eficiencia. «De eso se trata la IA», dijo.

Le dije que de lo que se trata la IA es de tomar mejores decisiones, no de tomar decisiones más rápido de lo que nadie puede revisarlas. Esa respuesta no le encantó.

Pero la realidad es esta: todos los sistemas que construimos en Veriprajna incluyen lo que yo llamo bucles de «humano como capturador» (Human-as-Capturer). La intención humana gobierna la ejecución de la máquina en cada capa crítica. No porque los humanos sean más listos que los algoritmos —a menudo no lo son—, sino porque el marco legal y ético de 2026 exige que un ser humano rinda cuentas por cada decisión de cara al mercado. Protocolos de anulación, procesos de aprobación obligatoria, registros de auditoría mantenidos para revisión regulatoria.

A veces me preguntan si este requisito de humano en el bucle hace inútiles las herramientas de fijación de precios con IA. No es así. Las convierte en herramientas en lugar de en sustitutos. La IA hace en segundos el análisis que a un equipo humano le llevaría días. El humano toma la decisión. Eso no es una limitación: es la arquitectura de una participación responsable en el mercado.

El coste real de la «trampa del wrapper»

Hablemos de dinero, porque es lo que en última instancia mueve la conversación.

Las empresas que usan modelos de API de primer nivel —GPT-5, Claude 4— están pagando entre $1.25 y $15.00 por millón de tokens de entrada, y de $10.00 a $75.00 por millón de tokens de salida. Esos costes fluctúan. Los términos de servicio cambian. Y cada token que envías conlleva un riesgo de soberanía de datos.

Los datos de McKinsey y BCG de finales de 2025 muestran que las empresas que escalan la IA con éxito obtienen un retorno total para el accionista 3.6x mayor a lo largo de tres años en comparación con sus pares. Pero solo el 5% de las organizaciones ha logrado obtener beneficios financieros sustanciales de la IA. La mayoría está atrapada pagando un impuesto creciente sobre la infraestructura de otro, sin ninguna ventaja competitiva defendible que mostrar a cambio.

Deep AI da la vuelta a la estructura de costes. Inviertes en infraestructura —CapEx de hardware, despliegue privado de modelos, capas de razonamiento simbólico— y construyes un activo. Un cerebro institucional a medida que captura los flujos de trabajo, las políticas y la inteligencia de mercado únicos de tu organización. Está en tu balance. Se revaloriza de forma compuesta. Y no puede ser replicado por un competidor que se suscriba a la misma API que tú.

Cuando tu ventaja competitiva vive en el centro de datos de otro, no es una ventaja competitiva. Es una suscripción.

¿Hacia dónde va esto a partir de aquí?

La próxima frontera es la IA agéntica: sistemas autónomos que seleccionan herramientas, realizan razonamiento de múltiples pasos y ejecutan acciones en el mundo real. Reservar un envío. Ajustar un precio. Presentar un documento regulatorio. El potencial es extraordinario. El riesgo es proporcional.

Un agente de fijación de precios autónomo que se exceda en su autoridad —que asuma un compromiso financiero no autorizado o que se coordine con participantes del mercado sin supervisión humana— no es solo un fallo técnico. En el entorno legal posterior a RealPage, es potencialmente un delito federal.

Cada flujo de trabajo agéntico que construimos sigue un bucle estricto: razonar frente a la constitución corporativa, seleccionar la herramienta adecuada, validar la salida y sintetizar una respuesta solo después de confirmar que no se ha cruzado ningún límite de cumplimiento normativo. Cada acción queda registrada y es auditable. El cerebro simbólico actúa como una restricción constitucional: no una sugerencia, no una directriz, sino un límite arquitectónico que el modelo neuronal no puede anular.

Esto es lo que significa la soberanía en la práctica. No solo poseer tus datos, sino poseer el proceso de razonamiento que actúa sobre ellos. No solo desplegar IA, sino desplegar una IA que refleje tus leyes, tu ética, tu tolerancia al riesgo, codificadas en una lógica que un regulador pueda inspeccionar y un juez pueda entender.

El caso RealPage no fue una anomalía. Fue la primera señal clara de una nueva realidad legal: la arquitectura de tu sistema de IA es ahora un determinante primario de tu exposición antimonopolio. No tus intenciones. No tus políticas. No tus términos de servicio. Tu arquitectura.

Toda empresa que ejecute fijación algorítmica de precios, gestión de ingresos o recomendaciones de cara al mercado necesita responder a una pregunta sencilla: si el DOJ citara judicialmente tu sistema de IA mañana, ¿podrías demostrar —al nivel del flujo de datos, del entrenamiento del modelo y de la lógica de inferencia— que opera con independencia de tus competidores?

Si la respuesta es «probablemente», tienes un problema. Si la respuesta es «tendríamos que consultarlo con nuestro proveedor de API», tienes una crisis.

La trastienda llena de humo no desapareció. Se mudó a la nube. Y las empresas que prosperarán en esta nueva era no son las que tienen los mejores algoritmos: son las que poseen sus algoritmos por completo, los diseñan para el cumplimiento normativo desde el diseño y pueden demostrarlo bajo juramento.