Cumplimiento normativo de fijación de precios con IA y equidad algorítmica
Cuando llega una Civil Investigative Demand (CID), la respuesta debe ser un archivo. Equity es una capa de auditoría de defendibilidad de precios que se superpone a cualquier motor de fijación de precios que un minorista ya ejecute. Reproduce el propio registro de decisiones del motor, evalúa cada variable de fijación de precios en busca de filtraciones de clases protegidas, incluidas las variables indirectas (proxies) compuestas que las comprobaciones por característica no pueden detectar. Filtra el resultado frente a la EEOC four-fifths rule (29 CFR 1607.4(D)) mediante código determinista, mide lo que cuesta en ingresos la restricción de equidad, demuestra por qué la solución obvia resulta manipulada y sella el registro en un paquete de evidencias con hash SHA-256 y mapeado regulatorio, diseñado exactamente para esa demanda.
+26.2%
Precio más alto para la cohorte con ZIP de mayoría minoritaria y dispositivos antiguos, mismo SKU
Medias de cohorte sobre 3,037 y 2,880 decisiones sintéticas con semilla, señales de demanda emparejadas
0.43 to 0.82
Ratio de la EEOC four-fifths rule, Fail a Pass, tras fairness-aware reward shaping
Con un coste de ingresos medido del 1.3% en este motor y escenario sintéticos
0.73
Información mutua conjunta de un proxy compuesto cuyos dos componentes obtienen PASS individualmente
Referral × Dwell Time; eliminar únicamente ZIP y dispositivo sigue sin superar la compuerta en 0.59
Cada cifra de la demo en esta página es sintética y con semilla. ShopMart Dynamic Pricing es un bandido contextual LinUCB que construimos como sustituto del motor que ejecutaría un cliente, los Aura Wireless Earbuds y los 10,000 compradores son generados, y la estructura de proxies está implantada para que la auditoría tenga algo real que detectar. Ningún minorista real fue auditado y a ningún comprador real se le cobró de más.
Un General Counsel o responsable de fijación de precios en una plataforma de comercio electrónico con volumen en New York y California ejecuta un motor de precios dinámicos que nunca ingiere raza o ingresos y sigue expuesto, porque el motor fija precios según el código ZIP, el nivel de dispositivo y el comportamiento de sesión, y cada uno de ellos transmite una señal demográfica. Un bandido contextual que optimiza ingresos encontrará cada variable que prediga la disposición a pagar, incluidas las que realmente predicen quién es el comprador. El ZIP predice los ingresos; los ingresos predicen la sensibilidad al precio; un teléfono Android antiguo predice menos comparación de compras. Ninguno de ellos es la raza. Todos ellos varían con ella. Para cuando llega la Civil Investigative Demand (CID), un equipo sin nada de esto registrado pasa meses en una extracción forense reactiva.
El acuerdo de $60M de la FTC con Instacart sobre sus experimentos de fijación de precios Eversight (FTC, diciembre de 2025) fue una acción basada en resultados. La demanda documentó que a diferentes compradores se les mostraban precios distintos para artículos idénticos, con hasta un 23% de diferencia. No fue una conclusión de discriminación grupal y no dependió de lo que se le hubiera indicado al algoritmo.
La Algorithmic Pricing Disclosure Act de New York, en vigor desde el November 10, 2025, exige una divulgación visible cuando los datos personales modifican un precio y conlleva una sanción civil de hasta $1,000 por infracción. La ley Colorado SB 24-205, en vigor desde el June 30, 2026, trata la fijación de precios como una decisión trascendente que requiere una evaluación de impacto.
Las obligaciones para sistemas de alto riesgo de la EU AI Act se aplican a partir del August 2, 2026. Los Articles 13 and 14 cubren la transparencia de alto riesgo y la documentación contra la discriminación, y el incumplimiento en alto riesgo conlleva sanciones de hasta un límite legal de €15M o el 3% de la facturación global.
El proceso es una sola pasada sobre el propio registro de decisiones del motor: 10,000 decisiones de precios del motor bajo auditoría, una auditoría determinista de variables de entrada, una compuerta de cuatro quintos, una síntesis de restricción de equidad comparada contra un tope manipulable, narración mediante agentes, un paquete de evidencias con hash SHA-256 y un benchmark etiquetado. Los agentes asesoran, el código decide, y esa división es lo que mantiene el paquete listo para ser presentado sin importar qué modelo esté debajo.
01 / THE ENGINE UNDER AUDIT
El motor bajo auditoría es ShopMart Dynamic Pricing, un bandido contextual LinUCB de 7 brazos con seed=42, que fija el precio de un SKU, los Aura Wireless Earbuds a un precio de catálogo de $79.00, para una población sintética etiquetada de 10,000 compradores. Fija los precios según el índice de ingresos por ZIP, nivel de dispositivo, referral, dwell time, tamaño del carrito, tasa de repetición, recuento de sesiones, membresía premium y hora, además de términos cruzados de referral por dwell time del tipo que incorporan muchos motores reales. La cohorte protegida es una etiqueta latente que la auditoría nunca recibe. En la demo, este bandido es el motor bajo auditoría.
02 / THE DETERMINISTIC INPUT AUDIT
Run Audit calcula, en pure numpy, la correlación absoluta de Pearson de cada variable de precios frente a la cohorte protegida, su información mutua normalizada, una información mutua conjunta para pares de variables y un movimiento contrafactual de precios: sobrescribe una variable para la cohorte protegida con el valor de referencia de la cohorte aventajada, mantiene todo lo demás constante, vuelve a ejecutar la propia política del motor y mide cuánto se desplaza el precio de la cohorte protegida. Las reglas de veredicto son código evaluado en orden: una entrada cuya muestra efectiva caiga por debajo de 400 se devuelve como Insufficient Evidence en lugar de recibir un veredicto de proxy, regla que ninguna variable activa en esta ejecución; la señal de fidelidad de doble uso con cualquier asociación material es un ABSTAIN derivado a revisión legal antes de que se ejecute la prueba de infracción; una correlación absoluta de al menos 0.30 o una información mutua de al menos 0.05 es una VIOLATION; una correlación de 0.20 hasta 0.30 es un ABSTAIN; todo lo demás es un PASS. Para cualquier otra entrada, el análisis contrafactual corrobora y nunca desencadena un veredicto por sí solo; solo para la señal de doble uso un movimiento contrafactual material cuenta para el ABSTAIN.
03 / THE GATE AND THE CONSTRAINT
La compuerta Disparate-Impact Gate aplica la EEOC four-fifths rule (29 CFR 1607.4(D)) adaptada a niveles de precios: la tasa de la cohorte protegida que recibe el nivel de precio favorable dividida por la de la cohorte aventajada, frente a un umbral de 0.80. Remediation sintetiza luego Fairness-Aware Reward Shaping, que atrae continuamente cada precio hacia un precio de referencia libre de proxies de un segundo bandido entrenado habiendo eliminado las cuatro variables proxy, y busca mediante búsqueda binaria el menor peso de atracción que supere 0.80. Se muestra junto a un Hard-Cap Baseline al 115% del precio justo, la corrección ingenua, midiendo el patrón de manipulación (gaming signature) para ambos.
04 / THE CREW AND THE PACK
Un Feature Auditor explica cada variable señalada y un Adversarial Challenger defiende los argumentos para tratar la variable en abstención como una señal legítima; el rol de Regulatory Mapper es una tabla fija que asocia cada VIOLATION a cinco regímenes y el ABSTAIN a una única línea de revisión legal. El equipo de agentes es intercambiable entre proveedores, recurre a plantillas deterministas cuando no hay ningún proveedor de modelos configurado para que la aplicación funcione de forma idéntica, y no puede calcular ningún número ni establecer un veredicto. Evidence Pack sella el nombre y la versión del motor, la población auditada, la compuerta, cada hallazgo con su justificación, el mapeo regulatorio, el resultado de remediación y el resumen narrativo en JSON más un paquete HTML imprimible, con un extracto SHA-256 del cuerpo del paquete como su hash a prueba de manipulaciones.
La consola consta de dos vistas más diálogos. La vista manual contiene la tarjeta Pricing Outcome Comparison y un panel de actividad que transmite cada fase; cada resultado se abre como un diálogo titulado Audit Results, Remediation Results o Evidence Pack Results, y Remediation y Evidence Pack permanecen deshabilitados hasta que Run Audit finaliza. Run Benchmark cambia a una vista independiente de Benchmark Results. About Demo expone en pantalla los límites del escenario: un motor sintético con verdad fundamental conocida, cuyos resultados demuestran el método y no constituyen evidencia de intencionalidad validada en el terreno. Cada número expuesto a continuación se sitúa dentro de ese límite.
La demo audita 10,000 decisiones sintéticas de fijación de precios con semilla sobre un SKU. Lo que sigue es lo que la ejecución muestra en pantalla, en el orden en que lo presenta.
Los números anteriores provienen de una población sintética con semilla de 10,000 decisiones de precios sobre un SKU con una estructura de proxies implantada y reproducible. Las cifras muestran que el método recupera la estructura implantada con precisión de conjunto etiquetado. No constituyen una tasa de precisión sobre datos reales de precios, no son un benchmark frente a competidores y no representan una afirmación sobre ningún minorista real.
| Pregunta | Lo que hace Equity en esta demo | Lo que queda fuera de la demo |
|---|---|---|
| Integración | Audita el bandido LinUCB que la aplicación demo incluye como su motor sustituto, y está diseñado para que el motor de un cliente se pueda intercambiar detrás de un adaptador. | Cualquier código de adaptador o conector en vivo a plataformas de fijación de precios. No existe ninguno en esta versión, y ningún proveedor mencionado es cliente o socio. |
| Datos demográficos | Lee una tabla de referencia curada de diez códigos ZIP de New York y California y un sesgo de dispositivos con semilla codificado en la aplicación. | Un flujo en vivo del censo o de propiedad de dispositivos. La tabla es reducida y curada manualmente, y la cohorte protegida es una etiqueta implantada. |
| Hallazgos | Recupera la estructura de proxies implantada y registra el veredicto de cada variable de entrada con su justificación en el paquete. | Prueba de discriminación o intencionalidad en el mundo real; el sistema no emite ningún veredicto de intencionalidad. |
Equity no fija un precio para ningún cliente y no sustituye a Pricefx, PROS, Zilliant o Competera; el motor fija precios, Equity audita y restringe. No certifica el cumplimiento, no garantiza un veredicto de PASS ni brinda asesoramiento legal; el paquete es evidencia para los asesores legales del cliente. La versión cubre un SKU y el proceso de impacto dispar desde la auditoría hasta el paquete de evidencias; la colusión algorítmica, el middleware de divulgación multijurisdiccional, la monitorización continua y la interfaz de checkout quedan fuera de ella. Los perfiles de South Bronx y Upper East Side en la tarjeta Pricing Outcome Comparison son etiquetas representativas para cohortes de múltiples ZIP y múltiples dispositivos, no afirmaciones sobre ningún vecindario real.
Porque el motor no necesita ver la raza o los ingresos para fijar precios en función de ellos. En la demo, el motor bajo auditoría fija precios según el índice de ingresos por ZIP, el nivel de dispositivo y el comportamiento de sesión, y esas variables transmiten la clase protegida: el índice de ingresos por ZIP se correlaciona con ella en 0.95 y el nivel de dispositivo en 0.32. El resultado en la población sintética con semilla es un precio 26.2% más alto para la cohorte con ZIP de mayoría minoritaria y dispositivos antiguos en los mismos auriculares con señales de demanda emparejadas, y un ratio de cuatro quintos de 0.43 frente al umbral de 0.80. La acción de la FTC con Instacart fue un caso sobre resultados acerca de distintos compradores a quienes se les mostraban precios diferentes por artículos idénticos, no una conclusión sobre lo que se le había indicado al algoritmo.
En este motor, no. La línea base Fairness Through Unawareness en el benchmark reentrena sin las entradas de ZIP y dispositivo, y el ratio de cuatro quintos solo sube de 0.43 a 0.59, aún un suspenso. La forma en que llegó el comprador y cuánto tiempo permaneció obtienen cada una PASS por separado, pero conjuntamente codifican la cohorte con una información mutua de 0.73. La correlación por variable individual es ciega ante ese par; una comprobación de información mutua conjunta no lo es, por lo que la auditoría evalúa interacciones así como variables individuales.
Se puede, y la demo muestra lo que hace un maximizador de ingresos con eso. El Hard-Cap Baseline prohíbe cualquier precio por encima del 115% del precio de referencia justo. El motor renuncia al 0.2% de los ingresos para cumplir con la letra de la regla y ubica al 29% de la cohorte protegida dentro del 1% del tope, por lo que el ratio de cuatro quintos solo alcanza 0.59 y la compuerta sigue suspendiendo. Un tope es un objetivo. Fairness-Aware Reward Shaping no tiene límites a los que apuntar, y pasa con 0.82 con un coste del 1.3% en ingresos en este motor sintético.
No. Equity nunca fija un precio. Audita las decisiones del motor y propone una restricción; su motor, ya sea Pricefx, PROS, Zilliant, Competera o un bandido personalizado, continúa fijando los precios. El punto de conexión para el motor de un cliente es un punto de intercambio documentado; en la demo no hay código de adaptador ni integración en vivo, por lo que el bandido LinUCB que construimos es el motor, y se audita directamente.
Nada de lo que un abogado tuviera que defender es salida de un modelo: las estadísticas, la comparación de umbrales, cada veredicto, la restricción y el hash del paquete provienen todos de código numpy determinista fuera de la capa de agentes. El Feature Auditor y el Adversarial Challenger escriben prosa; nunca calculan un número y no pueden establecer ni cambiar un veredicto, y el mapeo regulatorio es una tabla fija en lugar de la salida de un modelo. Sin un proveedor de modelos, el equipo recurre a plantillas deterministas y la aplicación produce los mismos veredictos. La narración en el recorrido grabado es una salida de modelo validada y en caché, y el encabezado del paquete así lo especifica.
Un paquete de evidencias listo para una CID en JSON y HTML imprimible. Registra el nombre y la versión del motor, las 10,000 decisiones auditadas, la compuerta de cuatro quintos antes y después de la remediación, el veredicto de cada entrada con su justificación, el mapeo de cada variable señalada a la EEOC four-fifths rule (29 CFR 1607.4(D)), la Algorithmic Pricing Disclosure Act de New York, la Colorado SB 24-205, los EU AI Act (Articles 13 and 14) y la FTC Act Section 5, el resultado de la remediación y un extracto SHA-256 del cuerpo del paquete. Nosotros proporcionamos la evidencia; su equipo legal toma la decisión.
Es una autocomprobación sobre un conjunto etiquetado, y debe interpretarse como tal. El benchmark regenera la población sintética de 10,000 decisiones con semilla de la demo y le plantea una sola pregunta: ¿encontró la auditoría los tres proxies que implantamos y nada más? Lo hizo. Los tres fueron señalados como VIOLATION, ninguna de las cuatro señales legítimas de demanda fue señalada (todas obtuvieron PASS y quedaron como Cleared), y sobre la única señal de doble uso se aplicó un ABSTAIN en lugar de señalarla o aprobarla. Eso demuestra que el método recupera la estructura implantada. Los registros reales de fijación de precios están confundidos, y no es ético realizar pruebas A/B cobrando precios distintos a diferentes grupos demográficos, por lo que en un proyecto real la misma maquinaria produce evidencia para revisión legal, nunca un veredicto automatizado.
La investigación detrás de esta demo: la arquitectura, el diseño de verificación y el modelo empresarial.
Solución completa
Explore la solución AI Pricing Compliance & Algorithmic Fairness →Somos un equipo de ingeniería de IA, no un proveedor de precios ni un certificador de cumplimiento. Comenzamos desde el propio registro de decisiones de su motor y terminamos en un paquete que su asesor legal puede presentar; la decisión sobre lo que muestra queda en sus manos.
Una primera conversación útil es concreta: qué motor fija los precios de su catálogo, qué variables ve, si incluye términos cruzados o árboles que podrían fijar precios basándose en un proxy compuesto, y cuál de New York, California, Colorado o la UE abarca su volumen. Podemos trabajar en la auditoría, la síntesis de restricciones y el formato del paquete de evidencias junto a sus equipos de precios, legal y de datos.
