El precio que sabe de ti

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.

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.

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 de movilidad durante una tormenta tiene justificación económica: incentiva la entrada de más conductores. Pero sin alternativas y ante una emergencia, la misma lógica adquiere otra dimensión. Distinción útil: “scarcity pricing”, que gestiona un recurso escaso, versus “dependency pricing”, que monetiza el hecho de que el consumidor difícilmente puede renunciar.

EL MARCO: CUATRO ZONAS DE RIESGO

ZONA VERDE: Dynamic pricing por capacidad perecedera. Vuelos, hoteles, eventos. Beneficio económico claro: mejor asignación de capacidad, incentivos eficientes, revenue management. El consumidor está familiarizado con esta lógica. Aquí el algoritmo responde al mercado, no a la persona.

ZONA AMARILLA: Personalized discounts. Usar datos para reducir el precio a clientes sensibles al precio puede aumentar acceso y welfare — la parte que el debate ético suele olvidar. Un estudio de Jean-Pierre Dubé y Sanjog Misra (Journal of Political Economy, experimento de campo aleatorizado) encontró que más del 60% de los consumidores terminaban pagando precios inferiores bajo personalización. Pero el mismo estudio halló que el consumer surplus total caía 23% respecto a un precio uniforme optimizado, y 47% respecto al precio original de la empresa. Eficiencia real para muchos consumidores y, simultáneamente, transferencia de valor hacia la empresa en el agregado. Cualquier ejecutivo debería entender esta tensión antes de presentar la personalización simplemente como “un beneficio para el cliente”.

ZONA NARANJA: Willingness-to-pay extraction. Dos personas ven precios diferentes porque la IA estima que una puede o quiere pagar más. Racionalmente lógico, pero difícil de defender en términos de fairness y confianza.

ZONA ROJA: Personalización basada en vulnerabilidad. Urgencia, salud, dependencia, fragilidad financiera, datos biométricos utilizados para cobrar más. Aquí la justificación económica enfrenta una objeción ética seria: la optimización de precios corre el riesgo de convertirse en explotación algorítmica.

LOS RIESGOS INVISIBLES

Existe un problema de feedback loops discriminatorios: algoritmos de pricing pueden reproducir sesgos sin usar una variable explícitamente discriminatoria, porque proxies aparentemente neutrales producen resultados sistemáticamente diferentes para ciertos grupos.

Existe también el riesgo de erosionar el reference price: si cada cliente ve un precio diferente, se debilita un mecanismo central del mercado — saber “cuánto cuesta realmente” algo.

Y existe un riesgo reputacional de largo plazo: un algoritmo puede maximizar revenue transaction by transaction y, al mismo tiempo, deteriorar trust lifetime by lifetime. Los precios percibidos como injustos afectan intención de compra, loyalty y confianza futura.

CÓMO DEBERÍAN PENSAR LOS EJECUTIVOS

La pregunta que un equipo de pricing debería hacerse ante una decisión de personalización no puede ser únicamente “¿esto aumenta el margen?”. La pregunta adicional es: “¿El margen incremental justifica la pérdida potencial de confianza y valor futuro del cliente?”

Una herramienta simple para un comité de pricing: dos ejes. En el horizontal, si el precio responde al MERCADO o a la PERSONA. En el vertical, el nivel de vulnerabilidad del consumidor. El cuadrante más delicado es aquel donde el precio está impulsado por información sobre la persona y la vulnerabilidad es alta: el territorio donde la “optimización de precios” puede convertirse en “explotación algorítmica” sin que nadie lo haya decidido explícitamente. Simplemente ocurre porque el modelo encuentra una correlación y nadie establece un límite.

La decisión sobre qué variables alimentan un modelo de pricing no debería quedar exclusivamente en manos del equipo de datos: necesita aportaciones de legal, marca y alguien que represente al consumidor. Cualquier sistema de personalización debería poder responder, en lenguaje sencillo, “¿por qué este cliente vio este precio?” Si la respuesta requiere jerga técnica, merece revisión antes de producción. Y para bienes esenciales — salud, alimentación básica, energía — las empresas deberían considerar límites propios, incluso cuando la regulación local todavía no los establezca. La ausencia de obligación legal no elimina el riesgo reputacional.

Las empresas que naveguen esta transición con criterios éticos explícitos, y no solamente con disclaimers legales, pueden construir una ventaja basada en confianza difícil de replicar para competidores enfocados exclusivamente en maximizar cada transacción.

No será suficiente preguntarse si la IA puede encontrar el precio máximo que un cliente con baja elasticidad está dispuesto a pagar. Ejecutivos y empresarios tendrán que hacerse una segunda pregunta: dadas las circunstancias específicas de ese consumidor, ¿deberíamos realmente cobrarlo?

Esta distinción puede definir una de las próximas fronteras de la ética del pricing. La IA rara vez es el verdadero tema, realmente son los criterios con los que decidimos utilizarla.

(*) El autor se ha desempeñado como CEO de tres firmas internacionales de marketing, colaborando con más de 300 empresas a nivel global. Además, es Profesor de Marketing, conferencista y asesor en Innovación Corporativa, Liderazgo y Marketing. Reconocido por Thinkers50 como uno de los principales líderes de pensamiento a nivel mundial, ha coescrito tres libros de negocios con Philip Kotler.