Durante m\u00e1s de un siglo, los consumidores occidentales asumimos que un mismo producto deb\u00eda tener el mismo precio para todos nosotros. Aquella convenci\u00f3n comercial reduc\u00eda la incertidumbre, facilitaba la comparaci\u00f3n entre establecimientos y reforzaba la confianza en el mercado. El precio visible y uniforme permit\u00eda centrar la decisi\u00f3n de compra en el valor del producto y no en la formulaci\u00f3n de un trato distinto al de otros compradores.<\/p>\n\n\n\n
Esa premisa est\u00e1 siendo alterada por la convergencia entre IA, el an\u00e1lisis masivo de datos, las plataformas digitales y el \u201cretail media\u201d al transformar la l\u00f3gica de la fijaci\u00f3n de precios. Estos est\u00e1n dejando de ser un dato conocido para convertirse en el resultado de un c\u00e1lculo probabil\u00edstico que estima cu\u00e1nto est\u00e1 dispuesto a pagar cada consumidor en cada momento. As\u00ed, dos personas pueden acceder al mismo producto en condiciones de oferta distintas sin que existan diferencias objetivas de coste o disponibilidad, sino porque un algoritmo considera que una de ellas puede admitir un precio superior.<\/p>\n\n\n\n
Este cambio altera el equilibrio informativo que tradicionalmente caracteriz\u00f3 el intercambio comercial. Mientras el consumidor contin\u00faa percibiendo el precio como una referencia objetiva, las empresas disponen de capacidades anal\u00edticas que permiten construir perfiles extremadamente precisos a partir del historial de compra, la frecuencia de visitas, el dispositivo utilizado, la ubicaci\u00f3n, la sensibilidad a descuentos o los patrones de navegaci\u00f3n. En consecuencia, el precio refleja cada vez menos la interacci\u00f3n entre oferta y demanda y cada vez m\u00e1s el valor econ\u00f3mico que un algoritmo atribuye a cada individuo.<\/p>\n\n\n\n
Esta evoluci\u00f3n coincide con la consolidaci\u00f3n del \u201cretail media\u201d, una de las herramientas m\u00e1s relevantes del comercio electr\u00f3nico. Concebido inicialmente como un canal para monetizar espacios publicitarios y datos derivados de la actividad de compra, ha evolucionado hacia una infraestructura donde la publicidad, la recomendaci\u00f3n de productos y la pol\u00edtica de precios forman parte de un mismo sistema automatizado de decisi\u00f3n. La plataforma que decide qu\u00e9 anuncio mostrar dispone tambi\u00e9n de la informaci\u00f3n necesaria para anticipar el comportamiento del consumidor, estimar su sensibilidad al precio y optimizar simult\u00e1neamente la inversi\u00f3n publicitaria y el margen comercial.<\/p>\n\n\n\n
Comprender las implicaciones econ\u00f3micas de esta transformaci\u00f3n exige ir m\u00e1s all\u00e1 de la tecnolog\u00eda. La cuesti\u00f3n no es si los algoritmos fijan precios de forma m\u00e1s eficiente, sino hasta qu\u00e9 punto esa capacidad modifica las reglas de la competencia, ampl\u00eda las asimetr\u00edas de informaci\u00f3n y moldea la relaci\u00f3n entre empresas y consumidores.<\/p>\n\n\n\n
Del precio como instituci\u00f3n de confianza al precio como resultado algor\u00edtmico.<\/strong><\/p>\n\n\n\n En 1945, F.A. Hayek sostuvo en The Use of Knowledge in Society que el sistema de precios constituye un mecanismo capaz de sintetizar informaci\u00f3n dispersa sobre la escasez, las preferencias y la disponibilidad de recursos. Gracias a esa funci\u00f3n coordinadora, los mercados pod\u00edan operar sin necesidad de una direcci\u00f3n centralizada.<\/p>\n\n\n\n Durante gran parte del siglo XX, esa l\u00f3gica convivi\u00f3 con un entorno en el que compradores y vendedores dispon\u00edan de niveles de informaci\u00f3n relativamente similares. Los comerciantes conoc\u00edan a sus clientes habituales, pero ese conocimiento era limitado y costoso de obtener; los consumidores, por su parte, pod\u00edan comparar precios entre establecimientos y asumir razonablemente que todos compet\u00edan en condiciones semejantes.<\/p>\n\n\n\n Ese equilibrio se consolid\u00f3 con la generalizaci\u00f3n del precio fijo a finales del siglo XIX, cuando J. Wanamaker convirti\u00f3 los precios visibles y homog\u00e9neos en un elemento central del comercio moderno. Renunciar a negociar individualmente con cada cliente implicaba sacrificar parte del ingreso potencial, pero generaba confianza, reduc\u00eda los costes de transacci\u00f3n y fortalec\u00eda la percepci\u00f3n de equidad. El precio uniforme termin\u00f3 funcionando como una aut\u00e9ntica regla comercial de repercusi\u00f3n social.<\/p>\n\n\n\n El comercio electr\u00f3nico ha reducido pr\u00e1cticamente a cero el coste de modificar precios en tiempo real. Frente al elevado esfuerzo que supon\u00eda cambiar miles de etiquetas en una tienda f\u00edsica, una plataforma digital puede actualizar millones de precios de forma instant\u00e1nea incorporando variables como inventario, demanda, comportamiento de la competencia o estacionalidad. Sectores como el transporte low-cost, la hosteler\u00eda o los marketplaces utilizan desde hace a\u00f1os estas t\u00e9cnicas para optimizar ingresos y gestionar mejor su capacidad en funci\u00f3n de la demanda.<\/p>\n\n\n\n As\u00ed, El \u201cpricing\u201d din\u00e1mico se constituye en una herramienta leg\u00edtima de eficiencia empresarial. El problema aparece cuando la optimizaci\u00f3n deja de apoyarse exclusivamente en variables de mercado e incorpora informaci\u00f3n espec\u00edfica sobre cada consumidor. Los sistemas de aprendizaje autom\u00e1tico identifican patrones imposibles de detectar mediante an\u00e1lisis convencionales como qu\u00e9 clientes reaccionan con rapidez a los descuentos, cu\u00e1les compran con urgencia, qui\u00e9nes apenas comparan alternativas o qui\u00e9nes muestran una elevada fidelidad a una marca. Cada interacci\u00f3n mejora la capacidad predictiva del algoritmo.<\/p>\n\n\n\n En ese momento, el precio deja de expresar \u00fanicamente las condiciones del mercado y se convierte en una estimaci\u00f3n personalizada de la disposici\u00f3n individual a pagar (el algoritmo calcula el importe que una persona concreta est\u00e1 dispuesta a asumir antes de ejecutar la compra).<\/p>\n\n\n\n Si durante d\u00e9cadas el conocimiento permanec\u00eda distribuido entre millones de agentes y el precio actuaba como un mecanismo relativamente neutral de coordinaci\u00f3n, hoy ese conocimiento tiende a concentrarse en un reducido n\u00famero de plataformas capaces de observar, predecir e influir sobre el comportamiento econ\u00f3mico de millones de consumidores. Entonces, el precio pasa a ser otro instrumento de captura de informaci\u00f3n y de apropiaci\u00f3n de una parte creciente del ahorro del consumidor.<\/p>\n\n\n\n Retail media, cuando la publicidad y el precio hablan entre s\u00ed.<\/strong><\/p>\n\n\n\n Antes de convertirse en uno de los conceptos centrales del marketing digital, el retail media representaba una fuente de ingresos para los grandes distribuidores. La sencilla l\u00f3gica era que, si millones de consumidores realizan sus compras en plataformas como Amazon, Alibaba o en los canales digitales de grandes cadenas de distribuci\u00f3n, esos espacios poseen un enorme valor publicitario para las marcas. Adem\u00e1s de vender productos, los distribuidores pod\u00edan comercializar visibilidad mediante anuncios patrocinados, recomendaciones o posiciones preferentes dentro de sus propios entornos digitales.<\/p>\n\n\n\n Hoy, sin embargo, el retail media representa una transformaci\u00f3n esencial porque integra tres capacidades que hist\u00f3ricamente permanec\u00edan separadas: el conocimiento detallado del consumidor, la capacidad de influir en su decisi\u00f3n de compra y el control sobre el precio final de cada transacci\u00f3n. Esa integraci\u00f3n otorga a las plataformas un poder cualitativamente distinto al de los distribuidores tradicionales.<\/p>\n\n\n\n Durante d\u00e9cadas, fabricantes, agencias de publicidad y comercios desempe\u00f1aban funciones claramente diferenciadas. Las marcas invert\u00edan para generar notoriedad; los distribuidores facilitaban el acceso al producto; y los consumidores decid\u00edan comparando precio, calidad y disponibilidad. La informaci\u00f3n circulaba entre los distintos actores y ninguno controlaba de forma integral el proceso de decisi\u00f3n.<\/p>\n\n\n\n La digitalizaci\u00f3n ha modificado esa arquitectura facilitando que las plataformas conozcan qu\u00e9 productos busca cada usuario, cu\u00e1nto tiempo dedica a examinarlos, cu\u00e1les descarta, qu\u00e9 promociones han funcionado anteriormente y cu\u00e1l suele ser su presupuesto. Ese conocimiento permite anticipar el comportamiento del consumidor e influir sobre \u00e9l en el momento de la compra. A diferencia de la publicidad convencional, orientada a condicionar decisiones futuras, el retail media<\/em> act\u00faa impulsando la intenci\u00f3n de compra. Esa proximidad temporal multiplica el valor econ\u00f3mico de cada impacto publicitario al conectar directamente publicidad, toma de decisiones y transacci\u00f3n efectiva.<\/p>\n\n\n\n Pero la verdadera transformaci\u00f3n comienza cuando esa capacidad publicitaria se integra con los sistemas de \u201cpricing\u201d. En el comercio tradicional ambas funciones evolucionaban de forma relativamente independiente. En los ecosistemas digitales convergen dentro de una misma infraestructura tecnol\u00f3gica capaz de decidir simult\u00e1neamente qu\u00e9 producto mostrar, qu\u00e9 promoci\u00f3n ofrecer y qu\u00e9 precio maximiza el margen objetivo. Cada decisi\u00f3n alimenta inmediatamente a las dem\u00e1s mediante algoritmos que aprenden de forma continua.<\/p>\n\n\n\n De esta forma, si una promoci\u00f3n incrementa la probabilidad de compra, el sistema identifica qu\u00e9 perfiles responden mejor a ese est\u00edmulo; si un determinado segmento contin\u00faa comprando pese a un aumento del precio, el algoritmo reajusta sus estrategias futuras. La publicidad ya no es un instrumento de comunicaci\u00f3n, sino un experimento permanente sobre el comportamiento del consumidor.<\/p>\n\n\n\n La econom\u00eda conductual proporciona el fundamento te\u00f3rico de este proceso a partir de los trabajos de D. Kahneman y A. Tversky, quienes demostraron que las decisiones de compra no responden exclusivamente a criterios racionales ya que el contexto, la presentaci\u00f3n de la informaci\u00f3n, la sensaci\u00f3n de escasez, la urgencia u otros sesgos cognitivos modifican la percepci\u00f3n del valor. R. Thaler mostr\u00f3, adem\u00e1s, que las personas construyen referencias mentales de precios que condicionan sus decisiones posteriores.<\/p>\n\n\n\n Los algoritmos actuales no necesitan incorporar expl\u00edcitamente estas teor\u00edas para aprovecharlas. Basta con observar millones de decisiones reales e identificar qu\u00e9 combinaci\u00f3n de precio, momento, dise\u00f1o o mensaje incrementa la probabilidad de compra. D\u00e9cadas de investigaci\u00f3n en psicolog\u00eda econ\u00f3mica se transforman as\u00ed en un proceso automatizado de investigaci\u00f3n continua.<\/p>\n\n\n\n Desde esta perspectiva, el retail media no consiste en vender espacios publicitarios pues su verdadero valor reside en la posibilidad de realizar miles de experimentos simult\u00e1neos sobre consumidores reales. Cada b\u00fasqueda, cada clic y cada compra alimentan modelos predictivos que ampl\u00edan la ventaja informativa de las plataformas.<\/p>\n\n\n\n Tradicionalmente, la teor\u00eda econ\u00f3mica entend\u00eda la asimetr\u00eda de informaci\u00f3n como una situaci\u00f3n en la que una de las partes conoc\u00eda mejor el producto y las condiciones del intercambio que la otra. En los mercados digitales esa explicaci\u00f3n resulta insuficiente ya que la principal desigualdad no consiste en que el vendedor conozca mejor el producto, sino en que conoce mejor al comprador que \u00e9ste a s\u00ed mismo.<\/p>\n\n\n\n A esa ventaja se a\u00f1ade una segunda asimetr\u00eda: la capacidad computacional. Ning\u00fan consumidor puede procesar en tiempo real los millones de variables que intervienen en la fijaci\u00f3n algor\u00edtmica de precios, mientras que las plataformas ajustan autom\u00e1ticamente sus modelos tras cada interacci\u00f3n. La negociaci\u00f3n impl\u00edcita entre comprador y vendedor deja as\u00ed de producirse entre agentes con capacidades comparables para desarrollarse entre un individuo y sistemas de IA dise\u00f1ados para maximizar el rendimiento econ\u00f3mico de cada decisi\u00f3n.<\/p>\n\n\n\n Como consecuencia, la competencia no depende exclusivamente de ofrecer mejores productos o precios m\u00e1s bajos, sino que se apoya en la capacidad de acumular datos, interpretarlos y convertirlos en propiciar decisiones comerciales m\u00e1s rentables. El retail media pasa de ser una herramienta de marketing a ser el n\u00facleo de una nueva arquitectura competitiva basada en la informaci\u00f3n, donde publicidad, conocimiento del consumidor y fijaci\u00f3n de precios evolucionan como funciones inseparables de una misma arquitectura algor\u00edtmica.<\/p>\n\n\n\n Del capitalismo de mercado al \u201ctecnofeudalismo\u201d.<\/strong><\/p>\n\n\n\n Las transformaciones descritas representan, adem\u00e1s de una evoluci\u00f3n de las t\u00e9cnicas comerciales, un cambio m\u00e1s profundo en la naturaleza del poder econ\u00f3mico. Durante buena parte del siglo XX, la competencia descans\u00f3 sobre factores relativamente tangibles como la capacidad productiva, la innovaci\u00f3n, la eficiencia log\u00edstica o el acceso a la financiaci\u00f3n. La econom\u00eda digital no ha eliminado esos elementos, pero ha incorporado el conocimiento detallado del comportamiento humano como activo estrat\u00e9gico cuyo valor supera, en muchos sectores, al de cualquier infraestructura f\u00edsica.<\/p>\n\n\n\n Hoy resulta tan importante fabricar un buen producto como anticipar qui\u00e9n lo comprar\u00e1, cu\u00e1ndo lo har\u00e1, cu\u00e1l ser\u00e1 su disposici\u00f3n m\u00e1xima a pagar y qu\u00e9 est\u00edmulo aumentar\u00e1 la probabilidad de cerrar la transacci\u00f3n. El recurso escaso no es el capital o la capacidad industrial, sino la informaci\u00f3n conductual de car\u00e1cter predictivo. En este contexto surge el debate sobre el denominado \u201ctecnofeudalismo\u201d, concepto desarrollado por C. Durand y popularizado por Y. Varoufakis. Ambos autores, con diferencias de enfoque, coinciden en se\u00f1alar que las grandes plataformas digitales han evolucionado desde el papel de intermediarios hacia el de infraestructuras privadas que organizan el funcionamiento de amplios segmentos del mercado. Quien controla la plataforma controla el acceso a compradores, vendedores, anunciantes y datos; y quien controla esos datos condiciona, cada vez m\u00e1s, la distribuci\u00f3n de recursos.<\/p>\n\n\n\n La analog\u00eda con el feudalismo no contradice al capitalismo, sino que representa a una parte creciente de las rentas econ\u00f3micas que procede del control de infraestructuras digitales capaces de establecer las reglas de acceso al mercado, captar informaci\u00f3n y monetizar la dependencia de millones de usuarios, m\u00e1s que de la producci\u00f3n eficiente de bienes y servicios. La relaci\u00f3n del consumidor con el vendedor se materializa en la integraci\u00f3n de aqu\u00e9l en un ecosistema del que resulta cada vez m\u00e1s costoso salir. Historiales de compra, programas de fidelizaci\u00f3n, m\u00e9todos de pago almacenados, suscripciones y recomendaciones personalizadas generan el efecto de \u201clock-in\u201d (dependencia del proveedor) que incrementa simult\u00e1neamente el valor de permanecer dentro de la plataforma y el coste de abandonarla.<\/p>\n\n\n\n Si el comercio tradicional recompensaba la fidelidad mediante descuentos o programas de puntos, las plataformas pueden convertir esa misma fidelidad en una fuente adicional de informaci\u00f3n para perfeccionar sus modelos predictivos. Cuanto m\u00e1s tiempo permanezca un consumidor dentro del ecosistema, mayor ser\u00e1 la precisi\u00f3n con la que el algoritmo estima sus preferencias y optimiza el valor econ\u00f3mico de cada interacci\u00f3n.<\/p>\n\n\n\n La personalizaci\u00f3n comercial, presentada habitualmente como una mejora de la experiencia del usuario, puede convertirse tambi\u00e9n en un sofisticado mecanismo de extracci\u00f3n de rentas. La variable precio no es \u00fanica para estimular la demanda al complementarse con otros incentivos integrados en un ensayo continuo cuyo objetivo es identificar el precio m\u00e1ximo que cada consumidor est\u00e1 dispuesto a aceptar.<\/p>\n\n\n\n Desde esta perspectiva, el verdadero producto del retail media son los datos que soportan el conocimiento econ\u00f3mico del consumidor, hecho que reduce la incertidumbre empresarial y aumenta la capacidad de capturar una parte mayor del excedente generado en cada intercambio. Esta din\u00e1mica introduce la paradoja de que, mientras que los mercados competitivos cl\u00e1sicos descansaban sobre la imposibilidad de que una de las partes controlase completamente la informaci\u00f3n relevante para el intercambio, hoy unas pocas plataformas concentran un conocimiento detallado sobre cientos de millones de consumidores, debilitando esa condici\u00f3n.<\/p>\n\n\n\n Ello no significa que todos los consumidores terminen pagando precios distintos. En numerosos mercados seguir\u00e1n predominando los precios uniformes por razones regulatorias, reputacionales o comerciales. No obstante, la mera existencia de tecnolog\u00edas capaces de individualizar precios modifica el equilibrio de poder entre empresas y consumidores, incluso cuando esa capacidad no se ejerza de forma expl\u00edcita o universal.<\/p>\n\n\n\n Una regulaci\u00f3n centrada en el m\u00e9todo, no en el precio.<\/strong><\/p>\n\n\n\n El escenario descrito plantea un desaf\u00edo regulatorio importante ya que resultar\u00eda dif\u00edcil justificar una intervenci\u00f3n p\u00fablica destinada a impedir que las empresas adapten sus precios a las condiciones de oferta y demanda. El \u201cpricing\u201d din\u00e1mico constituye, en numerosos sectores, una herramienta eficiente para gestionar la capacidad, reducir excedentes y mejorar la asignaci\u00f3n de recursos.<\/p>\n\n\n\n La cuesti\u00f3n cambia cuando el \u201cpricing\u201d deja de responder principalmente a variables de mercado e incorpora caracter\u00edsticas individuales obtenidas mediante la explotaci\u00f3n masiva de datos personales y conductuales. El debate regulatorio no debe consistir en topar el precio puede cobrar una empresa, sino en establecer qu\u00e9 informaci\u00f3n puede utilizar para fijarlo y en qu\u00e9 condiciones de transparencia, control y supervisi\u00f3n.<\/p>\n\n\n\n Esta distinci\u00f3n resulta esencial porque, desde una perspectiva econ\u00f3mica, dos consumidores pueden afrontar precios distintos por motivos plenamente justificados, como el volumen de compra, las condiciones log\u00edsticas, la duraci\u00f3n del contrato o promociones abiertas a todos los clientes. Lo que suscita una creciente preocupaci\u00f3n es que esa diferenciaci\u00f3n responda a atributos que el consumidor desconoce, no pueda controlar o ignore que est\u00e1n siendo utilizados para estimar su disposici\u00f3n individual a pagar.<\/p>\n\n\n\n El riesgo adquiere una dimensi\u00f3n adicional cuando los algoritmos identifican situaciones de vulnerabilidad econ\u00f3mica, cultural o conductual. Un consumidor que necesita realizar una compra con urgencia, que muestra escasa propensi\u00f3n a comparar alternativas o que presenta determinados patrones de comportamiento puede terminar soportando condiciones menos favorables precisamente por esas circunstancias. En estos supuestos, la personalizaci\u00f3n deja de orientarse \u00fanicamente a mejorar la eficiencia comercial para aproximarse a una discriminaci\u00f3n econ\u00f3mica dif\u00edcilmente perceptible por quien la sufre.<\/p>\n\n\n\n La UE ya cuenta con un marco regulatorio que, aunque fragmentario, apunta hacia una mayor supervisi\u00f3n de estas pr\u00e1cticas. El Reglamento General de Protecci\u00f3n de Datos (GDPR) limita determinadas decisiones automatizadas basadas exclusivamente en tratamientos algor\u00edtmicos; el Reglamento de Mercados Digitales (DMA) pretende reducir el poder estructural de los grandes \u201cgatekeepers\u201d; el Reglamento de Servicios Digitales (DSA) incrementa las obligaciones de transparencia de las plataformas; y el Reglamento Europeo de Inteligencia Artificial (AI-Act) introduce requisitos espec\u00edficos para determinados sistemas automatizados en funci\u00f3n del riesgo que generan.<\/p>\n\n\n\n Ninguna de estas normas regula de forma expresa la fijaci\u00f3n personalizada de precios, pero todas comparten el mismo principio de que las decisiones algor\u00edtmicas con efectos significativos sobre ciudadanos y mercados no pueden permanecer completamente opacas. La tendencia regulatoria parece dirigirse, por tanto, hacia una mayor exigencia de trazabilidad y rendici\u00f3n de cuentas en el funcionamiento de estos sistemas.<\/p>\n\n\n\n Probablemente, el siguiente paso ha de consistir en supervisar los procedimientos que permiten determinar los precios. Del mismo modo que hoy se auditan los estados financieros, los modelos internos de riesgo o determinados sistemas automatizados utilizados por entidades financieras y grandes plataformas, resulta imperativo regular que los algoritmos de \u201cpricing\u201d din\u00e1mico sean sometidos a obligaciones de transparencia, evaluaci\u00f3n de sesgos y mecanismos de auditor\u00eda cuando puedan producir efectos relevantes sobre los consumidores o sobre la competencia.<\/p>\n\n\n\n Jos\u00e9 Manuel Navarro Llena<\/strong><\/a><\/p>\n\n\n\n Director Estrategia y Marca SEFIDE EDE<\/a><\/strong><\/p>\n\n\n\n Articulo publicado en IT Digital Magazine de\u00a0ITUser<\/a>\u00a0n\u00ba41, p\u00e1ginas\u00a050-55<\/a><\/p>\n\n\n\n Referencias.<\/strong><\/p>\n\n\n\n <\/p>\n\n\n\n\n