Newsletter
Suscríbete a nuestro Newsletter y entérate de las últimas novedades.
https://centrocompetencia.com/wp-content/themes/Ceco
Esta nota corresponde a una traducción al español de una publicación original de Promarket.org, de fecha 19 de diciembre de 2025. Esto se realiza en el marco de un convenio de re-publicación suscrito entre CeCo y ProMarket (Stigler Center, University of Chicago Booth School of Business).
En una nueva investigación, Niuniu Zhang analiza cómo los reguladores pueden añadir “ruido” a los datos de mercado para impedir la colusión tácita a través del software algorítmico de fijación de precios sin obstaculizar las prácticas legítimas del mercado.
Los sistemas de fijación de precios algorítmicos ya deciden cuánto pagamos por el arriendo, los alimentos, los vuelos y prácticamente todo lo que se vende en línea. Detrás de cada etiqueta de precio “inteligente” hay un algoritmo que digiere grandes cantidades de datos de mercado para recomendar el precio “óptimo”. Lo que comenzó como una herramienta para mejorar la eficiencia se ha convertido silenciosamente en un elemento indispensable de la economía digital.
Pero cuando las empresas competidoras recurren a los mismos algoritmos de precios —o a algoritmos similares— ocurre algo inquietante: los precios comienzan a moverse al unísono. Sin llamadas telefónicas, sin reuniones secretas: solo aprendizaje de código paralelo a partir de los mismos datos. El resultado puede ser indistinguible de un cartel clásico de fijación de precios, salvo que no hay nada que las autoridades antimonopolio puedan presentar ante la corte. Esta colusión tácita (a diferencia de la colusión explícita, que deja rastros documentales) ha sido particularmente frecuente en los mercados de arriendo, donde el Departamento de Justicia demandó a RealPage, un proveedor de software de gestión inmobiliaria, por permitir que propietarios en varios mercados geográficos utilizaran su software de precios para coordinarse y elevar los arriendos por encima de los niveles competitivos. En vez de esperar a detectar esta forma esquiva de colusión una vez que ya ocurrió, los responsables de política pública pueden atacarla en su origen. En una investigación reciente, exploro la idea de que, regulando la fidelidad de los datos de mercado que consumen estos algoritmos —haciéndolos lo suficientemente ruidosos—, podemos desacelerar o incluso impedir la colusión antes de que comience.
Imagina que tienes una estación de servicio en Westwood, Los Ángeles. Quieres subir los precios, así que levantas el teléfono y llamas al competidor que tienes al otro lado de la calle: “Subamos ambos el precio en diez centavos”. Eso es fijación de precios clásica, coordinación explícita y una clara violación de la ley antimonopolio. Lo que te hace legalmente responsable no es el precio más alto en sí mismo, sino el acto de comunicarte para coordinarlo.
Ahora avancemos rápidamente hasta la economía algorítmica actual. Supongamos que eres propietario de un inmueble en Santa Mónica, Los Ángeles. Como muchos otros, adoptas una herramienta automatizada de fijación de precios que escanea los anuncios de arriendo de locales, estima la demanda y recomienda precios diarios para maximizar los ingresos. Nunca hablas con otro propietario. Sin embargo, desde fuera, los arriendos en toda la ciudad empiezan a subir en paralelo, semana tras semana, edificio tras edificio. No hay reuniones colusorias, ni correos electrónicos, ni apretones de manos. Aun así, el resultado se parece mucho a un cartel inmobiliario donde los precios de arriendo se fijan ilegalmente. Eso es colusión algorítmica: resultados de mercado coordinados que se realizan sin coordinación en el sentido tradicional. El software no necesita actuar con la intención de coludirse, ya que solo aprende de los mismos datos y reacciona a los movimientos de los demás hasta que los precios convergen. Lo que antes requería una sala llena de humo hoy puede surgir de una simple hoja de cálculo compartida.
Fiscalizar este comportamiento ha demostrado ser casi imposible. A principios de este año, Santa Mónica decidió prohibir por completo el software algorítmico de fijación de precios de arriendos, alegando que estaba empujando los precios al alza durante una crisis habitacional provocada por incendios forestales. Esto, más que un triunfo de la regulación es un acto de desesperación, ya que las herramientas de fijación de precios son ahora parte integrante del comercio moderno. El problema radica en leyes obsoletas que no pueden reconocer la coordinación algorítmica sin un correo electrónico que lo demuestre de forma irrefutable.
La demanda de 2023 y la investigación posterior contra RealPage por coordinar una fijación ilegal de precios entre los propietarios ilustra esta brecha. Los propietarios no fueron sancionados por utilizar un software algorítmico de fijación de precios; solo se presentaron cargos después de que los investigadores descubrieran que 14 de ellos habían acordado compartir datos sensibles desde el punto de vista competitivo y adoptar colectivamente las recomendaciones de precios de RealPage. La aplicación de la ley detectó el intercambio, no el código. En otras palabras, el problema no era el algoritmo en sí, sino las huellas humanas que lo rodeaban. La brecha está creciendo rápidamente. Los algoritmos se actualizan en milisegundos; los tribunales se mueven en años. A medida que avanzan las herramientas de fijación de precios, basarse en pruebas de comunicación difíciles de obtener es como hacer cumplir las leyes de tráfico con una patrulla tirada por caballos.
No importa cuán sofisticado sea un algoritmo de fijación de precios —ya sea un sistema de aprendizaje por refuerzo, un modelo de lenguaje grande o un optimizador tradicional—, todos comparten una misma “debilidad”: necesitan datos de mercado para funcionar. Si controlas el input, puedes moldear de manera significativa el output.
Esto no es una idea radical. Los científicos computacionales llevan años gestionando la fidelidad de la información mediante la privacidad diferencial, una técnica que añade ruido cuidadosamente calibrado a los datos para que los registros individuales sigan siendo privados, mientras que las estadísticas generales siguen siendo precisas. Incluso el modelo de lenguaje más reciente de Google, VaultGemma, utiliza este método para evitar que terceros malintencionados recuperen datos confidenciales, como tarjetas de crédito o identificadores personales, de los datos de entrenamiento.
Así es como esto ayuda. Imagina un futuro en el que todos los algoritmos de fijación de precios dispongan de información perfecta: acceso en tiempo real a la demanda y el inventario de todos los competidores. En ese mundo, los precios se sincronizarían al instante y la colusión se convertiría en la norma. Ahora imagina el extremo opuesto: los datos de mercado son tan ruidosos que los algoritmos apenas pueden inferir algo útil. Los precios oscilarían de forma aleatoria, perjudicando tanto a las empresas como a los consumidores. Volviendo al ejemplo del dueño de la estación de servicio en Westwood, imagina que compruebas tu algoritmo de fijación de precios. En lugar de recibir una señal clara en la que todas las gasolineras cercanas cobran exactamente 4 dólares por galón, ahora ve una señal ligeramente confusa: 3,94 dólares aquí, 4,02 dólares allá, incluso 10 dólares cuando hay demasiado ruido. Con un ruido moderado, el algoritmo sigue funcionando, pero ya no rastrea a la perfección a los competidores; optimiza a partir de una imagen más difusa del mercado en lugar de una imagen perfecta.
Piénsalo como conducir con una neblina ligera: aún ves la carretera y el auto que va adelante, pero no lo suficiente como para ir pegado a su parachoques. Ese desenfoque moderado mantiene a los conductores seguros al desalentar una conducción temeraria, sin dejar ciegos a todos. Introducir una cantidad moderada de ruido en los datos agregados del mercado cumple esa misma función: preserva la visibilidad necesaria para una fijación legítima de precios, pero impide que los algoritmos avancen pegados unos a otros.
El poder de este enfoque reside en su carácter preventivo. No espera a que ocurra la colusión ni a que los reguladores demuestren la intención de realizarla. Actúa directamente sobre la materia prima de la coordinación algorítmica, los datos mismos: en lugar de leer el precio exacto de un competidor, por ejemplo, 5 dólares, el algoritmo podría ver 5,2 o 4,8, una variación bien medida que mantiene la coordinación bajo control. Y como todo algoritmo de precios —desde arriendos hasta optimización de cadenas de suministro— se basa en la introducción de datos, el principio se generaliza ampliamente. Con una calibración adecuada, la regulación de la fidelidad de los datos puede neutralizar la coordinación antes de que comience. Evita la tarea imposible de encontrar una prueba digital irrefutable y, en su lugar, hace que el mecanismo colusorio falle.
Ningún medicamento está completamente libre de riesgos, y ninguna política pública tampoco. Aumentar arbitrariamente el ruido en los datos de mercado no es una cura milagrosa contra la colusión algorítmica. Al igual que con la niebla en una autopista, la cantidad adecuada puede hacer que la conducción sea más segura, pero si es excesiva, todo el mundo pierde de vista la carretera. Si los reguladores van demasiado lejos, incluso las empresas honestas podrían tener dificultades: la bodega de tu barrio podría empezar a cobrar 50 dólares por un café una mañana y cincuenta centavos la siguiente. El objetivo no es alterar los precios, sino evitar que se muevan en perfecta sincronía. Siempre hay un término medio, suficiente confusión para romper la colusión, pero no tanta como para que la fijación cotidiana de precios se vuelva errática.
Pero ¿cómo saben los reguladores dónde está el equilibrio? Empiezan por definir qué significa “excederse”, estableciendo límites claros sobre cuánto pueden fluctuar razonablemente los beneficios legítimos de las empresas y el bienestar de los consumidores. Estos límites pueden extraerse de datos históricos u objetivos de política pública. Una vez establecidos esos umbrales, mis hallazgos pueden utilizarse para identificar el nivel máximo de ruido seguro que mantiene los resultados del mercado dentro de cierto rango. Cuanto mayor es el ruido, más difícil es para los algoritmos coordinarse, pero como el límite máximo está definido matemáticamente, los reguladores no corren el riesgo de sobrepasarlo. No se trata de una suposición o una prueba, sino de un equilibrio calculado que limita el daño y preserva la competencia.
La ventaja de este enfoque es que es ajustable. A medida que los mercados evolucionan, los reguladores pueden revisar las tolerancias aceptables de distorsión en ganancias y bienestar, y el nivel de ruido se ajusta automáticamente para mantenerse dentro de esos límites. En términos prácticos, esta medida funciona como un termostato: lo suficientemente precisa para preservar una competencia justa y lo bastante estable para mantener cómodos tanto a las empresas como a los consumidores. El principio es simple: moderación guiada por la evidencia, no por los extremos.
El panorama más amplio tiene que ver con el momento de intervención. El enforcement tradicional del derecho de la competencia espera pruebas, correos electrónicos o llamadas, cuando los precios ya se han alineado desde hace tiempo. Los algoritmos, en cambio, pueden iterar millones de veces antes que siquiera comience un caso. Para cuando las autoridades actúan, el daño ya está hecho. En este sentido, prevenir es mejor que castigar. No necesitamos ser más astutos que los algoritmos ni litigar mejor que ellos. Solo necesitamos nivelar el terreno de juego eliminando su clarividencia sobre el mercado. Una pequeña cantidad de ruido, bien calibrada, introducida al día de hoy, puede preservar la equidad tanto para los consumidores como para las empresas mañana. En una economía cada vez más gobernada por código, el tipo adecuado de confusión podría ser nuestra defensa más clara de la competencia equitativa.
Declaración del autor: El autor declara no tener conflictos de interés. Puedes consultar nuestra política de divulgación aquí.
Los artículos representan las opiniones de sus autores, no necesariamente las de la Universidad de Chicago, la Escuela de Negocios Booth o su cuerpo docente.
Regístrate de forma gratuita para seguir leyendo este contenido
Contenido exclusivo para los usuarios registrados de CeCo
