E-commerce y precios algorítmicos: ¿por qué pagás más por el mismo producto?

El 9 de marzo, el economista Ariel Setton publicó una captura de pantalla en X. Había encontrado el mismo producto en Mercado Libre con dos precios distintos: uno desde su cuenta, otro desde una cuenta diferente. La diferencia entre precios era del 20%. "¿Desde cuándo Mercado Libre pone precios dinámicos?", preguntó en su posteo. En pocas horas, cientos de usuarios replicaron la prueba y publicaron sus propios resultados.

A pesar de que el gigante del e-commerce ofrece una herramienta de automatización de precios, a la que define como una herramienta que se encarga de ajustar automáticamente los valores de los productos para garantizar mayor competitividad según la estrategia que el vendedor decida, la vocera de la compañía fundada por Marcos Galperin negó haber implementado algún sistema de precios personalizados. “En Mercado Libre no existen precios según cada usuario”, dijo, y argumentó que se trató de un error por testeos con “grupos de control”, una práctica común en plataformas digitales para medir el impacto de promociones o estrategias comerciales.

En la economía analógica, la posibilidad de aplicar precios personalizados masivamente era casi impracticable: ningún comerciante podía conocer con precisión cuánto estaba dispuesto a pagar cada cliente. Los precios debían ser, por necesidad, generales, y las variables se reducían a “cobrar por la cara”, una práctica intuitiva e informal. Pero en la economía digital esa restricción desapareció. Las plataformas registran cada búsqueda, cada clic, cada compra, cada segundo de permanencia en pantalla. Saben qué mirás, qué descartás, qué volvés a mirar y en qué momento decidís comprar. Con esa información, los precios dejan de ser una señal pública y pasan a convertirse en una variable privada, potencialmente distinta para cada usuario. Lo que antes era una hipótesis teórica (cobrarle a cada uno según su disposición a pagar) hoy es, técnicamente, posible.

Lo que Setton puso en debate con su posteo, incluso sin proponérselo, es uno de los debates más antiguos y más urgentes de la economía, que ahora se reactualiza con las novedades tecnológicas de la IA aplicada al e-commerce: ¿cuáles son las consecuencias macroeconómicas de que las personas paguen precios iguales o precios distintos por el mismo bien? Y su versión más inquietante en este contexto tecnológico: ¿quién decide cuánto vale algo para vos?

Las plataformas registran cada búsqueda, cada clic, cada compra, cada segundo de permanencia en pantalla. Saben qué mirás, qué descartás, qué volvés a mirar y en qué momento decidís comprar.

Hay una idea que recorre el pensamiento económico desde mediados del siglo XIX: un peso vale más para alguien pobre que para alguien rico. Cuando tenés poco, cada peso adicional resuelve una necesidad básica y urgente (comida, abrigo, salud). Cuando tenés mucho, cada peso adicional satisface necesidades cada vez menos urgentes. Los economistas llaman a esto “utilidad marginal decreciente del dinero”, y es uno de los pilares de la teoría económica moderna. Su consecuencia es incómoda: un precio uniforme no es neutral. Aplicar la misma carga a quien tiene poco y a quien tiene mucho produce sacrificios desiguales. Durante dos siglos, ese argumento fue el fundamento de la tributación progresiva. Hoy, por primera vez en la historia, existe la tecnología para aplicarlo también a los precios de mercado.

El problema es que nadie la está usando para eso.

Este  fenómeno, conocido como discriminación de precios, se produce cuando las plataformas establecen mecanismos tecnológicos para predecir lo que sus clientes están dispuestos a pagar y, en consecuencia, aumentar sus precios todo lo posible.

Amazon no llegó a la discriminación de precios de golpe. Se trató de un proceso lento y paulatino, y la primera vez que se le vio la mano fue por accidente y gracias al descubrimiento de una persona ajena a la empresa (al igual, casualmente, que el caso de Mercado Libre). En el año 2000, un usuario de DVD descubrió algo extraño: si borraba las cookies de su navegador el precio de un producto bajaba. La plataforma lo estaba reconociendo como cliente frecuente y le cobraba más. Amazon había estado diferenciando los precios de DVDs según los datos demográficos, el historial de compras y el comportamiento en línea de sus usuarios. Cuando la práctica se hizo pública, los consumidores reaccionaron con furia y plantearon inmediatamente la cuestión de la equidad. Amazon emitió apresuradamente un comunicado afirmando que solo estaba realizando un experimento con descuentos aleatorios  (lo mismo, otra vez casualmente, que argumentó Mercado Libre), y ofreció reembolsos a quienes habían pagado por encima del precio promedio.

El desmentido fue apresurado y poco convincente. Pero funcionó: la controversia se apagó y Amazon siguió adelante.

Veinticinco años después, el sistema es incomparablemente más sofisticado. Distintos análisis de mercado basados en monitoreo de precios sugieren que en plataformas como Amazon los valores se ajustan de manera continua (en algunos casos varias veces al día para un mismo producto) tomando en cuenta factores como la demanda, la disponibilidad de stock y el comportamiento del consumidor. No es un humano el que decide cuánto te cobra: es un sistema que aprende continuamente de tus patrones de compra, tu ubicación, tu historial de navegación y tu disposición a pagar.

Pero la discusión más reciente no se limita a los precios personalizados, sino a lo que ocurre cuando los algoritmos de distintos vendedores interactúan entre sí. Algunas investigaciones han planteado la posibilidad de que, en ciertos contextos, sistemas automatizados de fijación de precios puedan aprender estrategias que reduzcan la competencia, incluso sin coordinación explícita entre empresas.

Psicohistoria del Siglo XXI: ¿puede la IA predecir el comportamiento de la sociedad?

De la sociofísica al cibercomunismo En la saga de Fundación, Isaac Asimov cuenta la historia de Hari Sheldon, un científico que desarrolla una disciplina.

421 | Información de calidad para tu dieta cognitivaEmilio Méndez

De acuerdo con una demanda presentada por la Comisión Federal de Comercio de Estados Unidos (FTC), Amazon desarrolló un proyecto interno llamado "Project Nessie", destinado a comprobar si otras plataformas de venta online seguían sus precios, y a aumentar los precios de los productos propios que probablemente serían seguidos por la competencia. Según la FTC, después de que la competencia comenzara a igualar o aumentar sus precios, Amazon continuó vendiendo el producto a un precio inflado, lo que resultó en un beneficio excesivo de mil millones de dólares. “Amazon utilizó el Proyecto Nessie para extraer más de mil millones de dólares directamente de los bolsillos de los estadounidenses", declaró la FTC.

Según la demanda, cada vez que un competidor subía su precio, el algoritmo hacía lo mismo; cuando lo bajaba, también. Los algoritmos de inteligencia artificial habían aprendido rápidamente que subir sus precios llevaba a los competidores a imitarlos, disparando las ganancias de todos los vendedores a expensas del excedente del consumidor. Sin reunión de ejecutivos, sin acuerdo explícito, sin cartelización en el sentido legal del término. Los algoritmos habían aprendido solos a no competir.

Los algoritmos de inteligencia artificial habían aprendido rápidamente que subir sus precios llevaba a los competidores a imitarlos, disparando las ganancias de todos los vendedores a expensas del excedente del consumidor. Sin reunión de ejecutivos, sin acuerdo explícito, sin cartelización.

El caso Amazon no es una excepción ni un abuso aislado. Es el modelo que el resto del e-commerce global (incluyendo Mercado Libre) observa, estudia y replica. Los precios se están volviendo fluidos, personalizados y opacos. No solo están determinados por la oferta y la demanda, sino también por quién sos, dónde estás, que comprás, cómo comprás, qué buscás en internet y cuánto estima el algoritmo que estás dispuesto a pagar por un producto.

Pero si el caso Amazon podría parecer distante para un usuario argentino, el caso Uber no. La plataforma de servicios de traslado lleva años aplicando precios dinámicos en Argentina y lo explica con total transparencia en su propio sitio: cuando el pedido de viajes aumenta considerablemente (días de lluvia, recitales, finales de fútbol) la tarifa dinámica se activa de forma automática para incentivar a más conductores a acudir a la zona. El precio sube, hay más oferta, el mercado se equilibra. El argumento es limpio y tiene lógica económica.

Lo que Uber no explica con la misma claridad es qué otro tipo de información tiene en cuenta el algoritmo a la hora de calcular el precio del viaje, ni que ocurre del otro lado de la ecuación: el del conductor.

Un estudio presentado en 2025 en FAccT, la principal conferencia académica mundial sobre justicia algorítmica, basado en el análisis de 1,5 millones de viajes de 258 conductores, encontró que después de la introducción del pricing dinámico el salario de los conductores bajó en términos reales, la comisión de Uber subió, y la asignación de trabajo se volvió menos predecible. En algunos viajes, la comisión de la plataforma llegó a superar el 50% del total pagado por el pasajero.

Polymarket: inteligencia colectiva y mercados de predicciones

Apostar por las probabilidades de que algo ocurra no sólo seduce a curiosos, cazadores e insiders, sino también a los gobiernos y sus operadores.

421 | Información de calidad para tu dieta cognitivaSantiago Medina

El pricing dinámico, en el caso de Uber, no es solo una herramienta para equilibrar oferta y demanda. Es también un mecanismo para distribuir valor entre tres partes (pasajero, conductor y plataforma) de manera opaca y sistemáticamente favorable a la tercera. El pasajero paga más en los momentos de mayor necesidad. El conductor no necesariamente gana más. La plataforma es quien se apropia del excedente.

Los economistas de tradición neoclásica señalan que la discriminación de precios puede aumentar el bienestar agregado porque permite que ocurran transacciones que con un precio único no ocurrirían: si el precio uniforme es $100 y alguien solo puede pagar $60, con discriminación la transacción ocurre y ambos ganan algo. En ese sentido, hay un argumento de eficiencia genuino.

Pero hay tres objeciones que la teoría más reciente documenta bien.

Primero, el argumento de eficiencia solo funciona si la ganancia de eficiencia se distribuye: que el vendedor identifique al comprador con menos recursos y le cobre menos requiere que el algoritmo tenga ese objetivo explícito. En la práctica, el objetivo es maximizar ingresos, no maximizar acceso.

Segundo, en mercados con alta concentración (como Mercado Libre en Argentina, líder en e-commerce en la región) la discriminación de precios no produce los beneficios competitivos que la teoría predice. El comprador no tiene adónde ir.

Tercero, el impacto distributivo del pricing algorítmico no es unívoco. En teoría, la discriminación de precios puede ampliar el acceso al permitir que consumidores con menor disposición a pagar accedan a bienes que de otro modo quedarían fuera de su alcance. Sin embargo, ese resultado depende de un supuesto exigente: que los precios más bajos se asignen efectivamente a quienes tienen menores ingresos o menor capacidad de pago.

En la práctica, los sistemas de pricing no buscan maximizar el acceso sino los ingresos. Esto implica que las variaciones de precio tienden a correlacionarse no con la necesidad del consumidor, sino con su comportamiento observable: urgencia, recurrencia, menor sensibilidad al precio o menor capacidad de comparación. En contextos de alta concentración de mercado, donde las alternativas son limitadas, estas características pueden traducirse en precios más altos precisamente para quienes tienen menor margen de maniobra.

En ese sentido, más que garantizar un efecto progresivo, el pricing algorítmico introduce un riesgo: que la personalización de precios no reduzca sino que reproduzca (o incluso amplifique) desigualdades preexistentes.

Durante años, el argumento de las plataformas fue el mismo: los precios dinámicos benefician a todos. Más eficiencia, más competencia, mejores precios para el consumidor. La evidencia empírica acumulada en la última década cuenta una historia diferente.

Un estudio publicado en 2022 por Alexander MacKay y Samuel Weinstein en el Washington University Law Review demostró algo que contradice la intuición económica más básica: el pricing algorítmico puede llevar a precios por encima del nivel competitivo, y ese daño al consumidor puede ser iniciado por una sola firma que emplee un algoritmo superior a los de sus competidores. No hace falta un acuerdo entre empresas para que los precios suban.  El uso creciente de pricing algorítmico lleva a precios más altos para los consumidores: los algoritmos no intensifican la competencia sino todo lo contrario. La conclusión va en línea con la ya citada demanda de la FTC contra Amazon.

El pricing algorítmico introduce un riesgo: que la personalización de precios no reduzca sino que reproduzca (o incluso amplifique) desigualdades preexistentes.

Además, la discriminación algorítmica de precios ocurre sistemáticamente cuando las plataformas en línea cobran a los consumidores frecuentes, con historial de compras previas en sus propios sitios, precios más altos que a los consumidores nuevos por los mismos productos en el mismo momento. En la literatura académica china, el fenómeno, denominado "big data killing", o matar con big data, fue documentado por primera vez a escala: En 2018, usuarios de la plataforma de transporte Didi descubrieron que los clientes frecuentes pagaban más que los nuevos por el mismo viaje. La denuncia se viralizó, generó una ola de investigaciones periodísticas y derivó en regulación estatal.

Por último, según un artículo publicado en la University of Chicago Law Review, cuando los algoritmos no apuntan a las preferencias reales del consumidor sino a sus percepciones erróneas (explotando sesgos cognitivos) el daño al consumidor es aún mayor y puede también reducir la eficiencia total del mercado. Los algoritmos no solo leen lo que querés: aprenden dónde sos vulnerable y cuándo tenés menos capacidad de resistirte a pagar más.

Tres mecanismos distintos, una misma dirección: del consumidor hacia la plataforma.

Low Tech, High Life: un reverso al cyberpunk

Cómo evaluar costos, beneficios y demandas de las tecnologías y las herramientas que usamos a diario.

421 | Información de calidad para tu dieta cognitivaJuan Ruocco 🧙‍♂️

En los últimos años, la preocupación de los gobiernos estaduales de Estados Unidos creció exponencialmente, y muchos de ellos están tomando medidas. De acuerdo con un estudio de la organización Consumer Reports, de ese país, “en los primeros siete meses de 2025, los legisladores estatales presentaron 51 proyectos de ley en 24 estados con el objetivo de regular la fijación de precios algorítmica, en comparación con los apenas 10 proyectos de ley presentados en todo 2024. La mayoría de estas medidas se dirigen al software de fijación de alquileres, acusado de facilitar la manipulación de precios en el mercado inmobiliario. Otras proponen limitar las tácticas de fijación de precios basadas en la vigilancia, que ajustan lo que pagan los consumidores en función de sus datos personales, ubicación o comportamiento de navegación.

Los algoritmos de precios son una "innovación extractiva": un avance tecnológico que perjudica a los consumidores en lugar de beneficiarlos, transfiriendo riqueza hacia las empresas. El resultado es una reducción del bienestar del consumidor.

Marx imaginó una sociedad donde la distribución ocurriría según las necesidades de cada persona, sin mediación del precio. El pricing algorítmico parece, superficialmente, moverse en esa dirección: cobrar a cada uno según su capacidad de pago. Pero la diferencia es decisiva: para Marx, el criterio es la necesidad del receptor; en el algoritmo, es la capacidad de extracción del vendedor. El resultado es el inverso: no paga menos quien más necesita, sino quien menos puede resistirse a pagar más.

Guía cyberciruja para la autodeterminación digital

Por nuestros teléfonos y computadoras pasa toda la información que generamos. Cómo usar esos artefactos y programas buscando soberanía cognitiva.

421 | Información de calidad para tu dieta cognitivaSoldan

El pricing algorítmico implica que una plataforma privada conozca en detalle la situación económica y los hábitos de consumo de cada comprador para fijarle un precio particular y exclusivo. La distancia entre la enorme cantidad de información que posee el vendedor y su capacidad de procesarla, en contraste con la situación del comprador (que no tiene herramientas para acceder a todos los precios del mismo producto, ni a sus costos, ni a los márgenes de ganancia), deriva en un sistema de vigilancia al servicio de la acumulación. La "redistribución" que se produciría no resulta “emancipatoria” como buscaba Marx, ni tampoco una herramienta para aumentar la competitividad, como hubieran preferido liberales clásicos como Adam Smith o John Stuart Mill. Se trata de una forma más sofisticada de distorsión de mercado, que tiene como resultado mayor extracción y mayor concentración de la riqueza en beneficio de oligopolios y monopolios.

El caso Mercado Libre de marzo no es una anécdota sobre una plataforma. Los algoritmos de precios son una "innovación extractiva" muy extendida entre las plataformas e-commerce. Es un avance tecnológico que perjudica a los consumidores en lugar de beneficiarlos, transfiriendo riqueza hacia las empresas. El resultado es una reducción del bienestar del consumidor, mediante precios más altos sin ningún aumento en la calidad del producto. A partir de los casos Amazon y Uber, la evidencia empírica reciente y la teoría económica clásica estamos en condiciones de llegar a una conclusión incómoda: no paga menos quien más necesita.