IA y manipulación de precios: del caso Amazon al modelo de ¿Mercado Libre o Esclavo?

El caso Amazon: cuando la coordinación de precios deja de ser una hipótesis

El caso People of the State of California v. Amazon.com, Inc. expone algo que durante años se intuía pero que pocas veces había quedado tan claro en sede judicial, el modo en que una plataforma puede influir en la formación de precios sin necesidad de acuerdos explícitos entre competidores¹.

Lejos de tratarse de un mecanismo sofisticado en términos conceptuales, el esquema descrito en la demanda es relativamente directo. Amazon monitorea de forma constante los precios dentro y fuera de su plataforma². Cuando detecta que un vendedor ofrece el mismo producto a un precio inferior en otro canal, reacciona. Esa reacción no es simbólica, implica pérdida de visibilidad, exclusión del Buy Box y una caída inmediata en las ventas³.

En mercados donde la visibilidad es el principal determinante de la demanda, este tipo de sanción funciona como un mecanismo disciplinador. No hace falta prohibir explícitamente bajar precios. Basta con hacer que sea económicamente inviable.

El resultado es un desplazamiento del incentivo competitivo. En lugar de competir por ofrecer el precio más bajo, los vendedores comienzan a alinearse con el precio dominante dentro de la plataforma. Esa alineación no surge de un acuerdo entre partes, sino de la estructura misma del sistema.

La acusación del Estado de California agrega un elemento todavía más delicado, la posibilidad de que la plataforma haya influido indirectamente en precios fuera de su propio ecosistema⁴. Si eso se confirma, el fenómeno deja de ser un problema interno de marketplace para convertirse en un mecanismo con impacto en todo el mercado.

Esto obliga a repensar categorías tradicionales. La coordinación de precios ya no requiere necesariamente comunicación entre competidores. Puede surgir de la arquitectura de una plataforma que concentra información, controla visibilidad y define incentivos.

El salto tecnológico: algoritmos que eliminan la competencia temporal

Durante décadas, la competencia en precios tenía una característica clave: el tiempo. Existía un margen entre la acción de un competidor y la reacción de otro. Ese margen generaba oportunidades, errores, estrategias y, sobre todo, competencia real⁵. Ese elemento se está erosionando.

Los sistemas de pricing algorítmico operan con una lógica completamente distinta. No reaccionan en horas ni en días. Procesan información en tiempo real, ajustan precios automáticamente y replican patrones de mercado con una velocidad que elimina la posibilidad de respuesta diferenciada⁶.

Cuando múltiples actores utilizan herramientas similares —o reaccionan a señales generadas por los mismos sistemas— el resultado tiende a ser una convergencia de comportamientos. No porque exista un acuerdo, sino porque todos están optimizando sobre la misma información bajo lógicas similares.

La literatura económica y los informes de organismos internacionales vienen señalando este fenómeno desde hace tiempo⁷. Los algoritmos no solo hacen más eficiente la fijación de precios; también pueden estabilizar mercados en niveles superiores a los que existirían bajo competencia más imperfecta.

Esto no implica necesariamente una colusión en sentido jurídico clásico. Pero sí genera resultados funcionalmente equivalentes, menor dispersión de precios, menor agresividad competitiva y una tendencia a evitar guerras de precios⁸.

En Estados Unidos, sin embargo, ya existen antecedentes donde el uso de herramientas tecnológicas de precios fue tratado como parte de una conspiración para fijar valores. En United States v. Topkins, la Justicia acusó a vendedores online de acordar precios de posters vendidos en Amazon Marketplace y de implementar ese acuerdo mediante algoritmos específicos de pricing; el acusado terminó aceptando responsabilidad mediante un acuerdo de culpabilidad. Casos similares, como United States v. Aston and Trod Ltd., también fueron planteados como conspiraciones para fijar precios online, con utilización de software algorítmico para coordinar los valores.

Pero, el antecedente más importante para este análisis es United States v. Airline Tariff Publishing Co., donde la Justicia sostuvo que varias aerolíneas utilizaron un sistema computarizado común de publicación de tarifas para facilitar la coordinación de precios. El caso fue planteado como una conspiración anticompetitiva, pero no terminó en una sentencia penal condenatoria, sino en un acuerdo judicial civil —consent decree— que impuso límites al uso del sistema. Aunque anterior a la inteligencia artificial moderna, el caso muestra que una infraestructura tecnológica compartida puede funcionar como mecanismo de coordinación de precios sin necesidad de una reunión cartelizada tradicional.

Más recientemente, el caso RealPage actualizó el mismo problema en clave algorítmica. La Justicia acusó a la empresa de facilitar la alineación de precios de alquileres mediante un software que procesaba información sensible de competidores. El caso fue planteado como una práctica anticompetitiva coordinada, pero se encaminó mediante un acuerdo civil, sin sentencia penal condenatoria ni admisión de responsabilidad. Esto confirma que, en Estados Unidos, la respuesta jurídica frente a la coordinación algorítmica de precios ha avanzado primero por la vía antimonopólica civil, aunque el razonamiento de fondo sea similar, el algoritmo puede ser el instrumento técnico de una coordinación económica prohibida.9

El punto crítico es que la competencia deja de ser un proceso dinámico y pasa a ser un sistema de ajuste automático. Y cuando la competencia se vuelve automática, pierde su dimensión estratégica.

Mercado Libre: concentración, datos y control del ecosistema

En América Latina, Mercado Libre no es simplemente un actor relevante dentro del comercio electrónico. Es, en muchos casos, la infraestructura sobre la cual ese comercio ocurre.10

Su modelo combina marketplace, pagos, logística, financiamiento y herramientas de gestión. Esta integración genera eficiencia, reduce fricciones y facilita la expansión del comercio digital. Pero también, concentra poder en una forma que no es trivial desde el punto de vista competitivo.

El elemento central no es solo el volumen de transacciones, sino la información. Cada interacción dentro de la plataforma —búsquedas, clics, compras, devoluciones, tiempos de entrega, tasas de conversión— alimenta un sistema que permite entender el mercado con un nivel de detalle inaccesible para cualquier vendedor individual.11

Esa asimetría informativa no implica automáticamente una conducta anticompetitiva. Pero sí configura un escenario en el que la plataforma tiene una capacidad estructural de influir en resultados.

Los vendedores operan dentro de reglas que no controlan completamente: algoritmos de ranking, criterios de visibilidad, costos logísticos, comisiones y condiciones financieras. Cada una de esas variables impacta directamente en su capacidad de competir.

En ese contexto, la competencia no desaparece, pero cambia de naturaleza. Ya no es solo una competencia entre vendedores. Es una competencia dentro de un entorno diseñado por un tercero que define las condiciones del juego.

Opacidad, personalización y el fin del precio único

Uno de los cambios más profundos es la transformación del precio como referencia objetiva.

Tradicionalmente, el precio cumplía una función informativa. Permitía comparar alternativas, evaluar decisiones y disciplinar el mercado. Esa función dependía de una premisa básica: que el precio fuera observable y relativamente uniforme12. En los mercados digitales, esa premisa se debilita.

El desarrollo de sistemas de personalización permite ajustar precios en función del comportamiento del usuario. No se trata solo de segmentación tradicional, sino de ajustes dinámicos basados en datos individuales o altamente granularizados13. Esto introduce un problema estructural, la pérdida de un punto de referencia común.

Cuando dos consumidores pueden ver precios distintos para el mismo producto sin saber por qué, el precio deja de ser un indicador confiable. Se convierte en una variable opaca.

El costo real de la opacidad

Este fenómeno no es solo teórico. Tiene efectos económicos concretos.

Diversos estudios empíricos sugieren que la personalización de precios puede generar sobrecostes anuales significativos para los consumidores. Aunque las cifras varían según el mercado y la metodología, estimaciones del orden de USD 1.000 a 1.200 por hogar resultan consistentes con la evidencia disponible.14

El antecedente de Instacart es especialmente relevante. Una investigación de Consumer Reports, Groundwork Collaborative y More Perfect Union detectó diferencias de hasta el 23% en el precio de ciertos productos para distintos usuarios, aún tratándose de los mismos bienes, en la misma tienda y en el mismo momento.15 Este dato permite dimensionar el problema, la personalización opaca no produce una diferencia marginal, sino una transferencia económica concreta desde el consumidor hacia la plataforma o el ecosistema que controla la intermediación.

En términos relativos, ese monto puede parecer limitado. Pero al compararlo con el ingreso promedio, su impacto adquiere otra dimensión.

Para un ingreso anual de aproximadamente USD 60.000, ese sobrecoste representa cerca de un 2%¹⁴. Si se considera que el gasto en consumo constituye una fracción del ingreso, el impacto sobre el ingreso disponible puede acercarse al 3% o 4%.16

Ese porcentaje no es menor. Equivale a una transferencia sistemática de ingresos que ocurre sin visibilidad y sin capacidad de control por parte del consumidor.

Lo más problemático no es sólo cuánto se paga de más, sino el hecho de que el consumidor no puede identificar cuándo está siendo afectado.17

La opacidad elimina la posibilidad de comparación, y sin comparación, la elección pierde contenido real.

Integración vertical y desplazamiento de competidores

La integración vertical en plataformas digitales plantea un desafío particular. Cuando una empresa no solo intermedia, sino que también compite dentro de su propio ecosistema, se generan tensiones inevitables.18

La plataforma tiene acceso a información privilegiada, controla variables críticas y puede influir en la visibilidad de productos. Esto no implica necesariamente una conducta abusiva en todos los casos, pero sí crea un riesgo estructural de distorsión competitiva.

El fenómeno del self-preferencing refleja esta preocupación.19 La posibilidad de favorecer productos propios —ya sea directa o indirectamente— altera las condiciones de competencia.

A esto se suma el uso potencial de datos de terceros para desarrollar estrategias comerciales propias. Si una plataforma puede observar qué productos funcionan mejor, en qué condiciones y con qué márgenes, su capacidad de competir se ve amplificada.20

El resultado no es una eliminación inmediata de competidores, sino un proceso gradual de desplazamiento.

El encuadre jurídico: nuevas categorías para nuevos problemas

El derecho de la competencia enfrenta un desafío claro: las categorías tradicionales no siempre alcanzan para describir fenómenos emergentes.21

La distinción entre acuerdos colusorios y conductas unilaterales se vuelve menos clara en entornos donde la coordinación puede surgir sin interacción directa entre actores.

Los marcos analíticos recientes introducen nuevas categorías, como la colusión algorítmica o la coordinación facilitada por plataformas.22 Estas categorías no reemplazan al derecho existente, pero evidencian sus límites.

Al mismo tiempo, las políticas regulatorias comienzan a desplazarse hacia enfoques preventivos²². En lugar de intervenir únicamente ex post, se busca establecer condiciones estructurales que limiten riesgos desde el inicio.

En este contexto, el concepto de observabilidad adquiere relevancia²³. No se trata solo de transparencia formal, sino de la capacidad efectiva de auditar sistemas complejos.

La crisis de la transparencia

La transparencia ha sido tradicionalmente uno de los pilares del funcionamiento de los mercados²⁴.

Sin embargo, en entornos digitales, la transparencia puede volverse más aparente que real. La información está disponible, pero no necesariamente es comprensible ni verificable.

El consumidor interactúa con interfaces diseñadas para simplificar decisiones, pero esa simplificación puede ocultar procesos complejos que determinan precios, rankings y resultados.

Cuando el acceso a la información no permite comprender el funcionamiento del sistema, la transparencia pierde su valor operativo.

Una nueva forma de manipulación de mercado

La manipulación de mercado en entornos digitales no necesariamente adopta formas visibles ni directas. No hay acuerdos explícitos, no hay necesariamente órdenes claras, no hay señales evidentes de intervención. Lo que hay es una estructura que orienta comportamientos.

Cuando los precios se ajustan automáticamente en función de datos masivos, cuando la visibilidad depende de algoritmos opacos y cuando las decisiones del consumidor están mediadas por sistemas que no puede comprender, la manipulación deja de ser un acto puntual.

No se trata de una conspiración en sentido clásico. Se trata de un sistema que optimiza resultados en función de objetivos que no necesariamente coinciden con el interés del consumidor.

El riesgo no es solo pagar más. Es perder la capacidad de saber si se está pagando de más. Y en ese punto, el problema deja de ser económico y pasa a ser institucional.

Porque un mercado en el que los participantes no pueden observar, entender ni cuestionar las reglas bajo las cuales operan deja de ser plenamente competitivo. Se convierte en un entorno donde las decisiones parecen libres, pero están condicionadas de antemano.

El desafío, entonces, no es frenar la tecnología. Es evitar que la tecnología transforme la competencia en una simulación. Porque si eso ocurre, el mercado no desaparece, sigue funcionando.

Pero deja de ser un espacio de libertad económica para convertirse en un sistema cerrado, donde las reglas existen, pero solo las conoce quien las diseñó.

Hacia un modelo Estatal código abierto con auditoría ciudadana. ¿Estatización o declaración de servicio público esencial de Mercado Libre?

Frente a estos desafíos, la discusión regulatoria ya no puede limitarse a si corresponde intervenir o no. Ese debate, en gran medida, está saldado. La cuestión real es otra, cómo construir nuevas plataformas cuyos algoritmos de código abierto dejen de priorizar la eficiencia entendida únicamente como rentabilidad y construcción de poder, para proteger el excedente del consumidor y que los  derechos de los comerciantes que participan de las plataformas, compitiendo con sus dueños.

Debemos reeducar a los viejos algoritmos o desarrollar nuevos que prioricen estos fines. A ello debemos sumar mecanismos de control ciudadano directo mediante el código abierto, la transparencia, la explicabilidad y la responsabilidad que estén a la altura del poder que hoy concentran las plataformas digitales²⁵, sean estas Estatales o privadas. Los entes reguladores de control de servicios públicos creados en EE.UU. y en Reino Unido han sido un estrepitoso fracaso, por las políticas de cooptación de sus directivos y gerentes, dado la creciente mercantilización de todos los ámbitos de las políticas públicas. Todo tiene un precio.

Estas plataformas se construyen sobre la entrega masiva y gratuita de datos personales por parte de los usuarios. Sin embargo, esos mismos datos pueden ser utilizados luego en su contra mediante precios personalizados, segmentados y opacos, sin relación directa con el costo real del producto o servicio. El antecedente de Instacart en Estados Unidos muestra que esta no es una hipótesis abstracta, se detectaron diferencias de hasta el 23% entre usuarios por ciertos productos iguales, ofrecidos en la misma tienda y en el mismo momento.

El consumidor no paga más porque el producto sea más caro, sino porque la plataforma deduce, a partir de sus datos, cuánto está dispuesto o forzado a pagar. Así, el precio deja de responder a criterios objetivos de mercado y pasa a depender de la información, vulnerabilidad, urgencia o comportamiento digital del usuario.

Esta práctica configura una forma moderna de defraudación económica. La plataforma obtiene una ganancia injustificada utilizando información entregada gratuitamente por el propio perjudicado. El daño recae sobre millones de consumidores, mientras el beneficio se concentra exclusivamente en el titular de la plataforma.

Desde el punto de vista jurídico, el responsable no es el algoritmo en abstracto, sino quienes lo diseñan, implementan, administran o se benefician de él. La complejidad técnica no puede funcionar como escudo de impunidad. Aunque en Argentina aún no exista una figura penal específica de “estafa algorítmica”, estas conductas pueden vincularse con la estafa, la defensa de la competencia, la protección del consumidor y la protección de datos personales.

El problema no es simplemente que existan algoritmos sofisticados, sino que los mismos organizan mercados enteros, determinan qué se ve, qué se compra, cuánto se paga y quién puede competir. En ese contexto, dejar su funcionamiento en una caja negra no es una opción razonable.

Una sola empresa no puede concentrar ese nivel de poder, menos si es privada. Si fuera pública tendría que tener profundos y eficaces controles ciudadanos. No puede, en términos materiales, tener más capacidad de información y de decisión que el propio Estado. Cuando eso ocurre, el equilibrio  económico y el Estado de Derecho que garantizan el bienestar social empieza a romperse, tal como está ocurriendo en la actualidad en nuestro país.

La metáfora más cercana es la del Aleph de Borges, un punto oculto desde el cual puede observarse todos los tiempos y espacios del mundo. Las plataformas, a través de sus sistemas de datos y algoritmos, ocupan hoy un lugar similar. Ven el comportamiento de millones de usuarios, conocen patrones de consumo, anticipan decisiones y ajustan resultados en tiempo real.

No alcanza con regular resultados. No alcanza con sancionar conductas después de que ocurren. Si el poder se ejerce a través de sistemas algorítmicos, entonces el control tiene que operar sobre esos sistemas.

Esto implica un cambio más profundo, avanzar hacia modelos donde el código sea auditable.

Las auditorías externas, los estándares técnicos y las obligaciones de explicabilidad son un primer paso²⁶. Pero son insuficientes si no se complementan con estructuras institucionales robustas.

Porque sin esa capacidad de observación, el consumidor  y los competidores que comercian en la plataforma, quedan en una posición estructuralmente débil. El juego es que pierdan siempre.

No sabe qué datos se recopilan sobre él. No sabe cómo se procesan. No sabe cómo influyen en el precio que paga. Y sin esa información, no puede defenderse.

La transparencia, en este contexto, deja de ser un valor abstracto. Se convierte en una condición básica de posibilidad para el ejercicio de derechos y de la competencia real.

Las plataformas son simuladores de precios y competencia  diseñados para sostener un monopolio tecnológico estructural que perjudica a usuarios y comerciantes. Juegan con las cartas marcadas.

El flujo informativo que los usuarios entregan en modo gratuito, es un bien público de toda la sociedad, de extremo valor social, económico y político, que debe ser consagrado con protección constitucional y penal, para evitar y sancionar  de manera severa, los usos abusivos que la asimetría de la información permite desarrollar.

Jamás el constituyente hubiera validado un mecanismo maquínico o algorítmico que sea un instrumento legal para la explotación social, económica, y política, de la mayor concentración de información disponible de la historia, por una empresa privada, en perjuicio de toda la sociedad.

BIBLIOGRAFÍA:

1. Federal Trade Commission. (2023). FTC sues Amazon for illegally maintaining monopoly power.

2. The Guardian. (2026). Amazon price-fixing tactics revealed in lawsuit.

3. Reuters. (2026). Amazon’s collusion drove up consumer prices, California says.

4. Federal Trade Commission. (2023). Complaint details on pricing practices (Amazon case).

5. Organisation for Economic Co-operation and Development. (2017). Algorithms and collusion: Competition policy in the digital age.

6. Organisation for Economic Co-operation and Development. (2025). Artificial intelligence and competitive dynamics in downstream markets.

7. Mikroulea, A. P. (2025). Algorithms and collusion: Bridging the gap with alternative tools. International Review of Intellectual Property and Competition Law, 56, 463–469.

8. Calvano, E., Calzolari, G., Denicolò, V., & Pastorello, S. (2020). Artificial intelligence, algorithmic pricing, and collusion. American Economic Review, 110(10), 3267–3297.

9. U.S. Department of Justice, Office of Public Affairs. (2019, January 28). Former e-commerce executive pleads guilty to price fixing; sentenced to six months.

10. Statista. (2026). Mercado Libre – Statistics & facts.

11. Varian, H. R. (2019). Artificial intelligence, economics, and industrial organization. In The economics of artificial intelligence: An agenda (pp. 399–419). University of Chicago Press.

12. Organisation for Economic Co-operation and Development. (2001). Price transparency.

13. Federal Trade Commission. (2024). Surveillance pricing inquiry report.

14. Consumer Reports. (2025, December 9). Instacart’s AI-enabled pricing experiments may be inflating your grocery bill, CR and Groundwork Collaborative investigation finds.

15. U.S. Bureau of Labor Statistics. (2025). Average income data (United States).

16. Organisation for Economic Co-operation and Development. (2019). Consumption expenditure data.

17. Federal Trade Commission. (2024). Surveillance pricing and consumer harm analysis.

18. American Bar Association. (2025). Self-preferencing in retail digital marketplaces.

19. European Commission. (2023). Antitrust: Overview of EU competition rules.

20. Platform Law Blog. (2022). Amazon settles EU allegations regarding third-party sellers on Amazon marketplace.

21. Organisation for Economic Co-operation and Development. (2017). Algorithms and collusion: Competition policy in the digital age.

22. OECD AI Policy Observatory. (2020). AI pricing algorithms and collusion risk.

23. OECD. (2019). OECD principles on artificial intelligence.

24. Akerlof, G. A. (1970). The market for “lemons”: Quality uncertainty and the market mechanism. The Quarterly Journal of Economics, 84(3), 488–500.

25. OECD AI Policy Observatory. (2021). Algorithm auditing: A research overview.

26. OECD AI Policy Observatory. (2022). Algorithmic transparency and certification for AI systems.