Considere el sueño más descabellado de una corporación que busca maximizar ganancias: cobrar a cada cliente exactamente el monto máximo que esté dispuesto a pagar en el momento en que quiere comprar. Los economistas llaman a esto discriminación de precios de primer grado, o perfecta. Durante la mayor parte de la historia fue estructuralmente imposible: un tendero no puede leer su alma, estimar su patrimonio y cambiar la etiqueta de precio de un litro de leche antes de que llegue a la caja. Pero una plataforma tecnológica que intermedia millones de transacciones por teléfono inteligente no necesita leer el alma de nadie. Solo necesita leer sus datos.

Evidencia de Estados Unidos

Una reciente investigación de Consumer Reports en Estados Unidos encontró que Uber y Lyft cobran de forma rutinaria a distintos clientes precios radicalmente diferentes por el mismo viaje, solicitado a la misma hora y desde el mismo lugar. La brecha mediana entre el precio más alto y el más bajo fue de alrededor del 50%. Las plataformas niegan con vehemencia practicar lo que los reguladores ahora llaman precio de vigilancia—la fijación de precios basada en datos demográficos o conductuales individuales—y sostienen que las diferencias simplemente reflejan condiciones del mercado en tiempo real. El resultado funcional es el mismo: el software establece un precio según lo que cree poder extraer de usted en ese segundo exacto.

El término no es retórica marginal. En 2024, la Comisión Federal de Comercio de EE. UU. abrió una indagación formal sobre el precio de vigilancia, enviando solicitudes de información a importantes intermediarios para comprender cómo los datos de navegación y personales alimentan precios diferenciados—una señal temprana de que los reguladores apenas están construyendo un vocabulario para el problema.

El código llega a Kenia y Nigeria

Esta dinámica es llamativa en los mercados occidentales altamente regulados, pero está transformando la economía fundamental de los mercados emergentes de África, donde las plataformas digitales formalizan rápidamente economías históricamente informales mediante vastas redes de datos.

El transporte por aplicación es un ejemplo claro. En Kenia y Nigeria, gigantes internacionales como Uber y Bolt han desplegado software de precios dinámicos que determina tanto la tarifa del pasajero como la comisión del conductor. El software se presenta oficialmente como un mecanismo imparcial de equilibrio de mercado—sube los precios cuando la demanda es alta para atraer conductores a la calle, los baja cuando hay calma—, pero optimiza la liquidez y los ingresos de la plataforma, no la estabilidad macroeconómica.

En Nigeria, los precios de la gasolina aumentaron recientemente casi un 50% debido a interrupciones del suministro global y a la eliminación de subsidios locales. Un taxista humano subiría de inmediato la tarifa base para cubrir el combustible; al software solo le importa la curva de demanda. La tarificación automatizada dejó a los conductores nigerianos con márgenes decrecientes y prácticamente sin control sobre su propia economía unitaria, lo que llevó al Sindicado Unido de Transportistas por Aplicación de Nigeria a lanzar huelgas. Los trabajadores se están dando cuenta de que no son contratistas independientes que negocian en un mercado: son variables en una función de optimización. El sistema es tan rígido que competidores como inDrive han logrado 150 millones de descargas a nivel global en gran parte al tratar la negociación de precios como una función del producto y no como un resultado automatizado, permitiendo que conductores y pasajeros regateen directamente.

Un megabyte a su medida

El sector de telecomunicaciones es donde la discriminación automatizada de precios se vuelve filosóficamente extraña. En Kenia, Safaricom ha invertido fuertemente en analítica de datos predictiva para orientarse hacia lo que llama la obsesión por el cliente. Mediante una plataforma codesarrollada con Huawei llamada Idea-to-Cash, Safaricom empareja dinámicamente a sus suscriptores con ofertas de datos y voz altamente personalizadas. El sistema analiza el comportamiento de uso, los patrones de gasto y el contexto en tiempo real del cliente para generar paquetes a medida de tipo "Just for You".

El enfoque ha sido un gran éxito corporativo. Safaricom duplicó las tasas de conversión en paquetes dirigidos, redujo un 90% el tiempo de comercialización de nuevas ofertas y recortó drásticamente las quejas de clientes sobre paquetes de datos por hora. Sin embargo, un megabyte de datos es un commodity puro: a la red le cuesta lo mismo entregarlo al Cliente A que al Cliente B.

Safaricom está esencialmente aislando a los consumidores en microeconomías individualizadas al usar analítica de datos para fijar precios de servicios de telecomunicaciones de forma dinámica. Si el sistema infiere una alta disposición a pagar a partir del consumo pasado, ese cliente recibe una oferta distinta a la de un estudiante muy sensible al precio. El producto sigue siendo estándar, pero el precio se convierte en una trampa conductual. Cuando todos reciben un descuento personalizado, el precio base pierde esencialmente su sentido: significa que el software ha calculado exactamente cuánto descuento percibido se necesita para provocar una compra en un perfil psicológico específico. Todo esto ocurre en el contexto de la Ley de Protección de Datos de Kenia de 2019, que restringe la toma de decisiones automatizada sobre datos personales sin consentimiento—un marco cuya capacidad de aplicación, más que su texto, determinará hasta dónde puede llegar la fijación personalizada de precios.

Su batería está baja, así que su tasa de interés es alta

En ninguna parte es más visible esta alquimia digital que en el crédito digital africano. En la última década, plataformas como M-Shwari, Tala y Branch fueron pioneras en préstamos sin garantía para poblaciones no bancarizadas, reemplazando las tradicionales agencias de crédito por datos alternativos del teléfono móvil.

La tesis original era simple y brillante: sin un historial crediticio formal, un programa puede procesar miles de puntos de datos de un teléfono—incluidos los historiales de transacciones de dinero móvil, la diversidad de la lista de contactos, los patrones de mensajería e incluso los patrones de movilidad basados en antenas celulares—para construir un modelo predictivo de calificación crediticia. Los beneficios son innegables. Esta tecnología ha impulsado una masiva inclusión financiera y ampliado el acceso financiero formal en Kenia. Un estudio de Harvard Business School encontró que los prestatarios marginales aprobados aleatoriamente por Tala experimentaron mejoras significativas en su bienestar financiero, especialmente cuando usaron el capital para pequeñas empresas.

Pero el costo de este acceso automatizado es astronómico, y el software es despiadadamente eficiente al fijar el precio del riesgo. Como los costos administrativos son prácticamente cero, los prestamistas digitales pueden otorgar rentablemente micropréstamos a millones de personas. Como las tasas de mora son altas, el sistema lo compensa cobrando lo que efectivamente es una prima de pobreza: aprende exactamente qué tasa de interés exorbitante tolerará un prestatario desesperado por asegurar liquidez a corto plazo. Esto crea un círculo vicioso en el que los prestatarios toman préstamos de una aplicación para pagar los enormes intereses de otra. Para 2025, los prestatarios habían caído en mora en el 83,1% de los préstamos digitales inferiores a KES 1,000 ($8), lo que ilustra la dificultad de recuperar préstamos pequeños de hogares de bajos ingresos. El Banco Central de Kenia (CBK) finalmente tuvo que intervenir con la Ley de Enmienda de Leyes de Negocios para regular el sector, exigir transparencia y frenar que los prestamistas extrajeran toda la riqueza de la base de la pirámide—parte de un régimen más amplio de licencias del CBK que sometió a los proveedores de crédito digital a la supervisión del banco central a partir de 2022.

Recomendándole cosas que no sabía que no podía pagar

No se trata solo del transporte por aplicación, el crédito y las telecomunicaciones. Las grandes plataformas tecnológicas del continente están desplegando silenciosamente software predictivo para moldear la realidad del consumidor. Jumia, el gigante del comercio electrónico panafricano, depende en gran medida de sistemas de recomendación personalizados que analizan el comportamiento de navegación, el historial de compras y las preferencias del usuario para adaptar sugerencias de productos en mercados como Lagos, Nigeria.

En un mercado occidental, un programa que sugiere un par de zapatos es simplemente marketing dirigido. En un mercado emergente caracterizado por graves disparidades socioeconómicas, niveles variables de alfabetización digital y déficits de confianza, un programa que dicta qué productos ve el usuario construye efectivamente un jardín amurallado. El software aprende lo que el usuario puede pagar y oculta el resto de la economía, convirtiendo la desigualdad estructural en una experiencia digital perfectamente optimizada y sin fricciones.

El desenlace de la extracción perfecta

Los círculos tecnológicos tienden a ver este despliegue de software como un bien incuestionable. Los beneficios son reales: parado bajo la lluvia en Nairobi, conseguir un conductor mediante un pico de precio es discutiblemente mejor que quedarse varado; si necesita inventario para su puesto de frutas, un préstamo con tasa anual del 150% aprobado por una computadora en tres segundos es mejor que recurrir a prestamistas informales. Las ganancias de eficiencia son espectaculares.

El problema es el desenlace. Los modelos predictivos desplegados por plataformas orientadas al beneficio no están diseñados para distribuir bienes sociales, sino para extraer excedente económico. El precio de vigilancia y la colocación automatizada de productos prosperan en entornos marcados por fallas de mercado y asimetrías de información. En un mercado perfectamente competitivo, un proveedor de telecomunicaciones que cobrara más por datos a un usuario intensivo simplemente lo incitaría a cambiar de proveedor. Pero los mercados digitales africanos rara vez son perfectamente competitivos: están dominados por oligopolios tecnológicos como Safaricom en las telecomunicaciones kenianas, Uber y Bolt en la movilidad, y grandes bancos en el crédito digital.

Cuando estas firmas dominantes despliegan software propietario, el programa deja de ser una herramienta de descubrimiento de mercado y se convierte en una herramienta de extracción máxima. Los consumidores tienen cero visibilidad de las referencias del mercado, mientras que las plataformas tienen visibilidad perfecta de la cartera y la desesperación del comprador. Con el tiempo, el concepto de un precio justo y estándar desaparece por completo. Los consumidores ya no participan en una economía más amplia, sino que quedan atrapados en una simulación a medida, generada algorítmicamente y diseñada para vaciar sus bolsillos con la máxima eficiencia matemática posible. Lo más descabellado, como señala el informe original, es que el software los convencerá de que están recibiendo un descuento. Cómo se desarrolle esto dependerá en gran medida de si los reguladores—apoyándose en herramientas como la Ley de Protección de Datos de Kenia y la Ley de Protección de Datos de Nigeria de 2023, y en precedentes de la indagación sobre precio de vigilancia de la FTC—pueden imponer transparencia a sistemas cuya ventaja entera depende de permanecer opacos.

Fuente: TechCabal, por Kenn Abuya, reportero senior y responsable de la sección de Startups.