Según arXiv q-fin, un estudio simulado analiza cómo las reducciones en los costos de operación de modelos de inteligencia artificial influyen en los precios finales, y cómo la disponibilidad tardía de información sobre precios de competidores afecta el beneficio del consumidor. El escenario modelado incluye dos vendedores distintos, con demanda basada en el modelo logit y un sistema de aprendizaje por Q tabular. Se realizan experimentos factorializados que varían el tiempo de espera para observar los precios de competidores, la frecuencia con que los vendedores pueden ajustar sus precios, la disminución de costos de producción y las diferencias en calidad y costos entre firmas. El análisis se basa en 60 semillas de mercado, distribuidas en 16 condiciones, con 960 iteraciones de entrenamiento. Se mide el superávit del consumidor esperado al final del proceso de aprendizaje. En el escenario principal con firmas idénticas y costos descendentes, la interacción entre el retraso en la información y la frecuencia de ajuste de precios produce una estimación de -0.00025 unidades normalizadas, con un intervalo de confianza del 95% alineado por semillas de [-0.0402, 0.0393]. Este rango contiene cero, lo cual indica que el efecto no es estadísticamente significativo. Los mismos resultados se mantienen al evaluar si la interacción cambia según el régimen de costos o la diferencia entre firmas. En condiciones óptimas —mínimo retraso en la información y ajustes periódicos de precios—, las reducciones promedio de precios alcanzan el 55.6% y el 44.0% de la disminución de costos impuesta para cada empresa. Sin embargo, el superávit del consumidor promedio bajo las políticas aprendidas se mantiene por debajo del benchmark estático de equilibrio de Nash en todos los escenarios evaluados. Este hallazgo sugiere que, aunque los modelos de IA generen ahorros operativos, estos no necesariamente se traducen en beneficios reales para los compradores. El estudio no detecta colusión ni describe prácticas de precios empleadas por proveedores reales de inteligencia artificial.
Para los lectores peruanos, este análisis resalta una realidad clave en el entorno de mercados digitales: no todos los ahorros tecnológicos se convierten en mejoras para los consumidores. En el contexto peruano, donde el acceso a servicios digitales y tecnológicos se expande rápidamente, empresas que implementan inteligencia artificial en sus operaciones podrían reducir costos internos sin necesariamente bajar sus precios. Esto implica que los usuarios finales, como familias o pequeñas empresas, podrían no percibir los beneficios esperados. Es fundamental que reguladores, consumidores y actores del sector comprendan que la transparencia en precios y la evaluación de políticas de precios deben ser parte de cualquier análisis de innovación tecnológica. La evidencia indica que la eficiencia operativa no garantiza una distribución equitativa de beneficios. Por ello, se requiere una mayor vigilancia para asegurar que los avances tecnológicos no se conviertan en una herramienta para mantener precios altos bajo pretexto de eficiencia.