La demanda contra los precios con IA de McDonald's pone a prueba la línea entre el asesoramiento y la fijación de precios
McDonald’s enfrenta una propuesta de demanda colectiva a nivel nacional por un sistema de precios asistido por IA que, según se alega, coordina los precios del menú entre miles de restaurantes operados de forma independiente.
La demanda contra los precios con IA de McDonald’s fue presentada el 2 de octubre de 2026 ante un tribunal federal de Chicago. El demandante Michael Thomas afirma que la empresa agrupó datos confidenciales de restaurantes y los convirtió en recomendaciones de precios que redujeron la competencia entre franquiciados.
McDonald’s cuestiona esa versión. Sostiene que la inteligencia artificial no fija los precios del menú y que los operadores de restaurantes siguen siendo libres de aceptar o rechazar sus recomendaciones. Ese desacuerdo plantea la cuestión central: ¿cuándo el asesoramiento centralizado sobre precios se convierte en coordinación entre empresas que se supone que compiten?
La demanda no ha demostrado irregularidades y ningún tribunal ha certificado la clase propuesta. Sin embargo, la disputa surge después de que las agencias federales de defensa de la competencia impulsaran casos de precios algorítmicos en el sector de la vivienda y examinaran la fijación de precios basada en datos en mercados de consumo.
Por tanto, el caso va más allá del precio de un Big Mac. Evalúa si un franquiciador puede combinar datos de restaurantes nominalmente independientes sin convertir una herramienta de gestión en un mecanismo de coordinación.
Qué alega la demanda contra los precios con IA de McDonald's
La demanda cuestiona el acuerdo de intercambio de datos que sustenta las recomendaciones, no simplemente la presencia de inteligencia artificial.
Thomas presentó el caso contra McDonald’s USA y McDonald’s Corporation ante el Tribunal de Distrito de Estados Unidos para el Distrito Norte de Illinois. El expediente federal público lo identifica como Thomas v. McDonalds USA, LLC, caso número 1:26-cv-12149.
Thomas vive en DeKalb, Illinois, y afirma que compra regularmente comidas en restaurantes McDonald’s cerca de su vivienda. Según la demanda, observó precios diferentes para productos idénticos en locales cercanos.
Las diferencias de precio, por sí solas, no demuestran una infracción de las leyes de defensa de la competencia. Las empresas independientes normalmente pueden cobrar precios distintos en función del alquiler, los salarios, la demanda local y los gastos operativos.
La demanda plantea un argumento diferente. Alega que McDonald’s creó un motor común de precios que recopila información actual y no pública de los restaurantes antes de recomendar precios de menú a esos mismos establecimientos.
La distinción importa porque aproximadamente el 95 por ciento de los cerca de 14.000 restaurantes de McDonald’s en Estados Unidos son de propiedad y operación independientes. Esos franquiciados son empresas jurídicamente separadas, aunque operen bajo una misma marca.
La presentación sostiene que los restaurantes participantes proporcionan información detallada sobre ventas y precios a un sistema compartido. Según se alega, el sistema analiza millones de transacciones diarias, las características de las tiendas, la demanda local, la sensibilidad de los clientes a los precios y los precios de los competidores.
Después genera recomendaciones específicas para cada restaurante y para productos individuales del menú. La demanda describe esos resultados como parte de un sistema coordinado, en lugar de una investigación de mercado neutral.
Thomas también alega que el motor aplica una «regla del 30 %». Según la versión expuesta en la demanda, la herramienta puede recomendar un aumento después de que una proporción determinada de restaurantes cercanos haya elevado el precio del mismo producto.
Esa alegación no ha sido sometida a prueba durante la fase de obtención de pruebas. McDonald’s no ha aceptado la descripción del demandante sobre la herramienta ni sus reglas operativas.
La demanda sostiene además que McDonald’s supervisa si los franquiciados siguen sus recomendaciones. Alega que las desviaciones persistentes pueden afectar a la forma en que la empresa evalúa la elegibilidad de un operador para expandirse o renovar una franquicia.
La alegación de presión es esencial para la teoría del demandante. Una recomendación que los operadores ignoran habitualmente es distinta de una recomendación respaldada por supervisión y consecuencias comerciales.
La clase propuesta incluye a consumidores estadounidenses que compraron comida en McDonald’s durante el período alegado. Thomas también busca representar a una subclase de clientes de Illinois.
La demanda presenta reclamaciones en virtud de la Sección 1 de la Ley Sherman, la Ley Antimonopolio de Illinois y la Ley de Fraude al Consumidor y Prácticas Comerciales Engañosas de Illinois. Solicita la certificación de la demanda colectiva, daños y perjuicios, honorarios legales y una orden judicial contra el acuerdo alegado.
Según la legislación federal de defensa de la competencia, los demandantes privados que tengan éxito pueden reclamar daños triples, es decir, tres veces sus pérdidas demostradas. Ese recurso no significa que los daños ya hayan quedado establecidos.
La demanda sigue siendo una alegación inicial. Ningún juez ha decidido si los restaurantes acordaron coordinarse, si el sistema restringió la competencia o si los clientes sufrieron sobreprecios cuantificables.
Estas cuestiones no resueltas distinguen una reclamación legal seria de una conclusión definitiva de fijación de precios.
McDonald's afirma que la IA no fija los precios del menú
La defensa de McDonald’s se basa en la independencia de los operadores: las recomendaciones aportan contexto, mientras que cada franquiciado toma la decisión final sobre los precios.
Antes de que se presentara la demanda, McDonald’s publicó una respuesta detallada a los reportajes sobre su tecnología de precios. Su declaración sobre precios del 1 de octubre afirma que la IA no determina el precio de ningún producto del menú.
La empresa describe su sistema como una herramienta de recomendaciones específica para cada restaurante. Afirma que los operadores utilizan esas recomendaciones junto con su propio conocimiento de los costes locales, los clientes y la competencia.
McDonald’s también rechaza la idea de que utilice precios dinámicos en tiempo real. Los precios dinámicos generalmente cambian con rapidez en respuesta a condiciones inmediatas, como la demanda, el inventario o la hora del día.
Según la empresa, su herramienta no modifica automáticamente los paneles de menú digitales durante los períodos de mayor actividad. Tampoco asigna precios distintos a clientes individuales basándose en información personal.
Esta distinción separa tres prácticas que los debates públicos suelen combinar.
Los precios algorítmicos utilizan software para analizar información y recomendar o seleccionar precios. Los precios dinámicos modifican un precio a medida que cambian las condiciones del mercado. Los precios de vigilancia utilizan datos personales o de comportamiento para adaptar precios o promociones a consumidores o grupos concretos.
La demanda se refiere principalmente a la coordinación algorítmica entre restaurantes. No demuestra que McDonald’s cobre a dos personas en un mismo local precios distintos por el mismo pedido.
McDonald’s dijo a la Associated Press que la demanda está llena de imprecisiones y que se defenderá. La empresa afirmó que sus herramientas opcionales ni automatizan ni coordinan los precios de los restaurantes.
Un portavoz de la empresa también subrayó que McDonald’s recopilaba información de mercado y recomendaba precios antes de que el aprendizaje automático formara parte del proceso. Desde esa perspectiva, la IA mejora una función de asesoramiento ya establecida.
El comportamiento de los franquiciados aporta cierto respaldo a la afirmación de que las recomendaciones corporativas no son órdenes automáticas. Durante una llamada con inversores en agosto, el CEO Chris Kempczinski dijo que solo el 60 por ciento de los restaurantes estadounidenses ofrecía un menú económico propuesto.
Dijo que McDonald’s no podía simplemente activar la oferta en todo el sistema. La dirección corporativa tenía que llegar a un acuerdo con los franquiciados.
Ese ejemplo no resuelve la demanda. Un franquiciado podría rechazar una promoción nacional y, aun así, depender en gran medida de recomendaciones de precios específicas para su restaurante.
Sí muestra por qué la disputa no puede resolverse tratando cada local de McDonald’s como una sucursal corporativa. El sistema de franquicias divide la autoridad entre el propietario de la marca y miles de operadores locales.
McDonald’s también tiene razones legítimas para proporcionar análisis de precios. Los franquiciados deben tener en cuenta los costes de los alimentos, los gastos laborales, los competidores locales, el flujo de clientes y el efecto de los cambios de precio sobre las ventas.
Un sistema de recomendaciones puede procesar más transacciones de las que un operador individual podría evaluar manualmente. También podría identificar cuándo un precio más alto reduciría tanto el flujo de clientes que disminuiría los ingresos totales.
La cuestión legal no es si el software puede producir análisis útiles. Es si McDonald’s construyó ese análisis a partir de datos competitivamente sensibles y alentó a rivales nominales a seguir un resultado común.
La discreción final sobre los precios favorece la defensa de McDonald’s, pero no es necesariamente determinante. Los tribunales pueden examinar cómo funciona un sistema en la práctica, incluida la participación, la supervisión, la presión y las tasas de adopción.
La prueba más sólida de la empresa mostraría una toma de decisiones independiente significativa. Esto podría incluir desviaciones frecuentes de las recomendaciones, métodos de fijación de precios variados y ausencia de sanciones vinculadas al cumplimiento.
El demandante, en cambio, necesita pruebas de que los restaurantes participantes entendían que sus competidores aportaban datos y esperaban que otros siguieran el mismo sistema.
Es improbable que esos hechos surjan solo de declaraciones públicas. Requerirían documentos internos, comunicaciones con operadores, registros técnicos y testimonios sobre cómo se implementaron las recomendaciones.
Por qué los datos compartidos de las franquicias generan un riesgo antimonopolio
El conflicto central enfrenta la fijación independiente de precios con un motor común entrenado con información que los competidores normalmente no intercambiarían.
La Sección 1 de la Ley Sherman prohíbe los acuerdos que restringen irrazonablemente el comercio. La fijación tradicional de precios implica que competidores acuerden directamente los precios que cobrarán.
El software no crea una exención legal. Si los competidores no pueden coordinarse legalmente mediante una reunión, por lo general tampoco pueden legalizar el mismo acuerdo canalizando las decisiones a través de un algoritmo.
El Departamento de Justicia ha adoptado esa posición en varias disputas recientes. En un caso sobre precios hoteleros, el departamento y la Comisión Federal de Comercio afirmaron que las empresas no pueden utilizar algoritmos para llevar a cabo conductas que serían ilegales si las realizaran personas.
Su presentación sobre precios hoteleros también abordó el papel de las recomendaciones. Las agencias sostuvieron que un precio inicial común puede generar preocupaciones antimonopolio incluso cuando las empresas conservan cierto margen de decisión.
Esa postura respalda la teoría jurídica detrás de la demanda contra McDonald’s. No demuestra que McDonald’s operara un acuerdo de ese tipo.
La estructura de franquicias añade una difícil cuestión de delimitación. McDonald’s es propietario de la marca y establece estándares para los productos, las operaciones de los restaurantes, el marketing y la experiencia del cliente.
La uniformidad es fundamental para una franquicia. Los clientes esperan comida, servicio e imagen de marca similares en todos los locales, incluso cuando distintas empresas son propietarias de los restaurantes.
Los precios ocupan una categoría más sensible. McDonald’s ha declarado repetidamente que los operadores independientes fijan sus propios precios de menú y compiten por clientes en los mercados locales.
Si esos operadores realmente compiten, sus datos privados de ventas pueden revelar cómo respondieron los clientes a determinados cambios de precios. Agrupar esa información puede reducir la incertidumbre sobre lo que los rivales planean cobrar.
La incertidumbre competitiva no es un defecto que toda herramienta de optimización deba eliminar. Es una de las fuerzas que impulsa a las empresas a bajar precios, mejorar el servicio o aceptar márgenes menores.
La demanda alega que McDonald’s redujo esa incertidumbre al recopilar información a nivel de restaurante y devolver recomendaciones coordinadas. Presenta a la empresa como el eje central que conecta a operadores por lo demás independientes.
Los abogados especializados en defensa de la competencia suelen llamar a esto un esquema de centro y radios. Un actor central actúa como el centro, mientras que los competidores participantes forman los radios.
Una teoría de centro y radios sigue requiriendo pruebas de un acuerdo. No basta con demostrar que varias empresas compraron el mismo software o recibieron consejos similares.
El demandante debe conectar las relaciones verticales entre McDonald’s y cada franquiciado con un entendimiento horizontal entre restaurantes competidores. Los tribunales examinan si los participantes sabían que otros se estaban incorporando y esperaban una conducta coordinada.
El papel de los restaurantes operados por la empresa añade otra capa. Las filiales de McDonald’s gestionan una proporción menor de los locales en EE. UU., lo que potencialmente sitúa a los restaurantes corporativos en competencia directa con los franquiciados.
Si los locales corporativos aportaron datos y recibieron recomendaciones del mismo motor, el demandante argumentará que McDonald’s participó tanto como operador de la plataforma como competidor en el sector de la restauración.
McDonald’s puede responder que la marca compartida y el apoyo a las franquicias requieren naturalmente un análisis centralizado. También puede sostener que las recomendaciones a nivel de restaurante reflejan diferencias locales en lugar de suprimirlas.
La variación visible de precios respalda ese argumento. El propio Thomas observó precios distintos en locales cercanos, lo que sugiere que el sistema no impuso un precio único nacional para el menú.
Sin embargo, la coordinación anticompetitiva no siempre produce precios idénticos. Un sistema común puede recomendar precios diferentes y aun así reducir la toma de decisiones independiente.
Por tanto, la cuestión relevante es contrafactual: ¿qué precios habrían elegido los restaurantes sin los datos agrupados, las reglas comunes y la supuesta presión?
Esa cuestión convierte la demanda sobre precios con IA de McDonald’s en un caso económico tanto como tecnológico. Las partes tendrán que separar los efectos coordinados de la inflación, los salarios, los costes de los ingredientes, el alquiler y los cambios en la demanda de los consumidores.
Los precios más altos del menú no prueban la fijación algorítmica de precios
Los precios de McDonald’s subieron con fuerza, pero una correlación entre la herramienta de precios y esos aumentos no puede establecer por sí sola un acuerdo ilícito.
La demanda señala la propia declaración de McDonald’s de que los precios medios de los menús en EE. UU. aumentaron alrededor de un 40 por ciento entre 2019 y 2024. Vincula ese periodo con el desarrollo y la expansión de la tecnología de precios de la empresa.
La coincidencia temporal plantea una pregunta de investigación plausible. No aísla el efecto del algoritmo.
Los restaurantes afrontaron aumentos importantes en los costes de mano de obra, alimentos, envases, transporte y ocupación durante ese periodo. El comportamiento de los consumidores también cambió durante la pandemia y la inflación posterior.
McDonald’s ya había dicho que los precios de los menús aumentaron en parte para compensar mayores gastos empresariales. Los franquiciados de distintas regiones se enfrentaron a diferentes leyes salariales, alquileres, impuestos y condiciones de suministro.
Un modelo fiable de daños tendría que controlar esos factores. También necesitaría una referencia que mostrara cómo evolucionaron precios comparables sin el sistema cuestionado.
Los locales cercanos de McDonald’s ofrecen una posible comparación, pero la propiedad local puede complicarla. Un mismo franquiciado puede poseer varios restaurantes dentro de una región.
La clase propuesta también abarca un mercado amplio y diverso. Una herramienta podría influir con fuerza en algunos restaurantes y tener poco efecto en otros.
El demandante necesitará pruebas de que la supuesta coordinación produjo precios por encima de niveles competitivos en una clase jurídicamente coherente. Eso puede resultar difícil cuando las recomendaciones, la adopción, los costes y la propiedad varían según la ubicación.
La información de base identificó llamativas diferencias locales de precios. Un ejemplo involucró dos restaurantes de Fresno situados a unas dos millas de distancia, donde los precios publicados de un Big Mac supuestamente diferían en un 21 por ciento.
Esa variación puede respaldar interpretaciones contrapuestas. Podría mostrar una fijación independiente de precios, o podría mostrar que un motor centralizado optimiza cuánto puede soportar cada mercado local.
El aprendizaje automático por sí solo no responde a esa cuestión. Es un método para detectar patrones en los datos y generar predicciones o recomendaciones basadas en esos patrones.
Un modelo que calcula la disposición a pagar puede recomendar precios distintos para diferentes ubicaciones sin identificar a clientes individuales. Esa práctica se parece más a la optimización localizada de precios que a una fijación de precios basada en vigilancia personalizada.
La fijación localizada de precios no es automáticamente ilícita. Las empresas ajustan habitualmente los precios según los costes regionales, la demanda y las condiciones competitivas.
El riesgo cambia cuando el modelo incorpora datos actuales y confidenciales de empresas que deberían tomar decisiones independientes. La fuente y el momento de las entradas pueden importar más que la sofisticación del modelo.
El estudio de precios de la FTC muestra por qué los reguladores examinan cada vez más los flujos de datos. Sus conclusiones iniciales describieron intermediarios capaces de usar la ubicación, la actividad de navegación, los datos demográficos y el comportamiento de compra para influir en los precios o las promociones.
El estudio de la FTC se refiere a una categoría más amplia que las acusaciones contra McDonald’s. No identifica a McDonald’s como una empresa que haya cobrado precios individualizados.
Sin embargo, refleja un cambio en la atención regulatoria. Las agencias preguntan cada vez más qué datos entran en los sistemas de precios, quién los comparte y si los clientes pueden comprender las ofertas resultantes.
La demanda afrontará otro reto porque gran parte de su narrativa pública se basa en reportajes y materiales de la empresa. El litigio requiere pruebas admisibles que respalden cada elemento legal.
La fase de descubrimiento podría revelar un sistema coercitivo diseñado para alinear a los operadores. También podría mostrar recomendaciones opcionales, una adopción limitada y una variación sustancial de precios impulsada por condiciones locales.
Hasta que surjan esos registros, las afirmaciones de que McDonald’s “usó IA para subir el precio a todos” van más allá de los hechos verificados. La afirmación precisa es más limitada: un consumidor alega que el sistema de precios permitió una coordinación ilícita.
El precedente real procede de la vivienda y los hoteles
Esta demanda traslada una teoría consolidada de colusión algorítmica a una red de franquicias, donde la relación entre los participantes es menos directa.
Los casos recientes más destacados sobre precios algorítmicos han involucrado a arrendadores, hoteles e intermediarios de software. En general, esos casos alegan que empresas competidoras proporcionaron datos confidenciales a un proveedor común y recibieron recomendaciones de precios.
En 2024, el Departamento de Justicia demandó a RealPage, alegando que su sistema de gestión de ingresos ayudó a arrendadores competidores a coordinar los alquileres de apartamentos. Posteriormente, el gobierno añadió a varios grandes arrendadores como demandados.
El caso RealPage del departamento describió el software como un mecanismo para compartir información sensible y alinear decisiones de alquiler. RealPage impugnó las alegaciones.
Ese litigio proporciona al demandante contra McDonald’s un vocabulario y una hoja de ruta legal. Ambas teorías se centran en datos no públicos agrupados, recomendaciones comunes y participantes que presuntamente renunciaron a su criterio independiente.
Las diferencias son sustanciales. RealPage atendía a empresas inmobiliarias independientes que compraban software a un proveedor externo.
McDonald’s opera una red de franquicias con marcas compartidas, estándares de suministro, publicidad, productos y relaciones contractuales. La coordinación corporativa está integrada en muchas partes lícitas de ese sistema.
Un tribunal debe distinguir la gestión de marca de la coordinación horizontal de precios. Eso convierte la independencia de los operadores en la cuestión decisiva.
Los litigios sobre precios hoteleros presentan un precedente relacionado. Los propietarios de hoteles suelen participar en la misma red de marca mientras siguen siendo empresas independientes.
Las agencias federales han argumentado que las recomendaciones voluntarias pueden seguir respaldando una reclamación por fijación de precios cuando los participantes utilizan conscientemente un sistema común de precios. No obstante, los tribunales siguen evaluando estos casos según sus hechos específicos.
La disputa de McDonald’s también podría influir en otras industrias de franquicias. Las marcas de restauración, hoteles, fitness, automoción y servicios suministran cada vez más análisis centralizados a sus operadores.
Estas herramientas pueden mejorar las previsiones, reducir el desperdicio y ayudar a pequeños operadores a interpretar la demanda local. También pueden crear una visión detallada del comportamiento de los competidores que ningún participante podría obtener por sí solo.
La distinción más segura no es “IA frente a no IA”. Las hojas de cálculo tradicionales, los consultores o las llamadas telefónicas pueden facilitar la misma conducta ilícita.
Una mejor pregunta de cumplimiento normativo es si el sistema preserva una independencia real. Las salvaguardias pertinentes incluyen datos históricos agregados, límites a la información sobre competidores, participación voluntaria y restricciones al seguimiento de la adopción.
La información en tiempo real y a nivel de restaurante presenta un riesgo mayor porque puede revelar la estrategia competitiva actual. Las recomendaciones vinculadas a decisiones recientes de rivales también invitan a un escrutinio más riguroso.
Por tanto, las empresas que utilizan precios algorítmicos deberían documentar más que una cláusula de exención sobre la decisión final. Necesitan pruebas operativas que demuestren que los clientes conservan el control y que el proveedor no sanciona las desviaciones.
Los sistemas de franquicias afrontan un problema adicional de gobernanza. Una recomendación puede ser técnicamente opcional, pero tener peso práctico porque el franquiciador controla las renovaciones, las oportunidades de expansión, el acceso a tecnología y los estándares de marca.
Eso no hace coercitiva toda recomendación. Significa que la relación empresarial circundante puede importar tanto como la interfaz de software.
La importancia final de Thomas v. McDonald’s dependerá de cómo trate el tribunal esa relación. Un fallo amplio podría exponer muchas herramientas centralizadas de franquicia a nuevas reclamaciones.
Un fallo limitado podría confirmar que los franquiciadores pueden proporcionar orientación sofisticada sobre precios cuando los operadores siguen siendo independientes y los datos confidenciales de competidores están debidamente protegidos.
Por ahora, la demanda es una prueba de presión, no un precedente.
Qué observar a medida que avanza la demanda sobre precios con IA de McDonald's
Tres señales mostrarán si este caso se convierte en un importante precedente antimonopolio sobre algoritmos o termina como una impugnación infructuosa de las herramientas de apoyo a franquicias.
La primera señal es la fase inicial de mociones de McDonald’s. La empresa probablemente cuestionará si la demanda alega de manera plausible un acuerdo horizontal entre franquiciados.
Una resolución de desestimación revelaría cuánto detalle fáctico debe aportar un consumidor antes de acceder a registros internos. Si sobrevive, permitiría el descubrimiento sobre el motor de precios y las relaciones de franquicia.
La cuestión clave no será si la demanda utiliza repetidamente el término IA. Será si el sistema alegado conecta a competidores mediante un compromiso compartido de seguir recomendaciones comunes.
La segunda señal será la evidencia sobre adopción y aplicación. Los documentos internos pueden mostrar con qué frecuencia los operadores aceptaron recomendaciones, cómo McDonald’s rastreó las desviaciones y qué ocurrió cuando un operador se negó.
Una adopción elevada no demostraría por sí misma un acuerdo. Sin embargo, una adopción elevada combinada con presión, conocimiento de los competidores y datos no públicos fortalecería la teoría del demandante.
Las desviaciones frecuentes sin consecuencias reforzarían la posición de McDonald’s. Respaldarían la afirmación de la empresa de que la herramienta proporciona contexto en lugar de órdenes.
La tercera señal es cómo trate el tribunal los datos. La demanda hace hincapié en información actual y detallada de restaurantes individuales porque esa información puede revelar estrategia competitiva.
Un sistema entrenado principalmente con información agregada o histórica presenta un riesgo distinto al de otro que utiliza ventas y precios en tiempo real a nivel de tienda. La investigación técnica debería aclarar cuál de estas descripciones corresponde al motor de McDonald’s.
Los lectores también deberían observar si participan los reguladores. El Departamento de Justicia y la FTC han presentado escritos en casos privados sobre fijación algorítmica de precios cuando estaban en juego interpretaciones más amplias de la legislación antimonopolio.
Una presentación de una agencia no determinaría el resultado. Señalaría que los responsables federales de hacer cumplir la ley consideran importante el contexto de las franquicias para la política de competencia algorítmica.
El caso también llega mientras McDonald’s intenta recuperar su reputación de ofrecer valor entre los clientes con presupuestos ajustados. Esa presión comercial otorga a la disputa consecuencias que van más allá de las indemnizaciones legales.
Si los clientes creen que el software está diseñado para identificar el precio máximo tolerable, el mensaje corporativo sobre asequibilidad se vuelve más difícil de sostener. McDonald’s debe explicar tanto cómo funciona la herramienta como qué límites regulan su uso.
Los desarrolladores y compradores empresariales deberían prestar atención por otra razón. El caso demuestra que un producto técnicamente consultivo puede generar riesgo legal a través de sus datos de entrada, incentivos y modelo de implementación.
Los equipos de producto deberían preguntarse si sus sistemas combinan datos confidenciales de competidores. También deberían examinar si las recomendaciones se vuelven efectivamente obligatorias mediante supervisión, influencia contractual o evaluaciones de desempeño.
Los consumidores deberían evitar asumir que toda diferencia de precios según la ubicación refleja una conducta indebida. También deberían esperar explicaciones más claras cuando las empresas utilizan datos compartidos para orientar los precios entre negocios operados de forma independiente.
La demanda sobre precios con IA de McDonald’s dependerá de pruebas que aún no son públicas. La denuncia describe una fijación coordinada de precios, mientras que McDonald’s describe asesoramiento empresarial opcional.
Siga de cerca los escritos sobre la desestimación, los registros de adopción de recomendaciones y los controles técnicos de datos. En conjunto, esas señales mostrarán si el motor preservó la competencia o la sustituyó discretamente.
