Carta 19
Aprendí quién decía que sí. Empecé a ofrecerle menos.
Consulta de un comprador de trabajo que recuerda cada respuesta
Querida Mano Invisible:
Mi trabajo consiste en encontrar un conductor para cada viaje y decidir cuánto ofrecerle.
Antes, la remuneración se calculaba principalmente con una tabla de tiempo y distancia. Con las tarifas anticipadas empecé a mostrar una cantidad concreta antes de que el conductor aceptara. La empresa llamó a eso más información y más libertad para elegir.
Pero la elección también me informaba a mí. Cada oferta terminaba en un sí o en un no. Algunos conductores rechazaban con frecuencia. Otros aceptaban casi todo.
Jyotsana Kala comparó millones de viajes antes y después del cambio. Encontró que la remuneración cayó más entre quienes rechazaban menos. No pudo observar mi código, pero construyó un modelo económico en el que las respuestas anteriores permiten aproximarse a la remuneración mínima que aceptaría cada conductor.
No necesito una casilla llamada «desesperación». Me basta con recordar. Si alguien acepta reiteradamente cantidades que otra persona rechaza, aprendo con quién puedo probar una oferta menor la próxima vez.
El conductor conoce la cifra antes de decidir. Lo que no conoce es cuánto habría ofrecido yo a otra persona por un trayecto comparable ni cuánto ha influido su historial en la cantidad que está viendo.
Si conserva el derecho a rechazar cada viaje, ¿por qué resulta injusto que yo aprenda el precio de su próximo sí?
Atentamente,
Un comprador que recuerda cada sí
La respuesta
La Mano Invisible responde
Porque cada «sí» hace dos trabajos. Consigue un conductor para el viaje y te enseña que quizá habrías podido conseguirlo ofreciendo menos.
Jyotsana Kala parte de una desigualdad informativa muy sencilla. El conductor conoce aproximadamente su salario de reserva: la cantidad mínima por la que aceptaría una tarea. La plataforma no conoce ese límite, pero puede aprender sobre él mediante ofertas sucesivas.
La primera oferta no sirve únicamente para comprar trabajo. También formula una pregunta. Si el conductor rechaza, la cantidad pudo quedar por debajo de su límite. Si acepta, demuestra que la oferta era suficiente. Cuando llega el siguiente viaje, ya no negocias con un desconocido: negocias con la información que obtuviste de su respuesta anterior.
No estás repartiendo cifras al azar para observar cómo reacciona un mercado. Estás utilizando las decisiones anteriores de una persona para volver a negociar con ella. El conductor no es solo una observación dentro de un experimento. Cada respuesta puede modificar su propia oferta futura.
Ahí aparece el efecto trinquete. Cuando alguien revela hoy que está dispuesto a trabajar por poco, mañana no puede recuperar ese secreto. El comprador puede utilizarlo para endurecer la siguiente oferta. La información avanza en una sola dirección y las condiciones pueden avanzar con ella.
Pero el conductor también aprende. Si aceptar una cantidad razonable hoy puede reducir las de mañana, decir que sí deja de ser una respuesta inocente. Kala muestra que quien aceptaría poco tiene incentivos para imitar a quien exige más: rechazar algunas ofertas, parecer menos disponible y proteger así su remuneración futura.
Has convertido una decisión laboral en una partida de póker. Tú intentas descubrir el mínimo que aceptará el conductor. Él intenta convencerte de que ese mínimo es mayor. La sinceridad deja de facilitar el intercambio porque revelar demasiado permite que la siguiente oferta sea peor.
No aprendiste cuánto valía su trabajo.
Aprendiste a convertir su necesidad de trabajar en un descuento.
La Mano Invisible
Hechos reales · consulta dramatizada
El expediente
- Caso
- Uber, *Algorithmic Wage Discrimination*
- Periodo
- despliegue entre marzo y septiembre de 2022; observaciones hasta junio de 2025
- Publicación
- 13 de abril de 2026
- Sistema
- algoritmo de fijación de remuneración por viaje
- Acción
- formular ofertas monetarias a conductores antes de cada trayecto.
Jyotsana Kala estudió 1,91 millones de viajes realizados por 647 conductores en 46 estados y utilizó el despliegue escalonado de las tarifas anticipadas. El artículo estima una reducción de la remuneración media, una mayor variación entre conductores y caídas más intensas entre quienes presentaban tasas de rechazo menores. Una de sus especificaciones calcula 1,27 dólares menos de pago base por viaje, cerca del 8 % de la remuneración media.
Para explicar esas diferencias, el artículo utiliza la tasa de rechazo como indicador de las preferencias del conductor y desarrolla un modelo teórico en el que las ofertas se actualizan a partir de decisiones anteriores. Los datos empíricos no incluyen el código interno de Uber, las cantidades ofrecidas en los viajes rechazados ni una medición directa del salario de reserva de cada conductor. La versión consultada se presenta como preliminar.
Fuentes: Jyotsana Kala · Uber
La economía del diagnóstico
Jyotsana Kala
Aprendizaje dinámico y salario de reserva
En Algorithmic Wage Discrimination: Evidence from Uber (2026), Jyotsana Kala desarrolla un modelo de negociación repetida con información privada.
Una parte conoce su salario de reserva —la cantidad mínima que aceptaría— y la otra debe formular una oferta sin conocerlo. La aceptación o el rechazo no resuelven únicamente la transacción presente: también revelan información que permite actualizar la oferta del periodo siguiente.
La primera oferta puede funcionar como filtro. Quienes aceptarían una cantidad baja se distinguen de quienes exigen más. Una vez separados ambos grupos, el comprador puede acercar las ofertas posteriores al mínimo de cada uno y conservar una parte mayor del beneficio del intercambio.
Ese aprendizaje crea una respuesta estratégica. Quien aceptaría una cantidad baja puede rechazarla al principio para imitar a quienes exigen más y proteger sus condiciones futuras. Una decisión aparentemente ineficiente en el presente puede resultar racional cuando también modifica lo que la otra parte aprenderá para la próxima negociación.