Veena Dubal y Katie J. Wells (DISSENT), 14 de Noviembre de 2026
El teléfono de Elena vibra antes de que suene la alarma a las 5:12 de la mañana. Ella lo coge porque los mensajes que llegan antes del amanecer suelen ser importantes.
La semana pasada su salario base era de 33 dólares. La semana anterior, de 35. No hay ningún supervisor al que llamar para preguntar por qué la siguen degradando, ni ninguna oficina donde pueda ir a quejarse. Lo único que Elena puede hacer es pulsar un pequeño botón azul de «más información». Ha empezado a pensar en su trabajo no exactamente como un salario, sino como una evaluación de su valor económico actual, en relación con sus compañeros, que se recalcula a diario. Suena una segunda notificación.
Aquí también hay letra pequeña: «Según sus ingresos y patrones de gasto previstos».
Se queda mirando el mensaje un instante. El dinero ya es suyo, o lo será, pero aún no, no de la forma que realmente importa. La oferta persiste, presentada como una conveniencia más que como un coste, un pequeño puente que salva la brecha entre lo que ha ganado y lo que puede obtener. Ignora la notificación y se prepara para ir a trabajar.
En la cocina, Elena sirve café en una taza desconchada, mira su nevera vacía y abre una aplicación de supermercado. Leche: 5,89 $. Pan: 4,76 $. Huevos: 7,12 $. La nota en la parte inferior de la pantalla dice: «El precio refleja la demanda en tiempo real, la ubicación y las condiciones de la oferta personalizada».
Ayer, le duele recordarlo, los huevos costaron 6,48 dólares. Pero el sistema ha aprendido cuándo compra, qué compra, cuándo está cansada y cuánto tiempo duda con el cursor sobre el botón de «añadir al carrito». El sistema parece ser capaz de calcular, con creciente precisión, el límite máximo que está dispuesta a pagar.
En el hospital donde trabaja, Elena escanea un código QR con su teléfono para avisar al sistema de que ha llegado, y no demasiado pronto. La semana pasada, intentó escanear el código más de siete minutos antes de su hora de entrada, lo que le restó medio punto en su puntuación.
Las tareas comienzan de inmediato, apareciendo como notificaciones apiladas en la pantalla de bloqueo de su teléfono. La habitación 312 necesita agua. La habitación 318 está confundida, tirando de la vía intravenosa. El alta de la habitación 322 se retrasa. Elena actúa con rapidez. Su atención se condensa en gestos que espera que sus pacientes perciban como suficientes: una sonrisa, una frase, un toque que termina antes de convertirse en una conversación.
Según ha descubierto, el hospital registra sonidos, movimientos y expresiones faciales. Esto traduce su trabajo en una serie de señales medibles que determinarán la tasa de contagios del día siguiente. La placa que lleva prendida de la camisa no solo registra su ubicación dentro del centro, sino también el tiempo que pasa en el baño. Intenta ser rápida y no beber demasiado.
A las 10:47 de la mañana, su teléfono vibra: «Bonificación aplicada: +0,60 $/hora (temporal)». El aumento dura cuarenta y tres minutos: una breve microexpansión de su poder adquisitivo.
En la habitación 376, algo no cuadra. Sus constantes vitales son bajas, pero no alarmantes. El paciente responde, pero no con rapidez. Su respiración es superficial. Elena se pregunta si siempre está así. No hay a quién preguntar. Intenta consultar la anotación de la enfermera anterior en la historia clínica y aumenta la puntuación de gravedad del paciente para que pueda recibir más personal durante los próximos turnos. Experimenta con algunos números, pero sin éxito. La matriz de asignación de personal no se modifica. Su nivel de gravedad es de 4,6, aunque a Elena le preocupa que en realidad debería estar en 8.
Casi de inmediato, se arrepiente de esos minutos extra dedicados a los gráficos. Su teléfono suena: «Puntuación de productividad: baja. Mejora tu ritmo para evitar una penalización de -0,30 $/hora».
En la sala de descanso, Jameela mira fijamente su teléfono. «Esta semana me están cobrando más por la insulina», le dice a Elena.
«¿Cuánto cuesta?»
“Tres dólares.”
Elena asiente. Tres dólares no es mucho hasta que lo es, hasta que se acumula a lo largo de las semanas y se utiliza para cubrir otras necesidades.
Tras salir del hospital, Elena sale a la penumbra y abre su aplicación de transporte. Pide un coche para ir al supermercado que está asociado con la aplicación. Antes de que pueda guardar el teléfono, oye a Jameela detrás de ella.
¿Tú también vas a la tienda? ¿Quieres compartir coche? Acabo de pedir uno.
—Yo también —dice Elena.
Levantan sus teléfonos y comparan las tarifas. Dos viajes al mismo destino, solicitados casi al mismo tiempo, tienen una diferencia de precio de 3,80 dólares. El de Jameela es más barato, así que Elena cancela el suyo. Al pulsar el botón, siente una punzada de inquietud: ¿recordará la aplicación esto y la penalizará más tarde con precios más altos?
Llegan y se despiden. Elena observa que los precios en los estantes son aproximaciones digitales de lo que pagará. Al pagar, el escáner lo resuelve todo: su cesta, su perfil, su disposición a pagar. Leche. Huevos. Pan. Espinacas. 24,63 dólares.
Elena duda. No tendrá tiempo de volver mañana. Su tarjeta de crédito se procesa tras una breve demora, como si algo se estuviera recalculando en otro lugar: su saldo frente a los gastos previstos, su salario frente a las necesidades anticipadas.
Al unísono, llega una notificación: “Gastos en comestibles por encima del nivel de referencia personalizado (+6 por ciento). Sugerencia: Ajuste las compras discrecionales”. Intenta pensar qué se considera discrecional. ¿La crema para su café de la mañana?
Su teléfono vibra de nuevo: «Previsión del próximo turno: Tarifa sugerida: 28,70 $/hora (sujeta a cambios)». Sujeta a cambios. Todo lo está. Suspira y espera que Jameela no ofrezca menos de lo que merece. Elena imagina los sistemas fluctuantes, no las pantallas, sino lo que hay detrás de ellas. Redes de clasificaciones, actualizadas constantemente por el aprendizaje automático. Su puntualidad se convierte en una variable, su barrio en un multiplicador, sus hábitos en predicciones. Su salario es un resultado, los precios otro. Juntos, definen una frontera cambiante: lo que puede comprar, lo que no.
Su poder adquisitivo es algo que ella no controla. Le es asignado, se recalibra constantemente y se pone a prueba en función de su comportamiento —y del de los demás—. Se pregunta si los sistemas se comunican entre sí, si la disminución de su salario modifica silenciosamente los precios que ve y si la urgencia, una vez detectada, se convierte en una señal para aumentarlos.
Elena es un personaje ficticio, pero no fantasioso. Su día refleja una combinación de experiencias que investigadores y trabajadores, incluyendo a ambas autoras, han identificado en el mercado laboral contemporáneo: la gigantización de la atención médica, la personalización en tiempo real de salarios y precios, y el uso de sistemas algorítmicos y de aprendizaje automático para moldear el comportamiento e imponer disciplina. El trabajo de Dubal sobre la discriminación salarial algorítmica ha identificado la remuneración opaca, personalizada y variable como una tecnología de control laboral. Wells y sus coautoras han rastreado estas lógicas de plataforma en la enfermería , donde las aplicaciones asignan turnos, fijan salarios, monitorean el desempeño y fragmentan la responsabilidad del cuidado del paciente. El trabajo conjunto de ambas y nuestros colegas de Fairwork sitúa estos desarrollos dentro de un cambio más amplio hacia la gestión mediada por IA. Investigaciones relacionadas sobre precios y salarios de vigilancia muestran cómo la misma lógica basada en datos puede individualizar tanto lo que las personas ganan como lo que pagan, incluyendo estudios de Wells y sus colegas sobre la mecánica de la fijación de precios de vigilancia en Instacart y Uber . El resultado no es solo una precaria incertidumbre económica, sino también una peor calidad de vida y de salud, tanto para los trabajadores como para los pacientes.
La vida precaria permite que los salarios y precios algorítmicos coincidan, y también es lo que producen. Este tipo de vida mediada algorítmicamente genera lo que Dubal denomina «poder adquisitivo predeterminado». El poder adquisitivo se entiende generalmente como lo que queda después de restar los precios a los salarios. Pero el mundo de Elena invierte esta secuencia. Antes de que Elena actúe, el abanico de opciones disponibles para ella ya se ha reducido en función de lo que las empresas han inferido sobre ella. Su salario se ha ajustado a lo que se predice que aceptará. El precio de los bienes de primera necesidad se ha ajustado a lo que se predice que tolerará. Su alquiler, sus honorarios, su crédito y su acceso a su propio salario están condicionados por cálculos sobre si puede esperar, si puede marcharse, si tiene ahorros y si tiene alternativas.
El resultado no es simplemente precariedad, sino una restricción iterativa. En lugar de limitar su poder adquisitivo, estos sistemas algorítmicos de salarios y precios predeterminan cuál será su poder adquisitivo en el futuro. Un salario bajo asignado hoy no solo deja a Elena con menos dinero; genera datos sobre lo que aceptará mañana. Un precio alto en la compra no solo reduce su saldo; genera datos sobre lo que pagará cuando esté cansada, apurada y hambrienta. Un retraso en el pago del alquiler no solo genera una multa; genera datos sobre su riesgo. Un adelanto de sueldo cubre una brecha, pero también confirma la existencia de esa brecha como una oportunidad de mercado, lo que podría influir en su salario al día siguiente, asegurando que trabaje más y durante más tiempo por menos. El sistema aprende de los perjuicios que ayuda a crear.
El poder adquisitivo predeterminado describe la situación en la que los salarios, precios, alquileres, comisiones, créditos y deudas se ajustan a una persona antes de que esta actúe, de modo que lo que parece una elección suele ser solo el paso final de un proceso que genera restricciones. No se trata de la antigua tienda de la empresa, pero tiene un efecto similar: controlar la vida del trabajador desde todos los ángulos. Hoy en día, el control se distribuye entre aplicaciones, plataformas, intermediarios, empleadores, arrendadores y prestamistas. No necesita un único propietario. Solo necesita los mismos datos, la misma asimetría y la misma persona con escaso poder de decisión.
En el nuevo sistema —impulsado por la vigilancia constante— la estabilidad financiera y la posibilidad de movilidad económica se vuelven difíciles, si no imposibles. La movilidad requiere margen de maniobra: ahorros, tiempo, patrimonio familiar, capital propio, un contrato sindical, una licencia profesional, un horario estable, un coche que no se averíe, un familiar que pueda prestar dinero sin intereses. Los activos permiten esperar. El capital permite negarse. Sin esos márgenes, las adaptaciones de Elena a las restricciones se convierten en nuevos insumos para la siguiente ronda. Acepta el salario más bajo porque tiene que pagar el alquiler. El salario más bajo dificulta la compra de alimentos. El aumento en la factura del supermercado hace que el adelanto de sueldo sea más tentador. La comisión dificulta el ahorro. La falta de ahorros hace que sea más difícil rechazar el siguiente turno malo. Una y otra vez, en círculos. El cálculo no se realiza una sola vez. Se realiza de forma iterativa, con más datos cada vez.
Para quienes poseen activos, los mercados algorítmicos pueden resultar irritantes, incluso explotadores. Para quienes carecen de ellos, son asfixiantes, a veces devastadores. No existe margen de maniobra entre la predicción y la penalización. No hay margen para rechazar las decisiones del sistema. Y dado que los sistemas son personalizados, cada acto de supervivencia puede interpretarse erróneamente como una muestra de preferencia: aceptó el salario más bajo, pagó el precio más alto, aceptó el anticipo, se quedó en el apartamento, siguió trabajando a pesar del dolor. Estos registros de mercado se entienden como testimonios de aquiescencia, no de coerción. Esta podría ser la característica más cruel del poder adquisitivo predeterminado: convierte la ausencia de alternativas en datos y luego utiliza esos datos como justificación para reducir aún más las alternativas. El trabajador sin capital no solo es pobre en el presente, sino que se vuelve predecible —predeciblemente pobre— en el futuro.
Por el contrario, una economía moral del trabajo presupone, aunque imperfectamente, que los salarios deben ser lo suficientemente predecibles como para garantizar la subsistencia. Las leyes de salario mínimo, conquistadas con tanto esfuerzo, independientemente de sus limitaciones, han contribuido a crear la expectativa de que la remuneración debe ser justa, calculable y estar vinculada al tiempo trabajado; asimismo, las leyes y normas de igualdad salarial expresan la idea de que las personas que realizan un trabajo sustancialmente similar no deben recibir salarios diferentes sin justificación. La discriminación salarial algorítmica altera estas expectativas al hacer que los salarios varíen entre trabajadores y en diferentes momentos, incluso para trabajos sustancialmente similares. Esto dificulta conocer, comparar y cuestionar los salarios.
Lo mismo ocurre con los precios. Un precio publicado puede ser demasiado alto, pero al menos lo es para todos, lo que puede servir para generar indignación colectiva. Es más difícil organizarse contra un precio personalizado porque se percibe como un hecho privado. Lo mismo sucede con un salario personalizado, una calificación de riesgo de alquiler personalizada, una oferta de crédito, una prima de seguro, un cargo por envío o un cargo por acceso anticipado al salario. La situación común se fragmenta en resultados individualizados.
Una trabajadora que sabe que su salario fue fijado por un algoritmo puede que no tenga el poder de rechazarlo. Un comprador que sabe que un precio fue personalizado puede que no tenga otra tienda, más tiempo o más dinero. Un inquilino que ve la puntuación puede que no encuentre otro apartamento. El conocimiento por sí solo no altera la relación económica entre la persona evaluada y la institución que la realiza. La transparencia y la legibilidad pueden ayudar a los trabajadores a comprender los sistemas de pago digitalizados, pero no cambian por sí solas la dinámica de poder que hace posibles los salarios bajos e impredecibles. El problema de Elena no es que no entienda estos cálculos, sino que se permita que estos cálculos rijan las condiciones básicas del trabajo, el consumo y la vida.
Necesitamos más que transparencia, avisos o explicaciones. Necesitamos prohibiciones legales que aborden directamente estas prácticas algorítmicas. Las leyes que regulan la fijación de salarios y precios basada en la vigilancia no solo deben hacer que estos sistemas sean más transparentes, sino que deben prohibir que las empresas utilicen datos de comportamiento íntimos para decidir cuánto se le paga a un trabajador o qué se le cobra a una persona. Incluso podrían prohibir la vigilancia constante que sustenta estos sistemas de cálculos algorítmicos.
Los salarios y precios algorítmicos son síntomas de una economía política basada en la continua conversión del movimiento, la demora, la fatiga, la deuda, la ubicación, la búsqueda, el hambre, la puntualidad y la desesperación en poder comercial. Acabar con esa vigilancia no le proporcionaría automáticamente a Elena riqueza, ahorros ni seguridad. Pero haría posible la movilidad y la transformación. La haría menos vulnerable a ser capturada en todos los mercados a la vez, menos predecible como trabajadora, compradora, inquilina, deudora, paciente o riesgo. Crearía un espacio para que sus decisiones no se vieran instantáneamente reducidas a los sistemas financieros depredadores que la limitan. El mercado no debería saber tanto sobre nosotros como para aprovechar cada punto de vulnerabilidad y llamar a ese resultado perverso «libertad».
A las 2:13 de la madrugada, Elena se despierta brevemente y echa un vistazo a su teléfono. Está iluminado con un nuevo mensaje. Por un instante, piensa en comprobar cuánto vale ahora, cuánto cuestan las cosas hoy. En lugar de eso, aparta la mirada. Por la mañana, las cifras volverán a ser diferentes.
Veena Dubal es profesora de derecho y, por cortesía, de antropología en la UC Irvine.
Katie Wells es geógrafa e investigadora principal en AI Now. Es coautora de Disrupting DC: The Rise of Uber and the Fall of the City .
Deja una respuesta