McDonald’s usa IA para subir el Big Mac hasta 21% por local

El caso McDonald's: un Big Mac, dos precios, una IA

Un Big Mac a US$5,69 en un McDonald's de Fresno (California) y a US$6,89 en otro local a apenas tres kilómetros. El 21 % de diferencia por el mismo producto no es un error de cartel: es el resultado visible de un motor de precios con machine learning que McDonald's opera desde al menos 2019 en sus casi 14.000 restaurantes en EE. UU., según una investigación de Reuters publicada el 29 de septiembre de 2026. La compañía describe la herramienta como "a tool, not a mandate"; cinco franquiciados consultados por Reuters cuentan otra historia.

¿Cómo funciona el motor de precios de McDonald's?

El sistema analiza millones de transacciones diarias de los casi 14.000 locales estadounidenses y genera una recomendación de precio para cada producto en cada punto de venta. La interfaz, según capturas revisadas por Reuters, muestra a los franquiciados mensajes como "your restaurant is showing MEDIUM SENSITIVITY to price", basados en parte en una estimación de la disposición a pagar de la clientela de la zona. La plataforma también ingiere los precios públicos de las cartas online de competidores cercanos como Wendy's y Burger King.

La operación técnica corre por cuenta de Tiger Analytics, aunque las reglas las pone McDonald's, según dos exempleados de la firma citados por Reuters. Entre los parámetros que la central define para el algoritmo están, por ejemplo:

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

Subir precio solo en productos que no hayan subido en al menos dos años.
Aplicar la subida únicamente si al menos el 30 % de los locales ya lo hicieron.
Excluir helados y bebidas de las subidas en verano.

La compañía envía sus recomendaciones al menos tres veces al año. McDonald's describe la herramienta como "industry-leading" y pieza central de su estrategia de asequibilidad para recuperar al consumidor de ingresos bajos.

Por qué la central y los franquiciados se enfrentan

El conflicto de fondo es de modelo de negocio, no de tecnología. McDonald's gana la mayor parte de su dinero con un porcentaje de las ventas totales de cada franquicia, no del margen de cada local. A la central le conviene bajar precios para llenar restaurantes; al franquiciado, que asume costes propios, le conviene subirlos para sostener su margen. La National Restaurant Association estima que los costes de los restaurantes en EE. UU. subieron un 36 % desde 2019.

Esa fricción se tradujo en resultados. En el Q2 fiscal 2026, las ventas comparables de McDonald's en EE. UU. crecieron apenas un 0,8 %, con tráfico negativo; en julio, según el CFO Ian Borden, los comparables pasaron a "ligeramente negativos". El CEO Chris Kempczinski señaló en la earnings call de agosto que cerca de un tercio de los franquiciados no siguió la guía de precios del menú bajo-US$3 (EDAP) y que sus "resultados fueron bastante más débiles".

La presión se formalizó en enero de 2026: McDonald's empezó a exigir a los franquiciados "constructively engaging with McDonald's approved Pricing Consultant and Tools" como parte de sus nuevos estándares de negocio. Documentos internos revisados por Reuters muestran que la compañía registra en detalle las desviaciones de cada franquiciado respecto a la recomendación. En agosto, Kempczinski fue más allá: el "pricing non-compliance" entró a formar parte de las conversaciones de revisión de cada franquicia, lo que afecta a la elegibilidad para abrir nuevos locales — la principal vía de creación de riqueza en el sistema.

Un caso ilustrativo: en 2023, el sistema recomendó a un franquiciado de Connecticut, George Michell, cobrar cerca de US$18 por un Big Mac combo en una área de peaje. La cifra se viralizó, el franquiciado demandó a la marca por un intento de expulsión del sistema y el caso sigue abierto, según Reuters. McDonald's sostiene que el franquiciado incumplió reiteradamente el contrato.

Riesgos reales: de la marca al regulador

La historia tiene tres planos de riesgo para cualquier empresa que considere pricing algorítmico.

Riesgo de marca. Que el mismo producto cambie de precio a pocos kilómetros erosiona la promesa de coherencia. Ya le pasó a Wendy's en febrero de 2024: cuando su CEO Kirk Tanner anunció pruebas de "dynamic pricing" en sus menús digitales, la cobertura lo comparó con el surge pricing de Uber y la empresa tuvo que aclarar públicamente que no subiría precios en horas punta. Instacart cerró en diciembre de 2025 una prueba que mostraba precios diferentes para el mismo producto en el mismo supermercado tras críticas de consumidores y legisladores.

Riesgo regulatorio. Los propios términos de servicio del portal de precios de McDonald's advierten a los franquiciados de que "may be competitors of each other" y les instan a cumplir la normativa antitrust, una redacción que William Kovacic, ex comisionado de la FTC y director del Competition Law Center de la George Washington University, definió para Reuters como un reconocimiento de que la compañía sabe que hay un problema potencial. El Departamento de Justicia de EE. UU. ya marcó territorio el 24 de noviembre de 2025 con una propuesta de acuerdo con RealPage —el software de revenue management para alquileres—: la compañía no podrá usar en tiempo real datos no públicos de competidores, ni entrenar sus modelos con datos de contratos activos, y aceptará un monitor judicial. LaAssistant Attorney General Abigail Slater fue directa: "Competing companies must make independent pricing decisions, and with the rise of algorithmic and artificial intelligence tools, we will remain at the forefront of vigorous antitrust enforcement."

Riesgo operativo. En el caso McDonald's, según estimaciones de Placer.ai citadas por Reuters, el tráfico a sus locales en EE. UU. cayó interanual todos los meses completos desde marzo. La propia herramienta recomienda desde hace meses bajadas selectivas de precio, lo que evidencia que el motor detecta la pérdida de demanda que la propia estrategia ayudó a crear.

Qué significa esto para tu startup

El caso McDonald's no va de hamburguesas: es el experimento más grande del mundo sobre pricing algorítmico en un negocio con identidad de marca fuerte. Para un founder que está metiendo IA en su producto, hay tres lecciones operativas y dos acciones inmediatas.

Tres lecciones:

El precio que maximiza ingreso a corto plazo puede destruir valor de marca a medio plazo. Si tu promesa depende de la consistencia (como una marca de consumo), la optimización por local debe respetar umbrales de coherencia. McDonald's está viendo las consecuencias: tráfico negativo, earnings call con autocrítica pública y reemplazo del presidente de su negocio en EE. UU. por Skye Anderson el 4 de agosto de 2026.
"Recomendación" y "mandato" son la misma cosa si están atadas a la supervivencia del franquiciado. Cuando el sistema mide cumplimiento y lo conecta con la elegibilidad para crecer, la autonomía nominal desaparece. Si tu SaaS ofrece recomendaciones a clientes integrados en tu marketplace, asume que ellos las tratarán como obligatorias aunque digas lo contrario.
El techo regulatorio ya no es teórico. El caso RealPage fija el estándar: usar datos sensibles de competidores en modelos de pricing, entrenar con datos no públicos, o diseñar funciones que "limiten bajadas de precio" entre usuarios competidores entra en el radar del DOJ y de la FTC. Diseña tu pricing algorítmico con la presunción de que tu código será revisado por un regulador.

Dos acciones para esta semana:

Audita qué datos alimenta tu modelo de pricing. Documenta internamente si usas datos no públicos de competidores, datos individuales de usuario o señales de comportamiento personal. Si la respuesta es sí, asume que cualquier divulgación puede disparar una investigación tipo RealPage. Separa los datos que entrenan el modelo de los que operan en tiempo real: el propio acuerdo DOJ-RealPage exige 12 meses de envejecimiento de los datos de entrenamiento.
Establece un guardrail de coherencia antes de lanzar cualquier optimización por local. Define un umbral (por ejemplo: ningún SKU puede variar más del X % entre locales en la misma zona) y hazlo auditable. McDonald's probablemente habría evitado la crisis de imagen de los US$5,69 vs US$6,89 con una regla así. Para tu startup, ese mismo guardrail convierte una optimización eficiente en un experimento defendible.