Modelos de mercado con IA: cómo Virgin Atlantic optimiza pricing

¿Qué son los modelos de mercado y por qué importan?

Cada día, una aerolínea transporta a decenas de miles de pasajeros en cientos de vuelos con conexiones complejas. Para fijar el precio de cada trayecto, debe considerar potencialmente cientos de variables simultáneas: demanda estacional, hora del día, eventos actuales, mercados globales y la actividad de competidores. Es un proceso matizado que requiere adaptación constante.

Los modelos de mercado basados en IA generativa están emergiendo como la respuesta a esta complejidad. A diferencia de los sistemas tradicionales que dependen de tendencias históricas o reglas estáticas, estos modelos de aprendizaje profundo se entrenan con datos numéricos de alta resolución y actúan como un «cerebro» de IA capaz de analizar, simular y predecir dinámicas financieras en tiempo real.

El caso más visible hasta ahora viene de Virgin Atlantic, que implementó un motor de fijación de precios generativo respaldado por Fetcherr, una startup israelí especializada en pricing predictivo con IA. Según Dominic Kennedy, vicepresidente sénior de gestión de ingresos, ventas y comercio electrónico de la aerolínea:

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

«Nos ayuda a tomar decisiones comerciales mejores, más rápidas y más granulares. Considera, en tiempo real, una plétora de diferentes entradas, ya sea la demanda, la capacidad o las reservas. Tiene una forma realmente sofisticada de evaluar nuestro posicionamiento con respecto a los competidores, las condiciones del mercado y un sinfín de otras cosas que tienen relevancia en cómo se manifiesta la demanda.»

Fetcherr no es un chatbot genérico aplicado a un problema vertical. Su plataforma se basa en un Large Market Model —un framework de IA generativa entrenado con cantidades masivas de información de mercado pública y propietaria, incluyendo dinámicas de pricing, elasticidad de demanda, comportamiento competitivo y restricciones de inventario—. Utiliza técnicas de refuerzo continuo (reinforcement learning), donde el modelo aprende actuando: itera miles de veces por día en entornos simulados, ajustando estrategias sin intervención humana directa.

Sus clientes incluyen a Delta Air Lines, WestJet y Azul, además de Virgin Atlantic.

El mercado de revenue management en cifras

La adopción de IA en gestión de ingresos no es experimental: es infraestructura crítica. Según datos de la industria reportados por AltexSoft, las aerolíneas representaron el 38 por ciento de todos los usuarios de Revenue Management Systems (RMS) en el sector travel en 2024, con más de 26.000 sistemas activos en operación globalmente. El resultado financiero es medible: las aerolíneas reportan un aumento promedio del 14 por ciento en la rentabilidad de rutas impulsado por revenue management automatizado.

Los números de mejora varían según el proveedor y la sofisticación de la implementación. Sabre, uno de los gigantes del sector, reporta que sus clientes que implementan Continuous Revenue Optimizer logran hasta un 3,5 por ciento de uplift en revenue total sin agregar capacidad. Accelya con su plataforma FLX ONE anuncia mejoras de hasta 20 por ciento, dependiendo del alcance de implementación. Maxamation, con su suite Aviator, sitúa a sus clientes típicamente entre 4 y 20 por ciento de mejora.

Un hallazgo relevante de PROS indica que cada 10 por ciento de mejora en la precisión del forecast demanda genera un 1 por ciento de aumento en revenue. Esto explica por qué la inversión en modelos predictivos más precisos tiene retorno directo y cuantificable.

En el segmento de continuous pricing —donde el sistema genera un precio dinámico en tiempo real en lugar de elegir entre buckets de tarifa predefinidos—, un estudio mencionado por AltexSoft basado en investigación del MIT encontró que las aerolíneas pueden lograr ganancias de 3 a 6 por ciento en escenarios competitivos realistas.

Quiénes compiten en este espacio

El ecosistema de soluciones de pricing y revenue management para industrias complejas incluye tanto startups nativas de IA como proveedores establecidos que evolucionaron desde sistemas clásicos.

FLYR, fundada en 2013 en California, es una de las startups más visibles en el espacio. Ofrece una plataforma completa de Offer & Order Management alineada con los principios NDC y ONE Order de IATA, combinando forecasting, pricing, retailing y merchandising. Sus clientes incluyen Avianca, Azul y Virgin Atlantic. Una característica distintiva de FLYR es su soporte para experimentación A/B en vivo: las aerolíneas pueden probar diferentes estrategias de pricing y bundles mientras monitorean más de 150 métricas de rendimiento.

PROS (Pricing and Revenue Optimization Solutions) tiene raíces académicas profundas: se originó de investigaciones de optimización realizadas en los años 80 en colaboración con American Airlines, cuyos desafíos operativos sirvieron como caso fundacional para los modelos tempranos de forecasting y optimización. Opera con más de 130 aerolíneas cliente, incluyendo Lufthansa Group, Aeromexico, TAP Air Portugal, Etihad, JetBlue y Cathay Pacific. Su enfoque se centra en modelar la disposición a pagar (WTP) sobre curvas continuas de precio-demanda, en lugar de depender exclusivamente de escalones discretos de tarifa.

Amadeus ofrece un portfolio modular que abarca desde su clásico Network Revenue Management hasta Air Dynamic Pricing, su solución basada en IA que determina puntos de precio óptimos potencialmente continuos al momento de la consulta, considerando segmentación de cliente y contexto de mercado. Atiende a Singapore Airlines, Qantas, Finnair, Qatar Airways, British Airways y Southwest Airlines, entre otros.

Accelya con su plataforma FLX ONE integra lógica de optimización revenue, dynamic pricing y shop-and-price workflows, con integraciones a más de 28 sistemas de reservación. Sus clientes incluyen Iberia, Air Europa, Frontier Airlines y Cebu Pacific.

Para founders fuera del sector aéreo: esta arquitectura se replica en logística, hotelería, e-commerce y servicios financieros. La clave estructural es la misma: datos multidimensionales en tiempo real + modelos de refuerzo continuo + ejecución automatizada de decisiones de precio.

Qué significa esto para tu startup

Si tu negocio depende de decisiones de pricing, gestión de inventario o optimización de ingresos —y la mayoría de las startups B2B y B2C sí—, los modelos de mercado basados en IA generativa representan un cambio de paradigma comparable al paso de hojas de cálculo a software especializado.

Acción 1: Evalúa si tu pricing actual es reactivo o proactivo

La mayoría de las empresas aún fijan precios basándose en costos históricos + un margen, o en benchmarking manual contra competidores. Los modelos de mercado van más allá: predicen cómo cambiará la demanda ante variaciones de precio antes de que ocurran. Si tu equipo de pricing tarda más de 24 horas en ajustar tarifas ante cambios de mercado, estás dejando dinero sobre la mesa. Un sistema con actualización en tiempo real puede detectar patrones de demanda emergente y ajustar ofertas automáticamente.

Acción 2: Comienza con un piloto acotado, no con una transformación completa

Las aerolíneas no reemplazaron todos sus sistemas de pricing de golpe. Implementaron módulos específicos primero: continuous pricing en canales directos y NDC, ancillary pricing para equipaje y asientos, y luego expandieron gradualmente. Identifica un subconjunto de tu catálogo o mercado donde tengas datos suficientes y el impacto potencial sea mayor. Prueba un modelo de IA con un subset controlado, mide resultados durante 60-90 días y escala solo si los números lo justifican.

Acción 3: Prioriza la explicabilidad sobre la autonomía total

Fetcherr destaca su capacidad «Glass Box», que proporciona explicaciones para cada decisión de pricing que el modelo recomienda. En entornos regulados o con márgenes estrechos, los equipos comerciales necesitan entender por qué un algoritmo sugiere un precio específico, no solo ejecutarlo ciegamente. Exige transparencia en cualquier herramienta de IA que implementes para decisiones críticas de revenue.

El contexto macro: la inversión en IA enterprise se triplicó en dos años

Según Menlo Ventures, las empresas estadounidenses gastaron USD 37.000 millones en IA generativa en 2025, un incremento de 3,2 veces respecto a los USD 11.500 millones de 2024. Las startups capturaron el 63 por ciento del mercado en la capa de aplicaciones, superando a los incumbents por casi dos a uno. Esto confirma que la adopción no es teórica: hay capital real fluyendo hacia herramientas que resuelven problemas de revenue y pricing con IA, y ese capital seguirá presionando a las industrias a modernizar sus stacks.