Costo competitivo de la protección de datos personales

Qué es

La protección de datos personales es, vista desde la economía, una restricción sobre la circulación de un insumo productivo. La frase es incómoda a propósito: los datos son a la vez un atributo de la persona —protegido por derechos— y un factor que las empresas usan para producir. Cuando una norma limita cómo se recolectan, cruzan o transfieren, mueve dos cosas al mismo tiempo: el bienestar de quien es protegido y la productividad de quien usa el insumo. El costo competitivo es ese segundo efecto, medido contra jurisdicciones que no imponen la misma restricción.

La tradición arranca con Stigler (1980) y Posner (1981), que trataron la privacidad como ocultamiento de información y advirtieron que reduce la eficiencia con que un mercado empareja a las partes: un empleador que no puede observar antecedentes contrata peor, un asegurador que no distingue riesgos cobra a todos el promedio. La literatura moderna es menos categórica. La revisión canónica de Acquisti, Taylor y Wagman (2016) concluye que el signo del efecto en bienestar no es determinable en abstracto: depende de si el dato mejora la asignación o solo permite extraer excedente del consumidor, y de quién tiene el derecho sobre él.

Lo que cambió el peso del asunto es la no rivalidad. Un dato, como una idea, puede usarse simultáneamente por muchos sin agotarse (Arrow, 1962; Romer, 1990). Jones y Tonetti (2020) llevan esa propiedad al caso de los datos y muestran su consecuencia dura: si el insumo no se agota, la asignación eficiente es que circule ampliamente, y cualquier arreglo que lo fragmente —regulación restrictiva, pero también el acaparamiento de las propias empresas— deja crecimiento sobre la mesa. Su resultado más contraintuitivo es que asignarle la propiedad del dato al consumidor puede rendir más que dársela a la firma, porque el consumidor tiene incentivo a licenciarlo ampliamente mientras la firma tiene incentivo a excluir. O sea: no toda regla de privacidad es un impuesto al crecimiento; depende de si restringe el uso o si reasigna el derecho.

La parte medible del costo existe y es sustantiva. Goldfarb y Tucker (2011) estimaron que la directiva europea de privacidad electrónica redujo cerca de un 65% la efectividad de la publicidad en línea en Europa respecto de países no afectados. Jia, Jin y Wagman (2021) documentaron una caída del financiamiento de capital de riesgo a empresas tecnológicas europeas tras el GDPR. Johnson, Shriver y Goldberg (2023) agregan un efecto que rara vez se anticipa al legislar: la norma concentró el mercado, porque el costo fijo de cumplimiento y de obtener consentimiento lo absorbe mejor el incumbente grande. El costo, entonces, no es solo agregado, es distributivo, y suele caer sobre el entrante.

En el otro platillo hay tres contrapesos. Primero, el beneficio protegido —autonomía, no discriminación, ausencia de manipulación— no aparece en el PIB, así que la comparación es entre un costo medible y un beneficio que no se mide: una asimetría de instrumento, no de importancia. Segundo, Porter y van der Linde (1995) mostraron para regulación ambiental que una norma exigente puede inducir innovación que compense parte de su costo, y el argumento se traslada. Tercero, Bradford (2020) describe el efecto Bruselas: la jurisdicción que regula primero puede exportar su estándar y convertir el cumplimiento en barrera para los demás, transformando una desventaja aparente en poder normativo.

Chile entra en este debate con la Ley 21.719, publicada a fines de 2024, que crea una Agencia de Protección de Datos Personales y entra en vigencia dos años después: el país está adoptando un estándar de familia europea justo cuando el costo competitivo de ese estándar es la discusión abierta.

Cómo lo explicó el programa

En Buenas Tardes Mercado del 9 de septiembre de 2026 (btm-2026-09-09), el tema fue el papel de los datos como insumo de la inteligencia artificial y el precio competitivo de protegerlos. Manuel Bengolea planteó la asimetría en términos de disponibilidad del insumo: "en Estados Unidos los datos están fragmentados y limitados por regulación de privacidad de usuarios y derechos de autor", mientras que China entrena sus modelos con datos masivos y centralizados de 1.400 millones de ciudadanos altamente digitalizados.

El punto no es retórico, y tiene respaldo empírico: Beraja, Yang y Yuchtman (2023) documentan que en China el acceso a datos provistos por el Estado a empresas de reconocimiento facial aumentó su innovación comercial, no solo la de vigilancia. Es la versión medida de lo que Bengolea describe: escala y centralización del insumo se traducen en capacidad productiva. La lectura completa, eso sí, exige el otro lado del argumento —que el programa dejó implícito—: el costo competitivo es un precio, no un veredicto. Decir que proteger datos cuesta no resuelve si conviene pagarlo, del mismo modo que el costo de un estándar laboral no decide si el estándar vale la pena.

Relación con otros conceptos

Se apoya directamente en la no rivalidad de la información y en los derechos de propiedad como determinantes de la asignación: quién es dueño del dato define cuánto circula. Es un caso particular de arbitraje regulatorio, la idea de que la actividad migra hacia la jurisdicción menos exigente, con la salvedad de que aquí lo que migra es el entrenamiento de modelos, no una planta. Conecta con la brecha tecnológica entre países y con el capital humano como insumo de la IA: datos, cómputo y talento son complementarios, y el cuello de botella se corre al factor más escaso. También toca la discusión sobre campeones nacionales seleccionados por el Estado, porque la provisión estatal de datos es una política industrial por otra vía. Y contiene una externalidad clásica: quien cede su dato no internaliza el valor que ese dato tiene para terceros, ni el daño que su filtración le causa a otros.

Fuentes y lecturas

• Acquisti, A., Taylor, C. y Wagman, L. (2016), The Economics of Privacy, Journal of Economic Literature 54(2).
• Jones, C. I. y Tonetti, C. (2020), Nonrivalry and the Economics of Data, American Economic Review 110(9).
• Goldfarb, A. y Tucker, C. (2011), Privacy Regulation and Online Advertising, Management Science 57(1).
• Beraja, M., Yang, D. Y. y Yuchtman, N. (2023), Data-intensive Innovation and the State: Evidence from AI Firms in China, The Review of Economic Studies 90(4).
• Bradford, A. (2020), The Brussels Effect: How the European Union Rules the World, Oxford University Press.