El comercio agentico está optimizado para la eficiencia. Las pequeñas empresas absorberán el riesgo de fraude.

Por Stephanie O’Connor, Wind River Payments.

La capa de inteligencia para profesionales fintech que piensan por sí mismos.

Inteligencia de fuente primaria. Análisis original. Artículos contribuidos por las personas que definen la industria.

Confiado por profesionales en JP Morgan, Coinbase, BlackRock, Klarna y más.

Únete al Círculo de Claridad FinTech Semanal →

Las herramientas contra el fraude están diseñadas en torno a cómo las personas suelen comprar: cómo se mueven por un sitio, cuánto tiempo tardan en navegar y qué cambian antes de hacer clic en comprar. Esos señales suelen determinar si una transacción es legítima.

Los sistemas modernos de fraude ya son capaces de identificar comportamientos tradicionales de bots. El desafío con el comercio agentico es diferente. Los agentes de IA pueden ser entrenados para imitar patrones humanos lo suficientemente cerca como para que esas señales sean más difíciles de distinguir de los compradores humanos.

Incluso cuando los sistemas antifraude funcionan como se espera, surgen problemas separados cuando la IA comienza a tomar decisiones de compra.

Los agentes de IA generalmente están diseñados para optimizar el precio y la velocidad. No se detienen a cuestionar cosas que un humano podría, como un precio que parece ligeramente demasiado bajo, un vendedor que no es un minorista autorizado, o un listado que no coincide exactamente con la marca. Ejecutan instrucciones. Esa eficiencia puede mejorar las tasas de conversión, pero también elimina las capas de filtrado informal de riesgo que los humanos aplican naturalmente.

La optimización de precios pone presión inmediata sobre las pequeñas y medianas empresas. Si un agente recibe la instrucción de “comprar X por debajo de Y”, el vendedor de menor costo gana. Los fabricantes más grandes y los operadores de marketplaces de alto volumen están estructurados para competir en precio. Muchas pymes compiten en servicio, especialización y confianza del cliente. La compra automatizada debilita esas ventajas.

Las listas falsificadas también se convierten en oportunidades optimizadas por máquina. Mientras que un comprador humano reconocería que un producto con un descuento profundo parece sospechoso, un agente de IA no lo hará, a menos que haya sido programado explícitamente para evaluar la legitimidad de la marca y los patrones de precios. Los vendedores falsificados no necesitan poner precios muy por debajo del mercado para ganar. Incluso pequeñas rebajas son suficientes para captar compras automatizadas.

Los dominios y sitios web falsificados añaden más riesgo. Si los agentes transaccionan de forma autónoma, deben evaluar si un sitio es legítimo. Un sitio clonado puede interceptar pedidos automatizados antes de que el consumidor se dé cuenta de que algo está mal. El daño reputacional recae en el comerciante real. Las pequeñas empresas suelen carecer de las herramientas de monitoreo y recursos de seguridad que las grandes empresas usan para detectar y detener rápidamente la suplantación.

Desde la capa de pagos, vemos lo rápido que se propaga la exposición cuando cambia el comportamiento en las transacciones. Los modelos de contracargo, puntuaciones de fraude y procesos de disputa fueron diseñados en torno al comportamiento de compra humano. Si las transacciones impulsadas por IA aumentan las disputas por productos falsificados o reclamaciones de compras no autorizadas, las pymes absorberán primero el impacto financiero.

Incluso si la adopción por parte del consumidor es gradual, las decisiones de infraestructura están ocurriendo ahora. Los proveedores de pagos y software necesitan ajustar los modelos de riesgo antes de que la compra automatizada escale.

Eso significa:

* Actualizar los modelos de fraude para tener en cuenta el comportamiento dirigido por máquinas
* Implementar estándares de verificación de comerciantes legibles por máquina
* Monitorear sitios web clonados o similares
* Aclarar la responsabilidad y el manejo de disputas para compras iniciadas por IA

El comercio impulsado por IA puede ser más eficiente. Pero sin cambios en la infraestructura, también desplazará la exposición al fraude y la presión de precios hacia los actores más pequeños del mercado.

Si el comprador cambia, los modelos de riesgo y los marcos de responsabilidad deben cambiar con él.

Sobre el autor

Stephanie O’Connor es Directora de Operaciones y Experiencia del Comerciante en Wind River Payments, donde lidera un equipo de gerentes de relaciones que trabajan directamente con los clientes para ayudarlos a navegar las complejidades de los pagos modernos—desde el procesamiento de transacciones hasta la prevención de fraudes y la experiencia del cliente. Aporta más de una década de experiencia en la industria de servicios financieros trabajando estrechamente con comerciantes y socios de pagos.