El verdadero negocio del comercio electrónico con IA está oculto antes del pago del usuario

En los últimos treinta años, la infraestructura del comercio electrónico ha estado optimizando casi la misma acción: hacer que los usuarios puedan pulsar el botón de compra de manera más fluida. La compra con un clic, tokens de prueba de pago, reconocimiento facial y verificación de huellas digitales, todo busca reducir la fricción en el momento del pago.

Pero con la entrada del Agente de IA en el proceso de compra, los cambios comienzan a ocurrir antes del pago. Lo que el Agente necesita resolver es cómo entender la intención del usuario, filtrar productos, construir el carrito de compras y ejecutar la siguiente acción dentro del alcance de autorización explícito.

Por lo tanto, el Comercio Agente no puede entenderse solo como un problema de pago. El pago sigue siendo importante, pero es solo el último eslabón de la cadena de compra. Lo primero que la IA reescribe es el proceso previo a la aprobación de la transacción.

1. La intención del usuario se convierte en restricciones ejecutables

En el comercio electrónico tradicional, las decisiones de compra humanas suelen ser un proceso prolongado y con cierta aleatoriedad de navegación en páginas web. El usuario busca, entra en páginas de productos, compara reseñas, cambia de plataformas, todo influenciado por precios, diseño de página, promociones y recomendaciones paso a paso.

Pero cuando un Agente actúa en nombre del usuario, el proceso de decisión previo a la compra se reorganiza. El usuario no necesariamente da un plataforma o producto específico, sino que proporciona una descripción en lenguaje natural que incluye múltiples restricciones. Estas condiciones suelen incluir: un límite de presupuesto claro, un plazo de cumplimiento específico, una lista negra de marcas a excluir y preferencias personalizadas de parámetros.

Estas condiciones antes solo eran preferencias en la mente del usuario, ahora se convierten en reglas de filtrado que el Agente debe aplicar al ejecutar tareas. El Agente debe descomponer una necesidad en lenguaje natural en restricciones que la máquina pueda entender, comparar y ejecutar.

Esto cambiará la distribución del valor en la cadena comercial. Antes, los comerciantes competían por clics y conversiones en la página del producto; en el futuro, muchos productos serán filtrados primero por el Agente. La página sigue siendo importante, pero los datos del producto, precios en tiempo real, precisión del inventario, promesas de entrega, reglas de devolución y estructura de parámetros decidirán si un producto entra en la lista de candidatos.

2. La respuesta generada por IA se convierte en la nueva interfaz de exhibición de productos

Estas estructuras de parámetros decidirán primero si un producto puede entrar en la lista de candidatos. Y tras descomponer la intención del usuario en restricciones, estas se ingresan primero en motores de búsqueda y modelos de IA, lo que da lugar a una nueva interfaz de exhibición de productos.

Si la entrada tradicional del comercio electrónico era una página de resultados de búsqueda, la nueva estantería de AI commerce será la respuesta generada directamente por el modelo.

Antes, cuando un usuario buscaba una cuestión de consumo, veía un conjunto de páginas web, anuncios, reseñas y enlaces de comercio electrónico. Las marcas competían por ranking, clics y conversiones; los usuarios tenían que abrir páginas, comparar parámetros y juzgar la veracidad de la información.

Ahora, la búsqueda generada por IA acorta este proceso. Productos como AI Overview, ChatGPT, Copilot comprimen múltiples fuentes en una respuesta, proporcionando directamente productos candidatos, escenarios de uso y recomendaciones de compra. El usuario quizás no abra más de diez enlaces, ni sepa qué fuentes respaldan la respuesta. Las marcas ahora deben luchar por entrar en la lista de candidatos en la respuesta de IA.

Por eso, GEO es más sensible que SEO, porque afecta no solo la exposición, sino también el proceso de juicio del modelo. En la búsqueda tradicional, las marcas buscaban estar en las posiciones superiores; en la búsqueda generativa, compiten por entrar en la lista de candidatos en la respuesta. Cuando la IA compara productos con un tono aparentemente neutral, en realidad ya ha hecho una primera selección para el usuario.

Pero el problema es que las recomendaciones de IA no surgen de la nada; se basan en rankings de reseñas, discusiones en foros, videos cortos, comentarios en e-commerce, informes del sector, etc., y comprimen toda esa información en una respuesta que parece objetiva. Las marcas no necesariamente necesitan comprar espacios publicitarios en IA, sino influir en el contenido para que el modelo vea ciertos aspectos en la búsqueda y resumen. Un contenido puede parecer solo una opinión más, pero si varias fuentes repiten un mismo punto, la IA puede considerarlo una base más sólida para recomendar. Así, la inversión comercial no siempre aparece en forma de anuncios, sino que puede influir en el proceso de juicio de la IA.

Esto explica por qué Google es más cauteloso con GEO, ya que su activo más importante es la confianza en la búsqueda. La gente confía en que Google prioriza información confiable, y los anunciantes pagan por esa exposición. En la búsqueda tradicional, Google muestra enlaces, y el usuario puede juzgar la fuente; en la vista de IA, se da una respuesta directa. Si esa respuesta se ve afectada por reseñas falsas, contenido de granja de contenido o sesgos, Google no solo muestra una página de baja calidad, sino que puede estar generando una recomendación potencialmente engañosa.

Por supuesto, la actitud de diferentes plataformas respecto a GEO también está influenciada por sus modelos de negocio. Google busca mantener la confianza en la búsqueda, enfatizando la calidad del contenido y la prevención de manipulación; Microsoft ve GEO como una vía para que los anunciantes accedan a Copilot, Bing, Edge y futuros Agentes. Es decir, en el futuro, GEO no tendrá una única regla, sino que evolucionará diferentes límites de gobernanza y entradas comerciales en plataformas de búsqueda, asistentes de IA y modelos.

Pero para que las marcas sean aceptadas en la búsqueda generativa, además de crear contenido en toda la web para influir en el resumen del modelo, hay un requisito técnico más fundamental: los productos deben ser altamente legibles por máquina.

3. La diferenciación en la fachada del comercio electrónico: datos para máquinas, gusto para humanos

Para que la IA confíe y recomiende, los productos primero deben ser altamente legibles por máquina.

Las interfaces comerciales en la web temprana estaban diseñadas para la vista humana. Imágenes, descripciones y botones de compra estaban pensados para prolongar la permanencia del usuario en la página. Pero la IA no percibe estos diseños visuales; la evaluación de productos se basa en datos estructurados: especificaciones SKU, inventario en tiempo real, precio neto, acuerdos de nivel de servicio (SLA) y políticas de devolución estructuradas.

Este cambio hace que la legibilidad por máquina sea la base competitiva en la era del comercio con IA. Marcadores como Schema.org, archivos llms.txt, APIs de inventario y precios en tiempo real, y políticas de devolución estructuradas, influirán en si el Agente de IA puede entender correctamente un producto. Los grandes modelos de lenguaje pueden extraer información no estructurada de páginas web, pero esa información suele ser incompleta, lenta en actualizarse y propensa a ruido. En cambio, los catálogos estructurados y estandarizados pueden decirle directamente al Agente: especificaciones, precios en tiempo real, estado del inventario, capacidad de entrega y reglas de devolución. Esa es la puerta de entrada previa para que un producto pase por el filtrado y recomendación del Agente.

Pero este cambio no ocurrirá en todos los productos al mismo tiempo; se puede dividir en dos categorías según el tipo de consumo:

Una es el consumo eficiente. Por ejemplo, comprar papel higiénico, cables, material de oficina o comparar precios de vuelos y hoteles. Estas decisiones tienen estándares claros: precio, especificaciones, tiempo de entrega. El usuario no disfruta del proceso de selección, solo quiere una respuesta rápida y razonable. En estos casos, la IA puede actuar muy rápido, hacer comparaciones y ordenar la compra en segundos.

La otra categoría es el consumo basado en gusto y autoexpresión, como escoger un abrigo, una lámpara vintage o una obra de arte. Este tipo de consumo implica emociones, personalidad y estética; el proceso de selección, duda y comparación en sí mismo es parte del disfrute. En estos escenarios, el valor de la IA está más en la fase previa al pago: ayudar a organizar ideas, entender estilos, agregar información dispersa y hacer que la exploración sea más fluida.

Este es el enfoque de The Mall, una app de moda y compras. Hoy, la entrada a las compras online está fragmentada: páginas oficiales, Instagram, TikTok, newsletters, sitios de descuentos, recomendaciones de amigos y creadores. Los consumidores saltan entre estos puntos dispersos. The Mall busca consolidar estos fragmentos en un espacio virtual, un “mall” digital, que responda a cómo descubrir, seguir, comparar, guardar y compartir marcas y productos en su día a día.

En ese espacio, el comportamiento del usuario se reorganiza. Puede seguir marcas, rastrear lanzamientos y descuentos, guardar productos, ver las actividades de amigos o creadores, e incluso, con ayuda de IA, entender estilos y saltar de un producto a otro similar de diferentes marcas, descubriendo marcas nicho que no estaban en su radar.

Esto significa que el nuevo escenario comercial del IA no se limita a la fase final de la transacción, sino que en la fase previa también hay un enorme potencial de negocio: decisiones, descubrimientos, comparación y exploración, que pueden convertirse en un negocio de alto valor.

Al ayudar a gestionar esas intenciones fragmentadas, no solo se construye mayor confianza, sino que también se recopilan datos de intención que, a largo plazo, pueden tener un gran valor comercial. Al organizar y registrar las preferencias y comparaciones del usuario antes del pago, estos productos pueden convertirse en un sistema de referencia de gustos e intenciones. La capa de descubrimiento, cercana a la decisión, puede tener un valor de activos de datos comparable o incluso superior a la comisión final por transacción.

Por eso, el futuro del comercio tendrá dos niveles: uno orientado a las máquinas, que se encargue de la granularidad, estructura y verificabilidad de los datos para que el Agente pueda hacer comparaciones y compras eficientemente; y otro orientado a los humanos, que exprese la marca, transmita estética, construya experiencias y genere encuentros fortuitos (serendipia), para que los usuarios quieran quedarse, explorar y definir su estilo único. En el pasado, los comerciantes solo gestionaban la experiencia visual en la web, pero en el futuro también deberán gestionar catálogos estructurados legibles por máquina y ese espacio de intenciones previo, más oculto y lleno de imaginación.

4. La cadena de promesas se desplaza hacia la parte superior: permitir que el Agente actúe dentro del alcance de autorización

Cuando el Agente termina de descubrir productos, filtrar opciones y construir el carrito, la transacción entra en el sistema de pago.

Desde un punto de vista operativo, la red de tarjetas moderna es esencialmente una cadena de promesas diferidas. En la fase de autorización, el comerciante verifica la validez del comprobante a través del adquirente y la red de tarjetas, y tras recibir la aprobación, entrega el producto, mientras la liquidación y el pago real se hacen en ventanas posteriores de forma asincrónica. Este sistema se basa en un simple supuesto: la transacción la inicia una persona y la asume una persona.

La intervención de la IA rompe esa suposición. La autorización ya no es solo una confirmación de un pago definido, sino un flujo de decisiones autónomas impulsadas por software. Si el agente recibe instrucciones maliciosas, interpreta mal el contexto o configura mal los parámetros, puede realizar transacciones fuera de su alcance, generando pérdidas y haciendo difusa la frontera legal.

Aunque algunos grandes minoristas modifican sus términos de servicio (ToS) para definir legalmente que las transacciones iniciadas por terceros agentes son autorizadas por el usuario, esto no resuelve los riesgos a nivel técnico. El Comercio Agente necesita establecer restricciones antes de que la transacción ocurra.

En las redes financieras tradicionales, estas restricciones se implementan principalmente mediante autorizaciones centralizadas. Las redes de tarjetas como Visa y Mastercard están desarrollando estándares para la identificación del Agente, tokens de prueba y declaraciones de intención verificables, con el objetivo de reducir el alcance de acción del software antes de que la transacción sea aprobada. En la práctica, esto suele significar convertir el comprobante de pago en un límite programable: generar una tarjeta virtual de un solo uso o token en el momento de la compra, con restricciones en el comerciante, presupuesto, categoría, ventana de tiempo o tarea específica. Si el Agente sale de esas reglas, la red puede interceptar la transacción en la fase de autorización.

Pero solo filtrar en el lado del dinero o en la puerta de entrada sigue siendo una defensa relativamente tardía. Los gigantes de liquidación están extendiendo esas restricciones hacia etapas más upstream, hacia la fuente de producción. Recientemente, Visa hizo una inversión estratégica no revelada en Replit, una plataforma de desarrollo de software con IA. Aunque aún en etapas iniciales y sin productos conjuntos oficiales, la señal es clara: las redes de pago globales intentan conectar directamente con las fuentes iniciales generadas por IA. Al integrar Visa Intelligent Commerce y Trusted Agent Protocol en plataformas de desarrolladores, Visa busca que la identidad, intención y contexto del cliente del Agente se integren en el sistema de pago desde la fase de desarrollo y despliegue, no solo en el checkout.

Esto es importante porque muchos futuros Agentes no serán lanzados desde las apps de los minoristas, sino desde software construido por desarrolladores, distribuidos en distintas herramientas, y que actúan en nombre del usuario o la empresa automáticamente. En ese escenario, Replit no será solo un entorno de código, sino la puerta de entrada a la capa de aplicaciones del Comercio Agente. Para Visa, la apuesta es que la capacidad de la red de tarjetas debe convertirse en infraestructura nativa para máquinas, accesible vía API, capaz de identificar identidades y entender intenciones.

Este es también el principio de contratos como el Cobo CAW Pact, que evita que el Agente tenga acceso directo al saldo completo de la wallet, y en su lugar genera un contrato temporal para una tarea específica, con límites en la transacción, monto y validez. Si la solicitud excede ese contrato, los nodos MPC rechazan firmar. Antes de firmar, el calldata puede traducirse en una intención de transacción comprensible para humanos, para que el usuario confirme qué se va a ejecutar.

A largo plazo, la cadena de promesas se desplazará de confiar en el Agente a restringirlo. Las redes de tarjetas colocan restricciones en la puerta de entrada y comienzan a mover esas restricciones hacia los desarrolladores; los sistemas en blockchain deben poner esas restricciones en la capa de firma. El sistema de pagos del futuro no solo verificará la identidad del pagador, sino también si la conducta del software está dentro de los límites permitidos.

Epílogo: La cadena de promesas en el Comercio Agente necesita evolucionar

La tecnología suele cambiar los medios del negocio, pero rara vez elimina la responsabilidad en sí misma.

El comercio electrónico cambió el entorno de las transacciones, las billeteras móviles modificaron los comprobantes de pago, las API de emisión de tokens hacen que la autorización sea programable, y las stablecoins empiezan a influir en algunos procesos de liquidación. Cada avance tecnológico añade una capa de capacidades sobre el sistema financiero. Pero lo que la red de pagos mantiene intacto siempre son la autorización, liquidación, compensación y resolución de disputas.

La razón es simple: una vez que una transacción entra en el sistema comercial, alguien debe confirmar que puede ocurrir, alguien debe comprometerse a pagar, y alguien debe asumir la responsabilidad en caso de error.

La IA Agente extiende esa cadena. Antes, buscar, comparar, agregar al carrito y pagar lo hacía el usuario; en el futuro, esas acciones serán gestionadas por el Agente y ejecutadas automáticamente en múltiples sistemas. La experiencia será más rápida, pero será más difícil entender qué se autorizó, qué puede hacer el Agente, qué obligaciones tienen los comerciantes y cómo se distribuyen las responsabilidades de pago.

Eso es lo que requiere una infraestructura renovada para el comercio con Agentes. Necesita una nueva cadena de promesas: en el instante en que ocurre la transacción, ligar la intención inicial del usuario, los permisos del Agente, la promesa de pago y la responsabilidad en disputa, y asegurarse de que todo el proceso sea verificable y trazable desde el punto de vista técnico.

La transformación del comercio con IA, en apariencia, es un problema de pagos y automatización, pero en realidad, es un problema de responsabilidad.