¿Por qué los agentes de IA para comprar son difíciles de generalizar?

Redacción: Anderl

Traducción: Chopper, Foresight News

En la actualidad, en el sector de la IA y las criptomonedas circula un relato: asignar a los agentes de IA una billetera, para que se encarguen de las compras por completo en lugar de las personas; ese sería el escenario más importante y más “core” para llevar la IA a la práctica. El argumento suena conciso y perfecto, como si fuera el futuro. Pero, por dentro, la lógica no resiste el análisis. Este punto de vista confunde las dificultades de la compra con los pasos sencillos, colocando el proceso de pago, que es lo más simple, en el centro.

Primero, dejemos a un lado el pago y volvamos a la conducta misma de comprar.

Las dos conductas nucleares de la compra

En esencia, comprar son dos tipos de acciones que hoy están acopladas: búsqueda de información y juicio de valor. La búsqueda (recopilar, filtrar, comparar, hacer un ordenamiento inicial) tiene atributos estandarizables y casi puede delegarse por completo en agentes de máquina; mientras que el juicio de valor (si este producto es bueno, si se ajusta a ti, si el comerciante es confiable) es el punto en el que se ancla la profundidad emocional subjetiva humana.

Los datos ya lo han demostrado: la búsqueda de información se está desplazando rápidamente hacia la IA. Los datos de Adobe Analytics muestran que, entre julio de 2024 y julio de 2025, las visitas en Estados Unidos a sitios minoristas impulsadas por IA generativa aumentaron aproximadamente un 4700%. Pero el relato de “billeteras con IA” asume por defecto que los agentes inteligentes pueden abarcar tanto la búsqueda como el juicio de valor: esa es la clave del cambio conceptual en toda la lógica. La búsqueda puede cederse por completo a la máquina; el juicio de valor, en cambio, solo puede entregarse parcialmente bajo condiciones específicas y, en la mayoría de los escenarios, no se puede delegar.

El juicio de valor, a su vez, tiene dos capas

Lo más importante es que el juicio de valor tampoco es un solo eje; se divide en dos partes. Una es la evaluación: comprobar diversas opciones con una función de utilidad. La otra es la definición de la demanda, es decir, primero establecer la función de utilidad: qué dimensiones importan, cómo se ponderan, qué valores imponen restricciones y qué significa finalmente “lo bueno”.

La definición de demanda no se completa una sola vez al inicio; recorre todo el proceso de compra. Los estándares de cumplimiento del producto los decides tú; si una cremallera rota hace que deseches el artículo directamente, depende de tu criterio; elegir qué vendedor, depende del sistema de valores que tú priorizas. Cada capa de filtrado sigue la lógica de “criterio subjetivo humano × evaluación de máquina con IA”. La automatización solo puede reemplazar la fase de evaluación; la soberanía de definir la demanda siempre queda en manos humanas.

Muchos creen erróneamente que los humanos solo necesitan redactar una lista de criterios una vez y luego soltarlo completamente; eso subestima gravemente la lógica de decisión humana. Mucha investigación en el campo del comportamiento decisional confirma que las preferencias humanas no son fijas. El psicólogo Paul Slovic propuso la teoría de preferencias construccionistas: dentro de nosotros no existe un conjunto ya hecho y fijo de gustos esperando ser “consultados”; las preferencias se van formando gradualmente durante el proceso de elegir. El experimento de “reversión de preferencias” lo demuestra: dos maneras equivalentes de investigar, la elección y el precio, arrojan rankings completamente distintos de productos, contradiciendo los axiomas básicos de la elección racional.

Ariely, Lowenstein y Prelec en 2003 propusieron la teoría de “inconsistencia arbitraria”: incluso números aleatorios sin relación —como las últimas posiciones de un seguro social— pueden anclar las pujas psicológicas por productos comunes; y este efecto de anclaje no desaparece con la experiencia de consumo ni con transacciones de mercado. La llamada “preferencia estable” es solo una ilusión de orden construida artificialmente.

Por eso, la interacción hombre-máquina no puede ser llenar una lista de criterios una sola vez; requiere comunicación iterativa continua. En cada nodo de filtrado, el agente de IA lanza preguntas específicas: “Antes valorabas la durabilidad; ¿hasta qué nivel de sobreprecio la durabilidad deja de compensarte?”, y luego la persona define en tiempo real ese límite.

La línea real de separación: ¿la compra es una molestia o es disfrute?

La industria suele dividir los escenarios con “productos estandarizados / productos personalizados”. La discrepancia no es si el estándar puede cuantificarse; la verdadera línea de separación es otra: si el hecho de tomar una decisión en sí mismo tiene valor experiencial.

Para papel de impresión, baterías o productos que requieren reposición periódica, el proceso de selección no tiene ningún valor de experiencia. Nadie quiere invertir esfuerzo en comparar dos cartuchos casi idénticos. Para este tipo de productos, lo natural es delegarlos por completo a agentes de IA; la recompra automática no pierde ninguna experiencia.

En cambio, para el consumo orientado al disfrute, ocurre exactamente lo contrario. Vino, muebles, abrigos, libros: elegir ya es parte del placer de comprar. Si entregas el poder de juicio a una máquina, aunque ahorras el costo de tiempo, le quitas de inmediato lo esencial del disfrute del consumo. Incluso si la IA responde todo gratis, las personas no quieren delegarlo por completo.

Para productos de disfrute, el agente de IA no debería decidir de forma autónoma; debe cambiar a ser un recopilador de información: completar la búsqueda, filtro inicial, coincidencia de parámetros, verificación de la cualificación del vendedor, extraer patrones de fallas de un mar de reseñas, reducir 200 opciones a 5 y, después, dejar la elección final en manos humanas.

El trilema de las tres contradicciones: IA pregunta, inferencia histórica y decisión autónoma

Alguien dirá: “¿No basta con que la IA me pregunte directamente mis criterios de evaluación?”. Pero esta forma es justamente un modo ineficiente que la gente común detesta en su vida cotidiana. Y lo más letal es que, al insistir en repreguntar los criterios, se distorsiona la elección final de la persona.

En 1991, Wilson y Schooler realizaron un experimento de evaluación de mermeladas: pedir con antelación a los sujetos que ordenaran las razones de sus preferencias; el ranking final se desviaba más de los estándares profesionales de cata. Posteriormente, otros experimentos demostraron que forzar a listar razones una por una hace que se elijan piezas decorativas con menor satisfacción posterior. El lenguaje solo puede describir rasgos superficiales que son fáciles de expresar; no puede capturar preferencias reales internas. Sensaciones como el gusto o el estilo solo pueden percibirse, difícilmente definirse con palabras.

Así se forma un trilema de tres dificultades que no se pueden satisfacer al mismo tiempo:

Preguntar activamente a la IA: se ajusta a preferencias reales del momento, pero la fricción de interacción es enorme e incluso distorsiona la elección;

Inferir con base en historial: la operación es fluida, pero encierra en preferencias pasadas y mata la exploración de consumos nuevos;

Juicio total en manos de humanos: se conserva plenamente la libertad de decisión, pero consume gran cantidad de tiempo y energía.

La cuarta opción de compromiso puede evitar los inconvenientes anteriores: interacción por identificación, no preguntas una por una. La IA muestra 3 opciones directamente y la persona solo tiene que elegir de inmediato. Este método es tanto más cómodo como más preciso, porque no necesita nombrar de forma abstracta criterios que muchas veces ni siquiera puedes nombrar.

Los clásicos experimentos sobre sobrecarga de elección respaldan esto. Eyengar y Lepper en 2000 realizaron el experimento del puesto de degustación de mermeladas: con 6 opciones, la tasa de conversión de compra fue mucho mayor que con 24 opciones. Pero esta teoría ha sido debatida y varios análisis posteriores la han refutado. En 2010, Shebbenhaett y otros, al consolidar muchos experimentos, hallaron que no existe un efecto generalizado de sobrecarga de elección. Chenoff, Bokernholt y Goodman, en 2015, al analizar 99 estudios, mostraron que solo aparece el efecto de sobrecarga cuando la complejidad del producto es alta, la dificultad de decisión es grande y las preferencias propias son vagas. El propio autor, al replantear después, también mencionó que ante 24 productos, a los consumidores les faltaba tiempo suficiente para ordenar sus preferencias. La verdadera autonomía existe entre “la agencia aplica mis estándares” y “la agencia inventa estándares a partir de mi historial”.

Volviendo al “billetero de IA”: el pago es solo el eslabón menos importante

Al ordenar la lógica anterior, queda claro el agujero del relato de “dar una billetera a la IA”. Esta narrativa mezcla tres cosas completamente independientes: el sujeto que decide, el sujeto que ejecuta y el sujeto que sostiene los fondos. “Dar una billetera a la IA” solo resuelve el problema de custodia de fondos; solo cuando la IA también tiene el poder de decisión, la custodia tiene sentido.

Hay tres escenarios. En el primer escenario, la persona decide y paga por su cuenta. En ese caso, el agente no paga; actúa como explorador. En el segundo escenario, la persona toma la decisión y delega la ejecución al agente (“sí, compra ese”). Entonces el agente se encarga de cerrar la compra, pero no necesita custodiar fondos: solo requiere una autorización limitada y revocable para la compra aprobada previamente. Solo en el tercer escenario, cuando el agente decide de forma autónoma y paga, y no se requiere que un humano esté presente para cerrar la compra, la billetera asume la responsabilidad del pago.

Lo interesante es que, en 2025, la industria global de pagos ya ha implementado esquemas de autorización por capas, separando completamente “autorización” y “custodia de fondos”:

OpenAI en conjunto con Stripe lanzó un acuerdo comercial de agentes inteligentes, que genera un token de pago compartido vinculado a un único comerciante, con un monto fijo y de un solo uso dentro de un tiempo límite; la IA no puede obtener el número completo de la tarjeta bancaria;

Mastercard publicó en abril de 2025 Agent Pay, generando un token dedicado con reglas de autorización para un agente limitado, un comerciante designado y un usuario vinculado;

Google lanzó en septiembre de 2025 el protocolo AP2 para pagos inteligentes, separando claramente “comprobante de autorización de necesidades del usuario” y “comprobante de lista de compras de la IA”; ambos son credenciales cifradas verificables, que corresponden perfectamente a la lógica por capas “definición de demanda / evaluación de máquinas”;

Visa lanzó en octubre de 2025 un acuerdo para agentes confiables; el enfoque es consistente con las propuestas anteriores.

Los principales procesadores de pago han demostrado de forma inesperada el punto central de este texto: no es necesario entregar los fondos a la IA; basta con conceder permisos limitados de operación.

Entonces, ¿en qué escenario real son aplicables las billeteras con custodia autónoma de IA? En escenarios de retail de consumo, casi no se necesita custodia de billeteras con IA. El espacio real de implementación está en bienes estandarizados a gran escala y liquidación automática entre máquinas. Coinbase y Cloudflare lanzaron el protocolo x402, llenando el vacío de los canales tradicionales de pago con tarjeta: admite pagos automáticos entre agentes sin intervención humana, 7×24 y facturación por llamadas a API; tras meses de lanzamiento, el volumen de transacciones superó 100 millones de operaciones. Mastercard también lanzó en paralelo Agent Pay para máquinas, atendiendo liquidaciones de alta frecuencia, baja latencia y montos pequeños. Esto es infraestructura de base para la economía de máquinas, no para compras personales.

Esta narrativa en sí no está equivocada, pero le da una importancia totalmente invertida: una billetera con custodia autónoma de IA solo tiene valor significativo en escenarios donde el producto es altamente homogéneo y el monto por transacción es bajo.

Dónde debe estar realmente la billetera

Esto también explica el cambio de foco en el sector cripto de los últimos dos años: ya no se prioriza el relato de “liberación del consumo para las personas”, sino que se profundiza en infraestructura de base para instituciones: compensación de stablecoins, tokenización de activos y servicios a nivel empresarial. Esto no es abandonar el mercado de compras con IA; es volver al dominio donde el modelo de custodia de billeteras encaja de verdad: el lado empresarial. El departamento de compras de una empresa es, de hecho, una expresión institucionalizada de la “compra puramente rutinaria”: el proceso de compras se separa de la estética subjetiva y de las percepciones personales, y depende completamente de decisiones basadas en especificaciones, precios, cumplimiento y cláusulas contractuales; en esencia, es la versión “manual” de una compra con agente inteligente. La billetera de IA solo automatiza procesos que las empresas ya habían madurado; no hay disrupción en el patrón de comportamiento.

Hoy, muchas empresas subcontratan la compra de artículos de oficina y consumibles de bajo valor. El núcleo competitivo de plataformas como Mercateo, Amazon Business, etc., no es el precio bajo, sino reducir el costo del proceso: directorios de compra unificados y consolidación de facturas. Las empresas están dispuestas a aceptar un ligero sobreprecio por unidad para reducir drásticamente los costos de mano de obra de compras. En consumibles de bajo valor, el costo del proceso suele ser mayor que el valor del propio producto. Los agentes de IA pueden reducir el costo de mano de obra para pedidos hasta casi cero, mientras que realizan la búsqueda entre proveedores masivos y dispersos. Las plataformas de compras solo conservan la función de verificación de cumplimiento: revisión de proveedores admitidos, conciliación unificada y validación anti-falsificación; y esa verificación es precisamente el cuello de botella real de todo el flujo.

Por lo tanto, la estrategia de implementación no puede resumirse simplemente como “hacer servicios de billetera para empresas en lugar de para personas”. La formulación precisa debería ser: hacer “ajuste de herramientas al escenario”.

Billetera de custodia autónoma (decisión autónoma de IA, custodia de fondos, ejecución de pagos): adecuada para compras empresariales de bienes estandarizados y liquidación automática entre máquinas, principalmente en escenarios B2B y M2M de recompra frecuente;

Escenarios de consumo personal: no se requiere custodia de fondos; solo se conceden tokens de pago únicos y de alcance limitado; después de que los humanos confirmen el pedido, la IA puede liquidar.

Como título de marketing para el público C, “dar una billetera a la IA” apunta solo a un nicho muy pequeño; el mercado central real de implementación de esta solución es el sistema de automatización del back-end de las empresas.

Aclaración adicional: las compras empresariales tampoco son todo bienes estandarizados. Parte de las decisiones de compra tampoco pueden dejarse a una IA para que decida de forma autónoma. Juzgar bufetes, adquisiciones, y proveedores clave son elecciones estratégicas; sus consecuencias subjetivas tienen un impacto significativo. Es igual que elegir vino para beber: debe decidirlo el ser humano directamente, y ahí las billeteras con custodia autónoma no sirven.

Esta regla aplica a todos los ámbitos: las billeteras con custodia autónoma de IA solo aportan valor en la capa de bienes estandarizados, y los negocios estandarizados se concentran dentro de las empresas: es donde hay mayor volumen y la demanda es más densa.

El verdadero cuello de botella nunca ha sido el pago

La tecnología de gestión de flujos de fondos ya está madura. No existe ningún atasco en la fase de pago. El verdadero cuello de botella para que la compra con IA se materialice está en otros dos aspectos.

Primero, falta de fuentes de datos confiables. El requisito previo para el juicio automatizado es que los datos sean reales y fiables; si la información de base se distorsiona, la IA de decisión autónoma amplificará el impacto negativo de información falsa a velocidad de máquina. La proliferación de reseñas falsas ya es un problema reconocido abiertamente en la industria. La Comisión Federal de Comercio de Estados Unidos emitió nuevas normas en 2024 (en vigor el 21 de octubre) que prohíben expresamente las reseñas falsas de productos: se indica que la IA generativa reduce en gran medida el umbral para fabricar en masa reseñas falsas. Las multas por incumplimiento por transacción pueden llegar hasta 51.744 dólares; a finales de 2025, los reguladores ya habían emitido varias cartas de advertencia.

El problema de productos falsificados con apariencia real también es grave. Según datos de la OCDE y la Oficina de Propiedad Intelectual de la Unión Europea en 2025, el tamaño del comercio global de falsificaciones en 2021 fue de aproximadamente 467 mil millones de dólares, equivalente al 2,3% del total del comercio global. Las importaciones de falsificaciones en la UE representan el 4,7% del total de importaciones. Ropa, zapatos y bolsos de lujo son áreas de especial severidad, y justamente pertenecen a categorías de consumo experiencial. Los comprobantes de trazabilidad por unidad, reseñas verificables y auténticas, peritaje de terceros independiente y el registro de transferencia por unidad (la Directiva Europea anti-falsificación y el Drug Supply Chain Security Act de Estados Unidos ya exigen el empaquetado de medicamentos), son condiciones previas para que la IA haga juicios de seguridad sobre productos.

Segundo, el derecho a definir la demanda humana no puede automatizarse. Mientras los estándares de demanda los defina el ser humano, las fases posteriores de filtrado, comparación y liquidación pueden automatizarse. Definir tu propia demanda, por naturaleza, no puede entregarse a una máquina. Si la IA genera por ti los estándares de demanda, las preferencias finales no serán realmente tuyas.

Dar una billetera a los agentes de IA solo resuelve el tramo más simple de fondos. La dirección que realmente vale la pena profundizar es automatizar el filtrado y la evaluación de forma segura y controlable, al tiempo que devuelve a los humanos dos derechos fundamentales: definir criterios de juicio y disfrutar la experiencia de la elección final.

Resumen

Por último, hay que subrayar que, para los productos de consumo experiencial, en cuanto el canal de compra se vuelve mercancía —y el producto se vuelve omnipresente—, entonces tu producto deja de ser “el producto en sí”; la elección es lo que queda. La plataforma necesita optimizar el nivel de estandarización de su información para que la IA pueda buscar: trazabilidad completa verificable, datos de productos limpios y estructurados, e incentivar que la IA derive a los usuarios hacia su propia plataforma. Sobre esa base, mantener la ventaja central que la automatización no puede reemplazar, ampliar los límites del gusto del usuario y explorar nuevas posibilidades de consumo, y finalmente ofrecer una experiencia placentera de selección del producto. Delegar la recopilación de información en agentes de IA permite que la competencia central de la plataforma se enfoque en construir una experiencia de elección de mayor calidad.