El Comercio Agentic 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 de fintech que piensan por sí mismos.

Inteligencia de fuente primaria. Análisis original. Aportaciones de las personas que están definiendo la industria.

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

Únete al FinTech Weekly Clarity Circle →

Las herramientas contra el fraude se diseñan teniendo en cuenta cómo suele comprar la gente: cómo se desplaza por un sitio, cuánto tiempo tarda en navegar y qué cambia antes de hacer clic en comprar. Estas señales suelen determinar si una transacción es legítima.

Los sistemas modernos de fraude ya son capaces de identificar el comportamiento tradicional de los bots. El desafío del comercio agentico es diferente. Los agentes de IA pueden entrenarse para imitar patrones humanos lo bastante bien como para que esas señales sean más difíciles de distinguir de las de los compradores humanos.

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

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

La optimización del precio ejerce una presión inmediata sobre las pequeñas y medianas empresas. Si a un agente le indican que “compre X por debajo de Y”, gana el vendedor de menor costo. Los fabricantes más grandes y los operadores de marketplaces de alto volumen están estructurados para competir en precio. Muchas SMB compiten en servicio, especialización y confianza del cliente. La compra automatizada debilita esas ventajas.

Las publicaciones falsificadas también se vuelven oportunidades optimizadas por máquinas. Si un comprador humano reconocería que un producto con un gran descuento parece sospechoso, un agente de IA no lo hará, a menos que se le haya programado explícitamente para evaluar la legitimidad de la marca y los patrones de precios. Los vendedores de falsificaciones no necesitan fijar precios muy por debajo del mercado para ganar. Incluso ligeras rebajas son suficientes para capturar compras automatizadas.

Los dominios y sitios suplantados añaden más riesgo. Si los agentes realizan transacciones de forma autónoma, deben evaluar si un sitio es legítimo. Un sitio web 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 empresas más pequeñas tienden a carecer de las herramientas de monitoreo y los recursos de seguridad que las empresas más grandes usan para detectar y desactivar rápidamente la suplantación.

Desde la capa de pagos, vemos qué tan rápido se mueve la exposición cuando cambia el comportamiento de las transacciones. Los modelos de contracargo, la puntuación de fraude y los procesos de disputa se diseñaron en torno al comportamiento de compra humano. Si las transacciones impulsadas por IA aumentan las disputas por falsificación o las reclamaciones de compra no autorizada, las SMB 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 de software necesitan ajustar los modelos de riesgo antes de que la compra automatizada escale.

Eso significa que:

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

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

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

Sobre el autor

Stephanie O’Connor es Directora de Operaciones y Experiencia del Comerciante en Wind River Payments, donde lidera un equipo de gestores de relaciones que trabajan directamente con clientes para ayudarlos a navegar las complejidades de los pagos modernos, desde el procesamiento de transacciones hasta la prevención de fraude 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.