L

a IA generativa está empezando a cambiar nuestra forma de comprar. En lugar de navegar por sitios web o pasear por las tiendas, la gente está empezando a pedir a los agentes de IA que busquen, comparen e incluso compren productos. Pero aún estamos en una etapa temprana. Y así como las empresas tuvieron que adaptarse a las nuevas reglas del comercio electrónico, ahora se enfrentan a un nuevo conjunto de desafíos en torno a cómo gestionan su reputación, conectan con los clientes y compiten en este nuevo escenario.

Para impulsar la adopción del comercio agéntico a gran escala, las marcas necesitan descubrir cómo ganar (y mantener) la confianza de los clientes. Y para lograrlo, deben comprender qué puede salir mal y qué medidas tomar ahora para evitar que se rompa la confianza.

La brecha de confianza es medible

Según la encuesta “El futuro de las compras de los consumidores”, realizada por PwC en 2025, el 64% de los encuestados afirmó que necesita al menos una garantía (como la devolución de su dinero) para sentirse cómodo dejando que un agente de IA realice compras en su nombre.

El desafío para las marcas en los sectores minorista, de bienes de consumo y de viajes es claro y urgente: ¿Cómo pueden prepararse para el comercio agéntico cuando las reglas todavía se están escribiendo? Usted no puede controlar por completo si los consumidores adoptarán estas herramientas. Pero sí tiene control sobre cómo aparece su marca en las experiencias impulsadas por agentes, y sobre si los clientes se sienten protegidos cuando delegan decisiones a la IA.

Construir la capa de confianza

El comercio agéntico necesita su propia infraestructura de confianza (lo que denominamos “capa de confianza”). Aunque la confianza puede parecer un concepto abstracto, se rompe de formas específicas y predecibles: cuando los agentes malinterpretan los productos, actúan más allá de lo que los clientes esperan, gestionan incorrectamente datos confidenciales, tergiversan las marcas o dejan a los consumidores desamparados cuando algo sale mal.

Recomendamos que las empresas adopten desde ahora cinco acciones para construir esa capa de confianza.

1. Estructurar su contenido para máquinas, no solo para humanos.

Para confiar en un agente de IA, los clientes necesitan que este proporcione información precisa y relevante en todo momento. Esto no es posible si el agente no comprende el producto y sus características.

Los agentes de IA no navegan visualmente ni interpretan matices como lo hacen las personas. Procesan texto y números. Esto significa que el descubrimiento de productos en compras impulsadas por agentes depende menos del branding o de la optimización tradicional para motores de búsqueda y más de los datos de productos legibles por máquinas, un enfoque que a menudo se denomina “optimización generativa para motores de búsqueda”. Los precios, las tallas, la disponibilidad, los materiales, los casos de uso y las limitaciones deben expresarse en formatos que los agentes puedan analizar y comparar de forma confiable.

Es posible que las marcas también necesiten garantizar que esta información sea accesible. Mientras que las personas navegan de una página a otra y leen las descripciones redactadas en texto tradicional, la información destinada a los agentes debe almacenarse en formatos legibles por máquina dentro de sus sistemas actuales de gestión de información de productos y de sus plataformas de comercio electrónico.

2. Definir límites claros e incorporar el consentimiento.

Los consumidores no delegarán las decisiones de compra a los agentes de IA a menos que entiendan, de forma clara y directa, lo que esos agentes pueden hacer. Esto requiere límites explícitos de delegación y consentimiento incorporado en la experiencia, no escondido en términos y condiciones. Una delegación segura requiere tres elementos: límites claros, trazabilidad y reversibilidad. Cada acción del agente debe atribuirse a una autorización específica, bajo condiciones definidas, y contar con una forma clara de deshacer o impugnar el resultado.

En sus propios canales (el sitio web de la empresa, la aplicación o el agente de marca) las marcas pueden establecer límites de gasto, exigir la aprobación de compras que superen ciertos montos e incorporar pasos de confirmación antes de finalizar la compra.

Cuando los consumidores utilizan plataformas de IA de uso general como ChatGPT, Claude, Gemini de Google u otras para comprar en múltiples minoristas, el control directo de las marcas es limitado. Sin embargo, aún pueden influir en la experiencia asegurándose de que la información de sus productos sea precisa y esté correctamente estructurada. Aunque puede ser técnicamente posible incorporar salvaguardas (como mensajes de confirmación o avisos sobre políticas de devolución) dentro de estas plataformas, ello exige colaboración entre las marcas y los proveedores tecnológicos. Mientras tanto, las marcas pueden influir en los resultados garantizando que los datos de sus productos sean consistentes, estén bien organizados y sean completos.

3. Proteger los datos de los clientes y hacer visible esa protección.

Cuando los consumidores delegan tareas a agentes de IA, comparten más que detalles de pago. Comparten contexto conversacional: preferencias, limitaciones, intención y, a menudo, emociones. Ese contexto es lo que hace que las compras agénticas sean poderosas y particularmente sensibles. Si los clientes no entienden cómo se usan, guardan o protegen esos datos, no delegarán nada.

A medida que las marcas lanzan sus propios agentes de IA para ayudar a los clientes a comprar productos, deberían integrar un diseño que preserve la privacidad directamente en las interacciones agénticas. Por ejemplo, pueden utilizar técnicas de minimización de datos, de modo que sus agentes solo conserven lo necesario para completar una tarea. Las señales conversacionales sensibles pueden procesarse de forma transitoria en lugar de almacenarse indefinidamente. El consentimiento debe ser explícito, con opciones claras sobre lo que se recuerda, lo que se comparte entre sesiones o plataformas y lo que no.

La visibilidad es tan importante como la protección. Los consumidores deberían poder ver (y modificar) su configuración de privacidad en tiempo real. Algunas interacciones pueden justificar la persistencia (como recordar una talla o marca preferida), otras no. Un modo de compra “incógnito” o de una sola vez, en el que las interacciones no se conserven ni se utilicen para recomendaciones futuras, brinda a los clientes una sensación de control que refleja la forma en que las personas ya gestionan su privacidad en navegadores y pagos.

4. Observar cómo aparece su marca en los ecosistemas de agentes.

Las marcas necesitan observabilidad agéntica, es decir, la capacidad de supervisar en tiempo real cómo los agentes de IA describen sus productos, en qué fuentes se basan, cómo se formulan las recomendaciones y qué acciones se están ejecutando posteriormente. Esto requiere visibilidad continua sobre las instrucciones, respuestas, citas y la lógica de decisión en los ecosistemas de agentes donde los clientes realizan sus compras.

Sin observabilidad, las marcas pierden la capacidad de detectar tergiversaciones, corregir errores o comprender por qué se recomendó o no un producto. A medida que los agentes actúan cada vez más como intermediarios, supervisar cómo se muestra su marca ya no es opcional.

5. Preservar las relaciones y planificar la recuperación.

Incluso cuando los agentes gestionan las transacciones, las marcas siguen siendo responsables de la relación. Y a medida que las compras se vuelven más automatizadas, deberían integrar agentes con marca propia en plataformas de terceros, extender los programas de lealtad a través de agentes y diseñar rutas de escalamiento fluidas para contactar a una persona cuando sea necesario.

Cuando algo falla (y fallará), la respuesta importa más que el error. Los mecanismos de recuperación deben integrarse desde el inicio, con alertas en tiempo real y rutas claras de escalamiento.

La confianza como estrategia, no como cumplimiento

Las compras impulsadas por IA escalarán cuando los consumidores se sientan seguros. Esto requiere sistemas bien gobernados, transparentes y alineados con las expectativas humanas. Las marcas que lideren no tratarán la confianza como un simple ejercicio de cumplimiento normativo, sino como una parte central de su estrategia comercial, construyendo los estándares técnicos, las prácticas empresariales y las protecciones al consumidor que hacen que la delegación sea segura. Quienes actúen ahora ayudarán a definir las reglas de este ecosistema emergente.

A

medida que los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) continúan avanzando a un ritmo vertiginoso, muchos líderes empresariales siguen debatiéndose sobre cómo poner en práctica esta tecnología. Por un lado, buscan áreas en las que estas herramientas de IA generativa puedan demostrar rápidamente su valor. Por otro, quieren sentar las bases para una transformación de mayor escala y a largo plazo.

La IA se está convirtiendo en una parte natural de todo lo que hacemos y en un elemento intrínseco de cada faceta del negocio, integrándose de manera fluida en diversos procesos para mejorar la eficiencia y la innovación. Un área prometedora que puede ofrecer tanto un impacto inmediato como ayudar a sentar las bases es la búsqueda y recuperación de información impulsada por LLM. Se trata de un enfoque que puede cambiar radicalmente la forma en que las empresas interactúan con sus propios datos para obtener información, generar nuevas ideas y tomar mejores decisiones.

Aunque los desafíos persisten y pueden seguir evolucionando con el tiempo, no hay duda de que la transición hacia la búsqueda y recuperación habilitadas por LLM e IA generativa continuará. Para hacerlo de manera eficaz, las organizaciones deben seguir varios pasos:

1. Definir claramente los casos de uso.

Colabore entre los equipos de negocio que definen los requerimientos y los equipos técnicos o proveedores responsables de construir y desplegar las soluciones, con el fin de alinearse en una solución con resultados claramente medibles que permitan su evaluación más adelante.

2. Establecer procesos de admisión (intake) que consideren tanto el riesgo como el valor.

Considere no solo el ROI del caso de uso, sino también la sensibilidad de los datos que se están utilizando, el daño potencial de la aplicación y los usuarios previstos al priorizar en qué casos de uso invertir. Incorpore un enfoque por niveles de riesgo para evaluar los casos de uso.

3. Invertir en prácticas relacionadas con la recopilación, prueba y validación de datos para disponer de información real eficaz.

Reconozca que el uso eficaz de los LLM, especialmente aquellos utilizados en tareas de búsqueda y recuperación, sigue necesitando una base sólida de datos sobre la cual operar. Por lo tanto, los esfuerzos de transformación de datos deben continuar, manteniendo el foco tanto en la calidad de los datos que alimentan los modelos como en los flujos de trabajo generales para obtener, etiquetar, almacenar, acceder y procesar los datos, que son clave.

4. Incorporar prácticas de prueba estandarizadas.

Las evaluaciones ad hoc tienen un alcance limitado. Alinéese con un proceso estándar de desarrollo de modelos, respaldado por guías prácticas (playbooks) y prácticas de prueba predefinidas para habilitar sistemas de calidad, resilientes y bien probados.

5. Establecer capacidades de supervisión.

Tenga en cuenta que las cosas cambian: los datos cambian, la forma en que los usuarios interactúan con los sistemas cambiará, la tecnología cambia y lo que se puede necesitar de los sistemas cambia con el tiempo. Reconozca que estos sistemas deben supervisarse para asegurar un rendimiento continuo. Además, es necesario determinar métricas para que exista algo (y alguna forma) que monitorear.

6. Desplegar programas de capacitación, concientización y comunicación.

Dotar a sus colaboradores del conocimiento necesario para construir, desplegar y aprovechar de manera eficaz y responsable las herramientas de IA generativa es tan importante como la infraestructura técnica y los controles de gestión de riesgos que deben implementarse. Identifique las necesidades de aprendizaje y concientización relacionadas con la IA generativa en toda su organización y lance programas de capacitación y comunicación personalizados.

Es probable que la búsqueda siga siendo una aplicación dominante para los LLM y la IA generativa multimodal durante algún tiempo. Sin embargo, estos sistemas aún requieren datos efectivos, herramientas adecuadas y una gobernanza sólida para operar de manera eficaz y a gran escala. La IA responsable y las prácticas de gobernanza asociadas deben sustentar todo el despliegue de la IA. Dada la rapidez con la que cambia el panorama tecnológico, considere los casos de uso en función del impacto y el riesgo, e invierta en funciones subyacentes que le permitan escalar de manera responsable en una multitud de áreas.