E

s posible que los especialistas en marketing temieran que las estrictas leyes de privacidad aprobadas en California y Virginia frenaran el intercambio de datos de los clientes. Sin embargo, la evidencia de una gran plataforma sugiere que podría estar ocurriendo lo contrario: los consumidores parecen estar más dispuestos a compartir sus datos.

Un análisis del comportamiento en una importante aplicación de fidelización de clientes sugiere que la inclusión de avisos adicionales y solicitudes de permiso hace que los usuarios se sientan más tranquilos. Como resultado, los usuarios de la aplicación en esos estados enviaron un 9% más de información (en forma de recibos de compra) que en otros lugares, según un estudio realizado por Ayelet Israeli y Eva Ascarza, de la Harvard Business School.

Ascarza e Israeli comparten sus hallazgos en el documento de trabajo de agosto titulado “In Privacy We Trust: The Effect of Privacy Regulations on Data Sharing Behavior”, escrito en colaboración con Ozge Demirci, profesora adjunta de la Imperial Business School de Londres.

Cuando los consumidores se sienten más cómodos al compartir sus datos

Las regulaciones que ampliaron el control de los clientes sobre el uso que las empresas hacen de sus datos personales entraron en vigor en California y Virginia en 2023. Algunos grupos de la industria consideraron que las reglas eran demasiado estrictas, mientras que algunos defensores de los consumidores afirmaron que favorecían demasiado a las empresas y que no eran suficientes. Sin embargo, el comportamiento de los clientes en esos estados sugiere que dichas regulaciones les han transmitido tranquilidad.

Los investigadores analizaron a casi 16,000 consumidores seleccionados al azar en todo Estados Unidos, comparando su comportamiento antes y después de la entrada en vigor de las leyes de privacidad de 2023. Durante el periodo de estudio de seis meses, los participantes recibieron en conjunto más de 2,500 ofertas de la aplicación, la mayoría de las cuales estaban disponibles a nivel nacional.

En comparación con otros estados, los clientes de California y Virginia otorgaron a la aplicación:

— Más recibos. Agregaron 1.5 recibos adicionales por mes, lo que indica una mayor disposición a compartir información en general.

— Más datos sobre el “consumo principal”. La aplicación registró un 5% más de visitas únicas a tiendas por parte de esos consumidores, quienes se mostraron más dispuestos a compartir sus compras en las categorías de alimentos y bebidas, así como en tiendas departamentales.

— Mayor variedad de datos. El número de categorías minoristas distintas registradas aumentó un 4%. También creció el número de códigos postales únicos de las tiendas.

La privacidad como una palanca financiera para las marcas

A pesar de los sistemas y controles que las marcas suelen necesitar para gestionar los datos de clientes a gran escala, la investigación sugiere que ganarse la confianza de los consumidores puede proporcionar una ventaja competitiva significativa. La tranquilidad que los clientes obtienen gracias a las regulaciones de privacidad podría permitir a los especialistas en marketing y a las marcas:

— Depender menos de los incentivos financieros. Obtener uno o dos ingresos extra al mes debido a cambios regulatorios externos podría no parecer mucho, pero el beneficio podría ser significativo (y de bajo costo) para una plataforma con decenas de millones de usuarios. Según el documento, probablemente le costaría mucho más a la aplicación pagar a los usuarios para que proporcionaran más información.

— Replantear su enfoque respecto a la normativa sobre privacidad. Muchas empresas y asociaciones comerciales contratan a grupos de presión para combatir este tipo de reglas, pero los hallazgos revelan que las regulaciones pueden contribuir en gran medida a generar confianza. Contrario a lo que muchos esperaban, un mayor número de “requisitos de transparencia, controles de exclusión voluntaria y medidas de privacidad bien comunicadas” podría ayudar a las empresas a recopilar más y mejores datos.

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.

E

l impacto de la IA, y en particular de la IA generativa, está sintiéndose en todas las industrias. Pero mientras los ejecutivos están entusiasmados con el potencial de esta tecnología, los trabajadores a menudo desconfían de lo que podría significar para ellos, sus trabajos y su futuro. Estas percepciones divergentes están creando nuevas tensiones y presentando nuevos desafíos para ambos grupos.

Estas tensiones tienen su origen (directa o indirectamente) en el acceso a datos contextuales de alta calidad. Los datos son la información que necesitan los algoritmos de aprendizaje automático para funcionar, y la IA está compuesta por estos algoritmos. Por lo tanto, quienes tienen acceso a datos de alta calidad pueden entrenar IA de alta calidad. A menos que los trabajadores y las organizaciones puedan abordar este problema de los datos de una manera significativa y duradera, el conflicto continuará dirimiéndose mediante enfrentamientos y negociaciones parciales.

Las cooperativas de datos ofrecen un camino significativo hacia adelante. Son un modelo organizacional que permite a las personas agrupar sus datos con el propósito de obtener poder de negociación frente a las empresas que analizan sus datos. Estas cooperativas enfatizan el control individual, el uso ético y el trato justo, y permiten a los usuarios conservar la propiedad y el control de su huella digital. Además, en muchos casos, ofrecen la monetización con fines de lucro de los datos de los miembros de la cooperativa, permitiendo que terceros obtengan información de esos datos (de una manera responsable y que preserve la privacidad).

Los datos como un nuevo factor de producción

El impacto de la tecnología en los empleados y sus empleadores suele analizarse como un juego de suma cero entre ambas partes, donde la automatización aumenta las ganancias de los empleadores mientras reduce los puestos de trabajo para los empleados. Sin embargo, la dependencia de la IA de los datos frescos desafía esta visión.

Las organizaciones que dependen de las capacidades actuales de la IA pueden (tarde o temprano) descubrir que los algoritmos que utilizan comienzan a funcionar peor que antes debido a la «decadencia del modelo», es decir, el deterioro del rendimiento de la IA con el tiempo. La razón es que los datos con los que fueron entrenados ya no son representativos de la realidad en la que la IA debe operar.

Nuestras preferencias, contexto, sentido del humor, gustos y modas cambian constantemente. Y nosotros, los humanos, somos necesarios para revelar nuestras preferencias. Los datos más valiosos serán sobre nosotros mismos, y es nuestra interacción con los sistemas digitales la que genera esos datos. Eliminar al ser humano implica eliminar los datos sobre la persona para la cual la IA está diseñada para generar contenido.

Este hecho, que surge únicamente de la naturaleza de la IA y no de otras tecnologías que en el pasado han afectado al mercado laboral, sorprendentemente puede ayudar a alinear las necesidades de los empleadores y los empleados, ya que los empleados humanos son fundamentales para generar nuevos datos que eventualmente impulsen la IA.

Las cooperativas de datos son a los datos lo que los sindicatos son al trabajo

En el contexto laboral, son los conocimientos de primera mano de los empleados, sus habilidades para resolver problemas y sus competencias en evolución las que cambian con cada nuevo desafío e innovación. Por lo tanto, los datos más valiosos para la IA que puede asumir las tareas de los trabajadores provendrán directamente de las tareas que estos realizan.

Es aquí donde las cooperativas de datos ofrecen un nuevo enfoque para la gestión de datos al permitir que los trabajadores sean copropietarios y gestionen sus datos colectivos a través de un proceso de toma de decisiones más o menos descentralizado. Esto sucede porque los miembros de una cooperativa de datos pueden extraer datos que actualmente están aislados en diferentes fuentes y combinarlos en un solo conjunto. La agregación de datos que los miembros generan a partir de diversas fuentes y situaciones puede conducir al desarrollo de nuevos productos, servicios y modelos de negocio que serían inalcanzables mediante contribuciones individuales o utilizando datos de una sola fuente.

Además, una vez que los trabajadores comienzan a ver la monetización de sus datos por parte de las cooperativas, es mucho más probable que reorganicen sus propios procesos para facilitar una mejor recopilación de datos, lo que a su vez puede generar mejores resultados de IA para la organización y mayores ingresos por datos para los trabajadores.

Ahora que los datos se utilizan cada vez más como un factor de producción (es decir, como insumo) en la economía, parece natural que las cooperativas de datos surjan como una solución. Esta es la misma lógica que llevó al desarrollo de los sindicatos en el pasado: la fragmentación de la estructura de propiedad del factor de producción (ya sea datos o trabajo) impide que cualquier individuo tenga poder de negociación frente al empleador.

Lo que esto significa para el futuro de las relaciones laborales

Para que se libere este valor económico (y para que tanto empleadores como empleados prosperen en la economía de los datos) todos los involucrados deben aumentar su nivel de alfabetización en datos. Tanto los trabajadores como los empleadores deben comprender cómo los datos crean valor mediante la agregación y el análisis para revelar información y patrones que puedan mejorar la toma de decisiones y entrenar modelos de IA. Además, los empleados deben comprender cómo contribuyen a la creación y gestión de dichos datos mientras trabajan, y utilizar la influencia colectiva que les otorgan las cooperativas, con el fin de tener una discusión adecuada sobre el futuro del trabajo.

Para aprovechar al máximo los datos que las personas producen y, al mismo tiempo, garantizar que los trabajadores tengan control sobre qué datos ofrecen y reciban una compensación justa por ellos, los empleadores y los empleados deben seguir estos pasos para poder dar forma al futuro de la economía digital y, por ende, al futuro del trabajo:

1. Evaluar los recursos y el potencial de los datos internos de la organización.

Los empresarios y los empleados deben comenzar por realizar una auditoría exhaustiva de los datos que la organización ya recopila y genera, centrándose en identificar los datos que podrían ser valiosos para la formación o el análisis de IA.

2. Involucrar a los empleados en programas de alfabetización en datos.

Las organizaciones pueden implementar programas de capacitación para mejorar la alfabetización en datos de sus empleados. Al formarlos sobre cómo sus actividades diarias generan datos valiosos, la importancia de estos datos en el desarrollo de la IA y cómo pueden participar en cooperativas de datos, se crean conocimientos valiosos.

3. Incorporar cláusulas de cooperativas de datos en los contratos de trabajo.

Al actualizar los contratos de trabajo para incluir cláusulas que reconozcan los derechos de los empleados sobre sus datos y describan cómo pueden utilizarse sus datos en cooperación con las cooperativas de datos, las organizaciones pueden posicionarse como pioneras en este ámbito. Esto garantizaría la transparencia y proporcionaría un marco jurídico para el uso de los datos, y puede ayudar a atraer nuevos talentos.

Dada la naturaleza dinámica de la sociedad, la IA necesitará (al menos en el futuro previsible) los datos y la orientación de los humanos para generar valor real. Por lo tanto, los trabajadores, deben enfocarse en comprender la interacción entre capital, trabajo y datos, y comenzar a guiar la discusión sobre el futuro del trabajo con una comprensión adecuada de la naturaleza de la IA.

Los líderes empresariales también deben comprender las dependencias entre capital, trabajo y datos para proponer proactivamente marcos colaborativos que permitan a las organizaciones (y por ende a la sociedad) prosperar en la era de la IA.

E

l 87% de los gerentes reconoce la importancia de la IA responsable (RAI, por sus siglas en inglés), según una encuesta de MIT Technology Review de 2025. Sin embargo, solo el 15% de estos mismos gerentes se sienten bien preparados para adoptar prácticas de RAI. Poco más de la mitad (52%) de las empresas cuentan con un programa de IA responsable, según datos de BCG.

En la búsqueda incesante por la supremacía en IA, las empresas tienden a destinar recursos a mejoras en IA que impulsen sus resultados financieros en lugar de a esfuerzos de IA responsable, que a menudo se consideran costosos. Pero, ¿realmente existe esta dicotomía percibida entre responsabilidad ética y rentabilidad?

Diseñar productos de IA responsable en los que confíen los consumidores

Nuestra investigación revela que las características de la IA responsable sirven como potentes diferenciadores de producto que pueden generar retornos económicos significativos. Este hallazgo insta a las empresas a replantear la asignación de recursos en el diseño de productos, especialmente al enfrentar decisiones difíciles.

Considere la paradoja personalización-privacidad, un dilema común para los gerentes de producto. Los consumidores desean experiencias personalizadas, pero dudan en compartir los datos personales que dichas experiencias requieren. ¿Las empresas deberían priorizar la personalización o la privacidad del usuario? Nuestra investigación ofrece una respuesta clara para los productos financieros basados en IA: El valor de la privacidad supera significativamente los beneficios de la personalización.

Otro dilema clave surge entre la privacidad y las capacidades del modelo. Los gerentes a menudo asumen que deben elegir entre sólidas protecciones de privacidad y funciones avanzadas de IA. El instinto de buscar capacidades de última generación es comprensible, pero enfocarse exclusivamente en ellas es una visión miope. Los modelos que priorizan la privacidad, manteniendo un desempeño “suficientemente bueno”, podrían alinearse mejor con las expectativas de los usuarios e impulsar una mayor adopción.

Otra tensión que enfrentan los gerentes de productos de IA es el equilibrio entre auditabilidad y costos. La supervisión humana puede ser costosa, ya que requiere una inversión significativa en personal, procesos y herramientas. Sin embargo, la combinación de mejores resultados, refinamiento continuo del modelo y mayor adopción por parte de los usuarios genera retornos económicos que pueden justificar la inversión.

La clave para un mejor diseño de productos de IA radica en comprender cómo se desarrollan estas compensaciones en su contexto específico.

Integrar la IA responsable en la estrategia empresarial y de marca

Hacer que las decisiones de IA responsable sean visibles y creíbles es tan importante como diseñarlas bien. Comunicar valores y prácticas es un buen punto de partida, pero no es suficiente. Para establecer credibilidad, las empresas deben ir más allá de las declaraciones y demostrar compromisos tangibles. Una forma de hacerlo es mediante validaciones de terceros, como las certificaciones ISO de IA responsable.

Del mismo modo, la incorporación de la IA responsable en el posicionamiento general de la marca refuerza la credibilidad y la diferenciación.

Las empresas deben alinearse con socios, proveedores y colaboradores que también prioricen las prácticas éticas, a fin de establecer una imagen coherente y auténtica como organización responsable en toda la cadena de valor.

La IA responsable como enfoque de gestión de riesgos y cumplimiento

Cuando las prácticas de IA responsable se integran de manera proactiva y auténtica en el núcleo de un negocio, pueden incluso servir como un amortiguador contra posibles contratiempos. Los sistemas de IA no son infalibles: los errores y fallos son casi inevitables. Sin embargo, las empresas que incorporan principios de IA responsable en sus operaciones están mucho mejor posicionadas para soportar el escrutinio.

En definitiva, apostar por un futuro que valore no solo la innovación, sino también la ética detrás de ella, tiene menos que ver con el idealismo y más con comprender la dirección de las tendencias tecnológicas y sociales. Los líderes en IA responsable de hoy podrían convertirse en los líderes del mercado de mañana, cosechando los beneficios de su visión estratégica.