Artículo por: Anderl
Compilado por: Chopper, Foresight News
Actualmente, en la industria de la IA y la criptografía, existe una narrativa: darle a un agente de IA una billetera para que realice compras en nombre de las personas es el escenario de aplicación central de la IA. Esta narrativa suena simple y perfecta, como si fuera el futuro, pero su lógica interna no resiste un análisis detallado. Esta perspectiva confunde las partes difíciles y sencillas de las compras, y coloca la parte más simple, el pago, en una posición central.
Dejemos de lado el pago por un momento y volvamos al acto de comprar en sí.
Los dos comportamientos centrales de las compras
Comprar es esencialmente dos tipos de acciones que ahora están unidas: búsqueda de información y juicio de valor. La búsqueda (recopilar, filtrar, comparar, clasificación preliminar) tiene atributos estandarizados y casi puede ser completamente manejada por un agente mecánico. Mientras que el juicio de valor (si este producto es bueno, si es adecuado para mí, si el vendedor es confiable) es un vínculo profundamente ligado a las emociones subjetivas humanas.
Los datos ya han demostrado que la búsqueda de información se está trasladando rápidamente a la IA. Los datos de Adobe Analytics muestran que de julio de 2024 a julio de 2025, las visitas a sitios web minoristas en EE. UU. generadas por IA generativa aumentaron aproximadamente un 4700%. Pero la narrativa de la "billetera de IA" asume por defecto que el agente inteligente puede asumir tanto la búsqueda como el juicio de valor, lo cual es la clave del intercambio de conceptos en toda esta lógica. La búsqueda puede ser completamente delegada a la máquina, pero el juicio de valor solo puede ser parcialmente delegado bajo condiciones específicas, y en la mayoría de los escenarios es completamente intransferible.
El juicio de valor también se divide en dos niveles
Lo más crucial es que el juicio de valor en sí mismo no es una sola dimensión, sino que se divide en dos partes. Una parte es la evaluación, es decir, examinar las diversas opciones según una función de utilidad. La otra parte es la definición de la necesidad, que es establecer primero la función de utilidad: qué dimensiones son importantes, cuál es su peso, qué valores son vinculantes y cuál es el significado final de "bueno".
La definición de la necesidad no se completa de una sola vez al principio, sino que se extiende a lo largo de todo el proceso de compra. Los estándares de cumplimiento de los productos los decides tú; si una cremallera rota significa desechar el producto, lo decide tu criterio; elegir qué vendedor depende de los valores que consideres importantes. Cada capa de filtrado sigue la lógica de "estándar subjetivo humano × evaluación de máquina de IA". La automatización solo puede reemplazar el enlace de evaluación, la soberanía para definir la necesidad siempre estará en manos humanas.
Muchos creen erróneamente que los humanos solo necesitan escribir una lista de criterios una vez y pueden soltar las riendas por completo, lo que subestima gravemente la lógica de la toma de decisiones humanas. Numerosas investigaciones en el campo de la toma de decisiones confirman que las preferencias humanas no son fijas e inmutables. El psicólogo Paul Slovic propuso la teoría de la preferencia constructiva: en nuestro interior no existe un conjunto de gustos prefabricados y fijos esperando a ser consultados, las preferencias se van formando gradualmente en el proceso de tomar decisiones. El experimento de la "inversión de preferencias" corrobora esto: dos métodos de investigación equivalentes, elección y fijación de precios, arrojan clasificaciones de productos completamente diferentes, violando los axiomas básicos de la elección racional.
Ariely, Loewenstein y Prelec propusieron en 2003 la teoría de la "coherencia arbitraria": incluso números aleatorios sin ninguna relación, como los últimos dígitos del número de seguro social, pueden anclar las ofertas psicológicas de las personas por productos ordinarios; y este efecto de anclaje no desaparece con la experiencia de consumo o las transacciones de mercado. La llamada "preferencia estable" es solo una ilusión de orden construida artificialmente.
Por lo tanto, la interacción persona-máquina no puede ser completar una lista de criterios una sola vez, sino que requiere una comunicación iterativa continua. El agente de IA plantea preguntas específicas en cada nodo de filtrado: "Antes valorabas la durabilidad, ¿hasta qué precio está dispuesto a pagar por ella antes de que ya no te resulte rentable?", y luego los humanos definen este límite en tiempo real.
La verdadera línea divisoria: ¿La compra es una tarea tediosa o un disfrute en sí mismo?
La industria siempre tiende a dividir los escenarios en "productos estandarizados / productos personalizados". La discrepancia no radica en si los estándares pueden cuantificarse, la verdadera línea divisoria es: el acto de elegir en sí mismo, ¿tiene valor de experiencia?
Para productos como papel para imprimir, baterías o productos que necesitan ser reabastecidos periódicamente, el proceso de selección no tiene ningún valor de experiencia. Nadie quiere gastar energía comparando dos cartuchos de tinta casi idénticos. Este tipo de productos son naturalmente adecuados para ser manejados completamente por un agente de IA, y la recompra automática por la máquina no conlleva ninguna pérdida de experiencia.
Para el consumo de disfrute, la situación es exactamente lo contrario. Vino, muebles, abrigos, libros, la selección en sí misma es parte del placer del consumo. Si se delega el poder de decisión a la máquina, aunque se ahorre el costo de tiempo, se priva directamente del placer central del consumo. Incluso si la IA responde preguntas de forma gratuita durante todo el proceso, las personas no están dispuestas a delegar por completo.
Para productos de disfrute, el agente de IA no debería tomar decisiones de pleno derecho, sino cambiar a un recolector de información: completar la búsqueda, el filtrado preliminar, la coincidencia de parámetros, la verificación de la solvencia del vendedor, extraer defectos comunes del producto de una gran cantidad de reseñas, reducir 200 opciones a 5, y luego dejar la elección final a los humanos.
El triple dilema: Consulta de IA, deducción histórica, elección autónoma
Alguien dirá: ¿por qué no consulta la IA directamente mis criterios de evaluación? Esta forma es precisamente el modo ineficiente que la gente común detesta en la vida diaria, y lo más fatal es que preguntar repetidamente por los criterios distorsionará la elección final de las personas.
Wilson y Schooler realizaron en 1991 un experimento de evaluación de mermelada: el grupo al que se le pidió previamente que analizara las razones de sus preferencias finalmente dio una clasificación con mayor desviación de los estándares de degustación profesional; experimentos posteriores demostraron que obligar a las personas a enumerar razones para su elección una por una hace que elijan pinturas decorativas con menor satisfacción posterior. El lenguaje solo puede describir características superficiales fáciles de expresar, no puede capturar las preferencias reales internas; sensaciones como el gusto, la estética, solo se pueden percibir, son difíciles de definir con palabras.
De esto se forma un triple dilema que no se puede resolver simultáneamente:
- Consulta activa de IA: Se ajusta a las preferencias reales del momento, pero la fricción de interacción es extremadamente alta, incluso distorsiona la elección;
- Deducción basada en el comportamiento histórico: Operación fluida, pero encasilla en preferencias pasadas, sofoca la exploración de consumo completamente nueva;
- Juicio completamente autónomo humano: Conserva completamente el poder de elección, pero consume mucho tiempo y energía.
Una cuarta opción intermedia puede evitar los inconvenientes anteriores: interacción de reconocimiento, no consulta detallada. La IA simplemente muestra 3 opciones, y los humanos solo tienen que elegir directamente. Este método es conveniente y preciso porque no necesita nombrar de manera abstracta esos criterios que a menudo no puedes nombrar.
El clásico experimento de sobrecarga de elección puede corroborar esto. Iyengar y Lepper realizaron en 2000 un experimento de degustación de mermelada. Cuando se exhibían 6 mermeladas, la tasa de conversión de compra era mucho mayor que con 24 mermeladas. Pero esta teoría es controvertida, y múltiples análisis y experimentos posteriores han refutado esta conclusión. Scheibehenne y otros en 2010, al resumir numerosos experimentos, encontraron que en general no existe un efecto de sobrecarga de elección universal; Chernev, Böckenholt y Goodman en 2015, en un análisis que cubría 99 estudios, mostraron que el efecto de sobrecarga solo aparece cuando la complejidad del producto es alta, la dificultad de decisión es grande y las preferencias propias son vagas. Los autores originales también mencionaron en su revisión posterior que, al enfrentarse a 24 productos, los consumidores carecían de tiempo suficiente para analizar sus propias preferencias. La verdadera autonomía reside precisamente entre "el agente aplica mis estándares" y "el agente inventa estándares de la nada basándose en mi historial".
Volviendo a la "billetera de IA": el pago es solo el eslabón menos importante
Al aclarar la lógica anterior, se pueden entender las fallas en la narrativa de "darle una billetera a la IA". Esta narrativa confunde tres cosas completamente independientes: el sujeto de decisión, el sujeto de ejecución y el sujeto titular de los fondos. "Darle una billetera a la IA" solo resuelve el problema de la titularidad de los fondos. Solo cuando la IA también tiene poder de decisión, la custodia de fondos tiene sentido.
Tres situaciones. Primera situación, la persona decide y paga por sí misma. En este caso, el agente no paga, sino que actúa como explorador. Segunda situación, la persona toma la decisión y delega la tarea de ejecución al agente ("Sí, compra eso"). En este momento, el agente es responsable del pago, pero no necesita custodiar los fondos, solo necesita una autorización de alcance limitado y revocable para esta compra ya aprobada. Solo en la tercera situación, cuando el agente decide y paga de forma autónoma, sin necesidad de que una persona esté presente para pagar, la billetera en sí misma asume la responsabilidad del pago.
Curiosamente, en 2025, la industria de pagos global ya ha implementado esquemas de autorización por capas, diferenciando completamente "autorización" y "custodia de fondos":
- OpenAI, en colaboración con Stripe, lanzó un acuerdo comercial para agentes inteligentes, generando tokens de pago compartidos vinculados a un solo comerciante, con un monto fijo y uso único limitado en el tiempo, donde la IA no puede obtener el número completo de la tarjeta bancaria;
- Mastercard lanzó en abril de 2025 Agent Pay, generando tokens especiales limitados al agente, comerciante especificado y vinculados a las reglas de autorización del usuario;
- Google lanzó en septiembre de 2025 el protocolo de pago inteligente AP2, dividiendo claramente la "credencial de autorización de necesidad del usuario" y la "credencial de lista de compras de IA", ambos tipos son credenciales cifradas verificables, correspondiendo perfectamente a la lógica jerárquica de "definición de necesidad / evaluación de máquina" mencionada anteriormente;
- Visa lanzó en octubre de 2025 un protocolo de agente confiable, con la misma línea de pensamiento que los esquemas anteriores.
Las principales instituciones de pago han demostrado, sin excepción, el punto central de este artículo: no es necesario darle fondos a la IA, solo conceder permisos de operación limitados es suficiente.
Entonces, ¿dónde están los escenarios de aplicación real para la custodia independiente de billeteras por parte de la IA? Los escenarios minoristas de consumo casi no requieren que la IA custodie billeteras, el verdadero espacio de aplicación de este esquema está en productos básicos estandarizados a granel y liquidaciones automáticas entre máquinas. Coinbase y Cloudflare lanzaron conjuntamente el protocolo x402, llenando el vacío en los canales de pago con tarjeta tradicionales: admite pagos automáticos entre agentes sin intervención humana, las 24 horas del día, los 7 días de la semana, facturados por uso de API, con un volumen de transacciones que superó los 100 millones en unos meses. Mastercard lanzó simultáneamente Agent Pay para máquinas, para servir liquidaciones de pequeñas cantidades de alta frecuencia y baja latencia entre máquinas. Esta es la infraestructura subyacente de la economía de las máquinas, no para las compras personales.
Esta narrativa en sí misma no es incorrecta, pero su importancia está completamente invertida: la custodia independiente de billeteras por parte de la IA solo tiene valor importante en escenarios donde los productos son altamente homogéneos y el monto por transacción es relativamente bajo.
Dónde debería estar realmente la billetera
Esto también explica el cambio de enfoque en el sector criptográfico en los últimos dos años: ya no promueve principalmente la narrativa de liberación del consumo para individuos, sino que se adentra en la infraestructura subyacente institucional: liquidación de stablecoins, tokenización de activos, servicios a nivel empresarial. Esto no es abandonar el campo de las compras con IA, sino volver al campo realmente adecuado para el modelo de custodia de billeteras: el lado empresarial. El departamento de compras de una empresa es en sí mismo la materialización institucionalizada de la "compra de pura tarea tediosa". El proceso de compra se desprende de la estética subjetiva y las sensaciones personales, depende completamente de especificaciones, precio, cumplimiento y términos del contrato para tomar decisiones, esencialmente es una versión manual de la compra por agente inteligente. La billetera de IA simplemente automatiza el proceso ya maduro de la empresa, no existe una subversión del modelo de comportamiento.
Hoy en día, muchas empresas externalizan la compra de suministros de oficina y consumibles de bajo valor. La ventaja competitiva central de plataformas como Mercateo o Amazon Business no es el bajo precio, sino la reducción del costo del proceso: catálogo de compras unificado, facturas consolidadas. Las empresas están dispuestas a aceptar una pequeña prima por unidad a cambio de una reducción significativa en el costo de mano de obra de compras; el costo del proceso para consumibles de bajo valor a menudo supera el valor del producto en sí. El agente de IA puede reducir el costo de mano de obra para realizar pedidos a casi cero, mientras busca entre una multitud dispersa de proveedores; la plataforma de compras solo conserva la función de verificación de cumplimiento: revisión de proveedores aprobados, conciliación unificada, verificación de autenticidad, y esta verificación es precisamente el cuello de botella real de todo el proceso.
Por lo tanto, la estrategia de implementación no puede resumirse simplemente como "la billetera sirve a las empresas, no a los individuos". La expresión precisa debería ser: la herramienta coincide con el escenario.
- Billetera de custodia propia (la IA decide de forma autónoma, posee fondos, completa el pago): se adapta a compras empresariales de productos estandarizados, liquidaciones automáticas entre máquinas, principalmente en escenarios B2B y M2M de recompra de alta frecuencia;
- Escenarios de consumo personal: no es necesario custodiar fondos, solo se concede un token de pago de alcance limitado y de un solo uso, y la IA puede liquidar solo después de que el humano confirme el pedido.
"Darle una billetera a la IA" como título de promoción dirigido al consumidor final apunta solo a un segmento de mercado muy pequeño; el mercado central real para la implementación de este esquema es el sistema de automatización de back-office empresarial.
Aclaración: las compras empresariales tampoco son en su totalidad productos estandarizados. Algunas decisiones de compra tampoco pueden ser manejadas de forma autónoma por la IA. La selección de bufetes de abogados, objetivos de adquisición, proveedores clave son decisiones estratégicas, las consecuencias subjetivas son de gran impacto y, al igual que elegir vino personalmente, deben ser tomadas por humanos, la billetera de custodia propia no tiene utilidad en tales escenarios.
Esta regla se aplica a todos los campos: la custodia independiente de billeteras por parte de la IA solo tiene valor en la capa de productos estandarizados, y los negocios estandarizados se concentran dentro de las empresas, donde el volumen es mayor y la demanda más densa.
El verdadero cuello de botella nunca ha sido el pago
La tecnología de flujo de fondos ya es madura, no hay ningún punto de bloqueo en el eslabón del pago. Los verdaderos cuellos de botella para la implementación de las compras con IA están en otros dos aspectos.
Primero, la falta de fuentes de datos confiables. La premisa del juicio automatizado es que los datos sean veraces y confiables. Una vez que la información subyacente es inexacta, la IA de toma de decisiones autónoma amplificará el impacto negativo de la información falsa a la velocidad de la máquina. La proliferación de reseñas falsas ya es un problema conocido en la industria. La Comisión Federal de Comercio de EE. UU. emitió una nueva regulación en 2024 (efectiva el 21 de octubre) que prohíbe expresamente las reseñas falsas de productos, señalando claramente que la IA generativa reduce significativamente el umbral para la fabricación masiva de reseñas falsas, con una multa máxima por incumplimiento de hasta $51,744, y a fines de 2025 las autoridades reguladoras ya habían emitido múltiples cartas de advertencia.
El problema de los productos falsificados físicos también es grave. Según datos de la OCDE y la Oficina de Propiedad Intelectual de la UE en 2025, el comercio global de productos falsificados en 2021 fue de aproximadamente $467 mil millones, representando el 2.3% del comercio mundial total; los productos falsificados importados por la UE representaron el 4.7% del total de importaciones, siendo ropa, calzado, bolsos y artículos de lujo los más afectados, que casualmente pertenecen a la categoría de productos de consumo de experiencia. Los certificados de trazabilidad por unidad, las reseñas reales verificables, la autenticación por terceros independientes, el registro de transferencia por unidad (la directiva antifalsificación de la UE y la Ley de Cadena de Suministro de Medicamentos de EE. UU. ya exigen la implementación en el empaque de medicamentos) son condiciones previas para que la IA juzgue los productos de manera segura.
Segundo, el derecho a definir la necesidad humana no se puede automatizar. Siempre que los estándares de necesidad sean definidos por humanos, el filtrado, la comparación y la liquidación posteriores pueden automatizarse. El acto de definir la propia necesidad es inherentemente intransferible a la máquina. Si la IA genera los estándares de necesidad por ti, las preferencias finales formadas no te pertenecen a ti mismo.
Darle una billetera a un agente de IA solo resuelve el eslabón más simple, el de los fondos. La dirección que realmente vale la pena profundizar es: automatizar de manera segura y controlable la evaluación de filtrado, mientras se devuelven a los humanos dos derechos centrales: definir los estándares de evaluación y disfrutar del placer de la elección final.
Resumen
Finalmente, es importante enfatizar que, para los productos de consumo de experiencia, una vez que el canal de compra se comercializa, el producto está disponible en todas partes. En ese momento, tu producto ya no es el artículo en sí, la elección lo es. Las plataformas necesitan optimizar su grado de estandarización de la información para facilitar la búsqueda de la IA: trazabilidad completa y verificable, datos de productos estructurados y limpios, guiando a la IA para que dirija a los usuarios a su propia plataforma. Sobre esta base, defender la ventaja central que la automatización no puede reemplazar: la exploración de consumo completamente nueva que amplía los límites estéticos del usuario, y la experiencia placentera de elegir finalmente el producto. Delegar la recopilación de información al agente de IA, enfocando la ventaja competitiva central de la plataforma en crear una experiencia de elección de mayor calidad.
