Doxa 2526

Investigación: El marketing tradicional no funciona con los agentes de compras con IA

Las empresas necesitan tácticas diferentes para este segmento de compradores online que crece rápidamente

Por Jafar Sabbah y Oguz A. Acar

Ventas y marketing

Harvard Business Review

#Doxa #AgentesIA #MarketingDigital #ComercioElectrónico #InteligenciaArtificial #EstrategiaDigital #VentasB2B #Automatización #ExperienciaUsuario #Tendencias2026 #TransformaciónDigital #SEO Técnico #DatosEstructurados #Innovación #NegociosDigitales #FuturoDelRetail

Resumen. Los agentes de compras con IA se están convirtiendo rápidamente en una parte significativa de los "compradores" en línea. Nuevas investigaciones muestran que muchas tácticas clásicas de persuasión del comercio electrónico diseñadas para la psicología humana (escasez, temporizadores de cuenta regresiva, precios tachados, cupones,y los paquetes no influyen de manera fiable en los agentes de IA e incluso pueden reducir la selección según el modelo y la categoría del producto. En miles de rondas de compra simuladas en cuatro modelos líderes y cuatro categorías de productos comunes, solo las calificaciones con estrellas aumentaron consistentemente la elección en la dirección esperada, mientras que el precio la redujo de manera fiable; otras señales produjeron efectos inestables y específicos del modelo, y los modelos de razonamiento más avanzados a menudo se mostraron escépticos ante la persuasión explícita. La implicación para los profesionales del marketing es clara: tratar los modelos de IA como segmentos distintos, priorizar aspectos fundamentales como precios competitivos y reseñas auténticas, e invertir en una infraestructura de pruebas que mida continuamente cómo responden los diferentes agentes a medida que evolucionan los modelos y las indicaciones.

Cada vez hay más compradores que no son humanos. Son agentes de IA que investigan, comparan y, cada vez más, compran en nombre de los consumidores. Recientemente, OpenAI ha impulsado ChatGPT para que se integre aún más en el descubrimiento de productos y las aplicaciones para comerciantes; Google ha lanzado un protocolo de comercio universal (UCP) que permite a los agentes de IA realizar transacciones entre diferentes minoristas; y Amazon ha publicado herramientas que permiten a sus agentes comprar en los sitios web de otros minoristas en nombre de los clientes.

Las tácticas de persuasión perfeccionadas por los profesionales del marketing durante décadas, basadas en patrones bien documentados de la cognición humana, no funcionan igual en los agentes de IA. Algunas no funcionan en absoluto. Otras resultan contraproducentes. Esto no es una mera especulación. Al probar ocho mecanismos promocionales comunes del comercio electrónico en cuatro modelos de IA, mediante miles de simulaciones de compras, descubrimos que solo uno se comportaba de forma consistente como cabría esperar de un comprador humano.

La mayoría de las empresas no están preparadas para esto. En una encuesta exploratoria realizada a 50 ejecutivos de comercio electrónico en Estados Unidos y el Reino Unido, la mayoría afirmó haber notado ya cambios en el tráfico o las conversiones que atribuyen a los agentes de IA y que buscan activamente formas de mejorar la interacción de estos agentes con sus sitios web. Sin embargo, muchos de estos mismos ejecutivos creen que las señales que persuaden a los compradores humanos también influyen de manera similar en los agentes de IA, y que ya comprenden qué elementos de sus sitios web son más relevantes para el comportamiento de los agentes.

Nuestra investigación sugiere que esta confianza es infundada. Los mecanismos de persuasión se basaron en estudios con sujetos humanos: aversión a la pérdida, anclaje, sesgo de escasez y prueba social. Para los compradores de IA, estos no son principios fiables. Son hipótesis que deben someterse a prueba. Y los resultados pueden quedar obsoletos con cada actualización del modelo.

Lo que encontramos

Desarrollamos una simulación propia que reproduce cómo los agentes de IA interactúan con las páginas de productos típicas del comercio electrónico. Probamos cuatro modelos de IA diferentes (GPT-4.1-mini, GPT-5, Gemini 2.5 Pro y Gemini 2.5 Flash Lite), cada uno encargado de seleccionar entre productos presentados en un diseño de cuadrícula realista. Variamos ocho tipos de distintivos promocionales comúnmente utilizados en el comercio electrónico: señales de garantía ("Garantía de devolución de dinero"), temporizadores de cuenta regresiva, precios tachados, señales de escasez ("¡Solo quedan 2!"), prueba social (conteo de compras), cupones, paquetes y calificaciones con estrellas. Las categorías de productos rotaron entre cuatro artículos cotidianos (un teléfono, un reloj deportivo, una lavadora y una alfombrilla de ratón) para probar si los patrones se mantenían en contextos de venta minorista comunes. Para cada modelo y producto, ejecutamos 1000 rondas de compra simuladas, lo que generó más de 16 000 situaciones de elección en total.

La conclusión principal fue clara: solo las calificaciones impulsaron consistentemente las decisiones de compra en los cuatro modelos y categorías de productos, reflejando la arraigada confianza humana en las señales de calidad. El resto de las insignias produjeron efectos que variaron según el modelo y la categoría de producto, a veces de forma drástica. La prueba social fue la siguiente señal más sólida, pero incluso esta varió según el caso.

Por el contrario, tácticas conocidas como los precios tachados, los temporizadores de cuenta regresiva y los paquetes de productos no mostraron un patrón estable. En algunos casos aumentaron la variedad de opciones; en otros no tuvieron ningún efecto; y en al menos un caso, los paquetes la redujeron.

Se observó un patrón más general: los modelos sin capacidad de razonamiento —Gemini 2.5 Flash Lite y GPT-4.1-mini— respondieron mejor a las señales promocionales, mientras que los modelos con capacidad de razonamiento —GPT-5 y Gemini 2.5 Pro— respondieron menos. Sin embargo, incluso esta generalización tiene sus limitaciones: la misma insignia podría producir efectos opuestos en el mismo modelo según la categoría del producto.

Luego planteamos una pregunta más profunda: ¿Por qué funcionan estas tácticas con los humanos y explica esa misma lógica cómo responden los agentes de IA? Cada una de estas señales promocionales funciona en las personas por una razón psicológica específica. Las insignias de escasez provocan miedo a perderse algo o la sensación de una posible pérdida, lo que impulsa a las personas a actuar rápidamente antes de que el artículo se agote. Sin embargo, esta señal no tuvo efecto en algunos modelos, e incluso GPT-5 reaccionó negativamente en ciertas categorías de productos, lo que sugiere un patrón contrario a lo que se observa habitualmente en los humanos.

De forma similar, los precios tachados crean un punto de referencia que hace que el descuento se perciba como una ganancia, incentivando así la compra. Sin embargo, no observamos un patrón de respuesta consistente que se ajustara a esta lógica. De hecho, en el caso de Gemini 2.5 Pro, a medida que el descuento se hacía más evidente, su efecto persuasivo adicional se debilitaba en lugar de reforzarse.

La visión general es clara: las señales promocionales a veces influyeron en las decisiones de los agentes, pero no por las mismas razones por las que influyen en los seres humanos.

¿Qué deberían hacer los profesionales del marketing al respecto?

Nuestros hallazgos apuntan a un claro imperativo estratégico: los principios para persuadir a los compradores humanos no se transfieren de forma fiable a los agentes de IA. Pero la investigación también revela una estructura práctica subyacente.

Primero, asegúrate de dominar los fundamentos.

En todos los modelos que probamos, dos factores se comportaron exactamente igual que en el caso de los humanos: el precio y las valoraciones. Los precios más altos redujeron sistemáticamente la variedad de opciones; las valoraciones más altas la aumentaron sistemáticamente. Otros indicadores y señales no resultaron fiables.

Antes de invertir en tácticas específicas para agentes, las empresas deben asegurarse de que sus fundamentos sean sólidos: precios competitivos y perfiles de reseñas auténticos y convincentes.

Trate cada modelo como un segmento de mercado distinto.

Los profesionales del marketing han dedicado décadas a segmentar a los compradores según datos demográficos, geográficos, psicográficos y de comportamiento. Nuestros resultados sugieren que ahora deben considerar una nueva variable de segmentación: el propio modelo de IA. Concebir cada modelo como un segmento distinto, con su propio perfil de respuesta a las señales promocionales, proporciona un marco familiar y práctico para gestionar esta complejidad.

Adapta lo que presentas a quién o qué está mirando.

Si cada modelo responde de manera diferente, el siguiente paso lógico es ofrecer diferentes versiones de la información de su producto dependiendo del agente que interactúe con su sitio web o fuente de datos.

Un punto de partida práctico consiste en identificar qué modelos de IA generan más tráfico o transacciones en su categoría y optimizarlos. Esto es cada vez más sencillo. A medida que las compras se realizan cada vez más a través de protocolos de comercio electrónico como UCP de Google, los comerciantes obtienen visibilidad sobre qué plataformas de IA impulsan sus transacciones. Esto recuerda a los inicios de la optimización móvil, cuando las empresas diseñaban inicialmente para el dispositivo dominante antes de crear experiencias totalmente adaptables.

Un enfoque más eficaz es el dinámico: detectar el modelo del agente y ajustar las señales promocionales en tiempo real (por ejemplo, qué insignias aparecen, cómo se presentan los precios, si se muestran paquetes o cupones) en función del agente que esté evaluando la página.

Actualmente, esto sigue siendo complicado. La mayoría de los agentes de compras con IA navegan a través de navegadores web estándar, lo que dificulta distinguirlos de los visitantes humanos en tiempo real. Sin embargo, a medida que los protocolos de comercio electrónico maduren y la detección del comportamiento mejore, esta brecha se reducirá. Las empresas que comiencen a desarrollar la infraestructura de pruebas ahora estarán mejor posicionadas para actuar cuando la personalización en tiempo real sea cada vez más factible.

Entiende la consigna, no solo al agente.

Un agente de compras con IA no llega con sus propias preferencias, sino con las indicaciones del usuario. Un consumidor que le dice a su agente: «Encuéntrame los auriculares inalámbricos mejor valorados por menos de 100 libras» le da una instrucción muy diferente a la de alguien que dice: «Consígueme la opción más barata con envío mañana». El comportamiento del agente está condicionado por estas instrucciones.

Comprender las estructuras de preguntas más comunes en tu categoría es una forma novedosa e importante de investigación de mercado. Las empresas deberían empezar a estudiar qué les piden los consumidores a sus agentes que optimicen. Esto puede hacerse mediante investigación directa, análisis de patrones de consulta o colaboraciones con plataformas de IA. Las marcas que comprendan cómo se comunican sus clientes con sus agentes estarán mejor posicionadas para garantizar que sus productos aparezcan de la forma adecuada para las consultas correctas.

Cabe esperar que los modelos más avanzados se muestren escépticos ante las tácticas de marketing, en lugar de indiferentes a ellas.

Una suposición común es que, a medida que los modelos de IA se vuelven más capaces, se volverán más "racionales", menos susceptibles a las señales de marketing y más parecidos a los maximizadores de utilidad perfectamente informados de la teoría económica.

Nuestros hallazgos ponen en tela de juicio esta afirmación. Los modelos más avanzados, como GPT-5 y Gemini 2.5 Pro, respondieron menos a ciertas tácticas promocionales, pero no las ignoraron por completo. En varios casos, parecieron penalizar las señales de persuasión explícitas, como si las interpretaran como indicios de baja calidad o manipulación.

Esto significa que las tácticas promocionales agresivas, de las que aún funcionan con muchos compradores, podrían volverse cada vez más contraproducentes a medida que los modelos de agentes evolucionan. La tendencia no apunta hacia agentes que simplemente ignoren tu marketing, sino hacia agentes donde una mayor persuasión reduce la selección de clientes.

Construya una infraestructura de pruebas, no una estrategia puntual.

Quizás la conclusión más importante sea estructural. Los efectos promocionales que medimos hoy no serán los mismos después del próximo modelo. Cada lanzamiento importante, ajuste o nueva configuración de seguridad puede modificar la forma en que un agente responde a los precios, las señales de urgencia o la prueba social. Cualquier estrategia fija de optimización de agentes tiene una vida útil corta.

Las empresas deberían crear entornos de simulación donde puedan ejecutar sistemáticamente agentes de IA en las páginas de sus productos, abarcando diferentes modelos, categorías y configuraciones promocionales. Podrían mantener una base de datos versionada del comportamiento de los agentes, indexada por versión del modelo, para detectar cuándo una táctica que funcionó el trimestre anterior ha dejado de ser efectiva o ha comenzado a tener efectos contraproducentes.

...

Durante décadas, los profesionales del marketing han perfeccionado cada herramienta de persuasión pensando en un único público: los seres humanos. Este público se está dividiendo. Un porcentaje cada vez mayor de las decisiones de compra se tomará, o se filtrará, por agentes que no responden a las señales cuidadosamente diseñadas como lo hacen las personas. Algunos las ignorarán. Otros, como demuestran nuestros datos, las usarán en su contra. Para los profesionales del marketing que han dedicado su carrera a perfeccionar el arte de la persuasión, la conclusión, a veces incómoda, es que lo mejor es moderar la intensidad. Las marcas que prosperen serán aquellas lo suficientemente disciplinadas como para saber cuándo la persuasión en sí misma se ha convertido en un problema.

Lea más sobre ventas y marketing o temas relacionados: publicidad, marketing y comportamiento del consumidor.

Jafar Sabbah es profesor de tecnología e innovación en la Bayes Business School, City St. Georges, Universidad de Londres.

Oguz A. Acar es profesor de marketing e innovación en la King's Business School del King's College de Londres.