Estudio: El marketing tradicional no funciona con los agentes de compra basados en IA

Una parte cada vez mayor de los compradores no son personas. Se trata de agentes de IA que buscan, comparan y, cada vez más, realizan compras en nombre de los consumidores. Recientemente, OpenAI ha integrado ChatGPT de forma más profunda en las aplicaciones de descubrimiento de productos y de los comerciantes; Google ha lanzado un protocolo de comercio universal (UCP) para permitir que los agentes de IA realicen transacciones en distintos comercios; y Amazon ha presentado 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 a lo largo de décadas, basadas en patrones bien documentados de la cognición humana, no funcionan de la misma manera con los agentes de IA. Algunas no funcionan en absoluto. Otras resultan contraproducentes. No se trata de una especulación. Cuando probamos ocho mecanismos promocionales habituales del comercio electrónico en cuatro modelos de IA a lo largo de miles de simulaciones de compras, descubrimos que solo uno se comportaba de manera coherente con lo que cabría esperar de compradores humanos. La mayoría de las empresas no están preparadas para esto. En una encuesta exploratoria realizada a 50 ejecutivos del sector del comercio electrónico en Estados Unidos y el Reino Unido, la mayoría afirmó haber observado ya cambios en el tráfico o en la conversión que atribuyen a los agentes de IA, y estar buscando activamente formas de mejorar la forma en que los agentes interactúan con sus sitios web. Sin embargo, muchos de estos mismos ejecutivos creen que los factores que persuaden a los compradores humanos también tienden a influir en los agentes de IA de manera similar, y que ya comprenden qué elementos de sus sitios web son los más importantes para el comportamiento de los agentes. Nuestra investigación sugiere que esta confianza es infundada. Los mecanismos de la persuasión se han desarrollado a partir de sujetos humanos: la aversión a la pérdida, el efecto de anclaje, el sesgo de la escasez y la prueba social. Para los compradores de IA, estos no son principios fiables. Se trata de hipótesis que deben ponerse a prueba. Y los resultados pueden quedar obsoletos con cada actualización del modelo. Lo que hemos descubierto Hemos desarrollado una simulación propia que reproduce la forma en que los agentes de IA interactúan con las páginas de productos típicas del comercio electrónico. Hemos probado cuatro modelos de IA diferentes (GPT-4.1-mini, GPT-5, Gemini 2.5 Pro y Gemini 2.5 Flash Lite), a cada uno de los cuales se le encomendó la tarea de seleccionar entre los productos presentados en una disposición de cuadrícula realista. Variamos ocho tipos de distintivos promocionales de uso común en el comercio minorista en línea: señales de garantía («Garantía de devolución del dinero»), temporizadores de cuenta atrás, precios tachados, indicaciones de escasez («¡Solo quedan 2!»), prueba social (número de compras), cupones, paquetes y valoraciones con estrellas. Las categorías de productos rotaban entre cuatro artículos de uso cotidiano —un teléfono, un reloj deportivo, una lavadora y una alfombrilla para ratón— para comprobar si los patrones se mantenían en contextos minoristas habituales. Para cada modelo y producto, realizamos 1000 rondas de compra simuladas, lo que dio lugar a más de 16 000 situaciones de elección en total. La conclusión principal fue clara: solo las valoraciones impulsaron de forma sistemática las elecciones en los cuatro modelos y categorías de productos, lo que refleja la bien establecida tendencia humana a confiar en las señales de calidad. El resto de distintivos produjeron efectos que variaban según el modelo y la categoría de producto, en ocasiones de forma notable. La prueba social fue la siguiente señal más sólida, pero incluso esta varió según los casos. Por el contrario, tácticas bien conocidas como los precios tachados, los temporizadores de cuenta atrás y las ofertas combinadas no mostraron un patrón estable. En algunos casos aumentaron la selección; en otros no tuvieron ningún efecto; y, al menos en un caso, las ofertas combinadas la redujeron. Se observó una tendencia general: los modelos sin capacidad de razonamiento —Gemini 2.5 Flash Lite y GPT-4.1-mini— solían responder mejor a las señales promocionales, mientras que los modelos con capacidad de razonamiento —GPT-5 y Gemini 2.5 Pro— mostraban una menor capacidad de respuesta. Sin embargo, incluso esta generalización tiene sus límites: una misma insignia podía producir efectos opuestos en un mismo modelo, dependiendo de la categoría del producto. A continuación, nos planteamos una pregunta más profunda: ¿por qué funcionan estas tácticas con los seres humanos, y explica esa misma lógica cómo responden los agentes de IA? Cada una de estas señales promocionales surte efecto en las personas por una razón psicológica concreta. Las etiquetas de «escasez» desencadenan el 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 ningún efecto en algunos modelos, y GPT-5 incluso reaccionó de forma negativa en determinadas categorías de productos, lo que sugiere un patrón que va en contra de lo que se observa habitualmente en los seres humanos. Del mismo modo, los precios tachados crean un punto de referencia que hace que el descuento se perciba como una ganancia, lo que fomenta la compra. Sin embargo, no observamos un patrón de respuesta coherente con esa lógica. De hecho, en el caso del Gemini 2.5 Pro, a medida que la señal de descuento se hacía más extrema, su efecto persuasivo adicional se debilitaba en lugar de reforzarse. El panorama general es claro: las señales promocionales influyeron en ocasiones 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 de IT? Nuestros hallazgos apuntan a una necesidad estratégica clara: los principios para persuadir a los compradores humanos no se pueden aplicar de forma fiable a los agentes de IA. Sin embargo, la investigación también revela una estructura práctica que se esconde tras todo el ruido. Lo primero es acertar con los fundamentos. En todos los modelos que probamos, dos factores se comportaron exactamente igual que con los humanos: el precio y las valoraciones. Los precios más altos reducían sistemáticamente la selección; las valoraciones más altas la aumentaban sistemáticamente. Otras insignias y señales no resultaron fiables. Antes de invertir en tácticas específicas para los agentes, las empresas deben asegurarse de que sus fundamentos sean sólidos: precios competitivos y perfiles de reseñas sólidos y auténticos. Trate cada modelo como un segmento de mercado distinto. Los profesionales del marketing llevan décadas segmentando a los compradores humanos en función de criterios demográficos, geográficos, psicográficos y de comportamiento. Nuestros resultados sugieren que ahora deben tener en cuenta una nueva variable de segmentación: el propio modelo de IA. Considerar cada modelo como un segmento diferenciado, con su propio perfil de respuesta a las señales promocionales, ofrece un marco familiar y práctico para gestionar esta complejidad. Adapte lo que presenta a quién, o qué, está buscando. Si cada modelo responde de forma diferente, el siguiente paso lógico es ofrecer diferentes versiones de la información de su producto en función del agente que esté interactuando con su sitio web o su fuente de datos. Un punto de partida práctico consiste en identificar qué modelos de IA generan más tráfico o transacciones en su categoría y optimizar en función de ellos. Esto resulta cada vez más sencillo. A medida que las compras se canalizan cada vez más a través de protocolos de comercio como el UCP de Google, los comerciantes obtienen una visión más clara de qué plataformas de IA están impulsando 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 adaptativas. Un enfoque más eficaz es el dinámico: detectar el modelo de agente y ajustar las señales promocionales en tiempo real —por ejemplo, qué insignias aparecen, cómo se presenta el precio, si se muestran paquetes o cupones— en función del agente que esté evaluando la página. Hoy en día, esto sigue siendo complicado. La mayoría de los agentes de compra basados en IA navegan a través de navegadores web estándar, lo que hace que sea difícil distinguirlos de los visitantes humanos en tiempo real. Sin embargo, a medida que los protocolos comerciales maduren y mejore la detección del comportamiento, la brecha se reducirá. Las empresas que empiecen a crear la infraestructura de pruebas ahora estarán en una posición óptima para actuar cuando la personalización en tiempo real sea cada vez más viable. Comprenda el prompt, no solo al agente. Un asistente de compras basado en inteligencia artificial no viene con sus propias preferencias. Viene con el prompt del usuario. Un consumidor que le dice a su asistente «búscame los auriculares inalámbricos mejor valorados por menos de 100 libras» le ha dado un mandato muy diferente al de quien dice «búscame la opción más barata que se envíe mañana». El comportamiento del asistente viene determinado por estos prompts. Comprender las estructuras de prompt más habituales en su sector constituye una nueva e importante forma de investigación de mercado. Las empresas deberían empezar a estudiar qué es lo que los consumidores solicitan a sus agentes para poder optimizar sus servicios. Esto podría llevarse a cabo mediante estudios directos, el análisis de patrones de prompt o colaboraciones con plataformas de inteligencia artificial. Las marcas que comprendan cómo se comunican sus clientes con los agentes estarán mejor posicionadas para garantizar que sus productos aparezcan de la forma adecuada en respuesta a las consultas pertinentes. Cabe esperar que los modelos más avanzados se muestren escépticos ante las tácticas de marketing, y no indiferentes a ellas. Una suposición común es que, a medida que los modelos de IA se vuelvan más capaces, se volverán más «racionales»: menos susceptibles a las señales de marketing, más parecidos a los maximizadores de utilidad perfectamente informados de la teoría económica. Nuestros hallazgos cuestionan esta idea. Modelos más avanzados, como GPT-5 y Gemini 2.5 Pro, se mostraron menos receptivos a ciertas tácticas promocionales, pero no las ignoraban sin más. En varios casos, parecían penalizar las señales de persuasión evidentes, como si las interpretaran como indicios de baja calidad o de manipulación. Esto significa que las tácticas promocionales agresivas, del tipo que aún funcionan con muchos compradores humanos, pueden resultar cada vez más contraproducentes a medida que avanzan los modelos de agentes. La tendencia no se dirige hacia agentes que simplemente ignoren su marketing, sino hacia agentes en los que una mayor persuasión genere una menor selección. Cree una infraestructura de pruebas, no una estrategia puntual. Quizás la conclusión más importante sea de carácter estructural. Los efectos promocionales que hemos medido hoy no serán los mismos tras el próximo modelo. Cada lanzamiento importante, ajuste de afinado o nueva adaptación de seguridad puede alterar la forma en que un agente responde a los marcos de precios, las señales de urgencia o la prueba social. Cualquier «estrategia de optimización de agentes» fija tiene una vida útil limitada. Las empresas deberían crear entornos de simulación en los que puedan poner a prueba sistemáticamente los agentes de IA en sus páginas de productos, abarcando distintos modelos, categorías y configuraciones promocionales. Podrían mantener una base de datos versionada del comportamiento de los agentes, indexada por lanzamiento de modelo, para detectar cuándo una táctica que funcionó el trimestre anterior ha dejado de funcionar o ha empezado a resultar contraproducente. . . . Durante décadas, los profesionales del marketing han perfeccionado todas las herramientas de persuasión pensando en un único público: los seres humanos. Ese público se está dividiendo. Una parte cada vez mayor de las decisiones de compra será tomada, o filtrada, por agentes que no responden a sus señales cuidadosamente diseñadas de la misma manera que lo hace la gente. Algunos las ignorarán. Otros, tal y como muestran nuestros datos, las utilizarán en su contra. Para los profesionales del marketing que han dedicado su carrera a perfeccionar el arte de la persuasión, la incómoda conclusión es que, en ocasiones, la mejor estrategia es dar un paso atrás. Las marcas que prosperarán serán aquellas lo suficientemente disciplinadas como para saber cuándo la propia persuasión se ha convertido en el problema.

Estudio: El marketing tradicional no funciona con los agentes de compra basados en IA

Resumen.

Partner Center