En el comercio online se perfilan actualmente dos desarrollos que van unidos. Del lado del operador, los agentes de IA —es decir, componentes de software que planifican y ejecutan tareas de forma autónoma— asumen rutinas operativas en la tienda. Del lado del cliente, los mismos mecanismos aparecen como asesores de compra que comparan productos y, en perspectiva, también gestionan la compra misma.
La startup alemana Shop Agentic representa la primera dirección. Según su propia presentación, gran parte del trabajo diario en el comercio online debería ser realizado por alrededor de 60 agentes de IA. La empresa fue fundada por cuatro personas con larga experiencia en el entorno del comercio electrónico. Qué tareas cubren en detalle los distintos agentes y hasta qué punto la automatización funciona realmente en el día a día no puede evaluarse de forma concluyente a partir de la cobertura informativa existente hasta ahora.
La segunda dirección afecta al propio proceso de compra. La IA agéntica podrá asumir en el futuro en el comercio online una serie de tareas que hasta ahora realizaban personas frente a la pantalla: desde la comparación de productos hasta la gestión de la compra. Los requisitos tecnológicos para ello están en gran medida disponibles, pero aún faltan componentes para las compras online totalmente autónomas. Precisamente esa brecha es la magnitud relevante para los operadores de tiendas, pues determina cuánto tiempo queda para la preparación.
Por qué ambos desarrollos necesitan la misma base técnica
Ya sea un agente que mantiene existencias del lado del operador o un agente que compara ofertas del lado del cliente: ambos no acceden a lo que ven las personas, sino a lo que un sistema proporciona de forma legible por máquina. Una página de producto visualmente lograda sirve de poco a un agente si las variantes, disponibilidades, plazos de entrega o condiciones de devolución solo están disponibles como texto corrido o gráfico.
Con ello se desplaza el enfoque de muchos proyectos de tienda. Durante años, el foco estuvo en la optimización de la conversión en la superficie: diseño, recorrido de checkout, argumentos de compra. La capacidad para agentes surge, en cambio, una capa más abajo: en la calidad de los datos, en interfaces limpias y en reglas comprensibles para precios, descuentos y gastos de envío.
Dónde suele fracasar en el día a día
Según la experiencia, no son tanto los modelos de IA como los paisajes de sistemas heredados los que frenan tales proyectos. Los puntos problemáticos típicos son:
- Datos de producto dispersos: los atributos existen en paralelo en la tienda, en el ERP y en tablas, sin que se defina una fuente como principal.
- Atributos incompletos: faltan medidas, materiales o compatibilidades justo donde un agente de comparación los evaluaría.
- Interfaces sin contratos: existen API, pero no están documentadas, no están versionadas y cambian sin previo aviso.
- Distribución de derechos poco clara: no está regulado qué automatización puede desencadenar qué acción, por ejemplo cambiar precios o cancelar pedidos.
- Falta de registro: sin logs limpios no puede aclararse a posteriori qué proceso desencadenó un cambio.
Estos puntos no son temas de IA. Son cuestiones clásicas de arquitectura y datos que los agentes simplemente hacen más dolorosamente visibles.
Agentes en la operación de la tienda: expectativas realistas
Que una startup delegue en gran medida el día a día de la tienda a agentes es una señal, pero no un modelo operativo para toda empresa. Sensato es un acceso escalonado: primero tareas recurrentes y bien delimitadas con un control de éxito claro, como el enriquecimiento de textos de producto, la preselección de solicitudes de servicio o la revisión de bases de datos en busca de lagunas.
Decisiva es aquí la cuestión de dónde debe dar su aprobación una persona. Los agentes que proponen y cuyos resultados se aprueban antes de la publicación pueden justificarse con mucha más facilidad que los agentes con acceso directo de escritura a precios o existencias. Este paso de aprobación puede reducirse más adelante cuando se conozcan la calidad y los patrones de error.
Cuando el cliente es un agente
Si la compra agéntica se impone, esto cambia la lógica de la visibilidad. Un agente evalúa ofertas según criterios estructurados y no según el diseño o la experiencia de marca en el sentido clásico. Para los operadores de tiendas surgen de ello preguntas que deberían responderse hoy:
- ¿Qué datos proporciona la tienda de forma legible por máquina, y son correctos y actuales?
- ¿Cómo se detectan y distinguen los accesos automatizados: agentes de compra deseados frente a scraping o abuso?
- ¿Cómo pueden asegurarse los pedidos que no son desencadenados por una persona en el checkout, desde la autenticación pasando por la autorización de pago hasta la gestión de desistimientos?
- ¿Qué información necesita un agente para poder evaluar servicios adicionales, garantías o calidad de servicio?
Precisamente el punto de la seguridad debería formar parte de los componentes que aún faltan para las compras totalmente autónomas. Técnicamente mucho es posible; jurídica, contractual y organizativamente, muchos procesos siguen estando diseñados para una persona que actúa.
Una hoja de ruta pragmática
Para los comerciantes medianos se recomienda menos un gran proyecto que una secuencia. Primero la base de datos: una fuente principal por atributo, completitud medible, revisión regular. Después las interfaces: documentadas, versionadas, con derechos de acceso claros y registro. Solo entonces los agentes, primero internos, en campos de tareas delimitados, con criterios de interrupción definidos.
Este camino tiene un agradable efecto secundario: los datos de producto limpios y las interfaces sólidas compensan también cuando las compras agénticas se desarrollan más lentamente de lo que se espera actualmente.
Mejoran la búsqueda, los filtros, los feeds y las conexiones con marketplaces independientemente de cualquier estrategia de IA.
Clasificación para proyectos web y de software
Para proyectos web y de software, el foco de inversión se desplaza de la interfaz a la estructura: el modelo de datos, las interfaces, los permisos y la trazabilidad determinan si la automatización será posible más adelante. Quien invierte ahora en fuentes de datos líderes y API documentadas mantiene abiertas ambas opciones: el uso interno de agentes y la conexión de agentes de compra externos. Por eso, los proyectos deberían estructurarse de modo que cada paso aporte un beneficio medible incluso sin IA.