Agentes de IA: 93% de comercios no asume el error

El comercio agéntico ya opera; su marco de responsabilidad no

El 93% de los comercios cree que el proveedor del agente de IA —no el vendedor— debería asumir la pérdida cuando ese agente compra mal, según un sondeo de PYMNTS Intelligence de septiembre de 2026 recogido en un análisis sobre la brecha de responsabilidad del comercio agéntico. La consecuencia práctica es inmediata: solo el 28% de esos comercios está dispuesto a exponer su catálogo completo a agentes autónomos en las condiciones actuales.

Ese 28% es la métrica que más debería importar a un founder que construye sobre esta infraestructura. No mide adopción tecnológica: mide cuánto inventario y cuánto margen está dispuesto a arriesgar un retailer por un software que no controla, no puede auditar en tiempo real y que, si se equivoca, deja la factura de su lado.

Delegar una compra a un sistema de IA ya no es ciencia ficción. Lo que sigue sin resolverse es quién responde cuando un agente ejecuta una transacción errónea: un monto incorrecto, un producto equivocado, una autorización que nadie previó.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Quién responde cuando un agente ejecuta una compra errónea?

La cadena de responsabilidad se fragmenta en tres actores: el usuario que activó el sistema, el desarrollador que lo programó y la plataforma que lo hospeda. Ningún marco legal vigente en México o América Latina asigna esa responsabilidad con la precisión que exige una disputa de pago, que se resuelve en días y no en años.

El problema se agrava porque el sistema de disputas actual —el chargeback— fue diseñado para arbitrar desacuerdos entre humanos y comercios, no para interpretar la intención de un modelo generativo. No existe un código de motivo limpio que distinga un «error del agente» de una compra legítima autorizada por el titular de la tarjeta. Y como las plataformas que habilitan a esos agentes no son responsables bajo ninguna regla de red, el comercio absorbe el costo de la disputa por defecto.

El resultado es un incentivo perverso: la parte mejor posicionada para prevenir el error —el proveedor de IA— no tiene ningún incentivo financiero para hacerlo. Un análisis publicado en Yahoo Finance lo describe como un vacío estructural, no como una falla de producto.

¿Cuánto dinero está en juego en el comercio agéntico?

El gasto anual en comercio agéntico en Estados Unidos se proyecta hasta US$500.000 millones para 2030, según estimaciones de Bain citadas por American Banker. Esa cifra convierte la ambigüedad legal en un problema de mercado: si el 72% de los comercios limita su catálogo por miedo al error, el techo de esa proyección se vuelve inalcanzable.

Del lado del consumidor la disposición existe. Según un informe Trendex de American Express, el 66% de los consumidores estadounidenses encuestados dijo que probablemente usaría agentes de IA para investigar el mejor precio de un producto o servicio, y el 61% los usaría para recibir recomendaciones en los próximos doce meses.

La brecha, entonces, no está en la demanda ni en la tecnología. Está en quién firma el cheque cuando algo sale mal. Christopher Waller, gobernador de la Reserva Federal, lo formuló en un discurso del 29 de septiembre: el mayor obstáculo para escalar el comercio agéntico, sobre todo en el modelo de agente delegado, es construir suficiente confianza entre compradores y vendedores.

¿Qué están haciendo las redes de pago y los bancos?

La respuesta del sector privado llegó antes que la del regulador, y conviene conocerla porque anticipa los estándares que probablemente se impongan en la región.

American Express presentó en octubre de 2026 su Intent Intelligence Framework, un sistema que captura y autentica la intención de compra del cliente antes de que el agente complete la transacción. El flujo funciona así: una API registra la instrucción original junto con sus restricciones —nombre del comercio, presupuesto máximo, preferencias de producto—, el cliente firma esa intención y se genera un token que el agente usa en el checkout en lugar del número real de la tarjeta. Si un cliente pidió tenis Nike talla 9 y el agente intenta comprar Adidas, la transacción se bloquea antes de ejecutarse.

Lead Bank, un banco con estatuto estatal en Kansas City, fue más lejos y publicó una «cascada» de responsabilidad que asigna el riesgo por tipo de error. El consumidor no responde cuando el agente excede la autoridad delegada. El banco responde cuando tenía control sobre esa delegación y no la hizo cumplir. El proveedor de IA responde cuando la falla proviene de un defecto del modelo, de un uso inseguro de herramientas o de salvaguardas inadecuadas. El comercio responde solo si indujo al agente a exceder su autoridad a sabiendas.

La startup Primitive, fundada por el exdirector digital de U.S. Bank, Derek White, publicó el Agentic Financial Services Protocol, que incluye trazabilidad de cada sesión del agente: qué modelo se usó, si operó dentro de la gobernanza y cuál fue el costo en tokens. Ese registro se puede empaquetar y entregar a un regulador o auditor.

¿Qué marco legal aplica hoy en México y América Latina?

México no tiene una ley general de inteligencia artificial. Según un análisis de CIAL D&B, existen iniciativas vivas en el Congreso —una reforma constitucional al artículo 73, una Ley General de IA en el Senado y una ley federal con enfoque de semáforos de riesgo presentada en julio de 2026—, pero el avance real ocurre por vía sectorial.

Tres normas sí aplican hoy y conviene mapearlas antes de automatizar cualquier flujo de compra:

La Ley Federal de Protección de Datos Personales en Posesión de los Particulares, vigente desde el 21 de marzo de 2025, incorporó el derecho de oposición cuando un tratamiento automatizado produce efectos jurídicos adversos o afecta significativamente los derechos de una persona.
Las nuevas Reglas de Carácter General de la Ley Antilavado, publicadas en el Diario Oficial de la Federación el 7 de agosto de 2026, obligan a los sujetos obligados a operar mecanismos automatizados de monitoreo a partir del 1 de junio de 2027.
El Reglamento de IA de la Unión Europea, cuyas obligaciones de transparencia del artículo 50 aplican desde el 2 de agosto de 2026 y que tiene alcance extraterritorial cuando el resultado del sistema se usa en la Unión.

En América del Sur el movimiento es más reciente y todavía fragmentado. La provincia de Buenos Aires aprobó un Marco Provincial para el Desarrollo, Uso y Gobernanza de la IA que crea un Registro de Inteligencia Artificial de herramientas estatales, según reportó Blockvoz. Es gobernanza interna del sector público, no un régimen de responsabilidad civil para agentes que compran.

¿Por qué la gobernanza interna se vuelve ventaja competitiva?

Establecer límites no frena la automatización: la hace sostenible. Una empresa que hoy puede documentar qué decisiones puede tomar su agente de forma autónoma, cuáles requieren validación humana y quién aprobó ese diseño, está comprando dos cosas a la vez: confianza del socio comercial y tiempo cuando llegue la regulación.

El argumento no es solo defensivo. Un retailer que puede demostrar a American Express o a un banco adquirente que su agente opera con límites verificables obtiene acceso a credenciales de pago programables que sus competidores no tienen. En un ecosistema donde el 28% del catálogo es lo máximo que muchos comercios exponen, eso es una ventaja de surtido.

¿Qué significa esto para tu startup?

Si tu producto automatiza compras —o si compras a través de agentes—, hay cuatro movimientos que puedes ejecutar esta semana:

Documenta la autoridad transaccional, no la promptees. Define por escrito, en un registro auditable, el monto máximo por transacción, las categorías permitidas, los comercios autorizados y la persona que aprobó cada límite. Un límite que solo existe dentro del prompt no es un control: es una sugerencia.
Exige trazabilidad de sesión a tu proveedor de IA. Cada ejecución debería dejar registro del modelo y versión usados, los parámetros aplicados y el costo. Sin eso no puedes reconstruir un error tres meses después, y sin reconstrucción no hay defensa ante un auditor ni ante un contracargo.
Haz un simulacro de error antes de escalar. Fuerza a tu agente a exceder el monto autorizado, a elegir un SKU equivocado y a operar en un comercio no permitido. Mide cuántos minutos tarda el sistema —y tu equipo— en detectarlo. Ese número es tu exposición real, y es más útil que cualquier cláusula contractual que no hayas probado.
Si vendes o compras con contrapartes en la UE, revisa el artículo 50. Las obligaciones de transparencia ya están vigentes y aplican por el lugar donde se usa el resultado del sistema, no por dónde está constituida tu empresa.

Conclusión

El debate sobre quién es responsable cuando la IA compra mal no tiene todavía una respuesta única, ni en México ni en el resto de América Latina ni en Estados Unidos. Pero esperar a que la regulación lo resuelva sola es, en sí mismo, una decisión de riesgo: el costo de un agente mal configurado no lo cubre ningún contrato de licencia de software estándar.

La asimetría es la clave. Los comercios ya dijeron que no van a absorber el costo, los bancos ya publicaron sus cascadas de responsabilidad y las redes de pago ya construyeron los tokens que hacen auditable la intención del cliente. Las empresas que hoy pueden explicar qué hizo su agente, con qué límite y quién lo autorizó llegarán a la conversación regulatoria con el trabajo hecho. Las demás llegarán a adaptarse desde cero, y con las disputas ya acumuladas.