Por Javier Surasky
.png)
Los asistentes de inteligencia artificial pueden ayudarnos a comparar productos, pero los vendedores ya trabajan en influir sobre sus elecciones, lo que da lugar a una nueva disputa por nuestras decisiones de consumo.
Una frase comercial en la descripción de un producto puede
hacer que un asistente de inteligencia artificial lo prefiera, incluso cuando
cuesta más. Ese es uno de los resultados de una investigación publicada el 19
de octubre de 2026 que examina cuánto pueden influir los vendedores sobre
sistemas que eligen productos por nosotros (Buecheler et al., 2026).
El problema se relaciona con un elemento cotidiano: cuando
le pedimos a un asistente que compare ofertas, esperamos que evalúe las
opciones según nuestras necesidades, que pueden ir desde ahorrar dinero hasta
evitar una mala compra por no entender diferencias técnicas.
En cualquiera de esos casos, confiamos parte de la elección
a una herramienta cuya utilidad depende de cómo interpreta la información
disponible, pero olvidamos que esa información está escrita por quien quiere
vendernos el producto, y así la delegación introduce un intermediario al que
también puede dirigirse una estrategia comercial de ventas.
Encuentro allí una pregunta que pocas veces nos hacemos, y
cuya respuesta es relevante para nuestro día a día: ¿cómo comprobar que una
recomendación responde a nuestros criterios cuando otros actores pueden influir
sobre el sistema que la elabora?
El vendedor participa en la comparación
Buecheler et al. (2026) realizaron 113.472 pruebas con siete
modelos y productos de dos categorías: auriculares y cafeteras. Modificaron
señales comerciales, como afirmaciones de popularidad o recomendaciones de
expertos, y variaron los precios para medir cuánto podía sostenerse la
preferencia por una de las opciones. Sus resultados mostraron que ciertas
señales podían favorecer la selección de un producto pese a su mayor precio,
con efectos variaban según el modelo que se utilice. Disponible como preprint,
el estudio utiliza elecciones controladas entre dos alternativas: mide
respuestas bajo esas condiciones, no el comportamiento completo de un asistente
navegando en una tienda.
Los autores advierten que la influencia de una señal no
demuestra, por sí sola, un sesgo irracional, y destacan que una afirmación
puede contener información pertinente para decidir (Buecheler et al., 2026). De
hecho, una recomendación especializada puede justificar pagar más si tiene
fundamento verificable, pero el problema se encuentra justamente en ese espacio
decisional porque el comprador no conoce si existe un fundamento comprobado o
cuánto pesó frente a otras características del producto que recomienda (o
compra mediante agentes) una IA.
Desde esa perspectiva, considero que no alcanza con
preguntarse si hay publicidad pagada dentro del asistente ni afirmo que existan
acuerdos económicos entre quien entrena el modelo y ciertos proveedores, pero
sí que las decisiones comerciales mediadas por la IA deberían ser más
transparentes.
Elegir como nosotros sin decidir como nosotros
La relación entre asistencia personalizada e intereses
comerciales tiene antecedentes en la reflexión crítica sobre las tecnologías
digitales: Sadin (2020) analiza cómo los asistentes personales construyen un
acompañamiento familiar que permite estrechar el vínculo entre marcas y
consumidores y, en un examen del comercio conversacional, recomendar productos
y facilitar transacciones como parte de una arquitectura de orientación de las
conductas (sección "El estadio incitativo de la verdad: estar lo más cerca
posible de los cuerpos y las mentes").
Su aporte nos ubica en el plano de los intereses que organizan la relación entre el asistente y quien lo consulta: una herramienta
que recuerda nuestras preferencias y responde a nuestros pedidos puede resultar
cómoda y valiosa, pero desde una familiaridad que parte de una percepción de
priorización del interés del usuario que garantizaría una independencia que el
servicio no ha demostrado ofrecer. Que una recomendación parezca hecha para
nosotros no permite concluir que los criterios utilizados protejan nuestros
intereses.
Al delegar, esperamos que el asistente corrija nuestras
limitaciones revisando más opciones, comparando con mayor detalle y realizando
otras tareas asociadas a la compra que nosotros no podemos hacer o a las que no
queremos dedicar tiempo. Esa expectativa necesita comprobarse.
Bini et al. (2026) encontraron que los modelos más avanzados
o grandes no respondían de manera uniformemente menos sesgada y en decisiones
sobre preferencias, sus respuestas tendían a parecerse más a las humanas,
incluyendo desviaciones respecto del criterio de racionalidad utilizado por los
investigadores: una instrucción para adoptar criterios racionales reducía
algunos sesgos, aunque con mejoras modestas (pp. 2-4).
Sostener que una IA responde de forma parecida a nosotros
nos lleva al trabajo de Sun et al. (2026), quienes estudiaron elecciones de
productos y observaron que presentar una compra como una ocasión de disfrute o
como una necesidad funcional modificaba las opciones elegidas, sin que los
cambios que se producían entre ambas opciones reprodujeran de forma consistente
los ajustes de sensibilidad al precio y a la calidad previstos por la teoría
del comportamiento humano racional (secciones 5 y 6).
El contexto puede justificar prioridades diferentes: comprar
para resolver una necesidad y comprar para darse un gusto no son situaciones
equivalentes, pero lo que es trabajo pone en cuestión es que podamos inferir un
mismo mecanismo a partir de elecciones semejantes, y por eso, al hablar de
sesgos humanos y algorítmicos, conviene distinguir qué conducta se observa,
bajo qué condiciones y con qué criterio de evaluación y cómo se construyen las
decisiones finales.
La recomendación también puede modificarnos
La evaluación y recomendación del asistente es una parte del
proceso, la otra es lo que las personas hacemos con esas respuestas.
Glickman y Sharot (2025) examinaron ese punto en examinaron
juicios perceptivos, emocionales y sociales mediante una serie de experimentos
con 1.401 participantes y hallaron que interactuar con sistemas sesgados podía
amplificar sesgos humanos, además del hecho de que los participantes no siempre
advertían la magnitud de ese efecto. Como contracara, encontraron que una IA
precisa podía mejorar la toma de decisiones.
La interacción, por lo tanto, puede tener resultados
diferentes y, por ello me propongo analizar si la influencia comercial sobre un
asistente podría combinarse con la confianza que el comprador deposita en su
recomendación al momento de decidir una adquisición. Ninguno de los estudios
examinados recorre toda esa secuencia.
La pregunta requiere atención porque una persona podría
recibir como evaluación independiente una conclusión condicionada, en parte,
por la presentación de la oferta. Si esa conclusión además respalda una
preferencia previa, podría encontrar menos motivos para revisarla.
Lo que necesitamos conocer es cuándo la asistencia ayuda a
cuestionar nuestros supuestos y cuándo añade una nueva fuente de (¿falsa?)
confianza a una elección insuficientemente examinada.
Qué significa actuar en nombre del comprador
Comparar exige, además de recursos financieros, tiempo y
conocimientos que no siempre tenemos. Una herramienta capaz de interpretar
especificaciones y evaluar ofertas puede ampliar nuestra capacidad conocer
opciones antes de elegir. Esa utilidad hace que definir compromisos para
quienes ofrecen el servicio se importante para los usuarios.
Esa protección requiere precisar qué debe exigirse a cada
participante. A quien ofrece el asistente debe requerirse respeto por las
prioridades del comprador y que solicite autorización antes de apartarse de
ellas, la identificación de comisiones y acuerdos comerciales que se aplican a
la compra y la aclaración de cuál es la extensión de las opciones comparadas y
las razones de su elección.
A ello se suma que el asistente debería poder distinguir las
afirmaciones que reproduce de aquellas que haya podido verificar, así como
dejar que el comprador haga un “fine tuning” de las variables que debe tener en
cuenta al momento de elegir un producto (priorizar precio, calidad, respaldo
verificado del vendedor, posibilidades de pagos en cuotas, etc.).
Finalmente, el asistente debería publicar de manera
obligatoria los resultados de evaluaciones que deberá realizar sobre lasusceptibilidad del servicio a contenidos comerciales que alteran su elección
sin mejorar las condiciones de la oferta.
También hay obligaciones que deben pesar sobre quien vende:
las afirmaciones de popularidad, escasez o respaldo especializado deberían
contar con evidencia comprobable, y la información sobre precio total,
disponibilidad y condiciones tendría que ser consistente tanto para las
personas como para los sistemas que las asisten. Debe prohibirse al vendedor
realizar ofertas que incorporen instrucciones destinadas a hacer que el
asistente ignore las preferencias del comprador u oculte alternativas.
Mi propuesta es distribuir estas responsabilidades según la
capacidad dhttps://www.globalradaranalytics.com/2025/12/ia-agentica-y-geopolitica-de-la-toma-de.htmle intervención de cada actor: el vendedor responde por la
información y las instrucciones que incorpora a su oferta; el proveedor del
asistente, por cómo las procesa y utiliza para recomendar o comprar; ambos
deben mantener canales de reclamo que permitan al usuario (comprador)reconstruir el proceso que cada parte llevó adelante.
Delegar una compra puede reducir nuestro esfuerzo, pero no debería reducir las posibilidades de conocer cómo se decidió y exigir una respuesta cuando el servicio se aparte de lo que promete.
Referencias
Bini, P.,
Cong, L. W., Huang, X., & Jin, L. J. (2026). Behavioral economics of AI:
LLM biases and corrections (Working Paper No. 34745). National Bureau of
Economic Research. https://doi.org/10.3386/w34745
Buecheler,
F., Berbeglia, G., & Guo, M. (2026). A cue’s hidden price: Auditing seller
influence on AI shoppers [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2610.25843
Glickman,
M., & Sharot, T. (2025). How human–AI feedback loops alter human
perceptual, emotional and social judgements. Nature Human Behaviour, 9,
345–359. https://doi.org/10.1038/s41562-024-02077-2
Sadin, É. (2020). La inteligencia artificial o el desafío
del siglo: Anatomía de un antihumanismo radical (M. Martínez, Trad.). Caja
Negra. (Trabajo original publicado en 2018).
Sun, J.,
Shleifer, A., & Belinkov, Y. (2026). Do LLMs choose like humans? Using
cognitive theory to evaluate LLM decision-making [Preprint]. arXiv. https://arxiv.org/abs/2609.22225