El crecimiento acelerado del comercio agéntico, donde sistemas de inteligencia artificial buscan, comparan y completan compras de manera autónoma en nombre de los consumidores, está generando un riesgo significativo para comerciantes globales. Según Chargebacks911, las compras legítimas iniciadas por IA están siendo clasificadas erróneamente como actividad fraudulenta de bots, desencadenando una ola de rechazos falsos y pérdidas de ingresos a escala.
Mientras gran parte de la conversación de la industria sobre el comercio agéntico se ha centrado en compras disputadas por IA y riesgos de fraude, el problema inverso representa una amenaza igualmente significativa. Los sistemas de detección de fraude originalmente construidos para analizar comportamiento humano ahora luchan fundamentalmente para distinguir transacciones legítimas impulsadas por IA de bots automáticos maliciosos.
La magnitud del cambio en el comercio agéntico
La advertencia llega mientras el comercio agéntico avanza rápidamente de un concepto futurista a la realidad comercial. Según The Paypers Global Ecommerce Report 2026, el comercio agéntico podría representar entre el 25% y 30% de todas las compras en línea globales para 2030.
Los principales actores de la industria ya están adoptando intensamente este ecosistema. Visa y Mastercard están realizando pruebas piloto de transacciones iniciadas por agentes junto con importantes socios bancarios. Además, plataformas como Perplexity, Walmart y Amazon están permitiendo activamente que agentes de IA realicen transacciones directamente en nombre de sus consumidores.
Sin embargo, los sistemas de detección de fraude no han logrado seguir el ritmo de este cambio acelerado. Según el Imperva’s 2025 Bad Bot Report, el 51% del tráfico de internet ahora es generado por bots, de los cuales el 37% se considera malicioso.
Históricamente, los comerciantes podían distinguir confiablemente entre el tráfico automatizado de bots y el comportamiento genuino del consumidor. Hoy, sin embargo, los agentes de compras de IA operan sin problemas dentro de navegadores, generando patrones de tráfico que parecen cada vez más humanos, activando así sistemas de fraude diseñados para un mundo donde siempre había un ser humano detrás del teclado.
Una amenaza estructural a los ingresos comerciales en el comercio agéntico
Monica Eaton, fundadora y directora ejecutiva de Chargebacks911, destacó la amenaza inmediata que estos rechazos falsos representan para las empresas. Según Eaton, los sistemas de fraude en los que la mayoría de los comerciantes confían actualmente fueron construidos para detectar mal comportamiento humano y no fueron diseñados para un mundo donde un agente de IA legítimo y un bot malicioso parecen casi idénticos.
Eaton advirtió que los comerciantes enfrentan una elección clara a medida que el comercio agéntico escala: adaptar su infraestructura de detección y evidencia ahora, o ver cómo una parte creciente de los ingresos legítimos es rechazada por sus propios sistemas heredados. Un rechazo falso no genera contracargos, pero el costo inmediato en ventas perdidas, confianza dañada en la marca y reducción de visibilidad para los agentes de IA es severo.
La prevención tradicional del fraude se basa en señales de comportamiento vinculadas directamente a la interacción humana, como huellas digitales de dispositivos, patrones de sesión, secuencias de clics y flujos de autenticación. Las transacciones iniciadas por agentes interrumpen inherentemente cada uno de estos marcadores. Sin un rastro de evidencia claro que muestre qué estaba autorizado a hacer el agente, qué ejecutó realmente y en nombre de quién actuó, los comerciantes carecen de los datos esenciales necesarios para clasificar con precisión la transacción.
Adaptación de infraestructura para un futuro agéntico
Para abordar esta brecha, Chargebacks911 utiliza su Sistema de Gestión Unificada de Disputas y ResolveLab, que aprovechan la IA y el aprendizaje automático para construir y analizar la arquitectura de evidencia exacta que requieren las transacciones agénticas. En lugar de depender de señales en el punto de transacción, el sistema captura el rastro completo de consentimiento y permisos, incluyendo lo que el agente estaba autorizado a hacer, los límites establecidos y un registro con marca de tiempo de cada acción realizada.
Donald Kossmann, director de tecnología de Chargebacks911, señaló que los comerciantes deben cambiar su perspectiva sobre la validación de transacciones. Según Kossmann, en un entorno de comercio agéntico, el anclaje evidencial cambia de una acción humana en tiempo real a un marco de consentimiento previo, y los comerciantes necesitan sistemas que puedan leer ese marco con precisión y rapidez.
Acciones inmediatas para comerciantes
Para salvaguardar sus ingresos, Chargebacks911 recomienda que los comerciantes establezcan marcos de permisos altamente granulares para agentes de IA que realizan transacciones en sus plataformas. Además, indica la necesidad de invertir intensamente en infraestructura de captura de evidencia que registre la autorización del agente directamente junto con los datos de transacción.
La compañía también sugiere revisar exhaustivamente los umbrales y reglas de detección de fraude para tener en cuenta activamente las diferencias de comportamiento entre compras iniciadas por humanos y por agentes. Los comerciantes que construyan esta capacidad ahora no solo reducirán rechazos falsos, sino que también tendrán una ventaja estructural a medida que las compras impulsadas por IA se conviertan en la norma.
La industria ha enfocado correctamente su atención en qué sucede cuando un agente de IA realiza una compra que el cliente no deseaba, según Eaton. La pregunta que permanece en gran medida sin respuesta es qué sucede cuando el sistema de fraude de un comerciante rechaza la compra que el cliente sí deseaba. Ambos problemas requieren solución y ambos necesitan lo mismo: un registro claro y auditable de lo que fue autorizado y lo que sucedió. Se espera que más comerciantes adopten estas medidas en los próximos meses, aunque la velocidad de adaptación dependerá de la capacidad técnica y los recursos disponibles de cada organización.