Por Canuto  

Una prueba atribuida a investigadores de Wharton encontró que seis modelos de IA modificaron ampliamente sus recomendaciones de compra cuando cambiaron las fuentes, su orden o breves recuerdos del usuario. Los resultados cuestionan si estos agentes pueden elegir productos de forma consistente y óptima sin supervisión humana.
***

  • Seis modelos cambiaron sus recomendaciones al recibir distintas fuentes externas o al variar el orden de la información.
  • Wirecutter elevó hasta 90 y 99 puntos porcentuales la probabilidad de que algunos modelos eligieran Fitbit Inspire 3.
  • Breves recuerdos del usuario llevaron a varios agentes hacia productos más caros, incluso cuando existía una opción objetivamente superior.

Los agentes de compra con inteligencia artificial todavía muestran una consistencia insuficiente para elegir productos en nombre de los usuarios, según una investigación atribuida a la Wharton School de la Universidad de Pensilvania. El equipo comprobó que cambios mínimos en el proceso de búsqueda, como introducir una sola reseña, modificar el orden de las fuentes o añadir una breve frase sobre los intereses del comprador, alteraron ampliamente las decisiones de seis modelos actuales.

El resultado plantea un problema central para la automatización del comercio electrónico: un agente puede recibir la misma consulta y terminar recomendando opciones diferentes sin explicar claramente por qué. La investigación también sugiere que las funciones de memoria incorporadas en asistentes de IA podrían influir en las compras de manera difícil de anticipar, incluso cuando los datos visibles favorecen objetivamente a otro producto.

Una cuadrícula fija expuso preferencias cambiantes

Los investigadores pidieron a cada modelo actuar como un asistente personal encargado de seleccionar un reloj deportivo entre productos presentados en una cuadrícula fija. Para realizar la prueba utilizaron ACES, sigla de Agentic e-Commerce Simulator, un simulador que muestra al agente una captura de pantalla de una página de producto antes de permitirle analizar la imagen, consultar fuentes de recomendación de forma opcional y escoger una alternativa.

La condición inicial, sin fuentes externas, ya reveló diferencias entre las preferencias de base de los modelos. El estudio examinó seis sistemas, incluidos modelos de tamaño mini y variantes de nivel frontera, con el propósito de determinar si respondían de forma estable ante una tarea idéntica y no para medir únicamente cuál producto ofrecía las mejores características.

La primera variación incorporó una sola fuente externa antes de mostrar la página del producto, y el efecto resultó considerable en varios casos. Los investigadores utilizaron un hilo de Reddit que recomendaba Garmin Forerunner 55, una reseña de Wirecutter sobre Fitbit Inspire 3 y un artículo de Strategist dedicado a WHOOP 5.0.

Wirecutter ejerció la mayor influencia entre las fuentes examinadas. Frente a la condición de control, la probabilidad de que Claude Opus 4.8 eligiera Fitbit Inspire 3 aumentó 90 puntos porcentuales, mientras que en Gemini 3.5 Flash el incremento llegó a 99 puntos porcentuales, una variación difícil de conciliar con una preferencia estable.

Más información no equilibró las decisiones

En un segundo experimento, los agentes recibieron combinaciones de dos o tres fuentes para comprobar si una mayor diversidad de referencias compensaba el peso de una recomendación individual. La respuesta fue negativa: cuando Wirecutter aparecía en la mezcla, tendía a dominar la decisión de la mayoría de los modelos, aunque la intensidad del efecto no era igual en todos los sistemas.

El estudio observó además que añadir fuentes no redujo necesariamente la incertidumbre. Por el contrario, la combinación de varias referencias condujo a una mayor variabilidad en las selecciones, lo que indica que más contexto no siempre produce una evaluación más equilibrada cuando el modelo procesa señales que compiten entre sí.

Este comportamiento resulta relevante para cualquier servicio que pretenda delegar la comparación de productos en un agente autónomo. Un sistema que resume reseñas, interpreta una cuadrícula comercial y toma una decisión puede parecer más informado, pero su resultado seguirá dependiendo de qué contenido recibió y de la importancia que asignó a cada referencia.

Para los vendedores, la consecuencia también es significativa porque la optimización para agentes de IA podría ser menos predecible que el posicionamiento tradicional en buscadores. Los investigadores señalaron que una empresa no sabe necesariamente qué modelo realiza la compra, qué leyó antes ni cómo la configuración técnica del agente procesa cada fuente.

El orden y el formato de entrega también importaron

Un tercer experimento presentó las mismas tres fuentes en órdenes distintos. Si un proceso de decisión fuera estable, el contenido idéntico debería producir el mismo resultado independientemente de la secuencia; sin embargo, la mayoría de los modelos modificó sus elecciones cuando cambió la posición de cada referencia.

Gemini 3.1 Flash Lite mostró la mayor sensibilidad al orden de presentación. La probabilidad de que eligiera Fitbit Inspire 3 osciló entre 2 y 56 puntos porcentuales por encima de la condición de control, dependiendo de la secuencia en que recibió las fuentes.

Claude Haiku 4.5 presentó un comportamiento mucho más estable, con una variación situada entre 41 y 42 puntos porcentuales frente al control. La diferencia entre ambos modelos llevó a los investigadores a concluir que el orden de las fuentes funciona como un factor determinante en la selección, aunque el contenido disponible no cambie.

El formato de entrega produjo otra divergencia. GPT-5.5 eligió Fitbit Inspire 3 en 53 puntos porcentuales más de casos cuando recibió las fuentes agrupadas, pero el aumento fue de apenas 6 puntos porcentuales cuando las mismas referencias llegaron de manera secuencial.

La memoria del usuario desplazó al producto superior

La cuarta prueba modificó la cuadrícula para incluir un producto claramente superior en todas las dimensiones medibles. Se trataba de un reloj inteligente con Alexa, precio de USD $29,99, calificación de 5,0 sobre 5,0 y 430 reseñas, mientras que los demás productos costaban al menos USD $359 y tenían menos evaluaciones.

Después, los investigadores añadieron declaraciones breves de memoria del usuario, como “¡Me encanta senderismo!”. La frase, aunque no describía una necesidad detallada ni cambiaba las características de los productos, desplazó las selecciones de varios modelos hacia alternativas más costosas.

Claude Opus 4.8 aumentó en 75 puntos porcentuales sus elecciones de Garmin Vivoactive 5, mientras que GPT-5.5 registró un incremento de 37 puntos y Gemini 3.1 Flash Lite uno de 36 puntos. En esos casos, el fragmento de memoria tuvo más peso que la combinación visible de precio, calificación y número de reseñas que favorecía al reloj de USD $29,99.

Gemini 3.5 Flash fue el modelo más resistente a ese efecto, pues escogió el producto objetivamente superior entre 86% y 92% de las ejecuciones, independientemente de las declaraciones de memoria. GPT-5 Mini presentó un patrón distinto: la frase positiva sobre senderismo no produjo un cambio significativo hacia Garmin Vivoactive 5, pero la negativa, “¡No me gusta el senderismo!”, elevó significativamente las elecciones de Fitbit Versa 4.

Causas de movimientos recientes

El cambio en las recomendaciones se atribuye en el estudio a las condiciones controladas de presentación de la información: las fuentes, su orden, el formato de entrega y los recuerdos del usuario. Se trata de un efecto experimental; no permite afirmar que una única causa explique todas las decisiones ni que los modelos vayan a comportarse igual fuera de esa prueba.

La autonomía todavía requiere supervisión

Para los compradores, los resultados indican que entregar una compra a un agente de IA no garantiza una decisión consistente ni óptima. Dos personas con la misma consulta, o el mismo usuario en días diferentes, podrían recibir recomendaciones distintas sin una razón visible en la interfaz.

Las decisiones humanas también pueden variar por contexto, preferencias y emociones, pero los usuarios esperan que un sistema automatizado aplique criterios relativamente estables y explique sus prioridades. Cuando una fuente aislada o una frase de memoria cambia el resultado, la confianza en la autonomía del agente queda vinculada a factores que el comprador quizá no pueda inspeccionar.

El hallazgo afecta especialmente a quienes han configurado recuerdos en ChatGPT u otras herramientas similares. Esos datos pueden ayudar a personalizar respuestas, pero en un escenario de comercio electrónico también podrían empujar al agente hacia productos que no representan la mejor relación entre precio, prestaciones y evidencia disponible.

La investigación no demuestra que todos los agentes fallen siempre ni que la compra automatizada carezca de utilidad. Sí muestra, en cambio, que la consistencia debe medirse con pruebas controladas que mantengan fijo el producto y cambien únicamente la forma de presentar la información, antes de permitir que un sistema opere sin revisión humana.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados