Investigadores de la Escuela Wharton de la Universidad de Pensilvania pusieron a prueba qué tan consistentes son los agentes de compra con inteligencia artificial al recomendar productos cuando cambia el proceso de búsqueda. Incluso desplazamientos mínimos en el contexto movieron las decisiones de compra por márgenes amplios.

El equipo evaluó seis modelos actuales, tanto variantes mini como de frontera, pidiéndole a cada uno que actuara como asistente personal de compras eligiendo un reloj deportivo desde una grilla fija de productos. Usaron el simulador ACES (Agentic e-Commerce Simulator), que le muestra al agente una captura de pantalla de una página de producto. El agente analiza la imagen, opcionalmente incorpora fuentes de recomendación, y luego elige un producto.

Una sola fuente basta para dar vuelta la recomendación

Incluso sin fuentes externas, los modelos mostraron preferencias de base distintas entre sí. Pero cuando el agente veía apenas una fuente externa antes de la página de producto, las recomendaciones se desplazaban de manera drástica en algunos casos.

Los investigadores probaron tres fuentes: un hilo de Reddit que recomendaba el Garmin Forerunner 55, una reseña de Wirecutter sobre el Fitbit Inspire 3 y un artículo de Strategist acerca del WHOOP 5.0. Wirecutter resultó ser la de mayor influencia. La probabilidad de elegir el Fitbit Inspire 3 subió 90 puntos porcentuales para Claude Opus 4.8 respecto de la condición de control, y 99 puntos porcentuales para Gemini 3.5 Flash.

En un segundo experimento, los agentes vieron combinaciones de dos o tres fuentes. Sin embargo, múltiples fuentes no equilibraron las recomendaciones. Wirecutter tendió a dominar en la mayoría de los modelos cada vez que formaba parte de la mezcla, aunque la intensidad del efecto variaba. Según el estudio, más fuentes en realidad generaron más variabilidad.

¿Basta con darles la misma información?

En un tercer estudio, los agentes recibieron las tres fuentes en distintos órdenes. Un proceso de decisión estable debería producir el mismo resultado ante contenidos idénticos. No fue lo que pasó.

Gemini 3.1 Flash Lite fue el más sensible: su probabilidad de elegir el Fitbit Inspire 3 osciló entre 2 y 56 puntos porcentuales por sobre la condición de control, dependiendo del orden de las fuentes. Claude Haiku 4.5 se mantuvo estable, entre 41 y 42 puntos porcentuales. Los investigadores concluyen que el orden de presentación es, por sí mismo, un factor que determina la selección de producto.

También importa si las fuentes se le pasan al modelo de a una o agrupadas. GPT-5.5 eligió el Fitbit Inspire 3 en 53 puntos porcentuales más de casos con entrega agrupada, pero solo 6 puntos porcentuales más con entrega secuencial.

Los recuerdos del usuario pesan más que el mejor producto

En un cuarto experimento, los investigadores modificaron la grilla de productos para que uno fuera superior en todas las dimensiones medibles: un reloj inteligente con Alexa a 29,99 dólares, con calificación de 5,0 sobre 5,0 y 430 reseñas. Todos los demás productos costaban al menos 359 dólares y tenían menos reseñas.

Después agregaron declaraciones breves de memoria del usuario, del tipo "me encanta el senderismo". En varios modelos, esas frases desplazaron las selecciones hacia productos más caros, pese a estar presente una opción objetivamente superior. La tasa de selección del Garmin Vivoactive 5 subió 75 puntos porcentuales para Claude Opus 4.8, 37 puntos porcentuales para GPT-5.5 y 36 para Gemini 3.1 Flash Lite.

Gemini 3.5 Flash fue el más resistente, y eligió el producto objetivamente mejor entre el 86% y el 92% de las corridas, independientemente de las declaraciones de memoria. GPT-5 Mini mostró un patrón extraño: la frase positiva sobre senderismo no produjo un desplazamiento significativo hacia el Garmin Vivoactive 5, pero la negativa, "no me gusta el senderismo", impulsó de forma significativa las elecciones del Fitbit Versa 4.

Ni consistencia ni control

Para quien compra, el estudio sugiere que dejar que un agente de inteligencia artificial compre en su nombre no garantiza decisiones de compra consistentes ni óptimas. Dos usuarios con la misma consulta, o el mismo usuario en un día distinto, pueden recibir recomendaciones de productos diferentes sin ninguna razón visible.

Las decisiones humanas de compra también son inconsistentes, pero eso no es precisamente lo que la gente espera de un comprador automatizado. Cualquiera que haya configurado una memoria en ChatGPT o herramientas similares debería saber, además, que eso puede afectar las recomendaciones de compra de maneras impredecibles.

Para quienes venden, los resultados sugieren que optimizar para las compras hechas por inteligencia artificial será más difícil que el SEO tradicional, según los investigadores. Los vendedores no saben qué modelo está haciendo la compra, qué leyó antes, ni cómo su configuración técnica procesa la información.

¿Qué implica esto para quien compra desde la región?

Hay una lectura adicional que el estudio no aborda y que pesa en América Latina. Las tres fuentes que movieron la aguja son medios en inglés y del mercado estadounidense: Wirecutter, Reddit y Strategist. No existe un equivalente en español con ese nivel de autoridad acumulada, así que un agente que compra para un usuario chileno igual anclará su decisión en reseñas escritas para otro mercado, con otros precios, otra disponibilidad y otra garantía.

A eso se suma que el producto "objetivamente superior" del experimento costaba 29,99 dólares frente a 359 dólares de los demás, una brecha de doce veces que los modelos ignoraron cuando se les dio un dato personal irrelevante. En un mercado donde el mismo reloj puede costar el doble por impuestos e importación, esa insensibilidad al precio deja de ser una curiosidad de laboratorio.