LLYC: “Los usuarios recomendados por una IA tienen hasta tres veces más probabilidades de convertir”

Añadir Estrategias de Inversión en Google

El año pasado publicasteis un informe sobre el consumidor impulsado por la IA y este año la IA como nuevo intermediario. ¿Cuáles son los principales cambios que se han detectado en el último año?

El año pasado nos quedamos con ganas de ir más allá, porque el estudio se centró únicamente en cómo el consumidor analiza empresas, marcas o productos antes de tomar una decisión de compra. Y ese proceso ya estaba muy influido por la inteligencia artificial.

Sin embargo, este año hemos constatado que la IA no solo está intermediando en la relación con el consumidor, sino también en todos los capitales del negocio y en las distintas comunidades con las que se relaciona una empresa. Hablamos de la relación con los inversores, de la gestión del talento interno, de la sostenibilidad y también del vínculo con la sociedad en general.

Por eso decidimos ampliar mucho el alcance del estudio, para entender cómo actúa este nuevo intermediario entre las empresas y cada uno de sus públicos, no solo con los consumidores.

Un dato curioso es que no estamos hablando de cuatro públicos aislados o de cuatro grupos de interés separados. De hecho, una de cada cuatro personas entrevistadas pertenecía simultáneamente a esos cuatro públicos: puede ser consumidora de una compañía, inversora que decide su cartera con ayuda de la IA, empleada de una empresa —o candidata que evalúa incorporarse a otra— y, al mismo tiempo, ciudadana preocupada por la responsabilidad social de las marcas, por su licencia social para operar y por la huella que dejan las compañías.

La IA ya no es algo de jóvenes, sino que cuenta con un rango mucho más amplio ¿Qué implica para las marcas que incluso los segmentos de mayor edad ya estén usando IA para informarse o decidir?

Implica que las marcas ya no pueden construir una estrategia pensando únicamente en los perfiles más jóvenes, tecnológicos o digitales. Hoy el uso de la inteligencia artificial se ha extendido de forma transversal y todos los públicos presentan ratios de utilización muy elevados, por encima del 90%.

Por tanto, ya no tiene sentido segmentar o excluir grupos de edad en función de su supuesto hábito tecnológico. La IA debe abordarse como una realidad generalizada. En lo referente a su uso, ya no existe esa división tan clara entre un público joven y digital frente a otro más alejado de la tecnología.

La diferencia está más bien en cómo la utilizan y qué herramientas emplean. Y ahí sí hay un trabajo importante para las compañías: identificar qué tipo de uso hace cada perfil. No es lo mismo una persona de mayor edad que utiliza funciones como AI Overview o AI Mode de Google, que un usuario más avanzado que recurre a herramientas más sofisticadas.

A partir de ahí, las marcas pueden adaptar su estrategia según el perfil de cada público. Pero lo que ya no pueden hacer es descartar a los grupos de mayor edad o asumir que quedan fuera de esta transformación, porque también están utilizando la inteligencia artificial para informarse, comparar y tomar decisiones.

En términos de decisión de compra y comportamiento del consumidor, el comprador ya no solo se informa con IA, sino que decide con ella. ¿Cómo cambia esto el trabajo tradicional de marketing y ventas?

El año pasado veíamos que, sobre todo desde la comunidad compradora, la inteligencia artificial se utilizaba para informarse antes de realizar una compra. Es decir, intervenía en las fases iniciales del funnel tradicional —atención, interés, deseo y acción—, en ese momento previo en el que el usuario investiga, compara opciones y empieza a formarse una opinión.

Este año, sin embargo, hemos observado que la IA también se utiliza durante el propio proceso de compra. El consumidor recurre a ella como asistente mientras está comprando, lo que profundiza todavía más el cambio.

Antes, el objetivo era llamar la atención del usuario, atraerlo a una web y, una vez allí, trabajar su recorrido con distintas herramientas para hacerlo avanzar por el embudo de compra hasta la venta. Ahora, buena parte de ese proceso puede producirse dentro de un mismo entorno. Además, los modelos de lenguaje ya están incorporando fichas de producto y capacidades de compra en sus propias interfaces.

Como consecuencia, el ciclo de venta se acorta. Y esto, en realidad, es solo un paso previo a lo que está por venir. Estamos pasando de un modelo en el que la IA informa y asiste durante la compra a otro en el que los propios agentes podrán ejecutar la compra en nombre del usuario.

En ese contexto, las marcas tienen un reto clave de visibilidad y accesibilidad: sus productos, servicios y soluciones deben ser visibles, comprensibles y comprables dentro de los entornos de inteligencia artificial.

Por eso cambian radicalmente las reglas del marketing. No se trata de dejar de hacer lo que ya se hacía para el usuario humano, sino de añadir una nueva dimensión. Desde el marketing y la comunicación hay que trabajar con una forma dual: influir en las decisiones de las personas y, al mismo tiempo, influir en cómo los algoritmos entienden nuestras marcas, qué ofrecen nuestros productos, para qué sirven, cómo se utilizan y por qué deberían ser recomendados o seleccionados en un proceso de compra cada vez más agentificado.

LLYC habla del “efecto cocodrilo”: el usuario ya no hace clic, sino que llega más tarde y más cerca de la conversión. ¿Qué consecuencias tiene esto para marcas y comercio electrónico? ¿Cómo deben las empresas actuar ante este nuevo escenario?

Estamos viendo que una parte del tráfico genérico que tradicionalmente captaban las marcas —y esto ocurre tanto en el comercio electrónico como en los medios de comunicación— empieza a desaparecer o, al menos, a transformarse. Muchas de las preguntas que antes llevaban al usuario a hacer clic en una web, por ejemplo desde Google, ahora aparecen resumidas o directamente resueltas por la inteligencia artificial.

Según los datos del informe, prácticamente dos tercios de los usuarios no hacen clic después de recibir una respuesta de la IA, sino que se quedan con esa información. Cuando esas consultas están relacionadas con marcas, productos o servicios, el usuario muchas veces retiene la recomendación y, más adelante, acude directamente a la web de la marca.

Esto plantea un reto importante para los equipos de marketing y comercio electrónico. Ese tráfico puede aparecer en los sistemas de analítica como tráfico directo, es decir, como si el usuario hubiera introducido la URL en el navegador. Y eso puede llevar a interpretaciones erróneas: por ejemplo, atribuir esa visita al éxito de una campaña publicitaria o a otro canal, cuando en realidad el origen estuvo en una recomendación previa realizada por una inteligencia artificial.

A este fenómeno lo llamamos dark traffic: tráfico oculto cuyo origen no conocemos, porque no hay un clic intermedio ni un referral que nuestros sistemas de analítica puedan medir. Sin embargo, es un tráfico muy relevante, porque los usuarios que llegan recomendados por una IA pueden tener hasta tres veces más probabilidades de convertir.

El problema es que, si no somos capaces de identificarlos correctamente, tampoco podemos acompañarlos bien en su proceso de conversión, ni saber de qué fuente vienen, ni decidir dónde debemos invertir para ganar visibilidad en los modelos de inteligencia artificial.

Por eso, el primer gran reto para las empresas es la medición. Antes incluso de abordar un proyecto para mejorar la visibilidad de una marca en los modelos de IA, es necesario entender cómo se está comportando hoy el tráfico, qué parte puede estar llegando influida por estos entornos y cómo evolucionan esos usuarios.

A partir de ahí, las compañías deben trabajar en dos direcciones. Primero, corregir aquello que sea necesario para que los modelos de inteligencia artificial entiendan correctamente la marca, sus productos, sus servicios y su propuesta de valor. Y, segundo, volver a medir de forma precisa si ese tráfico influido o referido por la IA aumenta, si convierte mejor y si las estrategias aplicadas están funcionando.

Muchos usuarios perciben la IA como más imparcial que otras fuentes. ¿No hay ahí un riesgo de confianza excesiva en sistemas que también tienen sesgos?

Efectivamente existe ese riesgo. Los modelos de inteligencia artificial tienen sesgos, aunque muchas veces son sesgos de tipo estadístico, vinculados a la información disponible y a la forma en que generan una respuesta a partir de lo que han encontrado. No son sistemas neutrales en sentido estricto.

Lo interesante es que muchos usuarios perciben que ese posible sesgo es menor que el de otras fuentes de información. Consideran que la IA no tiene, al menos aparentemente, un incentivo directo detrás: no está recomendando un producto porque le pague una marca, como podría ocurrir con un influencer, ni porque tenga una línea editorial concreta, como puede suceder con otros canales. Esa percepción de ausencia de incentivo aumenta mucho la confianza.

A esto se suma un componente casi psicológico y sociológico en el uso de la inteligencia artificial. Uno de los grandes usos que estamos viendo es el de la IA como asesora personal, incluso casi como terapeuta. Hay cuestiones que muchas personas quizás no se atreven a contar a un familiar, a un amigo o a un compañero, pero sí se las plantean a una herramienta que está disponible 24 horas al día, siete días a la semana.

Ese uso recurrente genera un cierto vínculo de confianza. Evidentemente, la IA no es un ser humano, pero el usuario le ha contado cosas personales, le ha pedido consejo y ha recibido respuestas en un contexto que percibe como privado y seguro.

Por tanto, confluyen dos factores. Por un lado, la idea de que la IA procesa mucha información disponible y ofrece una respuesta sin un incentivo comercial evidente. Por otro, esa relación de uso frecuente y personal que refuerza la sensación de confianza. Esa combinación ha desplazado a algunas fuentes tradicionales de autoridad en internet.

Aunque los usuarios entienden que puede haber sesgos o incluso alucinaciones, la percepción de que la IA está desprovista de intereses externos hace que le otorguen una autoridad muy elevada. 

En el ámbito de Recursos Humanos, actualmente hay muchos candidatos que usan IA para investigar la reputación real de una empresa antes de aplicar. ¿Dónde ha quedado el papel de la página de empleo de las compañías?

El concepto es muy similar al que vemos en consumo. La inteligencia artificial permite transparentar mucha de la información que existe alrededor de una compañía, recogiendo opiniones y experiencias en múltiples fuentes: foros, redes sociales, páginas de empleo, Glassdoor, Indeed u otros espacios donde empleados y exempleados comparten su visión.

Eso facilita mucho la decisión de un candidato a la hora de escoger una empresa. Le permite preguntarse cuál es realmente el clima laboral, qué experiencia han tenido otras personas en puestos similares o si lo que promete la compañía coincide con lo que viven sus empleados.

Pero lo que estamos viendo va mucho más allá del candidato externo. También el talento interno está utilizando la IA para auditar su propia compañía y comprobar si lo que la empresa comunica internamente se contradice con lo que otros empleados están experimentando o contando fuera.

Esto se vuelve especialmente relevante en momentos corporativos sensibles. Por ejemplo, ante una fusión, una adquisición o cualquier operación empresarial, los empleados preguntan activamente qué puede ocurrir con ellos: si en operaciones anteriores hubo ERE, qué perfiles salieron, si su puesto puede estar duplicado o qué riesgos existen para su futuro dentro de la organización.

En ese contexto, la página de empleo corporativa ya no puede ser solo un escaparate controlado por la compañía. Sigue siendo importante, pero ha dejado de ser la única fuente de referencia. Los candidatos y empleados contrastan lo que allí se dice con muchas otras señales que la IA les ayuda a ordenar e interpretar.

Por tanto, el reto para las empresas no es solo comunicar mejor su propuesta de valor como empleador, sino asegurarse de que esa promesa es coherente con la experiencia real. Porque la IA convierte esa reputación distribuida en un filtro cada vez más selectivo para atraer talento y también para retenerlo.

¿Qué deberían comunicar las empresas sobre sus herramientas de IA internas para atraer talento sin generar miedo a vigilancia o sustitución?

Lo que estamos viendo es que una parte muy relevante de los trabajadores valora positivamente que una oferta de empleo incluya el uso de modelos de frontera o de tecnología avanzada, siempre que esté planteado desde la idea de hacer más productiva a la persona. De hecho, cuando comparan dos ofertas, muchos candidatos prefieren aquella que incorpora este tipo de herramientas.

También observamos que una mayoría de profesionales entiende que la inteligencia artificial puede hacerles más valiosos en su trabajo. En algunos segmentos, ese porcentaje se sitúa prácticamente en la mitad de los trabajadores e incluso por encima del 60%. Por tanto, bien comunicada, la IA puede ser un elemento de atracción de talento.

Ahora bien, aunque es una preocupación minoritaria, resulta llamativo que sean los perfiles más jóvenes quienes muestran más miedo a que estas herramientas se utilicen con fines de vigilancia. Probablemente, por su mayor familiaridad con la tecnología y porque conocen mejor sus capacidades, son más conscientes de esos riesgos.

Además, ha habido muchas noticias relacionadas con las grandes tecnológicas en Estados Unidos y con el uso de la IA para alimentar sus propios modelos a partir del trabajo de sus empleados. Eso también contribuye a generar ciertas dudas.

Por eso, si las empresas quieren utilizar la IA como una herramienta para atraer talento, deben presentarla siempre como una herramienta del empleado y no sobre el empleado. Es decir, explicar con transparencia para qué se va a utilizar: para hacer a la persona más productiva, no para vigilarla ni sustituirla.

También es importante demostrar que la compañía invierte de forma activa en formar a sus equipos para que aprendan a utilizar correctamente la inteligencia artificial y puedan sacarle el máximo partido.

Lo que buscan muchos perfiles, especialmente los más jóvenes, es estar en la punta de lanza y ser capaces de exprimir las capacidades que ofrece la tecnología. No quieren ser sustituidos por ella, sino crecer profesionalmente con ella.

La IA también ya es una parte relevante en las decisiones de los inversores. ¿Qué riesgos ve en que los inversores deleguen cada vez más la lectura de información financiera en modelos de IA?

El riesgo está, sobre todo, en el modelo de inversión. La inteligencia artificial ayuda a extraer información y a sintetizarla. Si un inversor minorista tiene un modelo de inversión que ya ha validado, puede escalarlo enormemente gracias a las capacidades de la IA.

Pero aquí aparece un riesgo parecido al que siempre se ha señalado con los fondos indexados: la homogeneización. Si todos preguntamos lo mismo a la IA e invertimos en lo mismo, pueden agravarse incluso riesgos sistémicos dentro del propio sistema.

Dicho esto, la IA es tremendamente útil. No se trata de hacerle una pregunta abierta como: “dime las tres acciones en las que tengo que invertir hoy” o “qué tengo que hacer para jubilarme a los 50 años”. La información que va a devolver en ese caso tampoco será especialmente valiosa.

La ventaja diferencial aparece cuando se utiliza sobre un método de inversión o un modelo de análisis previamente definido. Ahí es donde realmente aporta valor. Ahora cualquier inversor puede analizar volúmenes de datos que antes eran imposibles de procesar y aplicarlos a su propio método. Pero hay que decirle a la IA dónde mirar, cómo utilizar esa información, cómo aplicarla al modelo y cómo ir validándola.

Los grandes inversores, los fondos y los analistas tienen metodologías de trabajo que han ido puliendo durante años. Por eso, no se trata simplemente de lanzar un prompt abierto, sino de ir afinando el uso de la herramienta. Al final, el criterio humano sigue siendo el que manda.

Esto ocurre también en la parte más B2B de la inversión, en el ámbito institucional. Los analistas de un fondo o de un private equity están viendo que pueden digerir más información y hacerlo más rápido, dedicando más tiempo a perfeccionar su modelo de análisis e inversión. El trabajo más repetitivo, que aportaba menos valor, sí puede delegarse en la máquina.

Para las compañías, tanto privadas como públicas o cotizadas, esto supone también un reto. Antes elaboraban sus informes pensando en un lector humano, con cierto juicio clínico y capacidad para extraer información relevante. Ahora, cuando una compañía presenta resultados, es muy fácil preguntarle a un modelo: “¿qué me están ocultando en sus cuentas anuales?”.

En función de la estructura de análisis, la IA puede ayudar a inferir la realidad económica de una compañía y generar modelos de análisis mucho más rápido. Por eso las empresas tienen el reto de hacer que sus informes sean digeribles y fáciles de entender también para la IA.

No sirve el típico PDF mal escaneado, difícilmente procesable por un modelo. Las compañías deben estructurar bien los datos para que la IA pueda interiorizar correctamente la información que quieren transmitir al mercado.

¿Deberían las compañías cotizadas empezar a redactar sus documentos pensando no solo en analistas humanos, sino también en modelos de lenguaje?

Totalmente. Cuando empezamos a ver que mucha gente utilizaba la IA en sus análisis de inversión, lanzamos una pregunta adicional a los usuarios. La respuesta fue mayoritaria: más de un 75% pensaba que la IA iba a gestionar mejor sus ahorros que un asesor humano en un plazo de dos años.

Eso no significa que haya que rebajar el rigor para escribir pensando en la máquina. Significa que las compañías deben estructurar mejor la información para que los modelos de IA puedan extraerla, interiorizarla y analizarla de la mejor forma posible.

Si queremos que una compañía esté bien entendida por los modelos que van a asesorar a los inversores a nivel de portfolio, la información tiene que estar organizada de manera clara. Los datos deben ser precisos y estar bien etiquetados. Los mensajes clave no pueden depender de que alguien se lea un informe de 200 páginas, porque la IA a veces no analiza el documento completo, sino que se queda con la estructura y los destacados.

También tiene que haber una coherencia muy fuerte entre lo que dicen las cuentas anuales, los informes para inversores y los mensajes que la compañía traslada al mercado. Si la IA identifica una incoherencia entre esas fuentes, puede empezar a utilizar cláusulas adversativas: puede decir que la compañía está haciendo algo bien, pero señalar al mismo tiempo contradicciones en su cuenta de resultados, en su balance o en determinadas inversiones.

Por eso las compañías tienen que ser muy finas a la hora de identificar posibles incoherencias entre sus distintas fuentes de información. Si no lo hacen, la IA puede penalizarlas en la forma en que interpreta y explica su realidad al mercado.

¿Qué empresa estará mejor preparada: la que tenga más datos, la que tenga mejor reputación o la que tenga una narrativa más coherente?

Creo que esos son tres pilares clave, pero faltaría un cuarto: la gobernanza interna.

Los datos son necesarios. Si no están estructurados y no son visibles para la máquina, es imposible que los modelos puedan entender bien a la compañía.

La reputación también es fundamental. Si una empresa tiene problemas reputacionales, atraviesa crisis o está expuesta a riesgos que no está gestionando, eso se va a transparentar.

Y la narrativa coherente es quizá uno de los pilares más importantes. Si la IA identifica incoherencias entre lo que la compañía dice a sus públicos internos, a sus compradores, a sus inversores o a la sociedad en general —que también está auditando su licencia social para operar—, después va a construir una respuesta mezclando todas esas señales. Por eso todo tiene que ser coherente.

Pero, además, tiene que existir una gobernanza interna. Si cada narrativa se gestiona desde un silo —recursos humanos por un lado, relaciones con inversores por otro, marketing por otro, sostenibilidad o comunicación por otro—, esa falta de coordinación se trasladará a los modelos.

Por eso hacemos una llamada a que exista un liderazgo impulsado por el propio CEO. Luego cada compañía tendrá que ver cómo lo organiza: si lo delega en un rol concreto, si crea un equipo con varias personas o si incorpora un perfil nuevo para liderar la parte de IA. Hay diferentes fórmulas.

Lo importante es que exista una responsabilidad real para coordinar a todas las áreas funcionales de la compañía y trasladar una imagen única hacia el mercado y hacia los modelos.

¿Qué tres acciones recomendaría a una pyme para que no desaparezca su huella digital y la IA lo posicione correctamente?

Estar bien representado en la IA no tiene por qué implicar grandes desembolsos. La IA da una transparencia a la media estadística de lo que existe en internet sobre una compañía. Cuando antes, para vender un producto, una empresa necesitaba un canal de venta o un e-commerce, o para estar en redes tenía que abrir un perfil y gestionarlo, ahora aparece un nuevo canal: hay que hacer que la compañía sea legible para las máquinas.

La primera acción es precisamente esa: hacerse legible para la IA. Antes, cuando se construía una web, se pensaba sobre todo en el público humano, en que fuera atractiva y clara. Ahora hay que entender también qué debe comunicar esa web para que sea comprensible para los modelos. La información tiene que ser muy clara, los datos deben estar bien estructurados y actualizados, y la identidad digital debe ser consistente.

Esa consistencia tiene que darse en todas las fuentes que utiliza la IA: la ficha de Google, el perfil de LinkedIn, la presencia en directorios del sector o cualquier otro espacio donde aparezca la compañía. Todo debe estar coordinado para trasladar siempre la misma imagen. Si la IA no encuentra datos sobre una empresa, los va a buscar en otros lugares: medios de terceros, competidores u otras fuentes externas.

Además, no se trata solo de incluir los datos básicos. Si una compañía vende sofás, por ejemplo, no basta con explicar de qué colores son o de qué material están hechos. También hay que incorporar información semántica y atributos que después el usuario puede incluir en sus preguntas a la IA: opiniones de otros usuarios, cómo es el servicio de atención al cliente, si se entrega por la mañana o por la tarde, cómo encaja el producto en un salón, cómo cuidarlo, cómo limpiarlo para que dure más o cómo compararlo con otros fabricantes.

La segunda acción es contar una única historia en todos los canales. Lo que la empresa dice a sus empleados, a sus compradores, a sus inversores, en redes sociales o en su web tiene que ser coherente. Si el modelo detecta contradicciones, puede penalizar la forma en que interpreta y presenta a la compañía.

La tercera acción es mirarse periódicamente en el espejo de la inteligencia artificial. Es decir, preguntar a los modelos de lenguaje por la empresa y por su categoría para saber cómo aparece, qué dicen de ella y en qué fuentes se basan.

El problema es que una pregunta aislada puede estar condicionada por el propio usuario, por sus sesgos o por las consultas previas que haya hecho. Por eso existen herramientas y metodologías para lanzar estas preguntas de forma que permitan obtener una muestra estadísticamente válida. No se trata de hacer un solo prompt, sino de trabajar con cientos de posibles preguntas que un usuario podría plantear sobre un producto, y lanzarlas muchas veces contra distintos modelos para entender qué respuesta aparece y en qué fuentes se apoya.

En ese punto puede merecer la pena apoyarse en un profesional que ayude a definir cómo pregunta el cliente, qué prompts son relevantes, qué herramientas utilizar y cómo interpretar los resultados. Porque el análisis, sin un plan de acción posterior, sirve de poco.

La clave es saber qué hay que hacer, dónde debería aparecer la empresa, dónde aparece la competencia y en qué fuentes se basa la IA para recomendarla o no. A partir de ahí, hay que generar un plan de prueba y error: actuar, volver a medir y seguir ajustando a lo largo del tiempo.

Es un trabajo más dentro de la gestión digital de una compañía. Pero es relevante porque el usuario que llega recomendado por una IA convierte mucho más. Si alguien llega a la web con ese trabajo de convencimiento ya hecho, las probabilidades de cerrar una venta son mucho más altas.

Si hoy la tesis es que “la IA es el nuevo intermediario”, ¿cuál cree que será la principal vertiente del próximo informe si las tendencias actuales siguen creciendo?

Si unimos la línea de puntos —desde la búsqueda de información, pasando por la asistencia, hasta llegar a la delegación—, el siguiente fenómeno será el comercio agéntico.

Se trata de entender a este intermediario como algo capaz de tomar pequeñas decisiones por nosotros, o al que iremos delegando determinadas decisiones. Cuando eso se generalice, el cambio será mucho mayor.

La pregunta ya no será solo cómo convencer a una persona a través de la inteligencia artificial, sino cómo conseguir que mi agente convenza al agente de un comprador, de un empleado o de un inversor. Entraremos en una relación que podríamos llamar agent to agent.

Además, estos agentes van a ser muy fáciles de configurar. A través del lenguaje natural, cualquiera podrá ir definiendo cómo quiere que actúe su agente y, a medida que le entregue soluciones, compras o resultados, lo irá puliendo. Por eso creo que será un fenómeno de uso muy masivo.

La delegación será cada vez más habitual tanto por parte de los usuarios como por parte de las empresas. De hecho, la pregunta que podría abrir el próximo informe sería: cuando tu cliente ya no sea un humano, ¿cómo le hablas? ¿O quién le habla?

También se está generando ya parte de la infraestructura necesaria para ese comercio agéntico. Se ven avances en modelos de pago, en stablecoins y en sistemas que permitirán transacciones entre agentes. Una vez que esa infraestructura esté prácticamente lista, el siguiente paso será que los usuarios vean que les facilita la vida y que la adopción empiece a desarrollarse.

Uno de los ámbitos donde creo que esto puede avanzar más rápido es el comercio B2B entre empresas. Hay compras recurrentes o no estratégicas en las que será relativamente sencillo tener agentes negociando entre ellos, buscando proveedores o ayudando a mantener cadenas de suministro.

En esa línea irá seguramente la siguiente gran evolución: de una IA que intermedia e influye, a una IA que delega, negocia y ejecuta decisiones en nombre de personas y empresas.