Tu próximo súper podría empezar con un encargo a la IA

Pedirle a una aplicación que encuentre un detergente sin perfume es una cosa. Darle permiso para elegir un sustituto y completar el pedido es otra. En las compras con agentes de IA, la diferencia está en cuántas decisiones delega la persona y cuáles quiere revisar antes de pagar.

Silvia Ramírez Arenas, directora de Rappi Ads y Partnerships para México, describió tres comportamientos en entrevista con Fast Company México durante Advertising Week LATAM 2026. Algunas personas querrán usar la IA para comparar. Otras estarán dispuestas a delegar más pasos. También habrá quienes prefieran seguir haciendo el pedido por su cuenta.

Qué información requieren las compras con agentes de IA

Ramírez dijo que Rappi trabaja en personalizar lo que muestra su app y adelantó que prepara un agente dentro de la plataforma para ayudar a comprar. En la entrevista habló de un proyecto en desarrollo, sin dar fecha de lanzamiento. La distinción importa porque una recomendación personalizada puede cambiar el orden de los productos y un agente puede intervenir también en cómo se arma el pedido. “Vamos a tener nuestro propio agente al interior de Rappi ayudándolos a todos a hacer las compras”, dijo Ramírez.

La documentación del protocolo de comercio de OpenAI ofrece un ejemplo de los datos que requiere un sistema de este tipo: precio, disponibilidad e información de entrega en un catálogo actualizado. Cada plataforma puede implementar la compra de manera diferente. Para un comercio mexicano, mantener esa información al día puede determinar si el sistema recomienda un artículo que en verdad puede entregarse.

Quién decide qué entra al carrito

Para los anunciantes, el crecimiento del retail media en México abre espacios para mostrar productos cerca del pedido. Un asistente añade una pregunta distinta: cómo informar a la persona de que una opción apareció por patrocinio y qué hacer si compite con una alternativa más barata o más próxima a lo que pidió.

Ramírez reservaría al menos 30% de la planeación de cada trimestre para experimentar con IA, retail media o redes sociales. “Debería estar experimentando al menos en un 30% de mi planeación”, dijo al explicar su recomendación para los equipos de marketing. Una prueba concreta sería comparar qué ocurre cuando el sistema propone sustitutos y pide autorización frente a un pedido armado manualmente.

Las compras con agentes de IA ponen a prueba los sustitutos

Un pedido de supermercado ofrece una prueba sencilla. Si se agota el yogur que alguien compra todas las semanas, el agente puede proponer otro de la misma marca, buscar uno al mismo precio o dejar el artículo fuera. La opción adecuada depende de por qué eligió el primero. Tal vez le importa el tamaño. Quizá busca un ingrediente concreto. Un sistema puede sugerir una alternativa y pedir autorización cuando le faltan datos para decidir.

La misma lógica aplica al dinero. Un agente puede armar un carrito dentro de un presupuesto y encontrar que el total cambia al sumar el envío. Puede también ver una promoción que exige comprar dos piezas cuando la persona pidió una. Esas decisiones muestran por qué la experiencia de compra se define tanto por las instrucciones disponibles como por la velocidad para encontrar el producto.

Para los comercios que venden en aplicaciones en México, el trabajo empieza antes de que el agente haga una recomendación. Un catálogo tiene que explicar qué incluye cada presentación, dónde hay inventario y cuándo puede llegar. Si dos productos tienen nombres similares y uno trae la mitad del contenido, la diferencia necesita aparecer en un campo que puedan leer tanto la persona como el software.

El anuncio dentro de una recomendación

En la entrevista, Ramírez vinculó la personalización con la posibilidad de mostrar contenido y anuncios según lo que cada persona necesita en ese momento. Si el usuario navega una lista, puede revisar varias opciones y elegir. Si delega la selección, puede ver un solo resultado. La posición de un producto patrocinado tiene consecuencias distintas en cada interfaz y exige que la persona pueda reconocer cuándo intervino una relación comercial.

Un experimento de compras con agentes de IA para 2027 podría distinguir entre asistencia y delegación. Un grupo recibiría sugerencias con las mismas opciones visibles de siempre. Otro tendría un carrito preparado que podría aprobar o corregir. Además de medir pedidos completados, el equipo podría observar cuántas sustituciones se aceptaron, cuántos cambios hicieron los compradores y en qué punto decidieron retomar el control. Completar más carritos dice poco sobre la calidad de la ayuda si también aumenta el número de correcciones posteriores.

Ramírez también habló de alianzas para cubrir etapas que ocurren antes del pedido. Ese contexto importa porque una recomendación puede combinar señales de descubrimiento con información de disponibilidad y precio. En cada paso conviene distinguir qué sabe el sistema, qué está estimando y qué debe preguntarle al comprador. Un agente que reconoce cuándo tiene que consultar una preferencia puede ser más fácil de usar que uno que asume que todo pedido de rutina admite las mismas decisiones.

La compra más rápida puede ser atractiva en un pedido de rutina. La confianza se juega cuando algo cambia, como el precio final o la disponibilidad. Ahí se verá si el comprador entiende por qué el agente eligió una opción y todavía puede corregirla antes de confirmar.

Qué pasa si el pedido cambia después de pagarlo

Un carrito puede estar bien armado a las seis de la tarde y quedarse sin una parte del pedido mientras la tienda lo prepara. Si la persona ya autorizó el pago, el agente tiene que saber qué instrucciones siguen vigentes. Quizá puede cambiar una bolsa de arroz por otra del mismo tamaño, pero necesita preguntar si para hacerlo tiene que pedir en otra tienda y sumar un segundo envío.

Las compras con agentes de IA también cambian lo que el usuario necesita ver cuando algo sale mal. Si llegan dos botellas de un producto que quería comprar una sola vez, conviene que pueda consultar qué pidió, qué propuso el asistente y qué autorizó antes de pagar. Ese historial ayuda a entender dónde ocurrió el cambio y le da al equipo de atención un punto de partida para resolverlo.

Una decisión que funcionó la semana pasada también puede servir de mala referencia para el pedido siguiente. Si alguien aceptó una bebida más cara porque tenía invitados, el agente podría guardar la elección como una excepción. En el siguiente súper, el sistema necesita reconocer que la persona volvió a pedir la presentación habitual y que su presupuesto puede haber cambiado.

La prueba del carrito que se puede corregir

Ramírez anticipa que la app podrá mostrar contenidos distintos según el usuario. Para quien entra con prisa, una lista de productos comprados antes puede ahorrar varios pasos. Para quien está comparando, puede ser más útil ver el precio por unidad y las presentaciones disponibles. El mismo dato, como una compra anterior, puede servir para ordenar opciones o para sugerir una reposición. La app debe dejar claro cuándo el usuario sigue explorando y cuándo ya tiene un carrito por confirmar.

Un comercio que pruebe estas herramientas podría empezar con una categoría de compra frecuente y observar cuántas sugerencias se aceptan, cuáles se editan y qué ocurre con el total después de sumar entrega y cargos. También puede revisar si la gente vuelve a usar el asistente. Una experiencia que ahorra tiempo en la primera visita puede perder su atractivo si cada semana obliga a quitar artículos que la persona jamás pidió.

Ese es el margen que abre el proyecto anunciado por Rappi. Una app puede encargarse de revisar presentaciones, disponibilidad y precio mientras el comprador conserva las decisiones que le importan. Si al final el usuario puede ver el total, revisar un cambio y aprobar el pedido en un solo lugar, el valor del agente se entiende desde la primera compra.