Un agente de IA que navega por la web para comprar un pasaje puede terminar adquiriendo dos veces un vuelo no reembolsable. Ese ejemplo, citado por investigadores de la Universidad de Yonsei en su trabajo sobre agentes web, condensa el problema de fondo: los sistemas actuales actúan por ensayo y error porque no anticipan las consecuencias de sus acciones. En el entorno WebArena, que simula sitios reales, GPT-4 logra solo un 14,41 % de éxito en tareas largas de navegación, contra un 78,24 % de un humano.
Ese diagnóstico se sostiene con datos. Los investigadores de Yonsei probaron a GPT-4o, GPT-4o-mini, GPT-4-Turbo y Claude-3.5-Sonnet en una tarea simple: dado el estado de una página y una acción, elegir entre el estado siguiente correcto y uno falso. El promedio de acierto fue de 54,75 %, levemente por encima del azar, y Claude-3.5-Sonnet rozó el resultado de una moneda. La contracara es igual de reveladora: cuando se les entregó el estado resultante de cada acción candidata, GPT-4o subió de 53 % a 73 % de precisión al seleccionar la acción correcta. Los modelos saben elegir si alguien les muestra el futuro. Lo que les falta es lo que los investigadores llaman un modelo del mundo: una representación de cómo cada clic modifica la página antes de ejecutarlo.
Una misma conclusión, tres implementaciones
La respuesta de Yonsei, publicada en ICLR 2025, fue entrenar al modelo con observaciones de transición: en lugar de reproducir la página completa, el modelo describe en lenguaje natural solo los cambios relevantes entre pasos de tiempo, como un precio actualizado. Con eso reportan una eficiencia 6,8 veces mayor en costo y 5,3 veces en tiempo frente a agentes basados en búsqueda en árbol.
Un equipo de Berkeley, MIT-IBM y Xero lleva la idea un paso más allá en su paper Discriminative World Models for Web Agents. Su objeción es que predecir un formato fijo (resumen textual, HTML o árbol de accesibilidad) está desalineado con el objetivo real, que es elegir entre acciones. Un resumen puede omitir el cambio que distingue una acción de otra, y una estructura completa puede enterrar ese cambio entre cientos de nodos sin modificar. Por eso proponen predicted-state matching: el modelo se entrena para que su predicción permita a un juez identificar el estado real resultante frente a los estados de acciones alternativas. El objetivo ya no es reproducir, sino discriminar.
Usando puntos de decisión ramificados de WebArena Go-Browse, el método supera a los modelos entrenados con predicción supervisada y mejora el ranking de acciones en WebPRMBench y el éxito de tareas en WebArena-Lite.
Hay una tercera vía: la escala. El equipo de Qwen en Alibaba y la Universidad de Zhejiang presentó WebWorld, un modelo abierto entrenado sobre 1,06 millones de trayectorias reales de la web abierta, cien veces más que los trabajos previos según sus autores. Viene en versiones de 8B, 14B y 32B, soporta más de 30 turnos de interacción y genera HTML, XML, markdown y texto. Un Qwen3-14B afinado con sus trayectorias sintéticas suma 9,2 puntos en WebArena y alcanza un rendimiento comparable al de GPT-4o; usado para elegir la siguiente acción, supera a GPT-5 como modelo del mundo. Las tres respuestas no son idénticas, y el contraste es explícito: Berkeley critica a los resúmenes textuales por quedarse cortos y a las representaciones estructuradas completas por ahogar el cambio relevante en ruido.
Cuando el comprador ya no es humano
Esa discusión técnica se vuelve comercial cuando la decisión de compra la ejecuta un agente. NIQ y Similarweb anunciaron una alianza para medir el comercio agéntico, con la primera versión de la solución disponible en el cuarto trimestre de 2026. La herramienta combina la inteligencia de producto de NIQ con los datos de comportamiento digital de Similarweb para responder una pregunta: si un asistente de IA recomienda tu producto y eso termina en venta, ¿cómo se mide ese recorrido? La medición abarca cinco áreas:
- Intención de compra: qué consultas hacen los consumidores a los asistentes de IA y qué necesidades guían sus decisiones.
- Visibilidad en recomendaciones: dónde aparece un producto cuando los asistentes recomiendan opciones y cómo se compara con la competencia.
- Calidad y preparación de la información: si los contenidos son completos y están estructurados para que la IA los interprete.
- Visitas generadas por IA: qué proporción del tráfico a páginas de producto proviene de plataformas como ChatGPT, Gemini o Perplexity.
- Ventas generadas por IA: cómo se relacionan esas interacciones con compras verificadas.
Con la aparición de protocolos como Universal Commerce Protocol de Google y Agentic Commerce Protocol de OpenAI, la transacción entera puede ocurrir dentro del chat. “La IA se está convirtiendo en un nuevo canal de comercio, y NIQ tiene como objetivo hacerla medible”, dijo Troy Treangen, director de IA y producto de NIQ. El tema ya circula en la región: la Asociación Mexicana del Internet de las Cosas difundió en febrero un resumen sobre los últimos avances en agentes web con modelos del mundo, señal de que el ecosistema latinoamericano está siguiendo estos desarrollos.
Para una empresa en América Latina, la conexión entre los papers académicos y la alianza comercial debería traducirse en una auditoría concreta. Los agentes eligen con base en la representación que el modelo genera de cada página: si el catálogo tiene descripciones ambiguas, atributos ausentes o datos en texto no estructurado, el modelo no puede construir una representación discriminativa y el producto se vuelve invisible para la recomendación.
La solución de NIQ y Similarweb empieza con un grupo acotado de categorías y mercados, así que la región todavía tiene margen para prepararse. Tres acciones prácticas: revisar categoría por categoría si las fichas de producto son interpretables por un modelo de lenguaje, estandarizar atributos y precios, y probar qué responde un asistente cuando se le pregunta por una categoría donde compite la marca. Esa prueba manual barata anticipa lo que después medirán las herramientas pagas.
El costo de operar sin representaciones confiables ya está documentado en el mundo académico: un agente que no prevé consecuencias comete errores irreversibles, como el pasaje no reembolsable del trabajo de Yonsei. En el comercio agéntico, el error no lo comete el bot. Lo comete la marca que no estructuró su información y quedó fuera del estado siguiente que el modelo consideró relevante.
