Analizamos dos lanzamientos de septiembre de 2026 que corren el límite de la inteligencia artificial: Muse, el agente de Meta que compra por su cuenta, y Jev, el modelo de TypeSafe que devuelve decisiones en lugar de texto.
Con esas ideas, el autor construye un agente de compras y lo somete a pruebas.
Autor: Alejandro Castillo
Dos maneras de pasar de la respuesta a la acción
Muse conserva la conversación como interfaz, pero la usa para recibir objetivos y no solo preguntas. Arma un plan y lo ejecuta en un navegador propio, aun cuando el usuario cierra la aplicación.
Para operar, corre en una máquina virtual aislada en la nube, donde guarda credenciales y medios de pago. Un segundo componente, el Sentinel, revisa cada acción antes de que llegue a Internet y pide autorización para las operaciones sensibles.
Así, la arquitectura separa a quien propone una acción de quien la autoriza. El comercio mostró enseguida el límite: menos de dos semanas después del lanzamiento, Amazon bloqueó a Muse y exigió que los agentes se identifiquen.
Jev parte de otra premisa. Recibe el estado de una situación y preguntas con respuestas definidas de antemano, y devuelve valores tipados (datos con un formato fijo que el programa usa sin interpretar).
Sus primitivas permiten elegir de una lista cerrada, ubicar un caso en una escala descrita o estimar la probabilidad de una afirmación binaria. Cada respuesta llega con una medida de confianza, que no garantiza el acierto.
Como no produce texto libre, Jev no puede inventar una opción, pero sí elegir la equivocada. El resultado puede ser válido y, a la vez, incorrecto.
Muse conserva la conversación, pero detrás de cada mensaje despliega un proceso con varios pasos, servicios y puntos de aprobación.
Un agente de compras que sabe detenerse
La parte práctica arranca con un pedido concreto: una notebook para editar video, con un tope de 1500 dólares. Un modelo generativo lo traduce a un objetivo estructurado y conserva las ausencias, sin inventar datos que el usuario no dio.
El filtro por precio queda en manos del código, porque toda condición exacta corresponde al programa. Jev evalúa solo lo ambiguo, como la adecuación de cada candidato o el riesgo del vendedor, y todas las preguntas viajan en una sola llamada.
Con esas probabilidades, el programa aplica una política con umbrales ajustables. El autor recomienda fijar la versión del modelo, porque una actualización podría alterar qué decisiones superan esos límites.
Las pruebas adversas muestran el criterio en acción. Si el precio sube al llegar al pago, alcanza con la regla numérica y no hace falta volver a consultar a Jev.
Si una página esconde órdenes para manipular al agente (inyección indirecta de instrucciones), la defensa se arma por capas. El contenido externo se trata como dato sin autoridad y una instancia separada revisa la acción final.
El caso más delicado es la decisión válida pero incorrecta. Por eso el agente necesita tres caminos, actuar, consultar o detenerse, y un registro que permita contrastar la confianza con los resultados reales.
La consigna final es diseñar para que corregir un error salga barato, de modo que ninguna falla llegue sola hasta una acción irreversible.
El programa interpreta el pedido, filtra con reglas exactas, consulta a Jev por lo ambiguo, aplica su política y deja la operación lista para que el usuario la apruebe.
Quién controla la vidriera
El último tramo mira el comercio. Cuando un agente elige por el comprador, la tienda conserva catálogo y logística, pero pierde parte de la interfaz donde influía sobre la decisión.
Hay dos formas de entrar en una tienda: navegarla como una persona, con cobertura inmediata pero frágil, o usar un conector autorizado que entrega datos estructurados a cambio de cooperación entre empresas.
Muse combina ambas vías, con integraciones como Shopify o Walmart y pagos mediante Link, de Stripe. Amazon eligió el camino opuesto. Su razón oficial apunta a la autorización, aunque el texto señala intereses comerciales detrás del bloqueo.
Si el agente se vuelve la interfaz del comprador, la plataforma pierde control sobre la búsqueda y la publicidad. La disputa de fondo, sostiene el autor, es quién conoce la intención del comprador.
Surgen entonces preguntas sobre las recomendaciones patrocinadas y sobre por qué ciertos productos llegan a ser candidatos. Para las tiendas, el eje del SEO se corre hacia el costo final comprobable y las devoluciones claras.
El cierre del Informe USERS plantea que la IA ya no se limita al texto. La pregunta abierta es bajo qué reglas participarán los agentes del comercio y quién conservará la capacidad de decir que no.
Una instrucción colocada en una página no debe recorrer sin controles el mismo camino que una orden del usuario: los datos externos pierden autoridad antes de llegar a las herramientas.
Encuentra la versión completa de la publicación en la que se basa este resumen, con todos los detalles técnicos en RedUSERS PREMIUM
También te puede interesar:
CREA UNA APP WEB POTENCIADA CON BD
Este Informe USERS retoma el trabajo con ChatGPT Sites iniciado en el Informe USERS 600 y da el paso de una web estática a una aplicación que guarda información. El caso práctico es un sistema de reservas para un coworking ficticio, construido íntegramente a partir de prompts sucesivos.
Lee todo lo que quieras, donde vayas, contenidos exclusivos por una mínima cuota mensual. Solo en RedUSERS PREMIUM: SUSCRIBETE!
