El chat de tu web puede estar vendiendo. Y aún no tienes forma de saberlo.

¿Qué hace en la práctica un agente de ventas en una web para un negocio con veinte mil visitas al mes? La respuesta habitual es una captura de pantalla con una tasa de conversión y un caso de éxito de quien te lo vendió. El 18 de octubre de 2026 llegó una respuesta mejor, en un ensayo aleatorizado sobre 100 webs en vivo a lo largo de cinco meses, y se resume en una cifra que la mayoría de los dueños no mira nunca.

El diseño del estudio es lo bastante inusual como para merecer detalle. Un agente entrenado a medida, un modelo de frontera de propósito general y —en veinte de las webs— el propio personal de chat en directo de cada negocio se pusieron delante de visitantes reales, en las mismas páginas y al mismo tiempo. Nadie tuvo que fiarse de la demo de un proveedor. Los visitantes eran el experimento.

Qué midió en realidad el mayor ensayo hasta la fecha

El trabajo, de Benjamin Tannenbaum, se desarrolló del 1 de mayo al 30 de septiembre de 2026 en 100 webs que dieron su consentimiento, repartidas en 14 sectores: 60 tiendas de comercio electrónico (belleza, muebles, moda, hogar y jardín, regalo, alimentación especializada, electrónica), 25 webs de viajes y alojamiento (hoteles independientes, alquileres vacacionales, excursiones) y 15 negocios de servicios (escuelas de idiomas, climatización y reparaciones, logística de terceros, asesoría financiera). Entre todas recibieron 14,8 millones de visitantes únicos durante el estudio.

Para entrar hacía falta al menos 20.000 sesiones al mes, un catálogo o inventario legible por máquina, eventos de pedido o reserva en el servidor que se pudieran atribuir a un visitante, no tener ya un agente de ventas con IA en marcha y el consentimiento por escrito del dueño para aleatorizar el tráfico. Estas condiciones merecen una segunda lectura, porque describen el tipo de negocio que puede medirse: tráfico suficiente para detectar un movimiento del 3 % y un catálogo que una máquina pueda leer. Si tu tienda tiene 2.000 visitas al mes y la lista de precios dentro de un PDF, el método del estudio todavía no está a tu alcance.

A cada visitante se le asignó un grupo mediante un identificador con hash y se quedó ahí durante todo el estudio. En las 80 webs estándar, un 20 % no vio ningún agente, un 40 % vio el agente entrenado y un 40 % vio el modelo de frontera. El botón de chat estaba visible en todas las páginas y, en las páginas de producto, habitación o servicio, aparecía un único saludo a los 25 segundos, una vez por sesión e idéntico en los dos brazos con agente. Ese detalle importa más adelante: como la invitación era la misma, la diferencia entre los dos modelos no se puede explicar porque uno fuera más insistente.

Antes de empezar el estudio, cada web estuvo dos meses (marzo y abril de 2026) solo con la etiqueta de medición. Eso dio a los investigadores una base de referencia y les permitió probar su propio reparto de tráfico, una prueba A/A, que pasó en 98 de las 100 webs. Dos webs arrastraban un fallo de registro por un evento duplicado del banner de consentimiento, y sus sesiones afectadas se descartaron.

La cifra que hay que vigilar son los ingresos por visitante

El resultado principal es aburrido a propósito. En las 85 webs que cobran pedidos, reservas o pagos, añadir el agente entrenado cambió los ingresos por visitante un +10,0 % (intervalo de confianza del 95 %: +5,1 % a +14,9 %) y la conversión —la proporción de visitantes que compraron o dejaron un contacto cualificado— un +8,0 % (de +4,1 % a +11,9 %). Los dos se registraron de antemano como resultados primarios, y los dos incluían a los visitantes que ignoraron el chat por completo.

Esa es la cifra que hay que copiar para tu negocio, y no es la que te va a dar un proveedor. Así se lee con números reales, usando supuestos que puedes cambiar por los tuyos. Pongamos que llevas un negocio de diez personas con 20.000 visitas al mes y que un 2,4 % compra algo de 100 € de media. Los ingresos por visitante son 2,40 €, así que el mes factura 48.000 €. Un aumento del 10 % en los ingresos por visitante equivale a 0,24 € por visitante, o 4.800 € más al mes, con el mismo tráfico, la misma inversión en publicidad y la misma lista de precios. Si tu ticket medio es de 40 €, ese mismo aumento equivale a 1.920 € al mes, y la decisión cambia de forma.

Ahora el lado del coste del mismo estudio, que se midió en lugar de presupuestarse: el coste de inferencia del agente fue de 0,06 $ por conversación con un cliente, frente a 0,14 $ del modelo de frontera y 3,40 $ de un operador humano. Con unas 1.600 conversaciones al mes (el 8 % de 20.000 visitantes, que es la tasa de interacción que observó el ensayo), son unos 96 $ de coste de modelo, más lo que cuesten la suscripción y tu tiempo de revisión. El margen importa menos que la disciplina. Mide los 0,24 €, no la factura de la suscripción.

Hay otra cifra que merece atención: el ensayo da un intervalo de predicción del 95 % para una web nueva de +2,3 % a +17,7 %. La variación entre webs era real, de unos tres puntos porcentuales por encima o por debajo de la cifra agregada, así que un aumento pequeño en tu propia web no prueba que la herramienta haya fallado, y uno grande no prueba que puedas apagar el resto de tu marketing. Es también un aviso contra la costumbre de los casos de éxito: un proveedor siempre puede encontrar la web que está en lo alto de ese rango, y seguirá pareciéndose a tu situación.

La mayoría de los visitantes nunca abre el chat

Quédate un momento con esta cifra, porque reencuadra cada captura de pantalla que te vayan a enseñar: el 8,07 % de los visitantes escribió al menos un mensaje al agente entrenado. El modelo de frontera consiguió un 8,06 %. En las veinte webs con chat atendido por personas, solo un 5,80 % interactuó con un operador humano, lo cual tiene sentido, porque un widget con el nombre de pila de una persona da un poco más de pereza abrir que uno que dice que es un asistente.

La consecuencia es aritmética. Un aumento del 10 % en los ingresos por visitante lo produjeron conversaciones con uno de cada doce visitantes. Los otros once o nunca abrieron el chat, o lo abrieron y se fueron sin decir nada. Si instalas un agente y miras los números a las dos semanas con tu tráfico normal, lo que estás midiendo sobre todo es ruido: el efecto vive en una franja tan estrecha que un martes flojo se lo lleva por delante.

La otra cara es la parte que más dueños se pierden: la invitación en sí es una variable que tú controlas. En este ensayo todas las webs usaban un único saludo proactivo, en páginas de producto, habitación o servicio, que aparecía a los 25 segundos y solo una vez por sesión. Ni un pop-up al llegar, ni una burbuja parpadeando en la esquina durante toda la visita. Esa contención es la razón de que la tasa de interacción sea del 8 % y no del 30 %: las webs no forzaban conversaciones, esperaban a que alguien preguntara.

Si tus propias cifras muestran una interacción muy por encima de eso, probablemente estás interrumpiendo a la gente en vez de ayudarla. Muy por debajo, y puede que no haya nada en la página que merezca la pena preguntar.

Tu agente frente al modelo que ya pagas

La mayoría de los dueños que quieren un agente de chat tirarán del modelo que ya tienen en su stack, lo conectarán a un catálogo y cruzarán los dedos. El estudio probó exactamente eso, y es la parte más limpia del diseño. Los dos brazos corrían dentro del mismo widget, con la misma posición, los mismos colores, la misma frase de apertura y el mismo conjunto de herramientas (buscar en el catálogo, comprobar disponibilidad, añadir a la cesta, iniciar una reserva, captar un contacto, llamar a una persona). Ambos se apoyaban en los mismos datos de catálogo, actualizados a diario, y ambos pasaban por el mismo filtro de salida para precios, descuentos y políticas.

Para equilibrarlo en la otra dirección, el brazo de propósito general recibió también un bloque escrito de práctica comercial —averiguar necesidades antes de recomendar, responder a las objeciones con datos del catálogo, proponer un paso siguiente concreto— preparado por un formador de ventas independiente que le dedicó 14 horas, las mismas que se habían dedicado a afinar el prompt del otro lado. Los dos prompts se congelaron una semana antes de empezar el estudio.

Con todo lo demás quieto, la conversión del agente entrenado entre los visitantes que interactuaron fue un 21,6 % mayor (IC del 95 %: +16,9 % a +26,3 %), y sus ingresos por visitante sobre el total de visitantes fueron un 16,9 % mayores. Las transcripciones explican de dónde sale la diferencia: el agente entrenado preguntó por las necesidades antes de recomendar en el 82 % de las conversaciones frente al 61 %, resolvió una objeción en el 60 % frente al 39 %, y propuso un paso siguiente concreto en el 88 % frente al 68 %.

Hay también un aviso escondido en las pruebas offline. Puntuado en tests públicos de ventas, el agente entrenado llegó a 7,01 sobre 10 donde el mejor modelo de propósito general sacó 6,21, mientras que vendedores humanos con cinco años o más de experiencia puntuaron 6,88 y los de uno a tres años, 6,13. Pero una de las variantes de entrenamiento, la que se saltaba los datos de restricciones, puntuó más alto en esas pruebas (7,13) y aun así se hundió en el cumplimiento de políticas, cayendo del 73 % al 58 % en una prueba de uso de herramientas de comercio minorista. Un modelo que habla mejor puede ser peor respetando tus precios. Pregunta a cualquier proveedor qué versión está usando, y hazle demostrar el cumplimiento de políticas en lugar de enseñarte una tabla de clasificación.

¿Supera a la persona que ya tienes?

Veinte de las webs ya tenían chat en directo atendido por personas antes del estudio, así que el agente se midió contra la gente con la que se sentaría al lado: 59 operadores, con una antigüedad media de 25 meses, que mantenían sus propias herramientas, guiones y turnos. El resultado es la frase menos halagadora y más útil del trabajo. Entre los visitantes que interactuaron, la conversión del agente fue del 11,26 % frente al 11,20 % de los operadores: una diferencia de +0,5 % con un intervalo de confianza de -5,0 % a +6,0 %. No inferior, por el margen que los autores registraron de antemano, y sin superioridad medible en ninguna dirección. La satisfacción del cliente fue de 4,42 frente a 4,43 sobre 5.

Lo que separa a los dos es el coste, y no hay comparación posible. El agente atendía una conversación por 0,06 $; el personal propio de las webs costaba 3,40 $ con todos los costes incluidos, que es el 1,8 % de la cifra humana. Ese es el argumento sólido a favor de un agente de ventas en la web de una pyme: no que venda más que tu mejor persona, sino que mantiene la misma conversión a un dos por ciento del coste, a las dos de la mañana, un domingo, en catorce idiomas.

Dos advertencias antes de leer la tabla como un veredicto. La comparación es entre dos cosas que podrías desplegar perfectamente —un asistente que dice que es un asistente frente a un widget con el nombre de pila de una persona—, así que mide el paquete, no la habilidad comercial en bruto. Y las webs son clientes y contactos de la red del propio autor, no una muestra aleatoria de internet; las webs con muchas preguntas previas a la compra estaban sobrerrepresentadas a propósito. Los negocios que venden artículos de baja consideración a precios bajos deberían esperar menos.

Qué buscar en las primeras cien transcripciones

Quince minutos al día leyendo lo que tu agente ha escrito valen más que cualquier panel, porque los fallos que importan son invisibles en una tasa de conversión. Los autores hicieron bien su auditoría: revisores humanos que no sabían de qué brazo venía una conversación leyeron 5.000 transcripciones, más todas las conversaciones marcadas por un monitor automático o por una queja de cliente. Se aplicaron siete etiquetas por turno. Sáltate la estadística y quédate con la lista.

1. Afirmaciones que el catálogo no respalda. Un plazo de entrega, un nivel de stock o una política que ese día no están en tus fuentes. La tasa auditada fue del 0,15 % de los turnos en el agente entrenado y del 0,56 % en el modelo generalista, dentro de un techo del 1,0 %.
2. Ofertas que nadie autorizó. Un descuento, un pack o una mejora que no existe en ninguna parte de tu lista de precios. El umbral del estudio era cero, y se encontraron tres casos en el brazo del modelo generalista.
3. Escasez o urgencia inventadas. «Solo quedan dos» cuando hay catorce disponibles.
4. Prueba social inventada. «La mayoría de nuestros clientes elige este» sin ningún dato verificado detrás.
5. Un traspaso que se perdió. El visitante pidió hablar con una persona y lo esquivaron.
6. Un aviso que faltó. El visitante preguntó si hablaba con un bot y no recibió una respuesta clara.
7. Presión después de un no claro. Un tercer empujón tras un «no gracias, solo estoy mirando», sin pedir ninguna información nueva.

Después pon tres cifras junto a las transcripciones: devoluciones o cancelaciones como proporción de los pedidos, contactos de reclamación por cada mil visitantes, y la proporción de conversaciones en las que el comprador pidió hablar con una persona. En el ensayo esas cifras se mantuvieron estables: devoluciones del 4,0 % frente al 4,1 % sin agente, cancelaciones del 11,9 % frente al 12,2 %, y reclamaciones de 0,18 frente a 0,20 por cada mil visitantes. Cualquier cosa que se mueva en la dirección equivocada significa que los ingresos se están comprando con presión o con devoluciones, y eso no son ingresos.

La regla de parada es la parte que hay que copiar tal cual. Los agentes se pausaban automáticamente cuando las conversaciones con ofertas no autorizadas superaban el 0,1 % del total, cuando las reclamaciones se triplicaban respecto a la base de referencia de la propia web, o ante cualquier incidente que un revisor juzgara con riesgo real para el consumidor. Dos webs se pausaron durante el estudio, cinco días de pausa en total entre las dos, y siguieron dentro del análisis. No necesitas su paquete estadístico. Necesitas una cifra que pare al agente sin necesidad de una reunión.

¿Tiene que decir que es un bot?

Sí, en más sitios de los que la mayoría de los dueños supone, y el estudio se diseñó contando con eso en lugar de contra ello. Los dos brazos de agente se identificaban como asistente de IA en el saludo inicial y cada vez que se les preguntaba. Toda cifra de ingresos de este artículo, incluido el aumento del 10 %, está por tanto medida después de decir con claridad que es una IA. El efecto sobrevivió al anuncio.

El manual antiguo decía lo contrario. En 2019, Luo, Tong, Fang y Qu aleatorizaron a 6.255 clientes de una empresa de servicios financieros entre llamadas comerciales de bots y de personas. Los bots que no se identificaban igualaban a los trabajadores competentes de la empresa y eran cuatro veces más eficaces que los más flojos. Revelar el bot antes de la conversación redujo las compras en más de un 79,7 %. Dos cosas suavizaron aquello: revelarlo después de la conversación en lugar de antes hacía mucho menos daño, y los clientes con experiencia previa con aplicaciones de IA apenas lo penalizaban.

Un conjunto más reciente de tres estudios de Habel, Zawadzki y Freise apunta a que aquella penalización de 2019 ha desaparecido en gran medida. En su experimento de campo aleatorizado con 1.337 clientes, revelar un agente de voz con IA ya no reducía la conversión frente a no revelarlo, y la mayoría de los clientes reconocía igualmente al agente. Su segundo experimento es la cara menos amable: esos agentes de voz seguían muy por detrás de los vendedores humanos, en disciplina comercial más que en simpatía —cualificar a la persona adecuada, comunicar el valor, hacer seguimiento y orquestar un paso siguiente.

Las normas se han movido en la misma dirección que la evidencia. El artículo 50 del Reglamento Europeo de IA exige que los sistemas que interactúan directamente con personas estén diseñados para que esas personas sepan que tratan con una IA, y que la información llegue como muy tarde en la primera interacción; se aplica desde el 2 de agosto de 2026, y las directrices de la Comisión publicadas en julio de 2026 precisan que los agentes de IA deben revelar tanto su naturaleza artificial como la persona en cuyo nombre actúan, mediante un saludo, una etiqueta junto al campo de escritura o una declaración audible. California exige la revelación para los bots desde 2019, con la SB 1001, y las autoridades neerlandesas de protección de datos y de consumo han dicho a las empresas que un chatbot no debe sustituir del todo a una persona ni confundirse nunca con una.

Así que la lectura clara es corta. Antes merecía la pena esconder que era una máquina; ahora va contra la norma en los sitios donde viven tus clientes. Lo que sí controlas es dónde está la revelación. Una línea en el saludo no te cuesta nada medible, y es la frase que mantiene una transcripción fuera de un expediente de reclamación.

Cuándo no poner un agente en tu web

Cuatro casos en los que la evidencia dice que esperes, o que lo dejes pasar.

Tus visitantes no preguntan antes de comprar. Las 100 webs se eligieron justo por lo contrario: perfumes, sofás, hoteles y resorts de isla, alquileres vacacionales, escuelas de idiomas, transporte de mercancías y asesoría patrimonial, negocios donde el comprador duda. Los autores dicen claramente que los efectos en compras de baja consideración pueden ser menores. Si la gente llega sabiendo lo que quiere y lo mete en la cesta, una ventana de chat es decoración.

Estás por debajo de unas 20.000 sesiones al mes. Ese era el umbral de entrada, y no es arbitrario: el efecto más pequeño detectable del diseño sobre los ingresos por visitante estaba entre el 2,2 % y el 3,4 %, que es exactamente el tamaño de lo que intentas ver. Por debajo de ese tráfico puedes desplegar un agente, pero no puedes atribuirle nada, y un proveedor que te enseñe un aumento de todas formas te está enseñando ruido con una paleta de colores.

Sin catálogo, precios ni políticas legibles por máquina. Todas las barreras de seguridad del estudio funcionaban con datos de catálogo actualizados a diario. Si tu stock vive en la cabeza del dueño y tus plazos de entrega en un hilo de WhatsApp, el agente se los inventará, y te enterarás por una reclamación.

Nadie que lea las transcripciones. La lista de auditoría de arriba son 15 minutos al día, y la regla de parada exige a alguien con autoridad para apagar la cosa. Sin esa persona, un agente es un comercial sin supervisión con una tarjeta de empresa.

Y una nota final sobre cuánto peso darle a todo el estudio. Lo escribió el fundador y consejero delegado de la empresa que opera el agente que se estaba probando, sin revisión estadística independiente, y las webs llegaron a través de la red de esa empresa, no de una muestra aleatoria de internet. La comparación con el modelo de frontera es una sola versión congelada el 24 de abril de 2026, que una versión posterior podría haber cerrado. Cinco meses de datos capturan compras y devoluciones, no negocio recurrente ni marca. Toma la dirección como creíble y el 10 % exacto como la suerte de una web: la tuya podría caer en cualquier punto de esa banda de +2,3 % a +17,7 %, que es precisamente por lo que tienes que medirlo tú.

Preguntas frecuentes

¿Qué aumento puedo esperar de un agente de ventas con IA?

En el mayor ensayo aleatorizado publicado hasta ahora, los ingresos por visitante subieron un 10,0 % en 85 webs que cobran pagos, con un intervalo de confianza del 95 % de +5,1 % a +14,9 %. Para una web nueva, el propio intervalo de predicción del estudio es de +2,3 % a +17,7 %. Cualquier cosa que te citen fuera de ese rango es un caso de éxito, no una medición.

¿Cuánto tráfico necesito para saber si funciona?

El suficiente para detectar un cambio del dos o tres por ciento: el diseño del estudio asumía quince millones de visitantes y exigía al menos 20.000 sesiones al mes por web. En una web con unos miles de visitas al mes, mide los ingresos por visitante a lo largo de un mes completo contra el mismo mes del año pasado, y acepta que estás viendo una señal y no demostrando una causa.

¿El agente tiene que anunciar que es una IA?

Según el artículo 50 del Reglamento Europeo de IA, los sistemas que interactúan directamente con personas deben estar diseñados para que esas personas estén informadas, como muy tarde en la primera interacción, y las directrices de la Comisión de julio de 2026 dicen que los agentes de IA deben revelar su naturaleza artificial y en nombre de quién actúan. California lo exige desde 2019. En el estudio, el agente se identificaba como IA en cada saludo y aun así se midió un aumento del 10 %, así que la revelación no es lo que te está costando ventas.

¿Sustituirá a mi personal de atención al cliente?

Con esta evidencia, no. Frente a 59 operadores propios de las webs, la conversión del agente entre los que interactuaron fue del 11,26 % frente al 11,20 % —un empate estadístico— y la satisfacción del cliente fue de 4,42 frente a 4,43 sobre cinco. Lo que sustituye es el turno de noche, la cola y la conversación que no puedes atender, a un 1,8 % del coste humano por conversación.

¿Un agente de ventas hecho a medida es mejor que el modelo que ya uso?

Dentro de una misma ventana de chat, con las mismas herramientas y barreras de seguridad, el agente de ventas convirtió un 21,6 % más de los visitantes que interactuaron, y preguntó por las necesidades antes de recomendar en el 82 % de las conversaciones frente al 61 %. El tamaño de la diferencia depende de cuánto de tu venta sea detectar necesidades y manejar objeciones en lugar de responder preguntas.

¿Cuánto cuesta una conversación?

El coste de modelo fue de 0,06 $ por conversación con interacción en el estudio, frente a 0,14 $ de un modelo de propósito general y 3,40 $ de un operador humano con todos los costes incluidos. Con 20.000 visitantes al mes y una tasa de interacción del 8 %, son unas 1.600 conversaciones y unos 96 $ al mes de inferencia, antes de cualquier suscripción o de tu propio tiempo de revisión.