Nueve de cada diez empresas afrontan una crisis de tráfico de bots mientras los agentes de IA difuminan la línea
PYMNTS informó que el 89,5% de las empresas encuestadas considera problemático el tráfico de bots, pese a la creciente confianza en su capacidad para separar los agentes útiles de las amenazas. El titular de google news refleja la magnitud, pero el problema de fondo no es simplemente la cantidad de bots. Las empresas ahora deben distinguir la automatización maliciosa del software que actúa para clientes legítimos.
Esta distinción se vuelve más difícil a medida que los agentes de IA empiezan a buscar productos, gestionar cuentas e iniciar compras. Un agente de compras y un bot de fraude pueden realizar acciones similares a velocidades parecidas. Bloquear a todos los visitantes automatizados reduciría el riesgo, pero también rechazaría formas emergentes de comercio legítimo.
El conflicto está pasando de humanos contra bots a agentes autorizados contra automatización no confiable. Los controles existentes fueron diseñados para reconocer a personas, dispositivos y cuentas. No fueron diseñados para determinar si un software tiene permiso para actuar en nombre de una persona concreta.
La encuesta revela un problema generalizado de tráfico de bots
La gestión de bots se ha convertido en un reto operativo habitual, no en una preocupación limitada a los equipos de ciberseguridad.
El hallazgo procede de un estudio de PYMNTS Intelligence elaborado junto con la empresa de verificación de identidad Trulioo. El informe completo de la encuesta examinó las respuestas de 350 líderes empresariales.
Los participantes trabajaban en cumplimiento normativo, fraude, gestión de riesgos, suscripción, captación de proveedores y supervisión de comercios. Sus empresas operaban en varios mercados geográficos y categorías de ingresos.
PYMNTS realizó la encuesta entre el 1 de agosto y el 10 de septiembre de 2025. Determinó que el 89,5% de las organizaciones consideraba que gestionar el tráfico de bots era, como mínimo, ligeramente difícil.
La mayoría de las empresas situó el problema en las categorías de dificultad leve o moderada. Aun así, solo alrededor de una de cada diez afirmó que el tráfico de bots no suponía ningún reto.
La encuesta también reveló que el 52,3% de las organizaciones experimentó un aumento del tráfico de bots durante el año anterior. Menos del 10% afirmó que los volúmenes se mantuvieron estables.
Este resultado importa porque muestra cambios en ambas direcciones. Algunas empresas registraron menor tráfico, mientras que la mayoría afrontó un crecimiento. Muy pocas observaron un entorno sin cambios.
La encuesta no establece que cada aumento implicara actividad maliciosa. El tráfico de bots incluye rastreadores de búsqueda, servicios de monitorización, scrapers comerciales, asistentes orientados al cliente y automatización hostil.
Esa población diversa es precisamente lo que hace significativo el resultado. Más automatización no implica automáticamente más fraude, pero aumenta la cantidad de interacciones que requieren una decisión de confianza.
Un sistema de seguridad puede cuestionar software desconocido o bloquearlo directamente. Sin embargo, estas respuestas se vuelven costosas cuando un agente autorizado intenta completar la solicitud de un cliente.
La encuesta midió este coste mediante falsos positivos, es decir, transacciones digitales legítimas identificadas erróneamente como sospechosas. Las grandes empresas informaron de una tasa de falsos positivos del 3,3%.
Las empresas con ingresos anuales de entre 50 y 250 millones de dólares informaron de una tasa menor, del 2,7%. La diferencia parece pequeña hasta que se aplica a millones de transacciones.
A esa escala, una fracción de punto porcentual puede afectar a muchos clientes. También puede generar costes de soporte, compras abandonadas y verificaciones de identidad repetidas.
El listado original de google news planteó el hallazgo como una dificultad para gestionar el tráfico. Los datos subyacentes muestran un problema más amplio que implica identidad, autorización, fraude y experiencia del cliente.
Las empresas no solo deciden si una solicitud procede de software. Deciden si ese software representa a un usuario de confianza y tiene permiso para realizar la acción solicitada.
Por qué los agentes de IA legítimos elevan el riesgo
El auge de los agentes de IA útiles hace que una política de seguridad basada en bloquear primero resulte comercialmente arriesgada.
Las defensas tradicionales contra bots suelen comenzar con una clasificación binaria. Una solicitud se considera humana o automatizada y, a continuación, se permite, se cuestiona, se restringe o se bloquea.
Este enfoque funciona cuando la automatización encaja en categorías conocidas. Un rastreador de búsqueda declarado puede permitirse, mientras que un bot de credential stuffing recibe un bloqueo inmediato.
La IA agéntica debilita esa división sencilla. Un agente de IA es software capaz de realizar una secuencia de acciones hacia un objetivo definido por el usuario.
Estas acciones pueden incluir comparar productos, comprobar disponibilidad, completar formularios o gestionar una suscripción. Un agente también puede acceder a una cuenta autenticada o iniciar un pago.
El comportamiento puede parecerse al abuso. Tanto el software útil como el malicioso pueden navegar rápidamente, seguir rutas predecibles, enviar formularios y realizar solicitudes repetidas.
HUMAN Security descubrió que el tráfico de agentes de IA y navegadores agénticos creció un 7.851% interanual. Su referencia de tráfico analizó más de un cuatrillón de interacciones observadas durante 2025.
Según ese conjunto de datos, el tráfico mensual impulsado por IA creció un 187% entre enero y diciembre. Los rastreadores de entrenamiento aún representaban el 67,5% del volumen observado de bots de IA.
Sin embargo, los sistemas agénticos habían empezado a ir más allá de la lectura de páginas. HUMAN informó de que el 77% de la actividad agéntica se produjo en páginas de productos y búsqueda.
Otro 8,8% apareció en páginas de cuentas, mientras que el 5% alcanzó flujos de autenticación. Las páginas de pago representaron el 2,3% de la actividad agéntica observada.
Estos porcentajes muestran por qué las empresas de comercio afrontan una presión inmediata. Los agentes están llegando a las mismas superficies sensibles que atacan las operaciones de toma de control de cuentas y fraude de pagos.
Por tanto, la cuestión de seguridad cambia en cada etapa. Leer una página pública de producto conlleva un riesgo diferente al de modificar una dirección dentro de una cuenta autenticada.
Un minorista puede recibir con agrado a un agente que compara productos disponibles. Ese mismo minorista necesita pruebas más sólidas antes de permitir que el agente canjee valor almacenado o cambie información de pago.
Las grandes empresas parecen especialmente expuestas. El estudio de PYMNTS reveló que el 57% de las compañías con al menos 1.000 millones de dólares en ingresos experimentó incidentes o pérdidas relacionados con bots o agentes.
La cifra comparable fue del 32% entre las empresas más pequeñas. La encuesta no demuestra que el tamaño de la empresa causara esos incidentes.
Las organizaciones más grandes suelen operar más sitios, cuentas, mercados y flujos de pago. También presentan objetivos más valiosos y procesan más interacciones en las que puede producirse un error de clasificación.
Esto genera presión en varios departamentos. Los equipos de seguridad buscan menos ataques exitosos, mientras que los equipos de ingresos buscan menos clientes rechazados.
Los responsables de cumplimiento necesitan controles de identidad defendibles. Los equipos de producto quieren que los agentes accedan a funciones útiles sin obtener una autoridad excesiva.
Los lectores que sigan esta historia a través de google news no deberían interpretarla como evidencia de que todos los agentes de IA son inseguros. El conflicto se debe a señales de confianza ausentes, no a la automatización por sí sola.
La verdadera disputa es autorización frente a conjeturas basadas en el comportamiento
Las empresas necesitan verificar la autoridad de un agente, en lugar de inferir su intención únicamente a partir de la velocidad y el comportamiento de navegación.
La detección conductual busca señales asociadas con la automatización o el abuso. Estas pueden incluir tasas de solicitudes inusuales, navegación programada, inconsistencias de dispositivos y fallos de autenticación repetidos.
Estas señales siguen siendo valiosas. Pueden revelar ataques masivos, identificar sesiones sospechosas y activar verificaciones más estrictas.
Sin embargo, el comportamiento no siempre puede explicar quién autorizó a un agente. Un asistente legítimo y un bot hostil pueden generar patrones técnicos similares.
Este es el conflicto central del artículo. Las empresas pueden seguir haciendo conjeturas a partir del comportamiento o construir sistemas que verifiquen la autoridad delegada.
PYMNTS y Trulioo describen este segundo enfoque como “Know Your Agent”, o KYA. El término se refiere a controles que identifican a un actor automatizado y lo vinculan con una autoridad verificada.
KYA amplía los marcos de identidad conocidos. Know Your Customer verifica a la persona, mientras que Know Your Business verifica a una organización comercial.
La verificación de agentes añade otra capa. Pregunta qué software está actuando, a quién representa y qué acciones aprobó esa parte.
La cadena importa porque un agente de confianza aún puede operar para una cuenta comprometida. Un usuario verificado también puede otorgar a un agente más acceso del previsto.
Por tanto, los controles útiles necesitan algo más que un nombre de bot reconocible. Necesitan una conexión entre el usuario, el agente, la acción solicitada y los límites aplicables.
Esos límites pueden cubrir el valor de la transacción, la categoría del comercio, el tiempo, la ubicación o el acceso a datos. Un usuario podría autorizar la investigación de productos sin autorizar una compra.
Otro usuario podría permitir un pedido doméstico recurrente, pero prohibir cambios en la cuenta. La decisión correcta depende del contexto, no simplemente de la identidad de un agente.
Este modelo se asemeja al acceso delegado que ya se utiliza en sistemas de software. Las aplicaciones suelen recibir permisos limitados en lugar de las credenciales completas de un usuario.
El comercio agéntico extiende ese principio a la navegación y las transacciones. La parte difícil consiste en preservar la autorización entre varias empresas y sistemas técnicos.
El asistente del usuario, el proveedor de identidad, el comercio, la plataforma de fraude y la red de pagos podrían ver distintas partes de la interacción. Ningún participante tiene automáticamente el registro completo de confianza.
Esa fragmentación deja a las empresas dependiendo de indicios indirectos. Un agente de usuario conocido, una dirección de red estable o una solicitud firmada pueden ayudar, pero cada señal tiene límites.
Los atacantes pueden imitar las características de los navegadores y alternar entre redes residenciales. También pueden comprometer cuentas legítimas o abusar de integraciones autorizadas.
La solución no es una única puntuación universal de bots. Es una decisión por capas que combina identidad, propósito declarado, autorización, comportamiento y riesgo transaccional.
Este cambio también afecta a la analítica. Una página de producto vista por un agente no representa ni una visita humana convencional ni necesariamente tráfico sin valor.
El agente puede estar comparando opciones para un cliente que nunca visita el sitio directamente. Los sistemas de analítica necesitan conectar la investigación automatizada con compras posteriores sin asumir que cada solicitud es fraudulenta.
Este reto también alcanza a la publicación y la búsqueda. Google News, los rastreadores de búsqueda convencionales, los bots de entrenamiento y los motores de respuestas cumplen propósitos distintos, incluso cuando recopilan páginas similares.
Las empresas necesitan políticas que reflejen esas diferencias. Una compañía podría dar la bienvenida a la indexación, restringir el entrenamiento de modelos y permitir agentes transaccionales solo después de la autenticación.
La confianza es alta, pero la evidencia muestra brechas
La confianza empresarial en la detección de bots contrasta incómodamente con las pérdidas y tasas de falsos positivos reportadas.
Más de nueve de cada diez grandes empresas dijeron a PYMNTS que se sentían seguras al distinguir los bots dañinos de los útiles. La confianza por sí sola no demuestra que sus controles funcionen de forma fiable.
El mismo grupo informó de tasas de incidentes más elevadas que las empresas más pequeñas. Las grandes empresas también registraron la mayor tasa de falsos positivos de la encuesta.
Estos resultados no son necesariamente contradictorios. Una empresa puede rendir mejor que sus pares y, aun así, perder dinero a una escala absoluta mayor.
También puede contar con herramientas de detección sólidas, pero operar en sistemas más complejos. Cada inicio de sesión, API, filial y ruta de pago adicionales crean otra posible brecha de control.
Aun así, el contraste merece un análisis detenido. Los participantes de la encuesta eran líderes responsables del fraude, el cumplimiento normativo, el riesgo y funciones relacionadas.
Sus respuestas reflejan evaluaciones profesionales, no una prueba independiente de precisión en la detección. Las empresas también podrían definir de forma distinta los incidentes, el tráfico de bots y los agentes útiles.
El informe se elaboró junto con un proveedor de identidad digital, lo que le aporta experiencia relevante y una perspectiva comercial. Los lectores deberían considerar sus recomendaciones como un marco informado, no como un estándar técnico neutral.
Los datos independientes de tráfico respaldan la tendencia general. Imperva informó que el tráfico automatizado superó la actividad humana durante 2024.
Su investigación sobre bots maliciosos clasificó el 37% del tráfico global de internet como bots maliciosos. Otro 14% procedía de bots benignos, lo que dejaba a los humanos con el 49%.
Imperva también concluyó que los bots moderados y avanzados representaban el 55% de los ataques de bots. Estos programas intentan imitar navegadores reales y el comportamiento de los usuarios.
Los ataques simples de gran volumen también aumentaron del 40% al 45% de los ataques de bots. El acceso más sencillo a la automatización permite a operadores menos experimentados generar tráfico dañino a gran escala.
El informe halló que el 44% del tráfico de bots avanzados se dirigía a interfaces de programación de aplicaciones. Las API son conexiones estructuradas que permiten al software intercambiar datos o activar funciones.
Este enfoque es relevante para los sistemas agénticos. Un agente puede utilizar un sitio web, pero los agentes comerciales eficientes a menudo buscarán acceso directo a las API.
Las API pueden admitir una autenticación más sólida y permisos definidos. También pueden exponer funciones empresariales de alto valor cuando la autorización es incompleta.
Las condiciones del sector varían considerablemente. Imperva descubrió que los bots maliciosos representaban el 59% del tráfico minorista y el 41% del tráfico de viajes durante 2024.
El comercio minorista y los viajes también ofrecen objetivos valiosos. Los atacantes automatizados pueden acaparar inventario, probar tarjetas robadas, extraer precios o tomar el control de cuentas de fidelización.
Al mismo tiempo, esos sectores son adecuados para agentes legítimos. Los clientes se benefician cuando el software puede comparar tarifas, vigilar precios o preparar una compra.
Esta superposición significa que las empresas no pueden optimizar únicamente para alcanzar la mayor tasa de bloqueo. Un sistema que rechaza toda interacción incierta podría reducir los ataques medibles mientras oculta demanda perdida.
El extremo contrario también es peligroso. Una empresa que permite agentes sin permisos claros puede exponer cuentas, pagos e información de clientes.
La estimación de casi 100.000 millones de dólares de la encuesta combina pérdidas por fraude y el rechazo accidental de transacciones legítimas. Esa cifra debe leerse con cautela.
Es una estimación del sector, no un total auditado de las empresas encuestadas. Las categorías también miden formas distintas de perjuicio.
El fraude representa una acción hostil exitosa. Un falso positivo representa una acción defensiva que perjudicó una interacción legítima.
Agruparlos pone de relieve la disyuntiva central. Los controles estrictos pueden generar pérdidas comerciales, mientras que los controles laxos pueden generar pérdidas de seguridad.
El objetivo no es la máxima fricción ni la mínima fricción. Es tomar una decisión más precisa sobre la autoridad en cada paso sensible.
Google News pone de relieve un cambio más amplio en la economía de los bots
El problema de los bots se está ampliando porque el tráfico automatizado ahora conlleva tanto riesgo hostil como potencial valor comercial.
Durante años, muchas organizaciones trataron los bots como un problema de seguridad de sitios web. Los equipos de seguridad gestionaban la extracción de datos, los ataques a credenciales, el abuso de inventario y la actividad de denegación de servicio.
Los agentes de IA amplían la conversación hacia la distribución y los ingresos. Un visitante automatizado podría aportar la intención de compra de un cliente sin generar una visualización de página convencional.
Akamai informó que los bots de IA generaron el 47,9% del tráfico de comercio en su red en diciembre de 2025. Sus hallazgos de seguridad para el comercio situaron al sector en el centro de la presión del fraude agéntico.
Akamai también indicó que las organizaciones de comercio categorizaron más del 90% de la actividad de bots de IA para su monitoreo. Permitieron que cerca de tres cuartas partes de la actividad restante pasara sin restricciones.
El monitoreo puede ser una respuesta inicial sensata cuando las clasificaciones siguen siendo inciertas. Permite a las empresas observar el comportamiento antes de aplicar reglas que podrían bloquear agentes útiles.
Sin embargo, la observación pasiva deja exposición cuando la automatización sospechosa alcanza funciones de cuentas o pagos. Las empresas necesitan políticas que cambien a medida que una interacción se vuelve más sensible.
Las páginas públicas pueden tolerar un acceso más amplio. La autenticación, los métodos de pago almacenados, los saldos de fidelización y la recuperación de cuentas exigen mayor confianza.
Esta progresión basada en el riesgo ofrece un punto medio práctico. Evita tratar cada solicitud automatizada como igualmente peligrosa.
También evita conceder una confianza amplia a un agente simplemente porque lo opera una empresa conocida. Un servicio legítimo puede estar mal configurado, verse comprometido o utilizarse más allá de la autorización de un cliente.
La concentración de operadores añade otra complicación. HUMAN atribuyó aproximadamente el 69% del tráfico observado impulsado por IA en 2025 a agentes de usuario de OpenAI.
Meta representó alrededor del 16%, mientras que Anthropic supuso cerca del 11%. Los operadores identificados restantes generaron colectivamente menos del 5%.
Estas mediciones proceden de la base de clientes de HUMAN, por lo que no representan a todo internet. Aun así, ilustran cómo las decisiones sobre varios operadores pueden definir la exposición total a la IA.
Un comerciante podría crear reglas para agentes reconocidos de grandes proveedores. Sin embargo, la identidad del proveedor no responde si una transacción concreta cuenta con la aprobación del usuario.
Los agentes más pequeños o autoalojados plantean un desafío adicional. Bloquear a todo agente desconocido favorecería a las grandes plataformas y limitaría la competencia.
Permitirlos sin una verificación sólida aumentaría el riesgo de fraude. Los estándares abiertos de identidad y permisos delegados podrían reducir ese conflicto.
Google News ofrece una analogía útil, aunque no es un agente transaccional. Los editores pueden identificar rastreadores de búsqueda conocidos y decidir cómo aparece su contenido en los sistemas de descubrimiento.
El comercio necesita una versión más completa de esa relación. Una tienda debe comprender no solo quién solicita información, sino también qué puede hacer el agente a continuación.
El cambio afecta a la estrategia empresarial. Las empresas que rechazan agentes legítimos podrían desaparecer del descubrimiento de productos o las compras mediadas por IA.
Las empresas que aceptan agentes con demasiada libertad podrían asumir fraude, costes de extracción de datos y analítica contaminada. Ninguno de los extremos ofrece un modelo operativo duradero.
Qué deberían vigilar las empresas a continuación
La siguiente fase depende de credenciales de agente verificables, permisos más limitados y pruebas de que estos controles reducen tanto el fraude como los falsos positivos.
La primera señal es la adopción de métodos portables de identidad y autorización de agentes. Los comerciantes necesitan credenciales que puedan verificar sin crear conexiones personalizadas para cada proveedor de IA.
Esas credenciales deberían identificar al operador y vincular al agente con un usuario. También deberían expresar un alcance limitado para la acción solicitada.
La adopción reforzaría el argumento a favor de controles basados en KYA. Los enfoques fragmentados o propietarios dejarían a las empresas dependientes de la inferencia conductual.
La segunda señal es un cambio medible en las tasas de falsos positivos. La encuesta de PYMNTS estableció una tasa del 3,3% entre grandes empresas y del 2,7% entre empresas más pequeñas.
Los estudios futuros deberían mostrar si la verificación continua reduce esas cifras. También deberían separar las transacciones humanas de las transacciones autorizadas por agentes.
Una menor tasa de rechazo sin un aumento del fraude respaldaría el enfoque centrado en la identidad. Una fricción menor acompañada de pérdidas crecientes lo debilitaría.
La tercera señal es cómo los grandes comerciantes gestionan a los agentes en el inicio de sesión y el pago. El descubrimiento público de productos ya es una actividad común de los agentes, pero las acciones sensibles siguen siendo limitadas.
Esté atento a los comerciantes que publiquen reglas claras de acceso de agentes y requisitos de permisos. También observe las divulgaciones sobre toma de control de cuentas, pruebas de tarjetas y disputas relacionadas con agentes.
Estos avances revelarán si el comercio agéntico se convierte en un canal de confianza o en otra capa de automatización sin gestionar.
Las empresas no necesitan esperar a un estándar universal para mejorar los controles. Pueden inventariar el tráfico automatizado y separar la navegación pública de las acciones sensibles de las cuentas.
Pueden definir qué agentes están permitidos, qué pruebas deben presentar esos agentes y qué acciones requieren confirmación del usuario.
Las empresas también deberían evitar utilizar una única puntuación de bots en todas las superficies digitales. Una solicitud de catálogo público y un cambio de método de pago no conllevan riesgos comparables.
La verificación continua puede reevaluar la confianza durante una sesión. Puede tener en cuenta la identidad, el dispositivo, el comportamiento, el contexto de la transacción y el permiso solicitado.
Este enfoque también exige moderación. Una mayor recopilación de datos puede generar preocupaciones de privacidad y cumplimiento normativo, especialmente cuando las empresas no pueden explicar sus decisiones.
Los controles automatizados contra el fraude deberían admitir vías de revisión y apelación. Los clientes necesitan una forma de recuperarse cuando se cuestiona una transacción legítima.
Los responsables de seguridad también deberían comprobar si los controles producen resultados desiguales según ubicaciones, dispositivos o herramientas de accesibilidad. Una menor tasa global de falsos positivos puede ocultar perjuicios concentrados.
Para los trabajadores del conocimiento que siguen este cambio, la calidad de las fuentes importa tanto como la visibilidad de los titulares. Un resultado de google news puede revelar una afirmación importante, pero la metodología subyacente determina su valor.
El hallazgo de PYMNTS es significativo porque incluye una muestra definida, un periodo de trabajo de campo y medidas detalladas. Aun así, representa respuestas de encuestas, no una observación directa del tráfico de red.
Imperva, HUMAN y Akamai aportan datos observacionales, pero cada uno observa el tráfico a través de su propia red de clientes. Sus porcentajes no deberían combinarse en un único recuento universal de bots.
En conjunto, las fuentes respaldan una conclusión más limitada. El tráfico automatizado está creciendo, los bots maliciosos siguen siendo considerables y los agentes legítimos están entrando en flujos de trabajo sensibles.
La incertidumbre restante se refiere a la calidad de los controles. Las empresas deben demostrar que pueden recibir software autorizado sin crear una nueva vía para el fraude.
Esa prueba llegará de los resultados, no de las encuestas de confianza. Las menores tasas de incidentes, menos clientes rechazados y permisos de agentes rastreables serán lo más importante.
Los lectores que se encuentren con otro titular dramático de google news sobre bots deberían plantearse tres preguntas. ¿Qué tráfico se midió, cómo se clasificó y a qué acción empresarial llegó?
Esas preguntas separan el ruido general de internet de un riesgo operativo real. También revelan si una organización puede reconocer la autoridad en lugar de limitarse a detectar la automatización.
Los próximos meses mostrarán si las empresas avanzan más allá del antiguo modelo de “bot o no”. Si lo hacen, la verificación de agentes puede convertirse en parte de la infraestructura de identidad digital.
Si no lo hacen, las empresas seguirán eligiendo entre dos errores costosos. O admitirán automatización hostil o bloquearán software que transmite una intención legítima del cliente.
