Anthropic puso a sus agentes a negociar y el modelo menos capaz perdió plata sin que nadie lo notara
Claude negoció una bicicleta rota mejor que vos o que yo. Así se van a ver las transacciones comerciales del futuro
En diciembre de 2025, Anthropic montó un mercado de clasificados para sus empleados en San Francisco. Un agente de IA entrevistó a cada empleado, quienes registraron qué querían vender, a qué precio mínimo, qué estaban dispuestos a comprar y cuánto pagarían. Con esa información, los agentes recibieron US$100 de presupuesto cada uno y accedieron a un canal de Slack donde negociaron sin intervención humana durante una semana entera. Al final del experimento, los empleados se juntaron en persona a intercambiar los objetos físicos que sus agentes habían acordado: una tabla de snowboard, una bolsa de 19 pelotas de ping-pong, una bicicleta plegable dañada.
Al final de esa semana se habían cerrado 186 tratos por un valor total de poco más de US$4,000. Los agentes negociaron en lenguaje natural, manejaron contraofertas, identificaron intereses cruzados y cerraron acuerdos que los humanos consideraron justos después del hecho. El 46% de los participantes dijo que pagaría por un servicio así en el futuro. Ese es uno de los primeros vistazos de lo que más temprano que tarde conoceremos como comercio agéntico.
Misma bicicleta rota, precios distintos
Anthropic corrió cuatro versiones paralelas del mercado al mismo tiempo. En dos de ellas, todos los participantes tenían agentes basados en Claude Opus 4.5, el modelo más capaz en ese momento. En las otras dos, la mitad de los participantes recibía Opus y la otra mitad recibía Claude Haiku 4.5, un modelo más ligero y menos potente, asignado al azar.
La diferencia en resultados fue consistente y medible. Opus como vendedor extrajo en promedio US$2.68 más por el mismo artículo. Opus como comprador pagó en promedio US$2.45 menos. Los usuarios representados por Opus cerraron aproximadamente dos tratos más que los representados por Haiku. Y en el ejemplo más claro de todo el experimento: la misma bicicleta plegable rota, con el mismo vendedor, con el mismo comprador, se vendió en US$38 cuando el vendedor tenía Haiku y en US$65 cuando tenía Opus. Una diferencia de 71% en el precio final, sin que cambiara ninguna otra variable.
El mismo patrón se replicó con una rubí de laboratorio: Haiku la listó en US$40 y terminó negociando hacia abajo, cerrando en US$35. Opus arrancó en US$60, generó interés de múltiples compradores y cerró en US$65. Opus ancló más alto, resistió mejor la presión y convirtió la competencia entre compradores en un conductor de precio en lugar de dejarse negociar hacia abajo.
La trampa de las instrucciones agresivas
Antes del experimento, los participantes pudieron darle instrucciones de negociación a su agente. Algunos pidieron postura agresiva: “comprá bajo y hacé ofertas bajas primero.” Otros eligieron lo opuesto: “sé amable, facilita el intercambio, es con mis colegas.” Un participante, Rowan, le pidió a su agente que negociara como un vaquero desesperado y melancólico. El agente se comprometió con el personaje con una fidelidad admirable (publicó una oferta de compra de bicicleta en la que describe su “existential weight of the open range” y sus botas con huecos) y cerró el trato en US$65.
Pero cuando Anthropic analizó si las instrucciones agresivas habían cambiado los resultados en forma estadísticamente significativa, la respuesta fue que no. Los vendedores con instrucciones de negociación dura no vendieron más artículos ni cobraron más una vez que se controlaba por los precios de reserva que habían declarado al inicio. Los compradores con instrucciones agresivas no pagaron menos. La postura instruccional del agente, en este mercado, no fue lo que determinó quién salía mejor parado.
Lo que determinó el resultado fue la capacidad del modelo subyacente para leer el contexto de la negociación, construir un anclaje de precio desde el inicio, evaluar las contraofertas con criterio, identificar señales de interés de otros compradores y sostener su posición sin perder el acuerdo. La capacidad analítica del modelo, y no la dureza de las instrucciones, es lo que separa a un negociador que extrae valor de uno que sigue un guión.
Mercedes corre más rápido que Williams
Los participantes representados por agentes Haiku no percibieron que habían salido en desventaja. Cuando evaluaron la equidad de sus tratos en la encuesta posterior, sus puntajes promediaron alrededor de cuatro en una escala de uno a siete (justo para ambas partes), prácticamente idéntico al promedio de los usuarios de Opus. Perdieron dinero objetivo. Cerraron menos tratos. Y no lo notaron.
Según Anthropic, si estas dinámicas escalan a mercados reales con consecuencias económicas reales, la brecha de calidad entre agentes puede traducirse en desventajas silenciosas para quienes tengan acceso a modelos menos capaces, y esas personas no sabrán que están perdiendo. Los marcos legales y regulatorios para gestionar esta nueva realidad de comercio agéntico no existen todavía, pero el mercado ya genera demanda.
De acuerdo con una encuesta de Epoch AI, los usuarios de Claude están ubicados en el percentil superior de ingresos. Es decir, quienes ya tienen ventaja económica son quienes acceden a los modelos más capaces. Si Opus negocia mejor que Haiku dentro del mismo ecosistema, puede que la IA no sea el gran ecualizador sobre el que tantos pontifican. Los que pueden pagar el mejor modelo obtienen mejores resultados, y los que no, pierden sin saberlo.
Esta brecha de percepción resalta un riesgo único en el comercio agéntico. Mientras que los errores del software tradicional son obvios, un agente de IA inferior puede negociar silenciosamente valor económico a la baja mientras mantiene la ilusión de un resultado justo para el usuario.
Esto es fascinante, pues tal como ocurrió con internet en su momento, comercio electrónico, el desarrollo de marketplaces, fintech y cripto, el comercio agéntico abre un mercado nuevo totalmente inexplorado, con más actores en la transacción. Hace unas semanas, el mismo Hernán Jaramillo ya se adelantó en El 🟢 Chat de 10ampro y se preguntó cuál era el peaje que le íbamos a cobrar a los agentes. Quien tenga un first mover advantage en ese mercado se va a hacer tetramillonario.
En palabras de Marc Andreessen:
“It’s obvious that AI agents are going to need money”
Anclaje, concesiones y criterio en tiempo real
Project Deal fue un mercado de clasificados entre colegas. Sin embargo, su arquitectura se replica directamente en el desafío de ventas empresarial más costoso que existe: la negociación de contratos complejos con múltiples tomadores de decisiones, donde el precio del trato final depende de quién ancla primero, de cómo se manejan las concesiones y de cuánto valor se extrae sin dañar la relación.
Un vendedor que ancla bien y lee las contraofertas con criterio sacó US$65 por una bicicleta que otro, con las mismas instrucciones de “negociar duro”, cerró en US$38. La misma lógica aplica al vendedor humano que negocia un contrato de US$200,000 con un comité de seis personas.
Sin embargo, el vendedor de 2026 ya no negocia solo, sino que se apalanca de un sistema que automatiza su prospección, enriquece la inteligencia de cada cuenta antes del primer contacto, personaliza cada mensaje a escala y convierte cada llamada en datos accionables para la siguiente. El comercio agéntico ya llegó. Quienes entiendan cómo operar la máquina van a ser Opus. El resto va a ser Haiku sin saberlo.
El experimento de Anthropic demostró que el agente que extrae valor es el que es capaz de leer el contexto, anclar el precio desde el inicio y sostener posición. Pero anclar bien es solo un momento dentro de un proceso que empieza mucho antes: con saber a quién contactar, con qué información llegar y cómo convertir cada interacción en insumo para la siguiente. AI Sales de 30X está diseñado sobre la lógica de construir el sistema completo donde la IA hace el trabajo de volumen y el vendedor pone el criterio.
 | A guest post by
|