.png)
Los equipos de pagos actuales no tienen problemas por falta de herramientas, sino por la forma en que toman decisiones.
Esta fue la idea central del reciente seminario web de DEUNA, organizado por el Merchant Risk Council, donde Mark Wallick, vicepresidente de Producto en DEUNA, y Svante Westerberg de Xsolla, exploraron cómo la inteligencia de pagos basada en agentes está transformando la manera en que las empresas mejoran sus tasas de aprobación, gestionan el riesgo y reducen la carga operativa. A continuación, presentamos los puntos clave de la sesión.
La mayoría de las conversaciones sobre pagos comienzan con la infraestructura: cuántos PSP tiene, qué métodos de pago admite y cómo está configurado su enrutamiento. Sin embargo, esas conversaciones pasan por alto el problema de fondo.
A medida que los ecosistemas de pago escalan, los comercios acumulan métodos de pago a través de múltiples proveedores, regiones y canales. El problema de la infraestructura se resuelve, pero el problema de la toma de decisiones no. Cuando los datos están fragmentados entre sistemas, los equipos pasan el tiempo unificando reportes en lugar de actuar sobre ellos. Para cuando se identifica un problema de rendimiento, los ingresos ya se han perdido.
Según el Informe Global de Pagos y Fraude en eCommerce 2026 del MRC, el 63% de los comercios están explorando activamente o planeando implementar inteligencia artificial basada en agentes para pagos. Esa cifra indica un cambio fundamental en cómo los equipos de pagos esperan operar: con mayor velocidad, precisión e inteligencia en cada etapa del ciclo de vida de la transacción.
A escala, los procesos manuales no solo lo ralentizan, sino que le cuestan ingresos.
Operar a través de múltiples proveedores, regiones y canales genera una carga que va más allá del procesamiento de transacciones. El costo real es mantener la visibilidad. La limpieza de datos, la conciliación entre proveedores y la identificación de caídas en el rendimiento son procesos manuales que consumen mucho tiempo. Los equipos no dedican su tiempo a optimizar, sino a mantener. Y para cuando los problemas aparecen en un reporte semanal, la ventana de optimización ya ha pasado.
Así es como se ve la fragmentación en la práctica: no como un inconveniente técnico, sino como un lastre estructural para el rendimiento de los ingresos. La mayoría de los comercios no enfrentan un problema de costos, sino un problema oculto de fuga de ingresos que no aparece en ningún estado de resultados.
La brecha entre la información y la acción es donde se pierden los ingresos, y la toma de decisiones inteligente es la forma de cerrarla.
La mayoría de los equipos de pagos operan de forma reactiva: los tableros les dicen qué sucedió y los equipos responden. El problema es que las decisiones de autorización ocurren en menos de 200 milisegundos, según los estándares de la industria de la documentación de Decision Intelligence de Mastercard. Para cuando una persona detecta una tendencia en un reporte y ajusta una regla, miles de transacciones ya se han procesado bajo la lógica anterior. Pocos equipos cuentan con lo que podría llamarse ciclos de acción: la capacidad de ver datos, comprenderlos y actuar sobre ellos en un ciclo cerrado antes de que la oportunidad desaparezca.
La toma de decisiones inteligente cierra esa brecha, moviendo las operaciones de pago de un ciclo de detectar, investigar, corregir y repetir, a uno donde los sistemas observan señales, toman decisiones de forma dinámica y aprenden continuamente de los resultados. No se trata de reemplazar el juicio humano, sino de eliminar la latencia entre la información y la acción para que los equipos puedan enfocarse en la estrategia en lugar de apagar fuegos. Y esto cambia cuatro aspectos fundamentales:
Las tasas de aprobación mejoran. Hoy en día, la mayoría de las decisiones de enrutamiento se basan en reglas configuradas hace semanas o meses. Para cuando las condiciones cambian, las reglas no lo hacen. Un sistema inteligente evalúa cada transacción en el momento, considerando cómo se está comportando un emisor específico en ese instante, qué indican las señales de riesgo y qué ruta de enrutamiento tiene más probabilidades de éxito. El resultado es un mayor número de aprobaciones, no porque las reglas hayan mejorado, sino porque el sistema dejó de depender únicamente de ellas.
La estrategia contra el fraude se vuelve más precisa. La lógica estática de fraude crea un problema persistente: bloquea transacciones legítimas que no encajan en el patrón esperado, mientras pasa por alto el fraude que sí lo hace.
Los sistemas inteligentes no dependen de umbrales fijos. Se ajustan dinámicamente según señales en tiempo real, lo que significa menos rechazos falsos para clientes legítimos y menos brechas que los estafadores puedan aprovechar.
La carga de trabajo operativa disminuye significativamente. Cada hora que un equipo de pagos dedica al análisis manual de causas raíz o a la actualización de reglas es una hora que no se dedica a la estrategia. Cuando la toma de decisiones se automatiza a nivel de transacción, ese trabajo se reduce. Los equipos dejan de mantener el sistema y comienzan a dirigirlo hacia problemas de mayor valor.
La inteligencia no requiere reemplazar su infraestructura.
Una preocupación común es si migrar a una toma de decisiones inteligente significa reconstruir toda la infraestructura de pagos. La respuesta es no. El valor de la inteligencia basada en agentes es precisamente que se integra sobre la infraestructura existente. Los comercios no necesitan reemplazar sus PSP ni reconstruir su configuración de orquestación.
Lo que necesitan es una capa de datos unificada que consolide las señales de todos los proveedores y una capa de inteligencia capaz de actuar sobre esas señales en tiempo real. El problema de la integración está prácticamente resuelto; el problema de la inteligencia es el siguiente paso.
La complejidad en los pagos no desaparecerá. El número de proveedores, métodos de pago y mercados seguirá creciendo. La cuestión no es cómo simplificar el ecosistema, sino cómo tomar mejores decisiones dentro de él, de manera más rápida y a escala.
Ese es el cambio que permite la inteligencia agéntica. Y para los comercios que aún operan con ciclos de optimización manual, la brecha entre lo que están capturando y lo que podrían capturar crece cada trimestre.
