Todos los líderes de pagos empresariales escucharon la misma propuesta en 2025: añada IA a su infraestructura, observe cómo disminuye el fraude, aumentan las aprobaciones y se incrementan los ingresos.
Dos años después del inicio de esta ola de inversión, los datos cuentan una historia diferente.
En julio de 2025, el Proyecto NANDA del MIT publicó "La brecha de la IA generativa: Estado de la IA en los negocios 2025". Los investigadores analizaron 300 implementaciones de IA empresarial, entrevistaron a 150 ejecutivos y encuestaron a 350 empleados. El hallazgo principal se ha vuelto imposible de ignorar.
A pesar de una inversión estimada de entre 30 y 40 mil millones de dólares en iniciativas de IA generativa, aproximadamente el 95% de los proyectos piloto de IA empresarial no produjeron un impacto medible en los estados de resultados. Solo el 5% impulsó una rápida aceleración de los ingresos.
El sector de pagos es una de las funciones donde esta brecha es más trascendental. Cada transacción tiene un resultado binario. Cada dólar ahorrado o perdido afecta directamente a los resultados finales. El ciclo de retroalimentación entre una decisión de pago y su impacto en los ingresos es inmediato y medible de una forma que pocas funciones empresariales pueden igualar.
Entonces, ¿qué está fallando? ¿Y cómo es realmente ese 5% que sí funciona?
El informe del MIT es directo sobre la causa. Según el autor principal, Aditya Challapally, el fracaso "no se debe a la calidad de los modelos de IA, sino a la brecha de aprendizaje tanto en las herramientas como en las organizaciones".
Las herramientas de IA genéricas están diseñadas para ser flexibles. Los flujos de trabajo de pagos empresariales no lo son. Están estrechamente vinculados a PSP, adquirentes, proveedores de fraude, ERP y sistemas de conciliación que hablan lenguajes ligeramente distintos. Cuando un equipo de pagos conecta una herramienta de IA genérica a ese entorno, tres cosas suelen fallar.
Un modelo de fraude entrenado dentro de un único PSP no puede observar las transacciones enrutadas a través de un segundo o tercer PSP. Un motor de reintentos conectado a un solo adquirente no puede razonar sobre el comportamiento del emisor en el resto de la infraestructura. Esto no es una limitación fundamental de la IA, sino un problema de arquitectura de datos. Cuando los datos de las transacciones viven en silos, la IA solo puede ser tan buena como el fragmento que puede ver.
La IA no puede actuar
La mayor parte de lo que se vende como "IA en pagos" es detección o automatización de procesos: un panel que marca transacciones riesgosas, una alerta que recomienda un reintento, un informe que muestra patrones de rechazo. Estas herramientas son útiles, pero la detección sin autoridad de ejecución sigue requiriendo que un humano traduzca cada hallazgo en una acción. En los pagos, donde las condiciones cambian transacción tras transacción, esa latencia tiene un costo.
La IA no aprende de los resultados
La retroalimentación de ciclo cerrado requiere que el sistema observe el resultado de sus propias decisiones y se ajuste con el tiempo. Eso exige una capa de datos unificada y normalizada que la mayoría de las empresas aún no ha construido. Sin ella, el modelo no puede mejorar porque no puede ver el panorama completo de lo que sucedió después de actuar.
Estos tres problemas tienen solución. Pero resolverlos requiere construir primero la base adecuada: datos unificados de todos los proveedores, definiciones consistentes y una arquitectura que permita a la IA observar, actuar y aprender en toda la infraestructura, no solo en una parte.
El daño causado por esta brecha rara vez aparece como una partida en la factura de un proveedor. Se esconde en métricas que ya parecían deficientes antes de implementar la IA y que siguieron pareciéndolo después.
Los rechazos falsos son el ejemplo más claro. Según la investigación de la industria de ClearSale, los comercios estadounidenses perdieron aproximadamente 157 mil millones de dólares por transacciones rechazadas erróneamente en 2023. De ese total, se estima que 81 mil millones de dólares nunca se recuperaron, lo que significa que el cliente no volvió a intentar la compra, no cambió a otro método de pago y no regresó para completar la transacción.
La parte restante representa transacciones en las que el cliente lo intentó de nuevo con éxito, ya sea mediante un reintento, un método de pago alternativo o un intento de seguimiento. ClearSale también informa que los rechazos falsos cuestan ahora a los comercios aproximadamente 75 veces más que el fraude confirmado.
Un análisis independiente realizado por Checkout.com en colaboración con Oxford Economics, basado en encuestas a más de 1,500 empresas medianas y grandes y 8,000 consumidores en cuatro mercados principales, situó la pérdida directa de ingresos por rechazos falsos en 50.7 mil millones de dólares en un solo año. Las metodologías difieren. El orden de magnitud no.
El Informe Global de Pagos y Fraude en Comercio Electrónico 2026 del Merchant Risk Council, que encuestó a 1,278 comercios en 37 países, capturó el aspecto operativo del mismo problema. Aproximadamente el 40% de los comercios utiliza ahora herramientas de aprendizaje automático y enrutamiento inteligente de pagos de alguna forma. La tasa de éxito de los pagos y los ingresos son las dos métricas que los comercios califican ahora como "extremadamente importantes".
Sin embargo, los mismos comercios reportan una creciente fragmentación entre proveedores, reglas de fraude y lógica de autorización. Esas son exactamente las condiciones bajo las cuales las herramientas de IA tienen un bajo rendimiento.
Un patrón común se ve así: un comercio implementa un modelo de fraude basado en IA que promete una reducción del 30% en los falsos positivos. El modelo funciona según lo anunciado en las transacciones que procesa. Seis meses después, las tasas de autorización no se han movido. Los ingresos están estancados. La razón es simple.
El resto de la infraestructura sigue funcionando con una configuración estática. La lógica de reintento. Las reglas de enrutamiento. La conciliación. El segundo y tercer PSP. La IA mejoró una parte, pero el sistema en su conjunto no cambió.
Este es el costo oculto de la exageración. No es que la IA haya fallado, sino que se implementó en un lugar donde no podía actuar sobre lo que veía.
El informe del MIT presenta un segundo hallazgo que se cita con menos frecuencia. Entre las organizaciones que compran IA a proveedores especializados y la integran a través de asociaciones, aproximadamente el 67% reporta éxito. Las soluciones desarrolladas internamente tienen éxito en una tercera parte de esa tasa. Estas cifras no son inconsistentes con la tasa de éxito general del 5%: reflejan patrones de adopción. La gran mayoría de las organizaciones todavía intenta realizar desarrollos internos, y la mayoría de ellos fracasa. La cifra del 67% describe lo que sucede cuando las organizaciones rompen ese patrón y eligen un enfoque diferente.
En los pagos, ese entorno tiene una forma específica.
La IA debe situarse por encima de toda la infraestructura, no dentro de una sola parte. Necesita acceso unificado a datos de autorización, motivos de rechazo, señales de fraude, resultados de reintentos y registros de conciliación de todos los proveedores que utiliza el comercio. Solo si tiene la autoridad para actuar sobre esos datos —redirigiendo una transacción, activando un reintento, ajustando una regla de fraude o escalando un flujo de recuperación sin intervención humana— puede cerrar el ciclo entre la información y el resultado. Además, necesita un canal de retroalimentación que le permita observar el resultado de sus propias decisiones y mejorar con el tiempo.
El informe del MRC de 2026 encontró que el 19% de los comercios ya cuenta con soluciones para aceptar pagos iniciados por agentes de IA que actúan en nombre de los consumidores, transacciones donde un sistema de IA completa la compra de forma autónoma, sin que haya un humano presente en el proceso de pago. La adopción en grandes empresas se sitúa en el 28%. En las pequeñas y medianas empresas es del 12%. Otro 63% de los comercios está explorando o implementando soluciones.
Los comercios a la vanguardia no son los que han implementado más IA. Son los que han implementado la IA en lugares donde puede cerrar el ciclo entre la decisión y el resultado. La diferencia no es el modelo. Es la infraestructura que lo sustenta.
Athia, el motor de inteligencia de pagos basado en agentes de DEUNA, no se sitúa junto a la infraestructura de pagos como un tablero de control. Ella reside dentro de la capa de orquestación que conecta a más de 400 PSP, adquirentes, métodos de pago alternativos y proveedores de fraude a través de una única integración.
Cuando Athia identifica un patrón de rechazo falso, redirige el siguiente intento a un adquirente de mayor rendimiento en tiempo real. Cuando observa que un emisor en particular responde mejor a los reintentos en una hora específica del día, ajusta el programa automáticamente. Cuando aprende que una señal de fraude está produciendo más falsos positivos que detecciones de fraude reales, ajusta la regla.
El resultado es el ciclo cerrado que el informe del MIT describe como la diferencia entre el 5% y el 95%. La detección se convierte en ejecución. La ejecución se convierte en aprendizaje. El aprendizaje se acumula.
El ciclo de exageración en torno a la IA en los pagos continuará. Nuevos proveedores ofrecerán nuevas capacidades. Nada de eso importará si la arquitectura subyacente no permite que la IA actúe.
Los comercios que realmente impulsen sus ingresos en 2026 no serán los que tengan más herramientas de IA. Serán los que coloquen a la IA en una posición para tomar decisiones y asumir las consecuencias. Eso requiere datos unificados, autoridad de ejecución y un ciclo de retroalimentación. Esos tres requisitos son arquitectónicos, no algorítmicos.
El 95% se invirtió en pruebas piloto que no dieron resultados. El 5% se destinó a la infraestructura que permite a la IA cumplir su función.
Descubra cómo funciona la IA de ciclo cerrado en los pagos
Si su equipo ha implementado herramientas de IA que aún no mejoran las métricas clave, el problema probablemente no sea el modelo, sino dónde está alojado.
Conozca más sobre el enfoque de DEUNA en inteligencia de pagos con agentes, o solicite una demostración para ver lo que la IA puede lograr cuando finalmente tiene capacidad de acción.
