**

#Prólogo

Cada era del comercio digital ha sido definida por un cambio en quién es realmente el cliente.

La primera ola de la web se optimizó para navegadores humanos que leían documentos hipervinculados. La segunda ola se optimizó para compradores humanos que comparaban productos en una página de resultados de búsqueda. La tercera ola — móvil — se optimizó para la atención humana medida en deslizamientos de tres segundos.

La cuarta ola es diferente. El cliente ya no es humano.

En 2026, la categoría de comprador de más rápido crecimiento en la internet abierta es un agent autónomo de IA. No navega. No hace clic. No lee textos de marketing. Consulta datos estructurados, evalúa capability manifests, negocia con otros agents y ejecuta transacciones en nombre del humano que lo instruyó. La interfaz que espera no es una página web — es un protocol. Las marcas que ganen la próxima década son las que aprendan a hablar ese protocol de forma nativa, antes de que los agents conformen su lista final.

Este es el imperativo Business-to-Agent (B2A). Y la ventana para reclamar una posición defendible en él se está cerrando en un horizonte que los analistas estiman ahora entre 18 y 24 meses.

Este documento es el manual de campo para esa transición. Está escrito para el operador que necesita tomar una decisión real en el próximo trimestre — no para el futurista que observa el panorama desde una distancia segura.

— perea.ai Research

#Resumen Ejecutivo

La tesis. AI agents se están convirtiendo en el intermediary dominante entre buyers y sellers en una porción creciente de transacciones digitales. Las empresas que no se expongan a esos agents —a través de standardized protocols, machine-readable manifests y agent-callable services— se vuelven invisibles para el buyer's most influential decision-maker. Las empresas que se mueven temprano capturan asymmetric distribution, lock in agent-friendly pricing models y acumulan compounding data advantages que los late movers no pueden replicar.

La evidencia.

• El mercado de AI agents alcanzó los $7.84B en 2025 y se proyecta que crecerá hasta $52.62B para 2030, un CAGR de 46.3%, con proyecciones de más largo alcance que exceden los $139B para 2034 (MarketsandMarkets, AgentMarketCap).
• El 78% de los enterprise AI teams reportaron al menos un MCP-backed agent en production para el Q1 2026, un aumento desde el 31% doce meses antes (DigitalApplied).
• 97 millones de monthly SDK downloads de Anthropic's Model Context Protocol (MCP) en marzo de 2026, un aumento desde aproximadamente 2 millones en el lanzamiento en noviembre de 2024 —un incremento del 4,750% en 16 meses (DigitalApplied).
• Gartner predice que el 40% de las enterprise applications tendrán task-specific AI agents integrados para finales de 2026, un aumento desde menos del 5% en 2025 (AgentMarketCap citando a Gartner).
• Forrester predice que el 30% de los enterprise app vendors lanzarán sus propios MCP servers en 2026 (Forrester).
• Kantar describe B2A como "an imminent distribution channel que podría reescribir las category shares en 18-24 meses" (Kantar North America).
• Stripe y OpenAI co-desarrollaron el Agentic Commerce Protocol (ACP), que ahora impulsa ChatGPT Instant Checkout —live con Etsy y expandiéndose a los más de un millón de merchants de Shopify (Stripe).
• Google, Shopify, Walmart, Target, Etsy y Wayfair co-desarrollaron el Universal Commerce Protocol (UCP), live desde enero de 2026, endosado por Visa, Mastercard, PayPal, Stripe, American Express (B2BEA / AAXIS).
• Visa, Mastercard, Stripe y Google cada uno lanzó competing agentic-payment protocols en los últimos cuatro meses — DBS Bank en Singapur ejecutó las primeras authenticated agent-launched food purchases en Asia Pacífico; Mastercard procesó su primera agentic transaction on-network en el Q4 2025 (Awesome Agents).
• Vinci Rufus y McKinsey proyectan que B2A podría representar el 20-30% de las digital service interactions para 2027-2028 (Rufus, McKinsey Digital Strategy Report).

Las implicaciones estratégicas. La agent economy no es una feature del internet existente. Es un parallel distribution channel con sus propios discovery primitives, pricing models y trust signals. Cinco shifts concretos que todo operator debe absorber:

1. El discovery se mueve de search a capability negotiation. SEO apunta a human users escaneando blue links. B2A apunta a agents consultando structured manifests en well-known URLs. La optimization surface cambia de keywords y backlinks a schema completeness, capability declarations y protocol compliance.

2. El pricing se mueve de per-seat a per-action y outcome. Los agent buyers son infinitamente patient y perfectly rational. No pagan por unused features o unused seats. El per-action y outcome-based pricing no es un marketing experiment en la agent economy —es el único modelo que sobrevive.

3. El trust se mueve de human reputation a cryptographic verification. El Trusted Agent Protocol de Visa, los AP2 mandates de Google y el emergente x402 standard reemplazan soft trust signals (reviews, brand recognition) con hard ones (signed mandates, verified agent identity, on-chain audit trails).

4. Los switching costs colapsan. Un human toma semanas para evaluar alternativas. Un agent toma milisegundos. La customer retention en la agent economy se gana en cada transaction, no en la renovación de annual contract. La half-life de competitive advantage se reduce dramáticamente.

5. El compounding asset es el dataset, no el brand. Cada transaction con un agent genera structured intent data: por qué el agent A eligió SKU X sobre SKU Y. Las brands que capturan esta data la retroalimentan en decisiones de product, pricing y merchandising a una velocity que las brands que dependen de traditional panel research no pueden igualar.

La acción recomendada. Trata B2A como una distinct product surface. Audita tu readiness a través de cuatro layers: Data, Discovery, Execution y Trust. Lanza un minimum viable B2A stack (/llms.txt, /.well-known/agent-card.json, un MCP server, schema.org JSON-LD, ACP-compatible checkout) en 90 días. Productiza una segunda offer optimizada para agent buyers. Monitorea agent traffic y agent-originated revenue como un first-class business metric. Ajusta el pricing para reflejar el comportamiento del nuevo buyer. Compila un vertical knowledge graph con cada agent-mediated transaction.

Los operators que hagan esto en 2026 poseerán discovery, pricing y customer relationships en sus categorías por la próxima década. Los operators que se demoren pasarán el resto de sus careers explicando a investors por qué su brand se volvió invisible.

#Parte I: La ventana de mercado

#La economía de agent ya no es una previsión

La publicidad programática ha sido comercio agent-to-agent durante dos décadas: los bidding agents negocian con publisher agents en subastas en tiempo real millones de veces por segundo. El algorithmic trading lleva más tiempo siendo agent-to-agent. La adquisición de recursos en la nube, los mercados de energía y la optimización de cadenas de suministro han estado mediadas por agents de forma silenciosa durante años (Caversham Digital).

Lo que cambió a finales de 2024 y se aceleró durante 2026 es que la inteligencia subyacente detrás de estos agents se volvió de propósito general. Los large language models con capacidad de razonamiento, combinados con protocolos estandarizados de tool-use, hicieron económicamente viable desplegar agents en un rango mucho más amplio de decisiones: qué restaurante reservar, qué contratista contratar, qué SaaS suscribir, qué póliza de seguro renovar.

Los datos de mercado reflejan esta transición con claridad:

Estas cifras describen una transición de lo experimental a la producción. La tasa de fracaso del 40% que Gartner atribuye a los primeros despliegues de agentic AI es real, pero se trata de un problema de calidad de implementación, no de demanda. Las empresas que logran escalar a pesar de ello capturan una porción desproporcionada del mercado.

#Lo que realmente se está vendiendo

Tres perfiles concretos de compradores impulsan la aceleración del lado de la demanda:

1. El procurement agent. Los compradores de mediana y gran empresa —especialmente en SaaS, suministros y viajes— delegan cada vez más la evaluación de proveedores y las compras a agents. Alibaba’s Accio Work tiene más de 10 millones de usuarios mensuales que ejecutan flotas de agents B2B empresariales. Los procurement agents elaboran listas cortas de proveedores, comparan especificaciones, realizan pedidos y reordenan consumibles. No leen las páginas de destino de marketing. Consultan datos estructurados de productos y manifiestos de capacidad de proveedores legibles por máquina (Human After All).

2. El consumer shopping agent. ChatGPT, Gemini, Perplexity y Microsoft Copilot ya incluyen superficies de compras donde los agents descubren, comparan y compran productos en nombre de los usuarios. El Instant Checkout de ChatGPT, impulsado por ACP de Stripe, permite a los usuarios de EE. UU. comprar en Etsy sin salir del chat. Las Agentic Storefronts de Shopify hacen que más de un millón de comercios Shopify Plus sean descubribles por agents de compras de IA. El Universal Commerce Protocol de Google —desarrollado en conjunto con Walmart, Target, Wayfair, Etsy y otros— permite que los AI agents armen carritos de varios minoristas en una sola transacción (B2BEA, ShopGuide, UCP Hub).

3. El household management agent. Apple Siri, Amazon Alexa+, Google Gemini y asistentes de terceros cada vez más numerosos gestionan compras de tareas programadas: reposición sin clic de consumibles, programación de contratistas, reservas de restaurantes y modificaciones de viajes. La pregunta central de Strategic Inference resume la prueba: “¿Puede Siri comprar en tu tienda?”. Si la respuesta es no, ese agent redirige silenciosamente la transacción a un competidor (Strategic Inference).

#El stack de protocolos se consolida

Detrás de la ola de demanda, un stack de infraestructura se consolidó más rápido de lo que la mayoría de los observadores esperaba. Los protocolos que importan, ordenados por velocidad de adopción e implicaciones para la preparación de los comercios:

#Model Context Protocol (MCP) — el sistema operativo

Anthropic liberó MCP como open source el 25 de noviembre de 2024. En 17 meses se convirtió en lo más cercano que tiene el ecosistema de agents a un estándar universal. Todos los laboratorios frontier —Anthropic, OpenAI, Google, Microsoft, Amazon— admiten MCP como cliente. Block, Stripe, Cloudflare, GitHub, Microsoft y miles de colaboradores de la comunidad mantienen servidores MCP en producción. El registro público creció de 1200 servidores a finales del T1 2025 a más de 9400 a mediados de abril de 2026, una expansión interanual de 7,8× (DigitalApplied, Optijara, Metosys, ModelContextProtocol.io).

Lo que MCP hace para B2A: ofrece a los AI agents una forma estándar de descubrir y llamar las capacidades de tu negocio. En lugar de escribir código de integración personalizado para cada proveedor de IA que quiera interactuar con tu empresa, creas un solo servidor MCP que expone tus tools (book_appointment, check_inventory, submit_quote_request, purchase_product) y todos los clientes compatibles con MCP —Claude, ChatGPT, Gemini, Cursor, agents empresariales personalizados— pueden invocarlos.

#Agent2Agent (A2A) — la capa de colaboración

Google anunció A2A en abril de 2025 con más de 50 socios de lanzamiento, entre ellos Atlassian, Box, Cohere, Intuit, Langchain, MongoDB, PayPal, Salesforce, SAP, ServiceNow, Workday, además de las principales consultoras: Accenture, BCG, Capgemini, Cognizant, Deloitte, HCL, Infosys, KPMG, McKinsey, PwC, TCS y Wipro. El protocolo ahora está bajo la Linux Foundation. En febrero de 2026 ya lo respaldaban más de 150 organizaciones (Google for Developers, IBM, IsAgentReady).

Lo que A2A hace para B2A: mientras que MCP conecta un agent con tus tools, A2A permite que tu agent negocie con otro agent. El procurement agent de un comprador encuentra el seller agent de tu negocio mediante una Agent Card publicada en /.well-known/agent-card.json, evalúa capacidades y precios, y delega una tarea completa. El modelo de interacción está orientado a tareas: “solicitar cotización → devolver artefacto → escalar si es necesario → cerrar el ciclo”. Lo más importante es que A2A preserva la opacidad: los agents colaboran sin exponer lógica interna, memoria ni implementación.

#Agentic Commerce Protocol (ACP) — checkout

Stripe y OpenAI desarrollaron ACP de forma conjunta y lo adoptaron como estándar abierto. Actualmente impulsa el Instant Checkout de ChatGPT. Etsy fue el primer socio marketplace; los más de un millón de comercios de Shopify están implementándolo. Meta y Stripe extendieron ACP para el comercio en plataformas de mensajería. La especificación admite patrones de integración tanto REST como MCP (Stripe Documentation, ACP GitHub, agenticcommerce.dev).

Lo que ACP hace para B2A: estandariza el flujo de carrito y checkout para que cualquier agent pueda completar una compra en cualquier comercio compatible sin integración personalizada. El comercio sigue siendo el sistema de registro. Los pagos permanecen en las vías existentes. El PSP del comercio (Stripe, en la implementación de referencia) gestiona la detección de fraude. El agent simplemente orquesta la transacción de comercio —incluida la negociación de capacidades, la delegación de pagos mediante Shared Payment Tokens y los webhooks de pedido.

#Universal Commerce Protocol (UCP) — comercio multiminorista

UCP entró en producción en enero de 2026, desarrollado en conjunto por Google, Shopify, Walmart, Target, Etsy y Wayfair. Cuenta con el respaldo de Visa, Mastercard, PayPal, Stripe y American Express, y está soportado por Best Buy, Kroger, Lowe’s, Macy’s, Home Depot y Sephora. UCP no es un piloto: es infraestructura de producción que permite que los AI agents compren en varios minoristas dentro de una sola transacción. Google Merchant Center introdujo más de 60 nuevos atributos de producto específicamente para UCP (B2BEA, Human After All, ShopGuide).

Lo que UCP hace para B2A: mientras que ACP resuelve el checkout de un solo comercio, UCP resuelve los carritos multiminorista. Un agent que arma un pedido de reposición del hogar en cinco minoristas, o un procurement agent que abastece componentes de tres proveedores, utiliza UCP para negociar toda la transacción en un flujo coordinado único.

#Agent Payments Protocol (AP2) y Trusted Agent Protocol (TAP) — confianza e identidad

Google anunció AP2 con PayPal a finales de 2025. AP2 introduce mandates firmados criptográficamente —intención verificable del usuario que reduce el fraude y aclara la responsabilidad cuando un agent actúa en nombre del comprador. Visa lanzó TAP con Cloudflare para que los comercios puedan reconocer AI agents legítimos y no bloquear falsamente las compras de agents con defensas contra bots. Mastercard lanzó Agent Pay con Agentic Tokens, credenciales dinámicas con reglas de gasto integradas. Mastercard lo implementó para todos los tarjetahabientes de EE. UU. en noviembre de 2025, con Citi y US Bank como primeros emisores (HireNinja, HyperTrends, Awesome Agents).

Lo que AP2 y TAP hacen para B2A: permiten a los comercios distinguir las transacciones autorizadas de agents del fraude, y permiten que los agents demuestren criptográficamente que cuentan con permiso del usuario para gastar. Sin estas capas, el riesgo de contracargos y la superficie de fraude del comercio de agents siguen siendo un techo difícil de superar para la adopción.

#Machine Payments Protocol (MPP) y x402 — micropagos

La capa Tempo L1 de Stripe entró en producción el 18 de marzo de 2026 con Visa, Mastercard, Deutsche Bank, Shopify, OpenAI y Anthropic como socios de diseño. MPP introduce “sessions”: un agent autoriza un límite de gasto por adelantado y transmite micropagos de forma continua. Visa extendió MPP para tarjetas, Lightspark para Bitcoin Lightning y Tempo para stablecoins. El protocolo x402 de Coinbase pasó a la Linux Foundation en septiembre de 2025 con el respaldo de Google, Stripe, Visa, Cloudflare, AWS, Anthropic y NEAR. Circle informó que los AI agents completaron 140 millones de pagos por 43 millones de dólares en nueve meses, casi todos en USDC. Circle lanzó Nanopayments en testnet en marzo de 2026, lo que permite transferencias USDC sin gas de tan solo $0,000001 (Justin Yek’s Agentic Commerce Rails).

Lo que MPP y x402 hacen para B2A: habilitan modelos de precios que las vías tradicionales de tarjetas no pueden soportar económicamente: precios verdaderos por llamada en servicios de API, pago por página en contenido premium, transacciones de menos de un centavo para servicios atómicos. La mayoría de los negocios B2A no los necesitarán el primer día. Para el día 365, las empresas que operan en categorías de API-as-a-product, contenido o herramientas de IA no tendrán opción.

#Estándares de manifiesto — la capa de descubrimiento

Una constelación de estándares de manifiesto compite ahora por el rol de “el archivo legible por agents que publicas en una URL bien conocida”:

• llms.txt — propuesto por Jeremy Howard en Answer.AI en septiembre de 2024. Archivo Markdown en /llms.txt que ofrece a los LLMs un índice curado y estructurado de un sitio. Adoptado por Anthropic, Cloudflare, Stripe, Mintlify, Vercel, Perplexity, GitHub Docs y Cursor (llmtxt.info, AgentPatterns).
• agent.json / ai-agent.json — manifiestos JSON en /.well-known/agent.json que declaran la identidad del agent, capacidades, endpoints, autenticación y señales de confianza. Varias variantes compiten: aiia.ro, agentinternetruntime.com, ai-manifest.org (Aiia, Agent Internet Runtime, borrador comunitario de AI Manifest).
• agent-card.json — la Agent Card estándar de A2A en /.well-known/agent-card.json con capacidades, modalidades admitidas, autenticación y precios (A2A Specification).
• LLM-LD — una “especificación central” más formal para llm-index.json publicada por CAPXEL en febrero de 2026, que intenta consolidar el ecosistema fragmentado de manifiestos (LLM-LD).

Los estándares en competencia son un estado transitorio; terminarán consolidándose. El enfoque pragmático de 2026 es publicarlos todos. Son baratos de mantener y cubren cualquier estándar que los agents del otro extremo decidan honrar.

#Parte II: Qué es realmente B2A

#La definición

Business-to-Agent (B2A) es un modelo comercial en el que los productos, servicios y procesos de una empresa están diseñados primero para el consumo de agents autónomos de IA que actúan en nombre de usuarios humanos — y solo secundariamente para el consumo humano directo. En B2A, los agents son los clientes principales; los humanos son los principales en cuyo nombre esos agents realizan transacciones.

La etiqueta no es nueva. Vinci Rufus la acuñó a principios de 2025; Kantar, Welcomespaces, AAXIS, Caversham Digital y Strategic Inference han convergido en ella durante 2025-2026. Lo nuevo es que la infraestructura subyacente ahora es lo suficientemente real como para que B2A sea una decisión operativa concreta, y no un tema de liderazgo de pensamiento.

La prueba definitoria, atribuida a Strategic Inference: "¿Puede Siri comprar de ti?" Si para completar una transacción con tu negocio se requiere que un humano haga clic en un botón de una página web diseñada para ojos humanos, quedas excluido de este canal de distribución. Si un agent — Gemini, ChatGPT, Alexa, un bot privado de procurement empresarial — puede descubrirte, evaluarte y comprar sin un intermediario humano, estás dentro del canal.

#Qué separa a B2A de B2C y B2B

B2C y B2B son canales definidos por quién es el comprador. B2A es un canal definido por cómo interactúa el comprador. La distinción importa porque el mismo cliente final — por ejemplo, el propietario de una pequeña empresa — podría interactuar contigo a través de B2C (una página de destino de marketing que lee por sí mismo), B2B (un ejecutivo de cuenta en una videollamada) y B2A (su asistente de IA reservando una llamada de descubrimiento en su nombre) en una sola semana. No se trata de tres clientes diferentes. Es un mismo cliente que utiliza tres superficies de interacción distintas. Cada superficie tiene reglas de optimización diferentes.

La entrada más importante de esa tabla es la última fila: el modo de falla de B2A es la invisibilidad. Una campaña B2C que falla genera una UX deficiente medible: tasas de rebote, baja conversión. Un proceso de ventas B2B que falla genera un “no” del que el representante puede aprender. Una integración B2A que falla no genera nada. El agent selecciona silenciosamente a un competidor y el principal nunca se entera de que existía la alternativa. No hay señal sobre la que optimizar a menos que el negocio ya esté dentro del canal y mida su propio tráfico de agents.

#El stack B2A — seis capas

Una superficie B2A completa comprende seis capas. Cada capa responde a una pregunta que los agents hacen antes de poder realizar transacciones contigo.

#Capa 1: Descubrimiento — "¿Existe este negocio?"

El primer movimiento del agent es encontrarte. La capa de descubrimiento mínima viable:

• robots.txt — no bloquea a los agents de las rutas del manifest. Muchas empresas bloquean inadvertidamente a los crawlers de IA y pierden visibilidad al instante.
• llms.txt en la raíz del sitio — índice en markdown de las páginas más útiles para que un agent LLM las lea.
• llms-full.txt — contenido completo concatenado de las páginas indexadas, para agents que prefieren cargar el contexto en una sola solicitud. Los agents visitan llms-full.txt aproximadamente al doble de la tasa de llms.txt (datos de Profound, AgentPatterns).
• /.well-known/agent.json y / o /.well-known/ai-manifest.json — manifests estructurados de capacidades.
• /.well-known/agent-card.json — Agent Card de A2A con habilidades, modalidades admitidas y requisitos de autenticación.
• /.well-known/ai-agent.json — formato alternativo de manifest con señales de confianza explícitas (verificado, respaldos, tiempo de actividad).

Además, en cada página destinada al consumo de agents:

• Schema.org JSON-LD markup para los tipos de entidad correspondientes: Organization, Service, Product, Offer, FAQPage, HowTo, BreadcrumbList, LocalBusiness. Los agents procesan primero los datos estructurados y después la prosa.
• URLs canónicas e identificadores estables — los agents que almacenan en caché datos de productos dependen de la estabilidad de los identificadores para la deduplicación.

#Capa 2: Capacidad — "¿Qué puede hacer este negocio?"

Una vez que un agent te ha descubierto, pregunta: ¿qué intenciones de mi usuario puedes satisfacer?

La capa de capacidad tiene dos formas de superficie:

• MCP server — expone las herramientas de tu negocio a cualquier agent compatible con MCP. Herramientas típicas para un negocio de servicios: book_consultation, request_quote, check_availability, cancel_booking, get_pricing. Herramientas típicas para un negocio de e-commerce: search_products, get_product_detail, add_to_cart, start_checkout, track_order. El MCP server puede ser una capa delgada de traducción frente a tu API REST existente; la mayoría de las implementaciones en producción son exactamente así (udit.co, Truto, NimbleBrain).
• A2A Agent Card — declara las mismas capacidades como parte de un modelo de colaboración agent-to-agent. Mientras que MCP atiende a clientes (hosts LLM), A2A atiende a agents pares que delegan subtareas.

La capa de capacidad es donde se estancan la mayoría de las iniciativas B2A. Es tentador tratar MCP como una característica (“agregaremos un MCP server este trimestre”). El encuadre correcto se acerca más a “expondremos el 100 % de nuestras capacidades orientadas al cliente a través de MCP en los próximos 12 meses y lo trataremos como una preocupación de ingeniería de primer nivel, al mismo nivel que nuestra interfaz de usuario orientada a humanos”.

#Capa 3: Ejecución — "¿Puede este negocio realmente cumplir?"

El descubrimiento y las declaraciones de capacidad son afirmaciones. La ejecución es la entrega. La capa de ejecución responde: si delego esta tarea, ¿se completará con éxito?

Obligaciones concretas de la capa de ejecución:

• Datos de inventario y disponibilidad en tiempo real — feeds que se actualizan como mínimo cada 4 horas, idealmente cada 15 minutos para inventario de alta rotación. Los agents que recomiendan productos agotados pierden la confianza del usuario en el primer fallo. Las marcas que recomiendan productos agotados a los agents pierden permanentemente la confianza de los agents.
• Actualizaciones de estado impulsadas por webhook — pedido realizado, inventario modificado, cita confirmada, estado cambiado. El sondeo es un impuesto que los agents no pagan; si no puedes enviar cambios de estado, sales del conjunto de recomendaciones del agent.
• Idempotencia y semánticas de reintento seguras — un detalle crítico. Los agents reintentan ante un fallo. Las APIs que cobran o reservan dos veces al reintentar son peores que las APIs lentas.
• Presupuesto de límites de tasa — los agents realizan muchas consultas pequeñas. Las APIs con límites de tasa demasiado agresivos son clasificadas por los agents como poco confiables y degradadas en el ranking.
• Puntos de control con humano en el bucle cuando corresponda — transacciones de alto valor, cambios de cuenta, acciones irreversibles. Los flujos de aprobación integrados son una señal de confianza positiva en B2A, no una fricción.

#Capa 4: Comercio — "¿Puedo completar una transacción?"

Si tu negocio cobra dinero (o acepta dinero), la capa de comercio es el puente entre capacidad e ingresos.

El estándar de referencia de 2026 para el cumplimiento de la capa de comercio:

• checkout compatible con ACP — implementable como un wrapper delgado sobre una integración existente de Stripe. La Agentic Checkout Specification (ACS) es una API REST estable y versionada (API-Version: 2026-01-16) que define la creación, actualización, finalización y cancelación de sesiones. El comerciante sigue siendo el sistema de registro. Los pagos permanecen en los canales existentes. (ACP RFC, Stripe Documentation.)
• feed de productos compatible con UCP — para minoristas, significa Google Merchant Center con los más de 60 nuevos atributos de UCP completados. Las marcas que venden a través de Shopify Plus obtienen cobertura UCP automáticamente; las marcas en Adobe Commerce, BigCommerce o plataformas personalizadas deben implementarlo de forma explícita. (UCPHub, Talk Shop, Creatuity.)
• verificación de mandatos AP2 — para transacciones de alta confianza, aceptar y verificar mandatos de intención de usuario firmados criptográficamente. Esto no es obligatorio para comerciantes SMB en 2026; lo será en 2027.
• reconocimiento TAP — en la capa WAF / CDN, distinguir el tráfico de agents de confianza de los bots. No marcar falsamente como positivo las compras legítimas de agents. (Lista de verificación de preparación para comerciantes de HireNinja.)

#Capa 5: Confianza e identidad — "¿Puede el comprador demostrar que tiene permiso para actuar?"

La capa de confianza es lo que separa una transacción legítima de agents del fraude y lo que permite al comerciante aceptar tráfico originado por agents a escala.

• Mandatos — el modelo de intención firmada de AP2. El comerciante verifica que el agent actúa bajo una autorización de usuario legítima, con alcance definido y limitada en el tiempo.
• Verificación de identidad del agent — la capa de identidad criptográfica de TAP. El agent presenta una prueba de identidad verificable; el comerciante la valida a través de la red de Visa u otro ancla de confianza.
• Pistas de auditoría — toda transacción mediada por agents emite un registro de auditoría inmutable: qué agent, en nombre de quién, bajo qué alcance, completando qué acción y pagando con qué método. Las industrias reguladas lo exigirán; las no reguladas lo adoptarán porque el beneficio operativo (resolución de disputas, detección de fraude) es abrumador.
• Primitivas de reputación — puntuaciones de reputación tanto del lado del agent como del comerciante. Entradas tempranas: el modelo de “reputation staking” de B2Alpha, el registro de confianza OATR, las tarjetas de agent extendidas autenticadas de A2A. La reputación en la economía de agents es datos estructurados, no estrellas de Yelp.

#Capa 6: Precios y pagos — "¿Cómo se transfiere el valor?"

Los canales de pago importan menos que el modelo de precios. Tres dimensiones de precios que todo operador B2A debe decidir:

• Granularidad — ¿cobras por sesión, por llamada, por resultado, por minuto, por token, por evento, por recurso consumido? Los canales de tarjetas no pueden soportar económicamente granularidad por debajo del centavo; los canales de stablecoins (x402, USDC Nanopayments, Tempo) sí pueden.
• Modelo de autorización — ¿el agent autoriza una vez al inicio de la sesión (estilo suscripción), autoriza por transacción (pago por uso) o transmite micropagos bajo un mandato de sesión (MPP)? Cada uno requiere infraestructura diferente.
• Moneda de settlement — fiat a través de tarjetas (familiar, protegido contra contracargos, costoso en denominaciones pequeñas), canales bancarios (barato, irreversible, lento), stablecoins (barato, irreversible, rápido, regulatoriamente incierto). La mayoría de los negocios B2A operarán los tres durante varios años.

La implicación de precios que los operadores suelen pasar por alto: los compradores agents son infinitamente pacientes y perfectamente racionales. No pagarán por funciones que no usan. No pagarán por asientos que no usan. Cambiarán en la siguiente transacción si un competidor ofrece capacidad idéntica a un costo por acción más bajo. El modelo de precios por suscripción como opción predeterminada para la mayoría de las categorías está muerto en B2A. Los precios por acción y por resultado no son innovaciones; son obligaciones.

#Parte III: El Marco de Preparación B2A

Una auditoría de preparación B2A debe responder una pregunta de forma concisa: ¿pueden los autonomous agents descubrir, evaluar, transaccionar con y confiar en este negocio — y si no, dónde exactamente se rompe el sistema?

El marco presentado aquí es una auditoría puntuada de cuatro capas sintetizada a partir del B2X Agentic Readiness Framework, el enfoque de Strategic Inference, el trabajo de engagement de perea.ai y las recomendaciones estructurales en el marco de transformación digital AAXIS / B2BEA. Cada capa puntúa de 0 a 100; el Agent Readiness Score (ARS) compuesto es el promedio.

#Capa 1: Datos (peso: 30%)

La capa fundacional. Los agents no pueden evaluar lo que no está estructurado.

Subdimensiones puntuadas:

• Catalog completeness (0-100): proporción de productos / servicios con cobertura completa de atributos legibles por máquina. Objetivo: 80%+ en atributos opcionales, no solo los requeridos. Las marcas con cobertura de 7 atributos pierden ante las marcas con cobertura de 30 atributos en bienes idénticos (AgentReadyHQ).
• Stable identifiers (0-100): cobertura de GTIN/UPC/SKU/EIN/EAN, URLs estables, referencias canónicas. Los agents cruzan referencias de tus datos contra grafos de conocimiento externos (especificaciones del fabricante, agregadores de reseñas, bases de datos de comparación). Sin identificadores estables, el agent te evalúa de forma aislada — una desventaja estructural en los rankings de comparación.
• Schema markup quality (0-100): cobertura de Product, Offer, Service, Organization, FAQPage, LocalBusiness, BreadcrumbList, Review. Los errores de validación reducen la confianza. Los agents degradan el markup ambiguo.
• Real-time accuracy (0-100): ¿qué tan obsoletos están tus datos de inventario, precios y disponibilidad? Los feeds actualizados diariamente son insuficientes para los agents que operan en tiempo real.
• Multi-locale coverage (0-100, ponderado por relevancia a tu mercado): datos estructurados en los idiomas y formatos relevantes para el agent del comprador. Los agents atienden consultas globales; las marcas de e-commerce de LATAM que carecen de datos estructurados en español pierden ante las marcas que sí los tienen.

Preguntas de diagnóstico:

• ¿Puede un agent leer tu catálogo de productos sin analizar HTML?
• ¿Son tus precios, inventario y disponibilidad legibles por máquina en tiempo real?
• ¿Puede un agent identificar de forma única cada uno de tus productos con un identificador global estable?
• ¿Se declaran tus ofertas de servicios en forma legible por máquina, incluyendo niveles de precios, elegibilidad y términos?

#Capa 2: Descubrimiento (peso: 25%)

La capa de señalización. Incluso los mejores datos no sirven de nada si los agents no pueden encontrarlos.

Subdimensiones puntuadas:

• Manifest coverage (0-100): presencia y validez de llms.txt, llms-full.txt, /.well-known/agent.json, /.well-known/ai-manifest.json, /.well-known/agent-card.json. Peso adicional para LLM-LD y ai-agent.json.
• GEO / AEO content authority (0-100): frecuencia de citas en respuestas generadas por IA. Se mide mediante herramientas que monitorean las menciones de marca en ChatGPT, Perplexity, Gemini y Claude. La disciplina GEO está lo suficientemente madura en 2026 como para que el benchmarking competitivo sea concreto (Seenos, Yext, Wikipedia: Generative Engine Optimization).
• Agent crawl access (0-100): permiso explícito de los principales crawlers de IA en robots.txt, sin bloqueo de bots por falsos positivos ni desafíos agresivos de Cloudflare/CAPTCHA que bloqueen el tráfico legítimo de agents.
• Registry presence (0-100): listado en registros de agents (aiia.ro, registros públicos de servidores MCP, registros A2A, marketplaces verticales de agents). La mayoría de las empresas puntúan cero aquí en 2026; los que se mueven primero capturan visibilidad desproporcionada.
• Search-result-page surfacing (0-100): base tradicional de SEO. Las investigaciones encuentran que el 99% de las citas de AI Overview provienen del top 10 orgánico (Incremys vía h-haboubi). Un SEO sólido sigue siendo el piso mínimo.

Preguntas de diagnóstico:

• Si un agent obtiene https://yourdomain.com/llms.txt, ¿qué encuentra?
• ¿Devuelve https://yourdomain.com/.well-known/agent-card.json una Agent Card A2A válida?
• ¿Se te cita en respuestas generadas por IA cuando los usuarios hacen preguntas que definen la categoría?
• ¿Estás indexado en alguna de las superficies de registro que sirven tráfico de agents?

#Capa 3: Ejecución (peso: 25%)

La capa de cumplimiento. Los descubrimientos y las declaraciones de capacidad son afirmaciones; la ejecución es la entrega real.

Subdimensiones puntuadas:

• API surface completeness (0-100): proporción de capacidades orientadas al cliente expuestas a través de APIs que un agent puede invocar. Una empresa que permite a los humanos reservar citas a través de una página web pero no mediante una API tiene una brecha B2A.
• MCP server presence and quality (0-100): existencia, alcance, claridad del esquema, calidad del manejo de errores y modelo de autenticación. Un servidor MCP de solo lectura es un buen punto de partida; un servidor con capacidad de escritura y flujos OAuth 2.1 / PKCE adecuados es el objetivo de producción (NimbleBrain, Truto, Cyclr).
• Webhook reliability (0-100): uptime, latencia, semántica de reintentos y verificación de firmas. Los agents abandonan a los merchants que entregan actualizaciones de estado inconsistentes.
• Idempotency and safe-retry posture (0-100): claves de idempotencia criptográficas respetadas, reintentos visibles en el registro de auditoría, sin riesgo de doble cargo o doble reserva bajo reintentos normales.
• Performance (0-100): tiempo de respuesta P95, tasa de errores y distribución geográfica. Los agents degradan las APIs lentas; en flujos de comercio, las APIs lentas pierden transacciones en silencio.

Preguntas de diagnóstico:

• ¿Puede un agent completar todos los flujos de trabajo orientados al cliente que ofreces a humanos, de extremo a extremo, a través de una API?
• Si un agent reintenta una reserva fallida, ¿el sistema aplica un no-op seguro o genera una doble reserva?
• ¿Cuál es tu tiempo de respuesta P95 de API y está por debajo de 500 ms en operaciones de lectura y 2 s en operaciones de escritura?
• ¿Publicas una página de estado que los agents puedan monitorear?

#Capa 4: Confianza (peso: 20%)

La capa de verificabilidad. Sin señales de confianza, incluso un stack técnico perfecto queda limitado por el escepticismo.

Subdimensiones puntuadas:

• Identity verification (0-100): soporte de protocolos TAP / agent identity, reconocimiento de tráfico de agents en la capa CDN/WAF y allowlisting de agents cuando corresponda.
• Mandate handling (0-100): soporte de AP2 / signed-mandate para transacciones de alto valor. Aunque aún no sea un requisito básico, su presencia es un diferenciador fuerte en 2026.
• Audit and observability (0-100): registro por transacción, trazabilidad de auditoría atribuible al agent y exportable para cumplimiento o resolución de disputas.
• Reputation primitives (0-100): listado en servicios de reputación de agents, testimonios estructurados y prueba firmada o en cadena de la legitimidad comercial cuando corresponda.
• Compliance posture (0-100): SOC 2, GDPR, CCPA, HIPAA cuando sea relevante; declaraciones de residencia de datos en los manifests.

Preguntas de diagnóstico:

• Si el agent de un comprador presenta una identidad verificada por TAP, ¿la reconoces y la honras?
• Para transacciones por encima de un umbral significativo ($X), ¿requieres un mandate AP2 firmado?
• ¿Puedes generar un registro de auditoría completo y atribuible al agent para cualquier transacción de los últimos 90 días?
• ¿Tus certificaciones de cumplimiento están declaradas en tu manifest en formato legible por máquina?

#Puntuación compuesta y triaje

La distribución realista de las empresas de mercado medio en 2026 está fuertemente sesgada hacia 0-30 y 31-50. La banda de líderes (71+) está ocupada casi exclusivamente por merchants de Shopify Plus que heredaron cobertura UCP y ACP de forma automática, además de un puñado de adoptores tempranos intencionales en B2B SaaS. La ventana para entrar en la banda de líderes antes de que se cierre la saturación competitiva es el período de 18-24 meses que identifica Kantar, medido aproximadamente desde mediados de 2025.

#Parte IV: El playbook de implementación B2A de 90 días

Esta sección traduce el marco de preparación en un plan operativo concreto. Los objetivos y cronogramas están calibrados para una empresa de mercado medio con un equipo de ingeniería existente o un socio de implementación dispuesto.

#Días 0-30: Fundación

Objetivo: lanzar una superficie B2A mínima viable y comenzar a medir el tráfico de agentes.

#Semana 1: Diagnósticos de descubrimiento y pase prioritario

• Realizar una auditoría de tráfico entrante. Filtrar los registros por User-Agent contra una lista conocida de rastreadores de IA y firmas de tráfico de agentes (GPTBot, ClaudeBot, PerplexityBot, OAI-SearchBot, etc.). Establecer una línea base: ¿cuánto de su tráfico actual ya es originado por agentes?
• Inventariar los datos estructurados existentes: marcado schema.org, Open Graph, RSS, sitemap, robots.txt. Documentar qué está correcto, incompleto o incorrecto.
• Inventariar las APIs existentes: qué capacidades orientadas al cliente tienen superficies programáticas y cuáles requieren un humano en un navegador.
• Ejecutar la evaluación de preparación de cuatro capas. Capturar la línea base del ARS.

#Semana 2: Manifiestos y capa de descubrimiento

• Publicar /llms.txt y /llms-full.txt. Curar, no concatenar todas las páginas del sitio. Comenzar con los 5-15 puntos de entrada de mayor valor para un agente. Anthropic, Cloudflare, Stripe y Mintlify tienen ejemplos públicos que vale la pena estudiar.
• Publicar /.well-known/agent.json declarando las capacidades del servicio, endpoints, autenticación y límites de tasa.
• Publicar /.well-known/agent-card.json con el esquema Agent Card compatible con A2A: habilidades, modalidades, requisitos de autenticación, contacto y versión.
• Publicar /.well-known/ai-manifest.json según el borrador comunitario de ai-manifest.org.
• Validar que robots.txt no bloquee a los rastreadores de IA. Permitir específicamente el acceso a las rutas de los manifiestos.

#Semana 3: Esquema y datos estructurados

• Implementar Schema.org JSON-LD para Organization, Service (un bloque por oferta de servicio), FAQPage y LocalBusiness cuando corresponda.
• Para comercio electrónico: completar el marcado de Product y Offer incluyendo GTIN, marca, precio, disponibilidad, condición y detalles de envío.
• Para negocios de servicios: completar el marcado de Service con serviceType, areaServed, availableChannel y offers.
• Para editores de contenido: completar el marcado de Article, Author, Organization y Citation.

#Semana 4: Primer servidor MCP (solo lectura)

• Levantar un servidor MCP ligero frente a las APIs de solo lectura existentes. Herramientas recomendadas para comenzar (adaptar según la categoría):
  • Para un negocio de servicios: get_services, get_pricing, get_availability, get_team, get_case_studies.
  • Para un negocio de comercio electrónico: search_products, get_product, get_inventory, get_pricing_for_segment, get_shipping_options.
  • Para un SaaS: get_features, get_pricing_tiers, get_integrations, compare_to_competitors.
• Utilizar uno de los frameworks MCP listos para producción (mcpresso, official Anthropic SDK, plantillas NimbleBrain) en lugar de implementar desde cero.
• Publicar la URL del servidor MCP en los manifiestos agent.json y agent-card.json.
• Probar contra los principales clientes MCP: Claude Desktop, Claude Code, Cursor, ChatGPT (donde sea compatible) y Gemini.

#Lista de entregables del día 30

• Línea base del ARS capturada.
• Todos los manifiestos de descubrimiento activos y válidos.
• Schema.org JSON-LD en todas las páginas prioritarias.
• Servidor MCP de solo lectura en producción con al menos 5 herramientas.
• Monitoreo de tráfico de agentes instrumentado y con panel de control.
• Anuncio público / manifiesto sobre el reposicionamiento.

#Días 30-60: Activación

Objetivo: convertir el descubrimiento de agentes en transacciones mediadas por agentes.

#Semana 5: Expansión de capacidades

• Extender el servidor MCP con herramientas de escritura, protegidas por OAuth 2.1 con PKCE. Adiciones recomendadas:
  • book_consultation / start_purchase_flow / submit_quote_request
  • Herramientas que cambian el estado y requieren autenticación
• Implementar alcances por herramienta. Los agentes de solo lectura ni siquiera pueden descubrir operaciones destructivas.
• Implementar registro de auditoría en la capa del servidor MCP: cada llamada a herramienta, con identidad del agente, marca de tiempo, alcance, parámetros y resultado.

#Semana 6: Superficie de comercio

• Para comercio electrónico: implementar endpoints de checkout compatibles con ACP sobre la integración existente de Stripe. La Agentic Checkout Specification proporciona un contrato REST estable.
• Para negocios de servicios: implementar un checkout estilo ACP para la oferta de servicio productizada (reserva de consultas, compra de auditorías, compromisos de precio fijo).
• Para SaaS: implementar aprovisionamiento programático de pruebas y suscripciones con límites de gasto estilo mandato.
• Publicar endpoints de webhook compatibles con ACP para cambios de estado de pedidos.

#Semana 7: Fundación de la capa de confianza

• En la capa WAF / CDN, segmentar el tráfico de agentes. Reconocer y respetar las señales de identidad estilo TAP cuando estén presentes.
• Implementar exportación de la pista de auditoría para que cualquier transacción mediada por agentes pueda reconstruirse con fines de cumplimiento o resolución de disputas.
• Agregar una página pública de “Términos de servicio para agentes” que declare qué pueden hacer los agentes, qué no pueden hacer y cómo la empresa maneja las disputas.
• Agregar testimonios estructurados y señales de confianza verificables (SOC 2, GDPR, etc.) a los manifiestos.

#Semana 8: Optimización vertical de feeds

• Para comercio electrónico: completar los atributos opcionales de UCP en Google Merchant Center (más de 60 atributos nuevos agregados en enero de 2026).
• Para negocios de servicios: asegurar que los listados de negocios locales (Google Business Profile, Apple Business Connect, Yelp) estén completos y coincidan con los datos estructurados del sitio.
• Para B2B: enriquecer el catálogo de productos / servicios con atributos utilizados en consultas de procurement (compatibilidad, certificaciones, especificaciones técnicas).

#Lista de entregables del día 60

• Servidor MCP con capacidad de escritura y autenticación adecuada.
• Flujo de checkout compatible con ACP activo para al menos un producto / servicio.
• Tráfico de agentes segmentado en el borde.
• Pista de auditoría exportable de extremo a extremo.
• Optimizaciones verticales de feeds completadas.

#Días 60-90: Optimización

Objetivo: instrumentar, medir, iterar y demostrar el ROI.

#Semanas 9-10: Instrumentación

• Construir un panel de control que rastree:
  • Visitas de agentes por semana
  • Transacciones mediadas por agentes por semana
  • Ingresos mediados por agentes por semana
  • Principales herramientas llamadas
  • Principales agentes (por User-Agent) que interactúan con la empresa
  • Embudo de conversión de agentes: descubrimiento → consulta de capacidad → transacción → finalización → repetición
• Comparar las métricas mediadas por agentes con las métricas mediadas por humanos. La primera vez que el AOV mediado por agentes supere al AOV mediado por humanos (un patrón común en las primeras implementaciones B2A) representa un punto de inflexión estratégico: es evidencia de que el canal de agentes merece inversión dedicada.

#Semana 11: Optimización de conversión

• Identificar los tres principales puntos de abandono en el embudo de agentes.
• Patrones y soluciones comunes:
  • Abandono en el descubrimiento de capacidades. Causa: descripciones de herramientas ambiguas en el esquema MCP. Solución: reescribir las descripciones de herramientas en lenguaje natural que un LLM pueda relacionar con la intención del usuario.
  • Abandono en la transacción. Causa: atributos requeridos faltantes en la respuesta de carrito/checkout. Solución: completar atributos opcionales; verificar el cumplimiento de la especificación ACP.
  • Abandono en la confirmación. Causa: falta de confiabilidad de los webhooks. Solución: implementar reintentos con retroceso exponencial y entrega idempotente de webhooks.

#Semana 12: Precios y empaquetado

• Introducir una oferta productizada optimizada para compradores agentes: unidad pequeña, alcance claro, precio fijo, términos legibles por máquina y disponibilidad instantánea.
• Probar precios basados en resultados en una sola línea de productos o servicios. Medir el aumento de conversión de agentes; los precios por resultados suelen elevar la conversión de agentes en un margen lo suficientemente grande como para ser visible dentro de 60 días.

#Lista de entregables del día 90

• Panel de métricas de agentes activo y revisado semanalmente por el liderazgo.
• Las tres principales fugas del embudo identificadas y corregidas.
• Al menos una oferta productizada optimizada para agentes activa.
• ARS actualizado capturado. Una mejora de 20+ puntos respecto a la línea base del día 0 es realista.
• Caso de estudio público o punto de datos anonimizado publicado: alimenta el ciclo de publicaciones.

#Parte V: Estrategias verticales

El marco general anterior se adapta a las particularidades de cada vertical. Cuatro verticales de alta prioridad con diferencias concretas en la implementación:

#Comercio electrónico (DTC, mercado medio con ingresos de $1M-$50M)

• Protocolo de mayor apalancamiento: UCP (Google + Shopify). Disponible desde enero de 2026. Las tiendas Shopify Plus obtienen cobertura parcial de forma automática. Adobe Commerce, BigCommerce y plataformas personalizadas deben implementarlo de manera explícita.
• Trabajo crítico de datos: completar los más de 60 atributos opcionales de UCP en Google Merchant Center. Cobertura de GTIN al 100% del catálogo. Calidad de feeds multicanal (Meta Commerce Manager, Microsoft Merchant Center, inclusión en compras de ChatGPT a través de Stripe ACP, Perplexity Merchant Program).
• Trabajo crítico de ejecución: APIs de inventario en tiempo real. El Catalog MCP de Shopify es el mínimo; los despliegues en producción necesitan su propio servidor MCP que exponga checkout, inventario y fulfillment.
• Riesgo clave: "Shopify habilitó MCP para ti" no es lo mismo que "los agentes de IA te recomiendan". Si los datos del producto están incompletos, la disponibilidad de MCP no ayuda. (El posicionamiento de B2X Software aborda explícitamente esta brecha.)

#Negocios de servicios (legal, bienes raíces, atención médica, servicios para el hogar)

• Superficie de mayor apalancamiento: agentes con capacidad de llamadas de voz. Los agentes que llaman a otros agentes a través de telefonía (usando sistemas como Retell, Vapi, Bland) es una capacidad de 2026 que casi ningún negocio de servicios ha implementado aún. Los negocios de servicios con superficies de agentes de voz y reservas invocables por MCP se encuentran en una posición temprana defendible.
• Trabajo crítico de datos: catálogo de servicios estructurado (esquema Service con serviceType, areaServed, availableChannel, offers), perfiles de proveedores, disponibilidad en tiempo real.
• Trabajo crítico de ejecución: reserva programática de citas con flujo de aprobación consciente de mandatos. APIs de cancelación, reprogramación y modificación.
• Riesgo clave: restricciones regulatorias y de cumplimiento en atención médica, legal y finanzas. Las transacciones mediadas por agentes en verticales regulados requieren una implementación especialmente rigurosa de la capa de confianza. El beneficio: los competidores disuadidos por la complejidad del cumplimiento dejan una ventana de early-mover más amplia.

#B2B SaaS

• Superficie de mayor apalancamiento: servidor MCP que expone el producto en sí. Las empresas SaaS con servidores MCP nativos se posicionan como la integración de agentes "preferida" en su categoría. Forrester predice que el 30% de los proveedores de aplicaciones empresariales enviarán servidores MCP en 2026; el 30% inicial se convierte en el predeterminado en sus respectivos mercados.
• Trabajo crítico de datos: catálogo completo de características, legibilidad por máquina de los niveles de precios, manifiesto de integraciones.
• Trabajo crítico de ejecución: aprovisionamiento programático de pruebas, gestión de suscripciones consciente de mandatos, onboarding amigable para agentes (sin pasos de configuración exclusivos para humanos).
• Riesgo clave: tratar MCP como una característica en lugar de un canal de distribución. La ventaja competitiva no es "tenemos un servidor MCP" — es "nuestro servidor MCP es la implementación de mayor calidad en nuestra categoría, los agentes nos recomiendan preferentemente y capturamos los datos para potenciar el lead."

#B2B / mayorista / industrial

• Superficie de mayor apalancamiento: catálogo legible por agentes de procurement. Accio Work de Alibaba, Amazon Business AI y una lista creciente de agentes de procurement verticales ahora operan a escala. Los proveedores de mercado medio con catálogos estructurados y términos legibles por máquina (lead time, MOQ, certificaciones) son preseleccionados; los proveedores con PDFs y account managers son evitados.
• Trabajo crítico de datos: integridad del catálogo impulsada por PIM. Akeneo PIM, Salsify e inRiver son los sistemas de producción; la cobertura de atributos estructurados es la variable discriminante (Human After All).
• Trabajo crítico de ejecución: precios en tiempo real, APIs de cotización, negociación de términos estructurados. Muchos proveedores B2B negocian todo manualmente — eso es incompatible con el procurement impulsado por agentes.
• Riesgo clave: resistencia del equipo de ventas interno. Los ejecutivos de cuentas perciben correctamente que el procurement mediado por agentes los desintermedia. Los operadores deben rediseñar explícitamente los planes de compensación y las definiciones de territorios para alinearlos con el nuevo canal, o el despliegue se estanca políticamente.

#Parte VI: Implicaciones estratégicas

#Dinámicas del primer movimiento

La economía de agentes exhibe efectos de red de plataforma clásicos con varios giros.

Acumulación asimétrica de datos. Cada transacción mediada por agentes emite datos de intención estructurados — por qué el agente A eligió el SKU X en lugar del SKU Y, qué atributos ponderó el usuario del agente, cuál fue el umbral de sensibilidad al precio del agente. Las marcas dentro del canal recopilan estos datos; las marcas fuera del canal no. Después de 12 meses, la marca interna tiene una visión granular de la dinámica de la categoría que ninguna investigación de panel puede igualar. La marca externa tiene una suposición.

Efectos de red en las declaraciones de capacidades. Una vez que un agente se ha integrado con tu servidor MCP o A2A Agent Card, el costo de cambiar a un competidor no es cero (reintegración, diferencias de esquema, restablecimiento de confianza). Esto no es un foso del tamaño del bloqueo de plataforma en B2C, pero es significativamente mayor que cero — y se acumula a medida que crece el universo de agentes.

Acumulación de confianza. La reputación en la economía de agentes es estructurada y persistente. Mandatos, registros de auditoría, reseñas firmadas, primitivas de reputación on-chain — todo se transmite. Una marca que establece altas puntuaciones de confianza en sus primeros 12 meses en el canal tiene una señal duradera que los competidores que llegan tarde deben gastar años en acumular.

Preservación del poder de precios. Los operadores que fijan precios basados en resultados o por acción en el período inicial del canal de agentes establecen la norma de la categoría. Los nuevos entrantes descubren que su base de costos está anclada a un modelo que el mercado ahora espera, incluso si su economía subyacente preferiría suscripción o por asiento.

#Transición del modelo de precios

El cambio en el modelo de precios merece atención explícita porque es donde la mayoría de los operadores subestiman la disrupción.

En B2C y B2B, los precios están protegidos por la inercia: los clientes no reevalúan activamente cada renovación, los costos de cambio son reales, la comparación es difícil. Los precios por suscripción prosperan gracias a esas fricciones.

En B2A, cada transacción es una reevaluación. Los costos de cambio son mínimos. La comparación está automatizada. Los precios por suscripción sobreviven solo en categorías donde el usuario del agente tiene una razón estructural para comprometerse (p. ej., SaaS de equipo donde múltiples humanos comparten un inquilino; productos de datos de larga duración donde el contexto importa). En categorías donde la preferencia del comprador es genuinamente transaccional — contenido, servicios de API, bienes básicos, servicios a demanda — el modelo de precios dominante converge en por uso, por resultado o micropago.

Recomendación concreta: antes de lanzar B2A, ejecuta la pregunta de precios explícitamente. Para cada línea de productos, pregunta: "Si nuestro comprador fuera un agente perfectamente racional que paga por acción, ¿cuál es el monto en dólares que maximiza nuestro margen por la frecuencia de transacciones del agente?". La respuesta suele ser muy diferente del precio de suscripción existente. Las marcas que convergen en esa respuesta temprano capturan el excedente del primer movimiento.

#Ventana de formación de categoría

Múltiples analistas coinciden en una ventana de 18-24 meses a partir de aproximadamente mediados de 2025 para la formación de la categoría B2A. Una vez que las normas de categoría se osifican — qué agentes son confiables, qué protocolos son dominantes, qué marcas son recomendadas por defecto en cada vertical — los nuevos entrantes tardíos deben gastar significativamente más capital y tiempo para desplazar a los incumbentes.

La ventana se manifiesta de manera diferente en los distintos verticales:

La inferencia estratégica: elige el vertical cuyo cierre de ventana esté a 12-18 meses, no a 6 meses. Las ventanas de seis meses favorecen a los incumbentes; las ventanas de 12-18 meses favorecen a los nuevos entrantes enfocados.

#El activo que se compone

La decisión estratégica más importante en B2A es si construir el conjunto de datos propietario.

La mayoría de las consultorías y equipos de producto tratan cada transacción mediada por agentes como un copo de nieve. Cada una es única; el equipo pasa al siguiente.

El enfoque disciplinado trata cada transacción mediada por agentes como un punto de datos estructurado en un grafo de conocimiento vertical indexado por industry × company-size × use-case × agent-type × pricing-model × outcome. Después de 50 transacciones, el grafo es interesante. Después de 500, diagnostica nuevos prospectos en 30 minutos en lugar de 30 horas. Después de 5.000, es un foso que no puede replicarse excepto por un competidor con cinco años de historial de transacciones dentro del canal.

Este es exactamente el mismo dinamismo que construyó las prácticas de industria de Bain & Company, el dominio de categoría de Bloomberg Terminal y el modelo de riesgo de Klarna. El mecanismo de composición no es exótico; la disciplina de capturarlo es rara.

Para un operador SMB o de mercado medio que ingresa a B2A, la pregunta no es "¿podemos permitirnos construir el conjunto de datos?". La pregunta es "¿podemos permitirnos no hacerlo?". El costo marginal de la captura de datos estructurados por transacción es insignificante. El costo competitivo de omitirlo se acumula silenciosamente.

#Parte VII: Modos comunes de falla

Un conjunto representativo de patrones en los que las iniciativas B2A se estancan, fallan o tienen un rendimiento inferior de forma silenciosa, extraído de casos documentados públicamente y patrones observables en el ecosistema de consultoría B2A existente.

#Modo de falla 1: Tratar MCP como una característica, no como un canal

El patrón. Un equipo de SaaS lanza un MCP server en un solo sprint, publica un comunicado de prensa y sigue adelante. La adopción se estanca porque el MCP server tiene ocho tools, ninguna de ellas resuelve una tarea real del usuario de extremo a extremo, los schemas se generan automáticamente desde Swagger y son ilegibles para los LLMs, y nadie está monitoreando el tráfico de agent.

La solución. Tratar MCP como un canal de distribución con una hoja de ruta, responsables, métricas y expansión trimestral de capacidades. El primer lanzamiento de MCP es una cabeza de playa, no un hito.

#Modo de falla 2: Teatro de manifiestos

El patrón. Una empresa publica llms.txt, agent.json y un A2A Agent Card. Cada uno es un documento de una página escrito a mano. En 60 días pierden sincronía con las capacidades reales de la empresa. Los agents los recuperan, encuentran información desactualizada o incorrecta y degradan la posición de la empresa.

La solución. Los manifiestos deben generarse a partir del sistema de fuente de verdad (PIM, registro de capacidades, API gateway), no escribirse a mano. CI/CD valida la frescura de los manifiestos. Un job programado confirma que cada URL referenciada sigue activa.

#Modo de falla 3: Ignorar la capa de confianza hasta que muerde

El patrón. Un merchant lanza un checkout compatible con ACP, el tráfico originado por agents aumenta, el WAF lo marca como fraude y las transacciones fallan en silencio. El equipo agrega una regla de exención. Dos meses después, la regla de exención es explotada por un fraudster real que finge ser un agent.

La solución. Implementar verificación de identidad de agent estilo TAP antes de aumentar el tráfico de agents. La disciplina de la capa de confianza no es opcional; es la restricción que permite escalar de forma segura.

#Modo de falla 4: Modelo de precios incorrecto

El patrón. Un SaaS que antes vendía suscripciones de $99/usuario/mes lanza un MCP server y un flujo de onboarding B2A. Los trials originados por agents se disparan. La conversión a pago es del 2 %. El equipo concluye que "los agents no compran".

La causa real: el modelo de precios por suscripción es incompatible con la forma en que los agents evalúan el valor. Los agents no evalúan "¿vale la pena pagar $99 al mes durante el próximo año?". Evalúan "¿el valor marginal de esta acción única es mayor que el costo marginal?".

La solución. Agregar un tier de precios por acción o pay-as-you-go junto a la suscripción. Medir la conversión de agents específicamente contra el nuevo tier. Muchos operadores B2A descubren que los ingresos mediados por agents bajo el modelo por acción superan los ingresos por suscripciones basadas en asientos dentro de 90 días.

#Modo de falla 5: Lanzamiento amplio prematuro

El patrón. Un equipo se compromete a "B2A en todo el portafolio de productos". Seis meses después, nada se ha lanzado porque cada equipo de producto está en plena implementación y ninguno ha alcanzado calidad de producción.

La solución. Elegir una línea de producto. Lanzar su superficie B2A con calidad de producción (manifiestos, MCP, ACP, schema, dashboard, métricas dedicadas). Usarla como implementación de referencia. Pasar al segundo producto solo después de que el primero esté generando ingresos medibles mediados por agents.

#Modo de falla 6: Subestimar la publicación

El patrón. El equipo técnico construye una excelente superficie B2A. Nadie fuera de la empresa lo sabe. El gráfico de tráfico de agents permanece plano porque los agents descubren la empresa a través de datos de entrenamiento y contenido indexado, y la empresa no ha generado ninguno de los dos.

La solución. El trabajo técnico y el trabajo de publicación no son separables. Toda iniciativa B2A necesita una superficie pública —casos de estudio, benchmarks, publicaciones técnicas, reportes verticales— que alimente los corpus de entrenamiento de IA y los índices descubribles por agents. Los agents recomiendan preferentemente las marcas que han visto mencionadas de forma autorizada en sus lecturas. La optimización de motores generativos no es un pensamiento posterior de marketing; es una disciplina central de B2A (Yext, Seenos, agentwiki.org).

#Modo de falla 7: Construir todo internamente

El patrón. El equipo de ingeniería decide construir un MCP server personalizado, integración A2A personalizada, infraestructura de pagos personalizada, generación de manifiestos personalizada, analíticas de tráfico de agents personalizadas y capa de confianza personalizada. Dieciocho meses después, el sistema funciona pero consume el 60 % de la capacidad de ingeniería.

La solución. Usar la capa productizada donde exista. Apideck, StackOne, Truto, Albato Embedded, Cyclr, NimbleBrain y Ampersand venden MCP-server-as-a-service para integraciones de SaaS. Stripe vende ACP-as-a-service para comercio. El trabajo diferenciado es la lógica de negocio y los datos verticales específicos, no la plomería del protocolo. Comprar la plomería.

#Conclusión: La ventana de 18 meses

La economía de agentes es el próximo gran cambio en la distribución. No es una característica de la internet actual. Es un canal de distribución paralelo con sus propias primitivas de descubrimiento, modelos de precios, señales de confianza y dinámicas competitivas. La infraestructura para participar ya es real, está estandarizada y ha sido adoptada por las plataformas dominantes.

La ventana para reclamar una posición defendible es de aproximadamente 18 a 24 meses a partir de mediados de 2025 —un horizonte que, al momento de escribir esto, tiene alrededor de 12 a 18 meses restantes—. Una vez que esa ventana se cierre, el costo de ponerse al día crecerá de forma no lineal, porque las dinámicas de compounding —acumulación de datos propietarios, efectos de red de declaración de capacidades, persistencia de señales de confianza y anclaje de normas de precios— favorecen a los incumbentes dentro del canal.

El trabajo para participar es concreto, está bien delimitado y ya lo han realizado suficientes early adopters como para que el playbook esté documentado. Una empresa de mercado medio con un equipo de ingeniería existente puede lanzar una superficie B2A mínima viable en 90 días, con una inversión que equivale, como máximo, a la capacidad trimestral de un solo equipo de producto. El retorno de esa inversión, si se ejecuta con disciplina, es el acceso a un canal de distribución que crece un 46 % anual y que se proyecta que mediará entre el 20 % y el 30 % de las interacciones de servicios digitales en los próximos 24-36 meses.

Esta es la pregunta que todo operador debe responder en 2026:

Cuando los agentes que comprarán en tu categoría en 2027 estén realizando su ingesta de datos de entrenamiento ahora mismo, ¿qué están leyendo sobre tu negocio?

Si la respuesta es “nada estructurado, legible por agentes ni actual”, tienes aproximadamente 12 meses para cambiarlo. El trabajo es técnico, disciplinado y factible. El costo de omitirlo es volverse invisible para los compradores más influyentes de la próxima década.

— perea.ai Research, May 2026

#Apéndice A: Protocol Quick Reference

#Apéndice B: Glosario

Agent. Un sistema de IA que realiza acciones autónomas orientadas a objetivos en nombre de un principal (un usuario humano u otro sistema). En el contexto B2A, "agent" casi siempre significa un sistema autónomo impulsado por LLM.

Agent Card. Documento JSON estandarizado de A2A ubicado en /.well-known/agent-card.json que declara las capacidades de un agent, las modalidades admitidas, los requisitos de autenticación y los endpoints.

Agent-mediated transaction. Una transacción en la que un agent autónomo actúa como comprador o vendedor activo, mientras que el principal humano cumple un rol de supervisión o aprobación en lugar de ejecutar directamente.

ARS (Agent Readiness Score). Puntuación compuesta de 0 a 100 que abarca las cuatro capas de preparación (Datos, Descubrimiento, Ejecución y Confianza) y que se utiliza para evaluar qué tan preparada está una empresa para el comercio mediado por agents.

Capability manifest. Archivo legible por máquina que declara lo que puede hacer una empresa o servicio, de forma que un agent pueda interpretarlo sin necesidad de renderizar una página web. Ejemplos: agent.json, agent-card.json, ai-manifest.json.

Commerce protocol. Protocolo estandarizado para la compra y venta mediada por agents. Ejemplos: ACP, UCP, AP2.

GEO (Generative Engine Optimization). Disciplina que consiste en estructurar contenido digital para que sea citado en respuestas generadas por IA. Es adyacente, pero distinta, del SEO.

Mandate. Autorización firmada criptográficamente por un principal humano que otorga a un agent permiso para actuar dentro de límites específicos. Es la primitiva central de AP2.

MCP server. Programa que implementa el Model Context Protocol y expone herramientas y recursos a clientes de IA compatibles con MCP.

MCP tool. Capacidad discreta declarada por un MCP server: una función que el agent puede invocar con argumentos estructurados para ejecutar una acción o recuperar datos.

Outcome-based pricing. Modelo de precios en el que el comprador paga una porción (generalmente un porcentaje) del resultado económico verificable que entregó el vendedor. Es común en servicios B2B mediados por agents.

Per-action pricing. Modelo de precios en el que el comprador paga una cantidad fija por cada acción discreta que consume.

Schema.org JSON-LD. Marcado de datos estructurados que se incrusta en páginas web y declara los tipos de entidades y propiedades de la página de forma que los crawlers y los agents puedan interpretarlos.

Shared Payment Token (SPT). Token de pago de un solo uso del modelo ACP que permite transmitir credenciales de pago de manera segura entre el agent y el merchant sin exponer los datos de la tarjeta subyacente.

Stack-in-a-Box. Solución de infraestructura B2A productizada y optimizada para una vertical específica, que se entrega como un proyecto de precio fijo.

#Apéndice C: Lista de verificación de implementación de 90 días (imprimible)

#Días 0-30 — Fundamentos

• Ejecutar auditoría de línea base de agent-traffic
• Capturar ARS del día 0 en las cuatro capas
• Publicar /llms.txt y /llms-full.txt
• Publicar /.well-known/agent.json
• Publicar /.well-known/agent-card.json
• Publicar /.well-known/ai-manifest.json
• Validar que robots.txt no bloquee a los rastreadores de IA
• Implementar Schema.org JSON-LD en las páginas prioritarias
• Levantar servidor MCP de solo lectura con al menos 5 herramientas
• Instrumentar dashboard de agent-traffic
• Publicar manifiesto público / anuncio de reposicionamiento

#Días 30-60 — Activación

• Extender MCP server con herramientas con capacidad de escritura y OAuth 2.1 / PKCE
• Implementar scopes por herramienta y registro de auditoría
• Implementar checkout compatible con ACP para el producto / servicio principal
• Implementar entrega de webhooks para cambios de estado de los pedidos
• Segmentar agent traffic en WAF / CDN
• Agregar señales de confianza estructuradas a los manifiestos
• Optimizar feeds específicos por vertical (atributos UCP para e-commerce, etc.)

#Días 60-90 — Optimización

• Crear dashboard de agent-metrics revisado semanalmente
• Identificar y corregir los 3 principales puntos de abandono del funnel
• Lanzar oferta productizada optimizada para agent
• Probar pricing basado en resultados en una línea de productos
• Capturar ARS del día 90 — objetivo de mejora de más de 20 puntos
• Publicar primer estudio de caso público o benchmark

#Referencias

#Estado de la agent economy y el mercado B2A

1. Forrester. "Predictions 2026: AI Agents and New Business Models Impact Enterprise Software." November 5, 2025. https://www.forrester.com/blogs/predictions-2026-ai-agents-changing-business-models-and-workplace-culture-impact-enterprise-software/
2. MarketsandMarkets. "AI Agents Market Report 2025-2030, by Application, Geo, Tech." 2025. https://www.marketsandmarkets.com/Market-Reports/ai-agents-market-15761548.html
3. AgentMarketCap. "40% of Enterprise Apps Will Embed AI Agents by End of 2026." April 5, 2026. https://agentmarketcap.ai/blog/2026/04/05/enterprise-ai-agents-deployment-adoption
4. CB Insights. "5 AI Agent Predictions for 2026." February 26, 2026. https://www.cbinsights.com/research/ai-agent-predictions-2026
5. Caversham Digital Knowledge Lab. "The Agentic Economy: How AI Agents Are Becoming Autonomous Market Participants in 2026." February 9, 2026. https://cavershamdigital.com/knowledge-lab/agentic-economy-ai-agents-autonomous-market-participants-commerce-2026
6. Bafmin. "The $93B Agentic AI Boom: Why 2026 Belongs to Agents." February 10, 2026. https://bafmin.com/insights/agentic-ai-boom-2026/
7. Kantar. "B2A: The Business-to-Agent Model and the Next Retail Disruption." June 24, 2025. https://www.kantar.com/north-america/inspiration/retail/b2a-the-business-to-agent-model-and-the-next-retail-disruption
8. Rufus, Vinci. "The Rise of B2A SaaS — When AI Agents Become Your Customer." January 31, 2025. https://www.vincirufus.com/en/posts/b2a-saas-emergence/
9. AAXIS / B2BEA. "Your Next Customer Is an Algorithm: Redefining Digital Transformation for the B2A Economy." February 3, 2026. https://www.b2bea.org/insights-advice/your-next-customer-is-an-algorithm-redefining-digital-transformation-for-the-b2a-economy
10. Welcomespaces. "The Rise of Business-to-Agent (B2A): Why Optimizing for AI Agents Matters." https://www.welcomespaces.io/blog/the-rise-of-business-to-agent-b2a-why-optimizing-for-ai-agents-matters

#Consultorías B2A existentes y marcos análogos

1. Strategic Inference. "B2A Strategy (Business-to-Agent)." https://strategic-inference.com/services/b2a-integration
2. B2X Software. "Agentic Commerce Agency — Shopify & Headless for the AI Era." https://b2x.software/
3. B2X Software. "How We Work." https://b2x.software/how-we-work
4. B2X Software. "About." https://b2x.software/about
5. Supervity. "Supervity Launches B2A Framework for Smarter Enterprise Operations Through AI Agents." July 3, 2025. https://www.supervity.ai/news/supervity-launches-b2a-framework-for-smarter-enterprise-operations-through-ai-agents
6. Realz Solutions. "AI Consulting Services for B2B." https://realzsolutions.com/services/ai-consultancy
7. b2alpha. "AI Agent Communication Network." https://b2alpha.io/
8. Human After All. "AI for B2B Commerce — GEO, Automation & Agentic Commerce." June 1, 2025. https://humanafterall.ca/ai-commerce
9. Human After All. "B2B eCommerce Strategy & Consulting." https://humanafterall.ca/strategy-consulting

#Model Context Protocol (MCP)

1. Digital Applied. "MCP Adoption Statistics 2026: Model Context Protocol." April 19, 2026. https://www.digitalapplied.com/blog/mcp-adoption-statistics-2026-model-context-protocol
2. Metosys. "Model Context Protocol (MCP): The Complete Enterprise Guide (2026)." April 4, 2026. https://metosys.com/blog/model-context-protocol-mcp-enterprise-guide-2026
3. Digital Applied. "MCP Hits 97M Downloads: Model Context Protocol Guide." March 8, 2026. https://www.digitalapplied.com/blog/mcp-97-million-downloads-model-context-protocol-mainstream
4. Microsoft Learn. "Use Model Context Protocol for Finance and Operations Apps." https://learn.microsoft.com/en-us/dynamics365/fin-ops-core/dev-itpro/copilot/copilot-mcp
5. Optijara. "Model Context Protocol (MCP): The Enterprise Implementation & Security Guide for 2026." April 29, 2026. https://www.optijara.ai/en/blog/model-context-protocol-mcp-enterprise-guide-2026
6. ModelContextProtocol.io. "Understanding MCP Servers." https://modelcontextprotocol.io/docs/learn/server-concepts
7. Microsoft Learn. "Business Central MCP Server Overview and Setup." https://learn.microsoft.com/en-us/dynamics365/business-central/dev-itpro/ai/mcp-overview
8. ModelContextProtocol.info. "MCP Server Ecosystem: From Proof-of-Concept to Production." https://modelcontextprotocol.info/docs/examples
9. Microsoft Fabric Blog. "Agentic Fabric: How MCP Is Turning Your Data Platform Into an AI-Native Operating System." April 21, 2026. https://blog.fabric.microsoft.com/en-us/blog/agentic-fabric-how-mcp-is-turning-your-data-platform-into-an-ai-native-operating-system
10. ModelContextProtocol.info. "Model Context Protocol (MCP)." January 26, 2026. https://modelcontextprotocol.info/

#Agent2Agent (A2A)

1. A2A Project. "Agent Discovery Documentation." https://github.com/google/A2A/blob/7b900e77/docs/topics/agent-discovery.md
2. A2A Project. "Specification." https://github.com/google/A2A/blob/7b900e77/docs/specification.md
3. Google Developers Blog. "Announcing the Agent2Agent Protocol (A2A)." April 9, 2025. https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/
4. Digital Applied. "Google A2A Protocol: Agent-to-Agent Communication Guide." March 10, 2026. https://www.digitalapplied.com/blog/google-a2a-protocol-agent-to-agent-communication-guide
5. GoCodeo. "Inside A2A: How Google's Agent2Agent Protocol Actually Works." https://www.gocodeo.com/post/how-googles-agent2agent-protocol-actually-works
6. IsAgentReady. "What Is Google's A2A Protocol? Agent-to-Agent Communication Explained." February 20, 2026. https://isagentready.com/en/blog/what-is-google-a2a-protocol-agent-to-agent-communication
7. IBM. "What Is A2A Protocol (Agent2Agent)?" https://www.ibm.com/think/topics/agent2agent-protocol
8. A2A Project. GitHub repository. March 25, 2025. https://github.com/a2aproject/A2A

#Protocolos de agentic commerce (ACP / UCP / AP2 / TAP / x402)

1. Agentic Commerce Protocol. https://agenticcommerce.dev/
2. Stripe. "Agentic Commerce Protocol Specification." https://docs.stripe.com/agentic-commerce/protocol/specification.md
3. Stripe. "Agentic Commerce Protocol Documentation." https://docs.stripe.com/agentic-commerce/acp
4. Yek, Justin. "Agentic Commerce Rails: Cards, Account-to-Account, and Stablecoin." https://justinyek.com/blog/agentic-commerce-rails/
5. HireNinja. "Agentic Commerce in 2026: AP2 vs. Visa TAP vs. Stripe ACP vs. x402 — A Merchant's Readiness Checklist." November 23, 2025. https://blog.hireninja.com/2025/11/23/agentic-commerce-in-2026-ap2-vs-visa-tap-vs-stripe-acp-vs-x402-a-merchants-readiness-checklist/
6. HyperTrends Global. "Agentic Payments: The Complete Protocol Comparison (x402 vs ACP vs AP2 vs TAP)." April 2, 2026. https://www.hypertrends.com/2026/04/agentic-payments-x402-acp-ap2-tap-comparison/
7. Agentic Commerce Protocol GitHub. "RFC: Agentic Checkout Specification." https://github.com/agentic-commerce-protocol/agentic-commerce-protocol/blob/main/rfcs/rfc.agentic_checkout.md
8. Agentic Commerce Protocol GitHub. "Repository." https://github.com/agentic-commerce-protocol/agentic-commerce-protocol
9. Stripe. "Stripe Agentic Commerce | Infrastructure for the Agent Economy." https://stripe.com/use-cases/agentic-commerce
10. Awesome Agents. "Visa, Mastercard, Stripe, and Google Are Racing to Give AI Agents Your Credit Card." February 21, 2026. https://awesomeagents.ai/news/payment-giants-agentic-commerce-race/

#Manifiestos y la web legible por agent

1. Agentic Patterns. "Static Service Manifest for Agents." https://agentic-patterns.com/patterns/static-service-manifest-for-agents/
2. Aiia. "ai-agent.json Specification." https://aiia.ro/spec/ai-agent-json
3. AI Manifest. "Community Draft v0.1." https://ai-manifest.org/
4. LLM-LD. "The Open Standard for AI-Readable Websites." https://llmld.org/spec
5. AgentPatterns. "llms.txt: Making Your Project Discoverable to AI Agents." http://agentpatterns.ai/standards/llms-txt/
6. Agent Internet Runtime. "agent.json Specification." https://agentinternetruntime.com/spec/agent-json
7. llmtxt.info. "The Reference Site for the AI-Readable Web Standard." https://llmtxt.info/
8. AgentPatterns. "llms.txt: Full Specification, Adoption, and Limitations." http://agentpatterns.ai/geo/llms-txt/
9. GPSController. "Documentation." https://www.gpscontroller.com/docs
10. neaagora. "agent-manifest." December 20, 2025. https://github.com/neaagora/agent-manifest

#Generative Engine Optimization (GEO) y Answer Engine Optimization (AEO)

1. Seenos. "GEO vs AEO: Generative vs Answer Engine Optimization." January 18, 2026. https://seenos.ai/geo-lens/geo-vs-aeo
2. Upfront-AI. "Generative Engine Optimization (GEO) vs AEO." January 31, 2026. https://www.upfront-ai.com/post/generative-engine-optimization-geo-vs-aeo-which-ai-seo-platform-offers-superior-content-solutions
3. BestAEOTools. "AEO vs GEO vs SEO: Differences." https://bestaeotools.com/learn/answer-engine-optimization-vs-generative-engine-optimization-vs-seo
4. AgentWiki. "Generative Engine Optimization." March 30, 2026. https://agentwiki.org/generative_engine_optimization
5. Seenos. "GEO vs. SEO vs. AEO: The Strategic Shift in Search Architecture (2025)." May 25, 2025. https://seenos.ai/aeo-fundamentals/geo-vs-seo-vs-aeo
6. Yext. "SEO vs. AEO vs. GEO: Definitions, Key Differences." September 22, 2025. https://www.yext.com/blog/2025/09/seo-vs-aeo-vs-geo
7. Upfront-AI. "Generative Engine Optimization (GEO) and AEO: The Future of SEO Content." March 17, 2026. https://www.upfront-ai.com/post/generative-engine-optimization-geo-and-aeo-the-future-of-seo-content
8. Wikipedia. "Generative Engine Optimization." https://en.wikipedia.org/wiki/Generative_engine_optimization
9. Hashmeta AI. "Generative Engine Optimization (GEO) & Answer Engine Optimization (AEO): The Complete Guide." November 9, 2025. https://www.hashmeta.ai/en/blog/generative-engine-optimization-geo-answer-engine-optimization-aeo-the-complete-guide
10. Alhaboubi, Husain. "Generative Engine Optimization: GEO vs AEO vs AIO Guide 2026." March 27, 2026. https://h-haboubi.com/blog/seo/generative-engine-optimization/

#Agents que dirigen navegadores

1. OpenAI. "Introducing Operator." January 23, 2025. https://openai.com/index/introducing-operator/
2. OpenAI. "Computer-Using Agent." January 23, 2025. https://openai.com/index/computer-using-agent/
3. Anthropic. "Introducing Computer Use, a New Claude 3.5 Sonnet, and Claude 3.5 Haiku." October 22, 2024. https://www.anthropic.com/news/3-5-models-and-computer-use
4. Ars Technica. "OpenAI Launches Operator, an AI Agent That Can Do Tasks on the Web." January 23, 2025. https://arstechnica.com/ai/2025/01/openai-launches-operator-an-ai-agent-that-can-operate-your-computer/
5. NullZen. "OpenAI Operator vs. Anthropic Computer Use: Who Is the Real King of Autonomous Browsing?" https://nullzen.dev/blog/openai-operator-vs-anthropic-computer-use/

#Commerce listo para agent (UCP, product feeds, Shopify, Adobe Commerce)

1. Digital Applied. "Complete Agentic Commerce SEO: Preparing for AI Shoppers." March 24, 2026. https://www.digitalapplied.com/blog/complete-guide-agentic-commerce-seo-preparing-ai-shoppers
2. AgentReadyHQ. "Product Feed Optimization for AI Shopping Agents: The Complete Checklist." February 1, 2026. https://agentreadyhq.com/blog/product-feed-optimization-ai-agents
3. ShopGuide. "Agent-First Discovery: Why Your Shopify Store Needs to Be 'Machine-Readable.'" March 8, 2026. https://blog.yourshopguide.com/blog/agent-first-discovery-machine-readable-shopify
4. AI Shopping Feeds. "Agentic Commerce Product Feeds." https://www.aishoppingfeeds.com/commerce/agentic-commerce-product-feeds
5. Toolient. "Product Feed Optimization for AI Agents: The 2026 Guide." March 10, 2026. https://www.toolient.com/2026/03/product-feed-optimization-ai-agents.html
6. Talk Shop. "How to Prepare Your Store for Agentic Commerce." March 26, 2026. https://www.letstalkshop.com/blog/how-to-prepare-your-store-for-agentic-commerce
7. UCPHub. "Product Feed Optimization for AI Agents (2026 Guide)." March 2, 2026. https://ucphub.ai/product-feed-optimization-for-ai-shopping-agents-the-2026-distribution-guide/
8. EU1 HubSpot. "Agentic Commerce Guide: Make Your Products Discoverable by AI Agents." January 8, 2026. https://eu1.hubs.ly/H0rxr5Q0
9. Wizzy. "From Search to Agents: How Product Discovery Is Evolving in Ecommerce." April 13, 2026. https://wizzy.ai/blog/from-search-to-ai-agents-product-discovery-evolution-in-ecommerce/
10. Creatuity. "Adobe Commerce Catalog Optimization for AI Agent Discoverability." March 16, 2026. https://www.creatuity.com/insights/adobe-commerce-catalog-optimization-ai-agent-discoverability-2026/

#Plataformas de infraestructura MCP

1. Apideck. "MCP Server for 200+ SaaS Integrations." https://www.apideck.com/mcp-server
2. Albato. "MCP Server for AI Agents: Why One Beats Fifty." April 30, 2026. https://albato.com/blog/publications/embedded-mcp-server-ai-agent
3. mcpresso. "Infrastructure for Native AI Agents." https://mcpresso.com/
4. udit.co. "MCP Integration for SaaS." https://udit.co/blog/raw/mcp-integration-saas
5. Truto. "What Is an MCP Server? The 2026 Architecture Guide for SaaS PMs." April 2, 2026. https://preview.truto.one/blog/what-is-an-mcp-server-the-2026-architecture-guide-for-saas-pms/
6. StackOne. "MCP Servers for Production AI Agents." https://stackone.com/mcp
7. Ampersand. "Why AI Agent Companies Building Vertical SaaS Need Native Product Integrations." April 16, 2026. https://www.withampersand.com/blog/why-ai-agent-companies-building-vertical-saas-need-native-product-integrations
8. Cyclr. "MCP PaaS | Turn Your API into an MCP Server." December 30, 2025. https://cyclr.com/product/mcp-paas
9. Truto. "Managed MCP for Claude: Full SaaS API Access Without the Security Headaches." March 10, 2026. https://truto.one/blog/managed-mcp-for-claude-full-saas-api-access-without-security-headaches/
10. NimbleBrain. "MCP for Enterprise: The Complete Guide to Agent Infrastructure." May 8, 2026. https://nimblebrain.ai/guides/mcp-enterprise-guide

Este whitepaper es un borrador público publicado por perea.ai Research bajo CC BY 4.0. Se agradecen los comentarios, correcciones y casos de estudio en research@perea.ai. El framework, la rúbrica de puntuación y el playbook de implementación se liberan para uso gratuito. Se agradece la atribución, pero no es obligatoria. Se agradecen las citas.

Versión 1.0 — Mayo 2026