Agent Experience (AX): cómo diseñar para los agentes de IA que actúan en nombre de tus usuarios

El 3 de junio de 2026, Matthew Prince, CEO de Cloudflare, publicó en X que los bots habían superado por primera vez el tráfico humano en la web. La vista de bots frente a humanos de Cloudflare Radar, filtrada para tráfico HTML, mostraba un 57,5 % de peticiones procedentes de bots frente a un 42,5 % de humanos. Prince había declarado en el SXSW, en marzo, que ese cruce llegaría en 2027, así que se adelantó bastante a su propia previsión.

Es un cambio estructural en cómo se usa la web, con implicaciones directas para cualquier equipo que esté diseñando o rediseñando una plataforma digital en este momento. El tráfico de bots y el tráfico de agentes de IA no son lo mismo, claro. El tráfico automatizado abarca desde crawlers tradicionales y sistemas de monitorización hasta scrapers y bots maliciosos. Pero el cruce apunta a un cambio más amplio: la web es consumida cada vez más por máquinas, y una proporción creciente de esas máquinas no solo indexa páginas. Actúa en nombre de usuarios.

Durante años, el diseño digital ha girado en torno a dos personas: el usuario final y el desarrollador. La UX nos enseñó que la tecnología tiene que adaptarse a las personas, no al revés. La DX extendió ese principio a quienes construyen los sistemas. Si la API es confusa, la documentación falta o el entorno de desarrollo es frustrante, el producto sufre antes de llegar siquiera al usuario.

Ahora un tercer actor interactúa con nuestras plataformas de una forma completamente diferente: el agente de IA. Una disciplina emergente está tomando forma a su alrededor, descrita cada vez más como AX, o Agent Experience.

UX, DX, AX: tres perspectivas, un mismo producto

La UX pregunta cómo percibe e interactúa una persona con una interfaz. Sus métricas son cognitivas y emocionales: claridad, simplicidad, accesibilidad, tiempo hasta completar una tarea. Una buena UX implica jerarquía visual clara, un microcopy que no oculte nada, flujos intuitivos y accesibilidad que no bloquee a nadie.

La DX hace una pregunta similar sobre un tipo diferente de usuario: el desarrollador que consume una API, configura un SDK o integra un servicio. Lo que importa es la coherencia de los contratos, los mensajes de error útiles, una buena documentación y un ciclo de feedback rápido. Una buena DX deja a los desarrolladores pensar en su propio problema en lugar de pelearse con la herramienta.

La AX añade una tercera capa: ¿cómo navega, comprende y opera un agente autónomo dentro de nuestro producto digital? Un agente no percibe una plataforma como lo haría una persona, ni la consume como lo haría una integración de API tradicional. Actúa: lee páginas, interpreta contenido, sopesa opciones, decide y ejecuta pasos, a menudo de forma iterativa y sin que nadie supervise cada movimiento.

El nuevo perfil del tráfico web

Según el informe 2026 State of AI Traffic & Cyberthreat Benchmark Report de HUMAN Security, el tráfico de agentes de IA creció un 7.851 % interanual, y el tráfico impulsado por IA en su conjunto casi triplicó su volumen a lo largo de 2025. Ese número necesita contexto. El tráfico agéntico partía de una base muy pequeña en 2024, por lo que gran parte de ese enorme porcentaje refleja lo incipiente que era la categoría. Aun así, HUMAN observó que a finales de 2025 su volumen absoluto había crecido lo suficiente como para registrarse en grandes plataformas digitales.

HUMAN distingue a los agentes de los crawlers y scrapers tradicionales por lo que hacen: navegar páginas, rellenar formularios, comparar productos, iniciar transacciones, gestionar flujos de cuentas.

La asimetría que hay detrás de todo esto es fácil de visualizar. Cuando un humano busca un hotel en Barcelona para el fin de semana, quizás consulta un puñado de sitios. Cuando un agente realiza la misma tarea, puede inspeccionar potencialmente cientos de páginas, comparar opciones, revisar resultados y ejecutar múltiples pasos antes de entregar al usuario una respuesta.

WorkOS lo documenta con precisión: el tráfico humano no ha disminuido; lo que ha ocurrido es que cada acción humana genera ahora órdenes de magnitud más peticiones de máquina, y cada vez más esa actividad proviene de sistemas que no se parecen en nada a los crawlers tradicionales.

Según el informe State of Agentic Traffic de HUMAN Security para abril de 2026, los navegadores agénticos representaron cerca del 71 % de la actividad observada entre sus 10 principales agentes, liderados por Comet de Perplexity con un 48,12 % y Atlas de OpenAI con un 21,33 %. La extensión de Chrome de Claude le seguía con un 17,33 %. A diferencia de los crawlers que construyen un índice, los agentes basados en navegador llegan con cadenas de user-agent, cookies y patrones de sesión que se parecen mucho a la navegación humana.

El desglose por industrias es igualmente revelador. En abril, los medios de comunicación representaron el 45,62 % del tráfico agéntico observado, el ecommerce el 38,20 % y los viajes el 14,12 %. En conjunto, esas tres categorías concentraron aproximadamente el 98 % de la actividad que HUMAN observó.

El panorama evoluciona rápido, además. En junio, el ecommerce había adelantado a los medios, y Claude había superado a Atlas como segunda fuente más importante de tráfico agéntico observado. Los rankings exactos seguirán cambiando; la dirección importa más que cualquier instantánea puntual.

Los agentes se están convirtiendo en participantes de los recorridos digitales, mucho más allá de la navegación. La investigación de HUMAN muestra actividad agéntica llegando a flujos de autenticación, cuentas, checkout y pagos, lo que evidencia que los sistemas autónomos están yendo más allá de la recuperación de información y adentrándose en interacciones reales.

Esto es directamente relevante para el retail, la banca, los seguros, las reservas, los viajes y la gestión de servicios, muchos de los mismos entornos donde Mimacom diseña y construye plataformas digitales. La pregunta importante es si nuestras plataformas son comprensibles y operables cuando esas máquinas actúan por clientes reales.

Qué necesita realmente un agente

Un agente de IA que reserva un vuelo, compara productos de seguros o gestiona una solicitud de servicio no lee una página como lo hace un humano. No se detiene en el carrusel de imágenes ni responde a la jerarquía visual. Intenta extraer señales semánticas: qué hace un botón, a qué compromete al usuario el envío de un formulario, si un precio es definitivo, qué ocurre a continuación, si ha cambiado el estado del proceso y qué condiciones se aplican a una opción.

Cuando la AX es deficiente, los agentes suelen tropezar de formas predecibles:

• Ambigüedad semántica. Controles genéricos como "Continuar", "Siguiente" o "Enviar" tienen sentido visualmente para un humano que puede leer la interfaz circundante, pero no siempre dicen lo suficiente sobre qué hace realmente la acción. Un agente no debería tener que adivinar qué ocurre tras un clic.
• Fragmentación del flujo. La información crítica a menudo se dispersa entre modales, tooltips, desplegables, pestañas o elementos que solo aparecen tras una interacción previa. Un humano puede explorar eso visualmente. Un agente puede no encontrarlo nunca, o encontrarlo demasiado tarde.
• Estructuras no parseables. Las comparativas de precios, especificaciones de producto y condiciones contractuales a veces se presentan en imágenes o maquetaciones visuales sin estructura semántica real detrás. La información es técnicamente visible pero programáticamente ambigua.
• Estado oculto. Cuando se aplica un descuento, cambia un precio, una reserva avanza a la siguiente fase o una solicitud queda incompleta, puede que nada de eso aparezca con claridad en el DOM, la URL u otro estado legible por máquina. El agente tiene entonces que inferir qué ha ocurrido, y la inferencia es donde empiezan los errores.

Una AX deficiente ralentiza a los agentes y, sobre todo, los hace menos fiables. El agente actúa basándose en información que leyó mal, que no encontró o que asumió incorrectamente, y la persona para la que trabaja carga con las consecuencias.

Por qué la AX importa ahora, en el diseño del próximo proyecto

Archivar la AX bajo "algo que necesitaremos eventualmente" sería un error. Cuando un equipo empieza a diseñar una plataforma de ecommerce, un portal de servicios financieros, un sistema de reservas o una experiencia de atención al cliente, la pregunta ya no es solo: ¿encontrarán los clientes esto usable? Hay una segunda pregunta ahora: ¿pueden los agentes que actúan por esos clientes operarlo de forma fiable?

Las implicaciones prácticas ya son significativas. Un agente que trabaja en una plataforma con buena AX completa las tareas en menos pasos y con menos reintentos, lo que significa menor coste de cómputo y menos latencia para el usuario final. También es mucho menos probable que tome la acción equivocada cuando puede ver con claridad sus opciones, sus consecuencias y el estado actual de un proceso. Una AX deficiente es ineficiente, y además crea oportunidades para el error.

Las primeras investigaciones apuntan en la misma dirección. En un preprint de Said Elnaffar y Farzad Rashidi de julio de 2026, una versión de un prototipo de ecommerce preparada para agentes se completó con éxito en el 89,3 % de las pruebas, frente al 49,3 % de una versión base por lo demás idéntica, y los agentes necesitaron de media 6,49 pasos en lugar de 9,31. El estudio es pequeño: un solo prototipo, cinco tareas y tres modelos, así que conviene tomarlo como una señal orientativa y no como un benchmark.

La confianza se resiente en silencio. Cuando un agente no consigue completar una tarea, los usuarios raramente se paran a preguntarse si el sitio subyacente tenía controles ambiguos o estado oculto. Simplemente ven un asistente que falló, y una AX deficiente daña la fiabilidad percibida de las experiencias agénticas en general.

También está en juego el alcance. A medida que los agentes median cada vez más en el descubrimiento, la comparación y las transacciones, ser legible para ellos se convierte en otra dimensión de la descubribilidad y operabilidad digital. Una plataforma que los humanos pueden usar pero con la que los agentes tienen dificultades sistemáticas corre el riesgo de volverse menos útil en los recorridos mediados por agentes, por lo que la AX pertenece a la conversación de diseño e ingeniería desde el primer día, y no a una iniciativa de IA aparte.

Un punto de partida para diseñar con AX en mente

Diseñar para agentes no significa construir dos productos separados, uno para humanos y otro para máquinas. En la mayoría de los casos, una buena AX surge de hacer el producto existente más explícito, estructurado y predecible.

• Etiquetar las acciones por intención. Los controles deben decir qué hacen, no solo dónde se ubican en una secuencia. "Continuar al pago" dice más a humanos y agentes que "Continuar". "Confirmar reserva" es más claro que "Enviar". La consecuencia de una acción debe ser clara antes de ejecutarla.
• Hacer el estado visible. El progreso a través de un flujo, los descuentos aplicados, la disponibilidad, los errores de validación, los precios cambiantes, las opciones seleccionadas y el estado de las transacciones deben estar representados explícitamente. Los agentes no deberían tener que reconstruir el estado de la aplicación a partir de pistas visuales.
• Estructurar el contenido para el parsing. Las tablas comparativas, las cuadrículas de precios, los términos contractuales, las especificaciones de producto y los resúmenes de pedido necesitan una estructura semántica real. Si una información es relevante para tomar una decisión, no debería existir solo como decoración visual.
• Hacer los errores accionables. Un agente necesita más que "Algo salió mal". Un error útil explica qué falló, por qué cuando es posible, y si la acción puede reintentarse o corregirse. Este es ya un principio básico de una buena DX. La AX simplemente lo extiende a las interacciones que se producen a través del propio producto.
• Diseñar las acciones para que sean seguras y predecibles. Una vez que los agentes pueden realizar acciones y no solo recuperar información, la predictibilidad se vuelve crítica. Las operaciones con efectos secundarios deben comportarse de forma consistente. Las acciones repetidas no deben crear transacciones duplicadas por accidente. Las acciones de alto impacto o irreversibles deben dejar claras sus consecuencias antes de ejecutarse. Cuanta más autonomía tenga un agente, más importan estas salvaguardas.
• Documentar los flujos críticos como contratos. Una buena DX documenta sus APIs. Una buena AX debería traer el mismo pensamiento a los recorridos de usuario importantes: qué acciones están disponibles, qué información requieren, qué cambia tras cada una, qué estados son terminales, de cuáles errores se puede recuperar, qué acciones necesitan confirmación explícita. Tratar los flujos como contratos hace las interfaces más predecibles para los agentes y, habitualmente, más claras también para los humanos.

Diseñar para tres audiencias

La UX nos hizo mejores diseñadores y la DX, mejores ingenieros. La AX nos pide reunir ambas cosas con un nuevo hecho en mente: nuestros productos digitales ya no tienen un único tipo de visitante.

Los agentes de IA son clientes autónomos y programáticos que actúan en nombre de personas reales, así que no encajan ni en el molde del usuario avanzado ni en el de una API tradicional. Diseñar para ellos consiste, en última instancia, en garantizar que las personas que delegan tareas en esas máquinas obtengan resultados precisos, predecibles y fiables.

Los equipos que integran la AX en su proceso desde el principio acaban con plataformas más fáciles de navegar para los asistentes, más baratas de operar y menos propensas a errores inducidos por los agentes. Y muchos de los mismos principios que hacen una plataforma amigable para los agentes (intención explícita, estructura semántica, estado visible, acciones predecibles, errores útiles) también la hacen mejor para humanos y desarrolladores.

Los agentes ya están llegando a tu plataforma, así que la pregunta es si está preparada para recibirlos.

Nota sobre los datos

Las cifras de este artículo son instantáneas de un ecosistema que cambia rápidamente, no líneas de base permanentes. HUMAN Security identificó a Comet, Atlas y Claude como las tres mayores fuentes de tráfico agéntico observado en abril de 2026. En junio, Claude había adelantado a Atlas. En abril, los medios lideraban el ecommerce como principal destino; en junio, el ecommerce había tomado la delantera.

Los rankings seguirán cambiando. Lo que importa más es el patrón de fondo: creciente actividad agéntica en descubrimiento, comercio, autenticación, cuentas y flujos transaccionales. Consultar los últimos datos de Cloudflare Radar y HUMAN Security antes de reutilizar estas cifras en futuras publicaciones.