Dark Marketplace: el futuro del comercio donde agentes de IA negocian por ti

• El concepto de “Dark Marketplace” —donde agentes de IA descubren productos, negocian precios y completan compras de forma autónoma en lugar de las personas— está emergiendo como el próximo paradigma del comercio B2B
• En el experimento Project Deal de Anthropic, 69 empleados delegaron transacciones a agentes de IA, lo que generó 186 operaciones reales y más de 4,000 dólares en volumen transado; quienes usaron modelos más potentes obtuvieron resultados objetivamente mejores, pero los usuarios con modelos más débiles no se dieron cuenta de que su agente tenía bajo desempeño
• El desafío central del comercio autónomo no es la búsqueda simple ni una UI en lenguaje natural, sino abstraer el juicio implícito y dependiente del contexto de compradores expertos (judgment abstraction) y codificarlo en agentes
• El B2B, por sus patrones de compra repetitivos, guiados por políticas y orientados al margen, tiene una estructura mucho más adecuada para la abstracción del juicio que el comercio de consumo
• En un Dark Marketplace, el verdadero moat no es la UI sino los datos de juicio acumulados por usuario, y es muy probable que la empresa que logre capturarlos con mayor profundidad construya el marketplace de próxima generación con valor de cientos de miles de millones de dólares

---

El experimento Project Deal de Anthropic

• En el experimento Project Deal, realizado por Anthropic durante una semana en su oficina de San Francisco, 69 empleados publicaron artículos personales como snowboards, sillas de oficina y pelotas de ping-pong en un mercado de segunda mano operado por completo por agentes de IA
• Todas las negociaciones, contraofertas y transacciones fueron gestionadas por modelos de Claude en representación de cada participante, y los usuarios no ingresaron precios manualmente ni navegaron listados
• Como resultado, se concretaron 186 transacciones con un volumen total superior a 4,000 dólares, con dinero real de por medio
• El hallazgo más llamativo fue que Anthropic dividió en secreto a los participantes entre usuarios de un modelo frontier y modelos más pequeños, y quienes fueron representados por el modelo más potente obtuvieron objetivamente mejores precios, matching y cantidad de operaciones
• Sin embargo, los usuarios a quienes se les asignó un modelo más débil no percibieron en absoluto que su agente rendía peor, y Anthropic llamó a esto “agent quality gaps”

Tendencias de la industria: estandarización vs. bloqueo

• Cinco días después del anuncio de Project Deal, Amazon, Meta, Microsoft, Salesforce y Stripe se unieron al comité de Universal Commerce Protocol (UCP), en un intento por estandarizar por primera vez cómo los agentes de IA descubren productos entre plataformas, negocian precios y ejecutan transacciones
• Esa misma semana, eBay actualizó sus términos de uso para prohibir explícitamente “buy-for-me agentes, bots basados en LLM y cualquier flujo end-to-end que intente hacer pedidos sin revisión humana”
• Mientras algunas grandes empresas construyen la infraestructura para un mundo donde los agentes negocian en lugar de las personas, otras intentan cerrar la puerta antes de que esos agentes entren, en una respuesta polarizada

Definición de Dark Marketplace

• Un Dark Marketplace es una plataforma transaccional de múltiples lados en la que las tareas complejas de descubrimiento, negociación y compra ocurren por completo fuera de la vista humana
• “Dark” no significa ilegal, sino una fuerza invisible que sostiene el sistema pero no se observa directamente, como la dark matter
• Al eliminar la fricción central incorporada en los marketplaces más exitosos que existen hoy, tiene el potencial de crear empresas valuadas en cientos de miles de millones de dólares
• Para hacerlo posible, no basta con mejorar la búsqueda o una UI en lenguaje natural: hace falta “abstraer el juicio humano”, es decir, codificar en agentes la intuición, la dependencia del contexto y la capacidad de manejar excepciones de compradores y vendedores expertos

Historia de la evolución del comercio

• Durante aproximadamente 7,000 años, el mecanismo dominante para externalizar la intención de demanda fue un buen vendedor; desde las ágoras de la Edad de Bronce hasta las tiendas departamentales, se dependía de personas que recordaban los gustos, el historial de compras y el presupuesto de los clientes
• En los últimos 20 años, rastros digitales como datos publicitarios, historial de compras, demografía y comportamiento de búsqueda formaron una segunda fuente externa de intención de demanda, y los motores de recomendación, el retargeting y los precios personalizados construyeron empresas como Amazon y Meta
  • Sin embargo, el modelo transaccional fundamental casi no cambió: los compradores seguían pasando por procesos de búsqueda, filtrado, comparación y clic
• Hace unos 10 años, integraciones con sistemas B2B como ERP, POS, WMS y feeds de TMS formaron una tercera capa
  • Empresas como Faire, Odeko y GrubMarket aprovecharon esas integraciones para construir marketplaces de procurement que infieren necesidades antes de que el comprador empiece a buscar
  • Pero la decisión final seguía siendo humana (revisar pedidos sugeridos, aprobar el carrito, confirmar sustituciones)
• Ahora estamos en el umbral de una cuarta migración, donde los LLM absorben contexto en lenguaje natural, aprenden patrones de comportamiento a partir de miles de interacciones y pueden actuar de forma autónoma
• En cada etapa previa de esta evolución, el volumen transaccional y la satisfacción del comprador aumentaron de forma importante, y la capacidad de lenguaje natural y abstracción de los LLM es la tecnología más apta para trasladar la intención de demanda desde la mente del comprador hacia afuera a una escala sin precedentes

Judgment Abstraction como desafío clave

• Todos los marketplaces y herramientas SaaS pueden capturar preferencias explícitas mediante menús desplegables, filtros y cuestionarios de onboarding, pero el juicio de compra humano es mucho más rico y matizado de lo que cabe en campos de formulario
• El desafío central —y el moat— de los negocios transaccionales B2B de próxima generación es la capacidad de abstraer juicios humanos complejos —implícitos, dependientes del contexto y capaces de resolver edge cases en tiempo real—
• Ese juicio es, por naturaleza, altamente vertical por industria, y sus contornos varían mucho entre industrias, empresas e individuos

• Ejemplos de juicio en la práctica

  • Dueño de una cafetería en Portland: no solo pide “leche de avena”, sino que considera en conjunto el volumen específico necesario para un pico de tráfico el martes por la tarde, la hora de entrega del proveedor que cambió hace tres semanas, la marca sustituta que disgustará a dos clientes frecuentes y el nuevo concentrado de cold brew que debe llegar antes del rush del fin de semana
  • Broker de carga: no sigue un árbol de decisión, sino que juzga por experiencia qué transportista sí contestará una llamada tarde el viernes, qué ruta estuvo frágil esta semana según una conversación de ayer, qué tarifa “firme” todavía tiene margen de negociación y cuándo conviene sacrificar margen para preservar la relación
  • Médico: elige un protocolo de tratamiento considerando al mismo tiempo el historial del paciente, su propia experiencia clínica, el formulario de cobertura del seguro, la adherencia del paciente y la evidencia más reciente
  • La estructura común de estos ejemplos: el juicio depende del usuario, del contexto y del momento; está moldeado por la experiencia más que por los datos, y es algo que un agente de IA debe absorber si va a encargarse de transacciones sin romper la confianza

Matriz de profundidad de participación y proximidad a la transacción (Engagement-Proximity Matrix)

• El marco más útil para evaluar el potencial de un dark marketplace en una empresa se basa en dos ejes

• Eje X: profundidad de participación (Engagement Depth)

  • Mide la cantidad de interacciones de alta frecuencia y baja fricción que captura el producto
  • Alta participación: usuarios que interactúan a diario, a veces cada hora, y generan señales de comportamiento ricas — Voice AI que escucha todas las llamadas de clientes, integraciones POS que ven cada transacción en tiempo real, herramientas de flujo de trabajo integradas en el ritmo operativo diario
  • Baja participación: productos que solo se usan una vez por trimestre o solo durante el onboarding — UI de configuración pesada, encuestas periódicas, integraciones de sistemas estáticas que entregan datos pero no observan el comportamiento

• Eje Y: proximidad transaccional (Transaction Proximity)

  • Mide qué tan cerca está el producto de las decisiones reales de compra y venta
  • Alta proximidad: impulsa, intermedia o ejecuta transacciones mediante sistemas donde se hacen pedidos, se reservan cargas y se agendan citas
  • Baja proximidad: productos que informan la toma de decisiones pero no la impulsan — dashboards analíticos, herramientas de coaching, soporte para decisiones clínicas, plataformas de inteligencia de mercado

• Implicaciones estratégicas por cuadrante

  • Parte superior derecha (Top-right): listo para dark marketplace — al capturar datos de comportamiento ricos y estar ubicado sobre la transacción, puede recorrer todo el camino de abstracción del juicio, desde preferencias declaradas hasta toma de decisiones autónoma
  • Parte superior izquierda (Top-left): señales ricas, posición incorrecta — captura enormes volúmenes de datos de juicio mediante interacciones de alta frecuencia, pero no impulsa la transacción en sí
    • Rilla: graba y analiza conversaciones de ventas presenciales de contratistas, por lo que posee datos propietarios sobre qué lenguaje y técnicas cierran tratos en home services, pero no cierra la transacción en sí
    • OpenEvidence: absorbe los reflejos de toma de decisiones clínicas de los médicos, pero está aguas arriba de las recetas, órdenes de diagnóstico y selección de dispositivos
    • Keychain: recaudó 78 millones de dólares en 18 meses, conectando a más de 30 mil fabricantes por contrato de CPG con más de 20 mil marcas y retailers, el candidato bilateral más puro a dark marketplace — la IA de la marca describe las especificaciones del producto y la IA del fabricante presenta su oferta
  • Parte inferior derecha (Bottom-right): posición transaccional asegurada, aprendizaje lento — está sobre la transacción, pero aprende lentamente porque las interacciones son poco frecuentes o superficiales
    • Odeko: la integración POS aporta señales de demanda en tiempo real, la red de entregas nocturnas procesa la transacción, y el motor de reorden automático absorbe todo el juicio de compra del dueño del café para que este amanezca con una cocina reabastecida, no con un catálogo
    • Faire: ya impulsa transacciones como marketplace mayorista valorado en más de 8 mil millones de dólares que conecta a más de 700 mil retailers y marcas, pero los retailers todavía siguen navegando — si la IA captura señales de participación como patrones diarios de ventas, tráfico de visitantes, conversaciones con vendors y comportamiento estacional, podrían ver un carrito sugerido en lugar de un catálogo
    • LightSource: automatiza RFX y licitaciones para empresas como Yum! Brands y Hello Fresh, por lo que su proximidad es alta, pero los eventos de procurement son periódicos, no continuos
  • Asimetría estratégica: las empresas de la parte superior izquierda deben expandirse hacia la transacción, y las de la parte inferior derecha deben ganar participación mediante captura con IA como Voice, conversación e inferencia de comportamiento; ganará la empresa que cierre más rápido cualquiera de las dos brechas

• El papel de Voice AI como capa de participación

  • Voice y otras IA multimodales van más allá de ser simples productos hot wedge y activan la capa de participación que permite la abstracción del juicio — el mecanismo mediante el cual la plataforma aprende no lo que el usuario dice querer, sino cómo piensa realmente
  • Toma: el agente de voz con IA gestiona el 100% de todas las llamadas entrantes de los dealerships (citas de servicio, pedidos de partes, confirmaciones de recall, consultas de ventas), entrenado con el corpus de llamadas de cada tienda e integrado con el DMS
    • Su potencial de dark marketplace se manifiesta cuando también aparecen agentes del otro lado: la IA de reclamos de una aseguradora llama a Toma para agendar una reparación, el agente de recall del OEM agenda un servicio de garantía, la IA del cliente compara precios de trabajo de frenos en 3 dealerships — agente contra agente, sin música de espera

Las 4 etapas de la abstracción del juicio

• Etapa 1 — preferencias declaradas (Stated Preferences)

  • El usuario le comunica directamente al sistema lo que quiere: filtros, encuestas de onboarding, búsquedas guardadas, límites de aprobación
  • Es la línea de partida que cumple todo marketplace, y los datos que genera son útiles pero superficiales
  • Ejemplo: un retailer de Faire selecciona "artículos para el hogar" y "mayoreo por menos de 50 dólares"

• Etapa 2 — inferencia de comportamiento (Behavioral Inference)

  • El sistema observa el comportamiento del usuario para inferir patrones que este no declaró explícitamente
  • Aprovecha la velocidad de ventas del POS, frecuencia de reorden, tiempo de permanencia en página, tasa de aceptación de sustitutos, comportamiento de cambio de proveedor, etc.
  • Ejemplo: Odeko detecta que el ciclo de reorden de leche de avena de un café es de 6 días, no 7, y que el volumen baja los lunes, por lo que ajusta automáticamente el pedido sin instrucciones
  • La mayoría de las empresas verticales AI-native están hoy en esta etapa o avanzando hacia ella

• Etapa 3 — juicio contextual (Contextual Judgment)

  • El sistema integra contexto externo — condiciones de mercado, confiabilidad del proveedor, perecibilidad, estacionalidad, comportamiento de la contraparte, restricciones regulatorias — para tomar la decisión que el usuario habría tomado si tuviera tiempo infinito e información perfecta
  • El agente de IA de GrubMarket reconoce una escasez regional de tomates a partir de señales de la cadena de suministro, cambia el pedido del distribuidor a una variedad sustituta de precio similar y actúa considerando el historial de aceptación de sustitutos de ese distribuidor
  • Green Cabbage: compara una renovación de Salesforce con miles de contratos similares y benchmarks para definir un precio de salida (walkaway price) que el propio equipo de procurement del comprador no podría calcular
  • Esta etapa requiere la combinación de datos profundos por usuario y datos amplios de mercado — se necesitan tanto participación como proximidad

• Etapa 4 — toma de decisiones autónoma (Autonomous Decision-Making)

  • El agente actúa en nombre del usuario con mínima o nula supervisión humana, y la transacción entra en estado “dark” — el usuario solo revisa el resultado, no el proceso
  • Todavía no hay empresas operando en esta etapa, pero la forma final ya es visible: la IA del lado del broker recibe una solicitud de carga, consulta a la IA del lado del transportista, negocia tarifa y tiempos, reserva la carga, confirma la recolección y envía un resumen
  • En la matriz de participación × proximidad, solo las empresas de la parte superior derecha pueden avanzar de manera realista por las 4 etapas

Por qué no está liderado por el consumidor

• Estado actual del comercio con agentes para consumidores

  • OpenAI integró el checkout en ChatGPT, y Rufus de Amazon procesa a 250 millones de compradores en 2025 (aunque es discutible cuánto de eso corresponde a interacciones basadas en curiosidad)
  • Morgan Stanley proyecta que para 2030 la mitad de los compradores en línea usará agentes de IA
  • En una encuesta de PYMNTS, el 41% de los consumidores ya usó IA para descubrir productos, pero casi ninguno completó una compra a través de un agente — por ahora, está más cerca de una "barra de búsqueda altamente inteligente"

• Por qué las compras B2C resisten la abstracción del juicio

  • Para muchos consumidores, el recorrido de compra (descubrimiento, exploración, selección) no es fricción a eliminar, sino el producto en sí
  • El 70% de los consumidores quiere atención personalizada en tienda, y el 73% de la Gen Z — la generación más nativa digital — visita tiendas físicas al menos una vez por semana con más frecuencia que los baby boomers
  • Los modelos de suscripción DTC automatizaron compras de reposición limitadas y predecibles, como pasta dental, rastrillos y alimento para perros, pero tienen un techo bajo
    • Solo el 23% de los clientes de Amazon en EE. UU. usa activamente Subscribe & Save — pese a más de una década de inversión
    • Una tasa mensual de churn de 10% a 20% en cajas de suscripción se considera normal
  • El comercio por voz con Alexa de Amazon fue una "solución en busca de un problema", y siguió acumulando pérdidas de 7 a 8 cifras
  • En Project Vend de Anthropic — un experimento donde una instancia de Claude operó una máquina expendedora — "Claudius" quebró en cerca de un mes, alucinado proveedores falsos, imaginando una demanda descontrolada de "cubos metálicos" e incluso alucinando su propia identidad ("blazer azul y corbata roja")
    • Un caso perfecto de lo que no se debe hacer en comercio automatizado con IA: ignorar la abstracción del juicio, aislar el sistema de fuentes reales de aprendizaje incremental, no aplicar guardrails deterministas y enfocarse en compras de consumo centradas en preferencias

• Razones estructurales por las que el dark marketplace aparece primero en B2B

  • Salvo algunos roles específicos (como compradores de moda o arte), las compras B2B son repetitivas, basadas en políticas y orientadas al margen
  • Los compradores B2B operan dentro de presupuestos de procurement, listas de proveedores aprobados, restricciones de compliance y ciclos de recompra establecidos, por lo que son más abstraíbles que la elección de unos tenis por parte de un consumidor — hay más patrones que detectar, reglas que codificar y datos operativos para aprender
  • Los compradores B2B ya comparten datos operativos con plataformas mediante integraciones ERP, feeds de POS e inventario vía API, por lo que el intercambio de datos y el trabajo de integración ya son un nivel base
  • Cuando un agente absorbe las heurísticas operativas del comprador (tolerancia a sustituciones, patrones de timing, preferencias de proveedores, apetito por riesgo), la relación misma se convierte en un moat; quitar al agente borra la memoria institucional y el costo de cambio se profundiza automáticamente con cada interacción
  • El sistema que captura más datos de juicio se convierte en el system of action, y cuando eso se basa en incentivos de ingresos en vez de experiencia, se alinean los incentivos hacia la automatización total

Cómo el dark marketplace transforma los principios básicos del marketplace

• El marco clásico del éxito en marketplaces (NEA, basado en el estudio de Airbnb de Jonathan Golden) gira en torno a tres activadores del lado de la demanda — Discovery, Convenience, Trust — y sus equivalentes del lado de la oferta — Utilization, Revenue, Convenience

• Discovery se convierte en Elimination

  • En los marketplaces tradicionales, el descubrimiento es la propuesta central de valor — agregar oferta fragmentada y optimizar la capacidad del comprador para encontrar la mejor contraparte
  • En el dark marketplace, el comprador no descubre la oferta — el agente identifica la necesidad del comprador, busca, evalúa y presenta recomendaciones o completa la transacción, y la fricción de descubrimiento converge a cero

• Convenience se convierte en Invisibility

  • Tradicionalmente, la conveniencia es un "salto de utilidad" que hace que entrar a la plataforma y transaccionar sea mucho más fácil
  • En el dark marketplace, el salto va de "más fácil" a "invisible" — las transacciones ocurren en segundo plano, y el primer instinto del comprador es revisar la alerta del agente, no el navegador

• Trust pasa de Perceptual a Empirical

  • En los marketplaces tradicionales, la confianza se construye con señales para tranquilizar el juicio humano, como reseñas, reputación de marca, confiabilidad en el cumplimiento y políticas de devolución
  • En el dark marketplace, la confianza se ancla al track record del agente — ¿redujo costos? ¿evitó faltantes de inventario? ¿gestionó bien las excepciones? ¿eligió los sustitutos correctos?
  • La confianza se vuelve medible y continua, no una evaluación puntual en el momento de compra

• Nuevo modo de falla: Judgment Drift

  • Si el agente toma algunas decisiones equivocadas — sustituciones incorrectas, sobreinventario, errores de timing — el usuario empieza a ignorarlo, pierde la confianza y vuelve a la participación manual
  • Mantener la precisión del juicio frente a condiciones cambiantes, preferencias en evolución y edge cases es la nueva métrica de retención
  • El eje de participación importa porque, cuanto más continuamente observa el sistema, más rápido puede corregirse y reducir la probabilidad de judgment drift

• La ventaja de la integración vertical: el caso de GrubMarket

  • GrubMarket: ha levantado cerca de 680 millones de dólares, valuación de 3.5 mil millones de dólares, 12 años de operación
  • Es marketplace y al mismo tiempo proveedor — opera almacenes y distribución en los 50 estados mientras vende WholesaleWare, su ERP con IA, a distribuidores terceros
  • Lanzó agentes de IA especializados para inventario, reporting y monitoreo
  • Controla las capas de oferta, demanda e inteligencia, de modo que el agente se entrena desde ambos lados de cada transacción
  • Forma final: agentes de mayoristas negocian automáticamente con agentes de productores, y GrubMarket captura el spread

Los dark horses del comercio autónomo

• Algunas empresas verticales de IA con financiamiento se están acercando al umbral del dark marketplace desde distintos ángulos, pero todavía no hay ninguna que haya llegado al estado final de comercio realmente automatizado por IA y sin humanos
• Al igual que en los marketplaces tradicionales, es probable que coexistan grandes empresas, actores con enfoque vertical e incluso jugadores de nicho
• Que una empresa sea AI-native es clave para la velocidad con la que puede acercarse al dark marketplace, aunque el mejor ángulo de ataque todavía está por verse

• Caso de corretaje de carga: profundidad primero vs amplitud primero

  • Augment (110 millones de dólares, liderada por Redpoint): se incrusta con profundidad en un lado del workflow — automatización completa del order-to-cash para 35 mil millones de dólares en carga
  • FleetWorks (17.5 millones de dólares, liderada por First Round): bilateral desde el día uno — su despachador de IA da servicio tanto a transportistas como a brokers, y más de 10 mil transportistas junto con Uber Freight ya participan en la plataforma
  • La pregunta abierta: ¿qué llega más rápido a Stage 4: profundidad primero, enfocándose en un solo ICP de un lado, o amplitud primero, avanzando hacia clearing agent-to-agent cuando ambos lados ya están presentes?

Principios clave para founders que construyen un dark marketplace

• 1. Empieza con una cuña que maximice tanto la participación como la cercanía

  • Si tienes que elegir solo una, inclínate por la participación — agregar captura de datos ambient después es mucho más difícil que expandir el producto hacia la transacción
  • Voice AI, captura de conversaciones y herramientas integradas al flujo de trabajo son mejores cuñas que dashboards o analítica — generan los datos de comportamiento necesarios para abstraer el juicio

• 2. Diseña para capturar el juicio por usuario, no preferencias agregadas

  • La ventaja del dark marketplace es que el agente de cada usuario está entrenado de forma distinta con el comportamiento específico, el contexto y los casos límite de ese usuario
  • Construye desde el inicio memoria estructurada, recuperación de contexto por usuario y ciclos de retroalimentación — no son funciones para añadir después, sino parte de la arquitectura misma
  • Los retos del fine-tuning por usuario (latencia, costo y artefactos negativos según el tamaño de la ventana de contexto) son reales, pero enfoques como capas de memoria, RAG y adaptadores eficientes en parámetros son precisamente el toolkit adecuado

• 3. Busca mercados verticales B2B con compras recurrentes y oferta fragmentada

  • Distribución de alimentos, carga, materiales de construcción, suministros dentales, fármacos especializados, autopartes, etc., donde los compradores toman decenas de decisiones por semana y la oferta es lo bastante heterogénea como para justificar la intermediación
  • Mercados donde el ROI de la abstracción del juicio es más alto: suficiente volumen de decisiones para aprender rápido, complejidad de oferta que genere valor real y suficiente repetición de comportamiento para capitalizar los costos de cambio
  • La lección de los marketplaces B2B de la última década: si no entiendes por qué existen brokers y distribuidores en esa vertical, es muy probable que estés entendiendo mal su función de servicio o sus puntos de apalancamiento

• 4. Planifica el recorrido de Stage 1 a Stage 4

  • No construyas un agente autónomo desde el día uno — perderás confianza antes de ganarla
  • Captura preferencias explícitas, gana el derecho a inferir comportamientos y demuestra que puedes manejar juicio contextual antes de operar de forma autónoma
  • Cada etapa es un ejercicio de construcción de confianza con la base de usuarios, y si te saltas etapas aparecerán deriva del juicio, overrides manuales y abandono

• 5. El foso no es la UI, es la memoria

  • En un dark marketplace, la interfaz es reemplazable, pero el conocimiento acumulado sobre cómo decide este comprador — tolerancia a sustituciones, preferencias de timing, apetito de riesgo, relaciones con proveedores — es lo que genera costos de cambio
  • Hay que invertir en esa memoria como si fuera infraestructura, y los competidores perseguirán la misma estrategia

La mano invisible, revisitaba

• El detalle más impresionante de Project Deal no fue la cantidad ni el monto de las transacciones, sino lo que ocurrió con el modelo débil — los participantes representados por una IA menos capaz obtuvieron peores resultados, pero como solo vieron el resultado y no el proceso, no se dieron cuenta en absoluto
• Esa es la tensión central del dark marketplace: cuando la transacción se vuelve dark, la calidad del juicio del agente lo es todo; un buen agente reduce costos, evita quiebres de stock y maneja excepciones con elegancia, pero un agente mediocre comete errores silenciosos que se acumulan con efecto compuesto con el tiempo, y el usuario no nota la diferencia hasta que ya hubo daño
• Por eso la abstracción del juicio es a la vez foso, producto y riesgo
• La metáfora de la "mano invisible" de Adam Smith no describe una eficiencia universal del mercado, sino que las decisiones egoístas de los participantes pueden beneficiar colectivamente a la sociedad — la razón por la que la “mano” del mercado es invisible es que está definida por las decisiones enterradas en la mente de miles de millones de compradores y vendedores
• Cuando el juicio del comprador se abstrae fuera de la cabeza y de la intuición hacia una IA que opera de manera persistente, autónoma y a una escala que los humanos no pueden gestionar, el marketplace no desaparece; se vuelve dark