El artículo presenta el modelo Dynamic Verifiable Multi-Agent Human Agentic Loyalty Loop (DVM-HALL) para abordar cómo los paradigmas tradicionales de lealtad del cliente fallan cuando los agentes de IA ejecutan decisiones de compra de forma autónoma. Propone un marco donde la elección de marca está determinada por la equidad emocional humana, la utilidad agéntica, la confianza calibrada y los riesgos de ejecución verificable en entornos de finanzas descentralizadas.
- El modelo DVM-HALL utiliza una formulación de probabilidad softmax para determinar conjuntamente la selección basada en la equidad emocional humana, la utilidad de la experiencia de la máquina y la autoridad delegada.
- Cuenta con mecanismos de actualización recursiva para calibrar dinámicamente la confianza y la delegación después de cada interacción.
- El marco integra una capa de ejecución verificable para DeFi y lealtad tokenizada, incorporando riesgos como costos de gas, deslizamiento (slippage), exposición a MEV y vulnerabilidades en contratos inteligentes.
- Los autores presentan el Net Human-Agent Score (NHAS), una métrica auditable y ponderada por riesgo que mide la alineación humano-agente utilizando retroalimentación, registros y recibos verificables.
- Se propone un plan de validación empírica en tres etapas, que abarca experimentos de compra controlados, simulaciones de mercado con múltiples agentes y entornos de prueba DeFi.
Este marco proporciona la teoría fundamental necesaria para que las marcas naveguen la transición hacia clientes basados en máquinas.