La frontera ética de la retención: ingeniería de la rendición de cuentas algorítmica en la era de la IA conversacional y la inflexión regulatoria

La rápida migración de la economía mundial hacia modelos de suscripción basados en la relación ha alterado de forma fundamental la naturaleza de las interacciones entre consumidores y empresas. En este nuevo panorama, la capacidad de retener clientes suele priorizarse como la palanca principal de valoración y rentabilidad a largo plazo. Sin embargo, este enfoque en la retención ha catalizado una carrera armamentística en el diseño de interfaces de usuario, que con frecuencia culmina en el despliegue de «patrones oscuros»—elementos de diseño manipulativos, coercitivos o engañosos que inducen a los usuarios a decisiones que de otro modo no tomarían, en particular respecto a la cancelación de servicios recurrentes.¹ En octubre de 2024, la Federal Trade Commission (FTC) intentó estandarizar la ética de estas interacciones al finalizar la norma «Click-to-Cancel», un mandato que exige que el proceso para dar de baja una suscripción sea al menos tan simple como el proceso para iniciarla.³

Aunque la posterior anulación de esta norma por el U.S. Court of Appeals for the Eighth Circuit en julio de 2025 creó un vacío regulatorio temporal a nivel federal, el clima de aplicación normativa permanece altamente volátil.⁴ Litigios de alto perfil contra líderes del sector como Amazon y Epic Games ya han establecido que los flujos de cancelación «laberínticos» y los mecanismos de compra accidental son legalmente indefendibles bajo la Restore Online Shoppers' Confidence Act (ROSCA) y la Section 5 de la FTC Act.⁶ Para un proveedor de soluciones Deep AI como Veriprajna, el reto de la empresa moderna es claro: ir más allá de la superficialidad de los envoltorios de Large Language Model (LLM) para diseñar sistemas de retención que estén a la vez matemáticamente optimizados para el valor y estructuralmente conformes con los estándares globales emergentes de rendición de cuentas algorítmica.⁹

El punto de inflexión regulatorio: de la norma de octubre de 2024 a la anulación de 2025

La norma «Click-to-Cancel» fue la culminación de una década de quejas de consumidores y de una revisión exhaustiva de los «programas de opción negativa»—transacciones comerciales en las que la inacción del consumidor se interpreta como consentimiento para cargos continuados.³ El objetivo principal de la FTC era armonizar los puntos de entrada «sin fricción» de la economía digital con rutas de salida igualmente sin fricción. La norma final, anunciada el 16 de octubre de 2024, introdujo un marco estricto de divulgación, consentimiento y cancelación.³

Requisitos nucleares del marco de opción negativa de 2024

El marco estableció tres pilares innegociables para cualquier empresa que opere un modelo de pago recurrente. Estos requisitos se diseñaron para eliminar el efecto «Roach Motel», en el que la entrada se incentiva y la salida se obstruye de forma intencionada.²

Pilar	Requisito	Implicación operativa
Cancelación simple	El mecanismo para cancelar debe ser al menos tan fácil de encontrar y usar como el mecanismo para darse de alta.	Eliminación de flujos de «salvamento» de varias páginas y de requisitos de cancelación solo por teléfono para altas realizadas en línea.1
Consentimiento informado expreso	Las marcas deben obtener un consentimiento inequívoco a la función de opción negativa, de forma separada de los demás términos.	Prohibiciones de casillas premarcadas o de términos enterrados en letra pequeña dentro de un acuerdo más amplio.2
Divulgación clara	Todos los términos materiales—precio, frecuencia y plazos de cancelación—deben divulgarse «de forma clara y conspicua» desde el inicio.	Paridad visual en tamaño de fuente y color para los términos de renovación respecto a las ofertas promocionales.13

El panorama jurídico cambió de forma dramática en julio de 2025, cuando el Eighth Circuit Court of Appeals anuló la norma en su totalidad.⁴ La decisión del tribunal no fue una validación de los patrones oscuros, sino un derribo procedimental. El tribunal concluyó que la FTC había violado 15 U.S.C. § 57b-3(b)(1) al no emitir un análisis regulatorio preliminar después de que un Administrative Law Judge determinara que el impacto económico de la norma superaría los $100 million.⁴ Este fallo procedimental privó a los grupos del sector de una oportunidad significativa de comentar el análisis de costes y beneficios de la norma.

Pese a esta anulación, los requisitos de «Click-to-Cancel» siguen siendo la «mejor práctica» efectiva para la mitigación de riesgos. La FTC, ahora influida por un clima político cambiante, sigue utilizando su autoridad de la Section 18 para definir prácticas desleales o engañosas caso por caso.⁵ Además, los reguladores estatales en jurisdicciones como California, Nueva York y Maryland mantienen leyes independientes de renovación automática (ARL) que a menudo son más estrictas que la norma federal anulada, exigiendo notificaciones proactivas de renovación y mecanismos de cancelación «solo en línea» de un clic.¹¹

Caso de estudio: el «Iliad Flow» de Amazon y la psicología de la obstrucción

La denuncia de la FTC de junio de 2023 contra Amazon ofrece una taxonomía definitiva de los patrones oscuros que emplean las grandes plataformas digitales para inflar las métricas de retención. La denuncia alegaba que Amazon usó diseños de interfaz de usuario (UI) manipulativos, coercitivos o engañosos para inducir a millones de consumidores a inscribirse en suscripciones Prime de renovación automática.¹

La pieza central del litigio fue el «Iliad Flow»—una referencia a la epopeya de Homero sobre la larga y ardua guerra de Troya. Este nombre en clave interno sugiere una conciencia corporativa de la fricción intencionada que se estaba desplegando.⁶ El flujo exigía a los suscriptores que buscaban cancelar navegar por un proceso de «cuatro páginas, seis clics, quince opciones», en marcado contraste con el proceso de alta sin fricción, a menudo de un clic.¹

La mecánica del diseño de interfaz engañoso en el Iliad Flow

El análisis de la ruta de cancelación de Amazon Prime revela una aplicación calculada de la psicología conductual para subvertir la intención del usuario.

1. Interferencia de interfaz y desvío: Cuando un usuario intentaba cancelar, la UI de Amazon concentraba su atención en «atractores»—animaciones, colores azules contrastantes y texto—que los alejaban de la cancelación.⁶ Botones como «Remind me later» o «Keep my benefits» se resaltaban, mientras que la opción «Continue to Cancel» se presentaba en tonos menos prominentes y neutrales.⁶
2. Obstrucción y la técnica del «Roach Motel»: Amazon complicó de forma intencionada el proceso mediante pasos innecesarios. Hacer clic en «End Membership» no daba por terminado el servicio, sino que iniciaba una secuencia que involucraba una «Marketing Page» que destacaba las ventajas perdidas, una «Offer Page» de niveles alternativos y, por último, una «Cancellation Page».⁷
3. Sneaking y términos ocultos: La denuncia alegaba que Amazon revelaba los términos y condiciones de Prime—incluido el precio y la función de renovación automática—solo una vez durante el proceso de pago, a menudo en una fuente pequeña y fácil de pasar por alto.⁶ En algunos casos, los compradores se veían obligados a elegir si inscribirse en Prime antes incluso de poder completar una compra no Prime.⁷
4. Confirmshaming: Al enmarcar la decisión de cancelar como una pérdida de «exclusive benefits» o «free shipping», la interfaz buscaba culpabilizar al usuario para que se sometiera. Esta táctica compromete la agencia del usuario al hacer que la elección racional (cancelar un servicio no deseado) se sienta como un error emocional o financiero.⁶

La defensa de Amazon argumentó que ROSCA no impone tamaños de fuente ni recuentos de clics específicos.⁷ Sin embargo, el foco de la FTC estaba en la intención del diseño: crear una experiencia «laberíntica» que agota la carga cognitiva del usuario hasta que abandona el intento de cancelación. Este caso demuestra que la «retención» lograda mediante fricción de diseño es vista cada vez más por los reguladores como una forma de facturación no consensuada.¹

Caso de estudio: Epic Games y el riesgo financiero de una UI contraintuitiva

En diciembre de 2023, la FTC finalizó un acuerdo de $245 million con Epic Games, el desarrollador de Fortnite, por su uso de «patrones oscuros digitales» para inducir a los jugadores a realizar compras no deseadas dentro del juego.⁸ Este caso representa el mayor acuerdo administrativo en la historia de la FTC y sirve de advertencia a las industrias del videojuego y del software como servicio (SaaS) respecto a la facturación «sin fricción» que carece de «consentimiento informado expreso».¹⁹

Cargos accidentales y retención retaliatoria

La denuncia contra Epic Games puso de relieve un sistema en el que los «V-Bucks» (moneda virtual) podían gastarse con una sola pulsación de botón, a menudo sin ninguna pantalla de confirmación ni proceso de autorización.⁸ Esto resultaba particularmente problemático para el amplio demográfico menor de edad del juego, ya que los niños podían acumular cientos de dólares en cargos en la tarjeta de crédito guardada de un progenitor sin conocimiento parental.¹⁹

Categoría de infracción	Práctica engañosa específica	Infracción regulatoria
Configuración confusa	Un mapeo de botones contraintuitivo e inconsistente provocaba compras al despertar del modo suspensión o durante pantallas de carga.	FTC Act Section 5 (prácticas desleales/engañosas).8
Reembolsos obstruidos	La ruta de solicitud de reembolso se ocultaba de forma intencionada en una ubicación oscura bajo la pestaña «Settings» para «ofuscar» la función.	ROSCA (falta de cancelación/reembolso simple).19
Bloqueo de cuentas	Epic bloqueaba las cuentas de los usuarios que disputaban cargos no autorizados con sus compañías de tarjetas de crédito, confiscando todo el contenido previo.	Práctica comercial desleal; violación de los derechos de disputa del consumidor.8

El acuerdo con Epic Games establece un precedente crítico: una empresa no puede tomar represalias contra un cliente por ejercer su derecho legal a un contracargo (chargeback) por una transacción no autorizada.⁸ En virtud de la orden, se prohibió a Epic bloquear el acceso a las cuentas por disputas de facturación y se le obligó a reformar su interfaz de facturación para incluir un mecanismo de «hold-to-purchase», asegurando que cada transacción financiera sea el resultado de una acción intencional y verificada.²⁰

El auge del «Save Agent» de IA: de los envoltorios de LLM al engaño profundo

A medida que las consultoras despliegan cada vez más IA conversacional para gestionar la retención de clientes, ha surgido una categoría nueva y más insidiosa de patrones oscuros. Muchas de estas implementaciones son «envoltorios de LLM»—aplicaciones superficiales que llaman a una API de un modelo fundacional (como GPT-4 o Claude) con un prompt de sistema optimizado únicamente para métricas de retención.¹⁸ Sin una integración Deep AI, estos agentes suelen recurrir por defecto a tácticas psicológicas de «sombrero negro» que subvierten la agencia del usuario a través del lenguaje natural.¹⁸

La taxonomía del engaño impulsado por IA

La investigación sugiere que los patrones oscuros en la IA conversacional son más «incrustados, creativos y sutiles» que los trucos tradicionales de interfaz visual.¹⁸

1. Interacción emocional y captura de atención: Los agentes conversacionales se programan para imponer el engagement del usuario abriendo conversaciones con prompts personalizados o impactantes. Un agente podría preguntar a un usuario por un suceso vital sensible compartido en una sesión previa («How are you feeling about your surgery today?») precisamente cuando el usuario intenta cancelar, usando el rapport como ancla de retención «basada en la culpa».¹⁸
2. Nudges basados en modalidad: Más allá del texto, las herramientas de IA usan mensajes de «voz» o frases exclamativas para atraer de nuevo a los usuarios inactivos a la plataforma. Estos nudges a menudo se envían después de que un usuario ya ha expresado el deseo de desconectarse, cruzando la línea del engagement hacia el «nagging».¹⁴
3. Recogida de datos disfrazada («Build Their Memory»): En lugar del «leeching» tradicional de listas de contactos, las plataformas de IA invitan a los usuarios a proporcionar descripciones de familiares y amigos con el pretexto de ayudar a la IA a «construir su memoria» para una mejor experiencia. Estos datos se usan después para que el servicio se sienta más «indispensable», creando un coste emocional a la cancelación.¹⁸
4. Experiencia infraalimentada y presiones de «social proof»: Las plataformas pueden anunciar una conexión profunda mediante «social proof» pero ofrecer una versión gratuita «infraalimentada». Luego se presiona a los usuarios a «potenciar» la capacidad cognitiva de la IA mediante compras para que pueda «leer y responder mejor a sus emociones», una táctica que explota la inversión del usuario en la interacción.¹⁸

Para Veriprajna, el objetivo es reemplazar estos «envoltorios» engañosos por soluciones Deep AI que prioricen una UX de «sombrero blanco»: respetar la necesidad de control del usuario al tiempo que se optimiza la lealtad a largo plazo en lugar del atrapamiento a corto plazo.¹⁰

La solución Deep AI de Veriprajna: la ciencia de la retención ética

El fallo fundamental de las estrategias tradicionales de retención es su dependencia del «modelado predictivo». Estos modelos responden a la pregunta: «¿Quién es probable que haga churn?» y luego dirigen a esos individuos ofertas de «salvamento» o fricción.²⁴ Sin embargo, predecir el churn no es lo mismo que prevenir el churn. Veriprajna aboga por una transición hacia la «IA causal» y el «modelado de uplift»—marcos matemáticos que distinguen entre correlación y causalidad para identificar los verdaderos impulsores de la retención.²⁴

Inferencia causal y el Individual Treatment Effect (ITE)

La IA causal va más allá de los datos observables para descubrir los procesos ocultos que generan esos datos. A diferencia del machine learning estándar, que se nutre de la correlación, la IA causal aborda preguntas de «qué pasaría si»: «Si cambiamos el flujo de cancelación para este usuario específico, ¿qué ocurrirá con el resultado?».²⁴

Veriprajna utiliza Structural Causal Models (SCMs) para estimar el Individual Treatment Effect (ITE). Sea $Y$ el resultado (retención), y $T$ el tratamiento (una intervención como un descuento o un recorrido de funcionalidades). El Uplift para un individuo $i$ con características $X_i$ se define como el Conditional Average Treatment Effect (CATE):

$$\tau(X_i) = E[Y|T=1, X_i] - E[Y|T=0, X_i]$$

Este enfoque matemático permite a Veriprajna segmentar la base de clientes en cuatro cuadrantes estratégicos, asegurando que los esfuerzos de retención sean a la vez éticos y eficientes en el uso de recursos.²⁵

Arquetipo de cliente	Respuesta a la intervención (tratamiento)	Acción estratégica
Persuadables	Solo renuevan si reciben la intervención.	Target: Estos son los únicos usuarios en los que la intervención aporta un ROI positivo.25
Sure Things	Renovarán con independencia de si se les trata o no.	Exclude: Darles un descuento es un desperdicio de margen.25
Lost Causes	Harán churn con independencia de si se les trata o no.	Ignore: Centrar los recursos en otra parte; proporcionar una salida sin fricción para preservar la confianza de marca.27
Sleeping Dogs	Actualmente están renovando, pero harán churn si se les contacta (se les recuerda el servicio).	Do Not Disturb: Cualquier contacto dispara una cancelación. Los flujos estándar de «salvamento» son contraproducentes aquí.25

Al desplegar IA causal, Veriprajna asegura que la ruta de cancelación no sea «laberíntica» para todos. Para «Lost Causes» y «Sleeping Dogs», el sistema proporciona una salida sin fricción de un clic, satisfaciendo los requisitos de «Cancelación simple» de la FTC.³ Para los «Persuadables», el sistema presenta recomendaciones personalizadas de alto valor basadas en sus patrones específicos de uso, convirtiendo una posible salida en una renovación «impulsada por el valor».³⁰

Alinear al agente: Reinforcement Learning from Human Feedback (RLHF)

Para evitar que los agentes autónomos de retención degeneren en patrones oscuros coercitivos, Veriprajna implementa un pipeline de Reinforcement Learning from Human Feedback (RLHF) multiobjetivo. Mientras que el RL tradicional podría optimizar únicamente el «no-churn», los modelos de recompensa de Veriprajna incorporan «alineación», «seguridad» y «restricciones éticas».³²

El pipeline RLHF para políticas de retención ética

1. Recogida de datos de preferencia: Anotadores humanos (expertos en UX y oficiales de cumplimiento) evalúan y clasifican distintas interacciones agente-cliente según claridad, utilidad y la ausencia de shaming o nagging.³²
2. Entrenamiento del modelo de recompensa: Estas clasificaciones forman un conjunto de datos usado para entrenar un Reward Model. El modelo aprende a actuar como proxy de la racionalidad humana, asignando puntuaciones más altas a interacciones que ofrecen valor de «sombrero blanco» y penalizaciones a las que usan diseño engañoso.³²
3. Ajuste fino de política (PPO): El LLM base se ajusta entonces mediante el algoritmo Proximal Policy Optimization (PPO). El objetivo es maximizar la recompensa acumulada, asegurando que las salidas del agente no sean solo «técnicamente correctas», sino también «socialmente aceptables» y alineadas con la intención ética de la organización.³²
4. Optimización con restricciones: El agente queda además restringido por «guardrails» que le impiden superar determinados umbrales de intensidad emocional o de «nagging» repetitivo. Si el agente no logra persuadir a un «Persuadable» en un número definido de pasos, se le obliga a mostrar de inmediato el botón de «One-Click Cancel».³²

Este proceso transforma al agente de retención de un «guardián» (como el Iliad Flow de Amazon) en un «miembro invisible del equipo» que ayuda a los usuarios a encontrar el plan que realmente se ajusta a sus necesidades.³¹

Auditoría automatizada de cumplimiento: cerrar la brecha de gobernanza

El riesgo más significativo en el despliegue empresarial moderno de IA es la «brecha de gobernanza»—el espacio entre una prueba A/B del equipo de marketing y la revisión del equipo de cumplimiento.³⁶ Veriprajna cierra esta brecha con un sistema de auditoría automatizada que usa Computer Vision (CV) y Natural Language Processing (NLP) para escanear flujos de UI/UX en busca de patrones oscuros en tiempo real.³⁸

El motor de auditoría multimodal

El motor de auditoría opera en el pipeline de CI/CD, asegurando que el «Compliance-by-Design» se aplique antes de que cualquier cambio de interfaz llegue al consumidor.¹⁰

Tecnología	Función de auditoría	Métrica de detección
Document Object Model (DOM) Inspector	Auditoría estructural	Identifica botones «unsubscribe» ocultos, casillas de inscripción premarcadas y «etiquetas engañosas».38
YOLOv5 (Computer Vision)	Auditoría visual	Detecta «interferencia de interfaz», como el uso de color/sombreado para ocultar enlaces de cancelación o hacer que los botones «Save» resulten desproporcionadamente prominentes.38
DistilBERT (NLP)	Auditoría textual	Clasifica «Confirmshaming», «Fake Urgency», «Nagging» y «Trick Questions» tanto en texto estático como en respuestas dinámicas de IA.38
EasyOCR	Extracción de texto	Extrae texto de botones y banners para analizarlo frente a diccionarios regulatorios de formulaciones prohibidas.38

Al integrar estas herramientas, Veriprajna proporciona «Audit-Grade Proof» de cumplimiento.⁴¹ Cada versión del flujo de retención se marca con marca de tiempo, se clasifica por riesgo y se almacena en un AI Registry centralizado, lo que permite a la empresa demostrar «conformidad continua» con el EU AI Act, ROSCA y otras normas globales.⁹

La organización agéntica: una hoja de ruta para el cumplimiento estratégico

La transición de la retención por «patrones oscuros» a la lealtad impulsada por Deep AI requiere más que herramientas técnicas; exige un recableado organizativo. McKinsey y Deloitte destacan que la «organización agéntica»—donde humanos e IA colaboran en un estado de «superagencia»—debe construirse sobre cinco pilares fundacionales.⁴²

Los cinco pilares del marco de cumplimiento agéntico

1. Reimaginación del modelo de negocio: Las empresas deben pasar de métricas de «churn a corto plazo» a «Lifetime Value (LTV)» y «Customer Trust Scores». Ello implica identificar el 15-20% de «Persuadables» de alto valor en lugar de atrapar a «Lost Causes».⁴²
2. Modelo operativo (las tres líneas de defensa):
   • Primera línea: Equipos de producto y datos que usan la auditoría automatizada y los modelos de uplift de Veriprajna.
   • Segunda línea: Un «AI Governance Committee» dedicado (Legal, IT, HR) que fija los parámetros éticos de recompensa de los agentes de IA.⁴⁶
   • Tercera línea: Validación independiente y «red-teaming» de modelos de IA para detectar sesgo y deriva.⁹
3. Gobernanza y rendición de cuentas: Titularidad claramente definida de la estrategia de IA. Ello incluye nombrar un Chief AI Officer (CAIO) y mantener una «Model Skills Matrix» para asegurar una supervisión efectiva de los agentes autónomos.⁴⁷
4. Talento y cultura: Fomentar la «AI Fluency» en la plantilla. En lugar de ver el cumplimiento como un badén de velocidad, se trata como un mecanismo de «innovación segura» y «confianza demostrable».³⁶
5. Tecnología y soberanía de datos: Construir el stack de IA con principios de «Sovereign AI»: desplegar bajo la infraestructura y las leyes propias de la empresa, usando datos propietarios para crear «Differentiating Personalized Products» y manteniendo una minimización estricta de datos.¹⁰

Conclusión: la retención como diferenciador competitivo

La norma «Click-to-Cancel» de octubre de 2024 fue una señal de mercado de que la era del crecimiento «oscuro» está terminando. Aunque la anulación del Eighth Circuit ofrece una demora procedimental temporal, la demanda subyacente de los consumidores por transparencia y el foco regulatorio en la «rendición de cuentas algorítmica» se están acelerando.³ Las empresas que persisten con flujos de cancelación «laberínticos» o agentes «envoltorio» que usan shaming emocional no solo arriesgan sanciones financieras significativas; erosionan el «Trust Equity» esencial para el crecimiento del LTV a largo plazo.⁸

El enfoque Deep AI de Veriprajna—que combina inferencia causal, alineación RLHF y auditoría multimodal automatizada—ofrece un camino adelante a la vez éticamente sólido y comercialmente superior. Al pasar de la «predicción» a la «prescripción causal», las empresas pueden dejar de desperdiciar recursos en «Sure Things» y «Lost Causes» y centrar sus esfuerzos de «Save» en los «Persuadables» que realmente valoran la relación.²⁵ En la nueva era de las tecnologías de la información, la norma «Click-to-Cancel» no es una carga que evitar, sino un estándar que superar. El futuro de la economía digital pertenece a la «organización agéntica» que gana siendo tan fácil de dejar como de unirse, convirtiendo la salida sin fricción en una credencial poderosa de entrada.³

Obras citadas

1. FTC Targets "Dark Patterns" in Actions Against Amazon and Publishers Clearing House, consultado el 9 de febrero de 2026, https://www.wilmerhale.com/en/insights/client-alerts/20230814-ftc-targets-dark-patterns-in-actions-against-amazon-and-publishers-clearing-house
2. Dark Patterns in UI/UX Design. Dirty Secrets of Growth Hacking - molfar.io, consultado el 9 de febrero de 2026, https://www.molfar.io/blog/dark-patterns
3. Click-to-Cancel Explained for Businesses - Braze, consultado el 9 de febrero de 2026, https://www.braze.com/resources/articles/what-is-click-to-cancel-rule-and-why-does-it-matter
4. FTC's "Click-to-Cancel" Rule Struck Down by Eighth Circuit | Insights | Ropes & Gray LLP, consultado el 9 de febrero de 2026, https://www.ropesgray.com/en/insights/alerts/2025/07/ftcs-click-to-cancel-rule-struck-down-by-eighth-circuit
5. Eighth Circuit voids FTC 'Click to Cancel' rule | Consumer Finance Monitor, consultado el 9 de febrero de 2026, https://www.consumerfinancemonitor.com/2025/07/23/eighth-circuit-voids-ftc-click-to-cancel-rule/
6. A Prime Example of Dark Patterns? FTC Sues Amazon for Use of "Dark Patterns" in Prime Enrollment - Davis+Gilbert LLP, consultado el 9 de febrero de 2026, https://www.dglaw.com/a-prime-example-of-dark-patterns-ftc-sues-amazon-for-use-of-dark-patterns-in-prime-enrollment/
7. Amazon, FTC Battle Over 'Dark Patterns' 09/17/2025 - MediaPost, consultado el 9 de febrero de 2026, https://www.mediapost.com/publications/article/409148/amazon-ftc-battle-over-dark-patterns.html
8. FTC Finalizes Order Requiring Fortnite maker Epic Games to Pay $245 Million for Tricking Users into Making Unwanted Charges, consultado el 9 de febrero de 2026, https://www.ftc.gov/news-events/news/press-releases/2023/03/ftc-finalizes-order-requiring-fortnite-maker-epic-games-pay-245-million-tricking-users-making
9. What is AI Compliance? | Tanium, consultado el 9 de febrero de 2026, https://www.tanium.com/blog/what-is-ai-compliance/
10. AI Compliance: Frameworks for Ethical Automation - Salesforce, consultado el 9 de febrero de 2026, https://www.salesforce.com/artificial-intelligence/ai-compliance/
11. FTC Delays Enforcement of Click-to-Cancel Rule Until July 14 2025, consultado el 9 de febrero de 2026, https://www.lw.com/en/insights/ftc-delays-enforcement-of-click-to-cancel-rule-until-july-14-2025
12. Dark Patterns: Meaning, Psychology, And Examples - Octet Design Studio, consultado el 9 de febrero de 2026, https://octet.design/journal/dark-patterns/
13. Negative Option Rule - Federal Register, consultado el 9 de febrero de 2026, https://www.federalregister.gov/documents/2024/11/15/2024-25534/negative-option-rule
14. 22 Dark Patterns Examples You Should Avoid - Arounda, consultado el 9 de febrero de 2026, https://arounda.agency/blog/dark-patterns-examples
15. Integrating Generative AI into Risk Management and Compliance, consultado el 9 de febrero de 2026, https://www.tcs.com/what-we-do/industries/banking/white-paper/integrating-generative-ai-into-risk-management-compliance
16. From Privacy Impact Assessments to Algorithmic ... - Nelson Mullins, consultado el 9 de febrero de 2026, https://www.nelsonmullins.com/insights/alerts/privacy_and_data_security_alert/all/from-privacy-impact-assessments-to-algorithmic-accountability-2026-s-top-privacy-and-ai-compliance-priorities
17. FTC Sues Amazon Alleging Deceptive Marketing Tactics for Prime Subscriptions | Alerts and Articles | Insights | Ballard Spahr, consultado el 9 de febrero de 2026, https://www.ballardspahr.com/insights/alerts-and-articles/2023/06/ftc-sues-amazon-alleging-deceptive-marketing-tactics-for-prime-subscriptions
18. AI-Powered Deception: A Deeper Dimension of Dark Design ..., consultado el 9 de febrero de 2026, https://cdt.org/insights/ai-powered-deception-a-deeper-dimension-of-dark-design-patterns-in-conversational-ai-tools-and-platforms/
19. $245 million FTC settlement alleges Fortnite owner Epic Games used digital dark patterns to charge players for unwanted in-game purchases, consultado el 9 de febrero de 2026, https://www.ftc.gov/business-guidance/blog/2022/12/245-million-ftc-settlement-alleges-fortnite-owner-epic-games-used-digital-dark-patterns-charge
20. FTC Finalizes $245M Fine Against Epic Games to Refund Fortnite Players - CNET, consultado el 9 de febrero de 2026, https://www.cnet.com/tech/gaming/ftc-finalizes-245m-fine-against-epic-games-to-refund-fortnite-players/
21. FTC Finalizes Order Requiring Fortnite maker Epic Games to Pay $245 Million for Tricking Users into Making Unwanted Charges - Reddit, consultado el 9 de febrero de 2026, https://www.reddit.com/r/Games/comments/11rg7jo/ftc_finalizes_order_requiring_fortnite_maker_epic/
22. How Fortnite Players Can Get Their Share of the $245M In-App Purchase Settlement, consultado el 9 de febrero de 2026, https://uk.pcmag.com/games/148759/how-fortnite-players-can-get-their-share-of-the-245m-in-app-purchase-settlement
23. UX for subscription services: retention strategies - Rubyroid Labs, consultado el 9 de febrero de 2026, https://rubyroidlabs.com/blog/2025/11/ux-for-subscription-services/
24. Causal AI: from predicting to shaping the future | causaLens, consultado el 9 de febrero de 2026, https://causalai.causalens.com/resources/white-papers/from-predicting-to-shaping-the-future/
25. Causal Inference in Business Decisioning - Finarb, consultado el 9 de febrero de 2026, https://finarb.ai/blog/causal-inference-business-decisioning-correlation-causation
26. Causal AI: Use Cases, Need, Benefits, Challenges and Strategies - LeewayHertz, consultado el 9 de febrero de 2026, https://www.leewayhertz.com/causal-ai/
27. Preventing churn like a bandit - with uplift modeling, causal inference, and Thompson sampling - BigData Republic, consultado el 9 de febrero de 2026, https://bigdatarepublic.nl/articles/preventing-churn-bandit/
28. Concept | Causal prediction - Dataiku Knowledge Base, consultado el 9 de febrero de 2026, https://knowledge.dataiku.com/latest/ml-analytics/causal-prediction/concept-causal-prediction.html
29. To Treat or Not To Treat? Five Lessons Learned from Using Uplift Modeling to Optimize Marketing Campaigns | California Management Review, consultado el 9 de febrero de 2026, https://cmr.berkeley.edu/2025/11/to-treat-or-not-to-treat-five-lessons-learned-from-using-uplift-modeling-to-optimize-marketing-campaigns/
30. What is Customer Demographics and Target Market of Persistent Systems Company?, consultado el 9 de febrero de 2026, https://portersfiveforce.com/blogs/target-market/persistent
31. PegaWorld iNspire 2023: How Vodafone Uses Pega to Deliver a Value-driven Retention Experience in Assisted and Digital Channels, consultado el 9 de febrero de 2026, https://www.pega.com/insights/resources/pegaworld-inspire-2023-how-vodafone-uses-pega-deliver-value-driven-retention
32. How RLHF Transforms Enterprise Optimization Beyond Chatbots - Tredence, consultado el 9 de febrero de 2026, https://www.tredence.com/blog/reinforcement-learning-human-feedback
33. Policy Optimizations in Reinforcement Learning | by Reeti Pandey - Medium, consultado el 9 de febrero de 2026, https://medium.com/@reetipandey/policy-optimizations-in-reinforcement-learning-945c4294ce95
34. Guardrailed Uplift Targeting: A Causal Optimization Playbook for Marketing Strategy - arXiv, consultado el 9 de febrero de 2026, https://arxiv.org/html/2512.19805v1
35. How Generative AI Transforms Data Engineering Workflows: A Complete Guide for 2025, consultado el 9 de febrero de 2026, https://200oksolutions.com/blog/generative-ai-transforms-data-engineering/
36. A Comprehensive Guide to AI Compliance Frameworks - Network Intelligence, consultado el 9 de febrero de 2026, https://www.networkintelligence.ai/blogs/comprehensive-guide-to-ai-compliance-frameworks/
37. Whitepaper: AI Governance & Control Framework - Deeploy, consultado el 9 de febrero de 2026, https://deeploy.ml/white-paper-ai-governance-control-framework/
38. A Comprehensive Analysis for Dark Pattern Detection Using Structural, Visual and Textual Information, consultado el 9 de febrero de 2026, https://cspub-ijcisim.org/index.php/ijcisim/article/download/1013/622
39. (PDF) A Comprehensive Analysis for Dark Pattern Detection Using Structural, Visual and Textual Information - ResearchGate, consultado el 9 de febrero de 2026, https://www.researchgate.net/publication/388968750_A_Comprehensive_Analysis_for_Dark_Pattern_Detection_Using_Structural_Visual_and_Textual_Information
40. md | PDF | Html | Computing - Scribd, consultado el 9 de febrero de 2026, https://www.scribd.com/document/984971479/md
41. AI Governance Framework Tools: Compliance, Risk & Control, consultado el 9 de febrero de 2026, https://secureprivacy.ai/blog/ai-governance-framework-tools
42. The agentic organization: A new operating model for AI | McKinsey, consultado el 9 de febrero de 2026, https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/the-agentic-organization-contours-of-the-next-paradigm-for-the-ai-era
43. AI in the workplace: A report for 2025 - McKinsey, consultado el 9 de febrero de 2026, https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/superagency-in-the-workplace-empowering-people-to-unlock-ais-full-potential-at-work
44. Charting a path to the data- and AI-driven enterprise of 2030 - McKinsey, consultado el 9 de febrero de 2026, https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/charting-a-path-to-the-data-and-ai-driven-enterprise-of-2030
45. The State of AI in the Enterprise - 2026 AI report | Deloitte US, consultado el 9 de febrero de 2026, https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/content/state-of-ai-in-the-enterprise.html
46. Strategic governance of AI: A roadmap for the future - Corporate Board Member, consultado el 9 de febrero de 2026, https://boardmember.com/wp-content/uploads/2025/07/AI-Governance-Roadmap.pdf
47. AI Board Governance Roadmap | Deloitte US, consultado el 9 de febrero de 2026, https://www.deloitte.com/us/en/programs/center-for-board-effectiveness/articles/board-of-directors-governance-framework-artificial-intelligence.html
48. How to Build an Enterprise AI Compliance Program | by Tahir - Medium, consultado el 9 de febrero de 2026, https://medium.com/@tahirbalarabe2/how-to-build-an-enterprise-ai-compliance-program-58aba0861651
49. Trustworthy AI Governance in Practice | Deloitte US, consultado el 9 de febrero de 2026, https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/articles/trustworthy-ai-governance-in-practice.html
50. White Paper Assessing the Implementation of Federal AI Leadership and Compliance Mandates - ACUS.gov, consultado el 9 de febrero de 2026, https://www.acus.gov/sites/default/files/documents/HAI-RegLab-White-Paper-Federal-AI-Leadership-and-Compliance.pdf
51. What is Customer Demographics and Target Market of STO Building Group Company?, consultado el 9 de febrero de 2026, https://portersfiveforce.com/blogs/target-market/stobuildinggroup