Pay As You GoPrueba gratuita de 7 días; no se requiere tarjeta de crédito
La IA generativa crea contenido nuevo (texto, imágenes, música, código y más) mediante el aprendizaje de patrones a partir de grandes conjuntos de datos. A diferencia de la IA tradicional, no solo analiza los datos, sino que genera resultados originales basados en patrones aprendidos. Funciona con redes neuronales y se basa en indicaciones, datos de entrenamiento y fichas para producir resultados. Las empresas lo utilizan para tareas como la redacción, el diseño, el servicio al cliente y la automatización, lo que ahorra tiempo y reduce los costos. Sin embargo, su implementación requiere prestar atención a la seguridad, el cumplimiento y el control de costos. Comprender términos como redes neuronales, modelos de aprendizaje automático e ingeniería rápida es clave para aprovechar su potencial de manera efectiva.
La forma en que la IA generativa crea contenido puede parecer compleja a primera vista, pero sigue un proceso claro y lógico cuando se divide en pasos. En esencia, la IA generativa se basa en aprender de grandes cantidades de datos para producir material nuevo.
Este proceso implica analizar conjuntos de datos extensos, recibir capacitación avanzada y reconocer patrones. En conjunto, estos pasos permiten que el sistema genere resultados que sean realistas y apropiados para el contexto.
Antes de que un modelo de IA generativa pueda producir algo, necesita aprender de una enorme cantidad de material existente. Esta fase se centra en recopilar y preparar conjuntos de datos, que pueden incluir miles de millones de ejemplos, desde libros y artículos hasta imágenes, vídeos e incluso código de software.
En el caso de los modelos basados en texto, los datos de formación suelen provenir de fuentes disponibles públicamente, como sitios web, bibliotecas digitales, artículos académicos y obras literarias. Del mismo modo, los modelos de generación de imágenes aprenden de millones de fotos, creaciones artísticas y otros contenidos visuales, mientras que los sistemas de generación de código analizan los repositorios de programación y la documentación técnica.
Luego, los datos sin procesar se preprocesan, convirtiéndolos en fichas numéricas que el modelo puede analizar. La calidad de estos datos es crucial; como dice el refrán, «basura entra, basura sale». Los conjuntos de datos limpios, diversos y bien estructurados conducen a resultados mejores y más confiables. Los datos de mala calidad, por otro lado, pueden introducir sesgos o generar resultados absurdos.
Una vez que los datos se limpian y organizan, la red neuronal comienza su proceso de entrenamiento, que constituye la base del modelo.
Con los datos preparados, el siguiente paso es entrenar la red neuronal, la potencia detrás de los sistemas de IA generativa. Estas redes se inspiran en la estructura del cerebro humano y utilizan nodos interconectados dispuestos en capas para procesar y transmitir información.
La IA generativa moderna se basa en redes neuronales muy complejas, que a menudo contienen miles de millones de parámetros, entrenadas en enormes conjuntos de datos. Durante el entrenamiento, la red analiza los datos para identificar patrones, relaciones y estructuras, y aprende a predecir lo que vendrá a continuación en una secuencia.
Las diferentes tareas requieren diferentes arquitecturas de redes neuronales. Por ejemplo, los transformadores se destacan a la hora de capturar el contexto en las tareas lingüísticas mediante mecanismos de autoatención, mientras que las redes convolucionales son idóneas para identificar patrones espaciales en imágenes.
El proceso de capacitación es extenso, a menudo tarda semanas o meses en completarse y requiere importantes recursos computacionales. El resultado es un modelo base que sirve de base para una amplia variedad de aplicaciones. Luego, estos modelos básicos se pueden ajustar con precisión para tareas o industrias especializadas.
Cuando envías un mensaje a un sistema de IA generativa, una serie de procesos trabajan en conjunto para crear el resultado. En primer lugar, el sistema convierte los datos introducidos en fichas. Luego, usa su red neuronal entrenada para generar una respuesta basada en los patrones que aprendió durante el entrenamiento.
Para la generación de texto, el modelo predice el siguiente token de una secuencia para crear respuestas coherentes y relevantes desde el punto de vista del contexto. Sin embargo, la generación de imágenes implica diferentes técnicas según la arquitectura del modelo.
Un enfoque popular son los modelos de difusión, que generan imágenes de alta calidad comenzando con ruido aleatorio y refinándolo gradualmente. Este proceso de dos pasos implica agregar ruido y luego invertirlo para producir una imagen coherente que coincida con el mensaje. Si bien los modelos de difusión ofrecen resultados excelentes, a menudo requieren tiempos de entrenamiento más prolongados.
Otro método son las redes generativas adversarias (GAN). Estas incluyen dos componentes: un generador que crea nuevos datos y un discriminador que evalúa su autenticidad. La relación contradictoria entre estas dos partes impulsa la mejora continua, lo que da como resultado resultados muy realistas.
Para agregar variedad, las técnicas de muestreo introducen la aleatoriedad controlada en el proceso de generación. Esto garantiza que el modelo pueda producir resultados diversos incluso cuando se le dé el mismo aviso. Este equilibrio entre los patrones aprendidos y la variación creativa permite a la IA generativa crear resultados fiables y, en ocasiones, sorprendentes.
Lo que hace que este proceso sea particularmente sorprendente es lo mucho que refleja la creatividad humana. Al aprender de una amplia gama de ejemplos, comprender el contexto y combinar el conocimiento de nuevas maneras, la IA generativa puede producir contenido fresco e imaginativo.
Comprender los elementos clave de los sistemas de IA generativa arroja luz sobre cómo estas herramientas producen resultados que parecen naturales y útiles. Desde las redes neuronales hasta la ingeniería rápida, cada parte desempeña un papel a la hora de transformar tus aportaciones en contenido significativo.
En el corazón de los sistemas de IA generativa se encuentran las redes neuronales. Estos sistemas identifican patrones en los datos y utilizan esos patrones para crear contenido nuevo. Piense en ellos como capas de neuronas interconectadas que trabajan juntas.
La fuerza de las redes neuronales modernas reside en su profundidad. Cada capa aprende progresivamente características intrincadas. Por ejemplo, en la generación de imágenes, las primeras capas pueden detectar formas y colores, mientras que las capas más profundas capturan matices como las expresiones faciales o los diseños arquitectónicos.
Una característica destacada es la mecanismo de atención, lo que ayuda al sistema a centrarse en los detalles más relevantes. Por ejemplo, al procesar una frase como «el coche rojo en el aparcamiento», se asegura de que la palabra «rojo» esté vinculada al coche, no al aparcamiento.
Otro componente crítico es parámetros de peso, que determinan la forma en que los diferentes datos influyen en el resultado. Durante el entrenamiento, estos pesos se ajustan millones de veces, lo que permite ajustar el sistema para obtener resultados precisos. La precisión de las instrucciones también desempeña un papel fundamental a la hora de impulsar la creatividad de la red.
La ingeniería rápida consiste en elaborar instrucciones claras y específicas para guiar los resultados de la IA. Cuanto más detallado sea tu mensaje, mejores serán los resultados.
Los ajustes de temperatura también pueden influir en la producción de la IA. Una temperatura más baja genera respuestas más predecibles y conservadoras, mientras que una temperatura más alta fomenta la creatividad y la variedad. Al ajustar esto, puedes lograr resultados consistentes o ideas diversas, según tu objetivo.
Los modelos de IA generativa se presentan en varias formas, cada una con sus propias fortalezas y limitaciones. La elección del modelo correcto depende de la tarea en cuestión.
Modelos lingüísticos de gran tamaño como GPT-4 y Claudio sobresalen en la generación de textos similares a los humanos y en la adaptación a diferentes estilos de escritura. Son versátiles, pero en ocasiones pueden producir información incorrecta u obsoleta, especialmente sobre temas de nicho o recientes.
Redes generativas de confrontación brillan en la creación de imágenes realistas. Al tener dos redes, una que genera imágenes y la otra que detecta falsificaciones, mejoran continuamente. Sin embargo, puede resultar difícil ajustarlas para obtener resultados específicos.
Modelos de difusión están ganando terreno para la generación de imágenes debido a su capacidad para ofrecer resultados de alta calidad con un control preciso. Funcionan refinando gradualmente los datos aleatorios para obtener imágenes coherentes, pero el proceso es más lento en comparación con las GAN.
Codificadores automáticos variacionales son ideales para generar variaciones del contenido existente. Al comprimir y reconstruir los datos, facilitan el ajuste o la edición de aspectos específicos, aunque pueden sacrificar parte de la calidad de la imagen.
Al seleccionar un modelo, tenga en cuenta factores como velocidad, calidad, control, y disponibilidad de recursos. Muchos sistemas modernos combinan varios modelos para maximizar sus puntos fuertes y lograr mejores resultados en diversas aplicaciones.
La IA generativa está transformando las industrias al mejorar la creación de contenido, mejorar la participación de los clientes y agilizar los flujos de trabajo. Sus aplicaciones prácticas demuestran cómo las empresas pueden aprovechar esta tecnología para lograr la eficiencia y la escala.
La IA generativa se ha convertido en una poderosa herramienta para producir contenido de alta calidad en varios formatos. Las empresas ahora confían en la IA para generar publicaciones en blogs, actualizaciones en redes sociales y campañas de correo electrónico adaptadas a audiencias específicas. Ya sea para elaborar documentos técnicos para desarrolladores o contenido informal para los consumidores, la IA adapta el tono y el estilo sin esfuerzo, lo que permite a las empresas completar las tareas en cuestión de minutos y ahorrar un tiempo valioso.
En servicio al cliente, los chatbots avanzados de IA gestionan consultas complejas al comprender el contexto, rastrear el historial de conversaciones y ofrecer respuestas personalizadas. Estos bots mejoran la experiencia de los usuarios al tiempo que reducen la carga de trabajo de los equipos de soporte humano.
Resumen de documentos ofrece una solución innovadora para gestionar grandes volúmenes de texto. Los equipos legales utilizan la inteligencia artificial para extraer los puntos esenciales de los contratos prolongados, mientras que los ejecutivos se basan en resúmenes concisos de los informes de mercado y los trabajos de investigación. Esta capacidad es particularmente útil para las organizaciones que procesan diariamente una gran cantidad de información basada en texto.
Generación de código es otra aplicación destacada. Las herramientas de inteligencia artificial ayudan a los desarrolladores a escribir funciones, depurar código y traducir entre lenguajes de programación. Esto acelera los plazos de desarrollo y garantiza estándares de codificación consistentes en todos los proyectos.
La IA generativa no se limita al texto, sino que también se destaca en la producción de contenido visual atractivo. Equipos de marketing utilice la IA para crear imágenes personalizadas para campañas, redes sociales y sitios web, lo que permite iteraciones rápidas y reduce los costos de producción. Esto permite a las empresas probar y refinar los conceptos visuales de manera más eficiente.
En diseño de producto, la IA genera arte conceptual, prototipos y materiales de marketing. Las marcas de moda diseñan ropa y variaciones de color, mientras que las firmas de arquitectura producen representaciones de edificios y diseños de interiores. Estas herramientas aceleran el proceso creativo y facilitan la exploración de nuevas ideas que, de otro modo, podrían consumir demasiados recursos.
Producción de vídeo también se ha revolucionado. Las herramientas impulsadas por la IA se encargan de tareas como la edición, la eliminación de fondos, las transiciones de escena e incluso la generación de voces en off. Las empresas crean vídeos de formación, demostraciones de productos y contenido promocional con un mínimo aporte humano, lo que ahorra tiempo y recursos.
La IA también permite contenido visual personalizado a escala. Las plataformas de comercio electrónico lo utilizan para generar imágenes de productos a medida, mientras que las empresas inmobiliarias crean escenarios inmobiliarios virtuales. Este nivel de personalización, que antes no era práctico debido a las limitaciones de recursos, ahora es alcanzable y altamente efectivo.
Más allá de la creación de contenido, la IA generativa mejora la eficiencia operativa mediante la automatización del flujo de trabajo. Conecta varios procesos empresariales, eliminando los pasos manuales y reduciendo los errores. Por ejemplo, la IA automatiza los flujos de trabajo de los documentos al extraer detalles clave, generar resúmenes y enrutar las tareas, lo que reduce significativamente los retrasos en la entrada y el procesamiento de datos.
Incorporación de clientes se ha mejorado con kits de bienvenida personalizados generados por IA, materiales de capacitación y seguimientos automatizados. Al adaptar las comunicaciones en función de los perfiles y el historial de los clientes, las empresas logran una mejor interacción con menos esfuerzo manual.
Generación de informes se vuelve fluido a medida que la IA extrae datos de múltiples fuentes, analiza tendencias y crea informes detallados con visualizaciones. Los equipos de ventas reciben actualizaciones de rendimiento automatizadas, mientras que los gerentes de operaciones acceden a los informes de estado diarios sin necesidad de compilarlos manualmente.
A través de integración multiplataforma, la IA cierra las brechas entre los sistemas desconectados y garantiza un flujo de datos fluido en toda la organización. Interpreta la información de una plataforma y genera entradas para otra, lo que facilita que las empresas operen de manera eficiente, especialmente cuando administran varias herramientas de software.
Por último, optimización de costos se presenta como una gran ventaja. Al automatizar las tareas repetitivas, la IA permite a las empresas reasignar el personal a actividades de mayor prioridad y, al mismo tiempo, mantener o mejorar la productividad. La tecnología se amplía sin esfuerzo y gestiona el aumento de las cargas de trabajo sin el correspondiente aumento de los costes laborales.
La IA generativa, impulsada por redes neuronales avanzadas y una ingeniería rápida y precisa, está remodelando las operaciones empresariales. Herramientas como Prompts.ai centralice la gestión rápida y la coordinación del flujo de trabajo, ayudando a las empresas a estandarizar el uso de la IA, escalar las operaciones y gestionar los costos de manera eficaz.
La introducción de la IA generativa en las operaciones empresariales requiere una planificación cuidadosa y una ejecución cuidadosa. Si bien la tecnología es muy prometedora, las organizaciones deben analizar varios factores clave para garantizar que ofrece resultados significativos y, al mismo tiempo, evitar posibles dificultades. Abordar estas consideraciones ayuda a las empresas a aprovechar el potencial de la IA y a gestionar los riesgos de forma eficaz.
Protegiendo privacidad de datos es uno de los aspectos más críticos del despliegue de la IA generativa. Las empresas suelen gestionar información confidencial, como los detalles de los clientes, los datos de propiedad exclusiva y los documentos confidenciales, toda la cual debe permanecer segura durante todo el flujo de trabajo de la IA. Cada interacción con un sistema de IA presenta la posibilidad de que los datos queden expuestos, por lo que la seguridad es una prioridad absoluta.
Para mitigar los riesgos, las organizaciones deben implementar registros de auditoría para supervisar el uso de la IA. Estas rutas permiten saber quién accedió a modelos específicos, qué datos se procesaron y cómo se generaron los resultados. Esta transparencia es crucial para la rendición de cuentas y garantiza un uso responsable en todos los equipos y proyectos.
Navegando cumplimiento normativo es otro paso esencial, especialmente para industrias como la sanidad y las finanzas o para las empresas que operan en regiones con leyes de datos estrictas, como Europa. Adherirse a marcos como HIPAA y GDPR requiere un acceso controlado, prácticas estrictas de residencia de datos y protocolos de seguridad sólidos.
Controles de acceso refuerce aún más la seguridad al limitar el acceso de los modelos en función de las funciones y responsabilidades. Por ejemplo, los equipos de marketing pueden utilizar la inteligencia artificial para la generación de contenido, mientras que los departamentos de finanzas necesitan herramientas con seguridad avanzada para gestionar datos financieros confidenciales. Los permisos basados en funciones garantizan que solo el personal autorizado pueda interactuar con modelos de IA específicos.
Además, residencia de datos los requisitos a menudo dictan dónde puede tener lugar el procesamiento de la IA. Algunas organizaciones exigen que los datos confidenciales permanezcan en determinadas regiones geográficas o entornos de nube. Comprender estas restricciones por adelantado evita costosos problemas de cumplimiento o migraciones en el futuro.
Si bien la protección de los datos es vital, la gestión de los gastos es igualmente fundamental para la implementación sostenible de la IA.
La IA generativa puede volverse cara rápidamente si no se controla. ¿Con modelos de precios basados en fichas, cada llamada a la API, cada mensaje o cada generación de contenido tiene un coste. Sin las directrices o los límites de gasto adecuados, los equipos que experimentan con la IA pueden acumular gastos importantes sin saberlo.
Implementación seguimiento de costos en tiempo real ayuda a las organizaciones a supervisar los gastos en varios modelos, equipos y proyectos. Esta visibilidad permite a los equipos financieros asignar los presupuestos de manera más eficaz e identificar las áreas en las que se pueden reducir los costos.
Elegir el modelo adecuado para la tarea es otra forma de gestionar los gastos y, al mismo tiempo, mantener el rendimiento. Los modelos premium pueden resultar innecesarios para tareas sencillas, mientras que el uso de modelos con poca potencia para problemas complejos puede generar ineficiencias y costos adicionales. Las plataformas que permiten comparar y cambiar fácilmente entre modelos en función de necesidades específicas pueden reducir significativamente los gastos.
Analizando patrones de uso ayuda a los equipos a optimizar la asignación de recursos. Por ejemplo, identificar las indicaciones que arrojan buenos resultados de manera consistente puede reducir la necesidad de repetir iteraciones. Del mismo modo, comprender las horas pico de uso permite planificar mejor la capacidad y pronosticar los costos.
Prompts.ai simplifica la administración de costos en más de 35 modelos, ofreciendo herramientas de FinOps para rastrear cada token y reducir los gastos de IA hasta en un 98%. El sistema de crédito TOKN de pago por uso de la plataforma garantiza que las organizaciones solo paguen por lo que utilizan, lo que maximiza la eficiencia.
A medida que las empresas administran los costos, también deben prepararse para el crecimiento y la integración perfecta de la IA en todas sus operaciones.
Escalar las soluciones de IA para satisfacer las necesidades empresariales en constante evolución planificación de escalabilidad. Las organizaciones deben evaluar la facilidad con la que pueden incorporar nuevos miembros al equipo, ampliar el uso de la IA a otros departamentos o integrar los modelos emergentes. Los sistemas que exigen una reconfiguración exhaustiva para cada expansión pueden generar retrasos y cuellos de botella innecesarios.
A medida que evoluciona el panorama de la IA, flexibilidad del modelo adquiere cada vez más importancia. Periódicamente se lanzan nuevos modelos con capacidades avanzadas o funciones especializadas. Las plataformas que pueden integrar estas opciones sin interrumpir los flujos de trabajo existentes ni requerir un readiestramiento importante proporcionan a las empresas una ventaja competitiva.
Efectivo incorporación de equipos los procesos son esenciales para maximizar la productividad. Las plataformas de inteligencia artificial con interfaces intuitivas, materiales de formación claros y el apoyo activo de la comunidad permiten a los nuevos usuarios adquirir conocimientos rápidamente, lo que garantiza una rentabilidad de la inversión más rápida.
La estandarización de los flujos de trabajo es otra consideración clave. Los procesos coherentes para la creación rápida, la revisión de los resultados y el control de calidad garantizan unos resultados de IA fiables a medida que aumenta el uso. Los flujos de trabajo estandarizados también facilitan el intercambio de conocimientos y el perfeccionamiento de las mejores prácticas entre los equipos.
A escala, supervisión del rendimiento se vuelve crítico. Las empresas necesitan análisis sólidos para medir el rendimiento de los modelos, la satisfacción de los usuarios y el impacto general de la IA en las operaciones. Estos conocimientos no solo impulsan la mejora continua, sino que también demuestran el valor de la IA para las partes interesadas.
Finalmente, fuerte capacidades de integración con los sistemas existentes, agiliza las operaciones y reduce la fricción. Las plataformas de IA deben conectarse sin problemas con herramientas como los sistemas de gestión de contenido y el software de gestión de relaciones con los clientes. Al eliminar las transferencias manuales de datos, las organizaciones pueden reducir los errores y mejorar la eficiencia.
La centralización de la gestión rápida en todos los equipos garantiza una calidad uniforme y evita la duplicación de esfuerzos. Los equipos pueden crear bibliotecas con indicaciones eficaces, compartir estrategias exitosas y mantener el control de versiones para los flujos de trabajo críticos.
La implementación eficaz de la IA generativa requiere un equilibrio cuidadoso entre innovación, gobernanza, eficiencia y seguridad. Al abordar estos factores, las organizaciones pueden aprovechar el potencial transformador de la IA y, al mismo tiempo, minimizar los riesgos y controlar los costos.
Comprender los conceptos básicos de la IA generativa ya no es opcional: es una necesidad para mantenerse a la vanguardia en el panorama competitivo actual. Lo que antes era experimental ahora se ha convertido en una poderosa herramienta que ofrece resultados empresariales mensurables en varios sectores.
Comprender conceptos clave como las redes neuronales, la formación de modelos, la ingeniería rápida y los diferentes tipos de modelos generativos permite a las organizaciones identificar las aplicaciones prácticas. Estos van desde la mejora de las interacciones con los clientes y la racionalización del desarrollo de productos hasta la transformación de las campañas de marketing y la automatización de los flujos de trabajo, lo que permite a los equipos centrarse en las prioridades estratégicas.
La IA generativa ofrece una amplia gama de posibilidades: crear textos atractivos para el marketing, producir recursos visuales para los sectores creativos y automatizar los procesos para aumentar la eficiencia. Sin embargo, una implementación eficaz requiere prestar especial atención a factores críticos como la seguridad, el cumplimiento, la gestión de costes y la escalabilidad. Abordar estos elementos por adelantado garantiza un proceso de adopción más fluido y minimiza los posibles obstáculos.
Para avanzar, los líderes empresariales deben centrarse en identificar los desafíos u oportunidades específicos que la IA generativa puede abordar en sus operaciones. Evalúe la preparación de su organización evaluando la infraestructura de datos, los protocolos de seguridad y la experiencia del equipo. Opte por plataformas que admitan varios modelos y ofrezcan herramientas de gobierno sólidas para garantizar un uso responsable y eficaz de la IA.
Las empresas que liderarán un mundo impulsado por la IA son aquellas que combinan una base técnica sólida con una previsión estratégica. Al alinear estos elementos, las organizaciones pueden innovar, mantener una ventaja competitiva y posicionar la IA generativa como la piedra angular del éxito creativo y operativo.
La IA generativa está demostrando ser un punto de inflexión en varias operaciones empresariales. Por ejemplo, puede gestionar las tareas de atención al cliente abordando las consultas y resolviendo los problemas rápidamente, lo que permite ahorrar tiempo y mejorar la experiencia del usuario. Además, realiza tareas repetitivas, como organizar y clasificar los datos, lo que no solo aumenta la productividad de los empleados, sino que también garantiza que los flujos de trabajo funcionen sin problemas.
Otra aplicación destacada está en creación de contenido, donde apoya a los equipos de marketing generando nuevas ideas y ayudando en la investigación de los consumidores. Sectores como los de los seguros y las finanzas también se benefician considerablemente, ya que utilizan la IA generativa para automatizar procesos como la gestión de reclamaciones, la detección de fraudes y la evaluación de riesgos. Esto reduce la probabilidad de errores y, al mismo tiempo, permite tomar decisiones más inteligentes e informadas.
Para garantizar la privacidad y la seguridad de los datos cuando trabajan con IA generativa, las empresas deben priorizar medidas como cifrar información confidencial, utilizando soluciones de almacenamiento seguras y absteniéndose de introducir datos personales o confidenciales en los sistemas de IA. Recopilar solo los datos absolutamente necesarios y obtener el consentimiento claro del usuario son medidas adicionales que pueden ayudar a reducir los riesgos potenciales.
Las auditorías periódicas son esenciales para confirmar el cumplimiento de las normas de privacidad como el RGPD, la HIPAA o CCPA. Las empresas también deben establecer políticas de gobierno de datos bien definidas y realizar evaluaciones de riesgos rutinarias para mantener un marco seguro. Al implementar estas prácticas, las organizaciones pueden proteger los datos confidenciales y, al mismo tiempo, aprovechar de manera responsable las capacidades de la IA generativa.
Al elegir un modelo de IA generativa, comience por evaluar qué tan bien es los datos de entrenamiento se alinean con sus necesidades específicas. Eche un vistazo de cerca a su métricas de rendimiento, incluida la precisión y la velocidad, teniendo en cuenta también rentabilidad y eficiencia operativa. Estos factores ayudan a garantizar el equilibrio adecuado entre calidad y practicidad.
No pase por alto aspectos críticos como privacidad de datos, justicia, y la capacidad de personalizar el modelo para adaptarse a sus requisitos únicos. También vale la pena evaluar el modelo facilidad de uso, es capacidades de gobierno, y si ofrece optimización del contexto para mejorar la eficiencia. Al centrarse en estas prioridades, estará mejor posicionado para seleccionar un modelo que cumpla sus objetivos y ofrezca los resultados que necesita.
