Etiquetas de transparencia para herramientas IA

Etiquetas de transparencia en IA: propósito, datos, métricas, riesgos y límites.

Guía práctica de etiquetas de transparencia para herramientas de IA: diseño claro, datos responsables, métricas útiles y gestión de riesgos

Qué son y por qué importan

Las etiquetas de transparencia para herramientas de IA son una pieza operativa que acerca la tecnología a las personas, porque explican de forma concreta qué hace un sistema y cuáles son sus condiciones de uso. En términos sencillos, funcionan como una ficha de producto con propósito, datos, rendimiento, riesgos y límites, redactada para una audiencia amplia. No se trata de documentos legales ni de mensajes de marketing; son instrumentos prácticos que ayudan a decidir si una herramienta sirve para una tarea y en qué condiciones aporta valor, sin necesidad de dominar jerga técnica ni conocer la arquitectura del modelo.

Su utilidad se multiplica cuando se integran en el punto de uso, de modo que la persona usuaria consulte la información justo antes de interactuar con la función o al recibir un resultado crítico. Esto reduce dudas, evita expectativas irreales y mejora el soporte interno, porque muchas preguntas frecuentes encuentran respuesta en la propia etiqueta. En contextos regulados, estas fichas también aportan trazabilidad y facilitan auditorías internas, ya que permiten reconstruir qué se comunicó, cuándo se actualizó y con qué evidencia se sustentaron las cifras de rendimiento y las medidas de mitigación.

El objetivo de esta guía es ofrecer criterios claros para diseñar, evaluar y mantener estas etiquetas con disciplina, evitando tanto la vaguedad como el exceso de tecnicismos. A lo largo del artículo, se proponen prácticas para escribir en lenguaje comprensible, seleccionar métricas que reflejen el uso real, organizar la gobernanza y establecer ciclos de revisión con disparadores concretos. También se abordan estrategias para actuar cuando la información queda desactualizada o entra en conflicto con la práctica, y se sugieren herramientas que agilizan el proceso sin añadir complejidad innecesaria.

Diseño y lenguaje claro para que cualquiera entienda la etiqueta

Estas etiquetas deben ser comprensibles a la primera lectura, incluso para personas sin formación técnica. La clave es escribir para la audiencia más amplia posible y luego añadir capas de detalle para quien necesite profundizar. En este enfoque, la ficha explica qué hace la herramienta, con qué datos funciona y cuáles son sus límites, sin asumir conocimientos previos ni usar jerga innecesaria. De este modo, crece la confianza y se reduce el riesgo de malentendidos en el uso diario, logrando que la información no quede relegada a un anexo que pocos consultan.

El lenguaje debe ser simple, directo y consistente en toda la organización. Conviene priorizar la voz activa, frases claras y definiciones breves junto a cualquier término que pueda generar dudas, como nombres de modelos o indicadores de desempeño. Es útil reemplazar acrónimos por su forma desarrollada y, si alguno es imprescindible, incluir una aclaración entre paréntesis la primera vez que aparezca. También ayudan pequeñas notas explicativas en el lugar correcto, como microtextos que aclaren qué significa “precisión”, qué pasa con los datos introducidos y en qué situaciones la herramienta puede fallar, evitando eufemismos o tecnicismos poco transparentes.

El diseño visual debe guiar la lectura con una jerarquía evidente y predecible. Empieza con un resumen breve que responda a las preguntas esenciales —propósito, datos, rendimiento, riesgos, limitaciones— y continúa con secciones expandibles para profundizar sin abrumar. Usa tipografías legibles, tamaños suficientes y un contraste adecuado entre texto y fondo, combinados con títulos claros y espacios en blanco que respiren. Los iconos pueden ayudar, pero siempre acompañados de texto para no depender del color o de símbolos ambiguos, y la información debe adaptarse bien a pantallas pequeñas para facilitar su consulta en cualquier dispositivo, algo clave en contextos de movilidad.

La consistencia es fundamental para que la gente identifique patrones y encuentre rápido lo que busca. Mantén una taxonomía estable de campos, un orden fijo de secciones y una estructura coherente de títulos y subtítulos. Incluye siempre información de fecha de actualización, versión y responsable para que la etiqueta sea trazable y se sepa quién puede resolver dudas. Cuando haya cambios relevantes, explícitalos con un breve “qué cambió y por qué”, y evita reescribir conceptos clave sin necesidad para no confundir a los usuarios recurrentes que ya reconocen la estructura.

La accesibilidad y la inclusión deben estar presentes desde el inicio, no como añadidos. Escribe con un nivel de lectura moderado, evita expresiones culturalmente marcadas y usa ejemplos neutrales que no refuercen sesgos. Asegura alternativas textuales a elementos visuales, una navegación clara y un contenido que pueda leerse en voz alta sin perder sentido. Por último, si la herramienta se usa en varios países o equipos multilingües, prepara versiones equivalentes y revisadas en cada idioma, manteniendo la misma estructura y calidad para todas las personas usuarias y asegurando un proceso de localización controlado.

Campos esenciales: propósito, datos, métricas, riesgos y limitaciones

Estas fichas funcionan bien cuando explican lo importante con palabras sencillas. Para que sean útiles, deben contar qué hace la herramienta, con qué información trabaja, cómo rinde, a qué se expone y qué no puede hacer. Con esta base, cualquier persona puede decidir si la usa, cómo la usa y cuándo debe pedir ayuda, sin tener que interpretar silencios o suposiciones implícitas que suelen generar errores.

El primer campo es el propósito. Aquí se describe la tarea principal, las situaciones en las que la herramienta aporta valor y a quién va dirigida dentro de la organización. También conviene aclarar qué queda fuera del alcance, para evitar confusiones y reducir usos inadecuados. Cuando se explicita el ámbito, disminuyen las solicitudes fuera de contexto y se mejora la alineación con objetivos de negocio.

El segundo campo es datos. Es clave indicar de dónde provienen, qué categorías maneja y con qué frecuencia se actualizan, además de si incluyen información personal o sensible. Añadir notas sobre calidad, salvaguardas de privacidad y retención ayuda a que la audiencia entienda qué hay detrás de cada resultado. Incluir una breve mención a las fuentes sin convertir la etiqueta en una lista de datasets evita opacidad sin saturar de detalle.

Después vienen las métricas. No basta con decir que “funciona bien”: hay que mostrar medidas de rendimiento comprensibles y cómo se obtuvieron, indicando el tamaño de la muestra y el periodo evaluado. Informar de rangos en lugar de cifras absolutas y explicar en lenguaje claro qué significan los errores más comunes evita malinterpretaciones. Cuando se explica el método con sencillez, aumenta la credibilidad y se previenen comparaciones injustas con benchmarks irrelevantes.

El cuarto campo aborda riesgos. Debe reflejar riesgos de uso incorrecto, sesgos posibles, exposición a datos sensibles y dependencias técnicas que puedan fallar, junto con las mitigaciones aplicadas. Señalar señales de alerta y situaciones en las que se requiere supervisión humana ayuda a que la herramienta se use con criterio. Es mejor describir un modo de uso seguro que prometer “cero errores”, algo poco realista en sistemas complejos.

Por último, el campo de limitaciones pone los pies en la tierra. Aquí se describen los límites de dominio, idiomas o formatos admitidos, así como condiciones que degradan el desempeño, como entradas de mala calidad o volúmenes extremos. También es útil listar acciones que no realiza y supuestos que, si no se cumplen, hacen que los resultados pierdan fiabilidad. Este apartado protege a la organización de extrapolaciones inadecuadas y de dependencias frágiles con otros sistemas.

Para que sigan siendo útiles, estas fichas deben incluir fecha de actualización y una breve nota sobre cómo solicitar revisiones. Mantenerlas vivas, con cambios trazables y lenguaje claro, incrementa la confianza y facilita la adopción. Cuando cada campo está bien explicado, la audiencia entiende el valor real de la herramienta y sus límites, y decide con mayor seguridad, sin recurrir a conjeturas sobre el alcance real del sistema.

Cómo medir y mostrar el rendimiento sin inducir a errores

Medir bien es tan importante como explicar bien. Si queremos que estas etiquetas ayuden de verdad, deben concentrarse en cómo se comporta la herramienta en las tareas y contextos que importan a sus usuarios, no en indicadores abstractos sin conexión con el uso real. El primer paso es acordar qué significa “hacerlo bien” para cada caso: puede ser responder con exactitud, recuperar la información relevante o evitar errores de alto impacto. Una definición clara del objetivo evita comparaciones engañosas y prepara el terreno para resultados útiles y comprensibles, alineados con KPI operativos.

La evaluación debería apoyarse en datos de prueba representativos y en escenarios que reproduzcan tanto lo frecuente como lo crítico. No hace falta tecnicismo para explicarlo: basta con indicar que se probó con un conjunto suficiente de ejemplos fieles al trabajo real, que se mantuvo separado de cualquier material usado para ajustar la herramienta y que se comparó contra una forma básica de resolver la tarea para saber si el avance es significativo. Conviene incluir medidas intuitivas como la tasa de acierto y la tasa de error grave, y, cuando proceda, la cobertura (cuándo la herramienta decide responder) y la latencia (tiempo de respuesta). Explicar con una frase qué cuenta cada número reduce malentendidos y hace que cualquier persona pueda valorar si el rendimiento le sirve o no, sin necesitar una tabla de benchmarking compleja.

Tan importante como el promedio es la variabilidad. Las etiquetas deberían mostrar el tamaño de la muestra, la fecha de la evaluación y la versión de la herramienta, junto con un rango razonable que indique cuánto puede fluctuar el resultado. También es útil desglosar el desempeño por segmentos relevantes de uso, como tipos de consultas, formatos de datos o niveles de dificultad, para evitar la falsa sensación de uniformidad. Si hay situaciones donde el error es más probable, deben destacarse de forma visible y con lenguaje directo, evitando rodeos que diluyan el mensaje práctico.

Para presentar los resultados sin inducir a errores, piense en una estructura en capas. En la parte superior, un resumen corto con una métrica principal y un indicador cualitativo fácil de entender, acompañado de un aviso claro sobre el alcance: “válido para X, no recomendado para Y”. Justo debajo, una explicación breve de la metodología: qué se midió, con qué datos y bajo qué condiciones. Más abajo, los detalles: valores por escenarios, notas sobre sesgos observados, límites conocidos y ejemplos de fallos típicos descritos en lenguaje cotidiano. Este formato combina claridad inmediata con trazabilidad, y permite que perfiles técnicos y no técnicos encuentren la profundidad que necesitan sin perder el hilo, evitando confundir promedio con desempeño real en cada segmento.

Hay varias prácticas que evitan confusiones y fortalecen la confianza. Evite cifras absolutas sin contexto o promesas como “siempre” o “cero errores”, y sustituya esas afirmaciones por umbrales operativos que indiquen a partir de qué punto conviene detener, escalar o pedir una segunda verificación. No mezcle métricas no comparables ni oculte el peor caso detrás de promedios amables; explique qué significa un buen resultado en el día a día y cuándo podría dejar de serlo, por ejemplo, si cambian los datos o el tipo de preguntas. Finalmente, añada un canal sencillo para reportar problemas y un plan de revisión periódica que quede reflejado en la etiqueta, de modo que las personas sepan que los números no son eternos y que se actualizarán cuando la realidad cambie.

Flujo de trabajo para crear, aprobar y versionar etiquetas

Un buen flujo de trabajo convierte estas etiquetas en un activo confiable y fácil de mantener. El objetivo es que cada ficha sea coherente, clara y útil para quien la consulta, desde personas de negocio hasta perfiles técnicos. Para lograrlo, conviene organizar las tareas en fases bien definidas: crear, aprobar y versionar, con responsables claros y criterios de calidad visibles. Un circuito simple y documentado evita cuellos de botella y refuerza la responsabilidad compartida.

En la fase de crear, se recopila la información esencial sobre el propósito de la herramienta, los datos que utiliza, cómo se mide su rendimiento y cuáles son sus riesgos y limitaciones. Esa información se redacta con un lenguaje sencillo, evitando jerga innecesaria y aclarando términos que puedan generar dudas, con ejemplos ilustrativos cuando aporte claridad sin distraer. Además, se usa una plantilla común para asegurar consistencia entre etiquetas, incluyendo campos mínimos como fecha de emisión, ámbito de uso y enlaces internos a políticas o documentación relevante, todo ello registrado en un repositorio accesible.

La fase de aprobar reúne a las áreas clave para una revisión ágil y exigente. Producto valida el ajuste al caso de uso, cumplimiento y privacidad revisan obligaciones y salvaguardas, seguridad verifica controles y exposición de datos, y comunicación vela por claridad y tono. Se recomienda una checklist de criterios de aceptación (completitud, precisión, comprensibilidad y trazabilidad) y una breve prueba con usuarios internos para asegurar que la etiqueta se entiende en menos de un minuto, con especial foco en los apartados de límites y riesgos.

Tras la aprobación, la publicación debe integrar la etiqueta en los puntos donde aporta más valor, como dentro de la interfaz de la herramienta, en el centro de ayuda y en los materiales de incorporación de usuarios. Conviene instrumentar analítica básica para saber si la etiqueta se consulta y si resuelve dudas, y habilitar un canal visible de comentarios para recoger mejoras o detectar incoherencias. Toda ficha debe incluir metadatos de trazabilidad como autor, fecha, origen de las métricas y alcance de validez, de modo que el lector confíe en la información y pueda verificarla internamente cuando sea necesario.

El versionado mantiene vivo el compromiso de transparencia y reduce el riesgo de desalineación con la práctica. Un esquema sencillo de versiones —cambios mayores para nuevas capacidades, menores para ajustes de métricas y parches para correcciones de redacción— ayuda a comunicar la importancia de cada actualización. Cada cambio debe registrar qué se modificó, por qué, quién lo aprobó y cuándo, manteniendo un historial accesible y una nota breve de impacto para que los usuarios entiendan si deben cambiar algo en su forma de trabajar, como parte de un ciclo de mejora continua.

Para sostener el ciclo, define un calendario de revisión periódico con disparadores claros, como nuevos datos de entrenamiento, cambios de modelo, riesgos identificados o ajustes de política interna. Incluye controles de calidad continuos como lecturas de comprensión, seguimiento de incidencias y revisiones de accesibilidad y localización si la organización opera en varios idiomas. Así, las etiquetas conservan su utilidad con el tiempo y refuerzan la confianza al evolucionar al mismo ritmo que las herramientas que describen, integrándose en el pipeline de gobernanza.

Qué hacer cuando la etiqueta queda desactualizada o entra en conflicto con la práctica

Cuando una etiqueta se desalinea con el uso real, la prioridad es proteger a las personas usuarias y recuperar la confianza. Primero hay que detectar la desviación, que suele aparecer por cambios en datos, modelos, integraciones o políticas internas que no se reflejan a tiempo. Un buen indicador es cualquier diferencia entre lo que la ficha promete y lo que la herramienta efectivamente hace en producción. Si aparece ese desajuste, actúa rápido: coloca un aviso visible, limita funciones sensibles si es necesario y comunica el alcance del problema con lenguaje claro; la transparencia no es solo publicar, es mantener la información viva.

La identificación debe apoyarse en señales objetivas y en responsabilidades claras. Resulta útil contar con alertas automáticas que comparen el comportamiento observado con los rangos y supuestos descritos en la etiqueta, como las fuentes de datos esperadas o los umbrales de rendimiento. También conviene que exista una persona o un equipo propietario de cada ficha, con autoridad para activar medidas de contención y coordinar la actualización. Un canal de retroalimentación accesible desde la propia interfaz permite que quienes usan la herramienta reporten inconsistencias de forma temprana, reduciendo el impacto de la deriva.

Al confirmar el conflicto, aplica un plan de contingencia proporcional al riesgo. Un modo seguro que desactive funciones no críticas o reduzca el ámbito de uso puede prevenir daños mientras se revisa la información. Acompaña esta medida con un aviso temporal en la etiqueta que explique qué campo está en revisión, por qué y cuándo se espera la corrección. Si el desajuste afecta a áreas sensibles como privacidad, seguridad o sesgos, contempla pausar el uso en esos casos hasta completar la verificación; es preferible una limitación breve a sostener una ficha que no describe la realidad.

La actualización debe ser metódica y verificable. Recolecta evidencia reciente, repite las pruebas clave y revisa los campos de propósito, datos usados, métricas, riesgos y limitaciones a la luz de los hallazgos. Introduce mejoras si fueran necesarias, documenta los cambios con un registro de versiones y muestra la fecha de última revisión junto con un contacto responsable. Mantén accesibles las versiones anteriores para consulta, de modo que cualquiera pueda entender la evolución de la herramienta y evitar debates circulares sobre qué decía la etiqueta en el pasado.

Para prevenir futuras divergencias, establece ciclos de revisión regulares y disparadores extraordinarios cuando cambie el modelo, la fuente de datos, el umbral de calidad o la política de uso. Define qué pruebas mínimas deben repetirse y qué evidencias se requieren para renovar la etiqueta. Alinea este proceso con las funciones de producto, datos, cumplimiento y seguridad, y forma a las personas que mantienen la herramienta para que reconozcan señales de riesgo. Con soporte adecuado, en Syntetica es posible organizar plantillas, programar revisiones y conservar un historial de versiones; y en plataformas como Google Vertex AI puedes centralizar pruebas y comparaciones entre iteraciones del modelo para acelerar la verificación.

Por qué las etiquetas de información fortalecen la adopción responsable de IA

Estas fichas acercan la tecnología a las personas al explicar, de forma directa, qué hace cada sistema y para qué sirve. Cuando un usuario entiende el propósito y el alcance de una herramienta, aumenta su confianza y reduce la incertidumbre sobre el resultado. Esta claridad evita usos inadecuados, marca expectativas realistas y facilita que más equipos se atrevan a integrarla en su día a día. En consecuencia, la adopción crece de forma sostenida y con menos fricciones, apoyada en información que no requiere interpretación técnica compleja.

Un elemento clave es la explicación de los datos: qué información utiliza la herramienta, cómo se actualiza y qué medidas de privacidad y seguridad se aplican. Describir de forma sencilla el origen, la frescura y posibles restricciones ayuda a cumplir normativas internas y a proteger a clientes y empleados. Esta transparencia también facilita la conversación con áreas de riesgo y cumplimiento, que suelen frenar la adopción cuando la información es opaca; al eliminar dudas, los tiempos de aprobación y el escepticismo disminuyen.

Las etiquetas deberían incluir métricas de rendimiento y limitaciones expresadas en lenguaje claro. Indicar tasas de acierto aproximadas, ejemplos de tareas para las que funciona bien y casos en los que puede fallar alinea expectativas y reduce errores de uso. Mostrar escenarios de “no usar” o “usar con supervisión” protege a la organización de decisiones automáticas sin contexto. Este enfoque práctico empodera a los usuarios, que aprenden a decidir cuándo confiar, cuándo validar y cuándo escalar a un experto en función del riesgo.

La adopción responsable también depende de visibilizar riesgos y sesgos conocidos junto con acciones de mitigación. Advertir sobre posibles impactos, datos sensibles o colectivos afectados promueve un uso consciente y fomenta conversaciones informadas. Si la etiqueta añade pautas de revisión humana, ejemplos de prompts adecuados y un punto de contacto para soporte, se construye una cultura de prudencia sin frenar la innovación. El resultado es un equilibrio saludable entre velocidad y control, con un marco que evita improvisaciones.

Para que sigan siendo útiles con el tiempo, conviene detallar fecha de actualización, historial de cambios y responsables. Este esquema de versionado aporta trazabilidad y facilita auditorías internas, algo esencial cuando múltiples equipos dependen de la misma herramienta. Además, un ciclo de revisión periódico ayuda a incorporar mejoras, actualizar métricas y retirar recomendaciones obsoletas. Esta disciplina operativa refuerza la confianza organizacional y permite tomar decisiones de continuidad con base en evidencia.

La experiencia de usuario también importa: etiquetas breves, visualmente claras y con un lenguaje inclusivo mejoran la comprensión. Un diseño que priorice lo esencial —propósito, datos, rendimiento, riesgos y límites— permite una lectura rápida sin perder rigor. Si además la información aparece en el momento de uso, el aprendizaje es contextual y más efectivo. Así, incluso perfiles no técnicos pueden aprovechar la tecnología con criterio y menor dependencia de especialistas.

Cuando las etiquetas se estandarizan en toda la organización, se facilita la gobernanza y la escalabilidad. Plantillas comunes, criterios mínimos y un repositorio accesible reducen la dispersión de prácticas y evitan duplicidades. Esta consistencia acelera la incorporación de nuevas soluciones, mejora la comparabilidad entre alternativas y permite medir la adopción con indicadores claros. En última instancia, la empresa gana velocidad sin sacrificar responsabilidad, con un marco compartido que guía el despliegue racional.

El impacto final se nota en la confianza, la responsabilización y la capacidad de aprendizaje de los equipos. Al disponer de información clara, las personas toman mejores decisiones, piden ayuda cuando corresponde y comparten hallazgos útiles. Esta dinámica colectiva convierte a las etiquetas en un puente entre la tecnología y el negocio, y transforma la adopción en un proceso seguro, medible y sostenible. Así, la innovación deja de ser un salto de fe para convertirse en un hábito bien informado y evaluable.

Consejos de implementación y operación continua

Empieza pequeño, con una plantilla mínima y un caso de uso concreto de alto impacto. Una ficha breve que cubra propósito, datos, rendimiento, riesgos y límites suele ser suficiente para validar el formato con usuarios reales. A partir de ese piloto, ajusta el lenguaje, el orden de las secciones y la granularidad de los números con base en la retroalimentación. Prioriza un proceso de publicación rápido, con revisiones breves y responsables claros, antes que un documento perfecto que se demore; la mejora continua se logra en iteraciones sucesivas dentro del mismo ciclo.

Integra la etiqueta dentro del flujo de trabajo de producto y de riesgo. Vincula los cambios de modelo, datos o políticas a disparadores de actualización y evita depender de recordatorios manuales. Automatiza la recolección de evidencias —resultados de pruebas, tamaños de muestra, fechas— para que cada actualización incluya números verificables con la menor fricción posible. Considera la instrumentación de analítica básica para saber en qué apartados la gente pasa más tiempo y qué dudas persisten, y ajusta el contenido para reducir consultas al soporte, con una sencilla checklist de calidad por cada publicación.

Cuida la claridad en situaciones de riesgo y en segmentos sensibles de uso. Si el desempeño varía por tipo de entrada, perfila el mensaje con ejemplos y advertencias situacionales. Evita las afirmaciones categóricas y prefiere umbrales operativos con rutas de acción: cuándo verificar con un experto, cuándo detenerse y cuándo continuar con supervisión. Documenta fallos típicos y contramedidas en un formato que no requiera conocimiento técnico profundo, y mantén un canal simple para reportar incidentes que alimenten el backlog de mejoras de la etiqueta.

Finalmente, asegúrate de que la etiqueta sea tan fácil de encontrar como de entender. Ubícala en la interfaz, en el centro de ayuda y en la base de conocimiento interna, con enlaces cruzados hacia políticas y guías relacionadas. Revisa periódicamente la accesibilidad, la localización y la compatibilidad con dispositivos móviles, y valida con sesiones cortas de lectura guiada si la gente entiende el contenido en menos de un minuto. Una ficha útil es la que acompaña la decisión en el momento correcto y reduce la necesidad de interpretación, no la que acumula páginas de texto difícil de aplicar.

Conclusión

Las etiquetas de transparencia son un puente práctico entre la tecnología y quienes la usan a diario. Cuando explican con claridad el propósito, los datos, las métricas, los riesgos y las limitaciones, facilitan decisiones informadas y reducen malos entendidos. Su valor no está solo en lo que dicen, sino en que se mantengan vivas y alineadas con la realidad del sistema, evitando lagunas que puedan erosionar la confianza o inducir a errores operativos en situaciones críticas.

Para lograrlo, conviene tratarlas como un proceso continuo más que como un documento estático. Medir el rendimiento con indicadores conectados al uso real, mostrar la variabilidad y explicarlo en lenguaje claro evita interpretaciones demasiado optimistas. Un flujo de trabajo con creación, revisión, aprobación y versionado, respaldado por ciclos de actualización y canales de retroalimentación, mantiene la etiqueta útil y honesta. Además, un diseño accesible y coherente, junto con pautas de supervisión humana cuando haga falta, consolida una cultura de uso responsable sin frenar la innovación.

Dar el paso es más sencillo si se empieza con plantillas comunes, criterios mínimos y responsables definidos, y si se integra la ficha en los puntos de uso donde aporta contexto. En la práctica, herramientas de apoyo como Syntetica pueden ayudar a centralizar plantillas, conservar historiales de cambios y programar revisiones periódicas sin añadir complejidad, de forma discreta y compatible con los flujos existentes. Lo importante es sostener la disciplina: medir, explicar, actualizar y escuchar a quienes usan la herramienta, para convertir la transparencia en un hábito operativo y no en una promesa temporal.