En resumen. Un modelo de lenguaje que se inventa una referencia no está averiado. Está haciendo exactamente aquello para lo que se le puntuó. En septiembre de 2025, cuatro investigadores, tres en OpenAI y uno en Georgia Tech, publicaron un argumento según el cual la alucinación sobrevive por la forma en que se califica a los modelos: en una escala binaria de correcto o incorrecto, un modelo que adivina siempre gana a un modelo idéntico que admite incertidumbre. Revisaron diez evaluaciones destacadas y hallaron que nueve usan calificación binaria y que ninguna concede crédito pleno a un «no lo sé» calibrado. Nosotros tomamos los propios resultados de SimpleQA de OpenAI y calculamos una columna que su artículo no recoge: la tasa de farol, es decir, la proporción de fallos en los que el modelo respondió mal en lugar de abstenerse. Va del 20,5% al 99,0%, una horquilla de 4,8 veces, y es casi independiente de la exactitud. Luego consultamos la tabla de alucinaciones de Vectara, actualizada el 11 de mayo de 2026, para ver qué ocurre cuando los hechos se aportan en la indicación. El anclaje ayuda mucho, pero produjo un resultado que no esperábamos: en cuatro comparaciones separadas dentro de la misma familia, subir el esfuerzo de razonamiento elevó la tasa de alucinación, y los resúmenes se alargaron sin excepción. A continuación: los cinco mecanismos verificados, en qué régimen está tu tarea y una prueba de detección para cada uno.
Esta es la capa mecánica bajo nuestros trabajos sobre juzgar la producción de la IA y sobre la calibración de la confianza. Aquellos artículos dicen cuándo confiar. Este dice por qué los fallos ocurren donde ocurren.
La respuesta en una frase
Los modelos alucinan porque adivinar puntúa mejor que abstenerse, y todo lo demás es un detalle sobre cuándo.
Ese encuadre procede de «Why Language Models Hallucinate», publicado en arXiv el 4 de septiembre de 2025 por Adam Tauman Kalai y Ofir Nachum de OpenAI, Santosh S. Vempala de Georgia Tech y Edwin Zhang de OpenAI. Su analogía es la de un estudiante en un examen. Ante una pregunta que no sabes responder, dejarla en blanco vale cero y adivinar vale cero o uno. Bajo esa regla la estrategia racional es siempre adivinar, y adivinar de forma específica, porque «30 de septiembre» y «en algún momento del otoño» se califican igual si ambas son falsas, pero solo la primera puede ser correcta.
Los modelos de lenguaje, sostienen los autores, viven permanentemente en ese examen. Se optimizan frente a referencias que imitan pruebas estandarizadas y, por tanto, están siempre en modo examen.
La aportación más concreta del artículo es un repaso de lo que hacen realmente las referencias. Los autores examinaron diez evaluaciones de uso extendido y clasificaron cada una según si su métrica principal es exactitud estricta de correcto o incorrecto y si una abstención puede obtener algún crédito.
| Referencia | Método de puntuación | Calificación binaria | Crédito por «no lo sé» |
|---|---|---|---|
| GPQA | Exactitud de opción múltiple | Sí | Ninguno |
| MMLU-Pro | Exactitud de opción múltiple | Sí | Ninguno |
| IFEval | Verificación programática de instrucciones | Sí | Ninguno |
| Omni-MATH | Calificación por equivalencia | Sí | Ninguno |
| WildBench | Rúbrica calificada por un modelo de lenguaje | No | Parcial |
| BBH | Opción múltiple / coincidencia exacta | Sí | Ninguno |
| MATH (subconjunto de nivel 5) | Calificación por equivalencia | Sí | Ninguno |
| MuSR | Exactitud de opción múltiple | Sí | Ninguno |
| SWE-bench | El parche pasa las pruebas unitarias | Sí | Ninguno |
| HLE | Opción múltiple / calificación por equivalencia | Sí | Ninguno |
Fuente: Kalai, Nachum, Vempala y Zhang, «Why Language Models Hallucinate», preprint de arXiv 2509.04664v1, septiembre de 2025, tabla 2. Nuestro recuento de sus filas: 9 de 10 usan calificación binaria; 9 de 10 no dan crédito a la abstención; 0 de 10 dan crédito pleno a una abstención calibrada. La rúbrica de WildBench solo ofrece crédito parcial, y los autores señalan que su escala de 1 a 10 aún puede puntuar una abstención por debajo de una respuesta segura pero alucinada.
Esa última línea contiene todo el problema en miniatura. Incluso la única referencia que no usa calificación binaria puede seguir premiando una falsedad segura por encima de un honesto «no lo sé».
La solución que proponen no es una nueva referencia de alucinación. Es cambiar la puntuación de las referencias que ya dominan las tablas, enunciando un umbral de confianza en las instrucciones: responde solo si tienes más de t de confianza, porque los errores se penalizan con t/(1-t) puntos, las respuestas correctas suman 1 punto y «no lo sé» suma 0.
Una nota sobre esa fórmula, para quienes comprueban la aritmética. El preprint enumera como valores naturales t = 0,5 (penalización 1), t = 0,75 (penalización 2) y t = 0,9 (penalización 9). Aplicando la fórmula que el propio artículo enuncia, t/(1-t), sale 1 para t = 0,5 y 9 para t = 0,9, ambos coinciden, pero 3 para t = 0,75, no 2. El paréntesis del valor intermedio es incoherente con la fórmula a la que acompaña. Es un desliz menor en un preprint por lo demás cuidadoso y no cambia nada del argumento. Lo señalamos porque es exactamente el tipo de número derivado que este artículo te pide recalcular, y la lección no se detiene en los artículos de los laboratorios de frontera. La observación se refiere a la versión 1 del preprint de arXiv con fecha 4 de septiembre de 2025; las versiones publicadas posteriormente pueden diferir.
La tasa de farol: una columna propia
Aquí es donde la teoría se vuelve medible.
OpenAI publicó SimpleQA en noviembre de 2024, una referencia de 4.326 preguntas factuales breves escritas para resultar difíciles a GPT-4o, cada una con una única respuesta indiscutible. Su calificación tiene tres resultados en lugar de dos: correcta, incorrecta y no intentada, categoría esta última que cubre las respuestas que no dan por completo la respuesta de referencia, incluido un «no lo sé» explícito.
Esa tercera categoría es lo que hace útil aquí al conjunto de datos, porque separa dos cosas que las referencias binarias funden: no saber y fingir que se sabe.
La tabla publicada informa de correcta, no intentada e incorrecta para ocho modelos. No informa del cociente que más importa a un profesional en activo. Si un modelo va a fallarte, ¿qué aspecto tiene ese fallo? ¿Te dice que no lo sabe o te entrega algo falso sin pestañear?
Es una sola división: incorrecta dividida por la suma de incorrecta y no intentada. La calculamos para cada fila.
| Modelo | Correcta (%) | No intentada (%) | Incorrecta (%) | Tasa de farol (%) |
|---|---|---|---|---|
| GPT-4o-mini | 8,6 | 0,9 | 90,5 | 99,0 |
| GPT-4o | 38,2 | 1,0 | 60,8 | 98,4 |
| OpenAI o1-preview | 42,7 | 9,2 | 48,1 | 83,9 |
| OpenAI o1-mini | 8,1 | 28,5 | 63,4 | 69,0 |
| Claude-3.5-sonnet (2024-06-20) | 28,9 | 35,0 | 36,1 | 50,8 |
| Claude-3-opus (2024-02-29) | 23,5 | 39,6 | 36,9 | 48,2 |
| Claude-3-haiku (2024-03-07) | 5,1 | 75,3 | 19,6 | 20,7 |
| Claude-3-sonnet (2024-02-29) | 5,7 | 75,0 | 19,3 | 20,5 |
Marco editorial de CEOtudent. Las columnas correcta, no intentada e incorrecta están tomadas literalmente de OpenAI, «Measuring short-form factuality in large language models», preprint de arXiv 2411.04368, tabla 3. La tasa de farol es cálculo nuestro: incorrecta / (incorrecta + no intentada), esto es, la proporción de respuestas no correctas en las que el modelo afirmó una respuesta falsa en lugar de abstenerse. Cada fila de la tabla original suma 100,0, lo que hemos verificado. Los modelos y las fechas corresponden a la evaluación de finales de 2024 y los sistemas actuales difieren; la columna se incluye para mostrar la amplitud del comportamiento de abstención, no para ordenar proveedores hoy.
Dos lecturas, y la segunda es la importante.
La lectura obvia es la amplitud. GPT-4o-mini, cuando no sabe, te responde igualmente 99 veces de cada 100. Claude-3-sonnet, en la misma situación, declina cuatro de cada cinco veces. Es una diferencia de 4,8 veces en cómo se presenta el fallo.
La lectura que más importa: la tasa de farol está en gran medida desacoplada de la exactitud. GPT-4o-mini respondió correctamente al 8,6% de las preguntas. Claude-3-haiku al 5,1%. Una diferencia de 3,5 puntos porcentuales en competencia y una diferencia de 78 puntos en cómo se comportan cuando están fuera de su alcance. Estos dos modelos saben casi igual de poco. Uno lo dice y el otro no.
Es precisamente lo que predice el artículo sobre la alucinación. El comportamiento de abstención no es un subproducto de la capacidad. Es una disposición separada y entrenada, fijada por lo que el proceso de entrenamiento y evaluación recompensó. Y como nueve de cada diez referencias destacadas no pagan nada por abstenerse, el gradiente de incentivos apunta en una sola dirección.
La consecuencia práctica: no puedes inferir fiabilidad a partir de las puntuaciones de referencia. El modelo que encabeza una tabla puede ser el que con más probabilidad te entregue una cita fabricada, porque la posición en la tabla y la disposición a farolear las produce la misma presión.
El segundo régimen: qué pasa cuando aportas tú los hechos
Todo lo anterior se refiere al recuerdo a libro cerrado, en el que el modelo responde solo desde sus parámetros. La mayor parte del trabajo profesional no es así. Pegas un documento, adjuntas un informe, señalas una base de código. ¿Lo arregla eso?
Vectara mantiene una tabla pública de alucinaciones basada en su Hallucination Evaluation Model. La tarea es deliberadamente estrecha: a cada modelo se le da un documento y se le pide que lo resuma usando únicamente hechos presentes en él, y después se revisa el resumen en busca de afirmaciones que la fuente no respalda. El conjunto de datos contiene más de 7.700 artículos de actualidad, tecnología, ciencia, medicina, derecho, deporte, economía y educación, de 50 a 24.000 palabras, se mantiene privado para evitar el sobreajuste y los modelos se invocan a temperatura 0. La versión siguiente se actualizó por última vez el 11 de mayo de 2026 y cubre 106 modelos.
En toda la tabla, las tasas de alucinación con fuente aportada van del 1,8% en el mejor caso al 24,2% en el peor.
Compáralo con las cifras a libro cerrado de más arriba, donde GPT-4o respondió incorrectamente al 60,8% de las preguntas de SimpleQA. Son tareas, modelos y fechas distintos, así que no es una comparación de modelos en igualdad de condiciones y no debe leerse así. Es una comparación de dos regímenes, y la distancia entre ellos es aproximadamente de un orden de magnitud. Poner el hecho en la ventana de contexto es la mayor intervención de la que dispones, y está disponible en cualquier tarea, gratis, ahora mismo.
Pero no lleva la tasa a cero, y la forma del error residual es donde la cosa se pone interesante.
El hallazgo que no esperábamos: el esfuerzo de razonamiento empeora la alucinación con fuente aportada
Al leer la tabla notamos que varias familias de modelos aparecen más de una vez con distintos ajustes de razonamiento. Eso crea comparaciones controladas naturales: misma familia, misma ejecución de la referencia, misma fecha, una variable cambiada.
Hay cinco pares de ese tipo. Esto es lo que muestran.
| Familia | Ajuste de esfuerzo bajo | Tasa | Palabras | Ajuste de esfuerzo alto | Tasa | Palabras | Cambio en la tasa | Cambio en longitud |
|---|---|---|---|---|---|---|---|---|
| GPT-5.2 | bajo | 8,4% | 126,5 | alto | 10,8% | 186,3 | +2,4 puntos | +59,8 palabras |
| GPT-5.1 | bajo | 10,9% | 165,5 | alto | 12,1% | 254,4 | +1,2 puntos | +88,9 palabras |
| Grok-4.1-fast | sin razonamiento | 17,8% | 87,5 | con razonamiento | 19,2% | 99,5 | +1,4 puntos | +12,0 palabras |
| Grok-4-fast | sin razonamiento | 19,7% | 141,9 | con razonamiento | 20,2% | 173,9 | +0,5 puntos | +32,0 palabras |
| o4-mini | bajo | 18,6% | 130,9 | alto | 18,6% | 127,7 | 0,0 puntos | -3,2 palabras |
Marco editorial de CEOtudent. Todas las tasas y longitudes medias de resumen están tomadas literalmente de la tabla de alucinaciones de Vectara en su versión del 11 de mayo de 2026; el emparejamiento, las columnas de cambio y la lectura de la longitud son nuestros. Cuatro de los cinco pares dentro de una misma familia muestran la tasa de alucinación y la longitud del resumen subiendo juntas con el esfuerzo de razonamiento. El quinto, o4-mini, no muestra movimiento apreciable en ninguna de las dos, lo que resulta coherente con la misma relación en lugar de ser una excepción.
Los cuatro pares que se movieron lo hicieron en la misma dirección y en las dos variables a la vez. El quinto par no se movió en ninguna. En estos datos no hay ni un caso en el que más esfuerzo de razonamiento produjera una tasa de alucinación más baja con fuente aportada.
La columna de longitud sugiere el porqué, y el mecanismo no tiene nada de glamuroso. Un mayor esfuerzo de razonamiento produce una salida más larga. GPT-5.1 con esfuerzo alto escribe 254 palabras donde el ajuste bajo escribe 166, un aumento del 54%. Cada frase adicional de un resumen es otra oportunidad de afirmar algo que el documento fuente no respalda. El modelo no razona hasta la falsedad; escribe más, y las afirmaciones sin respaldo se acumulan con el volumen.
El mismo patrón aparece en toda la familia de OpenAI en esa única ejecución de la tabla: gpt-5.4-nano, el modelo más pequeño listado, se sitúa en el 3,1%, mientras que o3-pro, un buque insignia de razonamiento, se sitúa en el 23,3%. Es una horquilla de 7,5 veces dentro de la gama de un solo proveedor, y va en sentido contrario a la capacidad del modelo.
Dos advertencias antes de sobreinterpretar esto. La referencia mide una tarea estrecha, el resumen fiel de un documento aportado, y las ventajas de un modelo de razonamiento en matemáticas, código y análisis de varios pasos sencillamente no son lo que se puntúa aquí. Además son mediciones únicas sin intervalos de confianza publicados, de modo que las dos diferencias más pequeñas, 0,5 y 1,2 puntos, deben tomarse como indicativas y no como decisivas. Lo que sostiene el peso es la coherencia entre familias independientes, no ninguna fila aislada.
La versión accionable: en extracción y resumen, donde el trabajo consiste en permanecer dentro de un documento fuente, recurrir al mayor modelo de razonamiento no es automáticamente la opción segura, y puede ser lo contrario. Pide una salida más corta. Es la misma palanca.
Los cinco mecanismos y qué aspecto tiene cada uno
El artículo sobre la alucinación enumera los factores estadísticos detrás de estos errores. Aquí están, asociados a lo que puedes hacer realmente con cada uno. Los mecanismos son del artículo; las pruebas de detección y la columna de exposición son nuestras.
| Mecanismo | Qué lo causa | Qué aspecto tiene | Prueba de detección | Tareas más expuestas |
|---|---|---|---|---|
| Hechos arbitrarios | El hecho no tiene un patrón generalizable y apareció rara vez o nunca en el entrenamiento. El artículo lo formaliza con una tasa de singletons: si una fracción de los hechos apareció exactamente una vez, los modelos base deberían alucinar al menos en esa fracción | Seguro, específico, plausible, falso. Fechas, nombres, citas, cifras, números de página | Haz la misma pregunta en tres sesiones separadas. Respuestas inestables significan que está adivinando. Respuestas estables no prueban corrección, pero la inestabilidad es casi prueba de error | Citas, detalles biográficos, estadísticas, entidades poco conocidas |
| Mal ajuste del modelo | La arquitectura representa mal la tarea, con independencia del conocimiento. El ejemplo del artículo es contar letras | Falla en algo trivialmente fácil mientras acierta en algo difícil. Recuentos de caracteres, manipulación de cadenas, aritmética exacta | Dale una tarea que puedas verificar a mano en dos segundos. Si falla ahí, desconfía de la clase de tarea, no del tema | Contar, tokenizar, trabajo exacto con cadenas, aritmética con números largos |
| Dureza computacional | El problema es intratable. Ningún sistema, por capaz que sea, escapa a los límites de complejidad | Una respuesta fluida a algo que no tiene solución eficiente | Pregúntate si una respuesta correcta es siquiera computable a esa escala. Si no lo es, la respuesta fluida es decoración | Consultas criptográficas, optimización combinatoria grande, búsqueda exhaustiva |
| Desplazamiento de distribución | La indicación no se parece a nada del entrenamiento. Las entradas fuera de distribución rompen los clasificadores, y los modelos no son la excepción | Fallos extraños en preguntas trampa, formulaciones inusuales o situaciones genuinamente nuevas | Reformula en forma convencional y vuelve a preguntar. Si la respuesta cambia, el problema era la formulación original | Escenarios inéditos, encuadres deliberadamente inusuales, sucesos muy recientes |
| Basura entra, basura sale | El error estaba en el corpus de entrenamiento. El modelo lo reproduce fielmente | Repite con seguridad un error extendido, una cifra obsoleta o una cita errónea muy difundida | Comprueba la fuente primaria, no un resultado de búsqueda. Las cifras muy repetidas son la categoría de mayor riesgo precisamente porque la repetición es lo que las metió en el entrenamiento | Estadísticas populares, ciencia de andar por casa, historia disputada, normas superadas |
Marco editorial de CEOtudent. Los cinco mecanismos y su base técnica proceden de Kalai, Nachum, Vempala y Zhang, preprint de arXiv 2509.04664v1, secciones 3.3 y 3.4. Las pruebas de detección, las valoraciones de exposición y la correspondencia con tareas son síntesis nuestra y no hallazgos de ese artículo.
La quinta fila merece énfasis porque es la que atrapa a la gente cuidadosa. Una estadística repetida en cien artículos tiene más probabilidades de ser reproducida por un modelo que una estadística registrada una sola vez en la fuente primaria, y la repetición no es evidencia. Nos hemos topado con esto directamente: cifras omnipresentes en la cobertura secundaria y sencillamente ausentes del estudio subyacente.
La regla que se deduce es incómoda y correcta. Si una cifra importa, abre el documento primario y encuentra la cifra en él. No un resumen del documento. El documento.
Un protocolo de trabajo
Cinco pasos, en el orden que más atrapa con menos esfuerzo.
Establece en qué régimen estás. ¿La respuesta está en la ventana de contexto o en los parámetros del modelo? El recuerdo a libro cerrado es aproximadamente un orden de magnitud más arriesgado. Si puedes convertir una pregunta a libro cerrado en una anclada pegando la fuente, hazlo primero. Es el movimiento de mayor apalancamiento disponible.
Nunca aceptes una cita que no hayas abierto. Títulos, autores, años, nombres de revistas y números de página son el fallo canónico por hechos arbitrarios: sin patrón generalizable, con alta plausibilidad cuando se fabrican. Trata toda referencia no abierta como no verificada.
Vuelve a preguntar en una sesión nueva. Barato, rápido y explota el mecanismo directamente. Un modelo que adivina un hecho único producirá conjeturas distintas. El artículo sobre la alucinación abre exactamente con esto: preguntado por el cumpleaños de un autor en tres intentos, un modelo de frontera produjo tres fechas erróneas distintas.
Pide salidas más cortas en tareas ancladas. Los pares de la tabla muestran que la longitud y las afirmaciones sin respaldo suben juntas. La longitud es la palanca que tú controlas.
Pregunta por la confianza y da permiso explícito para abstenerse. Di explícitamente que «no lo sé» es una respuesta aceptable. Es la versión del lado del usuario de la solución que propone el artículo. No vas a cambiar cómo se puntúan las referencias, pero sí puedes cambiar la regla de puntuación dentro de tu propia indicación.
Lo que esto no significa
No significa que los modelos sean poco fiables en general. Tasas ancladas del 2 al 7% para buenos modelos en resumen fiel son una tasa de error manejable para una primera pasada, siempre que sepas que no es cero y compruebes las partes que importan.
No significa que la alucinación vaya a eliminarse por ingeniería el año que viene. El argumento del artículo es estructural: mientras las evaluaciones dominantes no paguen nada por la incertidumbre calibrada, los modelos optimizados para esas evaluaciones seguirán adivinando. Arreglarlo exige cambiar el marcador, lo que es un problema de coordinación de todo el campo más que un problema de modelado en un laboratorio.
Y tampoco significa que debas verificarlo todo, que sería simplemente negarse a usar la herramienta. Significa que debes saber a cuál de los cinco mecanismos está expuesta tu tarea concreta y comprobar ahí. El esfuerzo de verificación repartido de forma uniforme es esfuerzo de verificación desperdiciado.
La competencia que se describe aquí no es escepticismo. Es calibración: saber dónde viven los errores para dejar de mirar en todas las demás partes. Es la misma destreza tratada en alfabetización frente a fluidez en IA, aplicada a la superficie de fallos en lugar de a la de capacidades.
Preguntas frecuentes
¿Alucinan menos los modelos más nuevos?
No de forma fiable, ni en todas las tareas. En la tabla de resumen anclado actualizada en mayo de 2026, el modelo más pequeño de la familia de OpenAI listada obtuvo un 3,1% mientras que un buque insignia de razonamiento de la misma familia obtuvo un 23,3%. Capacidad y fidelidad son ejes distintos y en esta tarea concreta pueden apuntar en sentidos opuestos.
¿Lo resuelve la generación aumentada por recuperación?
Te traslada al mejor régimen, lo que es una gran ganancia, pero las tasas ancladas de este artículo se miden con el documento fuente ya aportado. Cada una de esas cifras es un error residual que el anclaje no eliminó. La recuperación añade además su propio modo de fallo: recuperar el documento equivocado produce una respuesta segura fielmente anclada en la fuente equivocada.
¿Por qué suena el modelo tan seguro cuando se equivoca?
Porque se recompensó la especificidad y no la cautela. Bajo calificación binaria, una respuesta vaga y una respuesta falsa puntúan igual a cero, mientras que una conjetura específica tiene posibilidad de puntuar uno. La seguridad fluida es el resultado entrenado de ese incentivo, no una señal sobre la respuesta.
¿Sirve de algo preguntarle al modelo si está seguro?
Poco. La confianza declarada se sobreestima sistemáticamente. Los autores de SimpleQA lo midieron directamente pidiendo a los modelos que declararan un porcentaje de confianza y comparándolo con su exactitud real, y encontraron sobreestimación constante. El muestreo repetido en sesiones nuevas es mejor señal que la autodeclaración, porque mide comportamiento y no una afirmación sobre el comportamiento.
¿Qué hábito único atrapa más errores?
Abrir fuentes primarias para cualquier cifra o cita que vaya a afectar a una decisión. Ataca los dos mecanismos responsables de la mayoría de los errores profesionales con consecuencias, los hechos arbitrarios y basura entra basura sale, y cuesta alrededor de un minuto por elemento.
Fuentes
- Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala y Edwin Zhang, «Why Language Models Hallucinate», preprint de arXiv 2509.04664 versión 1, septiembre de 2025. Tabla 2 sobre la puntuación de referencias; secciones 3.3 y 3.4 sobre mecanismos de error; sección 4.2 sobre objetivos explícitos de confianza.
- OpenAI, «Measuring short-form factuality in large language models», preprint de arXiv 2411.04368, noviembre de 2024, que presenta la referencia SimpleQA. Tabla 3 sobre el rendimiento de los modelos; sección 4 sobre calibración.
- Vectara, Hallucination Leaderboard, calculada con el Hallucination Evaluation Model sobre un corpus privado de más de 7.700 documentos, versión actualizada el 11 de mayo de 2026.
- Vapnik y Chervonenkis, trabajo fundacional sobre la dimensión de familias de funciones, citado por Kalai y colegas como base del análisis de hechos arbitrarios.
- I. J. Good, sobre la estimación de frecuencias poblacionales de especies no observadas, el estimador de masa faltante que sustenta el argumento de la tasa de singletons.
- Stanford Institute for Human-Centered Artificial Intelligence, Artificial Intelligence Index Report, sobre la práctica de evaluación de modelos y la saturación de referencias.
Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.
This post is also available in:
