El agente de IA Grok va más allá del chat, pero el verdadero desafío es el trabajo de larga duración
SpaceXAI lanzó Grok 4.6 el 12 de agosto con una promesa más ambiciosa: su agente de IA Grok puede mantenerse productivo en flujos de trabajo más largos y complejos. La empresa apunta a programación, investigación, análisis de documentos y proyectos visuales que requieren numerosos pasos conectados.
Este enfoque sitúa a Grok 4.6 en la competencia más importante entre los desarrolladores de modelos de frontera. La disputa está pasando de quién responde mejor a indicaciones aisladas a quién puede completar un trabajo sustancial con supervisión limitada.
SpaceXAI informa de puntuaciones más altas en evaluaciones de programación y trabajo profesional. También afirma que el modelo realiza más autoverificaciones durante tareas prolongadas. Estas afirmaciones sugieren avances relevantes, pero no demuestran una autonomía fiable en condiciones cotidianas.
OpenAI, Anthropic, Cursor y otros desarrolladores de agentes persiguen el mismo objetivo mediante distintas combinaciones de modelos, herramientas, memoria y orquestación. Su obstáculo común no es generar una buena primera respuesta. Es mantener el rumbo tras decenas de decisiones, llamadas a herramientas, revisiones y cambios de contexto.
Por tanto, Grok 4.6 importa por algo más que su posición en los benchmarks. Pone a prueba si las mejoras dentro de un modelo pueden reducir la amplia infraestructura de apoyo que actualmente necesitan los agentes de larga duración.
Grok 4.6 desplaza el objetivo de las respuestas al trabajo terminado
El cambio central es el énfasis de Grok 4.6 en completar trabajo conectado, no solo en producir respuestas más sólidas.
SpaceXAI describe Grok 4.6 como un modelo para programación, tareas agénticas y trabajo del conocimiento. Los detalles de su lanzamiento destacan específicamente los agentes de larga duración y proyectos interactivos o visuales más ambiciosos.
Un agente de larga duración es un sistema que sigue trabajando a través de una secuencia de decisiones, llamadas a herramientas y revisiones. Debe conservar la intención del usuario mientras cambia la información intermedia.
Este requisito parece sencillo hasta que una tarea atraviesa varias etapas. Un encargo de investigación puede implicar encontrar fuentes, comparar afirmaciones, extraer evidencia, redactar un argumento y comprobar el resultado final.
Un encargo de programación puede resultar aún más exigente. El agente debe inspeccionar un repositorio, comprender las dependencias, editar varios archivos, ejecutar pruebas, investigar fallos y revisar su enfoque.
SpaceXAI afirma que Grok 4.6 puede mantenerse involucrado a lo largo de estas trayectorias más extensas. La empresa destaca la investigación, el análisis de información, el trabajo con bases de código, el desarrollo de aplicaciones y los productos de trabajo pulidos como escenarios objetivo.
El modelo está disponible a través de la API de SpaceXAI, Grok Build, Cursor y varias pasarelas de modelos. Esta distribución ofrece a los desarrolladores varios entornos en los que pueden probar el mismo modelo subyacente con distintos sistemas de agentes.
Grok 4.6 también admite llamadas a funciones, búsqueda web, búsqueda en X y ejecución de código. Las llamadas a funciones permiten que un modelo solicite acciones estructuradas a software externo en lugar de depender solo del texto generado.
Según la documentación del modelo, Grok 4.6 acepta entradas de texto e imagen y devuelve texto. Ofrece una ventana de contexto de 500.000 tokens y un esfuerzo de razonamiento configurable.
Una ventana de contexto más amplia permite que un agente examine más material fuente durante un flujo de trabajo. No garantiza que el modelo priorice correctamente cada detalle relevante.
La documentación recomienda la compactación de contexto para bucles largos de agentes. La compactación de contexto resume o reestructura la actividad anterior para que el agente pueda continuar sin trasladar cada interacción sin procesar.
Esta recomendación revela una limitación importante. Incluso una ventana de contexto amplia necesita una gestión activa cuando un agente lee archivos repetidamente, llama a herramientas y genera resultados intermedios.
SpaceXAI también recomienda dirigir las solicitudes relacionadas al mismo servidor mediante una clave de caché específica de la conversación. Este enfoque mejora el almacenamiento en caché de prompts y reduce el procesamiento repetido de contexto sin cambios.
Estos detalles de implementación importan porque el trabajo de larga duración depende de todo el ciclo de ejecución. Un modelo puede tener una gran capacidad de razonamiento y aun así fallar cuando se rompe la memoria, el estado de las herramientas o el manejo del contexto.
Por tanto, Grok 4.6 es tanto un lanzamiento de modelo como un desafío de sistemas. Su valor real surgirá de los entornos que decidan qué ve, recuerda, comprueba y modifica.
Por qué los agentes de larga duración se han convertido en el nuevo campo de batalla
Los modelos de frontera compiten cada vez más en persistencia porque la calidad de prompts aislados ya no define los casos de uso profesional más valiosos.
Un chat breve oculta muchos modos de fallo. El modelo recibe una solicitud delimitada, produce una respuesta y rara vez afronta las consecuencias de un error temprano.
Los flujos de trabajo más largos exponen esas debilidades. Una suposición equivocada puede influir en búsquedas posteriores, cambios de código, cálculos y conclusiones antes de que alguien detecte el error original.
Los agentes también deben recuperarse cuando las herramientas devuelven resultados inesperados. Deben reconocer el trabajo incompleto, revisar los planes y distinguir un obstáculo temporal de una tarea terminada.
Cursor describió este problema al ampliar su vista previa de investigación de agentes. La empresa observó que los modelos de frontera perdían el objetivo general o se detenían tras una finalización parcial en proyectos ambiciosos.
Cursor respondió con un harness personalizado, la capa de software que planifica tareas, proporciona herramientas, realiza seguimiento del progreso y comprueba resultados. Su enfoque muestra por qué la capacidad del modelo por sí sola no determina el rendimiento de un agente.
SpaceXAI presiona desde la otra dirección. Afirma que Grok 4.6 recibió entrenamiento destinado a mejorar el razonamiento sostenido y el comportamiento de los agentes dentro del propio modelo.
La empresa informa de una ejecución adicional de entrenamiento más larga que la recibida por Grok 4.5. Esa ejecución utilizó datos seleccionados de razonamiento generados por modelos, datos de ingeniería y cambios en el optimizador y el proceso de entrenamiento.
Después, SpaceXAI utilizó Grok 4.5 para regenerar trayectorias de ajuste fino supervisado. Una trayectoria registra la secuencia de acciones y decisiones tomadas al completar una tarea.
Esas trayectorias abarcaron múltiples configuraciones de razonamiento, harnesses de agentes y dominios. SpaceXAI afirma que comprobaciones basadas en modelos filtraron ejemplos problemáticos antes de las fases posteriores de aprendizaje por refuerzo.
El aprendizaje por refuerzo entrena el comportamiento mediante retroalimentación vinculada a los resultados. Para Grok 4.6, SpaceXAI afirma que esas tareas incluyeron programación general, trabajo del conocimiento, desarrollo web, diseño asistido por computadora y optimización de kernels.
El resultado previsto es un modelo que ha practicado flujos de trabajo más completos durante el entrenamiento. Esto difiere de esperar que una capa de orquestación corrija cada debilidad después del despliegue.
OpenAI persigue un objetivo relacionado con otra elección arquitectónica. Su lanzamiento de GPT-5.6 combina modelos individuales más sólidos con uso programático de herramientas y agentes paralelos opcionales.
Los agentes paralelos dividen el trabajo entre contextos separados antes de combinar sus resultados. Esta estructura puede acelerar la investigación o la programación cuando las subtareas son realmente independientes.
Sin embargo, el paralelismo genera costes de coordinación. Los agentes separados pueden duplicar trabajo, adoptar supuestos contradictorios o devolver hallazgos que el agente principal no logra conciliar.
La competencia no es simplemente Grok contra un modelo rival. Es la persistencia centrada en el modelo frente a sistemas de orquestación cada vez más elaborados.
Para los desarrolladores, esta distinción afecta a la complejidad. Un modelo que gestione de forma fiable trabajos más largos podría requerir menos reintentos, puntos de control y componentes de supervisión.
Para los compradores empresariales, la distinción afecta a la gobernanza. Cada herramienta, almacén de memoria y subagente adicional crea otro lugar donde los permisos, los datos sensibles o la responsabilidad pueden volverse poco claros.
Los agentes de larga duración se están convirtiendo en el campo de batalla porque concentran estos problemas técnicos y organizativos. El éxito convertiría a la IA de un asistente ocasional en un participante del trabajo continuo.
El agente de IA Grok pone a prueba una estrategia centrada en el modelo
El agente de IA Grok pone a prueba si un comportamiento entrenado más sólido puede asumir una mayor parte del flujo de trabajo antes de que intervenga la orquestación externa.
SpaceXAI afirma que Grok 4.6 se mantiene en tareas complejas a lo largo de muchos pasos. La empresa también informa de más autoverificaciones y comprobaciones durante trayectorias más extensas.
La autoverificación significa que el modelo comprueba su propia salida antes de continuar. En programación, esto puede implicar ejecutar pruebas, inspeccionar fallos y revisar una implementación.
En investigación, puede implicar comparar fuentes o comprobar si la evidencia respalda una conclusión. En trabajo visual, puede implicar revisar la composición, las interacciones o la consistencia antes de otra iteración.
Este comportamiento importa porque la supervisión humana se vuelve costosa cuando cada paso requiere aprobación. Sin embargo, eliminar la supervisión demasiado pronto puede permitir que pequeños errores se acumulen.
Una estrategia centrada en el modelo busca un mejor equilibrio. El agente debería realizar más comprobaciones internas mientras sigue exponiendo al usuario las decisiones e incertidumbres importantes.
SpaceXAI informa de que Grok 4.6 produce versiones iniciales más sólidas de proyectos visuales e interactivos que Grok 4.5. Afirma que el modelo puede establecer la estructura de una aplicación y el lenguaje visual en una sola pasada.
La empresa también afirma que el modelo puede investigar áreas desconocidas, construir interacciones básicas y seguir refinando un proyecto mediante retroalimentación. Estas siguen siendo observaciones reportadas por el proveedor, no mediciones independientes de fiabilidad.
Aun así, la dirección es destacable. Los desarrolladores de agentes han compensado a menudo los modelos inconsistentes con flujos de trabajo rígidos, prompts detallados, evaluación repetida y subagentes especializados.
Una mejor persistencia nativa puede simplificar esa pila. También puede hacer que el mismo modelo sea más portátil entre herramientas de programación, sistemas de investigación y aplicaciones empresariales.
La API de Grok 4.6 admite cuatro niveles de razonamiento. Los desarrolladores pueden asignar más razonamiento al trabajo difícil sin tratar cada solicitud de forma idéntica.
Ese control ayuda a ajustar el esfuerzo al riesgo. Una tarea de clasificación sencilla no necesita el mismo patrón de procesamiento que una migración de repositorio o una revisión de documentos legales.
Sin embargo, el esfuerzo de razonamiento no equivale a fiabilidad. Un modelo puede dedicar más tiempo a perseguir una interpretación incorrecta si sus supuestos iniciales siguen sin cuestionarse.
Por tanto, los agentes eficaces necesitan puntos de control observables. Los usuarios deberían poder inspeccionar los planes, revisar acciones relevantes e identificar qué fuentes informaron una decisión.
Este requisito es especialmente importante para el trabajo del conocimiento. Un informe pulido puede ocultar afirmaciones sin respaldo con mayor eficacia que un error evidente de programación oculta una prueba fallida.
Los equipos también necesitan conocimiento persistente fuera del contexto activo del modelo. Una base de conocimiento personal puede preservar fuentes aprobadas, decisiones y contexto institucional entre ejecuciones separadas.
Ese registro externo no debería convertirse en un volcado de memoria sin filtrar. Los agentes necesitan una recuperación relevante y consciente de permisos que distinga los hechos actuales de las notas obsoletas.
El agente de IA Grok será más útil cuando pueda combinar persistencia a nivel de modelo con un estado externo disciplinado. Ninguno de los dos componentes reemplaza de forma segura al otro.
Si Grok 4.6 necesita menos infraestructura correctiva que modelos comparables, los desarrolladores lo notarán rápidamente. Verán menos planes abandonados, búsquedas repetidas, ediciones contradictorias y llamadas a herramientas innecesarias.
Si no lo logra, las mejoras en los benchmarks seguirán siendo importantes, pero principalmente como insumos para una arquitectura de agentes más amplia. El entorno circundante seguirá siendo la verdadera unidad de competencia.
Lo que los benchmarks de Grok 4.6 no muestran
Grok 4.6 registra amplias mejoras en los benchmarks, pero los resultados publicados no demuestran un rendimiento fiable en condiciones laborales abiertas.
La tabla de evaluación de SpaceXAI informa una puntuación de AA Intelligence de 61 para Grok 4.6 High. Grok 4.5 High obtuvo 56 en la misma tabla.
La puntuación compuesta coincide con el resultado listado para GPT-5.6 Sol Max. Fable 5 Max aparece un punto por encima, con 62.
En GDPVal-AA v2, que mide el rendimiento en tareas profesionales, Grok 4.6 registró 1753. Los resultados listados fueron 1728 para GPT-5.6 Sol y 1741 para Fable 5.
Estas cifras respaldan el posicionamiento de SpaceXAI en el trabajo del conocimiento. También muestran cómo las clasificaciones pueden cambiar según la evaluación seleccionada.
Los resultados de programación siguen el mismo patrón. Grok 4.6 obtuvo un 69.9% en CursorBench v3.2, frente al 66.7% de Grok 4.5.
Obtuvo un 65.9% en DeepSWE v1.1, frente al 54% de su predecesor. Sin embargo, la tabla sitúa a GPT-5.6 Sol en el 73% y a Fable 5 en el 70%.
En FrontierCode v1.1 Extended, Grok 4.6 alcanzó el 61.3%. La tabla comparativa sitúa a GPT-5.6 Sol en el 60.6% y a Fable 5 en el 63.6%.
Grok 4.6 también registró un 57.5% en APEX-Agents y un 56.4% en APEX-SWE. Su puntuación AA-Briefcase listada fue de 1577.
El resultado de Harvey LAB fue del 15.8%, por encima de todas las comparaciones mostradas en la tabla de SpaceXAI. Esa evaluación se centra en el trabajo jurídico, un entorno de trabajo del conocimiento especialmente exigente.
Terminal-Bench v3.0 ofrece una señal más cautelosa. Grok 4.6 obtuvo un 26%, mientras que los resultados listados de GPT-5.6 Sol y Fable 5 superaron el 34%.
En conjunto, las puntuaciones describen un modelo ampliamente competitivo, no un líder indiscutible. Grok 4.6 lidera evaluaciones seleccionadas mientras queda por detrás en otras.
Las versiones de los benchmarks también importan. Los resultados de distintas versiones o configuraciones del entorno no deben tratarse como directamente intercambiables.
SpaceXAI señala que las puntuaciones de terceros utilizan los mejores resultados autoinformados o disponibles públicamente. Ese enfoque es práctico, pero no crea un único entorno de pruebas independiente.
Un benchmark normalmente proporciona a un agente un objetivo definido y una condición de finalización medible. Las asignaciones laborales reales suelen comenzar con requisitos incompletos y definiciones disputadas de éxito.
Las tareas de repositorio pueden premiar aprobar pruebas ocultas. La ingeniería de producción también exige un diseño mantenible, decisiones de compatibilidad, revisión cuidadosa y comunicación con otros colaboradores.
Las evaluaciones de trabajo del conocimiento pueden medir la calidad de un artefacto presentado. Tienen más dificultades para detectar si el agente utilizó evidencia desactualizada o gestionó mal contexto confidencial.
La autonomía de larga duración introduce otra brecha. El éxito en una tarea prolongada no demuestra cuán consistentemente se desempeña un sistema a través de cientos de implementaciones.
Un promedio elevado puede ocultar fallos costosos. Un cambio incorrecto en una base de datos, una afirmación jurídica sin respaldo o una acción externa no autorizada pueden superar muchas rutinas exitosas.
Por ello, los usuarios deben tratar la tabla de benchmarks como evidencia de capacidad, no de fiabilidad operativa. Los resultados justifican probar Grok 4.6, pero no eliminar la supervisión.
Las evaluaciones independientes deberán examinar las tasas de finalización, los costes de corrección, los errores de herramientas y la intervención humana. También deberían informar la variación del rendimiento entre ejecuciones repetidas.
La métrica más reveladora podría ser el porcentaje de trabajo aceptado sin reparaciones sustanciales. Esa cifra conecta directamente el rendimiento del modelo con el esfuerzo del usuario.
Hasta que se acumule esa evidencia, la posición de Grok 4.6 en los benchmarks seguirá siendo prometedora pero incompleta. La pregunta sin resolver es con qué frecuencia su razonamiento más prolongado produce trabajo terminado y fiable.
El trabajo del conocimiento eleva las exigencias más allá de la programación
El trabajo del conocimiento amplía la oportunidad de Grok 4.6, pero también hace más importantes la procedencia, los permisos y la revisión.
Los agentes de programación operan en entornos con una retroalimentación inusualmente útil. Los compiladores, las pruebas, los linters y el control de versiones pueden detectar muchos errores antes de la implementación.
La investigación y el análisis empresarial rara vez ofrecen comprobaciones equivalentes. Una conclusión fluida pero sin respaldo puede atravesar un flujo de trabajo sin desencadenar un error técnico.
SpaceXAI sitúa el trabajo del conocimiento junto a la programación en su posicionamiento de Grok 4.6. Esa categoría puede incluir investigación, síntesis de documentos, análisis financiero, revisión jurídica y planificación estratégica.
Cada actividad exige más que recordar hechos. El agente debe determinar qué información importa, resolver evidencia contradictoria y comunicar la incertidumbre.
Pensemos en un gerente de producto que prepara una revisión de lanzamiento. El agente podría recopilar comentarios de clientes, comparar decisiones previas, analizar datos de uso y redactar recomendaciones.
Un flujo de trabajo de larga duración podría ahorrar una cantidad considerable de tiempo. También podría combinar períodos de datos incompatibles o tratar una decisión antigua como una política vigente.
La solución no consiste simplemente en una ventana de contexto más grande. El sistema necesita recuperación precisa, fuentes rastreables y controles sobre los repositorios a los que el agente puede acceder.
Un segundo cerebro de IA puede ayudar a organizar el material de origen y las decisiones previas. El agente aún necesita instrucciones para resolver conflictos y preservar la procedencia.
La revisión profesional sigue siendo esencial cuando los resultados afectan a clientes, empleados, contratos o decisiones financieras. El agente debe acelerar el juicio, no ocultar dónde se ejerció ese juicio.
El trabajo visual e interactivo plantea un desafío relacionado. SpaceXAI afirma que Grok 4.6 puede convertir ideas generales en primeras versiones sustanciales de aplicaciones.
Un prototipo convincente puede acortar la distancia entre una idea y los comentarios de los usuarios. También puede generar una falsa confianza si la interfaz parece terminada mientras el comportamiento subyacente sigue incompleto.
Los equipos deben separar la calidad de la presentación de la calidad de la implementación. La seguridad, la accesibilidad, la gestión de datos y la recuperación ante fallos requieren verificación explícita.
Los agentes de larga duración también amplían la superficie de permisos. Un asistente de investigación podría limitarse a leer documentos, mientras que un agente operativo podría editar código, actualizar registros o contactar sistemas externos.
Los permisos deben seguir el principio del alcance mínimo necesario. Un modelo capaz de realizar más acciones no debe recibir automáticamente autoridad para ejecutarlas.
Los registros de auditoría adquieren la misma importancia. Los equipos necesitan saber a qué accedió un agente, qué herramientas utilizó y por qué modificó un documento o sistema.
SpaceXAI afirma que Grok 4.6 recibió su conjunto de evaluaciones previo a la implementación más amplio y una calibración de salvaguardas ampliada. Esas descripciones aportan detalles limitados sobre tasas específicas de fallos en el anuncio.
La empresa también identifica el parcheo de vulnerabilidades, el diseño de ingeniería y la investigación de IA como usos objetivo legítimos. Cada ámbito combina automatización valiosa con un posible uso indebido grave.
Una implementación madura combinará las salvaguardas del modelo con controles del sistema. Estos incluyen autenticación, puertas de aprobación, ejecución aislada, registros y procedimientos de reversión.
La implementación más sólida de un agente de IA Grok no será la que tenga menos humanos. Será la que solicite juicio humano en momentos de consecuencias relevantes.
Ese diseño también mejora la adopción. Es más probable que los profesionales deleguen trabajo significativo cuando pueden inspeccionar la evidencia y revertir los cambios.
Grok 4.6 ofrece a los desarrolladores otro modelo capaz para construir dichos sistemas. Su ambición en el trabajo del conocimiento garantiza que la evaluación no puede detenerse en si el resultado suena correcto.
Tres señales decidirán si Grok 4.6 cumple
La próxima fase depende de evidencia independiente de fiabilidad, adopción en producción y respuestas competitivas, más que de otra victoria aislada en un benchmark.
La primera señal es la evaluación repetida en el mundo real. Los desarrolladores deben observar si evaluadores independientes reproducen los resultados de SpaceXAI con configuraciones idénticas del modelo y entornos transparentes.
Esa evidencia debe ir más allá de puntuaciones únicas de finalización. Los informes útiles incluirán reintentos, fallos de herramientas, tasas de intervención, tiempo de procesamiento y la cantidad de reparación humana necesaria.
Los resultados consistentes reforzarían el argumento de SpaceXAI centrado en el modelo. Una alta variación sugeriría que la orquestación y la supervisión todavía determinan la mayor parte del resultado práctico.
La segunda señal es el comportamiento en producción dentro de Cursor y Grok Build. Ambos entornos exponen a Grok 4.6 a tareas de programación sustanciales, en lugar de demostraciones controladas.
Cursor es especialmente importante porque puede comparar modelos dentro de un entorno de producto común. Eso reduce algunas diferencias creadas por herramientas e interfaces no relacionadas.
Busque evidencia de que Grok 4.6 completa asignaciones más grandes sin perder el objetivo original. La aceptación de merges y la reparación posterior a la generación serían más informativas que el volumen de código generado.
Los desarrolladores también deben examinar si el modelo utiliza eficazmente su contexto extenso. Las lecturas repetidas de archivos o las ediciones contradictorias pueden revelar una gestión de estado deficiente pese a una gran capacidad de contexto.
Para el trabajo del conocimiento, las señales de adopción serán diferentes. Las empresas se preocuparán por la trazabilidad de las fuentes, los controles de acceso, la carga de revisión y la integración con los sistemas de información existentes.
La tercera señal es cómo responden los competidores. OpenAI ya combina GPT-5.6 Sol con llamadas programáticas a herramientas y opciones multiagente para flujos de trabajo difíciles.
Anthropic y los desarrolladores de plataformas de agentes también están invirtiendo en persistencia, uso de ordenadores y ejecución más prolongada. Sus respuestas pueden presionar a SpaceXAI en fiabilidad, eficiencia u orquestación.
Un competidor puede superar a Grok mejorando el sistema de agentes circundante en lugar de lanzar un modelo base con mayor puntuación. Ese resultado debilitaría la interpretación centrada en el modelo.
SpaceXAI podría responder ofreciendo mejores controles para puntos de control, gestión de contexto y verificación. También podría proporcionar evaluaciones más detalladas de sistemas completos de agentes.
La comparación clave debe seguir siendo los resultados de las tareas, no los totales de benchmarks a nivel de marca. Distintos modelos encajarán en diferentes entornos, niveles de riesgo y estructuras de flujo de trabajo.
Los equipos que evalúen Grok 4.6 deben comenzar con una asignación acotada pero significativa. Proporcione al agente suficiente complejidad para requerir planificación, uso de herramientas y al menos un ciclo de revisión.
Registre cuándo solicita aclaraciones, cambia de dirección o afirma haber finalizado. Después, inspeccione el artefacto final y todo el recorrido utilizado para producirlo.
Repita la misma asignación varias veces. Los agentes de larga duración deben comportarse con suficiente consistencia como para que los equipos puedan diseñar procesos de revisión fiables a su alrededor.
El agente de IA Grok ha atraído atención porque SpaceXAI está abordando el problema correcto. El valor profesional depende de completar trabajo conectado, no de ganar conversaciones aisladas.
Sus resultados publicados muestran una mejora significativa frente a Grok 4.5 en varias evaluaciones. También muestran áreas claras en las que los modelos competidores siguen por delante.
La siguiente pregunta es práctica: ¿Grok 4.6 reduce la supervisión necesaria para producir trabajo aceptable sin aumentar el riesgo oculto?
Los desarrolladores, compradores empresariales y trabajadores del conocimiento deben poner a prueba esa pregunta con sus propios documentos, repositorios y estándares de aprobación. La respuesta importará más que cualquier posición individual en una clasificación.
