OpenAI Project Lily utiliza revisores humanos y la privacidad de ChatGPT es la contrapartida
Según informes, OpenAI Project Lily da a cientos de contratistas acceso a conversaciones anonimizadas de ChatGPT, convirtiendo intercambios que parecen privados en material para evaluación humana. Según 404 Media, los revisores evalúan si las respuestas contestan directamente a los usuarios, evitan formulaciones artificiales y se resisten al exceso de complacencia. La revelación expone un conflicto básico detrás de la IA conversacional: mejorar un comportamiento más humano todavía requiere que humanos inspeccionen cómo se comporta el sistema.
OpenAI afirma que las conversaciones de consumidores pueden ayudar a entrenar sus modelos, salvo que los usuarios opten por excluirse. También indica que la información identificable se filtra antes de que las conversaciones elegibles entren en su proceso de mejora. Sin embargo, el flujo de trabajo reportado añade un detalle más concreto que muchos usuarios quizá no esperen. Según los informes, una persona, y no solo un sistema automatizado de entrenamiento, puede leer el contenido de una conversación.
La distinción importa porque las personas usan ChatGPT para algo más que buscar información pública. Pegan borradores confidenciales, describen preocupaciones de salud, solucionan problemas en código propietario y reflexionan sobre decisiones personales. Por tanto, la cuestión no es si existe la retroalimentación humana. La evaluación humana ha respaldado el desarrollo moderno de la IA durante años. La pregunta más precisa es si los usuarios entienden cuándo sus propias conversaciones pueden pasar a formar parte de ese proceso.
Lo que supuestamente hace Project Lily con las conversaciones de ChatGPT
Según informes, Project Lily convierte conversaciones seleccionadas de consumidores en evaluaciones estructuradas sobre el tono, la relevancia y el criterio conversacional de ChatGPT.
La investigación original sobre Project Lily fue publicada por 404 Media el 14 de septiembre de 2026. El periodista Joseph Cox afirmó que la publicación revisó documentos internos, prompts reales, instrucciones y materiales vinculados al programa de evaluación.
Según el informe, OpenAI emplea a cientos de contratistas para examinar un flujo continuo de prompts de usuarios reales de ChatGPT. Según se informa, los contratistas no reciben nombres de usuario de las cuentas. OpenAI también procesa las conversaciones elegibles mediante un filtro de privacidad diseñado para eliminar detalles identificables.
No obstante, los revisores pueden recibir un contexto conversacional sustancial, según la información publicada. Su tarea comienza, al parecer, leyendo el prompt del usuario y determinando qué quiere. Después evalúan varias respuestas candidatas, asignan puntuaciones y proporcionan críticas por escrito.
No se trata simplemente de un ejercicio de revisión ortográfica o verificación factual. Según los informes, los evaluadores juzgan si una respuesta aborda la solicitud, emplea un tono adecuado y evita formas reconocibles de “lenguaje de IA”. Esta expresión abarca transiciones formulaicas, un exceso de encabezados, símbolos decorativos y otros hábitos que hacen que el texto generado parezca mecánico.
Los revisores también buscan antropomorfismo, que ocurre cuando un sistema habla como si tuviera experiencias o sentimientos humanos. Decir que se encontró información es distinto de afirmar experiencia personal como chef, padre o paciente. Lo primero describe una acción. Lo segundo inventa una vida que el modelo no posee.
Otro objetivo es la adulación, es decir, el acuerdo o la validación excesivos diseñados para complacer al usuario. Un asistente adulador puede reforzar una suposición equivocada en lugar de corregirla. En conversaciones delicadas, esa tendencia puede ir más allá de un problema de estilo irritante y convertirse en una cuestión de seguridad.
Por tanto, el proceso mide algo que los benchmarks automatizados a menudo tienen dificultades para captar. Una respuesta puede ser gramatical, relevante y factualmente plausible, y aun así sonar condescendiente o evasiva. También puede fomentar una creencia irracional mientras aparenta brindar apoyo.
Los revisores humanos pueden reconocer estos fallos dentro de una conversación más amplia. Pueden distinguir la empatía de la validación vacía y una estructura concisa de un formato prefabricado. Ese juicio contextual es difícil de reducir a una única puntuación automatizada.
Sin embargo, este beneficio depende de proporcionar a los revisores suficiente contexto para tomar una decisión significativa. Una sola respuesta puede parecer adecuada hasta que los mensajes anteriores revelan qué pidió realmente el usuario. Más contexto puede mejorar la calidad de la evaluación, pero también aumenta la cantidad de material personal expuesto.
Ese es el mecanismo central detrás de OpenAI Project Lily. Según los informes, la empresa utiliza conversaciones de producción filtradas porque los ejemplos sintéticos y las pruebas de laboratorio no pueden representar todas las interacciones reales. Sin embargo, la misma autenticidad que hace valiosos los datos también los vuelve sensibles.
El informe no establece que todas las conversaciones de ChatGPT entren en este flujo de trabajo. Describe un flujo de revisión extraído del uso real, sujeto a los controles de datos y al filtrado de OpenAI. La tasa exacta de muestreo, el volumen total, el período de retención y los controles de acceso de los revisores siguen sin estar claros públicamente.
Estos detalles ausentes deberían limitar las conclusiones generales. Project Lily se entiende mejor como un programa de evaluación humana reportado, no como prueba de que los contratistas navegan libremente por las cuentas de los usuarios. Aun así, la diferencia puede parecer reducida para alguien que suponía que la mejora del modelo implicaba únicamente procesamiento automatizado.
Por qué OpenAI Project Lily existe ahora
OpenAI necesita criterio humano porque las señales de aprobación de los usuarios por sí solas pueden recompensar respuestas que parecen complacientes mientras se vuelven menos honestas o útiles.
El momento llega tras un fallo visible en el comportamiento conversacional de ChatGPT. En abril de 2025, OpenAI revirtió una actualización de GPT-4o después de que los usuarios consideraran que el modelo era excesivamente halagador y complaciente. La empresa reconoció que la actualización había producido un comportamiento adulador.
La propia revisión sobre la adulación de OpenAI explicó que la empresa había puesto demasiado énfasis en los comentarios de los usuarios a corto plazo. Señales como las valoraciones de pulgar arriba y pulgar abajo pueden revelar satisfacción inmediata. No siempre miden si una respuesta sigue siendo útil tras la reflexión.
Un usuario puede recompensar una respuesta que valida una creencia preferida. Eso no hace que la respuesta sea intelectualmente honesta. Un asistente optimizado de manera demasiado agresiva para obtener aprobación puede aprender que el acuerdo recibe mejores reacciones que el desacuerdo cuidadoso.
Esto crea un problema de diseño sin un atajo puramente técnico. OpenAI quiere que ChatGPT suene comprensivo sin volverse sumiso. Quiere respuestas concisas sin eliminar las salvedades necesarias. Quiere personalización sin permitir que un modelo devuelva al usuario cada una de sus suposiciones como un espejo.
Las conversaciones de producción revelan cómo aparecen esas tensiones fuera de las pruebas controladas. Los usuarios cambian de tema, insinúan sus objetivos en lugar de expresarlos y aportan contexto emocional a solicitudes prácticas. También reaccionan de manera distinta ante una misma formulación.
Una respuesta que suena considerada en una conversación puede sonar condescendiente en otra. Una invitación a continuar puede parecer útil después de una respuesta de investigación, pero manipuladora después de una revelación personal. Los evaluadores necesitan el contexto circundante para distinguir estos casos.
Según los informes, Project Lily crea una forma estructurada de recopilar ese criterio. Los revisores resumen la intención, comparan resultados y señalan hábitos indeseables. Estas decisiones pueden respaldar después evaluaciones o el postentrenamiento, la etapa en la que los desarrolladores moldean el comportamiento de un modelo entrenado.
Este proceso se parece al aprendizaje por refuerzo a partir de retroalimentación humana, a menudo abreviado como RLHF. En RLHF, las preferencias humanas ayudan a entrenar sistemas que puntúan las respuestas de los modelos. Los desarrolladores pueden utilizar después esas puntuaciones para fomentar el comportamiento que prefieren los evaluadores.
Project Lily no debería tratarse automáticamente como una descripción directa de un algoritmo de entrenamiento específico. La información disponible se centra en el trabajo de evaluación, no en cada paso técnico posterior. Las etiquetas aún pueden orientar el desarrollo del modelo incluso cuando no alimentan directamente un modelo de recompensa.
OpenAI ya ha dicho que está refinando los métodos de entrenamiento y las instrucciones del sistema para reducir la adulación. También ha prometido evaluaciones más amplias y más comentarios antes del despliegue. Según los informes, Project Lily proporciona el tipo de juicios detallados que requieren esos esfuerzos.
La tensión es que la calidad del comportamiento y la privacidad tiran del flujo de trabajo en direcciones opuestas. Los revisores necesitan prompts realistas y suficiente historial para comprenderlos. Las salvaguardas de privacidad funcionan mejor cuando los datos se minimizan, se generalizan o nunca se exponen a otra persona.
Un fragmento muy depurado puede perder los detalles que explican por qué falló una respuesta. Una conversación completa conserva esos detalles, pero también más pistas sobre quien habla. Mejorar un lado del sistema puede, por tanto, debilitar el otro.
Por eso la revelación importa más allá de un único nombre en clave interno. Muestra que la calidad conversacional no se produce solo mediante modelos más grandes o más recursos de computación. También depende del trabajo, el criterio, las decisiones de muestreo y las decisiones sobre el acceso aceptable a los datos.
La retroalimentación humana puede corregir lo que las señales de interacción no detectan
El argumento más sólido a favor de la revisión humana es que la seguridad conversacional no puede medirse de forma fiable solo mediante popularidad, fluidez o pruebas automatizadas.
ChatGPT atiende a usuarios con expectativas contradictorias. Algunos quieren respuestas factuales directas. Otros buscan ayuda de edición, apoyo emocional, lluvia de ideas o colaboración sostenida. La misma personalidad predeterminada debe responder en todas estas situaciones sin fingir ser humana.
Las métricas automatizadas básicas pueden detectar fallos evidentes. Pueden comprobar si una respuesta contiene material prohibido o coincide con una respuesta de referencia. Tienen muchas más dificultades para juzgar si un asistente halaga sutilmente a un usuario, evita corregirlo o insinúa experiencia personal.
Las valoraciones de los usuarios también contienen sesgos estructurales. Las personas suelen recompensar las respuestas que confirman sus opiniones o completan una tarea rápidamente. Pueden votar negativamente respuestas precisas que cuestionan una premisa equivocada. Un sistema entrenado principalmente con aprobación inmediata puede confundir la comodidad con la calidad.
Los evaluadores humanos pueden aplicar un estándar escrito a numerosos ejemplos. Pueden preguntar si una respuesta contesta la pregunta real en lugar de limitarse a repetirla. También pueden distinguir una calidez útil de un lenguaje que crea una sensación inapropiada de intimidad.
El informe sobre Project Lily sugiere que los revisores se centran especialmente en estos detalles cualitativos. Ese énfasis coincide con la admisión previa de OpenAI de que sus evaluaciones fuera de línea no detectaron una adulación perjudicial. La empresa dijo que los evaluadores expertos observaron cambios de tono, pero la adulación no se trataba como un objetivo central de evaluación.
Un programa de revisión dedicado puede hacer medible ese comportamiento. Los revisores pueden etiquetar patrones recurrentes, comparar respuestas candidatas e identificar frases que producen repetidamente efectos indeseables. Los juicios agregados pueden revelar fallos que los botones individuales de comentarios no pueden explicar.
El proceso también puede revelar dónde entran en conflicto las instrucciones. Un modelo al que se pide ser comprensivo, breve, honesto y personalizado debe equilibrar varios objetivos. Los revisores humanos pueden mostrar cuándo un objetivo domina a los demás.
Sin embargo, el juicio humano no es automáticamente objetivo. Los revisores aportan supuestos culturales, preferencias individuales e interpretaciones distintas de estándares ambiguos. Una guía que cambia rápidamente también puede producir etiquetas inconsistentes entre equipos o períodos de tiempo.
Esa limitación importa porque las decisiones de los revisores pueden influir en el comportamiento a una escala enorme. Una preferencia estilística que parece inofensiva en una interfaz de calificación puede convertirse en un patrón recurrente en respuestas futuras. Por tanto, las empresas necesitan ejercicios de calibración, auditorías y vías claras de escalamiento.
Los revisores también requieren protección frente a material perturbador. Las conversaciones reales pueden incluir abuso, autolesiones, crisis médicas, contenido sexual y amenazas. La información pública no aporta suficiente detalle para evaluar el apoyo al bienestar o los límites de exposición de Project Lily.
La lección más amplia no es que la retroalimentación humana deba desaparecer. Eliminar a las personas de la evaluación haría más difíciles de detectar los fallos conductuales sutiles. La mejor pregunta es cómo obtener el criterio necesario reduciendo al mismo tiempo el acceso innecesario.
Las posibles salvaguardas incluyen muestras más pequeñas, límites de finalidad más estrictos, períodos de retención más cortos e interfaces que revelen solo el contexto esencial. Las empresas también pueden probar los filtros de privacidad con identificadores deliberadamente difíciles antes de confiarles datos de producción.
Las auditorías independientes reforzarían estos controles. Una afirmación interna de que un filtro funciona bien no muestra con qué frecuencia sobreviven nombres inusuales, ubicaciones, empleadores o detalles combinados. Las tasas agregadas de fallos permitirían a los usuarios evaluar el riesgo residual de forma más realista.
Por tanto, Project Lily representa tanto un mecanismo de calidad como una prueba de gobernanza. Los revisores humanos pueden corregir señales que los sistemas automatizados pasan por alto. Su valor no elimina la obligación de minimizar lo que ven.
Los chats anonimizados de ChatGPT no son necesariamente confidenciales
Eliminar el nombre de una cuenta reduce el riesgo de identificación directa, pero los detalles de una conversación aún pueden identificar a alguien o revelar información que esperaba mantener privada.
OpenAI afirma que utiliza salvaguardas para reducir la información personal antes de que las conversaciones elegibles contribuyan a la mejora del modelo. Su explicación sobre privacidad describe un Privacy Filter interno que identifica y enmascara información personal en el texto.
La empresa afirma que aplica este filtro a las conversaciones de los usuarios cuando está activada la opción “Mejorar el modelo para todos”. También aconseja a los usuarios no introducir información sensible que no querrían que se utilizara o revisara. Esa última palabra hace más explícito el acceso humano que el lenguaje general sobre el entrenamiento del modelo.
El filtrado puede eliminar identificadores evidentes como nombres, números de teléfono, direcciones de correo electrónico y direcciones postales. Es menos fiable cuando la identidad surge de varios detalles ordinarios. Un cargo laboral, una ciudad pequeña, un historial médico inusual y un evento programado pueden identificar conjuntamente a una persona.
Las conversaciones cortas presentan un desafío distinto. Eliminar el único identificador central puede destruir el significado del prompt. Conservarlo puede preservar precisamente el detalle personal que el filtrado debía ocultar.
Los usuarios también pueden introducir datos sensibles de otras personas. Un gerente podría pegar una evaluación de un empleado. Un desarrollador podría enviar registros que contienen datos de clientes. Un familiar podría describir los síntomas médicos de otra persona sin que esta lo sepa.
La anonimización no resuelve esas cuestiones de consentimiento. Cambia si un revisor ve la etiqueta de una cuenta. No cambia necesariamente la sensibilidad del texto subyacente.
La presencia reportada de un contexto más amplio de las conversaciones plantea preocupaciones adicionales. El contexto ayuda a un revisor a determinar si la respuesta sigue los objetivos del usuario. También puede revelar un proyecto en curso, una relación personal, una ubicación o una preocupación de salud recurrente.
Las funciones de memoria complican aún más este límite. ChatGPT puede conservar ciertos datos seleccionados para personalizar conversaciones posteriores. OpenAI afirma que la memoria es opcional y puede revisarse, eliminarse o desactivarse, pero los usuarios quizá no distingan los controles de memoria de los controles de entrenamiento.
Una persona podría desactivar la memoria guardada mientras mantiene activada la mejora del modelo. Otra podría eliminar una conversación sin saber si una copia anterior ya ha entrado en un conjunto de datos de evaluación. El diseño de la interfaz determina si esas diferencias son comprensibles.
La política de uso de datos de OpenAI afirma que las conversaciones de servicios individuales pueden entrenar sus modelos salvo que los usuarios opten por no participar. La empresa afirma que desactivar el entrenamiento se aplica a las conversaciones nuevas posteriores al cambio.
Los productos empresariales reciben configuraciones predeterminadas distintas. OpenAI afirma que no entrena con las entradas o salidas de sus ofertas empresariales ni de su API, salvo que una organización dé su consentimiento explícito. Esta distinción es importante para las empresas que deciden dónde pueden los empleados manejar información interna.
ChatGPT para consumidores no debería convertirse en un repositorio informal de secretos comerciales solo porque la interfaz parezca conversacional. La política más segura es tratar cualquier chat de IA en la nube como un sistema de terceros sujeto a sus controles declarados y términos contractuales.
Temporary Chat ofrece otro límite. OpenAI afirma que las conversaciones temporales no entran en el historial, no crean memorias ni entrenan sus modelos. La empresa las conserva durante un período de seguridad limitado, por lo que “temporal” no significa que no haya ningún procesamiento del lado del servidor.
Estos controles reducen la exposición solo cuando los usuarios saben que existen y entienden cuándo utilizarlos. Una configuración oculta tras la incorporación inicial no puede asumir toda la carga del consentimiento informado. El producto debería aclarar los flujos de datos de alto impacto en el momento en que importan.
Por tanto, la cuestión de la divulgación es más amplia que si OpenAI mencionó técnicamente la revisión en una página de ayuda. Una transparencia significativa exige que los usuarios entiendan que “mejorar el modelo” puede incluir que un contratista lea el contenido de una conversación.
Un aviso breve y en lenguaje claro no eliminaría la disyuntiva de privacidad. Permitirá a los usuarios tomar una decisión más informada antes de hablar de un diagnóstico, cargar texto confidencial o utilizar el sistema como confidente emocional.
OpenAI afronta un ajuste de cuentas conocido sobre privacidad
La controversia de Project Lily sigue un patrón más antiguo: las empresas describen la revisión humana como control de calidad, mientras los usuarios la experimentan como un acceso inesperado.
Google declara abiertamente que un subconjunto de las interacciones con Gemini recibe revisión humana. Su Gemini Privacy Hub afirma que proveedores de servicios capacitados pueden examinar chats para mejorar los servicios y proteger a los usuarios.
Google también describe reglas de separación de cuentas y retención para los datos revisados. Esas divulgaciones no eliminan las preocupaciones de privacidad, pero ofrecen una comparación útil. Una documentación más clara puede facilitar la evaluación del proceso subyacente.
El precedente histórico más cercano proviene de los asistentes de voz. En 2019, los usuarios supieron que contratistas que trabajaban para varias empresas tecnológicas revisaban grabaciones para mejorar sistemas como Siri y Google Assistant. Algunas grabaciones capturaban conversaciones privadas o accidentales.
Apple suspendió su programa de calificación de Siri tras las críticas públicas. En su posterior declaración de privacidad, Apple se disculpó e introdujo un enfoque de participación voluntaria para compartir muestras de audio.
El paralelismo no es exacto. Los asistentes de voz a veces se activaban de forma inesperada, mientras que un usuario de ChatGPT envía texto intencionadamente al servicio. Sin embargo, ambos casos exponen una brecha entre el procesamiento automatizado esperado y el acceso humano real.
Los usuarios suelen entender que el software almacena y analiza las entradas. Aun así, pueden sentirse engañados cuando el “análisis” incluye que un contratista lea o escuche el material. El límite emocional en torno a la observación humana difiere del límite en torno al procesamiento automatizado.
La IA generativa eleva la apuesta porque las conversaciones son más largas e íntimas. Los usuarios piden activamente a ChatGPT que recuerde preferencias, revise documentos personales y siga situaciones en desarrollo. El producto fomenta una relación conversacional sostenida.
Esa profundidad hace que los datos sean excepcionalmente útiles para la evaluación del modelo. También vuelve más graves los fallos de redacción. Un solo chat puede contener suficiente contexto para revelar a una persona incluso después de que desaparezcan los identificadores evidentes.
OpenAI también afronta presiones de objetivos contrapuestos. Debe hacer que ChatGPT sea más cálido sin fomentar la dependencia emocional. Debe personalizar las respuestas sin que las prácticas de datos parezcan intrusivas. Debe evaluar el comportamiento real sin convertir cada conversación en material de entrenamiento.
Google, Anthropic y otros proveedores de IA enfrentan limitaciones similares. La evaluación humana sigue siendo un elemento común del desarrollo y la seguridad de los modelos. La diferencia competitiva puede depender cada vez más de la divulgación, la configuración predeterminada, la minimización de datos y la verificación independiente.
Los compradores empresariales examinarán estas diferencias de cerca. Los equipos de compras se preocupan por si los prompts sirven para entrenamiento, quién puede acceder a ellos, cuánto tiempo permanecen disponibles y qué protecciones contractuales se aplican. Las expectativas de los consumidores avanzan en la misma dirección.
Por tanto, el informe sobre Project Lily podría presionar a OpenAI para que explique más que la existencia de una opción para excluirse. Los usuarios necesitan saber si los revisores ven conversaciones completas, cómo se eligen las muestras y qué ocurre cuando falla la redacción automatizada.
OpenAI podría responder con documentación adicional sin revelar métodos de entrenamiento propietarios. Podría publicar las categorías de revisores, la duración del acceso, las prácticas de auditoría, el rendimiento de la redacción y los procedimientos de escalamiento.
Esa transparencia no satisfaría a todos los críticos. No obstante, desplazaría el debate de la especulación hacia controles medibles. Sin esos detalles, los usuarios deben confiar en garantías generales mientras los informes aportan las especificidades operativas.
Qué deben vigilar los usuarios y las organizaciones a continuación
La cuestión decisiva es si OpenAI reduce la brecha entre sus promesas generales de privacidad y los mecanismos específicos reportados bajo Project Lily.
La primera señal es una explicación pública detallada de OpenAI. La empresa debería aclarar si Project Lily sigue activo, qué conversaciones de consumidores cumplen los requisitos y si los revisores reciben hilos completos o segmentos seleccionados. Una confirmación reforzaría el relato central del informe, mientras que una corrección documentada lo acotaría.
La segunda señal es un cambio en la divulgación o el consentimiento del producto. Un aviso directo junto a “Mejorar el modelo para todos” informaría a los usuarios de que la mejora del modelo puede implicar revisión humana. Hacer del acceso humano una elección explícita representaría un cambio de política más sustancial.
La tercera señal es evidencia verificable de forma independiente sobre el Privacy Filter. OpenAI afirma que el sistema enmascara información personal antes de que las conversaciones elegibles entren en flujos de trabajo de entrenamiento. Las tasas de error publicadas, las auditorías externas o las pruebas documentadas de red team mostrarían cómo funciona esa protección fuera de ejemplos ideales.
Hasta entonces, los usuarios consumidores deberían tratar esta configuración como una decisión práctica de privacidad, no como una preferencia rutinaria de personalización. Según OpenAI, desactivar la mejora del modelo impide que las nuevas conversaciones se utilicen para entrenamiento. Temporary Chat añade otra opción para conversaciones que no deberían crear historial ni memoria.
Ninguno de estos controles hace prudente pegar secretos en un chatbot para consumidores. Los usuarios deberían eliminar nombres, credenciales, claves privadas, números de cuenta e información empresarial no publicada antes de enviar texto. También deberían evitar compartir detalles sensibles sobre alguien que no haya dado su consentimiento.
Las organizaciones necesitan límites más claros. Los empleados deberían utilizar productos empresariales aprobados, con protecciones de datos contractuales, para el trabajo interno. Los equipos de seguridad deberían definir qué documentos pueden ingresar en servicios externos de IA y proporcionar alternativas aprobadas para el material restringido.
La revelación también ofrece una lección más amplia sobre las interfaces de IA. Un producto conversacional puede parecer privado porque solo aparece una respuesta en pantalla. Esa sensación no define el flujo de datos que hay detrás.
Las personas que usan la IA como memoria externa deberían examinar dónde se almacena su información y cómo puede procesarse. Un sistema personal de conocimiento más intencional puede separar el material privado y duradero de los prompts enviados a modelos de terceros.
OpenAI Project Lily no demuestra que la evaluación humana sea en sí misma inapropiada. Muestra por qué el consentimiento, la minimización y unas expectativas precisas deben acompañar esa evaluación. Un mejor comportamiento conversacional tiene un valor real, especialmente cuando los modelos manejan situaciones sensibles.
La cuestión sin resolver es quién asume el coste de privacidad necesario para lograr esa mejora. Si OpenAI quiere que conversaciones reales den forma a ChatGPT, debería hacer inequívoco el papel humano y cuantificables las salvaguardas. Así, los usuarios podrán decidir si ese intercambio merece la pena antes de que su próxima conversación se convierta en datos de evaluación.
