El despliegue de herramientas de IA de OPM da a cada empleado seis asistentes, pero el acceso no equivale a impacto
OPM dio a todos sus empleados acceso a seis plataformas de IA aprobadas, creando uno de los despliegues laborales multivendedor más amplios del gobierno federal. El despliegue de herramientas de IA de OPM incluye ChatGPT, Claude, Gemini, Microsoft Copilot, Grok y Perplexity. Más del 70% de la plantilla de la agencia utiliza activamente al menos una plataforma.
Esta adopción convierte a OPM en una prueba relevante de la estrategia de compras OneGov del gobierno. Los acuerdos centralizados ayudaron a una agencia relativamente pequeña a adquirir productos de seis proveedores competidores sin negociar seis contratos empresariales aislados.
Sin embargo, los propios datos de OPM revelan una historia más compleja. El acceso y el uso han crecido más rápido que las mejoras medibles en todos los tipos de trabajo. Los empleados dedicados a redacción y análisis abiertos reportan resultados mucho más sólidos que los equipos que gestionan procesos estructurados de jubilación, jurídicos y financieros.
Esa brecha define la verdadera competencia. OPM no se limita a comparar ChatGPT con Claude o Gemini con Grok. Está probando si un acceso amplio puede mejorar las operaciones antes de que las herramientas individuales se integren profundamente en los flujos de trabajo de la agencia.
El despliegue de herramientas de IA de OPM convierte las compras en una estrategia de producto
OPM ha tratado la contratación centralizada como una forma de preservar la elección, no solo de reducir el trabajo de adquisición.
El director de información de OPM, Adam Starr, describió el despliegue durante la GovExec Government and AI Summit celebrada en Washington el 15 de septiembre. Un posterior informe sobre el despliegue de seis herramientas detalló las plataformas y la cifra de adopción de la agencia.
Los seis productos aprobados proceden de Google, Microsoft, xAI, OpenAI, Anthropic y Perplexity. Los empleados pueden elegir entre asistentes generales, sistemas orientados a la investigación y herramientas integradas con software de trabajo.
Este enfoque difiere de un proyecto convencional de estandarización empresarial. Las agencias suelen seleccionar una plataforma, formar a los empleados en torno a ella y aceptar la dependencia resultante de un proveedor. En cambio, OPM creó un mercado interno donde varias plataformas siguen disponibles simultáneamente.
Starr afirmó que los proveedores se superan regularmente unos a otros a medida que cambian sus modelos. Mantener varias herramientas disponibles permite a los empleados elegir el producto que mejor se adapte a cada tarea. También permite a OPM reevaluar a los proveedores conforme evolucionan las capacidades y las condiciones comerciales.
OneGov hizo viable esa estrategia. La Administración de Servicios Generales negocia condiciones comunes y vías de compra que las agencias elegibles pueden utilizar. Las agencias siguen realizando el trabajo de pedido y aprobación requerido, pero parten de un marco comercial compartido.
La guía actual de compras de IA de GSA enumera ofertas gubernamentales de Anthropic, Google, OpenAI, Perplexity y xAI. Los productos de Microsoft también están cubiertos mediante acuerdos más amplios de OneGov.
El marco de contratación importa porque evaluar seis productos impondría de otro modo costes significativos de adquisición. Cada contrato podría requerir revisiones de seguridad independientes, conversaciones sobre licencias, controles de uso y decisiones de renovación.
OPM tampoco cuenta con el poder de compra de los mayores departamentos federales. Starr afirmó que OneGov dio a la agencia acceso a condiciones que habría sido difícil conseguir de forma independiente.
El resultado es un modelo de despliegue inusual. OPM estandarizó la capa de compra y evitó al mismo tiempo la estandarización en la capa de usuario. Los empleados reciben opciones aprobadas, mientras los proveedores siguen compitiendo después de la firma de los contratos.
Eso cambia la relación de la agencia con sus proveedores. Obtener un acuerdo ya no garantiza que los empleados elijan un producto para su trabajo diario. El uso puede variar a medida que mejoran los modelos, se amplían las integraciones o disminuye la confianza.
El acuerdo de seis herramientas también genera evidencia comparativa. OPM puede observar qué productos atraen usuarios y qué tareas generan actividad recurrente. Después puede separar la demanda real de la adopción impulsada por campañas de formación o atención directiva.
Aun así, la disponibilidad por sí sola no establece la idoneidad. Los distintos sistemas incorporan controles, interfaces, comportamientos de modelo y límites de gestión de datos diferentes. OPM debe hacer comprensibles estas diferencias sin abrumar a los empleados.
Por tanto, el logro inmediato es más limitado que una transformación del trabajo. OPM ha eliminado la barrera de adquisición y ha dado a los empleados una vía autorizada para experimentar con varias plataformas líderes.
Es un cambio significativo. También deja más clara la siguiente barrera: convertir la experimentación en una mejora operativa fiable.
Por qué OneGov hace posible la IA multimodelo
OneGov desplaza la compra federal de IA desde negociaciones aisladas entre agencias hacia condiciones comunes, poder de negociación compartido y acceso más rápido.
GSA lanzó OneGov para consolidar las compras entre agencias que antes adquirían tecnología similar bajo condiciones diferentes. La estrategia abarca software, servicios en la nube, productos de seguridad y sistemas de IA.
El modelo no crea una única instalación de software para todo el gobierno. En su lugar, GSA establece acuerdos que las agencias participantes pueden utilizar a través de vehículos de contratación y vías de pedido reconocidos.
Esta distinción importa. Las agencias siguen siendo responsables de la adecuación a la misión, la seguridad, la privacidad, la gestión documental y la autorización interna. OneGov reduce la fricción comercial, pero no transfiere la responsabilidad operativa lejos de los líderes de las agencias.
GSA afirma que los proveedores de nube deben contar con una autorización FedRAMP adecuada o estar en proceso de obtenerla. FedRAMP ofrece un proceso estandarizado para evaluar los controles de seguridad en servicios en la nube utilizados por agencias federales.
Una autorización tampoco significa que los empleados puedan introducir cualquier información gubernamental en un asistente de IA. Las agencias deben definir los tipos de datos aceptables, las cuentas aprobadas, las reglas de retención y los usos prohibidos.
El plan de cumplimiento de IA de OPM identifica la contratación fragmentada como una barrera para la adopción. También señala el acceso desigual a entornos seguros de desarrollo y la visibilidad limitada sobre la actividad de IA.
El plan describe un entorno basado en la nube con endpoints privados, redes segmentadas y controles de acceso basados en funciones. También define etapas para pruebas en sandbox, desarrollo, pilotos, producción y retirada final.
Estos controles muestran por qué un acuerdo de compra es solo el comienzo. Un producto de IA puede estar disponible comercialmente mediante OneGov mientras que un caso de uso concreto aún requiere una revisión adicional.
La propia GSA aconseja a las agencias comenzar con problemas de misión definidos. Su guía recomienda probar productos con grupos limitados, examinar los flujos de datos, coordinar las funciones de supervisión y monitorizar el consumo.
OPM eligió un modelo de acceso más amplio para los asistentes generales. Esta decisión da a los empleados espacio para descubrir tareas útiles antes de que cada flujo de trabajo tenga una aplicación específica.
Esta exploración ascendente tiene ventajas. Los empleados más cercanos a un proceso suelen detectar trabajo repetitivo que los equipos tecnológicos centrales pasan por alto. Pueden probar redacción, resumen, investigación, programación y análisis de documentos sin esperar a un sistema personalizado.
El enfoque también genera presión de gobernanza. Seis herramientas plantean más cuestiones de política que una sola. Los empleados necesitan saber si el mismo documento es aceptable en todas las plataformas y qué resultados requieren revisión adicional.
Los administradores también necesitan telemetría comparable. Los recuentos de usuarios activos entre distintos productos pueden no utilizar definiciones idénticas. Un inicio de sesión, un prompt y un uso semanal sostenido representan niveles diferentes de adopción.
La economía de las renovaciones también será más compleja. Los acuerdos introductorios pueden facilitar una experimentación amplia, mientras que las condiciones posteriores basadas en el consumo revelan diferencias de uso y valor.
Esa transición ya ha comenzado. El nuevo acuerdo de ChatGPT de GSA está previsto que entre en vigor el 1 de octubre de 2026. Sustituye la oferta inicial de acceso por un uso con descuento basado en el consumo y sin tarifa de acceso a la plataforma.
El acuerdo dura 27 meses y cubre modelos elegibles de ChatGPT, incluidos servicios en entornos federales autorizados. También amplía las opciones de pedido a varios niveles de gobierno.
Para OPM, esto crea una prueba directa. La agencia debe decidir si el uso justifica un consumo continuado una vez que el acceso supere el periodo introductorio.
Los seis proveedores afrontan el mismo desafío básico. La facilidad de contratación abrió la puerta, pero la participación sostenida dependerá de la demanda de los empleados, la adecuación a los flujos de trabajo, la seguridad y resultados demostrables para la misión.
Seis asistentes de IA crean competencia diaria por el trabajo federal
La estrategia multimodelo de OPM convierte a los empleados en los jueces prácticos de sistemas de IA competidores.
Cada plataforma aprobada entra en el lugar de trabajo con una posición de producto distinta. Microsoft Copilot puede beneficiarse de su proximidad a aplicaciones de productividad conocidas. ChatGPT y Claude atienden amplias necesidades de redacción, análisis y programación.
Gemini se conecta con la cartera de modelos y la oferta gubernamental de Google. Perplexity enfatiza el descubrimiento de respuestas y la investigación. Grok incorpora los modelos y las funciones orientadas a la búsqueda de xAI a la comparación.
Estas descripciones no deben tratarse como límites fijos. Los proveedores añaden regularmente modos de investigación, conectores, funciones de programación, análisis de documentos y acciones similares a agentes. La superposición entre productos crece con cada lanzamiento.
Esa superposición respalda el argumento de Starr de mantener múltiples opciones. Una plataforma que hoy funciona bien para una tarea puede perder su ventaja después de que otro proveedor actualice sus modelos.
La elección de los empleados también proporciona una señal que los equipos de contratación rara vez reciben de un contrato con un único proveedor. El uso voluntario y repetido sugiere que un producto encaja con el trabajo real, aunque no demuestra que ese trabajo haya mejorado.
La distinción entre preferencia y rendimiento es importante. Los empleados podrían favorecer una plataforma porque su interfaz les resulta familiar. Podrían evitar otra porque los requisitos de inicio de sesión o las restricciones de datos generan fricción.
El uso también puede seguir hábitos organizativos. Microsoft Copilot puede aparecer allí donde ya trabajan los empleados, mientras que un asistente independiente basado en navegador exige un cambio deliberado de contexto.
A la inversa, un sistema independiente puede ofrecer capacidades de las que carece un asistente integrado. Algunos trabajadores podrían mantener varias pestañas abiertas y dirigir tareas diferentes a productos distintos.
Este comportamiento se parece más al uso de IA por consumidores que al despliegue tradicional de software federal. Da flexibilidad a los empleados, pero puede fragmentar los prompts, el trabajo guardado y el conocimiento organizativo entre proveedores.
Una respuesta útil generada en un asistente puede permanecer invisible para los compañeros. El contexto de apoyo puede estar en un repositorio documental independiente, un hilo de correo electrónico o el cuaderno de un empleado.
Esa fragmentación convierte la gestión del conocimiento en parte del problema de adopción. Más asistentes no crean automáticamente una memoria compartida para una organización.
Por tanto, OPM debe evaluar más que la calidad de los modelos. Necesita entender cómo los empleados recuperan material de origen, validan resultados, preservan decisiones y trasladan resultados útiles a los sistemas de registro.
Un asistente de investigación puede producir una respuesta concisa, pero un empleado aún necesita evidencia autorizada. Un asistente de redacción puede reorganizar un memorando, pero el registro final debe cumplir con los requisitos de la agencia.
Los asistentes de programación presentan otra variante. Pueden ayudar a los tecnólogos a comprender sistemas antiguos o generar cambios propuestos. Los revisores humanos siguen siendo responsables de las decisiones de seguridad, pruebas y despliegue.
La presión competitiva se extiende más allá de los seis proveedores. Otras agencias federales están observando si el enfoque multimodelo de OPM sigue siendo manejable cuando expiren los incentivos iniciales de compra.
Un resultado positivo debilitaría la suposición de que una agencia necesita un único asistente predeterminado. Respaldaría un modelo de cartera en el que los productos aprobados compiten por tareas y presupuestos.
Un resultado negativo reforzaría el argumento a favor de la consolidación. Las agencias podrían decidir que la duplicación de formación, gobernanza, integraciones y supervisión del uso supera los beneficios de que los empleados puedan elegir.
Por lo tanto, los proveedores compiten por algo más que puntuaciones de referencia. Deben reducir el trabajo administrativo, adaptarse a entornos aprobados, respaldar flujos de trabajo específicos y producir resultados que superen la revisión humana.
El despliegue de seis herramientas hace visible esa competencia. No determina al ganador, y OPM no ha publicado resultados de uso o rendimiento por plataforma.
Sin esas cifras, ningún proveedor puede afirmar que la disponibilidad en toda la agencia equivale a preferencia. La evidencia disponible respalda la estrategia de cartera, no una clasificación de las herramientas que la integran.
Una Alta Adopción No Ha Producido un Impacto Equivalente
La evidencia más sólida de OPM muestra que la estructura del trabajo, y no el entusiasmo general, determina si un asistente de IA resulta útil.
OPM encuestó a empleados en junio y recibió más de 1.100 respuestas, lo que representa una tasa de respuesta del 56%. Sus resultados del pulso de la fuerza laboral ofrecen más detalle que la cifra principal de adopción.
Entre los encuestados, el 81,4% afirmó utilizar herramientas de IA aprobadas. La telemetría situó el uso general real más cerca del 70%, lo que ilustra por qué la adopción autodeclarada no debería considerarse de forma aislada.
El uso declarado aumentó con la antigüedad. La encuesta detectó uso entre el 77,4% de quienes no supervisan, el 93,5% de los supervisores y el 97,3% de los altos ejecutivos.
El Net Promoter Score de OPM para las herramientas de IA aprobadas fue positivo, con 17,9. Sin embargo, los resultados variaron marcadamente entre las unidades organizativas.
La Oficina del Director registró una puntuación de 95,7. La organización tecnológica de OPM registró 65, mientras que su oficina de capital humano también informó de un resultado fuertemente positivo.
Las operaciones legales registraron una puntuación negativa. Retirement Services alcanzó un -38,1, con casi seis de cada diez encuestados clasificados como detractores.
En la operación de jubilación de la agencia en Boyers, los empleados otorgaron una puntuación de 4,6 sobre 10 a la afirmación de que la IA mejoró el rendimiento de su unidad.
Esta diferencia no es simplemente una división entre líderes entusiastas y empleados operativos reacios. Refleja la naturaleza del trabajo subyacente.
Los asistentes generales se adaptan relativamente bien a tareas de conocimiento no estructuradas. La redacción, la síntesis, la lluvia de ideas, la investigación y el análisis inicial pueden comenzar en una interfaz de chat convencional.
Las operaciones estructuradas siguen un patrón diferente. El procesamiento de jubilaciones depende de flujos de casos establecidos, registros, cálculos, políticas y sistemas que los empleados no pueden sustituir con una ventana de conversación aislada.
OPM describió a un empleado de diseño organizativo que antes dedicaba horas o días a codificar comentarios de grupos focales en una hoja de cálculo. Un proceso asistido por IA ahora produce categorías y temas iniciales en cuestión de minutos.
La responsabilidad del empleado no desapareció. El trabajo pasó a centrarse en validar el resultado y utilizar los hallazgos.
Otro ejemplo procede de las operaciones de jubilación. Un empleado creó una herramienta para un cálculo de faltante de prima que se realiza aproximadamente 11.000 veces al año.
El cálculo manual requería anteriormente entre cinco y diez minutos por caso. Según OPM, el nuevo proceso produce una hoja de cálculo auditable en segundos.
Ese ejemplo tiene más peso que una estadística genérica de uso. Conecta una tarea definida, un resultado repetible y un artefacto revisable.
También demuestra por qué los seis asistentes generales son solo una capa de la estrategia. Las mayores ganancias operativas requieren que la IA entre en el flujo de trabajo existente, no que obligue a los empleados a trasladar el trabajo a un chat separado.
Las barreras identificadas por OPM refuerzan este punto. Casi la mitad de los empleados encuestados citaron la falta de tiempo para aprender o experimentar. Más de un tercio planteó preocupaciones sobre precisión y fiabilidad.
Casi una cuarta parte citó preocupaciones de seguridad o sensibilidad de los datos. Solo el 1,4% afirmó que un supervisor desalentaba el uso de IA.
Estos hallazgos cuestionan una narrativa común sobre la adopción. El principal problema no es necesariamente la oposición cultural de los directivos. Los empleados necesitan tiempo, resultados confiables, reglas claras y una mejor integración.
OPM también informó que el ítem de la encuesta con la puntuación más baja se refería a si las herramientas de IA aprobadas mejoraban el rendimiento de la unidad. La puntuación en toda la agencia fue de 7,3 sobre 10.
Esa puntuación no representa un fracaso, pero deja una brecha visible entre el uso y el impacto organizativo. Un usuario activo puede ahorrar tiempo en tareas aisladas sin cambiar el rendimiento general de una unidad.
Por lo tanto, el despliegue de herramientas de IA de OPM ha superado una prueba de acceso y una prueba inicial de adopción. Aún no ha superado una prueba de impacto uniforme.
La Disyuntiva Es Elección Frente a Control Operativo
Dar a los empleados seis opciones fomenta la experimentación, pero multiplica el trabajo necesario para gobernar los datos, la calidad, el gasto y el conocimiento institucional.
Una estrategia de plataforma única ofrece simplicidad administrativa. La formación puede centrarse en una interfaz, las políticas pueden referirse a un entorno y los equipos de soporte pueden desarrollar respuestas repetibles.
Esa simplicidad implica dependencia. Si el proveedor elegido se queda atrás, cambia las condiciones o falla en una tarea concreta, los empleados tienen alternativas limitadas.
OPM acepta una mayor complejidad para preservar la presión competitiva. La agencia puede comparar productos y evitar asumir que un modelo seguirá siendo el mejor en todas las categorías.
El riesgo central es que la elección de modelos se convierta en un comportamiento fragmentado en lugar de una cartera informada. Los empleados necesitan orientación práctica sobre qué herramienta se adapta a cada tarea aprobada.
Sin esa orientación, seis asistentes pueden producir seis respuestas distintas, hábitos de documentación y ubicaciones para el trabajo. Los empleados pueden repetir indicaciones en distintas plataformas sin aprender qué diferencias son importantes.
La precisión sigue siendo otra limitación. Los sistemas generativos producen resultados probabilísticos, lo que significa que generan respuestas probables en lugar de recuperar hechos garantizados. Un lenguaje fluido puede ocultar detalles sin respaldo o contexto omitido.
El trabajo federal de personal eleva lo que está en juego. OPM influye en la contratación, las prestaciones, los servicios de jubilación, la política laboral y los sistemas de capital humano en todo el gobierno.
Un borrador incorrecto puede corregirse mediante revisión. Un valor incorrecto introducido en un proceso de prestaciones puede generar consecuencias para una persona y trabajo adicional para la agencia.
Las políticas de seguridad también deben seguir siendo específicas. Un acuerdo empresarial puede ofrecer controles más sólidos que una cuenta de consumidor, pero no convierte todos los conjuntos de datos en apropiados para cualquier uso.
Las obligaciones de registro añaden otra capa. Las agencias necesitan reglas para preservar indicaciones, resultados, decisiones y evidencia de respaldo cuando la IA contribuye al trabajo oficial.
El sesgo y la equidad requieren atención cuando los sistemas afectan actividades relacionadas con el empleo. El marco de cumplimiento de OPM exige evaluaciones de impacto que examinen la calidad, el origen de los datos y el posible sesgo.
Estos requisitos no prohíben la adopción. Establecen por qué la integración operativa debe avanzar con más cuidado que el acceso a un asistente general.
El control de costes será cada vez más importante a medida que maduren los acuerdos. Los modelos basados en consumo vinculan el gasto con la actividad, creando incentivos para distinguir el uso valioso de la experimentación casual.
Los recuentos brutos de indicaciones no responderán a esa pregunta. Una interacción breve podría evitar horas de trabajo manual, mientras que una sesión larga podría no producir nada utilizable.
El marco de medición propuesto por OPM ofrece una mejor orientación. Separa el uso, la percepción y el impacto en lugar de tratarlos como conceptos intercambiables.
El uso revela si los empleados prueban los productos. La percepción ayuda a identificar fricciones y confianza. El impacto debe conectar las herramientas con medidas existentes, como el tiempo de procesamiento, la calidad del servicio o la velocidad de contratación.
Esa última categoría sigue siendo la más difícil. Las agencias pueden contar rápidamente a los usuarios activos, pero los resultados de misión a menudo dependen de varios sistemas y cambios de políticas.
El diseño de seis plataformas puede ayudar si OPM compara resultados entre tareas comparables. Puede dificultar la evaluación si cada unidad adopta productos distintos sin una medición coherente.
La agencia también debe evitar convertir la competencia entre proveedores en confusión para los empleados. Una cartera necesita estándares compartidos, límites claros para las tareas y una forma de preservar el trabajo útil fuera de cualquier asistente individual.
La disyuntiva central es manejable, pero no es temporal. Cada nueva capacidad de modelo, conector o estructura de compra cambia el equilibrio entre flexibilidad y control.
Tres Señales Mostrarán Si el Acceso Amplio Realmente Funciona
La siguiente etapa se juzgará por las decisiones de renovación, los resultados a nivel de flujo de trabajo y la evidencia de que las unidades operativas con peores resultados están cerrando su brecha de adopción.
La primera señal es la respuesta de OPM a los cambios en las condiciones de OneGov. El próximo acuerdo de ChatGPT comienza el 1 de octubre, mientras que otras ofertas iniciales también se acercan a sus fechas de finalización programadas.
Las decisiones de compra de OPM mostrarán si la agencia mantiene las seis plataformas después del acceso introductorio. La disponibilidad continuada respaldaría la estrategia de cartera de Starr.
La consolidación sugeriría que la demanda real o los costes administrativos favorecen a menos proveedores. Cualquiera de los dos resultados ofrecería más evidencia que el anuncio inicial de adquisición.
Los detalles importarán. OPM podría preservar el acceso a varias herramientas mientras asigna productos preferidos a tareas concretas. También podría separar los asistentes de uso amplio para empleados de los servicios especializados de desarrollo o investigación.
La segunda señal es si OPM publica medidas de rendimiento a nivel de misión. Los porcentajes de usuarios activos establecen el alcance, pero no demuestran un procesamiento de jubilaciones más rápido ni mejores resultados de contratación.
La calculadora de faltante de prima proporciona una plantilla útil. Identifica una tarea repetida, el requisito de tiempo anterior, un flujo de trabajo más rápido y un resultado auditable.
La evidencia futura debería seguir esa estructura. OPM debería conectar los procesos respaldados por IA con el tiempo de ciclo, las tasas de error, el retrabajo, la calidad del servicio u otra medida operativa establecida.
Esa evidencia reforzaría el argumento a favor de la adopción en todo el gobierno. Un enfoque continuado en inicios de sesión y percepción en encuestas debilitaría las afirmaciones de que el acceso amplio cambia el rendimiento de las agencias.
La tercera señal es si las unidades con puntuaciones bajas mejoran después de que la IA entre en sus sistemas existentes. Retirement Services ofrece la prueba más clara porque su trabajo es estructurado y su percepción es débil.
Si las herramientas integradas mejoran el trabajo de los casos al tiempo que preservan la revisión y la auditabilidad, OPM demostrará que la IA puede ir más allá de la redacción y el análisis.
Si la brecha persiste, el acceso amplio seguirá siendo más útil para directivos, tecnólogos y otros empleados que gestionan información no estructurada.
Ese resultado no haría que el programa careciera de valor. Establecería un límite más acotado para los asistentes de propósito general y dirigiría la inversión hacia la ingeniería específica de flujos de trabajo.
Otras agencias deberían observar estas señales antes de copiar la parte visible de la estrategia de OPM. Adquirir varios asistentes es más fácil que mantener una cartera gobernada que produzca resultados medibles.
La lección más contundente hasta ahora no es que cada empleado necesite seis productos. Es que las compras centralizadas pueden generar opciones, mientras que la evidencia interna determina dónde esas opciones merecen una inversión continua.
Para los trabajadores del conocimiento, la pregunta práctica es igual de directa. ¿Un asistente simplemente hace que una tarea aislada parezca más rápida, o mejora el proceso del que dependen los colegas y los clientes?
Sigue los próximos datos de despliegue de herramientas de IA de OPM teniendo presente esta distinción. Busca resultados en los flujos de trabajo, decisiones de renovación y mejoras dentro de operaciones estructuradas. Estas métricas revelarán si OneGov creó una capacidad duradera o si simplemente facilitó la experimentación.
