El exploit de XBOW para Chrome ganó la recompensa de $250,000 de Google, pero los humanos aún tomaron las decisiones críticas
XBOW construyó una cadena de explotación para Google Chrome con GPT-5.6 Sol en seis días y afirma que el trabajo obtuvo la recompensa máxima de $250,000 de Google. La cadena conectó tres fallos previamente desconocidos, escapó de las barreras de seguridad de Chrome y ejecutó código en un equipo Windows.
Esta combinación importa más que la recompensa por sí sola. XBOW calcula que la campaña premiada consumió alrededor de $40,000 en cómputo de API, mientras que un trabajo comparable antes requería un equipo experto y varios meses. La empresa afirma que Google reprodujo el exploit, corrigió las tres vulnerabilidades y no encontró indicios de que atacantes las utilizaran contra usuarios de Chrome.
Sin embargo, no se trató de un sistema autónomo que recibiera un objetivo impreciso y comprometiera Chrome por su cuenta. Los investigadores de XBOW seleccionaron los objetivos, dividieron el trabajo, revisaron los resultados, mantuvieron rutas de respaldo y decidieron qué componentes debían integrarse. Por tanto, el conflicto central es la velocidad asistida por IA frente al criterio experto que sigue siendo necesario para convertir debilidades dispersas en un ataque fiable.
El resultado también llega en un momento especialmente delicado. OpenAI clasifica GPT-5.6 Sol como un modelo con alta capacidad en ciberseguridad, aunque por debajo de su umbral crítico. Sus evaluaciones previas al despliegue concluyeron que el modelo podía descubrir vulnerabilidades y primitivas de explotación, pero no podía producir de forma independiente un exploit funcional de cadena completa contra software reforzado.
La campaña real de XBOW sí produjo una cadena de ese tipo, pero con una intensa dirección humana y un proceso de investigación diseñado específicamente para ello. Esa brecha entre la evaluación de laboratorio y el despliegue guiado por expertos es la parte más importante de la historia.
El exploit de XBOW para Chrome cruzó tres límites de seguridad
La recompensa reconoció una ruta completa desde una página web común hasta código ejecutándose fuera del sandbox del renderizador de Chrome.
XBOW divulgó el resultado el 13 de octubre de 2026. Sus investigadores afirmaron que la cadena premiada se ensambló entre el 2 y el 7 de agosto, mientras el equipo asistía a Black Hat y DEF CON en Las Vegas.
Un exploit de cadena completa combina varias vulnerabilidades para que cada una supere una capa defensiva diferente. Un fallo puede corromper memoria dentro de un proceso del navegador, pero las demás protecciones de Chrome deberían impedir que esa corrupción alcance el sistema operativo. Una cadena exitosa convierte un acceso limitado en un control más amplio.
El exploit de XBOW para Chrome contenía tres etapas. La primera apuntaba a Maglev, un compilador optimizador dentro de V8, el motor de JavaScript de Chrome. V8 normalmente confina muchos objetos de JavaScript a una región de memoria protegida denominada sandbox de V8.
Según el desglose técnico de XBOW, Maglev reutilizaba incorrectamente un número encajonado mutable durante la desoptimización. La desoptimización ocurre cuando el código optimizado debe abandonar sus supuestos y reconstruir objetos JavaScript ordinarios.
Ese error proporcionó al exploit acceso de lectura y escritura en toda la región de memoria protegida de V8. Era una capacidad seria, pero todavía no proporcionaba ejecución de código nativo ni acceso más allá del renderizador.
La segunda etapa atacó el decodificador de WebP animado de Chrome. El decodificador almacenaba en caché información de una imagen mientras procesaba bytes que el exploit modificaba por debajo. Esto produjo un fallo de time-of-check-to-time-of-use, en el que los datos validados difieren de los datos utilizados más adelante.
XBOW afirma que esta discrepancia provocó una sobrescritura de memoria nativa fuera de la región protegida de V8. Al fallo se le asignó CVE-2026-85045.
El equipo transformó después esa sobrescritura limitada en ejecución nativa dentro del renderizador de Chrome. Utilizó código WebAssembly y una estructura de punteros de código de todo el proceso para redirigir la ejecución sin sobrescribir directamente una entrada de código protegida.
La etapa final apuntó a Crashpad, el componente de informes de fallos de Chrome en Windows. Crashpad opera fuera del sandbox del renderizador porque debe inspeccionar procesos fallidos y capturar información de diagnóstico.
La vulnerabilidad implicaba que Crashpad confiaba en que un renderizador suspendido no podía cambiar durante una lectura de memoria. Windows admite una opción especial para hilos que permite que sigan ejecutándose mientras la mayor parte de un proceso permanece suspendida.
El exploit de XBOW utilizó uno de esos hilos para cambiar las protecciones de página entre la lectura inicial de Crashpad y su reintento. Crashpad copió entonces más datos de los que podía contener el búfer receptor. La sobrescritura resultante permitió finalmente que la cadena iniciara la Calculadora de Windows fuera del sandbox del renderizador.
A esa vulnerabilidad de Crashpad se le asignó CVE-2026-78952. El anuncio de la recompensa de XBOW afirma que Google reprodujo la cadena completa antes de publicar las correcciones.
La demostración comenzó con una página web y no requirió descarga ni clic adicional, según XBOW. La empresa calcula que la clase de vulnerabilidad afectada estaba en la ruta de aproximadamente mil millones de usuarios de Chrome en Windows antes de su corrección.
Esa estimación de alcance procede de XBOW, no de una evaluación independiente publicada por Google. No debe interpretarse como evidencia de que mil millones de sistemas fueron atacados o explotables activamente en condiciones idénticas.
XBOW afirma que las vulnerabilidades nunca fueron observadas en ataques contra usuarios de Chrome. La relevancia reside en lo que estableció la prueba de concepto: tres defectos que parecían limitados de forma aislada podían conectarse en una ruta de compromiso de Windows.
Las reglas públicas de cadenas completas de Google confirman de forma independiente que un exploit de contenido web contra una versión activa de Chrome puede optar a una bonificación de $250,000. Estas reglas exigen un sistema operativo compatible, mitigaciones de hardware actuales y un exploit funcional sin indicadores de depuración inseguros.
XBOW denomina a su premio el primer pago por una cadena completa bajo las reglas de Google de abril de 2026. También describe el resultado como la primera cadena completa de Chrome recompensada de la era de los modelos de lenguaje grandes. Los materiales públicos de Google confirman la categoría de recompensa, aunque Google no ha publicado un registro de destinatarios que establezca todas las posiciones históricas.
La distinción importa. El marco de recompensas puede verificarse de manera independiente, mientras que varios detalles sobre el coste, el trabajo y la clasificación histórica de la campaña siguen siendo cifras comunicadas por la empresa.
Seis días cambian la economía de la investigación de vulnerabilidades
La evidencia más sólida del cambio no es que la IA encontrara un fallo, sino que un experto pudiera coordinar varias etapas difíciles de explotación en una semana.
XBOW afirma que el desarrollo previo a los LLM de una cadena completa para Chrome podía ocupar a cuatro investigadores durante seis a nueve meses. Su primer intento en este proyecto tardó unos dos meses. La cadena de sustitución premiada tardó seis días.
La comparación de seis días procede de los propios investigadores de XBOW, no de un estudio controlado. Los proyectos de explotación varían significativamente según el objetivo, las técnicas disponibles, la experiencia de los investigadores y la suerte. Una campaña exitosa no puede establecer un multiplicador universal de productividad.
Incluso con esa limitación, la secuencia revela un cambio operativo significativo. El equipo no esperó a que un agente resolviera todo el problema. Dividió el trabajo en campañas paralelas que cubrían la búsqueda de vulnerabilidades, la corrupción de V8, dos escapes del sandbox y la integración.
Los agentes que ejecutaban GPT-5.6 Sol de OpenAI buscaron código fuente, probaron hipótesis, generaron pruebas de concepto y redactaron componentes del exploit. Los investigadores aportaron contexto, seleccionaron áreas prometedoras, descartaron resultados débiles y redirigieron la búsqueda.
Esta división se parece más a un laboratorio de investigación coordinado que a una sesión con un chatbot. Los agentes ampliaron la cantidad de rutas técnicas que el equipo podía probar, mientras que humanos experimentados controlaban la asignación de recursos y la calidad.
La campaña también utilizó ingeniería modular. Cada etapa del exploit exponía una capacidad definida a la siguiente, y los investigadores mantuvieron alternativas para los componentes importantes.
Ese diseño resultó decisivo cuando Google informó a XBOW de que una vulnerabilidad de su primera cadena ya era conocida. Un informe duplicado normalmente pierde gran parte de su valor de recompensa porque el proveedor ya ha recibido el hallazgo subyacente.
En lugar de reconstruir el exploit completo, el equipo sustituyó la etapa intermedia duplicada por el fallo de WebP animado. Los componentes restantes siguieron funcionando porque la cadena se había diseñado en torno a interfaces intercambiables.
Aquí es donde la historia cuestiona un marco simplista de humanos contra IA. Según XBOW, GPT-5.6 Sol realizó gran parte del trabajo de búsqueda e implementación. Los investigadores humanos crearon la arquitectura que permitió que ese trabajo sobreviviera a una colisión importante.
XBOW reconstruyó aproximadamente $40,000 en cargos de API a partir de registros archivados de Codex. Esa cifra cubre el uso del modelo durante la campaña premiada de seis días, no el coste económico total del proyecto.
Excluye la compensación de los investigadores, experimentos anteriores, la primera cadena rechazada, infraestructura, gestión y el conocimiento acumulado de XBOW sobre exploits. Por tanto, no puede respaldar una afirmación simple de que cualquiera puede comprar un compromiso de Chrome por la misma cantidad.
El investigador de XBOW Brendan Dolan-Gavitt advierte explícitamente contra esa interpretación. Su análisis afirma que el equipo aplicó una experiencia sustancial y proporcionó ejemplos derivados de técnicas creadas por el Native Team de XBOW.
Un ejemplo fue un cargador de “salto entre islas”. La técnica colocaba fragmentos cortos de instrucciones dentro de código WebAssembly generado y los conectaba mediante saltos. Los agentes pudieron adaptar este trabajo previo porque los expertos ya lo habían desarrollado y documentado.
Ese mecanismo apunta a una ventaja competitiva más amplia. Las organizaciones de seguridad con archivos de exploits de alta calidad, notas de investigación estructuradas, entornos de prueba reproducibles y revisores experimentados pueden proporcionar a los agentes de IA mejor material de partida.
Una base de conocimientos de ingeniería adquiere mayor valor bajo este modelo. Puede preservar decisiones, enfoques fallidos, parches y técnicas reutilizables que, de otro modo, permanecerían dispersos entre los equipos de investigadores individuales.
Por ello, la presión inmediata recae sobre los proveedores de navegadores y los equipos de seguridad empresarial. Su desafío ya no es únicamente determinar si la IA puede identificar vulnerabilidades. Es saber si los defensores pueden clasificar, reproducir y corregir hallazgos con la misma rapidez con que los investigadores asistidos por IA pueden generarlos.
Google ya había adaptado sus programas a este problema. Sus cambios de recompensa de 2026 enfatizan vulnerabilidades difíciles y reproducibles, y ofrecen hasta $250,000 por una cadena completa de procesos del navegador en sistemas actuales.
Los cambios en las recompensas reconocen que los hallazgos aislados no son equivalentes. Un informe que muestra una ruta de ataque completa ofrece evidencia más sólida sobre el riesgo real que el resultado de un escáner con poco contexto.
Sin embargo, un descubrimiento más rápido también puede crear un problema de volumen. Los proveedores deben distinguir los informes explotables de fallos, duplicados, falsos positivos y problemas sin un impacto de seguridad significativo.
El enfoque modular de XBOW intensifica esa presión. Si una etapa entra en conflicto con un informe existente, los investigadores pueden sustituir otro componente en lugar de abandonar la cadena. Los defensores podrían enfrentarse no solo a más hallazgos, sino a esfuerzos más persistentes para conectarlos.
GPT-5.6 Sol aceleró el trabajo sin reemplazar el criterio experto
El resultado de XBOW reduce la distancia entre la investigación asistida por IA y la explotación autónoma, pero no elimina esa distancia.
OpenAI describe GPT-5.6 Sol como su modelo insignia para tareas prolongadas de razonamiento, programación y ciberseguridad. Su vista previa del modelo de junio de 2026 informó mejoras sustanciales en evaluaciones de investigación de vulnerabilidades.
Esas evaluaciones también registraron una limitación importante. En pruebas con Chromium y Firefox, GPT-5.6 Sol encontró fallos y primitivas de explotación útiles, pero no ensambló de forma autónoma una cadena completa funcional.
Por ello, OpenAI clasificó el modelo por debajo de su umbral crítico de ciberseguridad. Un modelo crítico produciría de forma independiente exploits graves de día cero en sistemas reales reforzados o ejecutaría ataques novedosos a partir de un objetivo de alto nivel.
La ficha del sistema publicada identifica el criterio para el desarrollo de exploits como un cuello de botella persistente. Los modelos tuvieron dificultades para elegir qué pistas merecían una inversión sostenida, distinguir primitivas útiles de callejones sin salida y coordinar rutas de ataque completas.
XBOW aportó precisamente esas funciones que faltaban. Sus investigadores eligieron el objetivo, dividieron la campaña, proporcionaron contexto especializado, evaluaron los resultados e integraron la cadena final.
Esto no vuelve trivial la contribución del modelo. Buscar en el código fuente de Chrome, probar ideas de explotación y producir las primeras etapas funcionales son tareas que requieren mucho trabajo. Comprimirlas en ejecuciones paralelas de agentes puede ampliar materialmente el alcance de un investigador.
Sí significa que la frase “la IA construyó un exploit para Chrome” necesita matices. Una descripción más precisa es que un equipo experto creó una operación de investigación agéntica en la que GPT-5.6 Sol realizó gran parte del trabajo técnico iterativo.
La distinción es esencial para prever los riesgos. La explotación plenamente autónoma permitiría a los atacantes escalar campañas con conocimientos limitados. La automatización guiada por expertos, en cambio, ofrece las mayores ventajas a las personas y organizaciones que ya comprenden la seguridad ofensiva.
Por ahora, el conocimiento humano sigue siendo un multiplicador de fuerza. Un investigador debe reconocer una invariante prometedora del compilador, entender el modelo de amenazas del sandbox de V8 y saber cómo una escritura de memoria limitada puede conectarse a una escapatoria de proceso de Windows.
XBOW afirma que la IA realizó la mayor parte del trabajo, pero una decisión humana preservó la campaña exitosa. Construir etapas independientes con respaldos permitió al equipo recuperarse cuando Google rechazó el componente duplicado de la primera cadena.
Los propios fallos técnicos también compartían un patrón que premiaba el razonamiento conceptual. Cada etapa implicaba que el software tratara un estado mutable como si fuera fijo.
Maglev reutilizó un objeto que se presumía inmutable. Blink confió en datos de imagen transferidos que el atacante aún podía modificar. Crashpad asumió que un proceso suspendido permanecería estable entre lecturas de memoria.
Los grandes modelos de lenguaje pueden ser útiles para detectar esas discrepancias porque pueden conectar supuestos documentados entre grandes bases de código e interfaces de sistemas operativos. Sin embargo, reconocer que tres violaciones distintas pueden formar una sola cadena fiable sigue siendo un problema de integración de orden superior.
También importa la comparación con otros enfoques de seguridad. El análisis estático tradicional busca en el código fuente patrones predefinidos. El fuzzing muta repetidamente las entradas para provocar fallos o comportamientos incoherentes. Los investigadores humanos desarrollan hipótesis y convierten señales débiles en rutas de ataque.
Los sistemas agénticos pueden combinar elementos de los tres. Pueden leer código, generar casos de prueba, operar depuradores, revisar hipótesis y mantener múltiples líneas de investigación.
Su debilidad es que la actividad no garantiza el progreso. Los agentes pueden perseguir fallos no explotables, repetir técnicas conocidas, malinterpretar límites de seguridad o producir pruebas de concepto frágiles.
El hallazgo duplicado de Google ilustra otra limitación. A medida que más empresas y equipos internos de seguridad utilicen modelos de frontera similares contra los mismos objetivos de código abierto, descubrirán cada vez más fallos superpuestos.
El cuello de botella pasa entonces del descubrimiento puro a la novedad, la explotabilidad y la integración. Un modelo que identifica cientos de fallos puede aportar menos valor que un equipo que convierte tres supuestos pasados por alto en una cadena reproducible.
Por eso, la competencia principal no es GPT-5.6 Sol frente a hackers humanos. Es entre organizaciones de investigación asistida por IA y procesos de seguridad diseñados en torno a un descubrimiento más lento y mayoritariamente manual.
Lo que el premio de $250,000 no demuestra
Una cadena validada establece una capacidad seria, pero no demuestra que GPT-5.6 Sol pueda comprometer de forma autónoma software reforzado bajo demanda.
La primera incertidumbre se refiere a la atribución. XBOW proporciona una narrativa detallada sobre lo que hicieron los agentes y los investigadores, pero los observadores externos no pueden reconstruir la división exacta del trabajo a partir de los materiales públicos.
Según se informa, los registros archivados respaldan la estimación de cómputo. Esos registros no se han publicado como un conjunto de datos completo que investigadores independientes puedan auditar.
“Seis días” también describe la campaña final, no todo el proceso de aprendizaje. XBOW comenzó a perseguir una cadena completa de Chrome antes en 2026, desarrolló una presentación anterior y llegó a agosto con técnicas acumuladas y familiaridad con el objetivo.
La semana exitosa se benefició de esa inversión previa. Sus agentes no empezaron sin contexto, sin ejemplos de exploits ni experiencia organizativa.
La segunda incertidumbre se refiere a la repetibilidad. Una cadena puede resultar de una combinación favorable de investigadores sólidos, fallos adecuados, técnicas reutilizables y retroalimentación rápida.
Un sistema repetible tendría que producir resultados comparables en distintos objetivos reforzados, versiones de software, sistemas operativos y arquitecturas defensivas. La evidencia pública aún no establece ese nivel de generalidad.
XBOW predice que los agentes podrían descubrir de forma independiente cada uno de los tres fallos en el plazo de un año. Es una afirmación prospectiva de la empresa, no una capacidad demostrada.
La tercera incertidumbre implica el coste. El gasto de API comunicado puede parecer pequeño frente a la recompensa, pero la comparación omite el coste total de desarrollar el sistema circundante.
También supone que los pagos exitosos de recompensas compensarán la investigación fallida. Los informes duplicados, los fallos ya corregidos, los exploits poco fiables y los hallazgos de baja gravedad pueden consumir una cantidad considerable de cómputo sin generar ingresos.
Google limita el número de bonificaciones por cadenas completas disponibles en su programa de 2026. Las reglas públicas indican que se pagará un máximo de cuatro bonificaciones de este tipo tras la actualización de abril.
Por tanto, la caza de recompensas no puede absorber investigación automatizada ilimitada. A medida que más equipos utilicen modelos similares, aumentará la competencia por informes novedosos y debería disminuir el retorno esperado de los análisis indiferenciados.
La cuarta incertidumbre se refiere al acceso al modelo y las salvaguardas. GPT-5.6 Sol está disponible públicamente para muchos flujos de trabajo, pero OpenAI aplica controles de ciberseguridad por capas y ofrece acuerdos de acceso especializados para defensores verificados.
La investigación autorizada de XBOW tuvo lugar dentro de un proceso legítimo de divulgación de vulnerabilidades. Ese contexto difiere del uso malicioso contra sistemas sin permiso.
Las salvaguardas pueden aumentar la dificultad del abuso, pero no pueden eliminar la capacidad subyacente de doble uso. El código abierto, los entornos locales de prueba y las herramientas habituales de depuración siguen estando ampliamente disponibles.
El valor defensivo es igualmente real. Los proveedores pueden orientar los mismos sistemas hacia su propio código antes del lanzamiento, reproducir informes externos con mayor rapidez y explorar si los hallazgos aislados pueden encadenarse.
El peligro práctico es una asimetría en la adopción. Los atacantes necesitan una sola ruta funcional, mientras que los defensores deben revisar muchas aplicaciones, dependencias, configuraciones y versiones.
Los equipos de seguridad no deberían responder tratando cada informe generado por IA como crítico. Necesitan una clasificación basada en evidencias que pregunte si el fallo es accesible, reproducible, explotable y capaz de cruzar un límite de confianza significativo.
El resultado de XBOW cumplió ese criterio porque el equipo entregó una cadena completa funcional. El informe técnico público explica cada causa raíz y enlaza con las correcciones relevantes y los problemas de Chromium.
Para los usuarios, la acción inmediata es más sencilla. XBOW afirma que los tres fallos están corregidos, pero las actualizaciones de Chrome no surten plenamente efecto hasta que se reinicia el navegador.
Cuando Chrome muestre un botón de Update, reinicie el navegador. Los usuarios también deberían consultar la página About Chrome si han retrasado un reinicio o mantienen abiertas sesiones prolongadas del navegador.
Ese consejo no significa que la cadena divulgada siga activa después de aplicar los parches. Aborda la brecha recurrente entre que un proveedor distribuya una corrección y que los usuarios carguen realmente la versión corregida del navegador.
Tres señales mostrarán si la investigación de exploits con IA está escalando
La próxima prueba es si este resultado se convierte en un patrón repetible entre proveedores, equipos y objetivos de software reforzado.
La primera señal será otra cadena completa confirmada de forma independiente y construida mediante un proceso similar asistido por IA. Un segundo éxito contra un objetivo principal diferente reforzaría la idea de que la orquestación de agentes ha cambiado los plazos de desarrollo de exploits.
La evidencia debería incluir informes públicos de causas raíz, confirmación del proveedor, un desglose claro del trabajo humano frente al de los agentes y una contabilidad creíble del tiempo total de investigación. Sin esos detalles, las comparaciones seguirán siendo vulnerables a informes selectivos.
No reproducir el resultado no haría que el exploit de Chrome de XBOW fuera poco importante. Sugeriría que la cadena de seis días dependía en mayor medida de un equipo específico, conocimiento acumulado o fallos inusualmente compatibles.
La segunda señal será un cambio medible en las colas de divulgación de los proveedores. Los fabricantes de navegadores y los grandes proyectos de software deberían vigilar el número de informes de alta calidad y reproducibles que incluyan primitivas de explotación o rutas completas de ataque.
Un aumento de los envíos en bruto, por sí solo, diría poco. Los sistemas de IA pueden generar ruido con la misma facilidad que hallazgos. El indicador más sólido sería un mayor número de informes novedosos que superen las comprobaciones de duplicados y lleguen a una remediación de alta gravedad.
La estructura de recompensas de Google incentiva ese umbral de calidad. El pago máximo está vinculado a una cadena funcional, no simplemente a una afirmación automatizada de que existe código sospechoso.
Si los proveedores comienzan a modificar sus sistemas de recepción, ampliar sus equipos de reproducción o priorizar informes con artefactos generados por máquinas, eso respaldaría la advertencia de XBOW sobre la aceleración de la investigación ofensiva.
Si el volumen de envíos aumenta sin un incremento correspondiente de fallos validados, el problema más inmediato será la sobrecarga de clasificación, no un salto amplio en la capacidad de explotación.
La tercera señal será si la intervención humana se desplaza a fases posteriores del flujo de trabajo. En la campaña de XBOW, los expertos aún tomaron decisiones estratégicas en casi todos los momentos importantes.
Un sistema más autónomo seleccionaría objetivos, clasificaría los fallos prometedores, construiría primitivas estables, sustituiría componentes duplicados e integraría la cadena con una orientación mínima. Eso se acerca a la capacidad que el umbral crítico de OpenAI pretende captar.
La evidencia de tal autonomía reforzaría el argumento a favor de controles de acceso más estrictos, pruebas previas al despliegue más agresivas y una adopción más rápida de la defensa asistida por IA. La dependencia continuada de la dirección de expertos respaldaría una conclusión más matizada: los modelos de frontera amplifican a los investigadores cualificados antes de sustituirlos.
Para los equipos de software, esperar a que ese debate se resuelva no es una defensa sólida. Las organizaciones pueden empezar a probar los supuestos que conectan los componentes, especialmente cuando un proceso confía en datos, memoria o estado controlados por otro.
También deberían conservar registros de investigación reproducibles, acortar la validación de parches y comprobar si los hallazgos de baja gravedad pueden combinarse en rutas de mayor impacto. La cadena de Chrome se volvió peligrosa porque tres límites fallaron en secuencia.
Para los usuarios particulares de Chrome, la pregunta práctica no es si GPT-5.6 Sol merece reconocimiento en cada fase de la explotación. Es si el navegador corregido está realmente en ejecución. Reinicia Chrome cuando aparezca una actualización y convierte ese hábito en parte del mantenimiento rutinario del dispositivo.
Para los responsables de seguridad, la pregunta más difícil es organizativa: si un experto con agentes bien coordinados puede comprimir meses de trabajo de explotación en días, ¿puede tu equipo reproducir y corregir el resultado a la misma velocidad?
