El contenido generado por IA en LinkedIn superó el 40 % de las publicaciones largas, y la autenticidad profesional está pagando el precio

El contenido generado por IA en LinkedIn superó el 40 % de las publicaciones largas en un nuevo análisis de Pangram, lo que convierte la identidad profesional en un problema de verificación cada vez mayor.

El hallazgo procede de más de un millón de publicaciones en redes sociales analizadas mediante la extensión de navegador de Pangram. En el conjunto completo de datos, el 13,8 % de los elementos aptos se clasificó como contenido con redacción generada o asistida por IA.

El conflicto se agudiza en el contenido de formato largo. Las publicaciones de más de 250 palabras tenían muchas más probabilidades de ser clasificadas como generadas íntegramente por IA. LinkedIn encabezó esa categoría entre todas las plataformas.

Este resultado no demuestra que el 40 % de todas las publicaciones largas de LinkedIn estén escritas por máquinas. Pangram estudió publicaciones que encontraron los usuarios de su extensión y cuyos datos anónimos de análisis estos compartieron voluntariamente. La muestra no era aleatoria ni estaba diseñada para representar todos los feeds de LinkedIn.

Aun así, su magnitud basta para revelar una tensión que afecta a toda la plataforma. LinkedIn promueve conversaciones profesionales auténticas mientras ofrece asistencia de IA que reduce el coste de fabricar una autoridad con apariencia profesional.

LinkedIn ya está modificando su feed para reducir el material genérico, los comentarios automatizados y la interacción artificial. La cuestión es si los sistemas de clasificación pueden distinguir entre una asistencia útil de IA y el teatro profesional producido en masa.

El contenido generado por IA en LinkedIn domina la muestra de formato largo

El principal hallazgo no es simplemente que la gente utilice IA en LinkedIn. Es que la automatización se concentra en publicaciones diseñadas para transmitir conocimientos especializados.

Pangram publicó su auditoría de feeds sociales el 9 de julio de 2026. La empresa analizó 1.002.627 elementos únicos recopilados desde el lanzamiento de su extensión para Chrome, el 24 de abril.

El conjunto de datos abarcó LinkedIn, Reddit, X, Medium y Substack. Pangram excluyó los elementos de 50 palabras o menos, un aspecto importante al interpretar los porcentajes publicados.

Entre todos los elementos analizados, Pangram clasificó el 13,8 % como contenido con alguna forma de redacción mediante IA. La tasa de generación íntegra ascendió al 25,72 % entre los elementos de más de 250 palabras.

LinkedIn registró la mayor proporción de contenido totalmente generado entre las publicaciones largas, con más del 40 %. LinkedIn también representó cerca de un tercio del conjunto de datos analizado, pero concentró el 62 % de todo el contenido señalado como generado por IA.

Estas cifras sitúan a LinkedIn como el caso central de la muestra de Pangram. No constituyen un censo preciso de toda la plataforma.

El método de recopilación introduce varias formas de sesgo de selección. Cada análisis partió de un usuario de la extensión, y solo aportaron datos quienes aceptaron participar en el estudio. Sus hábitos de navegación determinaron qué creadores, sectores, idiomas y redes aparecieron.

Es probable que quienes instalan un detector de IA detecten o sospechen de la redacción sintética con más frecuencia que los usuarios promedio. También podrían analizar publicaciones de forma selectiva cuando un pasaje les parece artificioso.

Pangram afirma que cada elemento se contabilizó una sola vez, lo que limita la inflación por duplicados. Sin embargo, el informe publicado no ofrece un desglose demográfico completo de los participantes ni un marco de muestreo aleatorio.

Esta distinción es importante porque “más del 40 %” suena a una medición de toda la plataforma. Una interpretación más precisa es que más del 40 % de las publicaciones largas de LinkedIn que cumplían los requisitos dentro del conjunto de datos de la extensión de Pangram fueron clasificadas como generadas íntegramente por IA.

Incluso con esta salvedad, el resultado merece atención. La muestra superó el millón de elementos y las diferencias entre plataformas no fueron pequeñas.

La concentración de LinkedIn también coincide con un cambio visible en la publicación de contenido profesional. Ahora los usuarios pueden producir refinadas lecciones profesionales, marcos de gestión y comentarios de mercado sin dedicar horas a redactarlos.

El incentivo económico es evidente. LinkedIn recompensa la publicación frecuente con atención, oportunidades para establecer contactos y una percepción de autoridad. Las herramientas generativas reducen de forma drástica el trabajo necesario para mantener esa presencia.

Las publicaciones largas ofrecen más espacio para patrones lingüísticos reconocibles. También proporcionan a los detectores más texto que analizar, lo que puede mejorar la clasificación frente a los comentarios breves.

Esta combinación ayuda a explicar por qué el contenido de formato largo produjo la señal más clara. El formato resulta atractivo para los creadores que utilizan asistencia de IA y es más sencillo de evaluar para los sistemas de detección.

Lo preocupante no es que los profesionales reciban ayuda para escribir. Los editores, las plantillas y los escritores fantasma existían mucho antes que la IA generativa.

El conflicto comienza cuando una publicación presenta experiencias, juicios o emociones generados como si fueran la perspectiva profesional directa del autor. Los lectores no pueden saber con facilidad si la supuesta reflexión procede de la experiencia, de una instrucción dada a la IA o de ambas.

Por qué LinkedIn afronta más presión que Reddit o Substack

LinkedIn vincula la escritura con el empleo y la reputación, por lo que la autoridad sintética tiene allí más peso que en un feed anónimo de entretenimiento.

Pangram encontró diferencias significativas entre las cinco plataformas. Estas diferencias sugieren que la estructura del producto y las expectativas de la comunidad determinan cómo aparece la escritura mediante IA.

X registró la tasa combinada más alta entre sus publicaciones en formato de artículo. Pangram clasificó el 23,9 % como contenido generado íntegramente por IA y otro 22,9 % como redacción mixta de humanos e IA.

En conjunto, estas categorías abarcaron el 46,8 % de los artículos de X analizados. Solo el 53,2 % se clasificó como escrito íntegramente por humanos.

Reddit mostró un patrón casi opuesto. Representó el 36,7 % de los elementos analizados, la mayor proporción entre las plataformas, pero registró una tasa combinada de IA de apenas el 4,4 %.

Las respuestas determinaron ese resultado. Representaron el 72 % de los elementos de Reddit analizados, y Pangram clasificó el 98,1 % de esas respuestas como escritas por humanos.

Las publicaciones principales de Reddit mostraron un panorama diferente. Su tasa de IA alcanzó el 11,6 %, frente al 10 % del contenido principal de X.

La brecha revela un patrón de comportamiento importante. Automatizar de manera convincente una conversación espontánea sigue siendo relativamente costoso, mientras que las publicaciones independientes son más fáciles de generar y programar.

Substack ofreció otro contrapunto. Las publicaciones más largas de Substack tenían una probabilidad ligeramente menor de ser clasificadas como generadas íntegramente por IA que las entradas más breves.

Incluso allí, Pangram clasificó el 21,9 % de las publicaciones como generadas íntegramente o asistidas por IA. La plataforma no estaba libre de escritura sintética, pero su patrón de formato largo difería del de LinkedIn.

Los autores de Substack suelen construir relaciones directas con sus suscriptores en torno a una voz reconocible. Los lectores pueden cancelar su suscripción cuando esa voz se vuelve genérica, lo que proporciona a los autores una razón comercial para conservar su singularidad.

Los incentivos de LinkedIn son menos directos. Un usuario puede obtener impresiones, visitas a su perfil o valor para su red de contactos sin convencer a los lectores de que paguen por cada publicación.

Los feeds profesionales también recompensan un conjunto reducido de formatos repetibles. Las lecciones de liderazgo, las confesiones profesionales, los consejos de productividad y las afirmaciones empresariales contrarias al consenso encajan en estructuras predecibles.

Los modelos generativos sobresalen al reproducir estos patrones familiares. Pueden convertir una idea breve en una publicación larga con un gancho inicial, un contratiempo, tres lecciones y una pregunta final bien elaborada.

Esto presiona a varios grupos a la vez. Los profesionales deben publicar con más frecuencia para mantener su visibilidad, pero el contenido genérico puede perjudicar precisamente la credibilidad que intentan construir.

Los responsables de contratación y los compradores afrontan otro problema. Antes, una publicación detallada ofrecía una señal útil sobre el razonamiento, la experiencia y el estilo de comunicación de una persona.

Cuando producir una publicación de este tipo apenas requiere esfuerzo, la extensión y el acabado pierden valor como prueba. Los lectores deben buscar detalles concretos, ejemplos verificables y conocimientos especializados constantes a lo largo del tiempo.

LinkedIn afronta la mayor presión estratégica. Su feed depende de la creencia de que las publicaciones reflejan perspectivas profesionales reales, aunque los usuarios reciban asistencia editorial.

Si esa creencia se debilita, la interacción puede seguir siendo elevada mientras disminuye el valor informativo. Un feed con mucha actividad aún puede convertirse en un lugar deficiente para tomar decisiones sobre personas.

La plataforma fomentó la escritura mediante IA y después comenzó a filtrar el contenido genérico

La contradicción central de LinkedIn es que redujo el coste de crear contenido profesional mientras intentaba preservar la escasez asociada a los conocimientos especializados auténticos.

LinkedIn no prohíbe el uso responsable de la asistencia de IA. Sus directrices oficiales sobre publicaciones con IA piden a los miembros que revisen, editen y aprueben el material creado con IA.

La empresa también recomienda informar de ello cuando alguien haya dependido en gran medida de la IA y ese uso no resulte evidente por el contexto. La responsabilidad sigue recayendo en la persona que publica el contenido.

Esta postura trata la IA como una herramienta de edición, no como un sustituto de la identidad. Sin embargo, en la práctica, la frontera entre asistencia y autoría sigue siendo difícil de observar.

Un usuario podría aportar un argumento original y pedir a un modelo que mejore su claridad. Otro podría solicitar una historia completa sobre liderazgo a partir de una instrucción de una sola línea.

Ambas publicaciones pueden aparecer sin una etiqueta visible. Las dos podrían pasar por la misma interfaz de edición y ambas seguirían vinculadas a la identidad profesional de una persona real.

LinkedIn ha ofrecido asistencia de escritura mediante IA dentro de sus productos. El informe de Pangram señala la función “Enhance post” de la plataforma como una vía para perfeccionar los borradores de los usuarios.

La existencia de esta función no explica todas las publicaciones señaladas. Las personas pueden utilizar ChatGPT, Claude, Gemini, herramientas especializadas de escritura o flujos de trabajo de agencias antes de pegar el contenido en LinkedIn.

Sí demuestra que la escritura mediante IA no es un comportamiento externo impuesto a una plataforma reticente. LinkedIn participa en el mismo ciclo de adopción que ahora debe moderar.

En marzo de 2026, LinkedIn describió nuevos cambios en el feed destinados a promover contenido profesional más relevante y auténtico.

La empresa afirmó que estaba implementando sistemas generativos de recomendación y grandes modelos de lenguaje para comprender los temas de las publicaciones y la evolución de los intereses de los miembros. Estos sistemas clasifican el material según el contexto y el comportamiento profesionales.

LinkedIn también dijo que estaba combatiendo los comentarios automatizados, los grupos de interacción coordinada, las herramientas de terceros no autorizadas, las publicaciones repetitivas y el material diseñado para generar clics.

Cabe destacar que el anuncio no calificaba como inaceptable toda la escritura asistida por IA. Se centraba en el comportamiento no auténtico y en el contenido genérico que aporta poco valor.

Esta distinción es razonable, pero difícil de aplicar. Una plataforma puede detectar estructuras repetidas o automatización coordinada sin saber si una afirmación individual refleja una experiencia vivida.

Una publicación bien elaborada puede ser original y útil. Una publicación rudimentaria puede resultar engañosa. El estilo por sí solo no permite determinar la autoría, la veracidad ni el valor.

Por tanto, LinkedIn parece estar clasificando los resultados en lugar de intentar prohibir un método de producción. Las publicaciones específicas y relevantes pueden seguir siendo útiles aunque la IA haya ayudado a dar forma a las frases.

La debilidad de este enfoque es la escala. Los generadores pueden crear miles de variaciones en torno a la misma premisa superficial, lo que obliga a los sistemas de clasificación a evaluar una uniformidad cada vez más refinada.

La plataforma utiliza entonces más IA para filtrar contenido creado con IA. Esto genera una competición automatizada entre generación, optimización y recomendación.

Los usuarios se adaptan rápidamente a las preferencias visibles de los sistemas de clasificación. Cuando los ganchos genéricos pierden alcance, los servicios de contenido pueden pedir a los modelos casos prácticos, expresiones inusuales o más detalles personales.

Algunos de esos detalles serán auténticos. Otros serán precisiones sintéticas diseñadas para satisfacer al siguiente clasificador.

La escritura con IA en LinkedIn pasa así de ser un simple problema de autoría a convertirse en un problema de incentivos. El feed premia las señales de autenticidad, lo que convierte esas señales en objetivos valiosos para la automatización.

Lo que la afirmación del 40% no puede decirnos

El hallazgo de Pangram es una clara señal de alerta, pero un detector de IA no puede reconstruir todo el proceso de escritura que hay detrás de cada publicación.

Pangram analizó el conjunto de datos con Pangram 3.3. La empresa afirma que ese modelo tiene una tasa de falsos positivos del 0,01%.

Un falso positivo se produce cuando un detector etiqueta como generado por IA un texto escrito por una persona. Una tasa baja reduce una importante fuente de error, especialmente en un conjunto de datos de gran tamaño.

Sin embargo, el rendimiento en materia de falsos positivos no describe el sistema en su totalidad. Los lectores también necesitan conocer su sensibilidad, su cobertura de dominios e idiomas y su eficacia ante textos editados o parafraseados.

Un detector puede evitar acusar a autores humanos y, aun así, pasar por alto cantidades considerables de texto generado por máquinas. Ese error se denomina falso negativo.

Pangram clasifica parte del material en categorías de contenido generado íntegramente por IA y contenido mixto o asistido por IA. Esas etiquetas dependen de patrones presentes en el texto analizado, no del acceso directo al historial de redacción del autor.

Una persona podría revisar en profundidad un borrador generado hasta que pareciera humano. Otra podría escribir un borrador original y utilizar un modelo para reestructurarlo ampliamente.

Los textos finales pueden quedar a distintos lados del umbral de un clasificador, aunque hayan requerido niveles similares de criterio humano.

La investigación independiente aconseja actuar con cautela. Un estudio sobre detección concluyó que el parafraseo reducía drásticamente el rendimiento de varios detectores de texto generado por IA en condiciones controladas.

El estudio evaluó varios sistemas, pero no Pangram 3.3, por lo que sus cifras concretas de rendimiento no deben extrapolarse a la auditoría de Pangram.

Su conclusión general sigue siendo válida. Las estimaciones de detección pueden infravalorar la cantidad de textos generados cuando los usuarios reescriben de forma deliberada o informal los resultados de un modelo.

El contenido de las plataformas añade otras complicaciones. Las publicaciones de LinkedIn suelen utilizar párrafos breves, estructuras en forma de lista, ganchos recurrentes y lenguaje empresarial convencional.

Estas convenciones estilísticas pueden parecerse a los resultados de un modelo porque los modelos se entrenaron con textos públicos similares. También pueden hacer que publicaciones genuinamente humanas resulten inusualmente predecibles.

El idioma introduce otra fuente de incertidumbre. El informe público de Pangram no ofrece un desglose completo del rendimiento por plataforma e idioma para esta muestra concreta.

LinkedIn se dirige a una audiencia global. Una única tasa agregada puede ocultar diferencias de rendimiento en la clasificación entre idiomas, regiones y convenciones de escritura profesional.

Los datos tampoco dicen mucho sobre la calidad. Un detector puede estimar el origen probable de un texto, pero no determinar si una afirmación es correcta, útil, plagiada o basada en una experiencia real.

Una publicación escrita íntegramente por una persona puede repetir un tópico de gestión vacío. Una publicación asistida por IA puede resumir con precisión un artículo técnico después de una cuidadosa revisión experta.

Por eso, la expresión “basura generada por IA” debe utilizarse con rigor. La automatización de escaso valor es un problema real en el feed, pero el texto generado y el texto inútil no son categorías idénticas.

Pangram también tiene un interés comercial en demostrar que existe demanda de herramientas de detección. Eso no invalida sus resultados, pero los lectores deben considerar el informe como una investigación empresarial, no como una auditoría independiente de la plataforma.

La conclusión más sólida apunta a una tendencia. Pangram observó una elevada concentración de escritura detectada como generada por IA en publicaciones largas de LinkedIn, utilizando un conjunto de datos divulgado y un modelo identificado.

La conclusión más débil convertiría esa observación en una certeza sobre todas las publicaciones de LinkedIn. Las acusaciones individuales requieren pruebas más sólidas que la puntuación agregada de un detector.

LinkedIn no debería sancionar a los usuarios únicamente porque un clasificador externo considere sospechosa su prosa. Una medida así podría perjudicar a quienes no tienen el inglés como lengua materna, a las personas que utilizan herramientas de accesibilidad y a los profesionales que trabajan con editores.

Los lectores deben aplicar la misma cautela. La detección puede orientar el escepticismo, pero no debe sustituir la verificación de las afirmaciones y la evaluación de las pruebas.

La detección por sí sola no puede restaurar la confianza profesional

Una respuesta más duradera combina divulgación, procedencia, medidas contra comportamientos abusivos y un criterio más sólido por parte de los lectores, en lugar de depender de un único clasificador.

La procedencia registra cómo se creó o modificó un contenido multimedia. A diferencia de la detección basada en el estilo, se apoya en información incorporada durante el proceso de producción.

LinkedIn adoptó el estándar C2PA para determinados contenidos multimedia en 2024. Sus credenciales de contenido pueden mostrar el origen y el historial de edición de imágenes o vídeos compatibles.

El texto plantea un problema más difícil. Los autores suelen copiar material entre editores, eliminar metadatos, combinar varios borradores y revisar frases concretas.

Un campo de divulgación visible podría mejorar aun así la transparencia. LinkedIn podría permitir que los autores indicaran si la IA generó, editó, tradujo o resumió una publicación.

La plataforma tendría que evitar tratar estas cuatro actividades como equivalentes. La asistencia en la traducción no tiene las mismas implicaciones de autoría que inventar una historia profesional personal.

La divulgación también requiere incentivos. Los usuarios podrían ocultar un uso intensivo de la generación si las publicaciones etiquetadas reciben menos distribución o generan menos confianza.

LinkedIn puede abordar ese conflicto premiando la transparencia informativa en lugar de penalizar automáticamente la asistencia. La cuestión central debería seguir siendo si el autor identificado respalda las afirmaciones.

La aplicación de medidas basadas en el comportamiento ofrece otra capa de protección. La publicación coordinada, los comentarios automatizados, los grupos de interacción y la reutilización masiva de plantillas generan patrones que los operadores de la plataforma pueden observar directamente.

Esas señales suelen permitir intervenciones más concretas que el estilo de la prosa. Se centran en la manipulación a gran escala sin obligar a LinkedIn a decidir quién escribió cada frase.

Los sistemas de clasificación también pueden dar prioridad a las pruebas de primera mano. Una publicación vinculada a un proyecto, experimento, documento o decisión claramente descrita ofrece a los lectores algo que pueden comprobar.

Esto eleva el coste de la experiencia sintética. Los modelos pueden imitar un lenguaje seguro de sí mismo con mayor facilidad que aportar un historial coherente de trabajo real.

Los profesionales deberían responder tratando las publicaciones públicas como afirmaciones, no como credenciales. Un ensayo pulido es solo una señal entre el historial laboral, las referencias, los portafolios y los conocimientos demostrados.

Los lectores también pueden conservar el material original antes de confiar en resúmenes generados. Un sistema de conocimiento personal ayuda a preservar las fuentes, el contexto y las observaciones personales que sustentan el trabajo publicado.

Esta práctica es importante porque la publicación asistida por IA suele comprimir el rastro de evidencias. Un resumen fluido puede separar una idea de las notas y decisiones que le daban sentido.

La regulación abre una vía independiente hacia la transparencia. Las normas de transparencia sobre IA de la Unión Europea comenzarán a aplicarse el 2 de agosto de 2026.

El artículo 50 aborda varios tipos de contenido generado o manipulado. Sus requisitos de divulgación relacionados con el texto se centran especialmente en el material publicado para informar al público sobre asuntos de interés público sin revisión humana.

Las normas no implican que todas las publicaciones de LinkedIn editadas con IA reciban automáticamente una etiqueta universal. Su aplicación depende del actor, el contenido, el sistema y el grado de control editorial.

Aun así, aumentan la presión sobre los proveedores de modelos y los editores profesionales para que la información sobre el origen sea más fiable. En determinados contextos, las orientaciones voluntarias de las plataformas están evolucionando hacia un marco legal de transparencia.

Ninguna medida resolverá el problema por sí sola. Las etiquetas pueden ignorarse, los metadatos pueden desaparecer y los clasificadores pueden eludirse.

La defensa práctica debe combinar varias capas. La procedencia permite verificar el origen, la detección identifica patrones sospechosos y los sistemas de análisis del comportamiento abordan los abusos coordinados.

La revisión humana sigue siendo esencial porque la autenticidad no es únicamente una propiedad técnica. También implica determinar si una persona asume realmente como propias las experiencias, los juicios y las consecuencias vinculadas a una publicación.

Tres señales mostrarán si LinkedIn puede frenar la avalancha

La próxima fase se medirá por la calidad del feed, la credibilidad de la divulgación y la validación independiente, no por otro porcentaje de detección llamativo.

La primera señal será la aplicación de medidas de LinkedIn contra la interacción automatizada. La empresa ya ha prometido actuar contra la automatización de comentarios, los grupos de interacción y las herramientas no autorizadas.

Los usuarios deberían observar si disminuyen los comentarios genéricos sin que se reprima la participación legítima. LinkedIn también debería ofrecer información más clara sobre los comportamientos que elimina o penaliza en la clasificación.

Una reducción visible reforzaría la idea de que los incentivos de la plataforma impulsaron gran parte del problema del contenido sintético. Un cambio escaso sugeriría que las medidas no pueden seguir el ritmo de una automatización cada vez más barata.

La segunda señal será la aparición de mecanismos eficaces para informar sobre el uso de IA en textos. LinkedIn recomienda actualmente que los miembros lo indiquen cuando dependen en gran medida de la IA, pero una recomendación por sí sola da lugar a prácticas incoherentes.

Un sistema útil distinguiría los borradores generados de la edición, la traducción, el resumen y la asistencia para la accesibilidad. También aclararía cuándo las etiquetas afectan a la distribución.

Las obligaciones de transparencia de la UE plantean una prueba regulatoria a corto plazo a partir del 2 de agosto. Las respuestas de las plataformas y los proveedores de modelos revelarán si la procedencia del texto puede llevarse a la práctica fuera de demostraciones controladas.

Unas divulgaciones claras y ampliamente utilizadas reducirían la necesidad de deducir el origen a partir del estilo de escritura. Las etiquetas vagas o una adopción limitada dejarían a los lectores a merced de una detección incierta.

La tercera señal será la reproducción independiente del hallazgo de Pangram. Los investigadores necesitan muestras aleatorias o cuidadosamente estratificadas entre sectores, regiones, idiomas y tamaños de cuenta.

También deberían publicar el rendimiento de los detectores en los dominios de contenido exactos que se están midiendo. Esto incluye la sensibilidad, las tasas de falsos positivos y la resistencia frente a la edición humana habitual.

Una auditoría comparable podría confirmar que el contenido extenso de LinkedIn está inusualmente saturado. También podría demostrar que la muestra de la extensión sobrerrepresentaba publicaciones sospechosas o determinadas redes de usuarios.

Cualquiera de los dos resultados mejoraría el debate. El informe actual ofrece una valiosa señal de alarma, pero la política de la plataforma no debería basarse en el detector de una sola empresa y un único conjunto de datos de participación voluntaria.

Para los trabajadores del conocimiento, la respuesta inmediata no consiste en dejar de usar la IA. Consiste en preservar la frontera entre la asistencia y la autoridad prestada.

Utilice modelos para organizar notas, poner a prueba un argumento o mejorar la claridad. Conserve las pruebas originales, verifique las afirmaciones factuales y elimine las experiencias que no haya vivido realmente.

Los lectores deberían aplicar al contenido de LinkedIn generado por IA el mismo criterio que aplican a cualquier afirmación profesional. Deben preguntarse qué es concreto, verificable y coherente con el trabajo demostrado por el autor.

La cifra del 40% importa porque muestra la rapidez con la que el lenguaje pulido dejó de ser escaso. No significa que el conocimiento profesional haya desaparecido.

El recurso que sigue siendo escaso es el criterio responsable. El futuro de LinkedIn depende de que su feed sea capaz de reconocer y premiar esa diferencia antes de que el profesionalismo sintético se convierta en la norma.