1. Resumen Ejecutivo
Esta semana, la IA pasó claramente de la etapa de “predicción y conclusión” a la etapa de “puesta en marcha y validación en el terreno”. En robótica, la utilización de datos de IA física y la operación agéntica se pusieron de manifiesto, mientras que en medicina, los gemelos digitales y las aplicaciones de apoyo terapéutico y diagnóstico se acercaban a la implementación. Por otro lado, en ciencia social computacional, tanto la discusión sobre la elevación de LLM como “herramienta científica” como la metodología para medir reproducibilidad destacaron simultáneamente. Además, en energía, la demanda de energía de centros de datos de IA se hizo realidad como problema de infraestructura industrial, y en descubrimiento de fármacos, avanzó el pensamiento de diseño que acelera la exploración y las restricciones de síntesis.
La actividad más destacada fue en robótica, ciencias de la vida y ciencia social computacional, mientras que la ingeniería financiera y la ingeniería educativa fueron relativamente silenciosas (en artículos extendidos de esta semana, hubo una tendencia a omitir debido a la dificultad de confirmar información primaria). Sin embargo, es importante señalar que incluso en áreas silenciosas, los “requisitos de implementación” se comparten en forma de propagación de avances en otras áreas.
2. Puntos Destacados de la Semana (3-5 temas de mayor importancia)
Punto destacado 1: Despliegue en producción de IA física—Visión a través de obstáculos, integración de agentes y “factorización de datos” que transforman el terreno
Descripción general
El punto de partida de esta semana fue “los robots entienden el entorno y reconocen más allá de obstáculos”. MIT presentó una técnica de visión inalámbrica que procesa señales Wi-Fi reflejadas con IA generativa para reconstruir formas 3D de objetos detrás de obstáculos. Anteriormente, la detección Wi-Fi tenía limitaciones en precisión y resolución, pero los modelos generativos permiten estimar “áreas invisibles” y se conectan a confirmación de inventario en almacenes y seguimiento seguro de humanos en hogares inteligentes.
Además, Georgia Tech destacó la aceleración y alta precisión del aprendizaje por imitación, y NVIDIA presentó en GTC 2026 marcos de simulación y modelos mundiales para desplegar IA física (Physical AI) a escala industrial. Los días siguientes aceleraron la integración de “IA agéntica” y “IA física” de NVIDIA, presentando simultáneamente dispositivos, modelos y bases operativas previas a su colocación en el terreno, como GR00T-H (para medicina) y Jetson T4000 (IA de borde).
Desde mediados de semana, la idea de “Physical AI Data Factory” como generación continua a través del desarrollo y operación, en lugar de demostraciones puntuales, se puso al frente, y la orientación abierta de Agent Toolkit se describió como punto de conexión para “múltiples empresas y múltiples industrias”.
Dominio
Robótica / Agentes Autónomos / IA Física
Contexto e Historia
La dificultad de la robótica radica no solo en la tasa de precisión del algoritmo, sino en la integración de sensores, falta de datos en el terreno, variabilidad ambiental y carga de reproducción y mantenimiento en el terreno. La visión a través de Wi-Fi y la aceleración del aprendizaje por imitación son enfoques que cierran los “cuellos de botella de reconocimiento ambiental y aprendizaje” mediante modelos generativos o aprendizaje y exploración más eficientes.
Además, la dirección presentada por NVIDIA intenta resolver en conjunto la “escasez de datos”, la “barrera de simulación” y la “complejidad de integración de agentes” que obstaculizan el despliegue en el terreno, mediante factorización de datos e integración abierta. Esto no es simplemente competencia de rendimiento, sino industrialización del proceso de desarrollo mismo.
Impacto Técnico y Social
Técnicamente, se observó una acumulación en tres niveles: (1) extensión de observación (visión a través de Wi-Fi), (2) aceleración del aprendizaje y control (aprendizaje por imitación), (3) estandarización de operación de agentes (data factory / toolkits). Socialmente, cuanto más importante sean “seguridad”, “responsabilidad” y “costo operativo” (como en logística de almacenes, medicina y sector público), más probable es que la operación en producción de IA física avance primero.
Además, el diseño de RACAS de “controlar diversos robots con un único agente” reduce el costo de trasplante en el terreno y facilita la operación de mezcla de máquinas. Tal integración es también un síntoma de que la automatización industrial se mueve de “trabajo atribuible a especialistas” a “software como componente”.
Perspectivas Futuras
Desde la próxima semana, los puntos clave serán: (1) reducción de falsos reconocimientos en visión a través de obstáculos y exploración, (2) seguridad y estandarización en operación de agentes (como movimientos de estandarización de agentes del NIST), (3) cómo Data Factory se conecta a recolección de datos reales y validación. Es muy probable que el principal campo de batalla se traslade de “¿funciona la tecnología?” a “¿puede mantenerse la operación? (mantenimiento, auditoría, actualización)”.
Fuentes
Generative AI improves a wireless vision system (MIT News) / Smarter, Faster, and More Human: A Leap Toward General-Purpose Robots (Georgia Tech) / NVIDIA and Global Robotics Leaders Take Physical AI to the Real World (NVIDIA) / Physical AI Data Factory Blueprint (GlobeNewswire) / Agent Toolkit (NVIDIA)
Punto destacado 2: Los LLM entran en procesos de diseño en “descubrimiento de fármacos y sociedad”—Espacio químico explorable y reproducibilidad de simulación contrafáctica
Descripción general
En IA de descubrimiento de fármacos, los modelos generativos evolucionaron de “dispositivos que generan moléculas” a “marcos que diseñan espacios químicos”. Como propuesta de serie SpaceGFN, se enfatizó la “separación de exploración y diseño” donde el usuario especifica reglas de reacción o bloques de construcción, y GFlowNet explora con sesgo de propiedades físicoquímicas (Designing the Haystack). Respecto al cuello de botella de viabilidad de síntesis, la aceleración CASP (búsqueda especulativa o estrategias de borrador) mostró direcciones para aumentar el número de candidatos que pueden resolverse dentro de restricciones de tiempo en operaciones reales. Además, en generación de moléculas 3D, los motivos rígidos se manejan con generación equivariante SE(3), reduciendo pasos de generación y ahorrando recursos computacionales, con el acortamiento de latencia de todo el bucle de diseño como tema.
Al mismo tiempo, en ciencia social computacional se avanzó la reposición de LLM como “herramienta científica”, mientras que se prestó atención renovada a limitaciones epistemológicas en el manejo de salida como evidencia y evaluación de reproducibilidad. Específicamente, se propusieron Social Digital Twins (marcos para simular respuestas de comportamiento grupal a intervenciones políticas) y se discutió mejora de error respecto a línea base en casos de estudio COVID-19. Además, surgieron intentos de comparar cuantitativamente reproducibilidad en ciencia social computacional bajo condiciones de “documentación, fijación de entorno y claridad conceptual”, midiendo dónde surge el obstáculo.
Es decir, en IA de fármacos el enfoque se desplaza a restricciones operativas de “exploración y síntesis”, mientras que en LLM social se enfoca en “verificabilidad y reproducibilidad”.
Dominio
Ciencias de la Vida / IA de Descubrimiento de Fármacos / Ciencia Social Computacional
Contexto e Historia
Lo común en ambos dominios es que LLM y modelos generativos han llegado a la etapa de integrarse dentro de procesos de diseño iterativo y protocolos de verificación, en lugar de solo producir salida. En descubrimiento de fármacos, cuando aumentan las moléculas “que no pueden sintetizarse”, la tasa de exactitud de generación pierde valor práctico. En simulación social, si “la explicación causal que suena bien” no puede manejarse como evidencia observable, tampoco puede colocarse en diseño de política.
Por esto, esta semana fue simbólica en que la libertad de diseño del espacio de exploración (programabilidad del espacio químico) y la evaluación de reproducibilidad y manejo de evidencia (convirtiéndose en instrumentos de medición LLM) aparecieron en la misma semana.
Impacto Técnico y Social
En el lado de fármacos, al aumentar no solo la velocidad de exploración sino también permitir que los usuarios configuren el proceso de exploración de acuerdo con su intención (libertad de diseño) y restricciones de síntesis (viabilidad), existe potencial de acortar cuellos de botella de investigación y desarrollo como “tuberías de cálculo”. Esto es especialmente efectivo en dominios controlados por tiempo y costo.
En el lado social, con el “gemelo digital virtual (digital twin)” que soporta contrafáctico y el marco para medir reproducibilidad procedan en paralelo, están comenzando a establecerse las condiciones para que LLM sea manejado como base para discusión política (verificación, auditoría, validez externa). Este es el “establecimiento de infraestructura de confianza” que se vuelve más importante a medida que avanza la implementación social.
Perspectivas Futuras
Desde la próxima semana, los puntos clave serán: (1) estandarización de viabilidad de síntesis e indicadores de evaluación en descubrimiento de fármacos, (2) validez externa de gemelos digitales sociales (transferencia entre regiones y períodos diferentes), (3) directrices metodológicas cuando se maneja salida de LLM como evidencia. Finalmente, la competitividad provendrá más de la operación y diseño de verificación que del rendimiento del modelo.
Fuentes
Designing the Haystack: Programmable Chemical Space for Generative Molecular Discovery (arXiv) / Fast and scalable retrosynthetic planning with a transformer neural network and speculative beam search (arXiv) / 3D Molecule Generation from Rigid Motifs via SE(3) Flows (arXiv) / LLM-Powered Social Digital Twins (arXiv) / From Guidelines to Practice: Evaluating the Reproducibility of Methods in Computational Social Science (arXiv) / The Third Ambition: Artificial Intelligence and the Science of Human Behavior (arXiv)
Punto destacado 3: Medicina, Ambiente e Infraestructura—La velocidad a la que la IA se convierte en “parte del sistema” aceleró esta semana
Descripción general
En medicina, Verily recibió inversión de $300 millones para acelerar su estrategia de IA de medicina de precisión. Se enfatizó la intención de fortalecer una plataforma nativa de IA que integra datos clínicos y conocimiento científico, demostrando la transición de IA de propósito único a IA multiplataforma que cruza clínica, regulación, fabricación y cadena de suministro. Además, NVIDIA destacó GR00T-H como IA física médica y Rheo como gemelo digital hospitalario, considerando desde apoyo quirúrgico hasta atención del paciente, optimización de disposición de equipamiento y simulación de flujos de pacientes. La medicina de alto riesgo frecuentemente atrasa adoptación, pero esta semana se evidencia que está en la etapa de “integración”.
En ambiente y clima, se reportó que los bosques naturales de Suecia almacenan 83% más carbono que plantaciones artificiales, y que la causa se encuentra en el suelo, sacudiendo las premisas de modelos de balance de carbono y gestión forestal.
Además, en infraestructura, Vistra planificó la adquisición de centrales eléctricas de gas por $4 mil millones para responder al aumento de demanda de energía de centros de datos de IA, y el crecimiento de IA comenzó a entrar directamente en política energética y procedimientos regulatorios.
Dominio
Ciencias de la Vida / IA de Descubrimiento de Fármacos / Ingeniería Energética / Ciencia Climática / Ciencia Espacial (periférico) / Gestión Empresarial y Teoría Organizacional (contexto de adopción)
Contexto e Historia
Estos temas se ven separados, pero lo común es que “la IA está entrando de la periferia de investigación al interior de operación y sistemas institucionales”. Con IA de medicina, los datos, regulación, fabricación y operación se entrelazan, de modo que la multiplicación de plataformas es una dirección inevitable.
Lo similar ocurre con ciencia ambiental: si factores como carbono del suelo que los modelos previos dejaban de lado se vuelven dominantes, se requiere rediseño de base de observación y estimación.
La infraestructura de energía es el “lado de demanda de IA”, con ondulación hacia provisión de energía y lado de política. La IA no se completa como solo modelo—esta realidad se hizo visible esta semana como inversión empresarial.
Impacto Técnico y Social
En medicina, cuando IA se conecta con diseño de operaciones de sitio clínico (gemelo digital), el efecto de adopción se desplaza de “precisión” a “mejora operativa”. Socialmente, seguridad de pacientes, auditabilidad y delimitación de responsabilidad se cuestionan más severamente.
El descubrimiento climático tiene potencial de cambiar prioridades de mitigación. La atención al suelo podría llevar a rediseño de destinos de inversión y métricas de evaluación en gestión forestal.
El tema de energía significa que conforme aumentan los cálculos requeridos por IA, también aumentan el costo energético social que la sociedad soporta y ajustes regulatorios. Es necesario que la toma de decisiones sobre “procuración, operación de sistema y impacto ambiental” ocurra simultáneamente con desarrollo tecnológico.
Perspectivas Futuras
Desde la próxima semana, se anticipa aceleración en: (1) diseño de prueba de gemelo digital médico (seguridad, responsabilidad, conformidad regulatoria), (2) actualización de modelos de balance de carbono y reflexión en gestión forestal y políticas indicadoras, (3) debate sobre estrategia de procuración de energía de centros de datos (proporción de energía renovable y fuentes complementarias). Conforme la IA se vuelve “base industrial”, la tecnología sola no será el protagonista—será la institucionalización, contratación y diseño operacional.
Fuentes
Verily Secures $300 Million Investment (Verily) / NVIDIA GTC 2026: Agentic AI Inflection Hits Healthcare (GEN) / A ‘shocking’ carbon discovery in Sweden’s forests (Stanford) / NASA Astronauts to Conduct a Pair of Spacewalks to Install New Solar Arrays (NASA)
Punto destacado 4: Conexión entre Robots y Sociedad—“Unicelularización de agentes” y apoyo en diseño de computación social, la trasplantabilidad operativa se vuelve factor competitivo
Descripción general
En el lado de robótica, RACAS se presentó como marco donde “un único sistema agéntico controla diversos robots”. Sin reescribir en gran medida componentes específicos de robots (función de recompensa, código, pesos, etc.), al proporcionar descripción de robot en lenguaje natural, acciones disponibles y especificación de tarea como entrada, se alterna el comportamiento entre robots.
Al mismo tiempo, Context-Nav combinó exploración dirigida por contexto y razonamiento espacial 3D consciente del punto de vista para navegación de instancia, manteniendo un diseño que previene desvíos a candidatos confusos mientras llega a la instancia objetivo. La idea de “diseñar la prioridad de exploración” se vuelve cada vez más importante a medida que avanza la agenticidad.
En el lado social, Social Digital Twins generó individuos como agentes que responden a intervenciones políticas, convertidas a indicadores observables a través de capas de agregación y calibración. Además, surgió propuesta de manejar salida de LLM como “instrumento de medición científica”, mientras que simultáneamente aparecieron marcos para evaluar reproducibilidad en experimentos, con confiabilidad de apoyo en diseño como punto focal.
Dominio
Robótica / Agentes Autónomos / Ciencia Social Computacional
Contexto e Historia
La mayor fricción en despliegue de robots en terreno es el costo de adaptación por tipo de máquina. La unicelularización de agentes es una estrategia para absorber costo de trasplante mediante “entrada de información necesaria”, reduciendo carga de mantenimiento operativo.
De forma similar, en simulación social, la forma de “usar el modelo” cada vez y la garantía de reproducibilidad se vuelven importantes. Social Digital Twins muestra posibilidad de apoyo en diseño, pero sin verificación y auditabilidad, no puede entrar en política. Allí emerge la metodología de evaluación de reproducibilidad.
Impacto Técnico y Social
Técnicamente, la calidad de cadena de módulos robóticos internos (percepción, generación de candidatos, verificación 3D, decisión de acción) determina rendimiento. Mientras que la unicelularización de agentes facilita compartir cadena común, el diseño de especificación de entrada (lenguaje natural, definición de acción) se vuelve nueva restricción.
Socialmente, si la computación social se usa como “dispositivo para probar premisas de política”, reproducibilidad y manejo de base se vuelven centro de confianza. Tanto en robots como en sociedad, se está entrando en fase donde “evidencia para operación” prevalece sobre “atractivo de salida”.
Perspectivas Futuras
Desde la próxima semana, los puntos clave serán cómo marcos como RACAS se conectan a recolección de datos reales y despliegue en terreno, cuánto logra Context-Nav generalización de reducción de desvíos, y cómo avanzan estandarización de reproducibilidad y auditabilidad en Social Digital Twins.
Fuentes
RACAS: Controlling Diverse Robots With a Single Agentic System (arXiv) / Context-Nav: Context-Driven Exploration and Viewpoint-Aware 3D Spatial Reasoning for Instance Navigation (arXiv) / LLM-Powered Social Digital Twins (arXiv) / From Guidelines to Practice: Evaluating the Reproducibility of Methods in Computational Social Science (arXiv)
Punto destacado 5: Agentes de IA que se propagan hacia “Trabajo, Ciudades, Sistemas”—Preocupación simultánea por homogeneización y enfoque en diseño de transición
Descripción general
Robots e IA no solo automatizan tareas en terreno, sino que también están comenzando a impactar labor, planificación urbana y diseño institucional. En economía y economía del comportamiento, el impacto de IA en mercado laboral se aclaró en perspectiva de “si automatiza o fortalece”, con implicancia que trabajos con conocimiento tácito y experiencia podrían ver salarios al alza. A nivel empresarial, reportes de reducción de personal vinculada a inversión en infraestructura IA emergieron, mostrando que adopción se conecta a “reestructuración de empleo”.
En educación y habilidades, cómo integrar IA generativa en aprendizaje (diseñar como tutor, compañero o asistente) se tematizó en reportes OECD, con dirección que solo outsourcing no genera ganancia de aprendizaje.
En planificación urbana, se presentó investigación mostrando que proliferación de vehículos autónomos cambiaría demanda de estacionamiento de viajeros, con potencial retransformación de lotes de estacionamiento en centro urbano.
Por otro lado, preocupación de que IA homogeneice pensamiento e expresión humana se expresó repetidamente, volviéndose compatible tecnológico y humanidad una premisa de implementación social.
Dominio
Economía / Economía del Comportamiento / Ingeniería Educativa (periférico) / Gestión Empresarial y Teoría Organizacional / Ciencia Social Computacional / Robótica (ondulación)
Contexto e Historia
La adopción de IA no se completa en “optimización de ingeniería” sola. Empleo, educación y función urbana se sostienen en cadena de institución y habilidad, de modo que IA interviene directamente en cadena. La información de esta semana muestra proceso donde adopción comienza en áreas de alto riesgo (medicina, defensa, finanzas) y propaga hacia reglas de labor, ciudades y aprendizaje.
Asimismo, preocupación de homogeneización es problema donde datos de entrenamiento de modelo y política de inferencia podrían comprimir diversidad humana, requiriendo cuidado mayor cuanto más alta sea la capacidad del modelo.
Impacto Técnico y Social
Socialmente, es probable que surja polarización (conocimiento de experiencia se valoriza mientras tareas definidas se reemplazan). También hay señalamiento de que empresas tropiezan en “última milla” (diseño organizacional), volviendo adopción tecnológica inseparable de redeseño de institución y sistema.
En ciudades y educación, adopción de IA cambia “diseño de comportamiento”, requiriendo no solo explicabilidad y ética, sino marco de medición y evaluación. La evaluación de reproducibilidad de ciencia social computacional y gemelos digitales pueden responder a estas exigencias.
Perspectivas Futuras
Desde la próxima semana, puntos de atención serán: (1) cuantificación de impacto en empleo y respuesta política (reskilling etc.), (2) concretización de principios de diseño para IA generativa en educación, (3) actualización de modelo y demanda/suministro de estacionamiento en planificación urbana con movilidad autónoma. Conforme IA se vuelve “OS de sociedad”, arbitración entre tecnología y humanidad se vuelve tema central.
Fuentes
OECD Digital Education Outlook 2026 (OECD) / Study examines how autonomous vehicles may change morning commutes (EurekAlert!) / AI’s Impact on the Job Market (Stanford SIEPR) / SAP & NVIDIA Enterprise AI Transformation (SAP)
3. Resumen Semanal por Dominio
1. Robótica y Agentes Autónomos
La visión a través de Wi-Fi avanzó hacia reconstrucción 3D más allá de obstáculos, y IA física se encamina hacia factorización de Data Factory e integración de agentes. Surgió el marco de controlar diversos robots con un único agente, con reducción de costo de trasplante como punto focal.
2. Psicología y Ciencia Cognitiva
La conferencia anual CNS fue centro de atención, conectando generación de lenguaje a genes, caminos neurales y modelos computacionales. IA se aproxima más a “medición” que a “comprensión”.
3. Economía y Economía del Comportamiento
Surgió perspectiva de capturar alineamiento de IA en aspecto económico, y se confirmó investigación modelando interacción humano-IA como juego y modelo del comportamiento. Impacto en labor requiere ver tanto automatización como fortalecimiento.
4. Ciencias de la Vida y IA de Descubrimiento de Fármacos
Avanzaron investigaciones conectando “exploración y ejecución”—espacio químico programable, aceleración de planeo de síntesis y generación molecular con equivarianza 3D. Además, inversión en IA médica y mejora de confiabilidad en predicción de proteína avanzan hacia práctica.
5. Ingeniería Educativa
Continuó la posición de que valor de IA generativa emerge cuando se enlaza con instrucción. En sitio educativo, la tarea es diseño que no es “externalizar aprendizaje”.
6. Gestión Empresarial y Teoría Organizacional
Surgió punto que barrera en transformación con IA es más la gestión organizacional que calidad de modelo. El movimiento de SAP y NVIDIA de “incrustar IA en sistemas empresariales” se fortaleció.
7. Ciencia Social Computacional
Se presentó proposición LLM-Powered Social Digital Twins simultáneamente con evaluación de reproducibilidad de ciencia social computacional (documentación, fijación de entorno). LLM puede volverse herramienta científica pero manejo de base requiere cuidado.
8. Ingeniería Financiera y Finanzas Computacionales
En período de entrada, confirmación de información primaria fue limitada, pero se sugirió dirección donde agentes IA entraban en procesamiento end-to-end en finanzas.
9. Ingeniería Energética y Ciencia Climática
Se reportó que suelo forestal de Suecia es lo que domina almacenamiento de carbono, con potencial de actualizar premisas de mitigación. Además, demanda de energía de centro de datos IA ligó directamente a inversión en infraestructura y argumentación de política.
10. Ingeniería Espacial y Ciencia Espacial
Avanzó preparación de actualización de arreglos solares de ISS, y seminarios de IA de lenguaje en ciencia espacial progresaron, con análisis en tiempo real y expansión de autonomía como puntos de enfoque.
4. Análisis de Tendencia Semanal
La tendencia transversal de esta semana se puede condensar en tres puntos: (1) “materialización en agentes” de IA agéntica, (2) integración de modelos generativos en “procesos de diseño”, (3) infraestructura de confianza como reproducibilidad, verificación y diseño operacional emergiendo al frente.
En robótica, el foco se desplazó no solo a precisión perceptual, sino a operación de agentes incluyendo exploración y decisión de acción. En descubrimiento de fármacos, la dirección es fuerte hacia permitir al usuario estructurar espacio de exploración, asegurando que terreno funcione dentro de restricción de síntesis y pasos. En computación social, mientras LLM avanza como herramienta de contrafáctico, limitación en manejo de evidencia y evaluación de reproducibilidad retorna a “centro de calidad investigativa”.
Además, patrón común apareciendo a través de múltiples dominios: el cambio de “tecnología funciona” a “operación se sostiene”. Por ejemplo, en medicina, gemelos digitales entran en operación de equipamiento y flujo de pacientes; en educación se enfatiza condición donde IA generativa conduce ganancia de aprendizaje; en finanzas y energía también, costo operativo y fricción de institución determinan resultado.
La influencia mutua entre dominios es también destacable. Descubrimiento climático impacta métricas de evaluación en gestión forestal, conectando a transformación energética y estrategia de carbono. Aceleración de exploración en descubrimiento de fármacos se enlaza a inversión de IA médica (desde clínica a regulación y manufactura), y unificación en robótica (factorización de data factory) potencialmente ondula a operación de suministro en energía y medicina. En esencia, IA está comenzando a integrarse como parte común en decisión y diseño operacional de sociedad.
5. Perspectivas Futuras
Desde la próxima semana, se esperan focos en: (1) estandarización y seguridad de IA física (estándares de agentes, diseño de auditoría y responsabilidad), (2) verificabilidad de modelos generativos (síntesis y evaluación en descubrimiento de fármacos, validez externa de contrafáctico social), (3) diseño de IA y energía (procuración de energía de centro de datos, integración cuantitativa de impacto climático), (4) validación clínica y regulatoria de gemelos digitales médicos y despliegue de robótica.
Especialmente, los eventos de esta semana fortalecieron la dirección donde “rendimiento del modelo” se vuelve menos importante que “operación y diseño de verificación” a largo plazo. En la siguiente etapa, es probable que marcos de verificación y reproducibilidad creados en cada dominio se referencien mutuamente, estableciéndose como “infraestructura de confianza transversal”.
6. Referencias
Este artículo fue generado automáticamente por LLM. Puede contener errores.