AgentStack Daily: Lectura de lanzamiento de Agent Stack: OpenClaw v2026.8.2

Episodio 110 — 3 de septiembre de 2026

[00:00] Gancho del episodio

Informe de Lanzamiento de Agent Stack: OpenClaw v2026.8.2 lidera el día: v2026.8.2 trae cambios concretos a las superficies que los constructores usan todos los días, con los detalles a continuación. También en la programación de hoy: Qwen Team hace código abierto de zg, una Capa de Búsqueda Local-First para Agentes, OpenClaw 2.0 viste un arnés de agente pero deja a los usuarios con la bolsa de seguridad, Astra de OpenAI supera la barra crítica de ciberseguridad interna bajo el Marco de Preparación, además del resto de un ciclo de noticias denso en modelos, herramientas e infraestructura. Cada historia recibe el mismo tratamiento — qué se publicó, el mecanismo subyacente y qué cambia para los constructores que trabajan.

[02:00] Informe de Lanzamiento de Agent Stack: OpenClaw v2026.8.2

OpenClaw v2026.8.2 se lanzó el 1 de septiembre de 2026, y el cambio principal es que el agente ahora tiene un hogar real en Linux. Los constructores en máquinas x86-64 pueden instalar un .deb o un AppImage, conectarlo a un Gateway local o remoto, y abrir Quick Chat directamente desde la bandeja del sistema o un atajo de teclado X11. Las actualizaciones de AppImage se verifican mediante firma, mientras que las instalaciones .deb se mantienen bajo tu gestor de paquetes.

El agente Home ahora puede acoplarse junto a tu trabajo. Presiona Cmd o Ctrl+Shift+H para abrir Home en un dock lateral o inferior, mantener visible la página que estás leyendo, previsualizar o eliminar la instantánea del contexto de trabajo que el agente adjuntó, o extraer texto seleccionado directamente a tu mensaje.

Varios cambios más pequeños hacen que el uso diario sea menos frágil. Las sesiones en segundo plano pueden iniciarse desde el diálogo Nueva Sesión con una ubicación local, en la nube o de dispositivo vinculado seleccionada, y volver a abrirse desde la notificación de finalización. La recuperación de actualización preserva configuraciones más recientes, aborta migraciones de sesión incompletas antes de reclamar éxito, y restaura un Gateway detenido después de una actualización fallida cuando el paquete instalado o la reversión se verifican como seguros. Las respuestas ahora esperan que el trabajo de herramientas se resuelva para devolver una respuesta final y mostrar errores después de una intervención completada, corrigiendo conversaciones que solían detenerse en la salida de herramientas o una primera confirmación. La salida de voz mantiene el razonamiento interno fuera del habla y preserva el audio generado por herramientas a través de la entrega.

La automatización del navegador también se volvió más flexible. Las compilaciones de extensión de Chrome compatibles con macOS y Linux ahora pueden activar su relé local vinculado para clientes CDP autenticados, por lo que el Gateway no necesita estar en ejecución. El lanzamiento termina con cuatro nuevos temas de UI de Control — CRT, Manuscript, Rosé y Miami — cuyas opciones persisten sin conexión y se aplican sin mostrar el tema incorrecto al recargar.

[02:46] Qwen Team hace código abierto de zg, una Capa de Búsqueda Local-First para Agentes

El 2 de septiembre, los Desarrolladores de Qwen hicieron código abierto una pieza pequeña pero silenciosamente útil de plomería llamada zg, o zvec-grep, lanzada bajo Apache 2.0 y apuntando directamente al público local-first.

El propuesta es simple. Hoy, hacer que un agente encuentre algo en una base de código generalmente significa unir ripgrep para texto exacto, BM25 para ranking de palabras clave, y búsqueda vectorial para coincidencias aproximadas basadas en significado. zg envuelve los tres detrás de una única interfaz, para que un agente pueda tomar una solicitud en lenguaje natural, enrutarla al modo de recuperación correcto, y volver con el rango exacto de línea donde vive la respuesta, en lugar de una lista de coincidencias vaga.

Tres decisiones de diseño lo hacen sentir como una herramienta de IA local en lugar de un wrapper de nube. Primero, el catálogo de embeddings vive en el dispositivo, por lo que el índice semántico nunca deja tu máquina. Segundo, la superficie estilo MCP es deliberadamente pequeña, lo que significa que un agente no necesita un manifiesto de herramientas extenso para usarla. Tercero, y quizás lo más importante, hay una puerta de autorización explícita sentada entre tu contenido local y cualquier modelo remoto, decidiendo qué piezas de tus archivos se les permite leer o enviar en absoluto.

Para los constructores, el efecto práctico es que una llamada de herramienta puede reemplazar una cadena de búsquedas grep, de palabras clave y semánticas, y el resultado vuelve como una cita legible en lugar de una suposición. La capa de autorización es la parte a estudiar si te importa mantener el contenido local sensible de filtrarse a un modelo de nube mientras permites que un agente razone sobre tus archivos.

Lo que hay que observar a continuación es la adopción. zg es de código abierto y la interfaz es deliberadamente mínima, por lo que la pregunta es si otros marcos de agentes e IDEs locales lo conectan como un backend de búsqueda predeterminado, o si permanece como un experimento del lado de Qwen.

[04:37] OpenClaw 2.0 viste un arnés de agente pero deja a los usuarios con la bolsa de seguridad

OpenClaw lanzó la versión 2.0 de su arnés de agente el 31 de agosto, y la actualización se está leyendo menos como una corrección que como una capa fresca de pintura. La cobertura de The Register enmarca el lanzamiento como verter purpurina en un incendio de contenedores de seguridad que arde lentamente, y la sustancia detrás de la metáfora es concreta: la versión 2.0 suaviza la instalación y envuelve la interfaz existente en una nueva capa, mientras deja la mayor parte de la responsabilidad de seguridad en quien lo ejecuta.

Esa es la tensión con la que los constructores deberían sentarse antes de actualizar. Una configuración de menor fricción y una superficie más ordenada no cambian lo que el arnés hace debajo, y no transfieren quién es responsable cuando algo sale mal. La lectura de The Register es que OpenClaw 2.0 facilita que más personas instalen un arnés de agente cuya postura de seguridad no ha cambiado significativamente, lo cual es una receta para más incidentes en lugar de menos.

Para cualquiera que ya esté ejecutando OpenClaw en un flujo de trabajo serio, la pregunta práctica no es si la instalación se vuelve más amigable. Es si las partes de tu postura de seguridad que dependes del arnés para soportar todavía mantienen la misma forma que tenían antes de la actualización. Un flujo de incorporación más elegante es una mejora real del producto, pero no es lo mismo que una más segura, y la actualización no parece agregar el tipo de guardrails que permitiría a un usuario casual entregar al arnés trabajo sensible sin pensar en ello.

[06:07] Astra de OpenAI supera la barra crítica de ciberseguridad interna bajo el Marco de Preparación

El modelo Astra de OpenAI es el primero en cumplir con el umbral de capacidad de ciberseguridad Crítica bajo el Marco de Preparación de la empresa, el sistema interno de OpenAI para clasificar qué tan peligroso podría ser un modelo en categorías de riesgo específicas antes de enviarlo. Alcanzar el nivel Crítico significa que los revisores de OpenAI juzgaron que las capacidades cibernéticas de Astra eran lo suficientemente altas como para activar salvaguardas previas al lanzamiento más fuertes.

Esto importa porque el Marco de Preparación es la forma estructurada de OpenAI para decidir cuándo un modelo es lo suficientemente poderoso en un área de riesgo — como ciberseguridad, CBRN, persuasión o autonomía — para necesitar barreras de protección adicionales antes de una disponibilidad más amplia. Alcanzar el nivel Crítico en ciberseguridad es el escalón más alto en esa categoría y obliga a OpenAI a aplicar protecciones más estrictas antes de un acceso más amplio.

El anuncio no detalla las salvaguardas específicas, por lo que los constructores y clientes empresariales deben estar atentos a publicaciones complementarias que cubran cómo se ven esas protecciones en la práctica, cómo cambia el acceso a Astra y si alguna restricción de implementación se aplica a cargas de trabajo relevantes para ciberseguridad. La discusión en Hacker News sobre la publicación, con 172 puntos, sugiere que la comunidad de desarrolladores está evaluando activamente lo que la clasificación Crítica significa realmente para el uso posterior.

Por ahora, la conclusión práctica es gobernanza, no capacidad: OpenAI está señalando que sus propios revisores creen que Astra ha cruzado un umbral de ciberseguridad significativo, y el siguiente paso concreto es leer las salvaguardas y los términos de acceso cuando se publiquen.

[07:30] Perplexity Lanza Hybrid Compute en Mac: Planes en la Nube, Ejecución Local

Perplexity lanzó Hybrid Compute en Mac esta semana, y el enfoque es inusual: en lugar de pedir a los usuarios que elijan entre un modelo en la nube y un modelo local, el agente de computadora de la empresa ahora usa ambos dentro de una sola tarea.

Así funciona. Un modelo de frontera ejecutándose en la nube de Perplexity maneja el razonamiento, la planificación y la orquestación — las partes de un trabajo donde la escala y la capacidad importan más. Un modelo ejecutándose localmente en el Mac del usuario maneja las partes que tocan contexto privado: documentos en disco, archivos locales, cualquier cosa que el usuario no haya autorizado explícitamente para subir. Una puerta del lado del dispositivo decide qué pasos se enrutan al modelo local, para que el contenido privilegiado pueda permanecer en el Mac.

La motivación que destaca Perplexity es estructural. Los asistentes agenticos son más útiles en tareas que involucran el propio contexto de un usuario — documentos de negocios, archivos privilegiados, registros de clientes — pero ese mismo contexto es lo que los usuarios razonablemente se niegan a enviar a un endpoint remoto. Hybrid Compute busca disolver ese compromiso al hacer que la ruta local sea la predeterminada para pasos sensibles.

Para constructores y trabajadores del conocimiento, la implicación práctica es que los flujos de trabajo sobre material privado ahora pueden mantener el razonamiento pesado en la nube mientras que el contacto con archivos sucede en el dispositivo. Una cosa que vale la pena observar es qué tan transparente resulta el enrutamiento — si los usuarios pueden ver, por tarea, qué pasos se ejecutaron localmente y cuáles en la nube, y cómo la puerta maneja contenido ambiguo como un documento que mezcla información pública y privada.

[09:06] PhoneLLM de Pipecat se Posiciona como un Modelo de Agente de Voz de Peso Abierto sobre una Base Nemotron MoE

Un nuevo modelo de peso abierto está escalando la lista de tendencia de Hugging Face. PhoneLLM, publicado por pipecat-ai, ha superado aproximadamente 11,500 descargas y 200 me gusta desde su lanzamiento el 24 de agosto, y está avanzando porque es uno de los primeros modelos de generación de texto explícitamente etiquetados para cargas de trabajo de agente de voz y teléfono.

Las etiquetas de arquitectura cuentan la historia. PhoneLLM está construido sobre la familia Nemotron de Nvidia, específicamente la variante nemotron_h, y usa un diseño de mezcla de expertos, lo que significa que solo una porción de los parámetros se activa por token, lo cual intercambia un mayor conteo total de parámetros por un menor cómputo por consulta. El modelo viene en los formatos estándar transformers y safetensors, por lo que se integra en las mismas cadenas de herramientas de inferencia local que los constructores ya están ejecutando para LLMs de peso abierto de propósito general.

Lo que hace que esto sea tendencia en lugar de solo otro rediseño de Nemotron es el enfoque de aplicación. Los agentes de teléfono necesitan respuestas cortas y estructuradas, presupuestos de latencia ajustados y manejo confiable de interrupciones, transferencias y llenado de espacios, problemas que los modelos de chat de propósito general solo resuelven con instrucciones extensas. Un modelo ajustado para esa superficie es la capa intermedia que falta para pilas de agente de voz totalmente locales, ubicada entre el reconocimiento de voz y la síntesis de voz sin pagar una API alojada por el cerebro de lenguaje.

Para constructores, el efecto práctico es que el espacio del LLM en una tubería de STT a LLM a TTS ahora tiene una opción abierta especializada en agente de voz en lugar de un modelo de chat general con un largo prompt de sistema. Vale la pena observar a continuación si Pipecat lanza una variante cuantizada, ya que la mayor adopción de IA local despega una vez que aterriza un punto de control más pequeño y amigable.

[10:38] NBA 2K27 Lleva el Renderizado Neuronal DLSS 5 de NVIDIA a GeForce NOW

NBA 2K27 es la estrella del lanzamiento de septiembre de GeForce NOW de NVIDIA, y viene con una característica que nunca ha aparecido en un título de deportes en vivo: DLSS 5 con renderizado neuronal guiado en 3D. NVIDIA construyó la característica en estrecha colaboración con Visual Concepts y 2K, ajustándola específicamente para la cancha de baloncesto. El resultado es un nivel de iluminación y detalle de materiales fotorrealista que las tuberías de renderizado tradicionales luchan por igualar en tiempo real.

GeForce NOW agrega 28 juegos en total este mes, pero el debut de DLSS 5 es lo que hace que este lanzamiento importe. El renderizado neuronal guiado en 3D significa que la iluminación y el comportamiento de las superficies se infieren a través de una red neuronal en lugar de ajustarse manualmente por material, permitiendo que el juego impulse detalles fotorrealistas sin el costo por cuadro que llevaría una tubería tradicional. Para un título de movimiento rápido como una simulación de baloncesto, esa compensación es todo el juego.

La consecuencia práctica: cualquiera que transmita a través de GeForce NOW puede probar DLSS 5 en NBA 2K27 sin poseer hardware RTX local, lo cual es un cambio significativo. Hasta ahora, las demostraciones de renderizado neuronal típicamente asumían una GPU de escritorio. La entrega en la nube cambia completamente la audiencia.

Vale la pena observar a continuación cuántos de los otros 27 títulos de septiembre adoptan DLSS 5, y si el trabajo de ajuste de Visual Concepts se convierte en una plantilla de referencia para otros estudios de deportes. Por ahora, la cancha es el escaparate.

[12:01] Una Ejecución de Entrenamiento de Transformer de 90 Minutos Supera a Muchos LLMs en ARC-1

Durante el fin de semana, una sola publicación de blog generó una de las discusiones de IA más intensas de la temporada. Titulada "Entrené un pequeño transformer en 1.5 horas y supera a muchos LLMs," la descripción de mvakde mostró un recorrido de entrenamiento corto que superó a modelos de lenguaje grandes en rompecabezas de razonamiento visual ARC-1.

La publicación, alojada en mvakde.github.io, alcanzó una puntuación de 660 en Hacker News con un hilo paralelo en Lobsters poco después de su publicación. La premisa es simple: un pequeño transformador, con apenas noventa minutos de entrenamiento, resolvió los rompecabezas de cuadrícula ARC-1 lo suficientemente bien como para superar a muchos LLM con órdenes de magnitud más parámetros.

ARC-1 le pide a un modelo que observe algunas transformaciones de cuadrícula de ejemplo, infiera la regla y la aplique a una nueva cuadrícula, una tarea que históricamente ha sido difícil para los enfoques basados únicamente en escala. Un breve entrenamiento que produce un modelo competitivo sugiere que la arquitectura adecuada y la receta de entrenamiento pueden sustituir al simple conteo de parámetros en tareas que requieren razonamiento, al menos en un dominio limitado.

Para los desarrolladores, esto es un recordatorio de que los ciclos de entrenamiento enfocados, breves y económicos en arquitecturas diseñadas específicamente siguen siendo una alternativa creíble frente a llamar a una API de frontera. Lo que hay que observar es si el resultado sobrevive la replicación y si la receta se generaliza a otros puntos de referencia de razonamiento visual.

[13:19] Grok 4.6 lidera una prueba independiente de biología-seguridad

El evaluador independiente de bioseguridad LatchBio publicó resultados esta semana que muestran que Grok 4.6 es el único modelo de frontera que supera dos barras simultáneamente: rechazar de manera confiable tareas de biología peligrosa disfrazadas mientras completa investigación ordinaria. En la suite BioSecBench-Refusal de LatchBio, que mezcla 46 tareas de red-team ocultas dentro de archivos que parecen ciencia normal con trabajo biológico rutinario extraído de literatura publicada, Grok 4.6 ocupó los tres primeros lugares en diferentes agent harnesses y promedió 62.1%. La puntuación es una media armónica ponderada por ensayo de la tasa de rechazo y cumplimiento de tareas. De forma independiente, Grok 4.6 rechazó el 59.2% de las consultas de red-team y completó el 64.8% de las rutinarias.

Lo que hace eso difícil es el diseño de la prueba. Las tareas de red-team ocultan su peligro en archivos con etiquetas incorrectas, datos científicos adjuntos u ofuscación intencional en lugar de usar palabras clave obvias como patógeno o toxina. Un modelo que solo busca palabras clave por patrón bloqueará demasiado trabajo legítimo o pasará por alto las indicaciones peligrosas. Los rastros de evaluación de LatchBio muestran que Grok 4.6 razona sobre el contenido de la tarea y su entorno antes de decidir, detectando discordancias entre la intención declarada y lo que los datos realmente contienen, y rechazando solo cuando la intención parece de alto riesgo.

En BioSecBench-Surveillance, que prueba flujos de trabajo de vigilancia genómica de patógenos utilizados en el monitoreo de salud pública, Grok 4.6 promedió 53.5%, por detrás de Opus 5 pero superando a GPT-5.6 Sol. xAI enmarca el resultado como un salto material de capacidad sobre Grok 4.5 y 4.3 en rechazo y trabajo de bioseguridad, y describe salvaguardas por capas: entrenamiento de rechazo en inferencia de intención, filtros en tiempo de inferencia que bloquean solicitudes dañinas antes de que lleguen al modelo, controles de comportamiento y monitoreo a nivel de sesión posterior al despliegue. LatchBio ejecutó agentes en sus niveles de esfuerzo más altos ofrecidos para mantener la comparación justa.

[15:00] Cómo el bufete de abogados Gilbert + Tobin gobierna y escala la IA con OpenAI

El bufete de abogados Gilbert + Tobin ha implementado ChatGPT Enterprise y Codex en toda la práctica, anclado en tres pilares: un compromiso liderado por el CEO hacia la IA, reglas formales de gobernanza y una capa de responsabilidad humana. OpenAI presentó el enfoque de la firma como una historia de cliente el 1 de septiembre, enmarcando la implementación como un problema de escalamiento resuelto por reglas centralizadas en lugar de adopción equipo por equipo. El mecanismo es un límite legal o de política, no un cambio de API. Los hechos de origen definen lo que se propuso, decidió o stated sin convertir eso en ley universal. Los desarrolladores deben rastrear el cambio concreto de regla, fallo o acceso y evitar cambiar un producto basándose solo en un titular.

[15:41] Los principales proyectos de código abierto de IA intercambian PRs comunitarios por fábricas de agentes

El AI SDK de Vercel, Astro, Flue y tldraw están cambiando silenciosamente cómo funciona el código abierto para herramientas de IA. En lugar de clasificar las solicitudes de extracción de la comunidad, estos proyectos están canalizando correcciones y funciones a través de lo que Latent Space llama "fábricas de software", equipos coordinados de agentes de IA que manejan el trabajo mecánico.

El titular de Latent Space captura el cambio directamente: "PRs no bienvenidos". Cada uno de estos proyectos está tratando con miles de contribuyentes, y el proceso tradicional de revisión ya no escala. El enfoque de fábrica invierte el trato habitual del código abierto. En lugar de que los mantenedores evalúen cada PR pasajero a mano, los equipos de agentes aplican los parches ellos mismos y presentan solo las decisiones significativas a los humanos.

Para los desarrolladores, la lección práctica es simple. Si has estado planeando enviar una pequeña corrección a uno de estos repos, espera un camino de revisión mucho más largo, o ninguno en absoluto. La superficie de contribución se está desplazando de las solicitudes de extracción humanas a cualquier pipeline que cada proyecto configure alrededor de sus agentes.

Lo que hay que observar es si otros proyectos de IA de rápido movimiento copian el patrón. Una vez que un puñado de repos de alto perfil normalicen el mantenimiento impulsado por agentes, la expectativa para cada biblioteca de IA popular podría cambiar junto con ella.

[16:53] Muse Voice Transcribe de Meta combina tres trabajos de voz en un modelo en tiempo real

Meta Superintelligence Labs lanzó Muse Voice Transcribe esta semana, y el titular es estructural: combina tres trabajos que las pilas de voz de producción generalmente mantienen separados en un solo modelo autoregresivo.

En una tubería de voz en tiempo real típica, un sistema transcribe el audio, un segundo decide quién está hablando (diarización), y un tercer detector descubre cuándo el usuario realmente ha terminado su oración para que el agente pueda responder. Cada transferencia entre esos módulos añade latencia y otro modo de falla. El modelo de terminación, por ejemplo, puede decidir que el hablante ha terminado antes de que realmente lo haya hecho, cortando una oración a la mitad justo antes de que el agente responda.

Muse Voice Transcribe ejecuta los tres trabajos como un solo modelo de streaming. Meta lo describe como autoregresivo, lo que significa que predice el siguiente elemento en una secuencia, pero emite transcripción, etiquetas de hablante y señales de fin de enunciado juntas en lugar de pasar audio entre motores separados.

Para los desarrolladores, ese es el cambio práctico. Un agente de voz que anteriormente necesitaba tres modelos conectados juntos, más una capa de orquestación para gestionar las transferencias, ahora podría ejecutarse en una sola llamada de inferencia. Eso simplifica la pila y puede reducir el retraso de ida y vuelta que hace que los agentes conversacionales se sientan lentos.

Una cosa que vale la pena observar es cómo el modelo unificado maneja conversaciones desordenadas. Hablantes superpuestos, cambios rápidos de turno y palabras parciales son donde las tuberías de múltiples modelos a menudo fallan, y consolidar los trabajos concentra esos modos de falla en un solo lugar en lugar de distribuirlos entre etapas.

Eso es las noticias de Meta esta semana: un modelo, tres tareas de voz, menos transferencias.

[18:28] El Nuevo TTS Predeterminado de Gradium Alcanza el 81% en Oraciones Difíciles a 216 ms

Gradium AI lanzó un nuevo modelo predeterminado de texto a voz enfocado en el equilibrio velocidad-exactitud que frustra a los equipos de productos de voz. En su propia evaluación, el modelo alcanzó una tasa de aprobación del 81.0% calificada por humanos en un conjunto de 500 oraciones difíciles que cubre cinco idiomas, mientras que su tiempo P50 hasta el primer audio fue de 216 milisegundos en Coval, la plataforma de evaluación automatizada de agentes de voz.

Los casos difíciles en texto a voz son las oraciones que regularmente hacen tropezar a los modelos: números, abreviaciones, cambios de código, trabalenguas y nombres inusuales. Una tasa de aprobación superior al 80% en un conjunto difícil de cinco idiomas, combinada con una latencia inferior a un cuarto de segundo, posiciona al modelo como competidor para cualquier producto donde el audio demorado o distorsionado sea un factor crítico, desde asistentes en vehículos hasta soporte al cliente telefónico.

Debido a que Gradium publicó el conjunto de evaluación de 500 oraciones en Hugging Face bajo CC BY 4.0, cualquier equipo puede volver a ejecutar los mismos prompts contra su proveedor actual y el nuevo modelo para una comparación directa. La combinación de prompts de prueba abiertos, un número de latencia público y un lanzamiento de modelo predeterminado, en lugar de un nivel pago especializado, indica que la empresa está posicionando esto como la experiencia base, no como un complemento premium.

Lo siguiente que vale la pena observar es si el número de 216 ms se mantiene en redes móviles más lentas, y cómo son realmente los casos de falla en el 19% restante, ya que ese residuo es donde reside el riesgo real del producto.

[19:49] ATV Tour Reduce la Producción de Días a Horas con ChatGPT

ATV Big Air Tour, una empresa que organiza eventos de vehículos todo terreno, utilizó ChatGPT Work para comprimir significativamente las tareas empresariales comunes. Según un caso de estudio que OpenAI publicó el 2 de septiembre, la empresa redujo el trabajo que anteriormente requería tres días a solo tres horas. Más allá de las mejoras generales en marketing y mercancía, el equipo convirtió fotos de mercancía en un sitio web de inventario funcional en aproximadamente 15 minutos. OpenAI presentó esto como un ejemplo de cómo ChatGPT Work puede comprimir flujos de trabajo que consumen mucho tiempo en entornos empresariales prácticos. Las ganancias de eficiencia descritas aquí son específicas del caso de uso de esta empresa, y la fuente no proporciona detalles técnicos adicionales sobre qué funciones permitieron la generación rápida del sitio web o cómo se compararon los resultados con enfoques alternativos. Para los equipos que construyen herramientas de comercio electrónico, sistemas de catálogos o canales de mercancía para eventos, esto ilustra un solo punto de referencia para flujos de trabajo de fotos a sitios de productos, aunque los resultados individuales dependerán de la complejidad de los activos y la adecuación del flujo de trabajo.