Equipo Platzi, me gustría aprender a desarrollar este tipo de cursos.
Carlos Bustillo
¿Qué cursos debo hacer para aprender a realizar este formato de cursos?
Aprender a evaluar riesgos éticos en IA empieza con detectar el daño invisible: esos efectos que nadie ve venir pero que afectan a personas reales. Piensa en alguien que le pide a un chatbot recetas bajas en azúcar. El sistema infiere una posible condición de salud, esa señal viaja por el ecosistema de datos de la empresa y termina influyendo en el precio de un seguro. Esa persona nunca supo que compartió datos médicos, nunca apareció en ninguna lista de afectados y aun así fue afectada. Si trabajas con datos o modelos de lenguaje grande, este marco te da claridad práctica.
El lente completo se apoya en tres preguntas simples pero potentes: a quién afecta, qué daño puede ocurrir y quién responde [00:44].
¿A quién afecta realmente un sistema de IA?
Cada vez que un sistema toca datos o un LLM, hay cinco capas de personas afectadas [00:56]. Y aquí viene lo interesante: no todas interactúan con el sistema de forma directa.
Para bajarlo a tierra, hazte cuatro preguntas: quién provee los datos, quién recibe el resultado, quién podría ser dañado si el modelo se equivoca y la más incómoda de todas, quién no tiene voz en este proceso [01:47].
¿Quiénes son los más afectados por los riesgos de IA? Suelen ser los grupos marginados, personas con baja alfabetización digital y culturas subrepresentadas. Son los más afectados y a la vez los menos visibles.
Un punto clave del ejercicio: no se hace después de construir, se hace antes [02:16].
¿Qué tipos de daño puede causar un modelo de IA?
Una vez que sabes quién está en juego, toca lo incómodo: qué puede salir mal [02:20]. Los daños se dividen en dos grupos que conviene separar.
¿Cuál es la diferencia entre daño directo e indirecto?
Los daños directos son visibles y medibles. Los indirectos son lentos y silenciosos, pero igual de reales.
Esa acumulación es lo que hace peligrosos a los daños indirectos: no explotan de golpe, se van sumando.
¿Quién responde cuando la IA falla?
Cuando algo sale mal, ¿a quién señalamos? Piénsalo como un accidente de auto [02:53]. No culpamos al auto, culpamos al conductor, al fabricante o a la autoridad. Con la IA pasa lo mismo.
Quien recopiló los datos responde por sesgos. Quien desplegó el modelo responde por su comportamiento. Quien decidió usarla responde por el contexto. La IA no es responsable, las decisiones humanas sí.
¿La inteligencia artificial es responsable de sus errores? No. La responsabilidad recae en las personas: quien recopiló los datos responde por sesgos, quien desplegó el modelo por su comportamiento y quien decidió usarlo por el contexto.
¿Qué diferencia hay entre riesgo de modelo, producto y proceso?
Muchos equipos dicen "falló el modelo", pero en realidad existen tres riesgos distintos [03:20]. Confundirlos hace que ataques el problema equivocado.
Cada etapa débil multiplica el daño en la siguiente, por eso el riesgo de proceso es tan traicionero.
¿Cómo redactar una nota de riesgos para un chatbot?
Imagina que vas a lanzar un chatbot de recursos humanos. Necesitas redactar una nota de riesgos de una página [04:11]. Piénsala como la etiqueta de un medicamento.
Debe incluir nombre y versión, uso previsto, nivel de riesgo, datos utilizados incluyendo si hay datos sensibles, riesgos identificados, población afectada, controles, riesgo residual, cumplimiento y algo clave: un dueño con nombre y fecha [04:29].
¿Qué debe tener cada riesgo bien documentado?
Cada riesgo tiene cuatro partes [04:39], y todas importan.
No sirve decir "revisamos el modelo y parece justo". Lo que debes informar es algo como "paridad demográfica 0,97 sobre 5.000 registros, auditado el 15 de abril" [05:26].
Un dato importante: muchos sistemas usan datos de chat para entrenamiento por defecto [05:39]. Lo que el usuario escribe se captura, se almacena a veces sin expiración y puede filtrarse en respuestas. La regla simple es tratar todo lo que entra a un chatbot como si fuera público.
Antes de avanzar, hazte estas tres preguntas: ¿está claro qué puede salir mal y a quién afecta?, ¿hay un responsable con nombre y apellido?, ¿hay un control concreto? [06:02]. Si te falta uno, no se avanza.
Ahora te dejo un caso para practicar. Sofía, de México, quiere implementar un chatbot interno que responde sobre salarios, evaluaciones de desempeño e historial laboral, conectado a documentos internos. Identifica al menos dos riesgos concretos, define a quién afectan y propone un control verificable. Déjame tu análisis o un caso real que hayas tenido en los comentarios.
Aprender a evaluar riesgos éticos en IA empieza con detectar el daño invisible: esos efectos que nadie ve venir pero que afectan a personas reales. Piensa en alguien que le pide a un chatbot recetas bajas en azúcar. El sistema infiere una posible condición de salud, esa señal viaja por el ecosistema de datos de la empresa y termina influyendo en el precio de un seguro. Esa persona nunca supo que compartió datos médicos, nunca apareció en ninguna lista de afectados y aun así fue afectada. Si trabajas con datos o modelos de lenguaje grande, este marco te da claridad práctica.
El lente completo se apoya en tres preguntas simples pero potentes: a quién afecta, qué daño puede ocurrir y quién responde [00:44].
Cada vez que un sistema toca datos o un LLM, hay cinco capas de personas afectadas [00:56]. Y aquí viene lo interesante: no todas interactúan con el sistema de forma directa.
Para bajarlo a tierra, hazte cuatro preguntas: quién provee los datos, quién recibe el resultado, quién podría ser dañado si el modelo se equivoca y la más incómoda de todas, quién no tiene voz en este proceso [01:47].
¿Quiénes son los más afectados por los riesgos de IA? Suelen ser los grupos marginados, personas con baja alfabetización digital y culturas subrepresentadas. Son los más afectados y a la vez los menos visibles.
Un punto clave del ejercicio: no se hace después de construir, se hace antes [02:16].
Una vez que sabes quién está en juego, toca lo incómodo: qué puede salir mal [02:20]. Los daños se dividen en dos grupos que conviene separar.
Los daños directos son visibles y medibles. Los indirectos son lentos y silenciosos, pero igual de reales.
Esa acumulación es lo que hace peligrosos a los daños indirectos: no explotan de golpe, se van sumando.
Cuando algo sale mal, ¿a quién señalamos? Piénsalo como un accidente de auto [02:53]. No culpamos al auto, culpamos al conductor, al fabricante o a la autoridad. Con la IA pasa lo mismo.
Quien recopiló los datos responde por sesgos. Quien desplegó el modelo responde por su comportamiento. Quien decidió usarla responde por el contexto. La IA no es responsable, las decisiones humanas sí.
¿La inteligencia artificial es responsable de sus errores? No. La responsabilidad recae en las personas: quien recopiló los datos responde por sesgos, quien desplegó el modelo por su comportamiento y quien decidió usarlo por el contexto.
Muchos equipos dicen "falló el modelo", pero en realidad existen tres riesgos distintos [03:20]. Confundirlos hace que ataques el problema equivocado.
Cada etapa débil multiplica el daño en la siguiente, por eso el riesgo de proceso es tan traicionero.
Imagina que vas a lanzar un chatbot de recursos humanos. Necesitas redactar una nota de riesgos de una página [04:11]. Piénsala como la etiqueta de un medicamento.
Debe incluir nombre y versión, uso previsto, nivel de riesgo, datos utilizados incluyendo si hay datos sensibles, riesgos identificados, población afectada, controles, riesgo residual, cumplimiento y algo clave: un dueño con nombre y fecha [04:29].
Cada riesgo tiene cuatro partes [04:39], y todas importan.
No sirve decir "revisamos el modelo y parece justo". Lo que debes informar es algo como "paridad demográfica 0,97 sobre 5.000 registros, auditado el 15 de abril" [05:26].
Un dato importante: muchos sistemas usan datos de chat para entrenamiento por defecto [05:39]. Lo que el usuario escribe se captura, se almacena a veces sin expiración y puede filtrarse en respuestas. La regla simple es tratar todo lo que entra a un chatbot como si fuera público.
Antes de avanzar, hazte estas tres preguntas: ¿está claro qué puede salir mal y a quién afecta?, ¿hay un responsable con nombre y apellido?, ¿hay un control concreto? [06:02]. Si te falta uno, no se avanza.
Ahora te dejo un caso para practicar. Sofía, de México, quiere implementar un chatbot interno que responde sobre salarios, evaluaciones de desempeño e historial laboral, conectado a documentos internos. Identifica al menos dos riesgos concretos, define a quién afectan y propone un control verificable. Déjame tu análisis o un caso real que hayas tenido en los comentarios.
Equipo Platzi, me gustría aprender a desarrollar este tipo de cursos.
Carlos Bustillo
¿Qué cursos debo hacer para aprender a realizar este formato de cursos?
¿Cómo evito daños invisibles en mi chatbot?
Para evitar que tu sistema genere consecuencias ocultas, debes mapear el ecosistema completo antes de escribir una sola línea de código. Imagina que tu chatbot es una piedra arrojada a un estanque; las ondas no solo mojan la piedra, sino que alteran toda el agua a su alrededor.
Debes evaluar cinco niveles de impacto: los usuarios directos que interactúan con la interfaz, los usuarios finales que reciben las consecuencias de las decisiones del sistema, los terceros cuyos datos alimentaron el modelo sin su permiso, la organización que asume el riesgo legal, y la sociedad que sufre los sesgos a gran escala.
La estrategia más efectiva es hacerte la pregunta incómoda: ¿Quién no tiene voz en este diseño? Generalmente, las minorías o personas con baja alfabetización digital son las primeras en sufrir daños indirectos, como la discriminación algorítmica. Al identificar a estos grupos vulnerables desde el inicio, puedes implementar filtros de privacidad y reglas de negocio que bloqueen inferencias peligrosas (como deducir el estado de salud a partir de una simple lista de compras).
En mi organización un equipo técnico va a realizar el despliegue de un recomendor de servicios y un asistente de IA. Sin embargo, antes de desplegarlo, levante la mano porque el mapeo de riesgos e impacto no es detallado y claro. Entonces, dado que la IA generativa es más compleja de parametrizar, es importante que el despliege se haga bajo una estrategía de Gobierno de IA en la que la nota de riesgos es esencial. Este curso en mi caso es excelente
¿Qué pasa si el modelo funciona perfecto?
Incluso si un modelo tiene una precisión técnica impecable, el sistema completo puede ser profundamente injusto o peligroso. Esto es lo que diferencia el riesgo de modelo del riesgo de producto.
Piensa en un sistema de reconocimiento facial de última generación que identifica rostros con un 99.9% de exactitud. Técnicamente, el modelo es perfecto. Sin embargo, si decides implementar ese sistema para escanear a todas las personas que caminan por una plaza pública sin su consentimiento, estás cometiendo un error de diseño de producto. Estás violando la privacidad a escala masiva, independientemente de lo bien que funcione la matemática detrás de la red neuronal.
El éxito técnico no garantiza el éxito ético. Por eso, las decisiones de diseño, el contexto en el que se despliega la herramienta y la forma en que los usuarios interactúan con ella son tan críticos como el entrenamiento del algoritmo. Un modelo perfecto usado en el contexto equivocado es, en la práctica, un sistema fallido que generará daños reputacionales y legales.
Un control clave, es que para entrar al chatbot debe entrar con las credenciales unicas del usuario, si es posible con credenciales biometricas. Se debe registrar desde que terminar se ha tenido acceso al chatbot y ese usuario, solo puede tener acceso a sus datos y registros, parciales y el contenido de dicho chatbot, no debe poder ser imprimible, ni permitir la copia de pantalla, todo solicitud de documentos, debe solicitarse por los canales convencionales.
Enseña una metodología de gobernanza y documentación (quién es responsable, qué riesgos documentar). Aparenta enseñar a "detectar daños invisibles", pero omite técnicas de auditoría algorítmica, análisis de sesgos en embeddings o pruebas de robustez, limitándose a una gestión burocrática del riesgo.
Falla al no distinguir entre "riesgo percibido" y "daño técnico". Presenta la responsabilidad como un ejercicio de asignar nombres, ignorando que en sistemas complejos la responsabilidad suele estar diluida por diseño. Riesgo pedagógico: inducir a la falsa sensación de seguridad mediante la documentación (la "nota de riesgos") sin implementar controles técnicos reales.
Pregunta: ¿Cómo se valida el control de "paridad demográfica" si los datos de entrenamiento son inherentemente sesgados? Respuesta: Mediante técnicas de re-ponderación (re-weighting) o post-procesamiento de salidas. Elemento: Control medible y verificable. Importancia: Evita la discriminación sistémica. Aplicación: Auditoría de modelos de crédito. Ejemplo: Ajuste de umbrales de decisión para igualar tasas de aprobación. Rigor: Revela que la clase ignora la complejidad de los datos sesgados. Aporte: Introduce el concepto de mitigación técnica.
Pregunta: ¿Es suficiente la "nota de riesgos" para mitigar el riesgo de proceso en sistemas de aprendizaje continuo? Respuesta: No, requiere monitoreo automatizado de drift y re-entrenamiento supervisado. Elemento: Riesgo de proceso. Importancia: Los modelos cambian con el tiempo. Aplicación: Sistemas de recomendación. Ejemplo: Monitoreo de drift en e-commerce. Rigor: La clase sobreestima la documentación. Aporte: Diferencia entre riesgo estático y dinámico.
Pregunta: ¿Qué sucede cuando el "dueño" del riesgo no tiene capacidad técnica para auditar el modelo? Respuesta: Se genera un riesgo de gobernanza; se requiere una figura de AI Auditor independiente. Elemento: Dueño con nombre y apellido. Importancia: Evita la negligencia por ignorancia. Aplicación: Implementación de IA en sector público. Ejemplo: Auditoría externa de algoritmos de justicia. Rigor: Expone la debilidad de la estructura de responsabilidad. Aporte: Necesidad de roles interdisciplinarios.
Pregunta: ¿Cómo se aplica la "regla de tratar todo como público" en entornos de privacidad estricta (HIPAA/GDPR)? Respuesta: Mediante técnicas de anonimización, differential privacy o despliegue on-premise. Elemento: Datos de chat para entrenamiento. Importancia: Protección de datos sensibles. Aplicación: Salud digital. Ejemplo: Chatbots médicos en hospitales. Rigor: La clase es demasiado simplista. Aporte: Introducción a la privacidad técnica.
Pregunta: ¿Es el daño reputacional por deep fake mitigable solo con procesos humanos? Respuesta: No, requiere marcas de agua digitales () y detección de procedencia. Daño reputacional. Integridad de la información. Medios de comunicación. Verificación de contenido generado por IA. La clase ignora soluciones tecnológicas. Necesidad de herramientas de autenticación.
Fenómeno raro que pasa, el precio dinámico ,
creo el ejemplo va asi poner que te gusta algo o comprar algo muy relacionado, hace que los precios en oferta para ti sean relativamente mas elevados para ti (menos descuento) que para otra persona cuando se preguntan , o miran web de consultas de precios.
quiero aprender la inteligencia
Quiero aprender algo nuevo
Debes redactar esta nota antes de comenzar a construir o integrar cualquier modelo, nunca como un parche de último minuto. Piensa en esta nota como la etiqueta de advertencia de un medicamento: los científicos no inventan la pastilla, la venden y luego investigan qué efectos secundarios causó. Todo eso se define en la fase de laboratorio.
En el desarrollo de software con LLMs, esta nota de una página actúa como tu contrato de viabilidad. Si durante la planificación no puedes definir claramente un riesgo concreto, identificar a la población afectada, nombrar a un responsable directo y establecer un control verificable, el proyecto debe detenerse.
Hacerlo al principio evita el riesgo de proceso, que es cuando los errores pequeños (como datos mal etiquetados o falta de monitoreo) se acumulan como una bola de nieve. Si esperas a tener el chatbot listo para pensar en la ética, los costos de reingeniería serán altísimos y es muy probable que los datos sensibles ya se hayan filtrado en los pesos del modelo.
Quien redacta este documento ? Negocio ? Riesgo ? IA Gob ?
Riesgos:
El empleado tenga total acceso; hay información sensible o personal expuesta o usada para otros fines, ejecutar trámites sin autorización.
El empleado es quien valida, autoriza y ejecuta; puede cometer sesgos u omitir información que va en contra de la ética.
Afectado:
Los servidores o trabajadores de la entidad.
Las personas que usan los servicios .
Control Verificable:
Aplicar mínimo privilegio
Asignación de roles diferenciados
Riesgo: Filtración de información, cruce de datos que implica dar información cruzada.
Afectados: Empleados, Recursos Humanos, Compañía, Sociedad.
Control verificable. Solicitar 3 datos únicos, para validar identidad.
Riesgos: Filtración de inforamción a personal fuera de la organización. Filtración de información sensible de los empleados a otros empleados. Afectados: Empleados, Empresa como tal Control Verificable: Chatbot solo puede ser accesado con una contraseña o MFA. Chatbot tiene una base de conocimiento que not contiene información sensible. Chatbot solo responde preguntas de información de quien pregunta.
Riesgo en ejercicios es para:
Venga a darle con todo
📚 CLASE: Cómo detectar daños invisibles de la IA
━━━━━━━━━━━━━━━━━━
🎯 IDEA PRINCIPAL
La IA puede causar daños aunque funcione técnicamente bien y nadie los detecte inicialmente.
El análisis debe hacerse antes de construir: identificar afectados, daños posibles y responsables.
━━━━━━━━━━━━━━━━━━
⚡ RESUMEN ULTRA RÁPIDO
🔵 No analices solo al usuario: considera usuarios directos, afectados indirectos, terceros, organizaciones y sociedad.
🟡 Los daños indirectos son peligrosos porque se acumulan lentamente y pueden pasar desapercibidos.
🔴 Un modelo correcto puede producir un sistema injusto si el producto o contexto están mal diseñados.
🟡 La responsabilidad no pertenece a la IA: corresponde a quienes recopilan datos, despliegan y deciden usarla.
🟢 Documenta cada riesgo con afectado, daño, responsable y control verificable.
━━━━━━━━━━━━━━━━━━
🔑 LO IMPORTANTE
🟡 Pregunta siempre quién no tiene voz en el diseño; ahí suelen aparecer los daños invisibles.
🔵 Los cinco grupos afectados son: usuarios directos, usuarios finales, terceros, organizaciones y sociedad.
🔴 No confundas riesgo de modelo con riesgo de producto: pueden requerir soluciones completamente diferentes.
🔵 Riesgo de modelo = error técnico; riesgo de producto = decisión incorrecta de diseño.
🔵 Riesgo de proceso = fallos acumulativos en datos, evaluación, despliegue o monitoreo.
🔴 Decir “la IA puede fallar” no sirve como evaluación de riesgo; necesitas un escenario concreto.
🟡 Un control debe ser medible y verificable, no una afirmación subjetiva de que “todo está bien”.
🔴 Trata lo introducido en un chatbot como potencialmente público cuando no tengas garantías claras sobre su tratamiento.
━━━━━━━━━━━━━━━━━━
🧩 MODELO MENTAL
🔵 Afectados → Daño → Responsable → Control → Riesgo residual
🟢 Antes de lanzar cualquier sistema, recorre esta cadena y detén el avance si falta algún elemento.
━━━━━━━━━━━━━━━━━━
🚀 ACCIONES PARA HOY
🟢 Elige uno de tus proyectos con IA y enumera las cinco capas de personas potencialmente afectadas.
🟢 Escribe tres escenarios concretos donde tu sistema podría perjudicar a alguien.
🟢 Clasifica cada escenario como modelo, producto o proceso.
🟢 Asigna un responsable específico a cada riesgo, evitando nombres genéricos como “el equipo”.
🟢 Define un control que puedas medir, comprobar y auditar posteriormente.
━━━━━━━━━━━━━━━━━━
🟣 VENTAJA PROFESIONAL
🟣 En proyectos reales, una nota de riesgos convierte preocupaciones éticas abstractas en decisiones gestionables.
🟣 Un desarrollador profesional no pregunta solamente “¿funciona?”, sino también “¿para quién puede fallar y qué ocurre después?”.
🟣 Añadir esta evaluación antes del desarrollo puede descubrir problemas de privacidad, diseño y gobernanza mucho antes del lanzamiento.
🟣 Hack: separa siempre modelo → producto → proceso; así evitas intentar solucionar con código un problema causado por decisiones de negocio.
━━━━━━━━━━━━━━━━━━
📝 CIERRE
🟡 El principiante evalúa si el modelo funciona; el profesional evalúa qué consecuencias produce el sistema completo.
🟢 La próxima vez que construyas con IA, no empieces preguntando “¿cómo lo implemento?”. Empieza preguntando “¿a quién podría perjudicar?”.
━━━━━━━━━━━━━━━━━━
Ok
La responsabilidad de la inteligencia artificial recae de manera absoluta en las decisiones humanas de diseño, proceso y gobierno, no en la tecnología.
La IA no se equivoca sola; fallan el diseño, los datos y el proceso. Gobernar la IA exige nombres, fechas y métricas, no excusas.
Culpar al modelo por un fallo de IA es ignorar la cadena de decisiones humanas que lo crearon. Los errores no se limitan al código (riesgo de modelo); nacen en la concepción del sistema (riesgo de producto) y se agravan en la falta de supervisión continua (riesgo de proceso). Para evitar catástrofes de privacidad o discriminación, cada proyecto debe tratarse como un fármaco: con una etiqueta clara que defina el uso previsto, la población expuesta, un dueño nominal responsable y controles cuantitativos auditables. Si no puedes medir el control o no hay un responsable con nombre y apellido, el proyecto no debe avanzar.
Le permite posicionarse como un líder estratégico e indispensable en la era de la transformación digital, capaz de tender un puente entre la innovación tecnológica, la ética corporativa y el marco legal. Domina el arte de implementar IA de manera segura, protegiendo a la organización contra riesgos reputacionales y financieros, mientras construye sistemas transparentes, eficientes y verdaderamente confiables.

· Riesgo concreto: Las conversaciones que contienen datos sensibles (como justificantes médicos, solicitudes de aumentos o quejas laborales) ingresadas por los empleados son capturadas y utilizadas por defecto para el entrenamiento continuo del modelo, filtrándose posteriormente en respuestas generadas a otros usuarios.
· Daño y población afectada:
o Afectados: Toda la plantilla de empleados que interactúa con el chatbot.
o Gravedad: Crítica. Violación de la normativa de protección de datos personales, fuga de información confidencial y exposición irrecuperable de datos privados.
· Dueño: María Irastorza (Líder del Proyecto de Implementación de IA).
· Control verificable:
Configuración de API en modo "Zero Data Retention" (ZDR) con el proveedor del modelo, sumado a un filtro previo (pii-sanitizer) en el pipeline de entrada que anonimiza RFC, CURP, montos y nombres antes de procesar el prompt.
Métrica/Evidencia: Cobertura de anonimización de datos PII $= 99.8\%$ en dataset de validación de $3,000$ conversaciones. Cero retención confirmada por contrato y auditoría de logs del 20 de junio.
Alucinación en historial laboral que afecte promociones (Riesgo de Modelo/Proceso)
Riesgo concreto: Un gerente de área consulta el chatbot para revisar el historial laboral de un empleado de cara a un ascenso. El modelo, al cruzar documentos (RAG), "alucina" o mezcla el contexto y le atribuye al empleado una advertencia disciplinaria o una baja calificación de desempeño que en realidad pertenece a otra persona con un nombre similar o del mismo departamento, ignorando que en sistemas complejos la responsabilidad suele estar diluida por diseño..
Población afectada:
Usuario final (el empleado evaluado): Es el más perjudicado, ya que sufre un daño directo en su desarrollo profesional y económico (pierde el ascenso) basado en información falsa, muchas veces sin saber por qué fue rechazado.
Usuario directo (el gerente): Toma una decisión de negocio sesgada e incorrecta, confiando ciegamente en la herramienta.
Control verificable:
Dueño: Gerente de Operaciones de RR.HH. (o líder de IA Interna).
Control: Obligación técnica de cita de fuentes (Grounding estricto). El chatbot no puede generar una respuesta de evaluación sin incluir un enlace directo al documento PDF/registro original inalterable. Además, se añade un descargo de responsabilidad en la interfaz que obliga al gerente a verificar la fuente antes de tomar decisiones vinculantes.
Métrica a reportar: "Configuración de temperatura del LLM en 0.0. Tasa de precisión de recuperación de datos (RAG) del 99.8% sobre un conjunto de prueba de 2,000 consultas históricas. Auditoría de calidad de respuestas realizada el 1 de junio."
Como bien señalas, si en este escenario no supiéramos a quién reclamar si el gerente toma una mala decisión, o si no pudiéramos medir la precisión de las respuestas del bot, el proyecto simplemente no debería salir a producción.