Los antecedentes de la inteligencia artificial (IA) 2ª Parte

 

Nos quedamos en finales de los años 70 en el pasado artículo. Terminé mis estudios de Informática en 1988. Lo que sabía cuando terminñe quedó prácticamente en lo del artículo anterior.

 

Cuatro décadas de revoluciones silenciosas (1980–2026)

 

De los sistemas expertos que prometían Thinking Machines a los agentes autónomos que hoy gestionan flotas enteras de decisiones. Este es el relato completo de cómo la IA pasó de promesa fallida a tecnología omnipresente.

 

Introducción: el punto de partida en 1980

 

Cuando Ronald Reagan era presidente de Estados Unidos y la Unión Soviética aún existía, la inteligencia artificial ya llevaba tres décadas siendo un campo de investigación activo. Nacida formalmente en la conferencia de Dartmouth de 1956 —donde John McCarthy acuñó el término—, la IA había sobrevivido a su primer invierno (1974-1980), un período de frustración colectiva en el que las promesas grandiosas chocaron contra la realidad de unos ordenadores que apenas podían demostrar teoremas simples o entender frases de tres palabras.

 

En 1980, el panorama era el siguiente: los enfoques simbólicos dominaban la academia. Se trabajaba con lógica formal, árboles de búsqueda y heurísticas escritas a mano por programadores. Las redes neuronales existían como concepto —el perceptrón de Frank Rosenblatt databa de 1957— pero habían sido prácticamente enterradas tras el demoledor libro Perceptrons (1969) de Marvin Minsky y Seymour Papert, que demostró sus limitaciones para resolver problemas no lineales. El gasto mundial en investigación en IA rondaba los 500 millones de dólares anuales. Ninguna empresa del Fortune 500 tenía un equipo dedicado exclusivamente a la inteligencia artificial.

 

 

El salto que se produciría en los siguientes cuarenta y seis años no lo anticipaba nadie.

 

Los años 80: el invierno de la IA y la fiebre de los sistemas expertos

 

Los años ochenta trajeron un optimismo renovado de la mano de una idea concreta: los sistemas expertos. La premisa era elegante —codificar el conocimiento de un experto humano en un conjunto finito de reglas si-entonces— y encontró financiación generosa en la industria y los gobiernos.

 

2.1. Sistemas expertos: la gran apuesta comercial

 

En 1980, la empresa Xerox desarrolló LORIS, uno de los primeros sistemas expertos operativos en el ámbito de la logística. Ese mismo año, Digital Equipment Corporation (DEC) desplegó R1 (también conocido como XCON), un sistema experto que configuraba pedidos de ordenadores VAX. Para 1986, XCON procesaba miles de pedidos al año, ahorrando a DEC unos 40 millones de dólares anuales. Fue el caso de éxito más citado de la década.

 

En el ámbito médico, MYCIN (Universidad de Stanford, 1972-1980) demostró que un sistema basado en reglas podía razonar sobre diagnósticos de infecciones bacterianas. DENDRAL, desarrollado en Stanford entre 1965 y 1975, identificaba estructuras moleculares. HEARSAY, un sistema de comprensión del habla, introducía la idea de arquitectura de pizarra (blackboard) donde múltiples fuentes de conocimiento cooperaban.

 

Japón apostó fuerte con su proyecto Fifth Generation Computer Systems (FGCS), lanzado en 1982 con una financiación pública de 500 millones de dólares a lo largo de diez años. El objetivo era construir ordenadores capaces de manejar inferencia lógica a escala masiva. Aunque el proyecto no alcanzó sus metas ambiciosas, catalizó una carrera tecnológica global.

 

Machine learning embrionario y el retorno de las redes neuronales

 

Paralelamente, la investigación en redes neuronales no se detuvo. En 1986, David Rumelhart, Geoffrey Hinton y Ronald Williams publicaron el artículo «Learning Representations by Back-Propagating Errors» en Nature, popularizando y formalizando el algoritmo de retropropagación (backpropagation). El artículo demostró que las redes neuronales multicapa podían aprender representaciones internas útiles, resolviendo de facto las limitaciones que Minsky y Papert habían señalado para el perceptrón simple.

 

El impacto fue inmediato. Laboratorios de Carnegie Mellon (Hinton se incorporó como profesor visitante), la Universidad de Toronto y el MIT retomaron las redes neuronales con renovado interés. Yann LeCun, entonces investigador en Bell Labs, comenzó a combinar la retropropagación con las arquitecturas convolucionales que había propuesto Kunihiko Fukushima en 1979 con su modelo Neocognitron.

 

El fin del primer invierno (pero no del segundo)

 

A finales de la década, los sistemas expertos mostraron sus límites. Eran frágiles —cualquier modificación en el dominio requería reescribir reglas—, no aprendían de los datos, y su mantenimiento resultaba prohibitivamente costoso. En 1987, una caída en el precio del hardware de propósito general hizo que los sistemas expertos, que necesitaban estaciones de trabajo caras, perdieran competitividad.

 

El resultado fue el segundo invierno de la IA (1987-1993), un período de recorte presupuestario drástico. NASA, DARPA y el Departamento de Defensa de Estados Unidos redujeron sus inversiones. Varias empresas punteras del sector quebraron: Symbolics, Lisp Machines Inc. y Xerox abandonaron sus divisiones de sistemas expertos. El funding en IA como porcentaje del PIB de los países de la OCDE tocó mínimos en 1992.

 

Los años 90: la resurrección estadística

 

La década de los noventa no empezó con optimismo para la IA. Pero fue precisamente en ese repliegue donde maduró un cambio de paradigma fundamental: el abandono del enfoque simbólico puro y la adopción de métodos estadísticos y probabilísticos.

 

El giro hacia la probabilidad

 

Judea Pearl, profesor en la Universidad de California en Irvine, publicó en 1988 Probabilistic Reasoning in Intelligent Systems, un trabajo que introdujo las redes bayesianas como formalismo para razonar bajo incertidumbre.

 

Pearl recibió el Premio Turing en 2011 precisamente por esta contribución. Las redes bayesianas permitían representar conocimiento incierto y realizar inferencia de manera computable, ofreciendo una alternativa rigurosa a la lógica booleana rígida de los sistemas expertos.

 

David Heckerman (Microsoft Research) aplicó las redes bayesianas al diagnóstico médico. Michael Jordan (MIT, luego Berkeley) desarrolló los modelos gráficos como marco unificador que conectaba estadística, teoría de grafos e inferencia, proporcionando la base matemática para toda una generación de algoritmos probabilísticos.

 

El renacimiento de las redes neuronales: LSTM

 

En 1997, Sepp Hochreiter y Jürgen Schmidhuber, entonces en el Instituto Tecnológico de Munich, publicaron el artículo «Long Short-Term Memory» en la revista Neural Computation. El paper introdujo la arquitectura LSTM (Long Short-Term Memory), capaz de aprender dependencias a largo plazo en secuencias de datos. Las LSTM resolvían el problema del gradiente desvaneciente que impedía a las redes recurrentes memorizar secuencias largas.

 

El impacto completo de las LSTM no se manifestaría hasta dos décadas después, cuando se convirtieron en la base de los modelos de procesamiento del lenguaje natural, la transcripción de voz y la generación de música. Schmidhuber, un investigador prolífico cuya producción abarca también contribuciones a la teoría del aprendizaje por refuerzo, continuó publicando avances fundamentales durante toda la década.

 

Máquinas de vectores soporte y kernel methods

 

Vladimir Vapnik, trabajando en los laboratorios de AT&T Bell, publicó junto a Corinna Cortes el paper «Support-Vector Networks» (1995). Las SVM (Support Vector Machines) dominaron el aprendizaje automático durante más de una década por su elegancia teórica, su capacidad de generalización y su eficiencia computacional. Sobre una base matemática sólida —la teoría del aprendizaje estadístico de Vapnik— las SVM se convirtieron en la herramienta preferida para clasificación de texto, reconocimiento de dígitos manuscritos y bioinformática.

 

Deep learning precursor: las primeras redes profundas

 

Yann LeCun, en Bell Labs, desarrolló entre 1989 y 1998 la arquitectura LeNet, una red neuronal convolutiva (CNN) entrenada con retropropagación para reconocimiento de dígitos manuscritos. En 1989, LeCun demostró que un sistema basado en CNN podía aprender a reconocer dígitos de código postal en cartas del Servicio Postal de EEUU. En 1998, LeNet-5 —con sus siete capas, filtros convolutivos y capas de pooling— fue desplegado comercialmente por varios bancos para la lectura automática de cheques.

 

Fue la primera aplicación industrial del aprendizaje profundo. Y pasó casi desapercibida para el gran público.

 

Los años 2000: la era de los datos masivos

 

El cambio más disruptivo de la década no fue arquitectónico sino infraestructural: la aparición del big data.

 

Internet como generador de datos

 

Google procesaba en 2004 más de mil millones de búsquedas diarias. YouTube (fundado en 2005) generaba horas de vídeo cada minuto. Facebook (2004) construía la mayor base de datos de relaciones humanas. Amazon acumulaba décadas de historial de compras. La materia prima del aprendizaje automático —los datos— dejó de ser escasa.

 

Cloud computing y la democratización del entrenamiento

 

Amazon Web Services (lanzado en 2002) puso capacidad de cómputo masivo al alcance de cualquier startup con tarjeta de crédito. Google desarrolló MapReduce (2004) y BigTable (2006), sentando las bases de lo que luego sería Hadoop. La infraestructura necesaria para entrenar modelos sobre millones de ejemplos dejó de requerir un supercomputador institucional.

 

Sistemas de recomendación y aprendizaje por refuerzo temprano

 

En 2006, Netflix ofreció un premio de un millón de dólares a quien mejorara su algoritmo de recomendación en un 10%. La competición, resuelta en 2009 por el equipo BellKor’s Pragmatic Chaos, aceleró la investigación en sistemas de recomendación y filtrado colaborativo. YouTube publicó en 2010 su paper «Deep Neural Networks for YouTube Recommendations», aplicando redes neuronales profundas a la recomendación de contenidos por primera vez a escala.

 

El Netflix Prize se convirtió en un caso de estudio de cómo las competiciones abiertas aceleran la innovación.

 

GPU computing: el combustible del deep learning

 

El descubrimiento clave de la década fue el uso de unidades de procesamiento gráfico (GPU) para entrenar redes neuronales. Investigadores como Rajat Monga en Google y Alex Krizhevsky (Universidad de Toronto) demostraron que las GPU Nvidia eran órdenes de magnitud más rápidas que las CPU tradicionales para el entrenamiento de redes convolutivas.

 

Los años 2010: la explosión del deep learning

 

La década que cambió todo comenzó con un desafío aparentemente modesto.

 

ImageNet y el punto de inflexión

En 2006, Fei-Fei Li —entonces en Princeton— se propuso crear la mayor base de datos de imágenes etiquetadas del mundo. Concebida como un recurso público para la comunidad de visión por ordenador, ImageNet contenía más de 14 millones de imágenes organizadas en más de 20.000 categorías. Su intención era crear un benchmark que expusiera las limitaciones de los métodos existentes.

 

En 2010, ImageNet lanzó la competición Large Scale Visual Recognition Challenge (LSVRC). En la edición de 2012, un equipo de la Universidad de Toronto cambió la historia. Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton presentaron AlexNet, una red convolutiva profunda entrenada con GPU que obtuvo un error del 16,4% en clasificación de ImageNet, frente al 26,2% del siguiente clasificador. La mejora fue considerada extraordinaria.

 

¿Por qué importó AlexNet? No fue solo una mejora incremental. Fue la prueba de que las redes neuronales profundas, entrenadas con suficientes datos y suficiente cómputo, podían superar a décadas de ingeniería manual de características. El paradigma cambió de «diseñar características» a «dejar que la red las aprenda».

 

Ilya Sutskever, que se había incorporado al equipo de Hinton como estudiante de doctorado, sería posteriormente uno de los fundadores de OpenAI (2015). Hinton dejó la Universidad de Toronto para incorporarse a Google Brain en 2013, en lo que se conoció como el «acuerdo de alquiler del cerebro».

 

La consolidación del deep learning

 

Los años siguientes atestiguaron una cascada de avances:

 

• 2013: DQN (Deep Q-Network) de DeepMind —fundada por Demis Hassabis, Shane Legg y Mustafa Suleyman en 2010— demostró que una red neuronal profunda podía aprender a jugar a videojuegos Atari a nivel humano mediante aprendizaje por refuerzo. El paper, publicado en Nature en febrero de 2015 pero disponible como preprint desde 2013, mostró que un mismo algoritmo, sin conocimiento específico del juego, podía aprender a jugar 49 juegos de Atari.

 

• 2014: Generative Adversarial Networks (GAN). Ian Goodfellow (Universidad de Montréal, luego Google Brain y Apple) publicó el paper «Generative Adversarial Networks» en la conferencia NIPS. La idea —dos redes neuronales compitiendo, una generando imágenes falsas y otra intentando distinguirlas— abrió la puerta a la generación sintética de imágenes, vídeo y audio de calidad sin precedentes.

 

• 2015: ResNet (Deep Residual Networks), desarrollada por Kaiming He, Xiangyu Zhang, Shaoqing Ren y Jian Sun en Microsoft Research Asia. Las ResNet, con hasta 1.000 capas, resolvieron el problema de la degradación del gradiente mediante conexiones residuales. Alcanzaron un error del 3,6% en ImageNet, inferior al error humano medio.

 

AlphaGo: cuando la IA superó al mejor jugador de go del mundo

 

En marzo de 2016, AlphaGo de DeepMind derrotó a Lee Sedol, considerado el tercer mejor jugador de go del mundo, en una partida a cinco juegos. El marcador final fue 4-1. Fue un momento de impacto cultural: el go, con sus 10170 posiciones posibles, había sido considerado inmune a la fuerza bruta computacional durante décadas.

 

AlphaGo combinaba redes neuronales profundas con búsqueda Monte Carlo Tree Search y había sido entrenado primero con partidas humanas y luego con millones de partidas contra sí mismo (self-play). En 2017, AlphaGo Zero —que aprendió exclusivamente jugando contra sí mismo desde cero— derrotó a AlphaGo original por 100-0.

 

La pregunta ya no era si la IA podía superar al humano en tareas cognitivas complejas. La pregunta era cuánto tardarían en generalizarse esas capacidades.

 

Atención y recurrencia: el procesamiento del lenguaje natural se transforma

 

En el ámbito del lenguaje, Richard Socher, Tomas Mikolov y otros investigadores desarrollaron los word embeddings —representaciones vectoriales densas que capturaban relaciones semánticas

 

—. Word2Vec (Mikolov et al., 2013, Google) fue particularmente influyente.

 

Las RNN (redes neuronales recurrentes) y las LSTM se convirtieron en el estándar para traducción automática, análisis de sentimiento y resumen de texto. Sutskever, Oriol Vinyals y Quoc Le publicaron en 2014 «Sequence to Sequence Learning with Neural Networks», demostrando que las RNN encoder-decoder podían aprender a traducir entre idiomas sin ingeniería de características específica.

 

Los años 2020: la era de los grandes modelos de lenguaje

 

La década que abrió con una pandemia global fue también la década en que la IA pasó de tecnología de nicho a fenómeno de masas.

 

El Transformer: la arquitectura que lo cambió todo

 

En junio de 2017, un paper de apenas ocho páginas cambió el curso de la historia de la IA: «Attention Is All You Need», publicado por Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser y Illia Polosukhin en Google Brain. El paper introducía la arquitectura Transformer, basada enteramente en el mecanismo de atención (self-attention), sin recurrencia ni convoluciones.

 

El Transformer permitía entrenar modelos sobre cantidades masivas de datos textuales con una eficiencia que las RNN nunca alcanzaron. Podía paralelizarse en cientos de GPU sin el cuello de botella secuencial de las redes recurrentes.

 

GPT y la carrera de los modelos fundacionales

 

OpenAI, fundada en diciembre de 2015 por Sam Altman, Greg Brockman, Ilya Sutskever, Elon Musk y otros, publicó GPT-2 en febrero de 2019 y, tras un período de precaución, GPT-3 en junio de 2020. Con 175.000 millones de parámetros, GPT-3 demostró capacidades emergentes sorprendentes: generación de código, escritura creativa, resumen, traducción —todo sin entrenamiento específico para esas tareas.

 

Google respondió con BERT (2018), desarrollado por Jacob Devlin y su equipo en Google Brain. BERT introdujo el pre-entrenamiento bidireccional, permitiendo que el modelo considerara el contexto completo de una palabra —izquierda y derecha— antes de predecirla. Se convirtió inmediatamente en el estándar para tareas de comprensión del lenguaje natural.

 

Anthropic, fundada en 2021 por exmiembros de OpenAI liderados por Dario Amodei y Daniela Amodei, lanzó Claude (2023), posicionándolo como un modelo centrado en la seguridad y la ayuda útil. Meta liberó la familia LLaMA en febrero de 2023, demostrando que modelos de alto rendimiento podían entrenarse con recursos accesibles y catalizando un ecosistema open source de modelos de lenguaje.

 

ChatGPT: la IA cruza la frontera del consumo masivo

 

30 de noviembre de 2022. OpenAI lanzó ChatGPT, una interfaz conversacional sobre GPT-3.5 accesible al público general. En cinco días alcanzó un millón de usuarios. En dos meses, 100 millones. Fue el producto tecnológico de consumo de más rápido crecimiento de la historia hasta esa fecha.

 

ChatGPT demostró que la IA generativa no era un juguete de laboratorio: podía redactar contratos, escribir código, explicar conceptos complejos, componer poesía y mantener conversaciones coherentes durante horas. La frase «la IA va a transformar [insértese cualquier industria]» dejó de sonar a ciencia ficción para sonar a consenso empresarial.

 

Multimodalidad: la IA que ve, oye y razona

 

En 2023 y 2024, los grandes laboratorios integraron capacidades multimodales en sus modelos. GPT-4 (marzo de 2023), Gemini (Google DeepMind, diciembre 2023), Claude 3 (Anthropic, marzo 2024) y Llama 3 (Meta, abril 2024) procesaban simultáneamente texto, imágenes, audio y vídeo. GPT-4o (mayo 2024) demostró razonamiento en tiempo real sobre audio y vídeo, manteniendo conversaciones con voz natural y baja latencia.

 

2024-2026: el estado actual

 

La inteligencia artificial en 2026 es una tecnología ubicua con implicaciones geopolíticas, económicas y éticas sin precedentes.

 

Modelos multimodales y agentes

 

Los modelos más avanzados de 2026 —GPT-5, Claude Opus 4, Gemini 3— operan como sistemas multimodales integrados capaces de procesar y generar texto, imágenes, vídeo, audio y código en una única sesión unificada. Más allá de la generación pasiva, la tendencia dominante es la agencia: modelos diseñados para planificar, ejecutar acciones en el mundo real, utilizar herramientas, navegar por internet y completar tareas de múltiples pasos con mínima supervisión humana.

 

OpenAI lanzó en 2024 la familia de modelos de razonamiento o1 y o3, que dedican ciclos de cómputo extensivos al razonamiento paso a paso antes de responder, superando a los modelos convencionales en benchmarks de matemáticas, física y programación competitiva.

 

Me dejo cosas en el tintero, porque me he fijado principalmente en los modelos americanos, pero mientras, Deepseek, Kimi, Qween y otros modelos chinos han puesto cada vez que publicaron un nuevo modelo que la lucha no es solo desde EEUU, sino que hay otro actor capaz de competir, incluso en muchas funcionalidades, ganar.

 

Regulación global

 

La Unión Europea, como no sabe hacer otra cosa, en vez de postularse como un tercer actor, aprobó en marzo de 2024 el AI Act, el primer marco regulatorio integral para la inteligencia artificial. Clasifica los sistemas de IA por nivel de riesgo —desde aplicaciones banales hasta las prohibidas— y establece obligaciones de transparencia, documentación y auditoría, con multas de hasta el 7% de la facturación global por infracciones graves. Entró en aplicación progresiva, con las prohibiciones más estrictas en vigor desde agosto de 2024.

 

Estados Unidos emitió órdenes ejecutivas sobre IA en octubre de 2023 y 2025, priorizando la seguridad de la IA avanzada, la protección de datos y la competencia tecnológica con China. China regula la generación de contenidos sintéticos mediante deepfake desde 2022 y mantiene controles estrictos sobre los modelos de lenguaje generativos desde 2023.

 

Impacto económico y adopción empresarial

 

Según estimaciones de mercado de 2025, la inversión global en IA supera los 300.000 millones de dólares anuales. Más del 78% de las empresas del Fortune 500 tienen al menos un proyecto de IA en producción. La adopción en sanidad (diagnóstico por imagen, descubrimiento de fármacos), finanzas (detección de fraude, trading algorítmico), manufactura (control de calidad, mantenimiento predictivo) y educación (tutoría personalizada) ha dejado de ser experimental.

 

Personajes clave: investigadores e hitos

 

Geoffrey Hinton Popularización de la retropropagación; redes profundas; padre del deep learning 1986, 2012U. Toronto / Google Brain

 

Yann LeCun Redes neuronales convolutivas (LeNet); padre del deep learning moderno1989-1998 Bell Labs / NYU / Meta

 

Yoshua Bengio Redes neuronales recurrentes; word embeddings; aprendizaje profundo generativo 2003-2014 U. Montréal / Mila

 

David Rumelhart Formalización del algoritmo de retropropagación1986 U. California, San Diego

 

Jürgen Schmidhuber Arquitectura LSTM (con Hochreiter); teoría del aprendizaje 1997 Inst. Tecnológico de Munich

 

Sepp Hochreiter LSTM: memoria a largo plazo para redes recurrentes 1997 Inst. Tecnológico de Munich

 

Judea Pearl Redes bayesianas; inferencia probabilística bajo incertidumbre 1988 U. California, Irvine

 

Fei-Fei LiImageNet: dataset masivo que catalizó la revolución del deep learning 2006-2012 Princeton / Stanford

 

Alex Krizhevsky AlexNet: primera CNN ganadora de ImageNet con mejora aplastante 2012 U. Toronto

 

Ashish Vaswani Arquitectura Transformer: self-attention como base de los LLM 2017 Google Brain

 

Demis Hassabis AlphaGo; fundación de DeepMind; integración de neurociencia con IA 2010-2016 DeepMind

 

Ilya Sutskever GPT-2, GPT-3; preentrenamiento a escala; co-fundador de OpenAI 2018-2020 OpenAI

 

Sam Altman CEO de OpenAI; aceleración del despliegue de LLM accesibles 2015-OpenAI

 

Dario Amodei Claude; safety y alineación; co-fundador de Anthropic2021-Anthropic

 

Premio Turing Award (equivalente al Nobel en informática): Hinton, LeCun y Bengio recibieron conjuntamente el Turing Award 2018, reconocimiento que la ACM otorga a quienes definen un campo. En 2024, Geoffrey Hinton recibió también el Premio Nobel de Física, junto a John Hopfield, por sus fundamentos sobre redes neuronales artificiales.

 

Conclusiones y futuro

 

Cuatro décadas separan los sistemas expertos de 1980 —reglas escritas a mano, frágiles ante cualquier excepción— de los agentes de IA de 2026, capaces de planificar una década de investigación científica, depurar su propio código y negociar contratos con mínima supervisión. La distancia es proporcional a la humildad que deberíamos cultivar.

 

Lo que esta historia enseña es que las revoluciones en IA rara vez son lineales. Hay inviernos que parecen definitivos y renacimientos que nadie anticipa. Los noventa, descartados como década de decadencia, fueron el suelo donde germinaron las redes bayesianas, las LSTM y los word embeddings que alimentarían todo lo posterior.

 

Lo que parecía un callejón sin salida —las redes neuronales tras el demoledor libro de Minsky y Papert— contenía la semilla de la mayor transformación tecnológica del siglo XXI.

 

Las preguntas abiertas para la próxima década son profundas:

 

• ¿Alcanzarán los modelos actuales la llamada inteligencia general artificial (AGI) o sus limitaciones estructurales —falta de comprensión genuina, alucinaciones, ausencia de sentido común embodied— señalan un techo que ninguna escala de parámetros podrá superar?

 

• ¿La regulación global convergirá hacia un marco unificado o fragmentará el ecosistema en bloques tecnológicos?

 

• ¿El impacto en el empleo —automatización de tareas cognitivas rutinarias— será una transición dolorosa o una transformación neta positiva?

 

Ninguna de estas preguntas tiene respuesta definitiva. Pero la historia de la IA hasta 2026 deja una lección clara: el campo más impredecible del conocimiento humano se construye precisamente porque nadie sabe hacia dónde va. Aunque siempre parece, una vez recorrido que alguien lo estuvo tutelando todo el tiempo. Veremos. Por lo pronto, los ingenieros recién titulados, veremos qué acomodo tienen en un futuro muy cercano.

 

Linkedin: Aquilino García