Las búsquedas son cada vez menos predecibles en un aspecto muy importante: la persona que busca ya no siempre ve una lista tradicional de enlaces.
Es posible que le pidan a ChatGPT que compare tres empresas, usen Perplexity para investigar una compra compleja, exploren un tema a través del modo de IA de Google, o le hagan a un asistente de IA una serie de preguntas de seguimiento antes de visitar un sitio web. En estas experiencias, la visibilidad depende de algo más que de si tu página puede posicionarse. Tu información también debe estar disponible cuando un sistema de IA busca fuentes, ser lo suficientemente clara como para ser interpretada correctamente y ser lo suficientemente útil como para respaldar una respuesta.
Ahí es donde Optimización de LLM, a menudo abreviado como LLMO, entra en juego.
La optimización de LLM es un área especializada dentro de la disciplina más amplia de Optimización de Inteligencia Artificial (AIO). Lea nuestra guía sobre la Optimización de la Inteligencia Artificial (AIO). AIO evalúa la visibilidad en todo el ecosistema de descubrimiento impulsado por IA más amplio. La optimización para LLM reduce el enfoque a un problema más específico: ¿Cómo podemos hacer que una marca y su información sean más fáciles de recuperar, entender, seleccionar como fuente y representar con precisión para las experiencias impulsadas por grandes modelos de lenguaje?
Esa distinción importa porque la LLMO no debe convertirse en otro acrónimo de marketing genérico. Si todo lo relacionado con la IA se etiqueta como Optimización de LLM, el término rápidamente deja de ser útil.
El objetivo es mucho más específico.
¿Qué es la optimización de LLM?
La optimización de LLM es el proceso de mejorar la información, el acceso técnico, la claridad de las entidades, la autoridad y las fuentes de apoyo que pueden influir en cómo se descubre y representa una marca en experiencias de búsqueda e investigación impulsadas por modelos de lenguaje grande.
En la práctica, la LLMO aborda cuatro cuestiones relacionadas entre sí:
- ¿Puede un sistema impulsado por IA recuperar la información que necesita?
- ¿Entiende realmente lo que representan tu marca, tus productos, tus servicios, tu equipo y tu experiencia?
- ¿Tu contenido es lo suficientemente útil y confiable como para ser seleccionado como fuente de referencia?
- Si se utiliza su información, ¿su marca se cita o se describe con precisión?
Esa es una definición más específica que el simple hecho de tratar de “aparecer en ChatGPT”.”
También hay una distinción técnica importante que se debe entender. Los grandes modelos de lenguaje retienen la información aprendida durante el entrenamiento, pero muchas experiencias modernas de búsqueda con IA también pueden recuperar información actualizada de la web, índices de búsqueda, bases de datos u otras fuentes al responder una pregunta. Los especialistas en marketing no pueden simplemente optimizar los pesos del modelo subyacente. Lo que podemos influenciar de manera mucho más directa es la información pública disponible para recuperación y puesta a tierra.
Google, por ejemplo, ahora describe explícitamente el uso de la generación aumentada por recuperación y la diversificación de consultas en sus experiencias de búsqueda generativa. El sistema puede emitir múltiples búsquedas relacionadas, recuperar páginas relevantes, evaluar la información en esas páginas y utilizarla para respaldar su respuesta generada. Guía de Google sobre la optimización para la búsqueda con IA generativa
De manera similar, ChatGPT Search utiliza la búsqueda en la web cuando la información actual es útil y puede proporcionar referencias que remitan a los usuarios a las fuentes de respaldo. Explicación de OpenAI sobre la Búsqueda de ChatGPT Perplexity describe su propia experiencia como la búsqueda en la web y la síntesis de información en respuestas respaldadas por citas a las fuentes originales. Aprende cómo funciona Perplexity
Las tecnologías, los índices, los modelos y los métodos de selección de fuentes exactos varían según la plataforma. Es por eso que una estrategia duradera de optimización de LLM debe centrarse en mejorar el entorno de información que usted controla en lugar de perseguir supuestos trucos para un solo modelo.
La optimización de los modelos de lenguaje grande (LLM) forma parte de AIO, no lo reemplaza
Aquí es donde la terminología puede volverse confusa.
AIO, GEO, AEO, LLMO, AI SEO, optimización para motores de búsqueda generativa y varios otros términos se utilizan ahora para describir partes superpuestas del cambiante panorama de las búsquedas. Podrías pasar una cantidad considerable de tiempo discutiendo sobre los nombres y aun así terminar con un sitio web que nadie encuentra.
En Cadence Search, nos parece más útil organizar estos conceptos según el problema que resuelven.
La optimización mediante inteligencia artificial es la disciplina principal más amplia. Analiza cómo una empresa logra ser encontrada, comprendida, considerada confiable, recomendada y elegida en las experiencias de búsqueda y descubrimiento impulsadas por inteligencia artificial.
La optimización de LLM es una capa inferior a esa. Se centra específicamente en los procesos de recuperación y síntesis de información utilizados por las experiencias impulsadas por LLM: qué fuentes están disponibles, qué información se recupera, qué entidades se reconocen, qué fuentes respaldan la respuesta y cómo se representa finalmente la marca.
El SEO tradicional también sigue siendo parte de este cimiento. El descubrimiento impulsado por IA no ha eliminado la necesidad de rastreo, indexación, arquitectura del sitio, calidad del contenido, relevancia semántica, autoridad o accesibilidad técnica. En muchos casos, ha hecho que esos elementos sean más importantes porque ahora respaldan varias formas diferentes de descubrimiento.
Piense en el LLMO como una extensión de una sólida estrategia de búsqueda moderna, no como un reemplazo de todo lo que vino antes.
Cómo la recuperación en los LLM cambia la cuestión de la optimización
El SEO tradicional a menudo comienza con una pregunta simple:
¿Cómo hacemos que esta página sea el resultado más fuerte para esta búsqueda?
«Optimización de modelos de aprendizaje de lenguaje» presenta otro:
¿Cómo hacemos que esta información sea una fuente sólida para la respuesta que se está armando?
Esa sutil diferencia cambia la forma en que pensamos sobre el contenido.
Un usuario podría preguntarse:
“¿Qué debe tener en cuenta una empresa de SaaS del mercado medio al elegir una agencia de marketing en buscadores?”
Es posible que un sistema de búsqueda impulsado por IA no busque una sola página que contenga esa frase exacta. Podría dividir el problema en varias necesidades de información: qué define a una empresa de SaaS del mercado medio, qué servicios debe ofrecer una agencia de búsqueda, qué capacidades técnicas son importantes, cómo debe tenerse en cuenta la búsqueda con IA en la decisión, qué modelos de precios o de contratación existen y qué pruebas demuestran la experiencia.
Google describe un proceso similar a través de distribución de consultas, en la cual una experiencia de búsqueda impulsada por IA puede emitir varias consultas relacionadas para recopilar información de respaldo antes de construir una respuesta.
Eso significa que su visibilidad puede depender de si páginas y pasajes individuales satisfacen claramente partes de una pregunta más amplia.
Por lo tanto, una optimización eficaz de los modelos de lenguaje grandes (LLM) comienza con la recuperación de información.
1. Recuperación: ¿Puede el sistema encontrar la información correcta?
Para que un sistema de inteligencia artificial pueda citar, resumir o recomendar tu contenido, necesita una forma de encontrarlo.
Eso hace que la accesibilidad técnica sea una de las partes menos glamurosas y más importantes de la optimización de LLM.
Las páginas importantes deben ser rastreables y estar disponibles para los sistemas que son relevantes para tu negocio. La arquitectura de tu sitio debe conectar de manera lógica la información relacionada. Las URL canónicas deben apuntar a las versiones de las páginas que realmente quieres que los sistemas interpreten. El contenido importante no debe quedar oculto por problemas de visualización, directivas de robots accidentales, navegación defectuosa, configuraciones de seguridad o duplicaciones innecesarias.
Es por esto que nuestro enfoque más amplio hacia SEO técnico sigue siendo importante en un entorno de búsqueda por IA. Descubre por qué el SEO técnico importa aún más en la búsqueda por IA
Cada plataforma maneja el descubrimiento de manera diferente, por lo que no existe una “configuración universal para el rastreador de IA”. OpenAI, por ejemplo, indica que los editores que deseen que su contenido sea detectable y aparezca en la búsqueda de ChatGPT deben permitir el acceso a OAI-SearchBot. Según Google, las directrices de OpenAI para editores y desarrolladores indican que la elegibilidad para incluir enlaces en las resúmenes de IA y en el modo de IA se basa en los mismos requisitos fundamentales de Búsqueda, lo que incluye estar indexado y ser elegible para aparecer con un fragmento de texto.
Eso no significa que se seleccionen todas las páginas accesibles.
La accesibilidad abre nuevas oportunidades. La relevancia y la utilidad determinan si la información merece seguir avanzando en el proceso.
2. Potencial de citación: Dale al sistema algo que valga la pena citar
Que un motor de búsqueda rastree tu sitio no es lo mismo que convertirte en una fuente.
Una página resulta más útil para la búsqueda mediante IA cuando contiene información que realmente puede ayudar a respaldar una respuesta. Esto podría incluir una definición concisa, un dato original, una comparación detallada, una experiencia de primera mano, un proceso explicado con claridad, una cita de un experto, un ejemplo o evidencia que respalde una afirmación.
Es aquí donde el contenido genérico se convierte en un problema.
Si tu artículo simplemente replantea la misma información general que se encuentra en docenas de otros sitios web, hay pocas razones para que un sistema de recuperación prefiera tu versión. Es posible que cubras técnicamente el tema, pero no necesariamente has aportado algo que valga la pena citar.
Las recomendaciones actuales de Google sobre la búsqueda generativa plantean algo similar. Alientan a los editores a crear contenido único, que no es de carácter comercial, incluidas perspectivas de primera mano e información que va más allá de lo que se puede resumir fácilmente a partir de las páginas existentes.
Ese principio también debería dar forma a su estrategia de contenido más amplia. Lea nuestro marco de estrategia de contenido de Búsqueda Moderna
En lugar de preguntarte si un artículo tiene suficientes palabras, pregúntate si aporta suficiente valor original.
Una fuente confiable podría explicar por qué una suposición que se repite con frecuencia es errónea, publicar una investigación propia, mostrar los resultados de una implementación real, comparar varias opciones utilizando criterios claramente definidos, ofrecer una interpretación experta de los cambios en la normativa, documentar un experimento o reunir información que, de otra manera, requeriría una investigación exhaustiva.
Los modelos de lenguaje grande (LLM) son muy buenos para resumir información genérica.
Tu contenido debe ofrecerles algo más que un simple resumen.
3. Comprensión de la marca: deja clara tu identidad
Que te escuchen es útil. Que te entiendan bien es igual de importante.
Un sistema de inteligencia artificial que evalúe su empresa puede encontrarse con su página de inicio, páginas de servicios, perfiles de autores, listados en directorios, perfiles de reseñas, cobertura de noticias, entrevistas, perfiles en redes sociales, publicaciones de la industria y referencias de otros sitios web.
En conjunto, esas fuentes conforman la imagen de la marca.
Si en una página se describe a tu empresa como una agencia de SEO, en otra se la denomina empresa de publicidad digital, en una tercera se utiliza un nombre de empresa obsoleto y en los perfiles externos se describen servicios completamente diferentes, estás generando una ambigüedad innecesaria.
Por lo tanto, la optimización del LLM incluye la claridad de las entidades: hacer que las relaciones entre tu empresa, las personas, los productos, los servicios, las ubicaciones, la experiencia y los temas sean comprensibles de manera consistente.
Esto está estrechamente relacionado con la búsqueda semántica, que se centra fundamentalmente en el significado, las entidades, el contexto y las relaciones, en lugar de limitarse a hacer coincidir cadenas de palabras clave. Descubre cómo la búsqueda semántica ayuda a los sistemas a comprender el significado
Analicemos la diferencia entre estas dos afirmaciones:
“Cadence ofrece servicios de SEO e inteligencia artificial.”
y:
“Cadence Search es una agencia de marketing en buscadores que ofrece servicios de SEO técnico, estrategia de contenido, desarrollo de autoridad y optimización de búsqueda basada en inteligencia artificial para empresas que desean mejorar su visibilidad tanto en los buscadores tradicionales como en los que utilizan inteligencia artificial.”
La segunda declaración le brinda al sistema mucha más información. Identifica a la organización, su categoría, sus servicios y la relación entre dichos servicios.
Las relaciones claras entre entidades deben aparecer de manera natural en todo el contenido principal de tu sitio web. Tu página «Acerca de», las páginas de servicios, las biografías de los autores, los casos de estudio, la información de contacto, los datos estructurados, los perfiles de terceros y las menciones externas deben reforzarse mutuamente en lugar de contradecirse.
Los datos estructurados pueden contribuir a esta claridad, pero el esquema no es una solución mágica para las citas de los modelos de lenguaje a gran escala (LLM). Google afirma explícitamente que no se requiere ningún marcado de esquema especial para sus experiencias de búsqueda con IA generativa.
El objetivo no es agregar más marcado solo por el hecho de hacerlo.
El objetivo es eliminar la ambigüedad.
4. Selección de fuentes: tu sitio web es solo una parte de la historia
Uno de los errores más grandes en la optimización de LLM es dar por sentado que tu sitio web es la única fuente que importa.
No lo es.
Cuando un sistema impulsado por inteligencia artificial investiga una empresa, producto, categoría o recomendación, puede encontrar muchos tipos diferentes de fuentes. Dependiendo de la consulta y de la plataforma, esas fuentes podrían incluir sitios web de empresas, publicaciones de la industria, organizaciones de noticias, plataformas de reseñas, documentos de investigación, recursos gubernamentales, debates comunitarios, bases de datos de productos, directorios profesionales y otros sitios de terceros.
La combinación exacta de fuentes varía considerablemente. No existe una lista universal de sitios web en los que confíe todos los LLM.“
Por eso, el desarrollo de contenidos debe comenzar con la pregunta que se hace tu audiencia.
Si alguien está investigando software empresarial, las publicaciones de software creíbles, las opiniones de los clientes, la documentación de integración, la cobertura de analistas y las comunidades de la industria pueden importar. Si alguien está investigando un tema médico, la literatura médica autorizada y las fuentes institucionales se vuelven mucho más importantes. Si la pregunta involucra a un negocio local, los listados locales, las reseñas, los medios locales y la información geográfica pueden contribuir con mayor peso.
Recientemente, Perplexity ha dado mayor visibilidad a esta evaluación de fuentes al introducir etiquetas a nivel de dominio para ciertas fuentes gubernamentales, académicas y otras fuentes confiables. En sus directrices se explica que factores como las prácticas editoriales, la autoría, las correcciones y la experiencia en la materia pueden influir en esas etiquetas. Lee la explicación de Perplexity sobre las etiquetas de origen
La lección general es más importante que cualquier función individual de la plataforma.
La autoridad se vuelve más fuerte cuando otras fuentes creíbles confirman de manera independiente lo que tu marca dice de sí misma.
Si en tu propio sitio web dices que eres un experto en un tema, eso es una afirmación.
Si publicaciones respetadas entrevistan a su equipo sobre ese tema, los clientes describen esa experiencia en sus reseñas, los sitios web de la industria hacen referencia a su investigación y otros expertos citan su trabajo, esa afirmación se vuelve mucho más fácil de corroborar.
Aquí es donde la optimización de modelos de lenguaje grande (LLM) se cruza con las relaciones públicas digitales, el desarrollo de autoridad, el liderazgo intelectual, las reseñas, la investigación original y la obtención tradicional de enlaces.
El objetivo no es fabricar menciones en todas partes.
Se trata de hacerse presente en las fuentes que realmente importan dentro de su materia.
Crear páginas que puedan respaldar una respuesta
Un buen contenido de LLMO no tiene por qué parecerse a un glosario escrito para robots.
De hecho, por lo general debería ser más fácil de leer para la gente.
Una página bien elaborada presenta el tema con claridad, responde a la pregunta central sin demoras innecesarias, explica los matices importantes, respalda las afirmaciones relevantes, utiliza encabezados para establecer una jerarquía de información y, cuando corresponde, remite a los lectores a recursos complementarios más detallados.
Cada fragmento debe tener sentido dentro del contexto general del artículo y, al mismo tiempo, ser lo suficientemente claro como para que el lector pueda comprender rápidamente el punto que se está planteando.
Eso hace no significa que cada párrafo debe reducirse a dos oraciones.
No significa convertir cada sección en una sección de preguntas frecuentes.
Y desde luego no significa crear docenas de “fragmentos de respuesta” minúsculos solo porque alguien dijo que la IA prefiere párrafos de 50 palabras.
Las directrices de Google de julio de 2026 advierten explícitamente a los editores sobre tácticas como la fragmentación innecesaria del contenido o los archivos de texto específicos para IA, y en su lugar se centran en información útil y distintiva.
Escribe pensando primero en las personas.
Luego, asegúrese de que la información esté lo suficientemente bien estructurada como para que las máquinas no tengan que adivinar lo que quiere decir.
¿Tu sitio web necesita un archivo llms.txt?
Probablemente no sea una prioridad.
llms.txt Ha llamado mucho la atención porque propone una forma estandarizada de proporcionar información sobre un sitio web que sea compatible con los modelos de lenguaje a gran escala (LLM). Es un experimento interesante, pero por el momento no debería ocupar uno de los primeros lugares en la hoja de ruta de optimización de LLM para la mayoría de las organizaciones.
Google afirma explícitamente que los editores no necesitan crear nuevos archivos de texto de inteligencia artificial u otros archivos especiales legibles por máquina para aparecer en AI Overviews o en el modo de IA. Su guía de búsqueda generativa más reciente va más allá y recomienda específicamente priorizar los fundamentos de búsqueda comprobados sobre los supuestos trucos de AEO o GEO, como los innecesarios llms.txt implementaciones.
Las directrices actuales de OpenAI para los editores también hacen hincapié en permitir que su rastreador de búsqueda acceda al contenido, en lugar de exigir un llms.txt archivo.
No hay nada de malo, en sí mismo, en experimentar con estándares emergentes cuando su implementación no resulta costosa.
El problema surge cuando los archivos experimentales desvían la atención de cuestiones mucho más importantes, como los rastreadores bloqueados, el contenido escaso, las descripciones de servicios poco claras, los enlaces internos deficientes, la autoridad débil, la información inconsistente sobre la marca o la falta de algo que realmente valga la pena citar.
Arregla el sendero antes de colocar otra señal.
¿Qué deberías optimizar primero?
Un programa práctico de optimización de LLM suele comenzar por identificar las preguntas y decisiones que más importan a tus clientes.
Luego, ve hacia atrás.
Para cada tema importante, determine qué información necesitaría una experiencia de búsqueda impulsada por IA para responder bien a la pregunta. Observe qué fuentes aparecen actualmente. Identifique si su sitio web contiene información de respaldo útil. Evalúe si su marca se describe correctamente en toda su huella digital. Luego determine qué falta.
A veces, la respuesta es un artículo nuevo.
A menudo no lo es.
Es posible que necesites mejorar una página de servicio existente, consolidar contenido superpuesto, agregar evidencia a un artículo escaso, aclarar el perfil de un autor, publicar un caso de estudio, crear un recurso de investigación original, corregir información desactualizada de terceros, conseguir cobertura en una publicación relevante o simplemente permitir que un rastreador importante acceda al sitio.
Por esto no creemos que la optimización de LLM deba convertirse en otro concurso de producción de contenido.
El hecho de tener más páginas no significa automáticamente que haya más visibilidad.
Una mejor información sí lo hace.
Medición de la optimización de LLM
La visibilidad de los LLM está menos estandarizada que los informes de búsqueda tradicionales, por lo que para medirla es necesario combinar varios indicadores en lugar de buscar un único “ranking de LLM” universal.”
Algunas medidas útiles pueden ser:
- Si su marca aparece en un conjunto controlado de indicaciones y preguntas comercialmente relevantes
- ¿Qué páginas se están citando cuando las citas son visibles?
- Qué tan precisa es la descripción de tu empresa, tus servicios, tus productos y tus expertos
- ¿Qué fuentes de terceros aparecen repetidamente junto a su marca o la de sus competidores?
- Tráfico de referencia proveniente de plataformas impulsadas por IA
- Páginas de destino que reciben ese tráfico
- Interacción, clientes potenciales, conversiones asistidas e ingresos generados por esas visitas
- Cambios en la combinación de fuentes en torno a temas importantes de la industria
OpenAI señala que los sitios que permiten el acceso de OAI-SearchBot pueden medir el tráfico de referencia procedente de ChatGPT a través de plataformas de análisis. Google también ha comenzado a introducir informes específicos sobre el desempeño de la IA generativa en Search Console, aunque la disponibilidad y las capacidades de generación de informes de la plataforma siguen en evolución.
No te obsesiones con un solo mensaje.
Las respuestas de la IA pueden variar según el usuario, el contexto, el modelo, la disponibilidad de fuentes, la redacción y el tiempo. Un mejor enfoque es monitorear los patrones en grupos de preguntas importantes.
Buscas mejoras específicas en el descubrimiento, la inclusión de fuentes, la representación de la marca, el tráfico calificado y, en última instancia, los resultados comerciales.
Lo que la optimización de LLM no debe convertirse
Cada gran cambio en la búsqueda crea una nueva generación de atajos.
La optimización de modelos de aprendizaje de lenguaje (LLM) ya cuenta con muchos de ellos.
No necesitas mencionar tu marca 47 veces en un artículo para que ChatGPT la recuerde. No necesitas cientos de páginas de preguntas frecuentes dirigidas a consultas ligeramente diferentes. No necesitas una pieza misteriosa de datos estructurados que supuestamente fuerza las citas. No necesitas publicar resúmenes generados por IA de información que ya existe en otros cientos de sitios web.
Y nadie puede garantizar que ChatGPT, Google, Perplexity, Claude o cualquier otra plataforma de IA mencione o recomiende a tu empresa.
Las plataformas controlan sus sistemas.
Tu tarea consiste en mejorar aquellas cosas sobre las que realmente puedes influir: acceso, claridad, utilidad, evidencia, autoridad, corroboración y medición.
Ese enfoque puede parecer menos emocionante que descubrir un factor secreto que influye en el posicionamiento de los modelos de lenguaje grande (LLM).
Además, es mucho más defendible.
La optimización de los modelos de lenguaje grande (LLM) realmente consiste en convertirse en una mejor fuente de información
Si dejamos de lado todas las siglas, la optimización de modelos de lenguaje grande (LLM) resulta sorprendentemente sencilla.
Haz que tu información sea accesible.
Haz que tu experiencia sea fácil de entender.
Publica información que valga la pena consultar.
Respalda las afirmaciones importantes con pruebas.
Establece relaciones claras entre tu marca, las personas, los servicios, los productos y el tema en cuestión.
Genera credibilidad más allá de tu propio sitio web.
A continuación, evalúa si el descubrimiento impulsado por IA está contribuyendo realmente a resultados comerciales significativos.
El SEO tradicional sigue siendo importante porque el descubrimiento sigue siendo importante. La estrategia de contenido sigue siendo importante porque la utilidad sigue siendo importante. Las relaciones públicas digitales y el desarrollo de autoridad siguen siendo importantes porque la credibilidad sigue siendo importante. La claridad semántica es importante porque los sistemas no pueden representar a una marca con precisión si no pueden entender qué es realmente esa marca.
La optimización de LLM simplemente une todas esas piezas en torno a un nuevo punto en el proceso de búsqueda: el momento cuando un sistema de IA debe decidir qué información es relevante para elaborar la respuesta.
Y es por eso que LLMO debe estar bajo AIO en lugar de reemplazarlo.
AIO nos ofrece una visión más amplia de la visibilidad en el descubrimiento impulsado por la inteligencia artificial. La optimización de los modelos de lenguaje grande (LLM) nos permite profundizar en la recuperación de información, las citas, la selección de fuentes y la comprensión de la marca.
El objetivo no es manipular un modelo de lenguaje grande (LLM).
El objetivo es convertirnos en el tipo de fuente que tenga sentido utilizar.
Crear una fuente más sólida para las búsquedas modernas
En Cadence Search, abordamos la optimización de los modelos de lenguaje grande (LLM) como parte de una estrategia integrada de búsqueda moderna, en lugar de como un conjunto aislado de tácticas de inteligencia artificial.
Eso significa analizar de manera integral el acceso técnico, las oportunidades de recuperación, la calidad del contenido, la claridad de las entidades, el desarrollo de las fuentes, la autoridad, las citas y la medición.
Nuestro Servicios de SEO para LLM están diseñados para identificar dónde ya se está descubriendo tu marca, dónde se eligen en su lugar a los competidores u otras fuentes, y qué cambios podrían hacer que tu negocio sea más fácil de encontrar, comprender, consultar y elegir en las búsquedas impulsadas por IA. Explora los servicios de SEO de Cadence Search LLM
Porque la próxima era de las búsquedas no se trata solo de conseguir el enlace azul de primer lugar.
Se trata de ser parte de la solución.