ha estado sentando las bases para una forma más estructurada de crear aplicaciones interactivas y con estado impulsadas por IA. Uno de los resultados más interesantes de este esfuerzo fue el lanzamiento de su nueva API de Interacciones hace unas semanas.
A medida que los grandes modelos de lenguaje (LLM) van y vienen, a menudo ocurre que una API desarrollada por un proveedor de LLM puede quedar un poco desactualizada. Después de todo, puede resultar difícil para un diseñador de API anticipar todos los diversos cambios y ajustes que podrían aplicarse a cualquier sistema para el que esté diseñada la API. Esto es doblemente cierto en el caso de la IA, donde el ritmo del cambio no se parece a nada visto antes en el mundo de las TI.
Hemos visto esto antes con OpenAI, por ejemplo. Su API inicial para sus modelos se llamó API de terminaciones. A medida que avanzaban sus modelos, tuvieron que actualizar y lanzar una nueva API llamada Responses.
Google está adoptando un rumbo ligeramente diferente con la API de Interacciones. No es un reemplazo completo de su antigua API generateContent, sino más bien una extensión de la misma.
Como dice Google en su propia documentación…
"La API de Interacciones (Beta) es una interfaz unificada para interactuar con modelos y agentes de Gemini. Simplifica la gestión del estado, la orquestación de herramientas y las tareas de larga duración".
El resto de este artículo explora la necesidad arquitectónica de la API de Interacciones. Comenzaremos de manera simple mostrando cómo la API de Interactions puede hacer todo lo que su predecesor podría hacer, luego terminaremos con cómo permite operaciones con estado, la integración explícita de las capacidades agentes de investigación profunda de alta latencia de Google y el manejo de tareas de larga duración. Iremos más allá de un ejemplo de "Hola mundo" para construir sistemas que requieran una reflexión profunda y la orquestación de una investigación asincrónica.
La brecha arquitectónica: por qué el “chat” es insuficiente
Para comprender por qué existe la API de Interacciones, debemos analizar por qué el bucle de chat estándar de LLM es insuficiente.
En una aplicación de chat estándar, el "estado" está implícito. Existe sólo como una ventana deslizante del historial del token. Si un usuario está en el paso 3 de un asistente de incorporación y hace una pregunta fuera de tema, el modelo podría alucinar un nuevo camino, rompiendo efectivamente el asistente. El desarrollador no tiene garantía programática de que el usuario esté donde se supone que debe estar.
Para el desarrollo de sistemas de IA más modernos, esto es insuficiente. Para contrarrestar esto, la nueva API de Google ofrece formas de hacer referencia al contexto anterior en interacciones posteriores de LLM. Veremos un ejemplo de eso más adelante.
El problema de la investigación profunda
La capacidad de investigación profunda de Google (impulsada por Gemini) es agente. No sólo recupera información; formula un plan, ejecuta decenas de búsquedas, lee cientos de páginas y sintetiza una respuesta. Este proceso es asincrónico y de alta latencia.
No se puede simplemente solicitar a un modelo de chat estándar que "realice una investigación profunda" dentro de un bucle sincrónico sin correr el riesgo de tiempos de espera o desbordamientos de la ventana de contexto. La API de Interacciones le permite encapsular este proceso agente volátil en un paso estable y administrado, pausando el estado de interacción. Al mismo tiempo, el trabajo pesado se produce y se reanuda sólo cuando se devuelven datos estructurados. Sin embargo, si un agente de investigación profunda tarda mucho tiempo en realizar su investigación, lo último que desea hacer es quedarse sentado esperando a que termine. La API de Interactions le permite realizar investigaciones de antecedentes y sondear sus resultados periódicamente, por lo que recibirá una notificación tan pronto como el agente devuelva sus resultados.
Configurar un entorno de desarrollo
Veamos de cerca la API de Interacciones mirando algunos ejemplos de codificación de su uso. Como ocurre con cualquier proyecto de desarrollo, lo mejor es aislar su entorno, así que hagámoslo ahora. Estoy usando Windows y el administrador de paquetes UV para esto, pero usa la herramienta con la que te sientas más cómodo. Mi código se ejecutó en un cuaderno Jupyter.
uv init Interactions_demo –python 3.12 cd Interactions_demo uv add google-genai jupyter # Para ejecutar el cuaderno, escriba esto en uv run jupyter notebook
Para ejecutar mi código de ejemplo, también necesitará una clave API de Google. Si no tiene uno, vaya al sitio web AI Studio de Google e inicie sesión. Cerca de la parte inferior izquierda de la pantalla, verá un enlace Obtener clave API. Haga clic en eso y siga las instrucciones para obtener su clave. Una vez que tenga una clave, cree una variable de entorno llamada GOOGLE_API_KEY en su sistema y establezca su valor en su clave API.
Ejemplo 1: un equivalente de Hola Mundo
de google import genai cliente = genai.Client() interacción = cliente.interacciones.create( model="gemini-2.5-flash", input="¿Cuál es la capital de Francia" ) print(interaction.outputs[-1].text) # # Salida # La capital de Francia es **París**.
Ejemplo 2: uso de Nano Banana para generar una imagen
Antes de examinar las capacidades específicas de gestión estatal y de investigación profunda que ofrece la nueva API de Interacciones, quiero mostrar que también es una herramienta multimodal de propósito general. Para esto, usaremos la API para crear una imagen usando Nano Banana, que se conoce oficialmente como Gemini 3 Pro Image Preview.
importar base64 importar sistema operativo desde google importar genai # 1. Asegúrese de que el directorio exista output_dir = r"c:temp" si no os.path.exists(output_dir): os.makedirs(output_dir) print(f"Directorio creado: {output_dir}") client = genai.Client() print("Enviando solicitud…") intente: # 2. Sintaxis correcta: pase 'response_modalities' directamente (no dentro) config) interacción = client.interactions.create( model="gemini-3-pro-image-preview", # Asegúrese de tener acceso a este modelo input="Generar una imagen de un hipopótamo con sombrero de copa montando un monociclo.", Response_modalities=["IMAGE"] ) found_image = False # 3. Iterar a través de las salidas e IMPRIMIR todo para i, salida en enumerate(interaction.outputs): # Depurar: imprimir el tipo para que sepamos lo que obtuvimos print(f"n— Output {i+1} Type: {output.type} —") if output.type == "text": # Si el modelo se negó o contestó, esto imprimirá por qué print(f"📝 Respuesta de texto: {output.text}") elif output.type == "image": print(f"Respuesta de imagen: Mime: {output.mime_type}") # Construir nombre de archivo file_path = os.path.join(output_dir, f"hippo_{i}.png") # Guarde la imagen con open(file_path, "wb") como f: # El SDK generalmente devuelve bytes o cadena base64 si isinstance(output.data, bytes): f.write(output.data) else: f.write(base64.b64decode(output.data)) print(f"Guardado en: {file_path}") found_image = True if not found_image: print("nNo se devolvió ninguna imagen. Verifique la 'Respuesta de texto' anterior para conocer el motivo.") excepto Excepción como e: print(f"nError: {e}")
Este fue mi resultado.
Ejemplo 3: Gestión del Estado
La gestión con estado en la API de Interactions se basa en el recurso "Interacción", que sirve como un registro de sesión que contiene el historial completo de una tarea, desde las entradas del usuario hasta los resultados de la herramienta.
Para continuar una conversación que recuerda el contexto anterior, pasa un ID de una interacción anterior al parámetro anterior_interacción_id de una nueva solicitud.
El servidor utiliza esta identificación para recuperar automáticamente el contexto completo de la sesión particular a la que está asociado, eliminando la necesidad de que el desarrollador reenvíe todo el historial de chat. Un efecto secundario es que, de esta manera, el almacenamiento en caché se puede utilizar de manera más efectiva, lo que conduce a un mejor rendimiento y una reducción de los costos de los tokens.
Las interacciones con estado requieren que los datos se almacenen en los servidores de Google. De forma predeterminada, el parámetro de la tienda está establecido en verdadero, lo que habilita esta función. Si un desarrollador establece store=false, no puede utilizar funciones con estado como anterior_interacción_id.
El modo con estado también permite mezclar diferentes modelos y agentes en un solo hilo. Por ejemplo, podría utilizar un agente de investigación profunda para la recopilación de datos y luego hacer referencia al ID de esa interacción para que un modelo Gemini estándar (más barato) resuma los hallazgos.
A continuación se muestra un ejemplo rápido en el que iniciamos una tarea sencilla diciéndole al modelo nuestro nombre y haciéndole algunas preguntas sencillas. Registramos el ID de interacción que produce la sesión y luego, en algún momento posterior, le preguntamos al modelo cuál era nuestro nombre y cuál fue la segunda pregunta que hicimos.
de google import genai client = genai.Client() # 1. Primer turno interacción1 = client.interactions.create( model="gemini-3-flash-preview", input=""" Hola, soy Tom, ¿puedes decirme el nombre químico del agua? Además, ¿cuál es el país reconocido más pequeño del mundo? ¿Y qué altura en pies tiene el Monte Everest """ ) print(f"Respuesta: {interaction1.outputs[-1].text}") print(f"ID: {interaction1.id}") # # Salida # Respuesta: ¡Hola Tom! Aquí están las respuestas a sus preguntas: * **Nombre químico del agua:** El nombre químico más común es **monóxido de dihidrógeno** ($H_2O$), aunque en los círculos químicos formales, su nombre sistemático es **oxidano**. * **País más pequeño reconocido:** **Ciudad del Vaticano**. Cubre sólo alrededor de 0,17 millas cuadradas (0,44 kilómetros cuadrados) y es una ciudad-estado independiente enclavada dentro de Roma, Italia. * **Altura del Monte Everest:** Según la medición oficial más reciente (confirmada en 2020), el Monte Everest tiene **29.031,7 pies** (8.848,86 metros) de altura. ID: v1_ChdqamxlYVlQZ01jdmF4czBQbTlmSHlBOBIXampsZWFZUGdNY3ZheHMwUG05Zkh5QTg
Unas horas más tarde…
from google import genai client = genai.Client() # 2. Segundo turno (pasando anterior_interaction_id) interacción2 = client.interactions.create( model="gemini-3-flash-preview", input="¿Puedes decirme mi nombre y cuál fue la segunda pregunta que te hice?", anterior_interaction_id='v1_ChdqamxlYVlQZ01jdmF4czBQbTlmSHlBOBIXampsZWFZUGdNY3ZheHMwUG05Zkh5QTg' ) print(f"Modelo: {interaction2.outputs[-1].text}") # # Salida # Modelo: ¡Hola Tom! Tu nombre es **Tom**, y la segunda pregunta que hiciste fue: **"¿Cuál es el país reconocido más pequeño del mundo?"** (a lo que la respuesta es Ciudad del Vaticano).
Ejemplo 4: el orquestador de investigación profunda asincrónica
Ahora, pasemos a algo que la antigua API de Google no puede hacer. Uno de los beneficios clave de la API de Interactions es que puede usarla para llamar a agentes especializados, como deep-research-pro-preview-12-2025, para tareas complejas.
En este ejemplo, construiremos un motor de inteligencia competitiva. El usuario especifica un competidor comercial y el sistema activa un agente de investigación profunda para explorar la web, leer informes anuales y crear un análisis de fortalezas, debilidades, oportunidades y amenazas (FODA). Dividimos esto en dos partes. Primero, podemos iniciar nuestra solicitud de investigación usando un código como este.
import time import sys from google import genai def competitivo_intelligence_engine(): client = genai.Client() print("— Deep Research Competitive Intelligence Engine —") competidor_name = input("Ingrese el nombre del competidor a analizar (p. ej., Nvidia, Coca-Cola): ") # Creamos un mensaje específico para obligar al agente a buscar tipos de documentos específicos. Las tareas son: 1. Buscar en la web el Informe Anual más reciente (10-K) y las transcripciones de resultados trimestrales más recientes. 2. Buscar noticias recientes sobre lanzamientos de productos, asociaciones estratégicas y desafíos legales en los últimos 12 meses. 3. Sintetizar todos los hallazgos en un análisis FODA detallado (fortalezas, debilidades, oportunidades, amenazas). Formatee el resultado como un resumen ejecutivo profesional con la sección FODA claramente definida en Markdown. print(f"n Implementación del Agente de investigación profunda para: {nombre_competidor}…") # 1. Inicie el Agente de investigación profunda # Usamos el ID de agente específico proporcionado en su prueba de muestra: initial_interaction = client.interactions.create( input=prompt, agent="deep-research-pro-preview-12-2025", background=True ) excepto la excepción como e: print(f"Error al iniciar el agente: {e}") return print(f" Investigación iniciada. ID de interacción: {initial_interaction.id}") print("⏳ El agente ahora está navegando por la web y leyendo informes. Esto puede tardar varios minutos.")
Esto producirá el siguiente resultado.
— Motor de inteligencia competitiva de investigación profunda — Ingrese el nombre del competidor a analizar (p. ej., Nvidia, Coca-Cola): Nvidia implementando agente de investigación profunda para: Nvidia… Investigación iniciada. ID de interacción: v1_ChdDdXhiYWN1NEJLdjd2ZElQb3ZHdTBRdxIXQ3V4YmFjdTRCS3Y3dmRJUG92R3UwUXc El agente ahora está navegando por la web y leyendo informes. Esto puede tardar varios minutos.
A continuación, como sabemos que el trabajo de investigación tardará algún tiempo en completarse, podemos usar el ID de interacción impreso arriba para monitorearlo y verificar periódicamente si está terminado.
Por lo general, esto se haría en un proceso separado que le enviaría un correo electrónico o un mensaje de texto cuando se completara el trabajo de investigación para que pueda continuar con otras tareas mientras tanto.
intente: while True: # Actualizar el estado de la interacción interacción = client.interactions.get(initial_interaction.id) # Calcular el tiempo transcurrido = int(time.time() – start_time) # Imprime una línea de estado dinámica para que sepamos que está funcionando sys.stdout.write(f"r Estado: {interaction.status.upper()} | Tiempo transcurrido: {elapsed}s") sys.stdout.flush() if interacción.status == "completado": print("nn" + "="*50) print(f" INFORME DE INTELIGENCIA: {competitor_name.upper()}") print("="*50 + "n") # Imprime el contenido print(interaction.outputs[-1].text) break elif interacción.status en ["fallido", "cancelado"]: print(f"nnEl trabajo finalizó con estado: {interaction.status}") # A veces los detalles del error están en el texto de salida incluso en caso de falla si interactuación.outputs: print(f"Detalles del error: {interaction.outputs[-1].text}") break # Espere antes de volver a sondear para respetar los límites de velocidad time.sleep(10) excepto KeyboardInterrupt: print("nUsuario interrumpido. La investigación puede continuar en segundo plano.")
No mostraré el resultado completo de la investigación, ya que fue bastante extensa, pero aquí está solo una parte.
========================================================== 📝 INFORME DE INTELIGENCIA: NVIDIA =========================================================== # Análisis Estratégico & Revisión ejecutiva: Nvidia Corporation (NVDA) ### Hallazgos clave * **Dominio financiero:** Nvidia reportó ingresos récord en el tercer trimestre del año fiscal 2026 de **57 000 millones de dólares** (+62 % interanual), impulsados por la asombrosa cifra de **51 200 millones de dólares** en ingresos del centro de datos. La empresa ha pasado efectivamente de ser un fabricante de hardware a ser el proveedor de infraestructura fundamental para la "Revolución Industrial de la IA". * **Expansión estratégica:** Los principales movimientos a finales de 2025 incluyeron una **hoja de ruta de inversión de $100 mil millones de dólares con OpenAI** para implementar 10 gigavatios de computación y una **adquisición de activos de Groq por $20 mil millones**, lo que hizo que Nvidia ingresara agresivamente al mercado de inferencia de IA. * **Peligro regulatorio:** La empresa enfrenta vientos geopolíticos en contra cada vez más intensos. En septiembre de 2025, la SAMR de China encontró que Nvidia había violado las leyes antimonopolio con respecto a su adquisición de Mellanox. Al mismo tiempo, la Corte Suprema de los Estados Unidos permitió que procediera una demanda colectiva sobre la divulgación de ingresos criptográficos. * **Hoja de ruta del producto:** El lanzamiento de la **GeForce RTX serie 50** (arquitectura Blackwell) y el **Proyecto DIGITS** (supercomputadora personal de IA) en CES 2025 señala un impulso para democratizar la computación de IA más allá del centro de datos hacia el escritorio. — ## 1. Resumen ejecutivo Nvidia Corporation (NASDAQ: NVDA) se encuentra en la cúspide de la transformación de la inteligencia artificial, habiendo evolucionado con éxito de un proveedor de unidades de procesamiento de gráficos (GPU) a una empresa de plataformas informáticas de pila completa. A principios de 2026, Nvidia no se limitará a vender chips; está construyendo "fábricas de IA", centros de datos completos integrados con sus propias redes, software (CUDA) y hardware. El año fiscal 2025 y los primeros tres trimestres del año fiscal 2026 han demostrado una aceleración financiera sin precedentes. La arquitectura "Blackwell" de la empresa ha visto que la demanda supere a la oferta, creando un retraso que se extiende hasta 2026. Sin embargo, este dominio ha provocado un intenso escrutinio. La brecha geopolítica entre Estados Unidos y China plantea la mayor amenaza para el crecimiento a largo plazo de Nvidia, como lo demuestran las recientes conclusiones antimonopolio de los reguladores chinos y las continuas controversias de contrabando que involucran chips restringidos como el Blackwell B200. Estratégicamente, Nvidia se está protegiendo contra la mercantilización del entrenamiento de IA al ingresar agresivamente al mercado de la **inferencia**, la fase donde los modelos de IA se utilizan en lugar de construirse. La adquisición de la tecnología de Groq en diciembre de 2025 es una maniobra defensiva y ofensiva para asegurar capacidades de procesamiento de baja latencia. — ## 2. Análisis del desempeño financiero **Fuentes:** [citar: 1, 2, 3, 4, 5] ### 2.1. Informe anual del año fiscal 2025 (10-K) Aspectos destacados El año fiscal 2025 de Nvidia (que finaliza en enero de 2025) marcó un punto de inflexión histórico en el sector tecnológico. * **Ingresos totales:** 130.500 millones de dólares, un **aumento del 114 %** año tras año. * **Ingresos netos:** 72.9 mil millones de dólares, aumentando **145%**. * **Ingresos del centro de datos:** 115.200 millones de dólares (+142%), lo que confirma el cambio total de la gravedad de la empresa desde los juegos hacia la IA empresarial. * **Margen bruto:** Ampliado a **75,0%** (frente al 72,7%), lo que refleja el poder de fijación de precios y el alto valor de la arquitectura Hopper. … … … ## 5. Análisis FODA ### **Fortalezas** * **Monopolio tecnológico:** Nvidia posee una participación de mercado estimada del 80-90 % en chips de entrenamiento de IA. Las arquitecturas **Blackwell** y las próximas **Vera Rubin** mantienen una ventaja de varios años sobre sus competidores. * **Bloqueo del ecosistema (CUDA):** La plataforma de software CUDA sigue siendo el estándar de la industria. La reciente expansión a "fábricas de IA" y soluciones completas (redes + hardware + software) hace que los costos de cambio sean prohibitivamente altos para los clientes empresariales. * **Fortaleza financiera:** Con márgenes brutos que superan el **73%** y un flujo de caja libre de decenas de miles de millones, Nvidia tiene un capital inmenso para reinvertir en I+D (compromiso de OpenAI de $100 mil millones) y adquirir tecnología emergente (Groq). * **Comando de la cadena de suministro:** Al reservar con anticipación una capacidad masiva en TSMC (empaquetado CoWoS), Nvidia controla efectivamente el grifo del suministro global de computación de IA. ### **Debilidades** * **Concentración de ingresos:** Una parte importante de los ingresos se deriva de un puñado de "Hyperscalers" (Microsoft, Meta, Google, Amazon). Si estos clientes cambian con éxito a su propio silicio personalizado (TPU, Trainium, Maia), los ingresos de Nvidia podrían enfrentar un precipicio. * **Alineación de precios:** El alto costo del hardware de Nvidia (por ejemplo, $1,999 para GPU de consumo, más de $30 mil para chips empresariales) está empujando a los desarrolladores más pequeños y a las nuevas empresas hacia alternativas más baratas o soluciones de inferencia basadas en la nube. * **Punto único de falla de la cadena de suministro:** La dependencia total de **TSMC** en Taiwán expone a Nvidia a un riesgo catastrófico en caso de un conflicto a través del Estrecho o un desastre natural. ### **Oportunidades** * **El mercado de inferencia:** El acuerdo con Groq de 20 mil millones de dólares posiciona a Nvidia para dominar la fase de *inferencia* (modelos en ejecución), que se espera que sea un mercado más grande que el de capacitación a largo plazo. * **IA soberana:** Las naciones (Japón, Francia, estados del Medio Oriente) están construyendo sus propias "nubes soberanas" para proteger la privacidad de los datos. Esto crea una base de clientes nueva y masiva fuera de las grandes tecnologías estadounidenses. * **IA física y robótica:** Con el **Proyecto GR00T** y la plataforma **Jetson**, Nvidia se está posicionando como el cerebro de los robots humanoides y los sistemas industriales autónomos, un mercado aún en su infancia. * **Software y servicios (NIM):** Nvidia está haciendo la transición a un modelo de software como servicio con Nvidia Inference Microservices (NIM), creando flujos de ingresos recurrentes que son menos cíclicos que las ventas de hardware. ### **Amenazas** * **Guerra comercial geopolítica:** La guerra tecnológica entre Estados Unidos y China es la amenaza existencial. Un mayor endurecimiento de los controles de exportación (por ejemplo, la prohibición de los chips H20) o una represalia agresiva por parte de China (sanciones antimonopolio SAMR) podrían cortar permanentemente el acceso a uno de los mercados de semiconductores más grandes del mundo. * **Acción regulatoria antimonopolio:** Más allá de China, Nvidia enfrenta un escrutinio en la UE y EE. UU. (DOJ) con respecto a sus prácticas de venta por paquetes y su dominio del mercado. Una ruptura forzada o remedios conductuales podrían obstaculizar su estrategia "full-stack". * **Contrabando y robo de propiedad intelectual:** Como se vio con la controversia de DeepSeek, las prohibiciones de exportación pueden alimentar inadvertidamente un mercado negro y acelerar la innovación interna china (por ejemplo, Huawei Ascend), creando un competidor que opera fuera de las leyes de propiedad intelectual occidentales. * **Competencia "suficientemente buena":** Para muchas cargas de trabajo de inferencia, los chips más baratos de AMD o ASIC especializados pueden llegar a ser "suficientemente buenos", erosionando el poder de fijación de precios de Nvidia en el extremo inferior del mercado. … … …
Hay mucho más que puedes hacer con la API de Interacciones de lo que he mostrado, incluida la llamada a herramientas y funciones, la integración de MCP, la salida estructurada y la transmisión.
Pero tenga en cuenta que, al momento de escribir este artículo, la API de Interacciones todavía está en versión Beta y el agente de investigación profunda de Google está en versión preliminar. Sin duda esto cambiará en las próximas semanas, pero es mejor comprobarlo antes de utilizar esta herramienta en un sistema de producción.
Para obtener más información, consulte el siguiente enlace a la página de documentación oficial de Google para la API de interacciones.
https://ai.google.dev/gemini-api/docs/interactions?ua=chat
Resumen
La API de Google Interactions indica una madurez en el ecosistema de ingeniería de IA. Reconoce que el "Mensaje de todo", un bloque de texto único y masivo que intenta manejar la personalidad, la lógica, las herramientas y la seguridad, es un antipatrón.
Al utilizar esta API, los desarrolladores que utilizan Google AI pueden desacoplar eficazmente el razonamiento (el trabajo del LLM) de la arquitectura (el trabajo del desarrollador).
A diferencia de los bucles de chat habituales, donde el estado es implícito y propenso a alucinaciones, esta API utiliza un recurso de "interacción" estructurado para servir como un registro de sesión permanente de todas las entradas, salidas y resultados de las herramientas. Con la administración con estado, los desarrolladores pueden hacer referencia a una ID de interacción de un chat anterior y recuperar el contexto completo automáticamente. Esto puede optimizar el almacenamiento en caché, mejorar el rendimiento y reducir los costos al eliminar la necesidad de reenviar historiales completos.
Además, la API de Interactions es la única capaz de orquestar procesos agentes asincrónicos y de alta latencia, como Deep Research de Google, que puede explorar la web y sintetizar cantidades masivas de datos en informes complejos. Esta investigación se puede realizar de forma asincrónica, lo que significa que puede iniciar tareas de larga duración y escribir código simple para recibir una notificación cuando finalice el trabajo, lo que le permitirá trabajar en otras tareas mientras tanto.
Si está creando un asistente de escritura creativa, un simple bucle de chat está bien. Pero si está creando un analista financiero, un evaluador médico o un motor de investigación profunda, la API de Interactions proporciona el andamiaje necesario para convertir un modelo probabilístico en un producto más confiable.