Nuestros sitios
Ver edición digital Suscríbete al NEWSLETTER
Compartir

Materializar la aplicación de la IA en toda una empresa, ¿cómo lograrlo?

Amit Joshi, Ivy Buche y Miguel Paredes Sadler 22 Jun 2023
Materializar la aplicación de la IA en toda una empresa, ¿cómo lograrlo? Con este método ya es posible que apliques la IA a toda una empresa y que deje de ser un sueño. (Especial)

Los equipos necesarios para poner en marcha la IA deben dar paso a estructuras que abarquen toda la empresa para poder ampliar el poder de la tecnología.


Empresas de una amplia gama de sectores están realizando importantes inversiones en IA y cada vez están más preocupadas por cómo ampliar el uso de la tecnología para obtener beneficios.

Demasiadas empresas se estancan en su viaje hacia la IA y tienen dificultades para ir más allá de proyectos piloto o soluciones puntuales. Esto no se debe necesariamente a la complejidad de la tecnología. Según nuestros estudios, las empresas no consiguen extraer el valor empresarial potencial de la IA no por falta de conocimientos técnicos, sino por problemas estructurales y de procesos.

Costos ambientales de la Inteligencia Artificial

Analizamos en profundidad el proceso de ampliación de la IA de 10 empresas heredadas líderes del mercado con entre tres y ocho años de experiencia en la implantación de la IA. Estas empresas se encontraban en distintas fases de progreso, desde capacidades relativamente incipientes hasta extremadamente sofisticadas.

La forma en que organizaron sus esfuerzos en cada etapa tuvo implicaciones en lo que fueron capaces de lograr. Descubrimos que los proyectos de IA en las empresas suelen comenzar como lo que llamamos islas de experimentación (IOE) antes de reunirse en torno a un centro de excelencia corporativo (COE). Sólo un pequeño número pasa a un sofisticado modelo de federación de conocimientos especializados (FOE) construido sobre una base centralizada de conocimientos.

Esto implica que las empresas con ambiciones de IA pueden necesitar dar dos saltos potenciales. A continuación, explicamos por qué es necesario cada salto y analizamos cómo pueden facilitarlos las empresas.

Los límites de la experimentación IA

Las iniciativas de IA suelen comenzar con equipos pequeños y especializados que exploran problemas específicos, pero estas OIE descentralizadas tienen un impacto limitado.

Por ejemplo, una empresa farmacéutica global de nuestro estudio desarrolló una herramienta de aprendizaje automático para predecir la siguiente mejor acción para su fuerza de ventas. Aunque esta herramienta se lanzó con éxito en un país, no se extendió más debido a la estructura altamente descentralizada de la empresa.

Los intentos de lanzar la herramienta en otro país donde habría beneficiado a las operaciones de la empresa fracasaron. Al final, la empresa se dio cuenta de que la herramienta no se utilizaba lo suficiente como para generar un ROI suficiente sobre el proyecto, y la iniciativa se canceló.

Las IOE suelen fracasar en su ampliación como resultado de las cuatro limitaciones siguientes:

  • Las IOE suelen basarse en datos de nicho seleccionados para resolver un problema específico, lo que por su propia naturaleza dificulta su uso generalizado.
  • El número y la disponibilidad limitados de conjuntos de datos curados significa que acaban agotándose (en la fase inicial no suele haber una arquitectura de datos de apoyo para nuevos conjuntos de datos), y los proyectos se paralizan, incluso en entornos reducidos.
  • Estos proyectos de IA no son visibles ni accesibles en toda la empresa, lo que da lugar a la duplicación de esfuerzos, ineficiencias y mayores costes.
  • Las limitaciones de recursos restringen el progreso a lo largo del tiempo. En consecuencia, una vez resueltos los problemas “fáciles”, estas islas tienden a estancarse o, a veces, a desaparecer por completo.

Ayudar a los médicos a tomar mejores decisiones con datos: Ziad Obermeyer de UC Berkeley

La ampliación a partir de IOE dispares para construir un COE sólido es esencial para crear valor en toda la empresa. Las IOE suelen centrarse en iniciativas tácticas que pueden generar beneficios rápidos, pero que no están necesariamente alineadas con los objetivos estratégicos de la empresa. El COE permite un cambio fundamental en el tipo de resultados de la IA: Se convierten en estratégicos para lograr objetivos empresariales clave.

Rímac, el ejemplo del acoplamiento IA

Dar el salto de IOE a COE permitió a Rímac, la mayor aseguradora de Perú, ampliar sus experimentos de IA destinados a gestionar la rotación y comprender la propensión de los clientes a comprar productos. El COE se estableció en 2019 junto con una nueva función, el director de IA y datos, que depende directamente del CEO y forma parte del comité ejecutivo. Esos movimientos enviaron una fuerte señal sobre la importancia de la IA, el análisis y los datos para el resto de la organización.

El director de IA y datos introdujo la IA y la analítica como punto del orden del día en las reuniones estratégicas de nivel C y convenció a los líderes de la organización de que los datos de la empresa eran un activo estratégico. El ejecutivo consiguió un presupuesto para financiar iniciativas estratégicas de IA y datos, influyó en las unidades de negocio (BU) para que experimentaran con modelos innovadores de IA. Además, estableció principios y procesos de gobernanza de datos en colaboración con TI.

El COE pasó a crear propuestas de valor completamente nuevas, como una farmacia digital, que se alinearon con la entrada estratégica de la empresa en el bienestar en 2022.

Un COE también es esencial para las empresas que tratan de abordar problemas que son difíciles y complejos y tienen un valor potencialmente alto. Si se hace bien, el COE puede acabar convirtiéndose en una fuente de ventaja competitiva, como ocurrió en Securitas, una empresa de servicios de seguridad global.

El caso Securitas

Después de que Securitas estableciera un COE de análisis avanzado en 2018, el equipo del COE eligió trabajar en el difícil problema de la predicción de riesgos. El equipo se basó en datos internos y datos externos. A continuación, se entrenó el modelo de IA para predecir el riesgo de un incidente y dónde y cuándo podría ocurrir, con una precisión del 88 por ciento.

La predicción proporcionó información a los clientes para que pudieran programar mejor las guardias y patrullas, permitiéndoles así hacer frente al riesgo dinámico.

Por ejemplo, el modelo alertó a un minorista sueco con más de 90 puntos de venta sobre cuáles de sus establecimientos eran los más expuestos, los mayores riesgos en cada uno de ellos y los factores que los provocaban. Esto permitió tomar medidas críticas para mejorar significativamente la seguridad del minorista.

Resolver el problema de la predicción de riesgos no habría sido posible sin un enfoque centralizado que permitiera a Securitas adquirir el volumen y la variedad de datos necesarios. Así como los expertos en IA más especializados que se requieren para dotar de personal a un COE, según el entonces director de operaciones Martin Althén. La predicción de riesgos a través de una aplicación pronto se convirtió en un diferenciador competitivo para Securitas.

Las asociaciones en IA ayudan a cuidar el planeta: Dave Thau de WWF

Centrarse en la estandarización para ofrecer servicios a escala

Las OIE son, casi por definición, oportunistas y ágiles. Sus objetivos clave son la rapidez y las soluciones “suficientemente buenas” para las necesidades urgentes de una unidad de negocio o función. En consecuencia, las OIE son el lugar donde se generan las pruebas de concepto, salvando el abismo de adopción entre los primeros adoptantes y el resto de una organización.

Pero también generan ineficiencias debido a la falta de datos estandarizados y de infraestructura de IA. Mediante el uso de los COE, las empresas pueden cambiar el énfasis de las aplicaciones de IA de las victorias rápidas/pruebas de concepto a la entrega rápida de soluciones de IA fiables.

Para ello, crean procesos estructurados y sistemas estandarizados que pueden producir y desplegar modelos de forma eficiente. Además, el COE impulsa una gobernanza de modelos adecuada para ayudar a la organización a lograr un nivel granular de control.

Los procesos estandarizados y una arquitectura de datos son cruciales para la IA

Los procesos estandarizados y una arquitectura de datos y análisis compartida son cruciales para reunir a todas las partes. Los usuarios de la unidad de negocio que se beneficiarán de las ideas y predicciones de los modelos, los ingenieros de datos de TI. Los desarrolladores de modelos de IA y el personal de operaciones de aprendizaje automático (MLOps) que pondrá la tecnología en producción.

En un gran grupo de supermercados de Estados Unidos, esto comenzó con la formalización de la cadena de mando para implementar los esfuerzos de IA. Identificar quién tomaba las decisiones, quién era responsable, quién podía intervenir y quién pagaría.

La empresa decidió que las unidades de negocio serían las responsables de los proyectos de IA, después de comprobar que tenían mucho más éxito que los responsables de IA y análisis a la hora de influir en el departamento de TI para conseguir las mejoras necesarias.

A continuación, la empresa estableció expectativas estándar para los tiempos de respuesta y los niveles de servicio de los científicos de datos, MLOps y TI relacionados con la creación y producción de modelos y la creación de canalizaciones de datos para poner los modelos en producción.

Ubicar los COE donde mejor sirvan a los objetivos actuales

La ubicación estructural del COE dentro de la organización depende de la madurez, los procesos de toma de decisiones y la dinámica corporativa de la empresa. El COE puede seguir siendo un centro de costes independiente financiado en su totalidad por la sede corporativa o cofinanciado por todas las unidades de negocio. Alternativamente, puede operar bajo TI como una unidad separada con límites claros, o bajo una BU dominante o una función clave como el marketing.

La IA como herramienta para ejercitarse: Ameen Kazerouni de Orangetheory Fitness

Por ejemplo, el COE de Securitas se creó como una unidad independiente que trabajaba con principios operativos ágiles y tecnologías de código abierto. Algo que no era habitual en la función de TI heredada de la empresa.

Más tarde, pasó a formar parte de la unidad de negocio de Securitas, centrada en soluciones de seguridad digital. Por el contrario, el COE de Philip Morris International se ha mantenido dentro de la función de TI para mantener un fácil acceso a los datos. Así evita al mismo tiempo la complejidad de crear una nueva unidad global. Y la empresa de servicios financieros Rabobank estableció un COE para acelerar la transformación de datos y análisis de la unidad internacional de alimentación.

Centro de Excelencia (COE) Qué hacer y qué no hacer

  • Crear sistemas en el COE para identificar y corregir los sesgos
  • NO permita que las unidades de negocio desarrollen el síndrome “no inventado aquí”
  • CONTENGA la impaciencia intelectual de los expertos del COE
  • NO depender del COE para la generación de problemas; en su lugar, originar preguntas en la BU
  • Construir rápidamente la credibilidad y la confianza en el COE
  • NO perder de vista el horizonte plurianual en la planificación.

Estos ejemplos demuestran que el COE se sitúa mejor en cualquier función o división que pueda facilitar la ejecución y, por tanto, captar valor. Cada una de las alternativas ofrece distintos grados de autonomía, responsabilidad y potencial de colaboración.

Los COE que son verdaderamente autónomos pueden abordar cualquier parte del negocio con agencia y poder para crear valor. La estructura también puede evolucionar para adaptarse a la dirección estratégica de la empresa. Así lo vemos en Rímac. Aunque el COE de análisis avanzado comenzó como una entidad independiente que dependía del director de IA y datos. Al cabo de tres años se incorporó a la función de marketing para permitir una transformación orientada al cliente en torno a los servicios de bienestar en el siguiente ciclo estratégico.

Medicina de precisión en la industria farmacéutica: Frank Nestle de Sanofi

Abordar el desajuste entre incentivos e indicadores de rendimiento en pro de la IA

Alinear los incentivos y compartir el riesgo entre el COE y la BU es fundamental para ampliar la IA. Dado que el COE no opera en el vacío, el establecimiento de KPI sólo para el COE le otorga responsabilidad sin poder. Entonces resulta aún más fácil para las BU escépticas afirmar que el COE no está generando valor.

En Rímac, el objetivo del COE era aumentar los beneficios brutos en 15 millones de dólares en un año. Sin embargo, la BU con la que debía crearse este valor no tenía este objetivo en su cuadro de mando. Por lo que no priorizó necesariamente los recursos, el ancho de banda y el esfuerzo necesarios para implantar los modelos de IA (o ayudar a crearlos). El COE no pudo alcanzar plenamente estos objetivos.

Para rectificar la situación, en 2022 la empresa pasó a un sistema de objetivos compartidos por el que las unidades de negocio tenían su parte correspondiente de objetivos de valor y resultados clave. Eso garantizaba una asignación adecuada de esfuerzos y recursos.

Además, la contabilidad adecuada del valor añadido era esencial para establecer un KPI medible, lo que permitía estimar correctamente el ROI de los esfuerzos de IA. Un alto ejecutivo de la empresa explicó:

“Si el responsable de la empresa sabe que su cuenta de resultados está cargado con 500 mil dólares al año para cubrir costes, pero el COE está generando 5 millones de dólares en ingresos operativos. Es obvio que las motivaciones de ambas partes coincidirán”.

Cuando el COE no es suficiente

Aunque los COE han sido mecanismos exitosos utilizados por muchas empresas para obtener más valor de sus capacidades de IA, pueden ser insuficientes para empresas grande. Para esas organizaciones, uno de los inconvenientes del COE es que carece del conocimiento de dominio sobre áreas de negocio específicas.

En un conglomerado que estudiamos, el COE creó un modelo de predicción del gasto y actualización de clientes para su negocio de hostelería. El modelo proporcionaba información que permitía a los empleados ofrecer a clientes determinados mejores habitaciones, paquetes de spa, opciones de ocio y otras mejoras.

Aunque el modelo funcionaba bien desde el punto de vista técnico, la implantación fracasó porque sencillamente no podía insertarse en los procesos de toma de decisiones y de trabajo del personal. El jefe del COE dijo:

“Sabíamos que podíamos hacer muchas cosas interesantes; también contábamos con el patrocinio del director general del hotel, pero no entendíamos realmente el negocio. Nuestra falta de conocimientos no nos permitía hacer buenas preguntas ni incorporar las funciones adecuadas a los modelos. Entonces nos dimos cuenta de que, para tener éxito, nuestros científicos de datos debían convertirse en especialistas en ámbitos como la hostelería, la minería, la pesca, etc. Y no ser generalistas a nivel corporativo”.

Los COE se vuelven un cuello de botella

En segundo lugar, con el éxito y la credibilidad crecientes, los COE tienden a convertirse en un cuello de botella. Una señal reveladora es cuando el COE pasa de llamar a las puertas de las BU para encontrar proyectos analíticos a tener una acumulación de múltiples proyectos de BU que compiten por la prioridad.

Una ventanilla única de datos: Anders Butzbach Christensen de Grupo Lego

Cuando las unidades de negocio acaban haciendo cola para acceder a los recursos limitados del equipo de gestión, se produce una ralentización del ritmo de ampliación. Lo que en última instancia genera frustración en ambas partes. En estas situaciones, las empresas pueden recurrir a un modelo de federación de expertos.

Composición del modelo FOE

El modelo FOE consta de dos elementos: una base centralizada de conocimientos, sistemas, procesos y herramientas. Además de las capacidades integradas descentralizadas. Cada unidad de negocio paga a los especialistas integrados (MLOps y personal de desarrollo y operaciones), y el tamaño del equipo depende del perfil y los objetivos de la empresa.

El equipo técnico se centra en crear soluciones analíticas específicas para cada unidad de negocio y un catálogo de algoritmos y procesos que puedan utilizarse para el descubrimiento de datos, etcétera. La rendición de cuentas suele lograrse a través de una doble línea jerárquica con revisiones conjuntas del negocio para acordar las prioridades.

El caso Procter & Gamble (P&G) y su aplicación de la IA

En Procter & Gamble (P&G), el centro corporativo proporciona la plataforma central. Por ejemplo, Microsoft Azure y un lago de datos central- y la BU construye los productos sobre ella. Los equipos integrados extraen datos de este sistema para crear concentradores de datos y construir soluciones que correspondan a las necesidades de una BU específica.

La estructura FOE permite al equipo central tener una visión de pájaro para poder identificar situaciones en las que una solución local concreta podría tener múltiples aplicaciones. El equipo integrado también tiene autonomía para incubar ideas ascendentes con potencial para ser reaplicadas en toda la empresa.

P&G gestiona hábilmente este equilibrio entre autonomía y control aprovechando un sandbox de ciencia de datos para crear una solución específica de la BU, probarla y luego replicarla en otras unidades. Por ejemplo, el modelado de audiencias, un caso de uso muy valioso para el marketing digital, no necesita ser reconstruido unidad por unidad.

Sin embargo, el peligro de las FOE es que las prácticas y herramientas pueden fragmentarse en toda la empresa.

Big Data en la agricultura: Teddy Bekele de Land O’Lakes

¿Qué pasó con Rímac es este sentido?

Cuando Rímac pasó a un modelo federado de centro y radios, su unidad de negocio de seguros de salud procedió a integrar capacidades especializadas asignando un presupuesto. Rímac evitó la fragmentación asignando al jefe del COE y a tres jefes de proyecto la responsabilidad del diálogo permanente con el jefe de la BU y haciéndoles participar en reuniones de gestión para comprender las necesidades de la empresa.

También formó a los nuevos talentos en las mejores prácticas y en las lecciones aprendidas de errores pasados, y fijó ejes para garantizar la coherencia.

Ventajas de la ampliación al modelo FOE

Una ventaja clave de la ampliación al modelo FOE es que impulsa un efecto de rueda volante. La priorización puede basarse en el valor acumulado. Es posible que un proyecto no aporte beneficios significativos en la primera ronda. Pero podría generar importantes conjuntos de datos o herramientas que podrían reutilizarse para múltiples casos de uso en el futuro.

Como explica Harrie Schaap, responsable de transformación de datos y análisis de Rabobank:

“Ya no se trata sólo del valor monetario o de la facilidad de implantación. La cuestión más importante es si, al perseguir este caso de uso, estamos construyendo realmente una posición de datos que será un trampolín para crear un valor monetario sustancial a partir de los siguientes casos de uso”.

Esto significa avanzar en la jerarquía de la ciencia de datos, donde la ejecución de un nivel desbloquea un mayor potencial en el siguiente. Como centros de costes con horizontes temporales más cortos, los COE no pueden asignar prioridades utilizando la misma lógica.

El modelo FOE llegó para salvar la aplicación de la IA

Y lo que es más importante, en tiempos difíciles, la financiación del COE podría verse amenazada, lo que paralizaría el progreso. Sin embargo, este problema se evita en el modelo FOE. Esto porque los proyectos federados de IA no se enfrentan necesariamente a las mismas presiones de recorte de costes, por lo que la ampliación puede continuar.

Los COE suelen ser centros de costes, y las BU suelen oponerse a las peticiones de financiación de un COE que no solicitaron en un principio. Pueden mostrarse escépticas ante las nuevas soluciones propuestas por el COE y dudar de que generen suficiente valor, al menos al principio. Y normalmente quieren ver el retorno de la inversión dentro del ejercicio fiscal. Mientras que algunos trabajos relacionados con la IA pueden tardar varios años en generar un retorno positivo.

Lo que debe y no debe hacer la Federación de Expertos (FOE)

  • Establezca una gobernanza que equilibre el control y el acceso
  • NO pasarse demasiado rápido al modelo de FOE
  • Evitar la competencia de estatus entre el COE y la unidad/función de negocio en términos de toma de decisiones
  • NO subestimar el papel del “traductor” entre las unidades de negocio y el equipo de gestión
  • Los COE intentarán minimizar su participación, pero las BU presionarán para que los COE participen plenamente
  • NO se olvide de priorizar los casos de uso de alto impacto en toda la empresa

La transición de un COE a un FOE permite un cambio en el modelo de financiación: de un sistema basado en contribuciones y asumido por las BU a un modelo de financiación dual en el que el equipo central es financiado por la sede corporativa y cada BU mantiene sus propios recursos de datos. Este cambio permite a las unidades de negocio tener un mayor control tanto de los gastos como de los resultados finales.

Transformando una organización tecnológica para el futuro: Gerri Martin-Flickinger de Starbucks

Cerrar el bucle de retroalimentación

La palanca más potente para ampliar el uso y la adopción de la inteligencia artificial es demostrar que el uso de herramientas de IA tiene un impacto financiero positivo en la empresa. Esto requiere que la organización establezca un flujo de retroalimentación desde la unidad de negocio al equipo de MLOps. Y en última instancia, a los científicos de datos. Esto ayuda a garantizar que se abordan los dos problemas más comunes en la creación de modelos: la aplicabilidad y la deriva del modelo.

La información procedente de la empresa de que. Por ejemplo, una herramienta de IA destinada a mejorar la generación de clientes potenciales está produciendo pocas conversiones en clientes permite al equipo de análisis de datos volver a entrenar el modelo con más datos. De hecho, en algunas empresas, los expertos centrales del COE/FOE se niegan a apoyar a las BU que no proporcionan información sobre sus modelos.

La retroalimentación continua también permite detectar más rápidamente la desviación del modelo. Es decir, cuando el propio aprendizaje de la herramienta de IA en el trabajo cambia su resultado de forma que lo hace menos útil o incluso erróneo. Las empresas maduras supervisan cuidadosamente las medidas de rendimiento, como la precisión del modelo, las tasas y tipos de error.

Cambio de procesos a escala, un paso hacia la IA

La progresión desde la resolución de problemas concretos a la creación de nuevas capacidades debe desembocar, en última instancia, en procesos de trabajo coherentes en toda la organización.

¿Qué hizo Tetra Pak?

En Tetra Pak, líder mundial en soluciones de procesamiento y envasado de alimentos, el equipo de ciencia de datos identificó una importante oportunidad para optimizar las existencias de seguridad de su material. Esto con el fin de minimizar el capital circulante y mantener al mismo tiempo los niveles de servicio al cliente.

Como primer paso, afinó la fórmula de previsión de existencias utilizando datos históricos sobre la variabilidad de la demanda de los clientes y la de los plazos de entrega de los proveedores de materiales. El éxito de las pruebas piloto con la nueva fórmula permitió al equipo generar la confianza inicial de los planificadores de la cadena de suministro.

El segundo paso fue más complejo. El equipo examinó las previsiones históricas para identificar los sesgos que influían en los errores de previsión. Estos sesgos procedían de los incentivos de ventas para aumentar el crecimiento y de los incentivos de la cadena de suministro para reducir el coste del servicio.

Una tercera vía para el desarrollo del talento: Michelle McCrackin de Delta

Con esta información, el equipo creó un modelo de aprendizaje automático que proporcionaría una previsión de reposición de referencia al principio del proceso de planificación. Esto requirió una serie de cambios significativos en el proceso:

  • Redefinir el proceso de previsión
  • Replantear las funciones y responsabilidades de los planificadores
  • Introducir nuevos mecanismos para medir la precisión de las previsiones y minimizar el coste total del servicio.

Traducción de los esfuerzos de Tetra Pak: No sólo utilizó la IA de forma integral, también ayudó a su bolsillo

Estos esfuerzos se tradujeron en una reducción de 25 millones de euros (27 millones de dólares) en el capital circulante a corto plazo. Además de una oportunidad de ampliación de 43 millones de euros adicionales aplicando el mismo modelo de previsión de aprendizaje automático a otros componentes, como popotes y tapones.

Y lo que es más importante, tanto el equipo de ciencia de datos como el de operaciones pensaron de forma más holística en cómo podría integrarse la IA para optimizar el inventario para clientes específicos. Sólo cuando los procesos cambian radicalmente puede un enfoque basado en datos convertirse en un cambio estratégico.

Muchas empresas se encuentran en un viaje para obtener un amplio valor de la analítica de datos y las capacidades de IA. Pero aún están lejos del destino, a menudo a la deriva entre islas de experimentación. En su lugar, la ampliación de la IA requiere dos saltos críticos que tienen menos que ver con la tecnología o los recursos y más con el establecimiento de estructuras organizativas.

Aunque en la última década se ha experimentado con la aplicación de la IA, la próxima recompensará a las organizaciones que realmente consigan ampliarla. 


SOBRE LOS AUTORES

Amit Joshi es profesor de IA, analítica y estrategia de marketing en el International Institute for Management Development (IMD). Ivy Buche es directora asociada de la Iniciativa de Transformación Empresarial del IMD. Miguel Paredes Sadler es vicepresidente de IA y ciencia de datos en Albertsons Companies.

Síguenos en Google News
Te recomendamos
Foto perfil de Amit Joshi, Ivy Buche y Miguel Paredes Sadler
Amit Joshi, Ivy Buche y Miguel Paredes Sadler Amit Joshi es profesor de IA, analítica y estrategia de marketing en el International Institute for Management Development (IMD). Ivy Buche es directora asociada de la Iniciativa de Transformación Empresarial del IMD. Miguel Paredes Sadler es vicepresidente de IA y ciencia de datos en Albertsons Companies.
Descarga GRATIS nuestro especial
descargable
Descarga AQUÍ el artículo completo IA ¿Un riesgo para el planeta? ¡Descárgalo GRATIS!
Suscríbete al Newsletter
¡SUSCRÍBETE!
LEE MÁS CONTENIDO
¿QUÉ TEMA TE INTERESA?
LanzamientoExclusiverseShaping Travel Experiences