La rebelión de usuarios contra ChatGPT GPT-4o

Publicado el 17 de agosto de 2025 por Sergio Jiménez Mazure en Inteligencia Artificial.

La rebelión de usuarios de ChatGPT ha reventado debates en foros, X y chats en todas partes. Hasta hace poco, OpenAI dominaba la narrativa sobre el futuro de la inteligencia artificial a golpe de actualizaciones, anuncios y novedades brillantes. Pero, ¡zas!, la comunidad de usuarios se hartó y alzó la voz tras la llegada de GPT-4o y, después, la del GPT-5. Miles de personas –profesionales tech, creativos o usuarios que exprimen los modelos a diario– sintieron cómo las esperadas mejoras pasaron de largo y, peor aún, desaparecieron funcionalidades y matices que ya consideraban básicos en su flujo de trabajo. Básicamente, lo que para OpenAI era una “evolución”, para muchos terminó siendo un retroceso.

Todo explotó con el despliegue de GPT-4o, ese flamante modelo multimodal que iba a cambiarlo todo. Prometía velocidad, ahorrar recursos y entender hasta imágenes o voz. Pero pronto se acumuló polvo de quejas: respuestas más genéricas, menos creatividad, un tono muchas veces plano. No tardaron en llegar comparativas con GPT-4, que hasta entonces era para muchos el estándar en cuanto a calidad, precisión y, sobre todo, “personalidad”. Usuarios veteranos reclamaron que el nuevo modelo no solo sacrificaba matices y profundidad sino también esa capacidad de hilar argumentos más complejos o adaptarse mejor a contextos profesionales exigentes.

La gota que colmó el vaso vino cuando OpenAI obligó a todo el mundo a usar las versiones nuevas, dejando sin acceso a los modelos clásicos. Las redes se llenaron de capturas, hilos y firmas exigiendo que devolvieran la opción de elegir “el modelo de siempre”. Más de 4.300 firmas en Change.org pidieron una vuelta atrás y la presión social logró que OpenAI diera marcha atrás, aunque por ahora solo para usuarios Plus y Team y sin prometer que el cambio vaya a durar mucho. ¿Qué ha quedado claro? Que la comunidad no se queda de brazos cruzados y quiere plataformas de inteligencia artificial pensadas de verdad para las personas que las usan, no solo para la sala de juntas.

Las mejores herramientas de IA no son solo rápidas; entienden, personalizan y se adaptan a quien las usa.

En estos días, hablar de la rebelión de usuarios de ChatGPT se ha convertido en un ejemplo de cómo las grandes tecnológicas pueden perder la empatía con quienes realmente alimentan sus proyectos. Si algo ha quedado patente es que, mientras unos celebran los benchmarks y la eficiencia, otros priorizan la posibilidad de afinar detalles y mantener el control sobre la experiencia. ¿A quién escucha OpenAI? Esa es la pregunta que flota en el aire.

¿Tú has sentido un bajón en la calidad de ChatGPT desde el último cambio? Cuéntame en los comentarios cómo usas la inteligencia artificial y qué modelo te funciona mejor.

Comparativa entre GPT-4, GPT-4o y GPT-5: ¿Qué modelo elegir según tus necesidades?

Elegir el mejor modelo de ChatGPT se ha convertido en una auténtica odisea, sobre todo para quienes buscan equilibrio entre potencia y usabilidad. La presión recae ahora en GPT-4, GPT-4o y GPT-5, las versiones estrella de OpenAI que, lejos de convencer a absolutamente todos, han generado un debate encendido sobre qué modelo se ajusta realmente a las necesidades de cada usuario. Nadie parece estar contento nunca, ¿verdad? Pero, ¿qué diferencias reales existen entre ellos y cómo puedes saber cuál es el ideal para tu trabajo diario, tu equipo o tu proyecto?

¿Por qué tanta gente extraña GPT-4 en sus flujos de trabajo?

GPT-4 se ganó el cariño de los que valoran la profundidad argumentativa, el cuidado en los matices y la personalización casi obsesiva de las respuestas. Mucha gente, especialmente creativos, investigadores o quien necesita redacciones largas, prefiere GPT-4 para tareas en las que no solo importa lo que la IA dice, sino cómo lo dice. Si necesitas una respuesta que suene humana, cercana y, de paso, con cierta chispa o capacidad para hilar conceptos complejos, este modelo sigue siendo la apuesta segura.

GPT-4 conserva la capacidad de desarrollar ideas de forma más natural y profunda. Se nota la diferencia en textos largos o debates complejos.

No sorprende, entonces, que miles hayan presionado para que GPT-4 vuelva a estar disponible. Aquí no solo es cuestión de nostalgia: para muchos, la pérdida de esta opción supuso un golpe directo a la productividad y a la calidad del trabajo presentado ante clientes o equipos.

¿Qué ofrece GPT-4o y por qué no termina de convencer a los usuarios avanzados?

Cuando OpenAI lanzó GPT-4o, la expectativa era altísima: más rápido, multimodal (voz, imagen y texto integrados), y con un coste menor. Para quienes buscan agilidad, gestión intensiva de datos o simplemente un motor veloz para chats masivos o servicios de atención al cliente, GPT-4o parece la opción obvia. Sin embargo, los usuarios más veteranos pronto detectaron un problema: las respuestas, aunque veloces, perdían sabor y personalidad. La homogeneización se notó de inmediato; la IA parecía entrar en modo automático, escondiendo parte del encanto y la creatividad que defendía GPT-4.

Ventajas de GPT-4o: Procesos más baratos y rápidos, gestión de inputs multimodales y funcionamiento fluido en aplicaciones masivas.
Limitaciones detectadas: Menor profundidad en respuestas, caída en la originalidad y pérdida de contextualización cuando se enfrentaba a temas complejos o muy especializados.

Esto, básicamente, convierte a GPT-4o en un buen aliado para tareas mecánicas, chats configurables o donde la interacción rápida domina la escena, pero desaprovecha el potencial en usos donde la capacidad de improvisar y argumentar son la clave del éxito.

¿Y GPT-5? Más competencias, menos cercanía

La aparición de GPT-5 supuso una subida de nivel técnico. Aquí hablamos de la campeona absoluta en benchmarkings de codificación, matemáticas y productividad. Un gigante para trabajos que requieren precisión quirúrgica y gestión avanzada de datos: desde programadores hasta científicos o analistas están de fiesta con GPT-5. El salto en competencias objetivas es real; de hecho, en pruebas tipo AIME 2025, la IA rompió récords de eficacia.

Ahora bien, la otra cara de la moneda llega cuando la cuestión es el “estilo humano”. GPT-5 está lejos de la espontaneidad o la naturalidad de modelos previos. Muchos usuarios ven a GPT-5 como una IA un poco “seca”, con respuestas más estándar y cierta frialdad en diálogos de carácter humano. Esto podría suponer un lastre si tu trabajo necesita una IA capaz de conectar emocionalmente o adaptar el tono para audiencias diversas.

GPT-5 asombra en precisión y velocidad, pero pierde el toque personal que algunos usuarios consideran esencial.

¿Qué modelo de ChatGPT te conviene usar?

La verdad es que no hay una respuesta definitiva. Todo depende del peso que le des a cada atributo y al contexto. ¿Quieres velocidad, volumen y capacidad multimodal? GPT-4o tiene mucho que decir, especialmente si tu entorno requiere atención al cliente, automatización de tareas y menos intervención creativa. ¿Buscas argumentar, profundizar y necesitas textos con cariño, estructura y sentido humano? GPT-4 sigue defendiendo el trono para usos profesionales, creativos y manejo de información compleja.

Si lo tuyo es programar, gestionar bases de datos, ejecutar análisis científicos o necesitas la máxima puntuación en pruebas técnicas y benchmarks, GPT-5 te va a dejar con la boca abierta. Eso sí, prepárate para sacrificar algo de ese toque amable, adaptativo y polivalente que muchos valoran cuando la IA entra al terreno de lo dialógico o la creatividad.

¿Procesos rápidos y multitarea? GPT-4o
¿Creatividad, matiz y profundidad? GPT-4
¿Análisis avanzado y precisión técnica? GPT-5

Este dilema entre potencia, personalización y humanidad define la batalla abierta en la IA generativa de hoy. El truco para ti está en escoger el modelo que mejor ajuste a tu caso de uso concreto, sin dejarte arrastrar por la moda del último lanzamiento ni por la nostalgia de versiones anteriores.

Evaluación comparativa de modelos de ChatGPT en entornos profesionales — Elegir modelo no es una cuestión de moda: es una decisión operativa que impacta en calidad, costes y tiempos.

La importancia de ofrecer opciones personalizadas en plataformas de inteligencia artificial

¿De verdad hace falta insistir en esto? Si te mueves por las comunidades de IA, ya habrás notado la movida que armó la imposibilidad de elegir el modelo de ChatGPT que más te convenía. No es una rabieta sin sentido ni un capricho geek. Cuando trabajas con herramientas de inteligencia artificial personalizada, elegir el motor detrás de la pantalla define la calidad, profundidad y creatividad de lo que recibes. Y, por supuesto, tu productividad se juega mucho en ese partido.

No todas las personas exigen lo mismo de una plataforma de IA. Imagina a alguien que necesita escribir código de forma casi automática, donde la potencia de cálculo y la precisión lógica se llevan el foco. Ahora cambia el contexto: alguien que está desarrollando textos para campañas creativas o gestión reputacional de una marca. La misma solución no puede servir para ambos. La personalización aquí no es solo simpática: es estratégica.

La variedad de modelos —GPT-4 clásico, el nuevo GPT-4o, o ese flamante GPT-5— responde a la diversidad de necesidades, pero solo si puedes escoger. Para mí y para muchos colegas, perder la posibilidad de volver atrás, de comparar o de entrenar flujos específicos con un modelo concreto, equivale a perder control sobre nuestra propia manera de trabajar. ¿Quién quiere adaptarse a una máquina que, de un día para otro, decide ella sola cómo piensa y responde? Lo lógico sería que la IA se adapte a ti, no tú a los caprichos de la plataforma.

A ver, hablemos claro. Si tu trabajo depende de la especificidad —ese matiz profesional en el resultado, la forma en que la IA estructura sus ideas, hasta el tono y la empatía en la respuesta—, la posibilidad de elegir entre versiones es más que una ventaja, es una prioridad. Y no solo en ChatGPT: plataformas de generación de imágenes, síntesis de audio, motores de recomendación… todos los ambientes de IA profesional deberían garantizar esa capacidad de ajuste fino.

Para equipos de marketing digital que dependen de la originalidad, GPT-4 solía aportar giros inesperados, ideas frescas, narrativas complejas. El cambio a GPT-4o y su homogeneidad ha obligado a muchos a reconfigurar sus dinámicas, bajando la calidad percibida del output.
Si eres desarrollador, quizá te interese un modelo más limpio y eficiente. GPT-5 saca pecho aquí, pero no reemplaza la interpretación creativa que algunos proyectos exigen.
Docentes o creativos están en la cuerda floja: por un lado tratan de aprovechar la producción acelerada, por otro buscan mantener ese valor diferencial que ofrecía la versión anterior.

El trasfondo es sencillo: la IA personalizada aumenta el valor y la eficiencia del usuario profesional. “La elección entre modelos define la libertad con la que el usuario interactúa con la tecnología”, esto me lo han repetido ya varios alumnos en sesiones de formación en Quito, Madrid y Bogotá. Las grandes plataformas deberían tomar nota: imponer un solo modelo a toda la comunidad, por muy avanzado que sea, ignora la naturaleza diversa de los usuarios y las múltiples formas en que se usa una IA.

Mira, sin personalización, cualquier intento de adoptar IA en flujos complejos queda incompleto. La sensación de avanzar se pierde si el modelo nuevo te arrebata funciones o “personalidad” que eran decisivas para tu proceso de trabajo. Quien utiliza inteligencia artificial avanzada necesita adaptar, configurar —a veces incluso hackear un poco— los parámetros para que la herramienta encaje con lo que busca. Y si ese encaje desaparece por un cambio de la plataforma, el único resultado real es frustración y desconfianza.

Por esto, la demanda de inteligencia artificial verdaderamente personalizada no es solo una moda, es una exigencia real de quienes ya han integrado estas soluciones en sus rutinas, estrategias y modelos de negocio. Las plataformas con flexibilidad y variedad tienen la llave para mantenerse relevantes mientras la competencia arriesga perder usuarios avanzados si se olvida que cada quien necesita algo distinto. Así, no se trata de dar gusto a unos pocos ruidosos, sino de escuchar activamente y construir tecnología que se parezca más a sus usuarios.

Cómo elegir modelo: checklist operativa

Si gestionas proyectos con implicación de varias áreas (marketing, datos, producto, atención al cliente), te propongo una pauta breve para decidir con método y sin sesgos del “último anuncio”:

Define el tipo de tarea: redacción larga, ideación, análisis de datos, codificación, soporte al cliente, síntesis de documentos, etc.
Establece métricas: tiempo de respuesta, coste por 1.000 tokens, tasa de correcciones, calidad percibida por el cliente/equipo, alineación de tono.
Prueba A/B ciega con prompts reales de tu día a día y evalúa sin saber qué modelo responde.
Stress test: aumenta la complejidad y longitud del contexto para detectar pérdidas de coherencia y memoria.
Evalúa multimodalidad solo si la necesitas: si no usas imágenes o voz, no pagues el sobrecoste de esa capacidad.
Verifica estabilidad: repite el mismo prompt en sesiones diferentes para medir consistencia.
Modelos alternativos: considera tener un “modelo principal” y un “modelo de rescate” para casos concretos (por ejemplo, GPT-4 para textos largos y GPT-4o para FAQs con alto volumen).

Errores comunes al migrar de modelo

Asumir que lo más nuevo es mejor para todo: el rendimiento es contextual. Lo que gana en benchmarks puede perder en naturalidad o adaptabilidad.
No documentar prompts: si cambias de modelo sin estandarizar prompts, no podrás comparar ni aprender del cambio.
Olvidar el control de versiones: guarda ejemplos de “buen resultado” por modelo para reentrenar tus expectativas y guías internas.
Confundir velocidad con calidad: en contenidos estratégicos, la coherencia y la voz pesan más que ahorrar segundos.

Indicadores para medir calidad percibida

Más allá de los números, la calidad se reconoce en el uso real. Estos indicadores cualitativos ayudan a evitar autoengaños:

Capacidad de matizar: ¿el modelo introduce contraargumentos cuando procede y reconoce límites?
Gestión del contexto: ¿recupera referencias internas del mismo intercambio sin “alucinar”?
Voz y tono: ¿se adapta a la voz de tu marca o de tu perfil docente sin sonar genérico?
Reproducibilidad: ¿eres capaz de obtener resultados similares con prompts equivalentes?
Coste total de edición: minutos que tardas en dejar el contenido listo; aquí se gana o se pierde la productividad real.

Lecciones clave para OpenAI: cómo equilibrar innovación y satisfacción del usuario

Cuando una comunidad tan activa como la de usuarios de inteligencia artificial se planta, se generan ondas en toda la industria. Basta mirar la reciente “rebelión” en torno a ChatGPT para darse cuenta que, incluso en el tren de la innovación, nadie quiere viajar a ciegas. Aquí entra en juego lo que algunos pasan por alto: la tecnología avanza rápido, pero la escucha atenta a la experiencia real del usuario marca la diferencia entre liderar y perder relevancia.

OpenAI, en este sentido, enfrenta un reto que parece obvio en el papel, pero que pocos aplican con tino en la práctica. La presión por sacar un nuevo modelo cada pocos meses, con rendimiento superior a la competencia y hype en los medios, a veces eclipsa una verdad básica: satisfacer expectativas reales, en el uso cotidiano y profesional, exige más que solo cifras de benchmark o mejoras técnicas aisladas.

¿Dónde suele patinar una empresa tan enfocada en la vanguardia? En la gestión de las transiciones tecnológicas. La decisión de eliminar la opción de escoger el modelo en ChatGPT, cuando millones ya adaptaban flujos y contextos según las características de cada versión, demostró cómo la falta de flexibilidad técnica puede volverse un problema estratégico y reputacional en cuestión de días. Las plataformas de IA no solo compiten en calidad o rapidez, también se juegan la confianza de quienes han invertido tiempo y dinero en entrenar a su propio “asistente digital” a diario.

Eso no quiere decir que toda innovación deba frenarse ante las primeras quejas. Ni mucho menos. El aprendizaje para OpenAI (y, ojo, para cualquier proveedor de servicios de inteligencia artificial) va de saber ajustar el ritmo de cambio a la madurez del usuario. El desarrollo tecnológico exige liderazgo y visión, pero también humildad para reconocer cuándo una decisión “óptima” en el laboratorio desata efectos contrarios al salir allá afuera, a los escritorios donde la IA ya se usa a saco para escribir, programar, analizar datos o generar conocimiento. Aquí la transparencia resulta aliada, nunca lastre. Comunicar por qué se priorizan unos avances frente a otros o cuándo llegarán nuevas opciones, reduce la sensación de arbitrariedad y refuerza el vínculo con la comunidad.

Hay ejemplos concretos de cómo OpenAI ha intentado corregir la marcha atrás bajo presión. Permitir que usuarios de pago puedan volver a modelos anteriores como GPT-4 y GPT-4o, o que el CEO Sam Altman asegure que las decisiones futuras dependerán del uso real y comentarios recibidos, revela cierto giro hacia la adaptabilidad. Pero estos gestos puntuales necesitan sistematizarse: las grandes tecnológicas que quieran sobrevivir y prosperar en el mundo IA adaptativa tendrán que institucionalizar mecanismos de feedback rápido, personalización y experimentación controlada.

Los usuarios no buscan solo avances en velocidad o precisión; piden control y flexibilidad para definir su propia experiencia con la inteligencia artificial.

Para cualquier desarrollador de modelos de IA, la clave es internalizar que el usuario cobra relevancia no como “consumidor pasivo”, sino como parte activa del proceso. Escuchar de verdad, prototipar con las comunidades más exigentes y abrir canales de comunicación efectivos (incluidas métricas de uso, reportes directos y dashboards de personalización) mandan una señal clara: aquí no manda solo la lógica interna del producto, sino las necesidades vivas de quienes lo usan. La cultura de la inteligencia artificial debe basarse en la iteración constante, el aprendizaje bidireccional y la confianza creciente.

En definitiva, OpenAI tiene por delante el reto de traducir su liderazgo técnico en un liderazgo relacional. No hay otra vía si se aspira a mantener la lealtad de usuarios de inteligencia artificial profesionales, creativos y críticos, justo en un sector tan impredecible como apasionante. El mérito no está solo en lanzar la función más rápida o el modelo más denso; está en construir plataformas que evolucionen con quienes las hacen posibles.

¿Tienes experiencia con estos cambios recientes en ChatGPT? Cuéntame cuál fue tu reacción, qué esperabas y cómo ves el rumbo de OpenAI. Tus comentarios pueden ayudar a dar forma a futuras decisiones en el ecosistema de IA.

Prácticas recomendadas para integrar IA en equipos y procesos — Integrar IA no es solo elegir modelo: es diseñar procesos, medir impacto y escuchar a la comunidad.

Futuro de la inteligencia artificial: adaptabilidad y diversidad ante expectativas diversas

La historia reciente de ChatGPT y la “rebelión” de usuarios no es un episodio aislado, sino la antesala de lo que se viene para la inteligencia artificial. Verás, a medida que avanzan los modelos como GPT-4, GPT-4o y GPT-5, las ambiciones técnicas chocan cada vez más con la realidad de quienes usamos estas plataformas para trabajar, crear o simplemente organizarnos mejor. Aquí la diversidad no solo representa la variedad de profesiones o usos, también refleja la diferencia de expectativas, enfoques y hasta estilos de interacción que tiene cada persona.

¿El futuro de la IA? No será una carrera por ver quién “entrena” el modelo más grande o más veloz, sino quién desarrolla herramientas capaces de adaptarse de verdad a un rango amplio de necesidades civiles y profesionales. La clave está en la adaptabilidad. Una plataforma relevante mañana será la que combine músculo técnico con la autenticidad de la experiencia personalizada, donde cada usuario sienta que la herramienta le entiende, se ajusta a su contexto y mantiene la esencia de lo que valora.

Ya lo habrás notado: la IA que triunfa y crea comunidades fieles es la que deja margen para experimentar, comparar y configurar según el objetivo profesional o personal; lo demás es marketing pasajero. ¿De qué sirve que GPT-5 bata récords en benchmarks si parte de los usuarios siente que perdió la chispa, el matiz o la cercanía? El modelo de futuro se define, fundamentalmente, por tres pilares:

Flexibilidad en la elección de versiones: Dar margen para cambiar entre modelos, activar funciones retro o probar mejoras sin imposiciones permite a cada usuario crear un flujo a medida, optimizando la experiencia y multiplicando el impacto profesional.
Feedback y co-diseño: Las plataformas que integran el feedback de su base activa, pilotan cambios de la mano de usuarios power y ajustan sus rutas al comportamiento real, construyen comunidades mucho más leales y comprometidas con la innovación.
Diversidad funcional: Entender que el usuario de IA no es solo quien programa o responde chats: hoy conviven analistas de datos, marketers, docentes, storytellers, programadores natos y gente de a pie, todos reclamando soluciones singulares y ajustadas a sus ritmos.

El futuro de la inteligencia artificial no es monopolio del código ni de la sala de juntas; será el resultado de un ecosistema plural, donde la voz del usuario importa tanto como la potencia del algoritmo.

Quizás la mayor lección que nos deja este episodio —y todas las idas y vueltas con GPT-4o y GPT-5— es que la diversidad de expectativas no es una molestia ni un lastre, sino una oportunidad. Cuanto más variada sea la base de usuarios, mayor será la demanda de soluciones adaptativas, y los verdaderos líderes sabrán capitalizar eso convirtiendo la personalización en la norma, nunca en la excepción.

Mi consejo: si eres usuario profesional de IA, no dejes de pedir, comparar y opinar. Participa en foros, aporta feedback, súmate a las discusiones que están reconfigurando este sector. La presión colectiva reciente demostró que cuando la comunidad alza la voz, hasta OpenAI tiene que escuchar. ¿Te has visto reflejado en alguno de estos cambios? ¿Crees que tu sector necesita funciones que hoy no existen o quieres recuperar opciones del pasado? El debate sigue abierto, y cada experiencia suma.

¿Tienes algo que decir sobre la evolución de ChatGPT y el futuro de la inteligencia artificial? Comparte tu opinión abajo o escríbeme directamente. Lo que cuentes puede marcar la diferencia en cómo la tecnología de mañana se moldea hoy.

Cómo aterrizar la adaptabilidad en tu organización

La adaptabilidad no se decreta, se diseña. Si lideras un equipo, te propongo un enfoque práctico en tres frentes:

Personas: forma a tu equipo en evaluación de prompts, sesgos y buenas prácticas. Un usuario consciente es el mejor control de calidad.
Procesos: define playbooks por tipo de tarea con el modelo recomendado, ejemplos de prompts y criterios de evaluación.
Tecnología: habilita un “catálogo de modelos” interno con permisos y costes visibles para que cada área elija con criterio.

Este esquema reduce la fricción de cambio cuando el proveedor mueve ficha y te permite mantener la calidad independientemente del hype de la semana.

Casos de uso por sector: dónde brilla cada modelo

Marketing y comunicación: GPT-4 para narrativas de marca, pensamiento lateral, guiones y long-form con voz cuidada. GPT-4o para FAQs o chatbots de alto volumen. GPT-5 para análisis de performance y testing de copys a gran escala.
Producto y UX: GPT-4 para exploración de soluciones y redacción de microcopy; GPT-5 para minería de feedback y clustering temático.
Data y analítica: GPT-5 para SQL, validación de pipelines y explicación de modelos; GPT-4 para traducción técnica a lenguaje ejecutivo.
Educación: GPT-4 para acompañamiento pedagógico y adaptación de tono por nivel; GPT-4o para asistentes de aula con consultas rápidas; GPT-5 para creación de cuestionarios con rúbricas complejas.
Atención al cliente: GPT-4o para tiempos de respuesta y escalado; GPT-4 para respuestas empáticas en casos delicados; GPT-5 para detección de patrones en tickets.

Guía de experimentación en 15 minutos

Elige tres tareas reales y réplicalas con GPT-4, GPT-4o y GPT-5 usando el mismo prompt base.
Solicita a un compañero que puntúe calidad sin saber el modelo que responde (test ciego).
Mide tiempo de edición hasta “publicable”. Registra costes aproximados por tokens.
Decide un modelo titular y uno de respaldo según el tipo de tarea. Documenta el porqué.

Repite cada trimestre. La clave no es casarte con un modelo, sino mantener una disciplina de evaluación que resista los cambios de roadmap del proveedor.

Artículo de referencia: Rebelión de usuarios de ChatGPT: triunfa y podremos volver a usar modelos antiguos como GPT‑4o; GPT‑5 no ha convencido a todos (Genbeta)