Dentro del Laboratorio de Búsqueda con IA de HubSpot: 7 experimentos de AEO

Cómo ha cambiado radicalmente la búsqueda

Copen basó su argumento en una breve línea temporal más que en opiniones. Enero de 2023: ChatGPT 3.5 supera los 100 millones de usuarios activos mensuales, y para una gran parte de la población la búsqueda se vuelve conversacional por primera vez. Mayo de 2024: Google lanza «AI Overviews», la primera integración importante de IA visible en las páginas de resultados tradicionales. Junio de 2025: Google lanza públicamente el «Modo IA», una interfaz tipo chat comparable a ChatGPT y otros grandes modelos de lenguaje. En 2026, ChatGPT cuenta con más de mil millones de usuarios activos mensuales, y «AI Overviews» y el «Modo IA» han transformado la propia página de resultados.

La consecuencia comercial tiene un nombre: la gran desconexión. A lo largo de 2025, las impresiones aumentaron vertiginosamente mientras que los clics se desplomaron al mismo tiempo —una tendencia que Copen describió como «brazos de cocodrilo». El contenido está apareciendo más que nunca, pero se ve recompensado con menos tráfico que nunca. Un estudio de Seer Interactive reveló una disminución del 61 % en la tasa de clics en las consultas que incluyen resúmenes de IA, y el 68 % de las búsquedas terminan ahora sin ningún clic: una fuerte aceleración frente a la erosión gradual de la década anterior.

La interpretación estratégica es que la superficie que se optimiza ha cambiado. Posicionarse en la primera página ya no es el objetivo, porque, cada vez más, la respuesta es la propia página. Esa es la premisa sobre la que se sustenta todo lo demás en la sesión.

Definición de AEO y por qué los compradores presionan para que se aborde el tema

La definición práctica de HubSpot es deliberadamente restrictiva: la optimización para motores de respuesta (AEO) es la práctica de mejorar la frecuencia y la precisión con la que una marca aparece en los resultados de IA. Ambas partes son igual de importantes. La frecuencia sin precisión es un lastre, sobre todo para una empresa cuyos precios y paquetes son lo suficientemente complejos como para ser descritos erróneamente.

Los datos de los compradores explican la urgencia. Un estudio de HubSpot realizado a más de 3.000 responsables de la toma de decisiones de compra de CRM reveló que el 42 % había utilizado la búsqueda con IA a la hora de evaluar a los proveedores, y que esos compradores tenían un 36 % más de probabilidades de comprar que los que no lo habían hecho. En otros sectores, el efecto es aún más marcado: dependiendo del sector, hasta el 73 % de los compradores utiliza la IA en la búsqueda de proveedores, y esos compradores pueden ser hasta 4,4 veces más propensos a comprar.

En otras palabras, la respuesta basada en la IA no es un canal de descubrimiento de baja intención. Es el lugar donde los compradores cualificados elaboran su lista de candidatos. El replanteamiento de Copen fue muy claro sobre lo que esto significa para un plan de marketing.

«La cuestión ya no es si apareces ahí, sino si lo haces de forma precisa, favorable y en el momento adecuado; y eso es precisamente lo que es el AEO».

Creación del grupo de experimentación de AEO

Ante un panorama que cambia cada mes, el equipo de marketing de HubSpot optó por la acción en lugar de la paciencia. Desde 2023, Copen ha ayudado a la organización a pasar de la búsqueda tradicional a la búsqueda con IA, y la expresión estructural de ese cambio fue un equipo dedicado. Se mantuvo pequeño a propósito: dos experimentadores y un responsable. El objetivo se estableció sin matices —convertir a HubSpot en el número uno en búsqueda con IA— y el umbral de éxito se fijó en una tasa de éxito de los experimentos del 20%.

Las dos funciones se dividieron siguiendo la línea divisoria del propio problema. El especialista técnico supervisa los registros de rastreo y busca formas de mostrar el contenido de manera más eficiente a los bots de IA. El especialista en contenidos observa lo que realmente aparece en los resultados de IA, realiza un seguimiento de las tendencias de citas, identifica los errores de los motores de búsqueda y define el nuevo contenido necesario para corregirlos.

Se utilizaron cuatro métricas de éxito para evaluar cada experimento: visibilidad en IA o menciones (la marca nombrada sin enlace), citas (el sitio web al que se le proporciona un enlace), frecuencia de rastreo y mejoras orgánicas secundarias en el SEO tradicional. El umbral bajo del 20 % fue intencionado, ya que un equipo que deba tener éxito no intentará nada desconocido.

«Puede parecer un umbral bajo, pero se fijó así a propósito porque queríamos pensar con audacia».

Copen fue igual de directo al explicar por qué HubSpot lidera la visibilidad en búsquedas con IA: «Esto no se debe a la suerte ni a gastar más que los demás, sino a crear experimentos específicos y a iterar sobre lo que funciona».

Experimento 1: Páginas de preguntas frecuentes y glosario

El primer experimento partió de una táctica clásica de SEO y la rediseñó para la recuperación de información. El objetivo era establecer la relevancia semántica de HubSpot en su ámbito principal: marketing, ventas, servicio y CRM. Copen explicó con claridad el mecanismo subyacente: los modelos de lenguaje tratan los conceptos como coordenadas matemáticas en un espacio vectorial multidimensional, y los conceptos estrechamente relacionados se sitúan próximos entre sí. Esa proximidad es lo que permite a un modelo decidir si una empresa está realmente relacionada con los productos y servicios que afirma ofrecer.

Es fundamental señalar que las entradas no eran simples definiciones de diccionario. Cada una era una unidad de contenido estructurada: preguntas frecuentes alineadas con diferentes intenciones de búsqueda, que ofrecían una respuesta unificada de HubSpot y enlazaban con las páginas relevantes del sitio web. La hipótesis era que un glosario centralizado, diseñado teniendo en cuenta cómo los motores de IA recuperan la información, conseguiría más citas y aumentaría la autoridad temática.

Resultado: éxito. Un aumento del 36 % en la visibilidad cuando se citaba a HubSpot, un rendimiento del contenido un 15 % superior al del resto del contenido de HubSpot y posicionamiento para cientos de palabras clave a los pocos meses del lanzamiento.

• Crea contenido pensando en la claridad semántica y la intención de la consulta, no en la densidad de palabras clave.
• Un glosario estructurado es un punto de partida con un alto retorno de la inversión y, por lo general, puede elaborarse sin necesidad de tiempo de desarrollo, lo cual resulta valioso cuando la capacidad de ingeniería es escasa.
• Empieza por los conceptos fundamentales que debe abarcar tu categoría, no por la «cola larga».

«El contenido creado pensando en la claridad semántica y la intención de la búsqueda, y no en la densidad de palabras clave, es lo que buscan los motores de IA».

Experimento 2: Recuperación de los errores 404

Este es el experimento que más probablemente hará que una sala llena de expertos en SEO se incline hacia delante, porque la oportunidad ya estaba ahí, en los registros del servidor. A lo largo de 2025, los modelos de lenguaje a menudo generaban URL erróneas —slugs ligeramente o totalmente incorrectos— y enviaban a usuarios motivados directamente a páginas 404. Esas «URL fantasma» eran claramente visibles en los registros del sitio web de HubSpot. Los usuarios que buscaban activamente, que ya estaban a las puertas, se perdían en el umbral.

La hipótesis: un módulo dinámico en la página 404 que sugiriera páginas reales y existentes basadas en los temas que la gente buscaba realmente —los temas en los que los modelos se equivocaban— recuperaría el tráfico procedente de la IA, junto con las citas y menciones.

Resultado: éxito. Se han recuperado miles de visitas a la página y se han registrado más de mil registros adicionales desde el lanzamiento. Copen añadió una advertencia sincera: para 2026, los modelos serán considerablemente mejores a la hora de generar URL correctas, por lo que esta táctica concreta tendrá una vida útil más corta que el principio en el que se basa.

«Hay oportunidades de éxito en AEO ocultas en las señales que tienes a tu disposición, pero que aún no has analizado».

Experimento 3: Precisión de la página de precios

El detonante fue incómodo y familiar. Al preguntar a ChatGPT sobre los productos, precios y características de HubSpot, se obtenían respuestas incorrectas: una fuga en el embudo de conversión y, en la práctica, ventas perdidas. Una auditoría del sitio web reveló la causa principal: las páginas de precios estaban muy bien diseñadas para los usuarios humanos, pero contenían mucho código JavaScript. Los rastreadores de IA no procesan fácilmente el JavaScript de forma predeterminada, por lo que hacían conjeturas, y estas eran erróneas.

La hipótesis consistía en publicar una página sin JavaScript y optimizada para modelos de lenguaje grande (LLM), que fuera factual, objetiva y basada en datos. Merece la pena imitar su estructura: un resumen; información sobre pagos y licencias; introducción por niveles con características clave; las ventajas e inconvenientes de cada nivel, algo que nunca antes se había documentado en ningún sitio; HubSpot frente a la competencia; y una sección explícita sobre cuándo merece la pena utilizar HubSpot para negocios y casos de uso específicos.

Resultado: éxito. Las puntuaciones de precisión mejoraron en cinco de los seis centros de productos, medidas mediante preguntas estructuradas a través de la herramienta AEO —por ejemplo, «¿Permite HubSpot Marketing Hub enviar correos electrónicos?» y «¿Cuánto cuesta HubSpot Starter?»—.

El consejo de Copen a los asistentes fue que consideraran esto como el primer experimento que cualquiera debería realizar. Pregunta a ChatGPT por tus productos estrella y cómo gestionan los casos de uso previstos. Si las respuestas están desactualizadas o son erróneas, ahí tienes tu punto de partida. A continuación, diagnostica la causa con honestidad: o bien tu propia información está desactualizada o es inaccesible, o bien las reseñas de terceros y los sitios web de socios están difundiendo una versión errónea de la realidad. Ambas situaciones deben corregirse y, en el caso de catálogos de productos amplios, corregir la precisión de un producto no soluciona el problema de los demás.

Experimento 4: llms.txt y el valor de una pérdida limpia

Si hay una sección de esta sesión que merece ser citada ante los proveedores y en los escenarios de las conferencias durante el próximo año, es esta. El archivo llms.txt —una hoja de ruta del contenido que un sitio web considera importante para los modelos de lenguaje— llegó acompañado de un enorme revuelo en el sector. La hipótesis de HubSpot era razonable y ampliamente compartida: un mapa de contenido claro debería mejorar la forma en que los motores de IA comprenden el sitio web.

Resultado: pérdida. No fue un efecto menor, ni ambiguo: ningún rastreador de bots intentó, de forma natural, visitar ninguna ruta de llms.txt. Copen calificó el resultado de genuinamente sorprendente y se cuidó de no generalizar en exceso: conceptualmente, sigue teniendo sentido que un motor quiera un mapa de contenido claro, y HubSpot sigue realizando un seguimiento por si el comportamiento cambia.

La recomendación práctica para los asistentes fue inequívoca. Los equipos reducidos o más pequeños no deberían dedicar tiempo a crear un archivo llms.txt en este momento. La recomendación general fue aún más importante: realiza tú mismo el experimento en lugar de dar por sentadas las suposiciones del sector.

«La lección no es que el archivo llms.txt sea malo. La lección es que debes realizar tu propio experimento».

Experimento 5: Páginas de casos de uso por sector

Dos señales convergentes han impulsado esta tendencia. En primer lugar, los motores de IA favorecen claramente los contenidos con especificidad del mundo real, estructura semántica, opiniones de los usuarios y estadísticas concretas. En segundo lugar, los modelos de lenguaje dan prioridad a la personalización, adaptando las respuestas a los gustos, aversiones y puntos débiles expresados por el usuario. Las directrices del ACP (Agentic Context Protocol) de OpenAI, publicadas recientemente, apuntaban en la misma dirección, y HubSpot las interpretó como una indicación para relacionar las características de los productos con casos de uso y puntos débiles utilizando un lenguaje coloquial, en lugar de recurrir a la terminología propia de la marca.

La plantilla de página resultante es lo suficientemente precisa como para copiarla: una tabla «retos → solución de HubSpot → resultado real» en la parte superior, con resultados reales que incluyen información de clientes y casos prácticos; un módulo específico y más detallado de casos prácticos; integraciones relevantes; una explicación de cómo HubSpot resuelve el punto débil específico; por qué HubSpot CRM es la mejor opción; y una conclusión clave fácilmente extraíble, redactada para poder incorporarse directamente a una respuesta generada por IA.

Resultado: un éxito que superó todas las expectativas. Más de 15 000 rastreos de usuarios de ChatGPT en 30 días, y el 92 % de las páginas citadas en pocos meses.

• Mantén la página principal de tu producto y añade información específica a su alrededor.
• No crees páginas exclusivamente para modelos de lenguaje: deben ser realmente valiosas para los lectores humanos.
• Empieza poco a poco: los tres principales casos de uso y los uno o dos sectores más importantes para tus uno o dos productos estrella. No hacen falta cientos de páginas.

«La especificidad no es solo algo que está bien tener, es exactamente lo que buscan los motores de IA cuando responden a una pregunta concreta de un usuario».

Experimento 6: Previsualización de contenido

El experimento más técnico se basó en una única y incómoda constatación: los rastreadores de IA son significativamente menos sofisticados que Googlebot. Google cuenta con más de veinte años de experiencia en rastreo y se desenvuelve bien con páginas pesadas y complejas. Los rastreadores que hay detrás de ChatGPT, Claude y Perplexity no. Cuando un sitio web depende en gran medida de JavaScript, se carga lentamente o presenta una estructura poco clara, esos rastreadores tienen dificultades, hacen lo que pueden o, sencillamente, abandonan la página.

La hipótesis era que el prerenderizado de hubspot.com mejoraría la eficiencia del rastreo y la elegibilidad para la indexación sin perjudicar la experiencia del usuario. El equipo utilizó Bodify Speed Workers; Copen señaló prerender.io como alternativa.

Resultado: éxito. Los tiempos de entrega de los bots mejoraron 20 veces. El tiempo de carga de la página se redujo de más de dos segundos a 70 milisegundos. Los rastreos de usuarios de ChatGPT aumentaron de forma constante y las impresiones de OpenAI se duplicaron.

Copen dejó claro que este no es un cambio que deba implementar el equipo de marketing: «Esta es una conversación para tu equipo técnico, de SEO o de desarrollo». Ofreció dos medidas que puede tomar un profesional del marketing. Realizar el diagnóstico: cargar la página con JavaScript desactivado; si falta contenido, la página no es compatible con la IA —al igual que ocurre si los tiempos de carga son lentos—. A continuación, plantear una pregunta al equipo de desarrollo: «¿Podemos consultar nuestros registros de rastreo y comprobar la rapidez con la que los bots de IA recuperan nuestras páginas?».

Experimento 7: Páginas de respuestas con transcripciones de llamadas

El último experimento aún está en marcha, y es el fracaso más interesante de la serie. La idea era elegante: analizar la amplia biblioteca de transcripciones de llamadas de clientes de HubSpot para identificar las preguntas que los clientes potenciales planteaban repetidamente y a las que la web no respondía directamente, para luego convertirlas en páginas de preguntas y respuestas al estilo de las «preguntas frecuentes». La hipótesis era que el contenido auténtico extraído de conversaciones reales aumentaría la visibilidad de la IA y las menciones a los productos y funciones.

Resultado hasta ahora: fracaso. No se produjo un aumento de las citas o menciones a un nivel que justificara el esfuerzo, y el cuadro de mando lo registró como tal. Pero el equipo no lo consideró un callejón sin salida. El diagnóstico fue que el concepto era sólido, pero el enfoque era erróneo: el equipo creó un nuevo repositorio de páginas cuando, en retrospectiva, integrar esas preguntas y respuestas en páginas activas ya existentes con mucho tráfico habría dado, casi con toda seguridad, mejores resultados. Se prevé repetir la prueba partiendo de esa base.

La conclusión general trasciende el experimento. Los datos propios —transcripciones de llamadas, tickets de asistencia, foros de la comunidad— constituyen una mina de oro enorme y en gran parte sin explotar para AEO, precisamente porque recogen las preguntas que los compradores formulan realmente en el lenguaje que utilizan en la vida cotidiana.

«A veces, un fracaso te indica que debes parar. Otras veces, te invita a analizar con honestidad lo que has hecho y, tal vez, a reestructurarlo».

El modelo operativo: cuatro reglas que mantuvieron el enfoque

La experimentación a este ritmo fracasa por razones de gestión mucho antes de que fracase por razones técnicas. Por ello, Copen dedicó tiempo real a las cuatro reglas estructurales que mantuvieron productivo a un equipo de dos personas frente a un sector que publica nuevos hallazgos a diario.

1. Un máximo de cuatro proyectos por experimentador a la vez. Todo lo demás se guardaba en un repositorio de tareas pendientes. Asumir más proyectos diluía el progreso. Copen describió esta como la regla más difícil de cumplir, dada la tentación constante de los nuevos resultados del sector, pero cuatro era «nuestro número mágico».
2. Planificación de la capacidad cada lunes, tomada muy en serio. La labor del responsable incluía proteger a los experimentadores dentro de una «burbuja», ya que su dominio de la IA los convertía en un imán para las preguntas del resto de la organización.
3. Reuniones de pie de quince minutos cada mañana. Se describían como uno de los momentos de mayor valor para el equipo: observaciones sobre la página de resultados de búsqueda, lo que funcionaba y lo que no, y lo que había cambiado durante la noche.
4. Actualizaciones asíncronas al final del día en Asana. Esto proporcionaba visibilidad a los demás equipos y a la dirección y, lo que es igual de importante, creaba un registro documentado de cambios para que más adelante se pudiera reconstruir el razonamiento detrás de cualquier decisión.

El patrón es reconocible: un equipo pequeño, límites estrictos en el trabajo en curso, sincronización diaria y trazabilidad por escrito. Nada de esto es específico de la IA, y precisamente por eso funciona en un ámbito en el que el panorama cambia cada semana.

El marco de experimentación de ocho partes y sus cuatro conclusiones

Este era el marco práctico prometido. Ocho etapas, que deben seguirse en orden, para cada experimento.

1. Ideación: basada en las tendencias de respuesta de la IA, el liderazgo intelectual del sector y las señales internas de HubSpot.
2. Carta del proyecto: el documento más importante; incluye los objetivos, los requisitos técnicos, cualquier prototipo creado en Claude o ChatGPT y la definición de éxito acordada antes de que finalice el experimento.
3. Análisis de las partes interesadas: poner a prueba la idea con expertos internos en optimización de la tasa de conversión (CRO), desarrollo y contenido antes de crear nada.
4. Desarrollo: crear los componentes con el equipo de desarrollo, proporcionando instrucciones y ofreciendo apoyo.
5. Control de calidad: un mínimo de tres rondas, en las que se comprueba la calidad tanto para los usuarios humanos como para los modelos de lenguaje. Se detectaron problemas en todas y cada una de las rondas, y cada una de ellas mejoró el flujo de trabajo.
6. Lanzamiento.
7. Seguimiento posterior al lanzamiento: puntos de control a las dos semanas, al mes y, a partir de entonces, mensualmente.
8. Veredicto.

El veredicto se resuelve en uno de cuatro estados, y aquí es donde reside la disciplina. El traspaso se aplica cuando un experimento es un éxito claro con un marco repetible listo para escalar; el laboratorio era un equipo líder que deliberadamente no se encargaba del trabajo de entrega, por lo que el experimento del glosario se traspasó al equipo de contenidos. «Continuar» abarca los resultados iniciales positivos con margen de optimización adicional, lo que mereció la pena gracias al alto dominio de la IA por parte del equipo. «Cancelar» se aplica cuando no hay mejora en las citas, cuando hay efectos negativos como problemas de indexación o cuando los cambios en la plataforma han hecho que el concepto resulte irrelevante. «Pausar» abarca los experimentos frenados por cambios en la plataforma o desplazados por la falta de recursos.

«No están muertos, solo están a la espera».

El experimento «llms.txt», señaló Copen, se sitúa en algún punto entre «eliminar» y «pausar»: aparcado en lugar de enterrado, a la espera de que los motores empiecen a respetar el archivo.

Los pilares cambian: de las citas a las menciones

La diapositiva de mayor importancia estratégica de la sesión comparaba lo que importaba antes de 2025 con lo que importará a partir de 2026. Los pilares anteriores eran las citas (el equivalente más cercano a un enlace azul), la personalización (modelos que adaptan las respuestas a los gustos, aversiones y puntos débiles), la optimización de fragmentos (los modelos muestran unas pocas frases o una viñeta, no una página completa) y el avance hacia la parte inferior del embudo (el contenido clásico de entrada en la parte superior del embudo rara vez mencionaba el producto, algo que el AEO no puede permitirse).

Los nuevos pilares son las menciones, la precisión, la accesibilidad técnica y facilitar la compra. El más controvertido de ellos es el primero: Copen argumentó que las menciones ahora importan más que las citas. El razonamiento se basa en los datos. El uso de la búsqueda con IA está aumentando y esos usuarios están mejor cualificados; además, y esto es crucial, evalúan los productos y servicios en la página de resultados de la IA en lugar de en la propia página web de la marca. Conseguir la mención como el negocio más valioso para una tarea determinada es mejor que conseguir un enlace a una página que el comprador quizá nunca abra.

«Lo que quieres es que tu información sea precisa, no solo que aparezca».

La guía práctica con la que puedes empezar el próximo lunes

Copen concluyó convirtiendo los pilares en una secuencia que cualquier equipo puede poner en práctica de inmediato, sin depender de la escala de HubSpot.

1. Auditar el rendimiento de los productos

Elabora una lista de productos y servicios ordenada por ROI y rentabilidad —HubSpot la mantiene en Excel, con los más valiosos en primer lugar—. Realiza un seguimiento de las indicaciones en una herramienta AEO (HubSpot utiliza HubSpot AEO), con cinco indicaciones por etapa del recorrido de compra y por producto. Se trata de un gran volumen de datos que ofrece una visión realmente detallada de la visibilidad de la IA. Compara esa visibilidad con la lista priorizada, empieza por el producto principal y ve descendiendo por los ámbitos en los que los líderes ya obtienen buenos resultados.

2. Crear un cuadro de mando de AEO

Elabora uno cada mes para cada producto. Se realizan seguimientos de muchas métricas, pero hay cuatro que destacan: precisión, cuota de voz (menciones frente a la competencia), número bruto de menciones de IA y cuota de menciones de IA.

3. Establecer corroboración y consenso en toda la web

Esta es la parte externa de AEO, y no es opcional. Asegura la inclusión en directorios de terceros. Confirma la presencia en sitios de reseñas y que la reputación allí sea positiva; si no lo es, planifica medidas correctivas. Consigue un lugar en las guías de «lo mejor de» tanto para el producto como para la empresa. Participa de forma genuinamente activa en las comunidades en línea. Invierte en marketing de afiliados o de socios, algo que Copen definió como la evolución natural de la creación tradicional de enlaces.

4. Verifica la exactitud de tu información

Haz que las páginas de productos y precios sean exhaustivas, estén actualizadas y sean fáciles de encontrar. A continuación, sal al exterior y corrige los datos obsoletos que figuran en sitios asociados, sitios de reseñas y directorios. La exactitud es una propiedad distribuida, no una propiedad de tu propio dominio.

5. Asegúrate de que tu información sea accesible

Elimina el JavaScript de tus páginas más valiosas siempre que puedas y, cuando no sea posible, utiliza un servicio de prerenderización. Añade esquemas (schema), que ahora son un requisito imprescindible más que una ventaja. Supervisa si las páginas se indexan y, lo que es más importante, si permanecen indexadas. Copen ha señalado aquí una advertencia importante: Google ha indicado que las páginas creadas exclusivamente para modelos de lenguaje, que no contienen señales de usuarios humanos, corren el riesgo de ser desindexadas. Los equipos que gestionan páginas generadas por IA deben auditar cuáles de ellas siguen indexadas y mejorar su valor para los lectores humanos, al tiempo que supervisan la frecuencia de rastreo a lo largo del tiempo.

6. Centra tu contenido web en el comercio

El último paso tiene una visión de futuro. Copen espera que los motores de búsqueda basados en IA se conviertan en una interfaz, un mercado y un vector de compra —una realidad que ya es un hecho para algunos sitios web y productos asociados, y que ella espera que se expanda considerablemente—. Prepararse significa mencionar a tu empresa en el contenido de la parte superior del embudo de conversión, si aún no lo haces; relacionar productos y servicios con características y casos de uso; utilizar lenguaje natural para explicar cómo un producto resuelve el problema; y preparar el sitio web para los bots que rastrean y que, en poco tiempo, realizarán compras en nombre de los usuarios humanos.

La invitación final fue, como es habitual, abierta. Toma prestados los experimentos de HubSpot y reutilízalos para tu propio negocio; mide las citas, las menciones, la visibilidad y la precisión de la IA a lo largo del tiempo; y comparte hallazgos interesantes o nuevos experimentos con Copen directamente en LinkedIn. En otras palabras, el laboratorio está pensado para ser copiado.