{"id":137880,"date":"2026-09-16T10:26:58","date_gmt":"2026-09-16T13:26:58","guid":{"rendered":"https:\/\/eyfsolutions.com\/sin-categoria\/de-la-fabrica-conectada-a-la-toma-de-decisiones-inteligente\/"},"modified":"2026-09-16T10:52:11","modified_gmt":"2026-09-16T13:52:11","slug":"de-la-fabrica-conectada-a-la-toma-de-decisiones-inteligente","status":"publish","type":"post","link":"https:\/\/eyfsolutions.com\/es\/digital-twin\/de-la-fabrica-conectada-a-la-toma-de-decisiones-inteligente\/","title":{"rendered":"De la f\u00e1brica conectada a la toma de decisiones inteligente"},"content":{"rendered":"

[vc_row][vc_column width=\u00bb1\/1″][vc_column_text uncode_shortcode_id=\u00bb551908″]<\/p>\n

La digitalizaci\u00f3n industrial ha ampliado significativamente la capacidad de monitorear lo que sucede en los sistemas productivos. Sensores, controladores, equipos conectados, sistemas MES, ERP, IIoT y diferentes capas de automatizaci\u00f3n generan continuamente informaci\u00f3n sobre producci\u00f3n, disponibilidad, calidad, consumo, mantenimiento, materiales y desempe\u00f1o. Sin embargo, a medida que esta infraestructura madura, se hace cada vez m\u00e1s evidente una distinci\u00f3n fundamental: una f\u00e1brica capaz de generar y transmitir datos no es necesariamente una f\u00e1brica capaz de utilizarlos para tomar mejores decisiones. <\/p>\n

Durante a\u00f1os, una parte significativa de las inversiones en transformaci\u00f3n digital se ha concentrado en la conectividad, la adquisici\u00f3n de datos y la digitalizaci\u00f3n de procesos. Estas iniciativas siguen siendo fundamentales, pero proporcionan la infraestructura para un desaf\u00edo m\u00e1s complejo: convertir la informaci\u00f3n industrial en conocimiento capaz de respaldar eficazmente la toma de decisiones. Un estudio publicado en 2025 en Production Engineering identifica una desconexi\u00f3n entre la recopilaci\u00f3n de datos y su aplicaci\u00f3n en casos de uso capaces de generar valor. Los autores proponen un enfoque \u201cdata-to-value\u201d, en el cual la aplicaci\u00f3n prevista y el valor esperado ayudan a determinar qu\u00e9 datos y tecnolog\u00edas deben utilizarse. <\/p>\n

Esta evoluci\u00f3n ya se refleja en las prioridades de la industria. La 2025 Smart Manufacturing and Operations Survey, realizada con 600 ejecutivos de grandes empresas manufactureras, identific\u00f3 que el 92% considera que smart manufacturing es uno de los principales factores de competitividad para los pr\u00f3ximos tres a\u00f1os. Entre los encuestados que ya han implementado estas iniciativas, se reportaron, en promedio, mejoras de entre el 10% y el 20% en el output de producci\u00f3n, entre el 7% y el 20% en la productividad de los colaboradores y entre el 10% y el 15% en capacidad productiva liberada<\/strong>. Estas cifras indican que el debate sobre digitalizaci\u00f3n comienza a avanzar desde la adopci\u00f3n tecnol\u00f3gica hacia la generaci\u00f3n efectiva de resultados medibles. <\/p>\n

Por lo tanto, la cuesti\u00f3n deja de ser simplemente cu\u00e1ntos datos puede recopilar una industria y pasa a centrarse en qu\u00e9 decisiones necesitan mejorarse y qu\u00e9 informaci\u00f3n es necesaria para respaldarlas. En los sistemas industriales, equipos, personas, materiales, inventarios, mantenimiento, secuenciaci\u00f3n y capacidad est\u00e1n interconectados, lo que significa que un cambio localizado puede afectar diferentes etapas del proceso. Esta complejidad es la que diferencia la visibilidad de la capacidad de toma de decisiones y exige que los datos evolucionen desde una funci\u00f3n predominantemente descriptiva hacia capacidades anal\u00edticas, predictivas y, progresivamente, prescriptivas.[\/vc_column_text][vc_single_image media=\u00bb137878″ media_width_percent=\u00bb100″ uncode_shortcode_id=\u00bb105746″][vc_column_text uncode_shortcode_id=\u00bb140072″]<\/p>\n

La conectividad es la infraestructura, no el objetivo final<\/h2>\n

El primer requisito de esta evoluci\u00f3n es la integraci\u00f3n de la informaci\u00f3n generada en el entorno industrial. En este contexto, los sistemas MES desempe\u00f1an un papel importante al conectar datos relacionados con producci\u00f3n, equipos, recursos, calidad y trazabilidad con los dem\u00e1s sistemas de la empresa, creando una visi\u00f3n m\u00e1s estructurada del sistema productivo. Un estudio publicado en Computers in Industry en 2023 identific\u00f3 MES\/MOM como elementos importantes para la integraci\u00f3n end-to-end en arquitecturas de Industry 4.0 y destac\u00f3 la extracci\u00f3n de datos de equipos legacy, incluidas m\u00e1quinas, controladores y sistemas m\u00e1s antiguos que no fueron dise\u00f1ados para los actuales est\u00e1ndares de conectividad, como uno de los desaf\u00edos asociados a este proceso. <\/p>\n

Los protocolos propietarios, las interfaces desactualizadas y las diferentes arquitecturas pueden dificultar la integraci\u00f3n de estos activos con sistemas m\u00e1s recientes. Una revisi\u00f3n sistem\u00e1tica publicada en el Journal of Industrial Information Integration en 2024 refuerza esta cuesti\u00f3n al destacar la interoperabilidad y la estandarizaci\u00f3n como componentes relevantes para integrar datos y procesos en entornos de smart manufacturing. <\/p>\n

Incluso con el avance de la Inteligencia Artificial, esta infraestructura contin\u00faa recibiendo inversiones significativas. Seg\u00fan la 2025 Smart Manufacturing and Operations Survey, el 78% de los ejecutivos encuestados afirm\u00f3 destinar m\u00e1s del 20% de sus presupuestos de mejora a iniciativas de smart manufacturing<\/strong>, incluidas tecnolog\u00edas relacionadas con analytics, sensores, automatizaci\u00f3n e infraestructura de datos. El estudio tambi\u00e9n identific\u00f3 que el 88% esperaba mantener o ampliar estas inversiones en el siguiente ejercicio fiscal, demostrando la importancia atribuida a la construcci\u00f3n de una base tecnol\u00f3gica capaz de respaldar aplicaciones m\u00e1s avanzadas. <\/p>\n

Por este motivo, aumentar el n\u00famero de sensores o sistemas conectados no genera, por s\u00ed solo, mayor inteligencia. Los datos fragmentados o sin contexto pueden aumentar la complejidad de la informaci\u00f3n en lugar de mejorar la toma de decisiones. El MES contribuye a consolidar y contextualizar esta informaci\u00f3n, creando una base m\u00e1s consistente de visibilidad. El siguiente paso es utilizar esta base para identificar patrones, anticipar comportamientos y evaluar alternativas antes de la implementaci\u00f3n. <\/p>\n

Cuando los datos dejan de explicar \u00fanicamente el pasado<\/h2>\n

La creciente disponibilidad de datos industriales ha creado las condiciones para la expansi\u00f3n de las aplicaciones de Machine Learning e Inteligencia Artificial en la manufactura. Una revisi\u00f3n cient\u00edfica publicada en 2024 analiz\u00f3 114 art\u00edculos de revistas cient\u00edficas dedicados al uso de Machine Learning en funciones industriales, clasificando las investigaciones de acuerdo con algoritmos, datos de entrada y salida, funciones respaldadas y dominios de aplicaci\u00f3n. A pesar del avance del \u00e1rea, el estudio tambi\u00e9n identifica una fragmentaci\u00f3n de las aplicaciones, frecuentemente orientadas a problemas y objetivos espec\u00edficos. <\/p>\n

Una revisi\u00f3n publicada en CIRP Annals en 2024 demuestra el alcance que estas tecnolog\u00edas ya han logrado. El estudio examina aplicaciones de Inteligencia Artificial en planificaci\u00f3n de sistemas productivos, modelado de procesos, optimizaci\u00f3n, control de calidad, mantenimiento y ensamblaje, al mismo tiempo que identifica desaf\u00edos relacionados con la calidad de los datos, interpretabilidad, transparencia, integraci\u00f3n entre conocimiento f\u00edsico y m\u00e9todos data-driven y confiabilidad de los resultados. <\/p>\n

La contribuci\u00f3n de estas tecnolog\u00edas reside en su capacidad para extraer nueva informaci\u00f3n de los datos disponibles. Los historiales de mantenimiento pueden revelar patrones previos a fallas, la informaci\u00f3n de calidad puede identificar relaciones entre par\u00e1metros de proceso y no conformidades, mientras que las series temporales y los modelos predictivos pueden anticipar comportamientos de equipos, demanda o producci\u00f3n. De esta forma, el an\u00e1lisis deja de responder \u00fanicamente a lo que ocurri\u00f3 y comienza a proporcionar evidencias sobre lo que probablemente ocurrir\u00e1. <\/p>\n

Sin embargo, anticipar un evento y determinar c\u00f3mo responder a \u00e9l son desaf\u00edos diferentes. Si un modelo prev\u00e9 un crecimiento de la demanda, por ejemplo, todav\u00eda es necesario evaluar c\u00f3mo puede absorberse esa demanda: ampliar recursos, modificar turnos, cambiar la secuenciaci\u00f3n, redistribuir la producci\u00f3n o invertir en nuevos equipos. Responder a este tipo de cuesti\u00f3n exige comprender no solo la tendencia prevista, sino tambi\u00e9n c\u00f3mo diferentes alternativas pueden afectar el comportamiento del sistema. <\/p>\n

De la predicci\u00f3n a la experimentaci\u00f3n virtual<\/h2>\n

Los Digital Twins a\u00f1aden una nueva dimensi\u00f3n al an\u00e1lisis al permitir evaluar c\u00f3mo los sistemas industriales pueden responder a diferentes condiciones y alternativas. En entornos complejos, capacidad, variabilidad, disponibilidad, inventarios, movimientos, mano de obra, secuenciaci\u00f3n y demanda interact\u00faan continuamente. Los modelos virtuales permiten representar estas relaciones y probar escenarios antes de que cada alternativa deba implementarse en el entorno real. <\/p>\n

Sin embargo, existen diferentes niveles de integraci\u00f3n entre el entorno f\u00edsico y su representaci\u00f3n virtual. En el Digital Model, no existe un intercambio automatizado de datos con el sistema f\u00edsico y las actualizaciones se realizan manualmente. En el Digital Shadow, los datos fluyen autom\u00e1ticamente desde el sistema f\u00edsico hacia el modelo virtual, permitiendo que este acompa\u00f1e los cambios y las condiciones del entorno real. En el Digital Twin, la integraci\u00f3n es bidireccional: la informaci\u00f3n fluye autom\u00e1ticamente entre los entornos f\u00edsico y virtual, permitiendo una interacci\u00f3n m\u00e1s amplia entre ambos. Esta clasificaci\u00f3n se utiliza en la literatura de manufactura para diferenciar estas tres formas de representaci\u00f3n digital seg\u00fan su nivel de integraci\u00f3n. <\/p>\n

Independientemente del nivel de integraci\u00f3n, la capacidad de utilizar estos modelos para respaldar la toma de decisiones depende de su confiabilidad. Los datos, las premisas, la calibraci\u00f3n, la verificaci\u00f3n y la validaci\u00f3n son fundamentales para garantizar que los resultados representen adecuadamente el comportamiento del sistema analizado. El valor no reside \u00fanicamente en la representaci\u00f3n visual del entorno industrial, sino en la posibilidad de construir un entorno virtual cuantitativamente consistente, en el que puedan compararse alternativas, evaluarse la capacidad, probarse cambios y comprenderse sus posibles impactos antes de la implementaci\u00f3n. <\/p>\n

[\/vc_column_text][vc_single_image media=\u00bb137879″ media_width_percent=\u00bb100″ uncode_shortcode_id=\u00bb921565″][vc_column_text uncode_shortcode_id=\u00bb202098″]<\/p>\n

La toma de decisiones inteligente surge de la combinaci\u00f3n de diferentes capacidades<\/h2>\n

La convergencia entre conectividad, integraci\u00f3n, Inteligencia Artificial, Digital Twins y optimizaci\u00f3n comienza a modificar la propia naturaleza del proceso de toma de decisiones. Ante una variaci\u00f3n inesperada de la demanda, por ejemplo, los datos pueden identificar la desviaci\u00f3n, los algoritmos pueden estimar su evoluci\u00f3n, un Digital Twin puede evaluar diferentes estrategias y los m\u00e9todos de optimizaci\u00f3n pueden explorar combinaciones de recursos, secuenciaci\u00f3n y capacidad. El valor no reside necesariamente en una tecnolog\u00eda aislada, sino en la capacidad de combinarlas de acuerdo con el desaf\u00edo espec\u00edfico que debe analizarse. <\/p>\n

Un estudio publicado en 2025 en Results in Engineering presenta un ejemplo cuantitativo de este enfoque. En una aplicaci\u00f3n en la industria sider\u00fargica, los investigadores combinaron Digital Twin, redes neuronales, Reinforcement Learning, Machine Learning y algoritmos metaheur\u00edsticos para ajustar estrategias ante condiciones como variaciones en el precio de la electricidad, degradaci\u00f3n de componentes y crecimiento de la demanda. En la aplicaci\u00f3n estudiada, la metodolog\u00eda alcanz\u00f3 una reducci\u00f3n del 5% en el costo por tonelada producida, una reducci\u00f3n del 5% en las emisiones de CO\u2082 y una mejora del 30% en el ajuste de la producci\u00f3n a la demanda. <\/p>\n

Investigaciones m\u00e1s recientes tambi\u00e9n apuntan hacia una integraci\u00f3n creciente entre modelos y conocimiento humano. En 2026, un estudio publicado en el International Journal of Production Economics present\u00f3 un Intelligent Digital Twin aplicado al production scheduling, combinando Digital Twin y Machine Learning para generar pol\u00edticas de decisi\u00f3n y utilizando cuatro Large Language Models para explicarlas en lenguaje natural. La arquitectura tambi\u00e9n permite incorporar las preferencias de los especialistas a las pol\u00edticas propuestas, acercando la capacidad computacional y el conocimiento t\u00e9cnico. <\/p>\n

La direcci\u00f3n se\u00f1alada por estos estudios no implica necesariamente la sustituci\u00f3n de los especialistas, sino la ampliaci\u00f3n de su capacidad para comprender alternativas, consecuencias y trade-offs. Los algoritmos pueden explorar un gran n\u00famero de combinaciones, mientras que los modelos virtuales permiten evaluar sus posibles impactos antes de la implementaci\u00f3n. La decisi\u00f3n final contin\u00faa vinculada a los objetivos, restricciones y prioridades del negocio, pero pasa a estar respaldada por una base cuantitativa m\u00e1s amplia. <\/p>\n

Tomar mejores decisiones pasa a ser el objetivo de la digitalizaci\u00f3n<\/h2>\n

La madurez digital de una industria no deber\u00eda evaluarse \u00fanicamente por el n\u00famero de equipos conectados, sensores instalados o dashboards disponibles. Una empresa puede disponer de miles de variables en tiempo real y aun as\u00ed tomar decisiones de capacidad basadas en promedios est\u00e1ticos, realizar inversiones sin evaluar impactos sist\u00e9micos o acumular a\u00f1os de datos hist\u00f3ricos sin utilizarlos para anticipar fallas. La transici\u00f3n de la f\u00e1brica conectada hacia la toma de decisiones inteligente ocurre cuando la infraestructura digital comienza efectivamente a modificar la forma en que se eval\u00faan estas decisiones. <\/p>\n

Esta combinaci\u00f3n tambi\u00e9n modifica la l\u00f3gica de las inversiones industriales. Los Digital Twins pueden respaldar an\u00e1lisis de expansi\u00f3n de capacidad, equipos, layouts y cambios de proceso antes de comprometer CAPEX. En automatizaci\u00f3n, la misma l\u00f3gica aparece en el Virtual Commissioning, en el que los modelos virtuales pueden conectarse a los sistemas de control para validar la l\u00f3gica de PLC, comunicaci\u00f3n, secuencias e interacciones entre equipos antes del startup f\u00edsico. En ambos casos, el principio es similar: obtener evidencias sobre el comportamiento esperado antes de la implementaci\u00f3n. <\/p>\n

Hist\u00f3ricamente, muchas informaciones importantes solo estaban disponibles despu\u00e9s de que una decisi\u00f3n ya hab\u00eda sido tomada: la capacidad efectivamente obtenida despu\u00e9s de una inversi\u00f3n, problemas de automatizaci\u00f3n identificados durante el commissioning o el comportamiento de una l\u00ednea de producci\u00f3n despu\u00e9s de una modificaci\u00f3n. La digitalizaci\u00f3n avanzada busca trasladar parte de este conocimiento a antes de la implementaci\u00f3n, utilizando datos, modelos e inteligencia para evaluar previamente alternativas y sus posibles impactos. <\/p>\n

Esta es una de las principales diferencias entre una f\u00e1brica simplemente conectada y una f\u00e1brica orientada a la toma de decisiones inteligente. La siguiente etapa de la transformaci\u00f3n digital industrial no consiste necesariamente en producir m\u00e1s datos, sino en reducir la distancia entre los datos y la toma de decisiones. Cuando la conectividad, el contexto, la inteligencia anal\u00edtica, la experimentaci\u00f3n virtual, la optimizaci\u00f3n y el conocimiento humano act\u00faan de forma integrada, las organizaciones industriales ampl\u00edan su capacidad para evaluar alternativas con anticipaci\u00f3n y evidencias cuantitativas, reduciendo incertidumbres y respaldando elecciones m\u00e1s consistentes para el futuro del sistema productivo. <\/p>\n

De la tecnolog\u00eda a la aplicaci\u00f3n: resultados en grandes industrias<\/h2>\n

La aplicaci\u00f3n de estas tecnolog\u00edas ya forma parte de proyectos desarrollados por EYF Solutions para grandes industrias, respaldando decisiones relacionadas con capacidad, productividad, log\u00edstica, mantenimiento, automatizaci\u00f3n e inversiones. Mediante la integraci\u00f3n de datos, Digital Models, Inteligencia Artificial y optimizaci\u00f3n, estos estudios permiten evaluar escenarios, cuantificar impactos y comparar alternativas antes de la implementaci\u00f3n, con proyectos que presentan un ROI promedio de aproximadamente el 40%.<\/strong> \u00bfQuiere entender c\u00f3mo este enfoque puede aplicarse a los desaf\u00edos de su empresa? Hable con nuestros especialistas. <\/p>\n

[\/vc_column_text][vc_empty_space empty_h=\u00bb4″][vc_column_text text_lead=\u00bbsmall\u00bb uncode_shortcode_id=\u00bb180083″]<\/p>\n

Referencias<\/h5>\n

Mayer, J. et al. A decision-making methodology for selecting digital twin applications in the product service phase considering value and effort<\/em>. Production Engineering, 2025. <\/p>\n

Bitencourt, J.; Wooley, A.; Harris, G. Verification and validation of digital twins: a systematic literature review for manufacturing applications<\/em>. International Journal of Production Research, 2025. <\/p>\n

Gao, R. X. et al. Artificial Intelligence in manufacturing: State of the art, perspectives, and future directions<\/em>. CIRP Annals, 2024. <\/p>\n

Machine learning-supported manufacturing: a review and directions for future research<\/em>. 2024.<\/p>\n

Schlemitz, A.; Mezhuyev, V. Approaches for data collection and process standardization in smart manufacturing: Systematic literature review<\/em>. Journal of Industrial Information Integration, 2024. <\/p>\n

Application of MES\/MOM for Industry 4.0 supply chains: A cross-case analysis<\/em>. Computers in Industry, 2023. <\/p>\n

Keshvarinia, M.; MacKenzie, C. A.; Zhao, Z. A simulation-based digital twin model for data-driven decision optimization<\/em>. Decision Analytics Journal, 2025. <\/p>\n

A methodology leveraging digital twins to enhance the operational strategy of manufacturing plants in unexpected scenarios<\/em>. Results in Engineering, 2025. <\/p>\n

Genetti, S. et al. An intelligent Digital Twin based on machine learning for interpretable decision-making in manufacturing<\/em>. International Journal of Production Economics, 2026.[\/vc_column_text][vc_empty_space empty_h=\u00bb4″][uncode_author_profile uncode_shortcode_id=\u00bb102492″][\/vc_column][\/vc_row]<\/p>\n<\/div>","protected":false},"excerpt":{"rendered":"

[vc_row][vc_column width=\u00bb1\/1″][vc_column_text uncode_shortcode_id=\u00bb551908″] La digitalizaci\u00f3n industrial ha ampliado significativamente la capacidad de monitorear lo que sucede en los sistemas productivos. […]<\/p>\n","protected":false},"author":7,"featured_media":137868,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_seopress_titles_title":"De la f\u00e1brica conectada a la toma de decisiones inteligente","_seopress_titles_desc":"Explora c\u00f3mo los datos, Digital Twins, Inteligencia Artificial y optimizaci\u00f3n respaldan el an\u00e1lisis predictivo, la experimentaci\u00f3n virtual y la toma de decisiones inteligente en la industria.","_seopress_robots_index":"","_seopress_robots_follow":"","_seopress_robots_imageindex":"","_seopress_robots_snippet":"","_seopress_robots_primary_cat":"","_seopress_robots_breadcrumbs":"","_seopress_robots_freeze_modified_date":"","_seopress_robots_custom_modified_date":"","_seopress_robots_canonical":"","_seopress_social_fb_title":"De la f\u00e1brica conectada a la toma de decisiones inteligente","_seopress_social_fb_desc":"Explora c\u00f3mo los datos, Digital Twins, Inteligencia Artificial y optimizaci\u00f3n respaldan el an\u00e1lisis predictivo, la experimentaci\u00f3n virtual y la toma de decisiones inteligente en la industria.","_seopress_social_fb_img":"","_seopress_social_fb_img_attachment_id":0,"_seopress_social_fb_img_width":0,"_seopress_social_fb_img_height":0,"_seopress_social_twitter_title":"De la f\u00e1brica conectada a la toma de decisiones inteligente","_seopress_social_twitter_desc":"Explora c\u00f3mo los datos, Digital Twins, Inteligencia Artificial y optimizaci\u00f3n respaldan el an\u00e1lisis predictivo, la experimentaci\u00f3n virtual y la toma de decisiones inteligente en la industria.","_seopress_social_twitter_img":"","_seopress_social_twitter_img_attachment_id":0,"_seopress_social_twitter_img_width":0,"_seopress_social_twitter_img_height":0,"_seopress_redirections_value":"","_seopress_redirections_enabled":"","_seopress_redirections_enabled_regex":"","_seopress_redirections_logged_status":"ambas","_seopress_redirections_param":"","_seopress_redirections_type":301,"_seopress_analysis_target_kw":"f\u00e1brica conectada,manufactura inteligente,digitalizaci\u00f3n industrial,Digital Twin en manufactura,Digital Models,Inteligencia Artificial en manufactura,IA industrial,analytics en manufactura,an\u00e1lisis predictivo en manufactura,an\u00e1lisis prescriptivo en manufactura,sistemas MES,IIoT en manufactura,optimizaci\u00f3n industrial,Virtual Commissioning","_seopress_news_disabled":"","_seopress_video_disabled":"","_seopress_video":[],"_seopress_pro_schemas_manual":[],"_seopress_pro_rich_snippets_disable_all":"","_seopress_pro_rich_snippets_disable":[],"_seopress_pro_schemas":[],"content-type":"","footnotes":""},"categories":[229],"tags":[],"class_list":["post-137880","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-digital-twin"],"_links":{"self":[{"href":"https:\/\/eyfsolutions.com\/es\/wp-json\/wp\/v2\/posts\/137880","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/eyfsolutions.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/eyfsolutions.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/eyfsolutions.com\/es\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/eyfsolutions.com\/es\/wp-json\/wp\/v2\/comments?post=137880"}],"version-history":[{"count":3,"href":"https:\/\/eyfsolutions.com\/es\/wp-json\/wp\/v2\/posts\/137880\/revisions"}],"predecessor-version":[{"id":137883,"href":"https:\/\/eyfsolutions.com\/es\/wp-json\/wp\/v2\/posts\/137880\/revisions\/137883"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/eyfsolutions.com\/es\/wp-json\/wp\/v2\/media\/137868"}],"wp:attachment":[{"href":"https:\/\/eyfsolutions.com\/es\/wp-json\/wp\/v2\/media?parent=137880"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/eyfsolutions.com\/es\/wp-json\/wp\/v2\/categories?post=137880"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/eyfsolutions.com\/es\/wp-json\/wp\/v2\/tags?post=137880"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}