O Perigo da Alucinação de IA com Dados Financeiros e Como Evitar

Descubra por que modelos de linguagem comuns erram cálculos matemáticos e saiba como a arquitetura determinística garante precisão contábil nas empresas.

A alucinação de inteligência artificial em dados financeiros ocorre porque modelos generativos de linguagem (LLMs) operam por previsão probabilística de palavras, e não por cálculo matemático estruturado. Ao tentar processar planilhas ou balanços diretamente na rede neural de texto, a IA frequentemente inventa valores, arredonda margens indevidamente ou ignora linhas de registro. Para eliminar esse risco em finanças e controladoria, é obrigatório adotar uma arquitetura híbrida e determinística, na qual o modelo de linguagem apenas traduz a pergunta para código SQL e o cálculo exato é executado pelo banco de dados oficial.

1. O Risco Inaceitável: Quando um Erro de Centavos Destrói a Credibilidade

Na redação de um texto publicitário ou no resumo de uma reunião, uma pequena variação de palavras escolhidas pela inteligência artificial é irrelevante. Na controladoria, no fechamento de balanço ou na apuração de margens comerciais, qualquer desvio numérico invalida a ferramenta por completo.

Muitos gestores já passaram pela experiência de subir uma planilha financeira em um assistente de IA convencional e pedir a soma de faturamento por categoria ou o cálculo da margem líquida. À primeira vista, a tabela de resposta parece impecável e bem formatada. No entanto, quando o analista confere os somatórios na calculadora, descobre que os números simplesmente não batem com a realidade.

Apresentar um indicador distorcido por alucinação em uma reunião de diretoria ou conselho gera duas consequências imediatas: o risco de tomar uma decisão estratégica errada e a perda total de confiança da liderança em qualquer iniciativa tecnológica futura.

2. Por Que LLMs Convencionais São Péssimas Calculadoras

Para evitar o erro, é preciso compreender como os grandes modelos de linguagem funcionam por dentro. Um modelo generativo puro não possui uma unidade lógica aritmética como o processador de um computador ou um motor de banco de dados.

Como um LLM puro processa:

  1. Pergunta numérica
  2. Rede neural de texto
  3. Previsão do próximo token mais provável
  4. Resultado aproximado (Risco de Alucinação)

Como a Arquitetura Determinística processa:

  1. Pergunta numérica
  2. LLM traduz para SQL
  3. Banco de Dados Oficial calcula com precisão
  4. LLM apenas apresenta o dado real

Quando você pede a um modelo de linguagem comum para somar 500 linhas de notas fiscais, ele não executa a operação matemática linha por linha. Ele tenta adivinhar qual sequência de caracteres numéricos faz mais sentido estatístico naquele contexto.

Os erros mais comuns gerados por essa limitação incluem:

  • Truncamento silencioso: O modelo lê apenas parte das linhas do arquivo para economizar memória de contexto e ignora o restante sem avisar o usuário.
  • Invenção de filtros: Se o usuário pede vendas de um período específico, a rede neural pode misturar datas próximas ou ignorar notas de devolução.
  • Arredondamento criativo: Percentuais de margem ponderada são calculados como médias simples, distorcendo a rentabilidade real da operação.

3. Comparativo Técnico: IA Generativa Pura vs. IA Determinística Governada

Para aplicações empresariais sérias, a separação entre linguagem e matemática é a única garantia de integridade contábil.

Critério de AvaliaçãoIA Generativa Pura (Upload de Arquivos no Chat)IA com Arquitetura Determinística Governada
Motor de CálculoRede neural probabilística (baseada em texto)Motor de banco de dados relacional e estatístico
Leitura de VolumeLimitada pela janela de contexto (sofre cortes invisíveis)Processa milhões de linhas diretamente na fonte original
RastreabilidadeCaixa-preta (não é possível auditar como chegou ao valor)Total (exibe a consulta exata e a regra aplicada no cálculo)
ReprodutibilidadeBaixa (a mesma pergunta pode gerar dois números diferentes)Absoluta (a mesma consulta retorna sempre o valor contábil exato)
Regras de NegócioInterpretadas no improviso a cada nova conversaFixadas em um modelo semântico validado pela controladoria

4. Os Três Pilares para Blindar Dados Financeiros na IA

Para que diretores financeiros, controllers e líderes comerciais utilizem inteligência artificial com segurança de auditoria, a plataforma deve respeitar três travas arquiteturais:

1. Proibição de Cálculo na Camada de Texto

A inteligência artificial deve ser impedida de realizar contas por conta própria. Sempre que uma pergunta envolver somas, médias, variações percentuais, projeções ou rankings, o sistema deve acionar ferramentas determinísticas (consultas SQL governadas ou motores estatísticos dedicados). O número nasce no banco e chega pronto para a IA apenas narrar.

2. Imutabilidade da Escala e dos Valores

Um erro frequente em ferramentas mal calibradas ocorre quando a IA tenta "embelezar" o número na hora de escrever a resposta, multiplicando uma fração por cem duas vezes ou alterando casas decimais. Em uma plataforma segura, os valores exibidos nas tabelas e citados nos relatórios textuais preservam exatamente a mesma escala devolvida pela consulta oficial.

3. Declaração Transparente de Cobertura e Escopo

Toda resposta analítica precisa deixar claro qual foi o universo consultado. Se uma tabela exibe as 20 maiores contas, o somatório precisa distinguir o total daquela amostra do total geral da companhia. Transparência sobre filtros aplicados (como exclusão de transações canceladas ou separação entre testes e clientes ativos) é o que separa uma resposta amadora de um parecer executivo.

5. Como Auditar se a Sua Ferramenta de IA é Confiável para Finanças

Antes de liberar uma solução de IA para análise de indicadores corporativos, aplique este teste prático de três etapas:

  1. Teste de Volume e Exaustão: Faça uma pergunta que exija somar mais de 10 mil linhas de transações (ex: faturamento anual líquido deduzido de impostos e devoluções) e compare com o centavo exato do seu balancete oficial.
  2. Teste de Consistência Repetida: Realize a mesma pergunta três vezes seguidas usando palavras diferentes (ex: "qual foi a receita líquida de setembro?" e "quanto faturamos líquido no mês 09?"). O valor final precisa ser idêntico até a última casa decimal.
  3. Exigência da Memória de Cálculo: Peça para a ferramenta mostrar qual foi a lógica e a consulta exata utilizada para chegar àquele número. Se o sistema não puder apresentar a query estruturada, ele não é auditável.

Como a Luria ajuda

A Luria foi construída sobre essa separação. O NL2SQL da Luria traduz a pergunta em SQL validado, que roda na fonte oficial (BigQuery, SQL Server, PostgreSQL, Databricks); o modelo de linguagem não faz conta. Projeções usam séries temporais (ETS e ARIMA) validadas por backtest e só são entregues quando confiáveis. As regras de métrica ficam na camada semântica, e cada resposta mantém a consulta rastreável, com permissões por perfil e Row-Level Security (veja segurança e governança). Para times financeiros, veja IA para o financeiro.

Leia também: Luria vs ChatGPT para dados enterprise · Os riscos das planilhas manuais na gestão

Quer aplicar o teste de volume e consistência com os seus próprios números? Agende uma sessão com nosso time.

Perguntas frequentes

O que significa dizer que uma IA é determinística?

Significa que, para os mesmos dados de entrada e a mesma regra de negócio, o sistema produzirá sempre o mesmo resultado matemático exato, sem variações aleatórias. Ela une a capacidade de conversação da IA generativa com o rigor exato da engenharia de software e dos bancos de dados.

Por que não devo apenas anexar minhas planilhas financeiras em um chat de IA gratuito ou comum?

Além do grave risco de vazamento de informações confidenciais da empresa, ferramentas genéricas leem planilhas como blocos de texto, sofrendo cortes de linhas em arquivos grandes e cometendo erros frequentes em somas, médias ponderadas e cruzamentos de abas.

A IA determinística consegue fazer previsões financeiras e projeções de vendas?

Sim. Em vez de pedir para o modelo de texto "chutar" uma tendência futura, a plataforma aciona algoritmos estatísticos de séries temporais (como modelos de suavização exponencial e regressão validados por backtest), entregando projeções com intervalos de confiança reais e explicáveis.

The Danger of AI Hallucination with Financial Data and How to Avoid It

Find out why common language models get math calculations wrong and how a deterministic architecture ensures accounting precision in companies.

AI hallucination with financial data happens because generative language models (LLMs) work by probabilistic word prediction, not by structured mathematical calculation. When they try to process spreadsheets or balance sheets directly in the text neural network, they often invent values, round margins improperly or ignore record rows. To eliminate this risk in finance and controllership, it is mandatory to adopt a hybrid, deterministic architecture, in which the language model only translates the question into SQL code and the exact calculation is executed by the official database.

1. The Unacceptable Risk: When an Error of Cents Destroys Credibility

When writing ad copy or summarizing a meeting, a small variation in the words chosen by AI is irrelevant. In controllership, the balance sheet close or the calculation of commercial margins, any numerical deviation invalidates the tool completely.

Many managers have had the experience of uploading a financial spreadsheet to a conventional AI assistant and asking for revenue totals by category or net margin. At first glance, the answer table looks flawless and well formatted. However, when the analyst checks the totals on a calculator, they find the numbers simply do not match reality.

Presenting an indicator distorted by hallucination in a leadership or board meeting has two immediate consequences: the risk of making a wrong strategic decision and leadership’s total loss of trust in any future technology initiative.

2. Why Conventional LLMs Are Terrible Calculators

To avoid the error, you need to understand how large language models work inside. A pure generative model has no arithmetic logic unit like a computer processor or a database engine.

How a pure LLM processes:

  1. Numerical question
  2. Text neural network
  3. Prediction of the most likely next token
  4. Approximate result (Hallucination Risk)

How the Deterministic Architecture processes:

  1. Numerical question
  2. LLM translates into SQL
  3. Official Database calculates precisely
  4. LLM only presents the real figure

When you ask a common language model to add up 500 invoice lines, it does not perform the math line by line. It tries to guess which sequence of numeric characters makes the most statistical sense in that context.

The most common errors caused by this limitation include:

  • Silent truncation: The model reads only part of the file’s rows to save context memory and ignores the rest without telling the user.
  • Invented filters: If the user asks for sales in a specific period, the neural network may mix in nearby dates or ignore return invoices.
  • Creative rounding: Weighted margin percentages are calculated as simple averages, distorting the operation’s real profitability.

3. Technical Comparison: Pure Generative AI vs. Governed Deterministic AI

For serious business applications, separating language from math is the only guarantee of accounting integrity.

Evaluation CriterionPure Generative AI (File Upload to Chat)AI with Governed Deterministic Architecture
Calculation EngineProbabilistic neural network (text-based)Relational and statistical database engine
Volume HandlingLimited by the context window (suffers invisible cuts)Processes millions of rows directly at the original source
TraceabilityBlack box (impossible to audit how it reached the value)Full (shows the exact query and the rule applied in the calculation)
ReproducibilityLow (the same question can produce two different numbers)Absolute (the same query always returns the exact accounting value)
Business RulesImprovised in every new conversationFixed in a semantic model validated by controllership

4. The Three Pillars for Shielding Financial Data in AI

For CFOs, controllers and sales leaders to use AI with audit-grade confidence, the platform must respect three architectural safeguards:

1. No Calculation in the Text Layer

AI must be prevented from doing math on its own. Whenever a question involves sums, averages, percentage changes, projections or rankings, the system must call deterministic tools (governed SQL queries or dedicated statistical engines). The number is born in the database and arrives ready for the AI only to narrate.

2. Immutability of Scale and Values

A frequent error in poorly calibrated tools happens when the AI tries to "polish" the number while writing the answer, multiplying a fraction by a hundred twice or changing decimal places. On a safe platform, the values shown in tables and cited in text reports keep exactly the same scale returned by the official query.

3. Transparent Declaration of Coverage and Scope

Every analytical answer must make clear which universe was queried. If a table shows the top 20 accounts, the total must distinguish that sample’s total from the company’s overall total. Transparency about the filters applied (such as excluding canceled transactions or separating test accounts from active customers) is what separates an amateur answer from an executive opinion.

5. How to Audit Whether Your AI Tool Is Reliable for Finance

Before rolling out an AI solution for corporate indicator analysis, apply this practical three-step test:

  1. Volume and Exhaustiveness Test: Ask a question that requires summing more than 10,000 transaction rows (e.g. annual net revenue after taxes and returns) and compare it with the exact cent in your official trial balance.
  2. Repeated Consistency Test: Ask the same question three times in a row using different words (e.g. "what was net revenue in September?" and "how much did we bill net in month 09?"). The final value must be identical down to the last decimal place.
  3. Calculation Trail Requirement: Ask the tool to show the logic and the exact query used to reach that number. If the system cannot present the structured query, it is not auditable.

How Luria helps

Luria was built on this separation. Luria’s NL2SQL translates the question into validated SQL that runs on the official source (BigQuery, SQL Server, PostgreSQL, Databricks); the language model does no math. Projections use time series models (ETS and ARIMA) validated by backtesting and are only delivered when reliable. Metric rules live in the semantic layer, and every answer keeps its query traceable, with role-based permissions and row-level security (see security and governance). For finance teams, see AI for finance.

Read also: Luria vs ChatGPT for enterprise data · The risks of manual spreadsheets in management

Want to run the volume and consistency test on your own numbers? Book a session with our team.

Frequently asked questions

What does it mean to say an AI is deterministic?

It means that, for the same input data and the same business rule, the system will always produce the same exact mathematical result, with no random variation. It combines the conversational ability of generative AI with the exact rigor of software engineering and databases.

Why shouldn’t I just attach my financial spreadsheets to a free or common AI chat?

Besides the serious risk of leaking the company’s confidential information, generic tools read spreadsheets as blocks of text, dropping rows in large files and frequently making errors in sums, weighted averages and cross-tab lookups.

Can deterministic AI produce financial forecasts and sales projections?

Yes. Instead of asking the text model to "guess" a future trend, the platform runs time series statistical algorithms (such as exponential smoothing and regression models validated by backtesting), delivering projections with real, explainable confidence intervals.

El Peligro de la Alucinación de la IA con Datos Financieros y Cómo Evitarlo

Descubra por qué los modelos de lenguaje comunes se equivocan en cálculos matemáticos y cómo la arquitectura determinista garantiza la precisión contable en las empresas.

La alucinación de la inteligencia artificial con datos financieros ocurre porque los modelos generativos de lenguaje (LLMs) operan por predicción probabilística de palabras, y no por cálculo matemático estructurado. Al intentar procesar planillas o balances directamente en la red neuronal de texto, la IA a menudo inventa valores, redondea márgenes indebidamente u omite filas de registro. Para eliminar este riesgo en finanzas y control de gestión, es obligatorio adoptar una arquitectura híbrida y determinista, en la que el modelo de lenguaje solo traduce la pregunta a código SQL y el cálculo exacto lo ejecuta la base de datos oficial.

1. El Riesgo Inaceptable: Cuando un Error de Centavos Destruye la Credibilidad

En la redacción de un texto publicitario o en el resumen de una reunión, una pequeña variación de las palabras elegidas por la inteligencia artificial es irrelevante. En el control de gestión, en el cierre de balance o en el cálculo de márgenes comerciales, cualquier desvío numérico invalida la herramienta por completo.

Muchos gestores ya pasaron por la experiencia de subir una planilla financiera a un asistente de IA convencional y pedir la suma de la facturación por categoría o el cálculo del margen neto. A primera vista, la tabla de respuesta parece impecable y bien formateada. Sin embargo, cuando el analista verifica las sumas en la calculadora, descubre que los números simplemente no coinciden con la realidad.

Presentar un indicador distorsionado por alucinación en una reunión de dirección o de directorio genera dos consecuencias inmediatas: el riesgo de tomar una decisión estratégica equivocada y la pérdida total de confianza de la dirección en cualquier iniciativa tecnológica futura.

2. Por Qué los LLMs Convencionales Son Pésimas Calculadoras

Para evitar el error, es necesario comprender cómo funcionan por dentro los grandes modelos de lenguaje. Un modelo generativo puro no tiene una unidad lógica aritmética como el procesador de una computadora o un motor de base de datos.

Cómo procesa un LLM puro:

  1. Pregunta numérica
  2. Red neuronal de texto
  3. Predicción del siguiente token más probable
  4. Resultado aproximado (Riesgo de Alucinación)

Cómo procesa la Arquitectura Determinista:

  1. Pregunta numérica
  2. El LLM traduce a SQL
  3. La Base de Datos Oficial calcula con precisión
  4. El LLM solo presenta el dato real

Cuando le pide a un modelo de lenguaje común que sume 500 líneas de facturas, no ejecuta la operación matemática línea por línea. Intenta adivinar qué secuencia de caracteres numéricos tiene más sentido estadístico en ese contexto.

Los errores más comunes generados por esta limitación incluyen:

  • Truncamiento silencioso: El modelo lee solo parte de las filas del archivo para ahorrar memoria de contexto e ignora el resto sin avisar al usuario.
  • Invención de filtros: Si el usuario pide las ventas de un período específico, la red neuronal puede mezclar fechas cercanas o ignorar notas de devolución.
  • Redondeo creativo: Los porcentajes de margen ponderado se calculan como promedios simples, distorsionando la rentabilidad real de la operación.

3. Comparativo Técnico: IA Generativa Pura vs. IA Determinista Gobernada

Para aplicaciones empresariales serias, la separación entre lenguaje y matemática es la única garantía de integridad contable.

Criterio de EvaluaciónIA Generativa Pura (Carga de Archivos en el Chat)IA con Arquitectura Determinista Gobernada
Motor de CálculoRed neuronal probabilística (basada en texto)Motor de base de datos relacional y estadístico
Lectura de VolumenLimitada por la ventana de contexto (sufre cortes invisibles)Procesa millones de filas directamente en la fuente original
TrazabilidadCaja negra (no es posible auditar cómo llegó al valor)Total (muestra la consulta exacta y la regla aplicada en el cálculo)
ReproducibilidadBaja (la misma pregunta puede generar dos números diferentes)Absoluta (la misma consulta siempre devuelve el valor contable exacto)
Reglas de NegocioInterpretadas sobre la marcha en cada nueva conversaciónFijadas en un modelo semántico validado por control de gestión

4. Los Tres Pilares para Blindar los Datos Financieros en la IA

Para que directores financieros, controllers y líderes comerciales utilicen inteligencia artificial con seguridad de auditoría, la plataforma debe respetar tres salvaguardas arquitectónicas:

1. Prohibición de Cálculo en la Capa de Texto

La inteligencia artificial debe estar impedida de hacer cuentas por su cuenta. Siempre que una pregunta involucre sumas, promedios, variaciones porcentuales, proyecciones o rankings, el sistema debe recurrir a herramientas deterministas (consultas SQL gobernadas o motores estadísticos dedicados). El número nace en la base y llega listo para que la IA solo lo narre.

2. Inmutabilidad de la Escala y los Valores

Un error frecuente en herramientas mal calibradas ocurre cuando la IA intenta "embellecer" el número al redactar la respuesta, multiplicando una fracción por cien dos veces o alterando decimales. En una plataforma segura, los valores mostrados en las tablas y citados en los informes textuales preservan exactamente la misma escala devuelta por la consulta oficial.

3. Declaración Transparente de Cobertura y Alcance

Toda respuesta analítica debe dejar claro cuál fue el universo consultado. Si una tabla muestra las 20 cuentas principales, la suma debe distinguir el total de esa muestra del total general de la compañía. La transparencia sobre los filtros aplicados (como la exclusión de transacciones canceladas o la separación entre pruebas y clientes activos) es lo que separa una respuesta amateur de un análisis ejecutivo.

5. Cómo Auditar si su Herramienta de IA es Confiable para Finanzas

Antes de habilitar una solución de IA para el análisis de indicadores corporativos, aplique esta prueba práctica de tres etapas:

  1. Prueba de Volumen y Exhaustividad: Haga una pregunta que exija sumar más de 10 mil filas de transacciones (ej.: facturación anual neta deducida de impuestos y devoluciones) y compárela con el centavo exacto de su balance oficial.
  2. Prueba de Consistencia Repetida: Haga la misma pregunta tres veces seguidas con palabras diferentes (ej.: "¿cuál fue el ingreso neto de septiembre?" y "¿cuánto facturamos neto en el mes 09?"). El valor final debe ser idéntico hasta el último decimal.
  3. Exigencia de la Memoria de Cálculo: Pida a la herramienta que muestre la lógica y la consulta exacta utilizada para llegar a ese número. Si el sistema no puede presentar la query estructurada, no es auditable.

Cómo ayuda Luria

Luria se construyó sobre esta separación. El NL2SQL de Luria traduce la pregunta a SQL validado, que se ejecuta en la fuente oficial (BigQuery, SQL Server, PostgreSQL, Databricks); el modelo de lenguaje no hace cuentas. Las proyecciones usan series temporales (ETS y ARIMA) validadas por backtest y solo se entregan cuando son confiables. Las reglas de métrica viven en la capa semántica, y cada respuesta mantiene su consulta trazable, con permisos por perfil y Row-Level Security (vea seguridad y gobernanza). Para equipos financieros, vea IA para finanzas.

Lee también: Luria vs ChatGPT para datos enterprise · Los riesgos de las planillas manuales en la gestión

¿Quiere aplicar la prueba de volumen y consistencia con sus propios números? Agende una sesión con nuestro equipo.

Preguntas frecuentes

¿Qué significa decir que una IA es determinista?

Significa que, para los mismos datos de entrada y la misma regla de negocio, el sistema producirá siempre el mismo resultado matemático exacto, sin variaciones aleatorias. Une la capacidad de conversación de la IA generativa con el rigor exacto de la ingeniería de software y de las bases de datos.

¿Por qué no debería simplemente adjuntar mis planillas financieras en un chat de IA gratuito o común?

Además del grave riesgo de fuga de información confidencial de la empresa, las herramientas genéricas leen las planillas como bloques de texto, sufren cortes de filas en archivos grandes y cometen errores frecuentes en sumas, promedios ponderados y cruces entre pestañas.

¿La IA determinista puede hacer previsiones financieras y proyecciones de ventas?

Sí. En lugar de pedirle al modelo de texto que "adivine" una tendencia futura, la plataforma recurre a algoritmos estadísticos de series temporales (como modelos de suavizado exponencial y regresión validados por backtest), entregando proyecciones con intervalos de confianza reales y explicables.

Luria é o ecossistema brasileiro de agentes de IA enterprise, desenvolvido pela PX Data. Um agente treinado no contexto do negócio conecta os dados que já existem na operação, responde em linguagem natural e decide em segundos, com liberdade para escolher o modelo (Gemini, Claude, GPT) e governança para escalar entre todas as áreas. O ecossistema é composto por Luria One (inteligência e decisão), Luria Flow (automação de processos) e Luria Academy (adoção de IA).

A plataforma é parceira oficial Google Cloud, possui o selo Google Cloud Ready – BigQuery, e está disponível no Google Cloud Marketplace. A Luria foi reconhecida como uma das 100 Startups to Watch 2025 e é usada por empresas como Bradesco, BAT e Eurofarma.

Luria is the Brazilian enterprise AI agents ecosystem, developed by PX Data. A single agent trained on the company's business context connects the data that already exists in the operation, answers in natural language and decides in seconds, with freedom to choose the model (Gemini, Claude, GPT) and governance to scale across every area. The ecosystem consists of Luria One (intelligence and decision), Luria Flow (process automation) and Luria Academy (AI adoption).

The platform is an official Google Cloud Partner, holds the Google Cloud Ready – BigQuery designation, and is available on the Google Cloud Marketplace. Luria was recognized as one of the 100 Startups to Watch 2025 and is used by companies such as Bradesco, BAT and Eurofarma.

Luria es el ecosistema brasileño de agentes de IA enterprise, desarrollado por PX Data. Un agente entrenado en el contexto del negocio conecta los datos que ya existen en la operación, responde en lenguaje natural y decide en segundos, con libertad para elegir el modelo (Gemini, Claude, GPT) y gobernanza para escalar entre todas las áreas. El ecosistema está compuesto por Luria One (inteligencia y decisión), Luria Flow (automatización de procesos) y Luria Academy (adopción de IA).

La plataforma es partner oficial de Google Cloud, posee la designación Google Cloud Ready – BigQuery, y está disponible en el Google Cloud Marketplace. Luria fue reconocida como una de las 100 Startups to Watch 2025 y es utilizada por empresas como Bradesco, BAT y Eurofarma.

Como Contratar a Luria AI

A Luria está disponível no Google Cloud Marketplace para contratação direta com billing unificado, ou através de contato com a equipe de vendas para condições personalizadas.

How to Get Luria AI

Luria is available on the Google Cloud Marketplace for direct contracting with unified billing, or through the sales team for custom conditions.

Cómo Contratar Luria AI

Luria está disponible en el Google Cloud Marketplace para contratación directa con facturación unificada, o a través del equipo de ventas para condiciones personalizadas.