{"id":40522,"date":"2025-05-06T13:01:11","date_gmt":"2025-05-06T16:01:11","guid":{"rendered":"https:\/\/www.iri.edu.ar\/?p=40522"},"modified":"2025-06-02T11:14:27","modified_gmt":"2025-06-02T14:14:27","slug":"fraude-ocupacional-tendencias-para-latinoamerica-en-2025","status":"publish","type":"post","link":"https:\/\/www.iri.edu.ar\/index.php\/2025\/05\/06\/fraude-ocupacional-tendencias-para-latinoamerica-en-2025\/","title":{"rendered":"Fraude ocupacional: tendencias para latinoam\u00e9rica en 2025"},"content":{"rendered":"

por Fernando Peyretti[1]<\/a><\/h3>\n

Introducci\u00f3n:<\/h4>\n

El informe \u201cOccupational Fraud 2024: A Report to the Nations\u201d de la ACFE presenta un panorama global del fraude ocupacional con 1.921 casos investigados en 138 pa\u00edses. Los hallazgos son contundentes: las organizaciones pierden aproximadamente el 5% de sus ingresos anuales por fraude, con p\u00e9rdidas totales estimadas en $3.100 millones de d\u00f3lares en el estudio.<\/p>\n

La p\u00e9rdida promedio por caso fue de $1,7 millones, mientras que la mediana (valor t\u00edpico) fue de $145.000, lo que indica que si bien unos pocos fraudes muy grandes elevan el promedio, la mayor\u00eda de los casos causan da\u00f1os significativos pero menores al promedio.<\/p>\n

Un dato preocupante es que casi la mitad de los casos implicaron corrupci\u00f3n (48% a nivel global), combin\u00e1ndose a menudo con malversaci\u00f3n de activos o fraude en reportes financieros.<\/p>\n

En el contexto de Am\u00e9rica Latina, las cifras revelan riesgos a\u00fan mayores. Seg\u00fan el reporte, la regi\u00f3n de Latinoam\u00e9rica y el Caribe present\u00f3 la mediana de p\u00e9rdida por caso m\u00e1s alta del mundo: $250.000 d\u00f3lares. Esto sugiere que los fraudes t\u00edpicos en la regi\u00f3n tienden a ser m\u00e1s costosos que en otras zonas.<\/p>\n

Adicionalmente, se observ\u00f3 que la duraci\u00f3n promedio de los fraudes en Latinoam\u00e9rica antes de ser detectados fue de 16 meses, significativamente superior al promedio global (~12 meses). Este retraso en la detecci\u00f3n evidencia brechas en controles internos y mecanismos de denuncia en la regi\u00f3n. De hecho, m\u00e1s de la mitad de los fraudes analizados a nivel mundial ocurrieron por falta de controles internos o por la evasi\u00f3n de los existentes, factores que agravan la incidencia del fraude en entornos de control m\u00e1s d\u00e9biles.<\/p>\n

En las siguientes secciones se ampliar\u00e1 el an\u00e1lisis con un enfoque latinoamericano, cubriendo: (1) ejemplos recientes y documentados de fraudes relevantes en la regi\u00f3n (especialmente en Brasil, M\u00e9xico y Argentina) y las lecciones que aportan; (2) el uso creciente de la inteligencia artificial en investigaciones forenses y detecci\u00f3n de fraudes, incluyendo herramientas destacadas (machine learning, NLP, redes neuronales) y casos de uso; y (3) recomendaciones pr\u00e1cticas por industria (construcci\u00f3n, energ\u00eda, banca, sector p\u00fablico), detallando controles sugeridos, riesgos t\u00edpicos y tecnolog\u00edas aplicables, adaptadas a la realidad latinoamericana.<\/p>\n

Casos recientes de fraude en Am\u00e9rica Latina<\/h4>\n

La regi\u00f3n ha sido escenario de sonados casos de fraude ocupacional en a\u00f1os recientes, que ilustran la variedad de esquemas il\u00edcitos y sus consecuencias econ\u00f3micas e institucionales. A continuaci\u00f3n, se presentan tres casos emblem\u00e1ticos \u2013en Brasil, M\u00e9xico y Argentina\u2013 con detalles sobre el tipo de fraude, impacto, respuesta institucional y aprendizajes clave.<\/p>\n

Brasil: Fraude contable en Americanas S.A.<\/h4>\n

Uno de los casos corporativos m\u00e1s grandes en Brasil fue el esc\u00e1ndalo contable de Lojas Americanas, una de las mayores cadenas minoristas del pa\u00eds. En enero de 2023, Americanas revel\u00f3 \u201cinconsistencias contables\u201d por m\u00e1s de R$20.000 millones (aprox. $4.000 millones de d\u00f3lares), que resultaron ser un fraude contable encubierto por a\u00f1os.<\/p>\n

El esquema involucraba la manipulaci\u00f3n de cuentas por pagar a proveedores mediante pr\u00e1cticas como anticipos comerciales ficticios (las llamadas \u201cverbas de propaganda cooperada\u201d \u2013 VPC), lo que permiti\u00f3 ocultar pasivos y mostrar una posici\u00f3n financiera m\u00e1s saludable de la real.<\/p>\n

Impacto econ\u00f3mico: La revelaci\u00f3n del fraude desencaden\u00f3 un colapso burs\u00e1til de Americanas \u2013sus acciones cayeron 77% en un solo d\u00eda, evaporando R$8.340 millones (unos $1.670 millones USD) en valor de mercado \u2013 y llev\u00f3 a la empresa a solicitar protecci\u00f3n por bancarrota (recuperaci\u00f3n judicial) con deudas totales de R$42.500 millones ($8.500 millones). En dos a\u00f1os, los accionistas minoritarios vieron destruirse el 99,5% de su inversi\u00f3n, y ahora buscan unos R$32.000 millones ($6.400 millones) en indemnizaciones v\u00eda arbitraje.<\/p>\n

Aprendizajes: El fraude de Americanas expuso graves fallas de gobierno corporativo y controles financieros. A pesar de ser una empresa listada y auditada, se pudo ocultar por a\u00f1os un pasivo enorme, lo que ha generado un replanteamiento de las pr\u00e1cticas contables y la supervisi\u00f3n regulatoria en Brasil.<\/p>\n

Este esc\u00e1ndalo, calificado como el \u201cEnron brasile\u00f1o\u201d por algunos analistas, marc\u00f3 un hito para el mercado financiero local y ha impulsado discusiones sobre la necesidad de mayor transparencia, fortalecimiento de auditor\u00edas internas y responsabilidades de los directorios. Asimismo, resalta la importancia de verificar agresivamente partidas contables complejas (como descuentos comerciales) y fomentar una cultura en la que se pueda reportar irregularidades sin represalias (whistleblowing).<\/p>\n

El caso Americanas demuestra que ning\u00fan conglomerado est\u00e1 exento de fraude y que la confianza del mercado puede esfumarse de la noche a la ma\u00f1ana ante revelaciones de esta \u00edndole.<\/p>\n

M\u00e9xico: Desfalco y corrupci\u00f3n en Segalmex<\/h4>\n

En M\u00e9xico, un caso paradigm\u00e1tico de fraude en el sector p\u00fablico es el desfalco ocurrido en Seguridad Alimentaria Mexicana (Segalmex), organismo gubernamental creado en 2019 para programas sociales de abasto de alimentos.<\/p>\n

Este esquema il\u00edcito ha sido comparado con la \u201cEstafa Maestra\u201d por su complejidad y monto, e incluso la supera: se estiman desv\u00edos de fondos p\u00fablicos por m\u00e1s de 15.000 millones de pesos (aprox. $750 millones USD) entre 2019 y 2021.<\/p>\n

Aprendizajes: El caso Segalmex subraya riesgos end\u00e9micos en la gesti\u00f3n de programas p\u00fablicos en Latinoam\u00e9rica: controles internos d\u00e9biles y supervisi\u00f3n insuficiente. A nivel operativo, resalta la importancia de implementar controles financieros b\u00e1sicos en entes p\u00fablicos (segregaci\u00f3n de funciones, monitoreo de compras, verificaci\u00f3n de entregables) para evitar desviaciones tan prolongadas.<\/p>\n

Tambi\u00e9n evidencia la necesidad de mecanismos de rendici\u00f3n de cuentas transparentes: por ejemplo, publicar licitaciones y resultados, auditor\u00edas externas frecuentes, y fortalecer la protecci\u00f3n a denunciantes internos que alerten de irregularidades. As\u00ed como tambi\u00e9n: revisar los procesos de contrataci\u00f3n p\u00fablica, digitalizar controles para reducir discrecionalidad, y establecer comit\u00e9s de \u00e9tica independientes.<\/p>\n

Argentina: Fraude corporativo y quiebra de Vicentin<\/h4>\n

En Argentina, un caso destacado es el de Vicentin S.A., una de las mayores agroexportadoras del pa\u00eds, que en 2019 entr\u00f3 en cesaci\u00f3n de pagos revelando luego presuntos fraudes masivos.<\/p>\n

Vicentin, empresa familiar l\u00edder en exportaci\u00f3n de soja y otros granos, se declar\u00f3 en \u201cestr\u00e9s financiero\u201d a fines de 2019 con un pasivo superior a USD 1.300 millones, dejando a cientos de acreedores (particularmente productores agr\u00edcolas locales y bancos) sin cobrar. Investigaciones posteriores sugieren que la compa\u00f1\u00eda incurri\u00f3 en fraude contable y financiero para obtener cr\u00e9dito y desviar fondos antes de colapsar.<\/p>\n

Aprendizajes: El caso Vicentin pone de relieve los riesgos de fraude financiero en empresas privadas grandes y las consecuencias sist\u00e9micas que puede acarrear.<\/p>\n

A nivel cultural, Vicentin muestra c\u00f3mo en entornos de empresa familiar cerrada puede haber reticencia a la transparencia; adoptar pr\u00e1cticas de gobierno corporativo modernas (con consejos independientes, cumplimiento normativo robusto, comit\u00e9s de auditor\u00eda) es crucial para evitar que la toma de malas decisiones.<\/p>\n

Uso de Inteligencia Artificial en la investigaci\u00f3n forense y detecci\u00f3n de fraudes<\/h4>\n

La creciente complejidad y volumen de los datos empresariales han llevado a que las t\u00e9cnicas tradicionales de auditor\u00eda y detecci\u00f3n de fraude resulten, en muchos casos, insuficientes para descubrir patrones sutiles o esquemas sofisticados.<\/p>\n

En este contexto, la Inteligencia Artificial (IA) \u2013particularmente el machine learning (aprendizaje autom\u00e1tico) y el an\u00e1lisis avanzado de datos\u2013 se ha convertido en un aliado estrat\u00e9gico en las investigaciones forenses y la prevenci\u00f3n\/detecci\u00f3n de fraudes. A continuaci\u00f3n, se explora c\u00f3mo se utiliza la IA en este campo, las herramientas y tecnolog\u00edas destacadas, y ejemplos de aplicaci\u00f3n reales o potenciales.<\/p>\n

Automatizaci\u00f3n y an\u00e1lisis de grandes vol\u00famenes de datos: Los algoritmos de IA\/ML pueden procesar masivamente transacciones financieras, registros y comunicaciones a una velocidad muy superior a la humana, identificando patrones o anomal\u00edas ocultas.<\/p>\n

Por ejemplo, el Departamento del Tesoro de EE.UU. anunci\u00f3 en 2024 que logr\u00f3 recuperar m\u00e1s de $1.000 millones en fraudes con cheques gracias al uso de algoritmos de ML que escrutaron enormes conjuntos de datos bancarios, aislando transacciones sospechosas en una fracci\u00f3n del tiempo que tomar\u00eda una revisi\u00f3n manual.<\/p>\n

Este caso real demuestra el poder de la IA: se triplic\u00f3 la detecci\u00f3n de fraudes respecto al a\u00f1o anterior simplemente por aplicar modelos que aprenden a reconocer se\u00f1ales de fraude en im\u00e1genes digitalizadas de cheques y series num\u00e9ricas. Del mismo modo, seg\u00fan una encuesta de Thomson Reuters, casi 1 de cada 5 organismos p\u00fablicos (a nivel global) ya utiliza o planea utilizar IA\/ML para detectar comportamientos sospechosos y patrones de facturaci\u00f3n an\u00f3malos, lo que refleja la adopci\u00f3n institucional de estas tecnolog\u00edas en la lucha contra corrupci\u00f3n y fraude.<\/p>\n

Detecci\u00f3n de anomal\u00edas mediante Machine Learning: Una aplicaci\u00f3n central de la IA en auditor\u00eda forense es el detector de anomal\u00edas en datos financieros. Los modelos de machine learning pueden establecer una l\u00ednea base de lo que constituye un comportamiento \u201cnormal\u201d en ciertas transacciones o cuentas, y luego alertar sobre desviaciones significativas.<\/p>\n

Por ejemplo, detectar una \u201cse\u00f1al fuera de patr\u00f3n\u201d como un pico repentino en compras desde una misma cuenta, transacciones en horarios inusuales o fraccionamiento de pagos para eludir aprobaciones, son tareas en las que los algoritmos superan a las reglas fijas tradicionales. En la pr\u00e1ctica, esto permite se\u00f1alar posibles fraudes en tiempo casi real: un sistema bancario dotado de ML podr\u00eda frenar autom\u00e1ticamente una transferencia sospechosa entre filiales antes de su liquidaci\u00f3n si identifica que se aparta de los patrones hist\u00f3ricos leg\u00edtimos (por monto, destino, horario, etc.).<\/p>\n

Se emplean tanto modelos supervisados (entrenados con ejemplos de fraudes conocidos frente a operaciones leg\u00edtimas) que clasifican transacciones como posiblemente fraudulentas, como modelos no supervisados (clustering, autoencoders, etc.) que descubren estructuras inusuales sin conocimiento previo, detectando incluso esquemas nuevos no vistos con anterioridad. La combinaci\u00f3n de ambos enfoques mejora la robustez, reduciendo falsos negativos (pasar fraudes por alto) y aprendiendo continuamente de nuevos incidentes.<\/p>\n

Procesamiento de Lenguaje Natural (NLP) y an\u00e1lisis de comunicaciones: Otra dimensi\u00f3n crucial es aplicar IA a datos no estructurados. Gran parte de la evidencia de fraude puede esconderse en correos electr\u00f3nicos, mensajes, reportes escritos y contratos. Mediante t\u00e9cnicas de Procesamiento de Lenguaje Natural (NLP), es posible cribar millones de mensajes para identificar indicios de conducta fraudulenta: por ejemplo, el NLP puede detectar patrones de lenguaje de alerta o relaciones dudosas entre individuos mencionados en correos.<\/p>\n

Un caso de uso es identificar e-mails donde se discutan \u201cpagos en efectivo\u201d, \u201cacuerdos bajo la mesa\u201d o un lenguaje inusualmente encriptado entre un empleado y un proveedor \u2013 se\u00f1ales de posible colusi\u00f3n. Tambi\u00e9n se utiliza NLP para realizar an\u00e1lisis de sentimientos y prioridades: por ejemplo, en la investigaci\u00f3n de una malversaci\u00f3n, filtrar comunicaciones del sospechoso para encontrar mensajes con tono urgente sobre movimientos de dinero o referencias a terceros implicados.<\/p>\n

Asimismo, modelos de reconocimiento \u00f3ptico de caracteres (OCR) combinados con IA permiten extraer texto de facturas, recibos y documentos escaneados, integr\u00e1ndolos al an\u00e1lisis. De esta forma, un auditor forense puede comparar autom\u00e1ticamente datos de facturas f\u00edsicas contra registros contables para descubrir discrepancias o duplicados (indicando facturas falsas o infladas). En suma, la IA ampl\u00eda la capacidad de las investigaciones al abarcar fuentes de informaci\u00f3n heterog\u00e9neas \u2013transacciones, texto, im\u00e1genes\u2013 y conectarlas. Empresas globales ya implementan soluciones de NLP para monitorear chats internos o comunicaciones con terceros en busca de red flags de fraude (como lenguaje inusualmente secreto, t\u00e9rminos asociados a sobornos, etc.).<\/p>\n

Herramientas y tecnolog\u00edas destacadas: En la pr\u00e1ctica, la IA para forensia se materializa en diversas herramientas. Por un lado, existen plataformas de detecci\u00f3n de fraudes en tiempo real, que emplean redes neuronales para analizar cada transacci\u00f3n con cientos de variables en milisegundos (muy \u00fatil contra fraude electr\u00f3nico y ciberfraude).<\/p>\n

Por otro lado, en auditor\u00eda financiera se han desarrollado soluciones que aplican algoritmos avanzados a libros contables completos para se\u00f1alar entradas at\u00edpicas o de alto riesgo (por ejemplo, asientos contables manuales hechos en fin de semana, ajustes contables justo antes de cierre de trimestre, etc.). Estas herramientas incorporan machine learning entrenado con datos hist\u00f3ricos de fraudes contables para puntuar transacciones con un \u201criesgo de fraude\u201d.<\/p>\n

Otro campo emergente es el uso de aprendizaje autom\u00e1tico en gr\u00e1ficos (Graph Machine Learning) para detectar redes de colusi\u00f3n o conflictos de inter\u00e9s \u2013 por ejemplo, identificando que varios proveedores aparentemente independientes comparten datos bancarios o direcciones, lo que sugiere un entramado fraudulento en licitaciones.<\/p>\n

Adicionalmente, la Generative AI est\u00e1 encontrando un nicho en la generaci\u00f3n de datos sint\u00e9ticos para entrenar modelos cuando los casos de fraude reales son escasos (respetando privacidad), e incluso en la automatizaci\u00f3n de ciertas tareas de investigaci\u00f3n: se est\u00e1n probando chatbots internos que, alimentados con la documentaci\u00f3n de un caso, pueden contestar preguntas del auditor (\u201c\u00bfQu\u00e9 pagos hizo el sospechoso X a la empresa Y en 2022?\u201d) agilizando la revisi\u00f3n de expedientes.<\/p>\n

Desaf\u00edos y consideraciones: No obstante sus ventajas, implementar IA en forensia conlleva desaf\u00edos. Los modelos requieren datos de calidad y etiquetados para entrenar; en Latinoam\u00e9rica, muchas organizaciones tienen problemas de registro o informalidad en datos, que limitan inicialmente la efectividad de la IA.<\/p>\n

Adem\u00e1s, los algoritmos pueden producir falsos positivos (se\u00f1alar como an\u00f3malo algo v\u00e1lido) si no se calibran al contexto local \u2013 por ejemplo, ciertos patrones de negocio en efectivo t\u00edpicos de la regi\u00f3n podr\u00edan parecer \u201cfraudulentos\u201d bajo una \u00f3ptica puramente estad\u00edstica. Por eso, es crucial que la adopci\u00f3n de IA venga acompa\u00f1ada de la experiencia de analistas forenses que revisen los hallazgos.<\/p>\n

Tambi\u00e9n surgen consideraciones \u00e9ticas y de privacidad: el an\u00e1lisis de comunicaciones internas v\u00eda NLP debe equilibrarse con marcos legales (p. ej., leyes de protecci\u00f3n de datos personales) y pol\u00edticas laborales claras.<\/p>\n

A pesar de estos retos, la tendencia es clara: la integraci\u00f3n de IA\/ML en los marcos de cumplimiento y auditor\u00eda est\u00e1 fortaleciendo las defensas anti-fraude. Seg\u00fan la ACFE, las organizaciones con programas de monitoreo proactivo de datos lograron reducir las p\u00e9rdidas por fraude en m\u00e1s de un 50%, lo que valida la inversi\u00f3n en tecnolog\u00eda.<\/p>\n

En resumen, la IA no reemplaza la labor del auditor forense, pero potencia significativamente su alcance, permitiendo pasar del enfoque reactivo (forense tras el hecho) a uno m\u00e1s proactivo y preventivo, identificando riesgos antes de que se materialicen en fraudes consumados.<\/p>\n

CONCLUSIONES<\/h4>\n

Los fraudes ocupacionales contin\u00faan representando una amenaza seria para las organizaciones latinoamericanas, tanto en el \u00e1mbito privado como en el p\u00fablico. El reporte de 2024 de la ACFE evidenci\u00f3 que la regi\u00f3n enfrenta p\u00e9rdidas m\u00e1s altas por caso y detecciones m\u00e1s tard\u00edas que otras partes del mundo, lo cual demanda redoblar esfuerzos en prevenci\u00f3n, detecci\u00f3n temprana y sanci\u00f3n efectiva.<\/p>\n

Los casos analizados \u2013Americanas, Segalmex, Vicentin\u2013 muestran que ning\u00fan sector es inmune: desde grandes corporaciones hasta agencias gubernamentales, los controles pueden fallar si no se actualizan y refuerzan constantemente. No obstante, cada caso aporta lecciones valiosas que, si se asimilan, pueden impulsar mejoras sist\u00e9micas.<\/p>\n

La incorporaci\u00f3n de inteligencia artificial y anal\u00edtica avanzada se vislumbra como un cambio de juego en la lucha antifraude. Estas tecnolog\u00edas habilitan a los auditores e investigadores a descubrir patrones ocultos y manejar vol\u00famenes de datos imposibles de abordar manualmente, haciendo m\u00e1s efectiva la vigilancia.<\/p>\n

Su adopci\u00f3n en Latinoam\u00e9rica va en aumento, y con el marco adecuado (calidad de datos, supervisi\u00f3n humana, respeto a la privacidad) contribuir\u00e1n a organizaciones m\u00e1s resilientes frente al fraude.<\/p>\n

Por \u00faltimo, las estrategias antifraude deben ser espec\u00edficas por industria. Un enfoque \u00fanico no funciona igual de bien en todos los sectores. Implementarlas requiere inversi\u00f3n y compromiso de liderazgo, pero los beneficios son claros: reducci\u00f3n de p\u00e9rdidas, mejora de la reputaci\u00f3n, cumplimiento regulatorio y, en \u00faltima instancia, mayores niveles de confianza de los stakeholders.<\/p>\n

En s\u00edntesis, el fraude ocupacional en Am\u00e9rica Latina puede y debe ser abordado con una combinaci\u00f3n de controles fortalecidos, innovaci\u00f3n tecnol\u00f3gica y cultura \u00e9tica. Las organizaciones que integren estas dimensiones en su estrategia de prevenci\u00f3n y detecci\u00f3n estar\u00e1n mejor preparadas para anticiparse al fraude, minimizando su incidencia e impacto.<\/p>\n

Como socios estrat\u00e9gicos, los especialistas forenses tenemos el reto de guiar este proceso, aportando nuestra experiencia en la construcci\u00f3n de entornos de negocios y gubernamentales m\u00e1s \u00edntegros, transparentes y sostenibles en el tiempo. El camino no es sencillo, pero los avances recientes permiten vislumbrar una mejora tangible si se mantienen la voluntad y el rigor t\u00e9cnico en la cruzada contra el fraude.<\/p>\n

Fuentes:<\/h4>\n

Association of Certified Fraud Examiners (2024). Occupational Fraud 2024: A Report to the Nations .<\/p>\n

Rio Times (2025). Americanas Fraud: Two Years After Brazil\u2019s Largest Accounting Scandal .<\/p>\n

Reuters (2024). Brazil accuses former Americanas executives of insider trading .<\/p>\n

El Pa\u00eds (2023). El caso del desfalco de Segalmex .<\/p>\n

\u00c1mbito (2023). Causa Vicentin: delitos econ\u00f3micos .<\/p>\n

CRA Insights (2025). Harnessing AI\/ML to combat fraud .<\/p>\n

ACFE \u2013 Comunicado de prensa (2024) y Blog ACFE Insights (2024) .<\/p>\n

ACFE (2024). Infographic: Key Findings .<\/p>\n

[1]<\/a> LATAM Forensics practice Co Leader. L\u00edder de la pr\u00e1ctica de Fraudes, Investigaciones y Disputas de BDO Argentina.<\/p>\n","protected":false},"excerpt":{"rendered":"

por Fernando Peyretti<\/p>\n","protected":false},"author":5,"featured_media":23923,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[1],"tags":[1682],"uagb_featured_image_src":{"full":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",750,200,false],"thumbnail":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT-150x150.png",150,150,true],"medium":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT-300x80.png",300,80,true],"medium_large":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",750,200,false],"large":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",750,200,false],"1536x1536":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",750,200,false],"2048x2048":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",750,200,false],"ocean-thumb-m":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",600,160,false],"ocean-thumb-ml":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",750,200,false],"ocean-thumb-l":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",750,200,false],"sow-carousel-default":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT-272x182.png",272,182,true],"sow-blog-portfolio":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",375,100,false],"sow-blog-grid":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",720,192,false],"sow-blog-alternate":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",750,200,false]},"uagb_author_info":{"display_name":"Juana Alvarez Eiras","author_link":"https:\/\/www.iri.edu.ar\/index.php\/author\/juana-alvarez-eiras\/"},"uagb_comment_info":0,"uagb_excerpt":"por Fernando Peyretti","_links":{"self":[{"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/40522"}],"collection":[{"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/comments?post=40522"}],"version-history":[{"count":2,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/40522\/revisions"}],"predecessor-version":[{"id":40524,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/40522\/revisions\/40524"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/media\/23923"}],"wp:attachment":[{"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/media?parent=40522"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/categories?post=40522"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/tags?post=40522"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}