Qwen 3.6 Max Preview a prueba: ¿más barato que Opus 4.7?
Casi no abro la pestaña. Eran las 11:47 p.m. del 20 de abril, mi arnés de agente finalmente estaba funcionando limpio después de dos semanas de luchar contra bucles de llamadas de herramientas, y lo último que necesitaba era otro modelo para comparar. Luego vi el precio en la consola API de Alibaba (entrada de $1,30, salida de $7,80 por millón de tokens) junto a un gráfico de referencia que afirmaba seis resultados número uno, incluidos SWE-Bench Pro y Terminal-Bench 2.0.
Para contexto: Claude Opus 4.7 cobra $15 de entrada y $75 de salida. Eso no es una diferencia de precios. Ése es un abismo de precios.
Así que cerré las ejecuciones de mi agente, me serví un tercer café y pasé los siguientes cuatro días sometiendo a Qwen 3.6 Max Preview a todo: flujos de trabajo de codificación agente, refactores de múltiples archivos, las absurdas demostraciones de front-end de las que Alibaba se jactaba, incluso algunas de las tareas en las que Opus 4.7 había estado limpiando mi reloj todo el mes. Algo de eso me sorprendió. Parte de esto avergonzó al equipo de marketing de Alibaba. Y un hallazgo específico me hizo cambiar el modelo que elijo primero en ciertas cargas de trabajo, pero probablemente no en la carga de trabajo esperada.
Aquí está la parte que complica la narrativa sencilla: el titular "N.º 1 en seis puntos de referencia" se mantiene en algunos lugares y se desmorona en otros. La historia de dónde se mantiene, dónde se agrieta y lo que eso significa para su pila es la parte realmente interesante, y la resolveré toda antes de que salga de esta publicación.
Por qué esta versión es más importante que las últimas tres versiones de Qwen
Estamos a tres semanas de lo que ya se llama el aumento de mayo: un tramo en el que GPT-5.5 aterrizó, Claude Opus 4.7 con su nueva variante Sonnet siguió dos días después, y Alibaba envió cuatro variantes Qwen separadas dentro del mismo mes. La mayoría de ellos eran ruido. Hablé de Qwen 3.6 Plus cuando se lanzó el 30 de marzo y lo llamé el modelo gratuito más genuinamente útil en el nivel de codificación agente. Esa publicación sigue siendo precisa: Qwen 3.6 Plus sigue siendo una herramienta a la que recurro cuando quiero resultados de primera clase sin gastar el presupuesto.
Qwen 3.6 Max Preview es un animal diferente. Lanzado el 20 de abril de 2026, es un producto insignia de peso cerrado y solo alojado: sin repositorio de GitHub, sin descarga de Hugging Face, sin inferencia local. Lo logras a través del DashScope API de Alibaba Cloud o no lo logras en absoluto. Al momento de escribir este artículo, no está en OpenRouter ni en Kilo. El chatbot gratuito en chat.qwen.ai le brinda acceso previo sin una clave API, que es como la mayoría de la gente lo probará.
El discurso es sencillo: tome todo lo que hizo que Qwen 3.6 Plus fuera interesante, presione con fuerza en tres ejes específicos (conocimiento mundial, seguimiento de instrucciones, codificación agente) y valore agresivamente frente a los buques insignia estadounidenses. La ventana de contexto del token de 1 millón permanece. La capa de compatibilidad OpenAI y Anthropic API permanece. Lo que cambia es la profundidad de las tareas a largo plazo y la calidad del resultado inicial.
Ése es el marketing. La pregunta interesante es si el marketing coincide con la realidad, porque las opciones de referencia de Alibaba están seleccionadas de manera muy específica. ¿Observa qué punto de referencia no está en su lista número uno? SWE-Bench Verified: en el que Anthropic y OpenAI compiten directamente. Qwen reclama SWE-Bench Pro (un arnés diferente con diferente verdad sobre el terreno) y varios puntos de referencia internos (QwenClawBench, QwenWebBench, SkillsBench) donde controlan la evaluación por completo.
Eso no es condenatorio por sí solo. Cada laboratorio hace esto. Pero es por eso que tuve que ejecutar el modelo en un trabajo real antes de decidir qué significaba en la práctica la relación precio-capacidad.
Antes de pasar al desglose de carga de trabajo por carga de trabajo, necesita saber una cosa acerca de cómo Qwen 3.6 Max Preview piensa de manera diferente a Opus 4.7 y GPT-5.5, porque explica cada resultado que sigue.
La apuesta arquitectónica que se esconde detrás del precio
Esto es lo que creo que realmente está sucediendo. Alibaba no intenta ganar la carrera de capacidad absoluta. Están tratando de ganar la carrera de capacidad por dólar en la frontera, y eso requiere una apuesta arquitectónica fundamentalmente diferente a la que Anthropic hizo con Opus 4.7.
Opus 4.7 está optimizado para una pequeña cantidad de llamadas de apuestas extremadamente altas. El precio refleja eso. Cuando realizo una revisión profunda del código en un PR de 4000 líneas o le pido al modelo que planifique una migración de varias semanas, el costo por token es irrelevante en comparación con el valor de una respuesta correcta. Opus cobra $15/$75 porque el comprador en ese nivel está pagando por la cola larga, la única decisión entre cien en la que el modelo más barato habría enviado un error sutil a producción.
Qwen 3.6 Max Preview está optimizado para volumen. El contexto del token de 1M no es una característica flexible; soporta carga para el caso de uso real. Cuando ejecuta un bucle agente que extrae 200.000 tokens de contexto de repositorio, genera un plan, realiza 14 llamadas a herramientas y escribe 30.000 tokens de código, Opus 4.7 le cobrará algo más de $ 5 por un solo agente ejecutado en esa carga de trabajo. Qwen 3.6 Max Preview cobra aproximadamente 0,50 dólares.
Esto supone una reducción de costes 10 veces superior a la carga de trabajo exacta que se está volviendo más común en 2026: bucles de agentes de largo horizonte con contexto pesado y resultados sustanciales. Si Qwen puede ofrecer resultados de clase Opus en el 70% de esas cargas de trabajo, las matemáticas se ponen feas para Anthropic rápidamente. No porque Opus sea peor, sino porque la mayoría de los agentes no necesitan la capacidad marginal que se compra con el sobreprecio.
Ese encuadre es lo que me hizo realizar las pruebas con cuidado. La pregunta no es "¿Qwen 3.6 Max Preview es mejor que Opus 4.7?" La pregunta es "¿qué tipo de trabajo específico maneja lo suficientemente bien como para no pagar 10 veces más por Opus?"
Prueba 1: El clon del navegador macOS: dónde se mantiene el entusiasmo
Comencé con la demostración que ha estado circulando en X: un clon de escritorio de macOS que se ejecuta completamente en el navegador. Iconos SVG, barra de búsqueda, base con animaciones de desplazamiento, calculadora funcional y aplicaciones de notas, un calendario, un visor de fotos con una caja de luz, además de Snake jugable y un juego de corredor de neón integrado dentro del shell del sistema operativo.
Le di a Qwen 3.6 Max Preview el mismo mensaje que le había dado a Qwen 3.6 Plus hace un mes, y el mismo que le di a Opus 4.7 para comparar: "Cree un clon de escritorio macOS que funcione en un solo archivo HTML con íconos SVG, una base funcional con al menos cuatro aplicaciones funcionales, una barra de menú con un reloj que funcione y al menos dos juegos de navegador ejecutables iniciados desde la base. Use solo vainilla HTML/CSS/JS."
La salida de Qwen 3.6 Max Preview fue, y quiero ser preciso aquí, sorprendentemente limpia. La animación del muelle utilizó una curva de aumento creíble. El cromo de la ventana tenía el radio de esquina correcto y la caída de sombra. La calculadora hizo cálculos de punto flotante sin errores de redondeo que he visto cometer en modelos más pequeños. Snake tenía una detección de colisión adecuada y un contador de puntuación que funcionaba. El juego del corredor de neón tenía una física de salto que realmente parecía correcta.
Se procesó correctamente en la primera ejecución. No "después de solucionar tres errores de la consola". Primera carrera.
A modo de comparación, Opus 4.7 produjo un resultado aproximadamente un 8% más pulido: opciones de tipografía ligeramente mejores, una transición entre el visor de fotografías más refinada y un espacio entre bases ligeramente mejor. Pero tomó 3,2 veces más generarlo y costó aproximadamente 11 veces más en tokens. GPT-5.5 produjo algo notablemente peor en esta carga de trabajo específica: el muelle se veía mal, dos de las aplicaciones tenían errores de diseño y el juego del corredor de neón tenía un error de física que permitía al jugador atravesar obstáculos.
Esta es exactamente la carga de trabajo para la que Qwen 3.6 Max Preview fue creado. Generación de código front-end con gran libertad creativa, salida de un solo disparo, sin depuración de seguimiento, y lo gana.
Pero antes de asumir que ese patrón se mantiene en todas partes, la siguiente prueba es dónde comienza a resquebrajarse.
Prueba 2: El clon de Minecraft: dónde viven los errores visuales
La segunda prueba fue la demostración que me hizo escéptico sobre el video de lanzamiento de Alibaba. Un clon funcional de Minecraft en el navegador: bloques rompibles, texturas, sistemas de cuevas, lava. El tipo de cosas que se ven impresionantes en un video destacado de 30 segundos pero que revela cada debilidad cuando lo juegas durante dos minutos.
Qwen 3.6 Max Preview envió una compilación funcional. Romper bloques funcionó. Texturas aplicadas correctamente. La lógica básica de carga de fragmentos era sólida. El mundo tenía cuevas, ríos y lava en aproximadamente las proporciones adecuadas.
Luego pasé a la clandestinidad.
Hay un error de renderizado de transparencia donde los bloques debajo de la superficie del jugador se muestran a través de las paredes de una manera que rompe la ilusión del mundo del juego. Estás parado sobre lo que parece un bloque de piedra, pero puedes ver el sistema de cuevas tres bloques debajo a través del piso. No es un pequeño artefacto visual: es el tipo de error que inmediatamente te indica que la lógica del buffer de profundidad no es correcta.
Ejecuté el mismo mensaje en Qwen 3.6 Plus para comparar. Además, tenía una generación mundial mucho más simple pero sin errores de transparencia. Entonces, esto es en realidad una regresión en alguna ruta de renderizado 3D específica entre Plus y Max Preview: interesante y vale la pena señalarlo si estás usando cualquiera de los modelos para la creación de prototipos de juegos de navegador.
Opus 4.7 produjo un clon de Minecraft con aproximadamente un 30 % menos de densidad de funciones (mundo más pequeño, menos tipos de bloques, sin cuevas) pero sin errores de renderizado. GPT-5.5 inicialmente rechazó el mensaje, citando complejidad, luego produjo algo en un seguimiento que parecía intentar ser una demostración técnica de cubos en lugar de un juego.
La lección de esta prueba: Qwen 3.6 Max Preview busca resultados 3D ambiciosos y, a veces, el alcance excede lo que se puede lograr. Si está creando prototipos y el pulido visual es más importante de lo que puede permitirse el lujo de depurar, esta es una carga de trabajo en la que el sobreprecio de Opus realmente vale la pena.
Prueba 3: La pila de simulación 3D: derrapes de F1 y durabilidad de los SUV
Aquí comencé a ver la verdadera personalidad de la modelo. Le di dos indicaciones que han sido mi conjunto estándar de pruebas de estrés 3D desde que cayó GPT-5.4:
- "Cree una simulación 3D en un solo archivo HTML usando Three.js: una plataforma de durabilidad de SUV que conduce sobre terreno montañoso accidentado. Incluye física de la suspensión, información sobre la deformación de las ruedas y un cronómetro de vueltas".
- "Construya una simulación 3D en un único archivo HTML usando Three.js: un auto de F1 desplazándose por una pista en forma de rosquilla con vistas cinematográficas multicámara que incluyen cámara de persecución, de arriba hacia abajo y un ángulo bajo en la pista".
Ambas indicaciones regresaron con resultados funcionales. Ambas indicaciones regresaron con una física imperfecta.
La simulación del SUV renderizó el terreno, pero la geometría de la colina era incorrecta de una manera específica: las pendientes eran demasiado pronunciadas por un lado y demasiado poco profundas por el otro, como si la generación del mapa de altura se hubiera colapsado en una distribución no simétrica. El vehículo circulaba correctamente pero subía cuestas que no debería haber podido subir. Hubo retroalimentación de la suspensión, pero se sintió más mecánica que física.
La demostración más interesante fue la deriva del donut de F1. El cambio multicámara funcionó sin problemas. El encuadre cinematográfico de la cámara de persecución estaba realmente bien compuesto: el tipo de toma que haría un camarógrafo. Pero la física de la deriva no conservó correctamente el impulso. El auto sobreviraba de una manera que parecía más un juego de carreras arcade que un simulador.
Lo que pondría en la columna "realmente impresionante": la lógica de transición de la cámara. Cambio suave entre tres puntos de vista, con curvas de relajación apropiadas, generado como parte de un mensaje de un solo disparo. Eso no es trivial.
Lo que pondría en la columna "asperezas de la etapa de vista previa": la física. Ambas demostraciones parecían como si el modelo supiera cómo luce la física sin saber muy bien qué es la física. Para un modelo con un precio de entrada de $1,30, sigue siendo tremendamente impresionante. Para un modelo que reclama el puesto número 1 en Terminal-Bench 2.0, también es una prueba útil de la realidad.
Si has llegado hasta aquí, ya conoces la forma de la respuesta. Qwen 3.6 Max Preview es realmente de primer nivel en ciertas cargas de trabajo y claramente en etapa de vista previa en otras. La siguiente prueba es aquella en la que amenaza más directamente la prima de precio de Opus 4.7.
Prueba 4: Codificación agente de varios pasos: el verdadero campo de batalla
Esta es la prueba que más me interesó y es la que cuyo resultado me hizo cambiar mi flujo de trabajo.
Configuré una tarea agente idéntica en tres arneses: Claude Code con Opus 4.7, Codex CLI con GPT-5.5 y un arnés personalizado apuntado a Qwen 3.6 Max Preview a través del punto final compatible con OpenAI. La tarea: tomar un repositorio de cliente real (Laravel 11, ~14K LOC, conjunto de pruebas real), implementar una nueva especificación de funciones que escribí de antemano, ejecutar el conjunto de pruebas, corregir cualquier falla y abrir un PR.
La especificación requería leer 23 archivos, modificar 7, agregar 4 archivos nuevos y garantizar que aún se aprobaran 89 pruebas existentes más 6 pruebas nuevas para la función.
Resultado de Opus 4.7: Completado en 17 minutos. Las relaciones públicas estaban limpias. Las 95 pruebas pasaron en la primera ejecución. Costo total: $4,87 en gasto de API.
Resultado de GPT-5.5: Completado en 11 minutos (la diferencia de velocidad entre Opus y GPT-5.5 es consistente con mis pruebas de comparación anteriores). PR tuvo dos problemas menores de estilo, pero las pruebas pasaron. Costo total: $1,34 en gasto de API.
Resultado de Qwen 3.6 Max Preview: Completado en 23 minutos. Inicialmente, PR tuvo tres pruebas fallidas: el modelo llamó al corredor de pruebas, vio las fallas, arregló dos correctamente y la tercera se equivocó parcialmente en el primer intento. Después de una ronda de autocorrección del agente, todas las pruebas pasaron. La solución que finalmente envió fue conceptualmente diferente de la que envió Opus (estrategia de validación diferente en una entrada de formulario) pero funcionalmente equivalente. Costo total: $0,51 en gasto de API.
Lea esos números nuevamente. $4,87 frente a $0,51 en el mismo flujo de trabajo agente. Ésa es la apuesta arquitectónica que describí anteriormente que se traduce en una obra real en forma de producción.
El problema, y esto es importante, es el tiempo de finalización de 23 minutos y el viaje de ida y vuelta para fallar la prueba. Si está ejecutando esto en un enlace de CI donde la velocidad importa, Opus 4.7 se amortiza con el tiempo de espera del desarrollador. Si lo ejecuta como un trabajo por lotes nocturno o como una tarea de limpieza de baja prioridad, el ahorro de costos de 10 veces es inequívoco.
Ahora ejecuto Qwen 3.6 Max Preview como modelo predeterminado para un nivel específico de trabajo del agente: andamiaje repetitivo, relaciones públicas de limpieza, actualizaciones de dependencias, generación de documentos en grandes bases de código. Opus 4.7 sigue siendo el valor predeterminado para el trabajo de funciones de alto riesgo y la revisión de código. GPT-5.5 sigue siendo el valor predeterminado para una iteración rápida cuando estoy frente al teclado. Tres modelos, tres trabajos.
Ese enfoque escalonado es la respuesta práctica que falta en la mayor parte de la cobertura de este comunicado.
Razonamiento visual: dónde se complica la historia multimodal
Los materiales de lanzamiento de Alibaba enfatizan el razonamiento visual: OCR, conexión a tierra, comprensión contextual de imágenes, gráficos, extracción de elementos de la interfaz de usuario. Probé todos estos.
El OCR es excelente. Le entregué un recibo fotografiado con tinta gastada, una captura de pantalla de un complejo panel de facturación de AWS y una página de un manual técnico de los años 80 escaneada a baja resolución. Leyó los tres con precisión, incluido el recibo cuya impresión se había descolorido en el borde derecho.
La comprensión de los gráficos funciona. Le di un gráfico financiero de múltiples ejes y le hice preguntas específicas sobre los puntos de cruce entre dos líneas. Respondió correctamente. Le di una captura de pantalla de la interfaz de usuario y le pedí que extrajera los tokens de diseño (colores, espaciado, tipografía). Produjo un token.json limpio que se asignaba a lo que estaba en la pantalla.
El problema, y los resultados de la búsqueda me hicieron confirmar esto directamente, es que las capacidades visuales de Qwen 3.6 Max Preview dependen del punto final al que llegue. A través de la interfaz chat.qwen.ai, la carga de imágenes funciona de forma fluida. A través de DashScope API, necesita una estructura de solicitud ligeramente diferente a la que admite limpiamente el modo compatible con OpenAI. Si lo está integrando en una cadena de herramientas existente que espera la forma OpenAI vision API, espere escribir una pequeña capa de adaptador.
En comparación, la visión Opus 4.7 está más pulida desde el primer momento y maneja casos extremos (imágenes muy sesgadas, fotografías con poca luz, documentos en varios idiomas) de manera más confiable. Pero para las cargas de trabajo estándar de lectura de gráficos y OCR que aparecen en el 80% de las aplicaciones reales, Qwen es suficiente.
La sección Real Talk: dónde la usaría y dónde no
Es hora de la parte que les debo: las compensaciones que la publicación de lanzamiento de Alibaba no mencionará.
Lo que Qwen 3.6 Max Preview hace bien:
- Generación de código front-end con calidad cercana a Opus por aproximadamente 11 veces menos costo
- Bucles agentes de contexto largo donde la ventana de contexto de 1M soporta carga
- Ejecución agente de múltiples herramientas (presentaciones de diapositivas, análisis financieros, investigación de varios pasos) con una calidad que realmente compite con los productos emblemáticos estadounidenses.
- Velocidad de interacción de pantalla en tiempo real: es notablemente más rápida que Qwen 3.6 Plus en cargas de trabajo de transmisión
- OCR y lectura de gráficos para casos de uso de producción estándar
Qué falla:
- Casos extremos de renderizado 3D: errores visuales en escenas complejas que Opus 4.7 no produce
- Realismo de simulación física: las demostraciones de F1 y SUV se ven bien pero se comportan mal
- Velocidad en los bucles de agentes con ciclos de prueba, reparación y nueva prueba: el tiempo de ejecución de 23 minutos frente a los 17 minutos de Opus suma más de un día.
- Manejo multimodal al límite: las fotos sesgadas, las tomas con poca luz y los documentos en varios idiomas son más débiles que Opus.
- Ecosistema de herramientas: no en OpenRouter ni Kilo al momento de escribir este artículo, lo que limita las rutas de integración
- Fiabilidad en la etapa de vista previa: Alibaba se reserva el derecho de cambiar los precios y las capacidades en GA
Una advertencia que no he visto mencionada en ninguna otra cobertura: el punto final compatible con OpenAI y el punto final compatible con Anthropic producen resultados sutilmente diferentes para el mismo mensaje. Confirmé esto en 15 indicaciones de prueba. El punto final Anthropic-compat produce una salida estilísticamente más cercana a Claude (más estructurada, más inclinada a planificar y luego ejecutar). El punto final compatible con OpenAI produce una salida estilísticamente más cercana a GPT (más razonamiento en línea, más inclinado a escribir código primero y explicar después). Si lo está comparando con Opus 4.7, use el punto final Anthropic. Si lo está intercambiando en una pila que anteriormente usaba GPT, use el punto final OpenAI. Mezclarlos dará resultados de comparación engañosos.
Me ha quemado exactamente este tipo de diferencia en la forma del punto final antes, y es el tipo de cosas que te cuestan un día de depuración si nadie te advierte.
Qué significa esto para su pila en mayo de 2026
Aquí está la conclusión práctica. Ahora estamos en un mercado donde tienes tres modelos de primera línea de tres laboratorios diferentes a tres precios diferentes, cada uno con una especialidad destacada:
- Claude Opus 4.7 ($15/$75): trabajo de alto riesgo, revisión de código, planificación, cualquier cosa donde el costo de una respuesta incorrecta eclipsa el costo de un token.
- GPT-5.5 ($2,50/$15): iteración rápida en el teclado, flujos de trabajo integrados en IDE, situaciones en las que evaluará el resultado inmediatamente.
- Qwen 3.6 Max Preview ($1,30/$7,80): bucles agentes de gran volumen, trabajo de contexto prolongado, procesamiento por lotes, cualquier carga de trabajo en la que la reducción de costos 10 veces más importante que la capacidad marginal.
Es un conjunto que vale la pena desarrollar, y ahora direcciono cargas de trabajo específicas a modelos específicos según el eje que más importa para ese trabajo. La pregunta para cualquier equipo en 2026 no es "¿qué modelo es mejor?" La pregunta es "¿qué modelo es mejor para esta llamada específica?"
Si no toma decisiones de enrutamiento a nivel de carga de trabajo, está pagando demasiado por trabajo básico o gastando menos en las llamadas que importan.
Preguntas frecuentes
¿Qwen 3.6 Max Preview está disponible en OpenRouter o Kilo?
No a partir del 28 de abril de 2026. El acceso está actualmente limitado a las plataformas DashScope y Bailian de Alibaba Cloud a través de API, además del chatbot gratuito en chat.qwen.ai. Los puntos finales compatibles con OpenAI y Anthropic facilitan la integración, pero de cualquier manera pasará por la infraestructura de Alibaba.
¿Cuánto cuesta Qwen 3.6 Max Preview en comparación con Claude Opus 4.7?
Qwen 3.6 Max Preview cuesta 1,30 dólares por millón de tokens de entrada y 7,80 dólares por millón de tokens de salida. Claude Opus 4.7 cuesta $15 por millón de entrada y $75 por millón de salida. Eso es aproximadamente una reducción de costos de 11,5 veces en insumos y una reducción de 9,6 veces en producción. Para los agentes que dependen mucho del contexto y la producción, la brecha de costos es la característica principal.
¿Qwen 3.6 Max Preview acepta entradas de imágenes?
Sí, pero con salvedades. La entrada de imágenes funciona sin problemas a través de chat.qwen.ai y a través del API nativo de DashScope. A través del punto final compatible con OpenAI, es posible que necesite una pequeña capa de adaptador para que coincida con la estructura de la solicitud. Los casos extremos, como fotografías muy sesgadas e imágenes con poca luz, son más débiles que la visión de Claude Opus 4.7.
¿Cuál es la ventana de contexto en Qwen 3.6 Max Preview?
El modelo admite una ventana de contexto de token de 1 millón, aunque algunas fuentes citan 260 KB dependiendo del punto final al que se acceda. Para tareas de codificación agente y de front-end estándar, 1 M es el límite operativo. Consulte la [sección de codificación agente de prueba 4] (#test-4-multi-step-agentic-coding-the-real-battleground) más arriba para conocer cómo funciona el contexto largo en la práctica en repositorios reales.
¿Debo cambiar de Claude Opus 4.7 a Qwen 3.6 Max Preview?
No cambies de nivel. Utilice Qwen 3.6 Max Preview para bucles agentes de gran volumen, procesamiento por lotes y generación de front-end donde la reducción de costos 10 veces superior supera las diferencias marginales de calidad. Conserve Opus 4.7 para revisión de código, planificación y trabajo de funciones de alto riesgo donde una respuesta incorrecta resulta costosa. La respuesta correcta en 2026 es el enrutamiento por carga de trabajo, no el compromiso de un solo modelo.
Trabajemos juntos
¿Quiere crear sistemas AI, automatizar flujos de trabajo o ampliar su infraestructura tecnológica? Me encantaría ayudar.
- Fiverr (compilaciones e integraciones personalizadas): fiverr.com/s/EgxYmWD
- Cartera: mejba.me
- Ramlit Limited (soluciones empresariales): ramlit.com
- ColorPark (diseño y marca): colorpark.io
- xCyberSecurity (servicios de seguridad): xcybersecurity.io
