{"id":2984,"date":"2026-03-11T17:24:04","date_gmt":"2026-03-11T17:24:04","guid":{"rendered":"https:\/\/evolvis.ai\/?p=2984"},"modified":"2026-03-11T17:24:04","modified_gmt":"2026-03-11T17:24:04","slug":"cultura-empresarial-e-ia-el-factor-humano-que-decide-si-la-transformacion-funciona","status":"publish","type":"post","link":"https:\/\/evolvis.ai\/en\/cultura-empresarial-e-ia-el-factor-humano-que-decide-si-la-transformacion-funciona\/","title":{"rendered":"Cultura empresarial e IA: el factor humano que decide si la transformaci\u00f3n funciona"},"content":{"rendered":"
\n
Por qu\u00e9 la transformaci\u00f3n con IA falla m\u00e1s por resistencia cultural que por limitaciones t\u00e9cnicas, y los tres pilares que lo cambian todo<\/div>\n
Serie IA 360\u00b0 \u00b7 Parte 4: Cultura<\/div>\n<\/div>\n

Existe un chiste interno que circula en los equipos de tecnolog\u00eda de casi cualquier empresa que ha intentado implementar IA: \u00abEl piloto fue perfecto. El problema fue cuando llegaron los humanos.\u00bb<\/p>\n

No es broma. O bueno, s\u00ed es broma. Pero tambi\u00e9n es un diagn\u00f3stico brutalmente preciso.<\/p>\n

Hay algo casi c\u00f3mico en la secuencia que se repite en organizaciones de todos los tama\u00f1os y sectores. Meses de trabajo. Modelos entrenados con precisi\u00f3n quir\u00fargica. Dashboards que har\u00edan llorar de emoci\u00f3n a cualquier cient\u00edfico de datos. Presentaci\u00f3n al consejo directivo: aplausos. Lanzamiento al equipo operativo: silencio inc\u00f3modo. Tres meses despu\u00e9s: el sistema sigue ah\u00ed, funcionando impecablemente, generando recomendaciones brillantes que nadie consulta.<\/p>\n

Este es el caso de una empresa de log\u00edstica que invirti\u00f3 cuatro meses de desarrollo para un sistema de optimizaci\u00f3n de rutas. Desarrollaron un modelo con precisi\u00f3n del 94%. El ahorro proyectado era suficiente para justificar tres veces la inversi\u00f3n. Sin embargo, el resultado en campo era que los conductores segu\u00edan usando su m\u00e9todo de siempre. Su explicaci\u00f3n era simple: \u00abLa m\u00e1quina no sabe que en la calle Providencia los martes hay mercado y no puedes pasar con el cami\u00f3n.\u00bb<\/p>\n

\u00bfEl sistema era malo? No. \u00bfLos conductores eran obtusos? Tampoco. El problema era que nadie hab\u00eda pensado en construir el puente entre ambos mundos. Seg\u00fan un estudio de BCG publicado en 2024,<\/a>, el 74% de las empresas reconoce dificultades para conseguir y escalar valor real con sus proyectos de IA. Y cuando profundizas en las causas, el patr\u00f3n es casi siempre el mismo: no fue la tecnolog\u00eda lo que fall\u00f3. Fue la cultura organizacional lo que no estaba lista para recibirla.<\/p>\n

El error de confundir adopci\u00f3n tecnol\u00f3gica con transformaci\u00f3n cultural<\/h2>\n

Hay una trampa conceptual en la que caen incluso los equipos directivos m\u00e1s sofisticados: asumir que implementar una herramienta equivale a transformar la forma en que una organizaci\u00f3n piensa y trabaja. No es as\u00ed.<\/p>\n

Cuando una empresa introduce IA sin trabajar simult\u00e1neamente la cultura, est\u00e1 colocando tecnolog\u00eda de alta velocidad sobre rieles oxidados. Los modelos pueden predecir con 94% de precisi\u00f3n. Pero si los equipos no conf\u00edan en ellos, los ignoran. Si los managers los perciben como amenaza a su autoridad, los sabotean silenciosamente. Si los empleados de primera l\u00ednea no entienden qu\u00e9 hace el sistema ni por qu\u00e9, simplemente no lo integran a su flujo de trabajo real.<\/p>\n

El problema no es t\u00e9cnico. Es humano. Y precisamente por eso es m\u00e1s dif\u00edcil de resolver.<\/p>\n

\n

\u00abLas mejores aplicaciones de IA emergen de empleados de front-line que entienden las fricciones operativas, no de estrategas con poco contacto con la realidad operativa.\u00bb<\/p>\n<\/blockquote>\n

Los conductores de la empresa de log\u00edstica no eran tecn\u00f3fobos. Eran profesionales con a\u00f1os de experiencia acumulada en c\u00f3mo funcionan realmente las rutas: qu\u00e9 calles tienen tr\u00e1fico imprevisible a ciertas horas, qu\u00e9 clientes necesitan atenci\u00f3n especial, qu\u00e9 atajos no aparecen en ning\u00fan mapa digital. Nadie los hab\u00eda consultado al dise\u00f1ar el sistema. Nadie les hab\u00eda explicado que el algoritmo pod\u00eda aprender de ellos. Nadie les hab\u00eda dado permiso para cuestionarlo, mejorarlo, o simplemente decir \u00abesto no funciona aqu\u00ed\u00bb.<\/p>\n

La IA hab\u00eda sido dise\u00f1ada para ellos, pero no con ellos. Y esa diferencia lo cambia todo.<\/p>\n

Los tres pilares de una cultura IA que realmente funciona<\/h2>\n

\"Los<\/p>\n

Construir cultura donde la IA es genuinamente un habilitador, y no una amenaza ni una imposici\u00f3n, requiere trabajar tres pilares de forma deliberada y simult\u00e1nea. No son etapas secuenciales. Son dimensiones que se refuerzan mutuamente.<\/p>\n

Pilar 1: Alfabetizaci\u00f3n universal, no formaci\u00f3n de \u00e9lites<\/h3>\n

El primer error que cometen la mayor\u00eda de las organizaciones es concentrar el conocimiento sobre IA en un equipo t\u00e9cnico especializado. El resultado inevitable es una brecha creciente entre quienes \u00abentienden\u00bb y quienes \u00abejecutan\u00bb, y esa brecha se convierte en desconfianza.<\/p>\n

La alfabetizaci\u00f3n que construye cultura no es un curso de 40 horas sobre machine learning. Son talleres cortos, frecuentes, dise\u00f1ados en lenguaje operativo real. No \u00abc\u00f3mo funciona un modelo de IA\u00bb, sino \u00abc\u00f3mo leer las recomendaciones que te da el sistema y cu\u00e1ndo sobreescribirlas\u00bb. No \u00abqu\u00e9 es el procesamiento de lenguaje natural\u00bb, sino \u00abqu\u00e9 informaci\u00f3n captura el chatbot de atenci\u00f3n al cliente y c\u00f3mo puedes usarla t\u00fa ma\u00f1ana\u00bb.<\/p>\n

Cuando la directora de aquella empresa log\u00edstica redise\u00f1\u00f3 su estrategia, lo primero que hizo fue algo que no estaba en ning\u00fan manual de implementaci\u00f3n tecnol\u00f3gica: organizar sesiones de 45 minutos con grupos de ocho conductores cada semana. No para explicarles el algoritmo, sino para preguntarles qu\u00e9 saben ellos que el algoritmo no sabe. Y luego mostrarles, concretamente, c\u00f3mo ese conocimiento pod\u00eda alimentar el sistema. En seis semanas, los mismos conductores que hab\u00edan ignorado la herramienta ol\u00edmpicamente empezaron a reportar anomal\u00edas en las predicciones. Estaban, literalmente, mejorando la IA.<\/p>\n

Pilar 2: Incentivos que celebran a quienes identifican oportunidades<\/h3>\n

Las organizaciones revelan sus verdaderos valores no en lo que dicen, sino en lo que recompensan. Y la mayor\u00eda recompensa implementaci\u00f3n: quien despleg\u00f3 m\u00e1s r\u00e1pido, quien automatiz\u00f3 m\u00e1s procesos, quien report\u00f3 m\u00e1s casos de uso completados.<\/p>\n

Esto genera un incentivo perverso y sutil: los empleados aprenden a implementar lo que ya existe, no a cuestionar si existe lo correcto. Aprenden a ejecutar, no a identificar. Y las mejores oportunidades de IA, aquellas que generan ventaja competitiva real, raramente vienen de replicar lo que ya funciona en otro lado. Vienen de alguien que est\u00e1 en el terreno y ve una fricci\u00f3n que nadie m\u00e1s ha articulado.<\/p>\n

Un equipo de ventas con el que trabajamos transform\u00f3 completamente su cultura de adopci\u00f3n cuando empez\u00f3 a reconocer p\u00fablicamente en reuniones de toda la empresa, con nombre y apellido, a los representantes que identificaban problemas susceptibles de resolverse con IA, incluso antes de que existiera una soluci\u00f3n. La idea no ten\u00eda que estar lista. Ten\u00eda que ser real y relevante. En pocos meses, el volumen de propuestas de mejora internas se multiplic\u00f3 por cuatro. Y dos de ellas derivaron en implementaciones que generaron impacto directo en revenue en menos de un semestre.<\/p>\n

Pilar 3: Seguridad psicol\u00f3gica con permiso expl\u00edcito para fallar<\/h3>\n

Este es el pilar m\u00e1s dif\u00edcil de construir y el m\u00e1s f\u00e1cil de destruir. La seguridad psicol\u00f3gica no es un estado permanente; es fr\u00e1gil y contextual. Un solo episodio donde alguien es ridiculizado por proponer algo que \u00abno funcion\u00f3\u00bb puede silenciar la experimentaci\u00f3n de un equipo entero durante meses.<\/p>\n

La IA por naturaleza requiere experimentaci\u00f3n. Los modelos se entrenan, se ajustan, fallan en contextos inesperados, aprenden y mejoran. Si la cultura organizacional castiga los errores en el proceso de adopci\u00f3n, los equipos dejar\u00e1n de experimentar. Y si dejan de experimentar, la IA se congela en su primer estado de implementaci\u00f3n, que raramente es el \u00f3ptimo.<\/p>\n

El permiso expl\u00edcito para fallar no puede ser impl\u00edcito. Tiene que ser declarado, demostrado y reforzado desde arriba. El CEO que en una reuni\u00f3n de resultados pregunta \u00ab\u00bfqu\u00e9 aprendimos de los pilotos que no funcionaron este trimestre?\u00bb con genuina curiosidad, sin tono punitivo, est\u00e1 construyendo cultura m\u00e1s efectivamente que cualquier pol\u00edtica de innovaci\u00f3n redactada por un consultor externo.<\/p>\n

Por qu\u00e9 los datos no son suficientes para convencer a las personas<\/h2>\n

Hay algo que los directivos t\u00e9cnicamente orientados suelen subestimar: los humanos no cambiamos de comportamiento cuando nos presentan datos convincentes. Cambiamos cuando nos sentimos parte de algo que tiene sentido, cuando confiamos en quienes nos piden el cambio, y cuando el costo percibido de cambiar es menor que el beneficio percibido de hacerlo.<\/p>\n

Los n\u00fameros de ROI son necesarios para justificar la inversi\u00f3n ante el consejo. No son suficientes para mover a un equipo de 40 personas que lleva cinco a\u00f1os haciendo las cosas de una manera que funciona razonablemente bien. Para ellos, la pregunta no es \u00ab\u00bfcu\u00e1nto ahorra la empresa?\u00bb. La pregunta es \u00ab\u00bfqu\u00e9 cambia para m\u00ed, concretamente, en mi trabajo diario? \u00bfPara bien o para mal?\u00bb<\/p>\n

Las organizaciones que est\u00e1n ganando la batalla cultural son aquellas que han aprendido a responder esa pregunta en el lenguaje de cada equipo espec\u00edfico. No con comunicaciones corporativas gen\u00e9ricas sobre \u00abla era de la IA\u00bb, sino con conversaciones directas, con casos de uso concretos, con demostraciones que muestran exactamente qu\u00e9 hace el sistema y, crucialmente, qu\u00e9 no hace.<\/p>\n

\n

\u00abLa transformaci\u00f3n con IA falla m\u00e1s por resistencia cultural que por limitaciones t\u00e9cnicas. Los n\u00fameros no son suficientes; necesita personas convencidas.\u00bb<\/p>\n<\/blockquote>\n

El camino adelante: cultura como infraestructura, no como proyecto<\/h2>\n

Existe una tentaci\u00f3n organizacional muy comprensible: tratar la cultura como un proyecto con inicio, medio y fin. \u00abLanzamos el programa de alfabetizaci\u00f3n en IA en Q1, lo cerramos en Q3, listo.\u00bb Esta mentalidad es exactamente lo que convierte las iniciativas culturales en iniciativas fallidas.<\/p>\n

La cultura no es un proyecto. Es infraestructura. Y como toda infraestructura, requiere mantenimiento continuo, inversi\u00f3n sostenida y adaptaci\u00f3n constante a las condiciones cambiantes del entorno. La IA evoluciona r\u00e1pido. Los casos de uso de hoy no ser\u00e1n los mismos que los de dentro de 18 meses. La cultura que construyas ahora tiene que ser lo suficientemente resiliente para adaptarse a esa evoluci\u00f3n sin fracturarse cada vez que el contexto cambia.<\/p>\n

Esto significa que los tres pilares, alfabetizaci\u00f3n, incentivos y seguridad psicol\u00f3gica, no son iniciativas de un a\u00f1o. Son pr\u00e1cticas que se institucionalizan, que se integran en los rituales organizacionales, que evolucionan con la madurez de la organizaci\u00f3n en su relaci\u00f3n con la tecnolog\u00eda.<\/p>\n

Las empresas que est\u00e1n construyendo ventaja competitiva real con IA no son necesariamente las que tienen los modelos m\u00e1s sofisticados. Son las que han creado condiciones organizacionales donde la experimentaci\u00f3n es bienvenida, donde el conocimiento de primera l\u00ednea tiene voz en el dise\u00f1o de las soluciones, y donde el fracaso informado es parte del proceso de aprendizaje colectivo.<\/p>\n

Eso no se construye con un algoritmo. Se construye con decisiones de liderazgo tomadas consistentemente, con peque\u00f1as victorias celebradas en voz alta, y con la disposici\u00f3n honesta a escuchar lo que los equipos en el terreno tienen que decir sobre c\u00f3mo realmente funciona el trabajo.<\/p>\n

En la pr\u00f3xima entrada de IA 360\u00b0, exploraremos algo que sorprende a muchos directivos cuando lo escuchan por primera vez: esta cultura de experimentaci\u00f3n solo prospera cuando las barreras econ\u00f3micas son bajas, y la buena noticia es que lo son. El mito de los presupuestos millonarios es falso para la mayor\u00eda de aplicaciones pr\u00e1cticas.<\/p>\n

\n

Sobre el autor:<\/strong> Carlos Carrasco es CTO de Evolvis AI. Doctor en Sistemas Inteligentes por el Tecnol\u00f3gico de Monterrey, candidato a MBA, y ex investigador senior del Barcelona Supercomputing Center. Con m\u00e1s de 20 publicaciones cient\u00edficas, y proyectos de gran envergadura, su investigaci\u00f3n ha avanzado aplicaciones de IA en m\u00faltiples industrias.<\/p>\n

Cont\u00e1ctenos: info@evolvis.ai<\/a><\/p>","protected":false},"excerpt":{"rendered":"

Por qu\u00e9 la transformaci\u00f3n con IA falla m\u00e1s por resistencia cultural que por limitaciones t\u00e9cnicas, y los tres pilares que lo cambian todo Serie IA 360\u00b0 \u00b7 Parte 4: Cultura Existe un chiste interno que circula en los equipos de tecnolog\u00eda de casi cualquier empresa que ha intentado implementar IA: \u00abEl piloto fue perfecto. El problema fue cuando llegaron los humanos.\u00bb No es broma. O bueno, s\u00ed es broma. Pero tambi\u00e9n es un diagn\u00f3stico brutalmente preciso. Hay algo casi c\u00f3mico en la secuencia que se repite en organizaciones de todos los tama\u00f1os y sectores. Meses de trabajo. Modelos entrenados con precisi\u00f3n quir\u00fargica. Dashboards que har\u00edan llorar de emoci\u00f3n a cualquier cient\u00edfico de datos. Presentaci\u00f3n al consejo directivo: aplausos. Lanzamiento al equipo operativo: silencio inc\u00f3modo. Tres meses despu\u00e9s: el sistema sigue ah\u00ed, funcionando impecablemente, generando recomendaciones brillantes que nadie consulta. Este es el caso de una empresa de log\u00edstica que invirti\u00f3 cuatro meses de desarrollo para un sistema de optimizaci\u00f3n de rutas. Desarrollaron un modelo con precisi\u00f3n del 94%. El ahorro proyectado era suficiente para justificar tres veces la inversi\u00f3n. Sin embargo, el resultado en campo era que los conductores segu\u00edan usando su m\u00e9todo de siempre. Su explicaci\u00f3n era simple: \u00abLa m\u00e1quina no sabe que en la calle Providencia los martes hay mercado y no puedes pasar con el cami\u00f3n.\u00bb \u00bfEl sistema era malo? No. \u00bfLos conductores eran obtusos? Tampoco. El problema era que nadie hab\u00eda pensado en construir el puente entre ambos mundos. Seg\u00fan un estudio de BCG publicado en 2024,, el 74% de las empresas reconoce dificultades para conseguir y escalar valor real con sus proyectos de IA. Y cuando profundizas en las causas, el patr\u00f3n es casi siempre el mismo: no fue la tecnolog\u00eda lo que fall\u00f3. Fue la cultura organizacional lo que no estaba lista para recibirla. El error de confundir adopci\u00f3n tecnol\u00f3gica con transformaci\u00f3n cultural Hay una trampa conceptual en la que caen incluso los equipos directivos m\u00e1s sofisticados: asumir que implementar una herramienta equivale a transformar la forma en que una organizaci\u00f3n piensa y trabaja. No es as\u00ed. Cuando una empresa introduce IA sin trabajar simult\u00e1neamente la cultura, est\u00e1 colocando tecnolog\u00eda de alta velocidad sobre rieles oxidados. Los modelos pueden predecir con 94% de precisi\u00f3n. Pero si los equipos no conf\u00edan en ellos, los ignoran. Si los managers los perciben como amenaza a su autoridad, los sabotean silenciosamente. Si los empleados de primera l\u00ednea no entienden qu\u00e9 hace el sistema ni por qu\u00e9, simplemente no lo integran a su flujo de trabajo real. El problema no es t\u00e9cnico. Es humano. Y precisamente por eso es m\u00e1s dif\u00edcil de resolver. \u00abLas mejores aplicaciones de IA emergen de empleados de front-line que entienden las fricciones operativas, no de estrategas con poco contacto con la realidad operativa.\u00bb Los conductores de la empresa de log\u00edstica no eran tecn\u00f3fobos. Eran profesionales con a\u00f1os de experiencia acumulada en c\u00f3mo funcionan realmente las rutas: qu\u00e9 calles tienen tr\u00e1fico imprevisible a ciertas horas, qu\u00e9 clientes necesitan atenci\u00f3n especial, qu\u00e9 atajos no aparecen en ning\u00fan mapa digital. Nadie los hab\u00eda consultado al dise\u00f1ar el sistema. Nadie les hab\u00eda explicado que el algoritmo pod\u00eda aprender de ellos. Nadie les hab\u00eda dado permiso para cuestionarlo, mejorarlo, o simplemente decir \u00abesto no funciona aqu\u00ed\u00bb. La IA hab\u00eda sido dise\u00f1ada para ellos, pero no con ellos. Y esa diferencia lo cambia todo. Los tres pilares de una cultura IA que realmente funciona Construir cultura donde la IA es genuinamente un habilitador, y no una amenaza ni una imposici\u00f3n, requiere trabajar tres pilares de forma deliberada y simult\u00e1nea. No son etapas secuenciales. Son dimensiones que se refuerzan mutuamente. Pilar 1: Alfabetizaci\u00f3n universal, no formaci\u00f3n de \u00e9lites El primer error que cometen la mayor\u00eda de las organizaciones es concentrar el conocimiento sobre IA en un equipo t\u00e9cnico especializado. El resultado inevitable es una brecha creciente entre quienes \u00abentienden\u00bb y quienes \u00abejecutan\u00bb, y esa brecha se convierte en desconfianza. La alfabetizaci\u00f3n que construye cultura no es un curso de 40 horas sobre machine learning. Son talleres cortos, frecuentes, dise\u00f1ados en lenguaje operativo real. No \u00abc\u00f3mo funciona un modelo de IA\u00bb, sino \u00abc\u00f3mo leer las recomendaciones que te da el sistema y cu\u00e1ndo sobreescribirlas\u00bb. No \u00abqu\u00e9 es el procesamiento de lenguaje natural\u00bb, sino \u00abqu\u00e9 informaci\u00f3n captura el chatbot de atenci\u00f3n al cliente y c\u00f3mo puedes usarla t\u00fa ma\u00f1ana\u00bb. Cuando la directora de aquella empresa log\u00edstica redise\u00f1\u00f3 su estrategia, lo primero que hizo fue algo que no estaba en ning\u00fan manual de implementaci\u00f3n tecnol\u00f3gica: organizar sesiones de 45 minutos con grupos de ocho conductores cada semana. No para explicarles el algoritmo, sino para preguntarles qu\u00e9 saben ellos que el algoritmo no sabe. Y luego mostrarles, concretamente, c\u00f3mo ese conocimiento pod\u00eda alimentar el sistema. En seis semanas, los mismos conductores que hab\u00edan ignorado la herramienta ol\u00edmpicamente empezaron a reportar anomal\u00edas en las predicciones. Estaban, literalmente, mejorando la IA. Pilar 2: Incentivos que celebran a quienes identifican oportunidades Las organizaciones revelan sus verdaderos valores no en lo que dicen, sino en lo que recompensan. Y la mayor\u00eda recompensa implementaci\u00f3n: quien despleg\u00f3 m\u00e1s r\u00e1pido, quien automatiz\u00f3 m\u00e1s procesos, quien report\u00f3 m\u00e1s casos de uso completados. Esto genera un incentivo perverso y sutil: los empleados aprenden a implementar lo que ya existe, no a cuestionar si existe lo correcto. Aprenden a ejecutar, no a identificar. Y las mejores oportunidades de IA, aquellas que generan ventaja competitiva real, raramente vienen de replicar lo que ya funciona en otro lado. Vienen de alguien que est\u00e1 en el terreno y ve una fricci\u00f3n que nadie m\u00e1s ha articulado. Un equipo de ventas con el que trabajamos transform\u00f3 completamente su cultura de adopci\u00f3n cuando empez\u00f3 a reconocer p\u00fablicamente en reuniones de toda la empresa, con nombre y apellido, a los representantes que identificaban problemas susceptibles de resolverse con IA, incluso antes de que existiera una soluci\u00f3n. La idea no ten\u00eda que estar lista. Ten\u00eda que ser real y relevante. En pocos meses, el volumen de propuestas de mejora internas se multiplic\u00f3 por cuatro. Y dos de ellas derivaron en implementaciones<\/p>","protected":false},"author":2,"featured_media":2987,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-2984","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog"],"_links":{"self":[{"href":"https:\/\/evolvis.ai\/en\/wp-json\/wp\/v2\/posts\/2984","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/evolvis.ai\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/evolvis.ai\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/evolvis.ai\/en\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/evolvis.ai\/en\/wp-json\/wp\/v2\/comments?post=2984"}],"version-history":[{"count":3,"href":"https:\/\/evolvis.ai\/en\/wp-json\/wp\/v2\/posts\/2984\/revisions"}],"predecessor-version":[{"id":2989,"href":"https:\/\/evolvis.ai\/en\/wp-json\/wp\/v2\/posts\/2984\/revisions\/2989"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/evolvis.ai\/en\/wp-json\/wp\/v2\/media\/2987"}],"wp:attachment":[{"href":"https:\/\/evolvis.ai\/en\/wp-json\/wp\/v2\/media?parent=2984"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/evolvis.ai\/en\/wp-json\/wp\/v2\/categories?post=2984"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/evolvis.ai\/en\/wp-json\/wp\/v2\/tags?post=2984"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}