Digital Oracle

Desglose de Revenue

Problema del Mercado

El mercado de apps espirituales está saturado de lecturas genéricas, UX confusas, y falta de personalización real. La oportunidad: combinar la profundidad de sistemas tradicionales (Runas Nórdicas + Lenormand) con IA moderna para crear experiencias personalizadas a escala.

Restricciones Técnicas

• Complejidad del dominio: 25 runas con 8 orientaciones posibles cada una + sistema de coincidencias de bordes en matriz 5x5
• Desafío de UX: ¿Cómo hacer que un sistema de 200 variables sea intuitivo?
• Desafío de Monetización: Balance entre accesibilidad y sostenibilidad sin paywalls agresivos

1. Motor de Matching Probabilístico (Backend)

Algoritmo propietario de detección de patrones que analiza coincidencias horizontales y verticales en los bordes de las runas. Complejidad: O(n²) optimizado con early-exit.

# Algoritmo propietario de detección de patrones
def detect_edge_patterns(grid_5x5: List[List[Rune]]) -> List[Match]:
    """
    Detecta coincidencias horizontales y verticales en los bordes de las runas.
    Complejidad: O(n²) donde n = 25 (optimizado con early-exit)
    """
    matches = []

    # Horizontal matches (4 bordes por runa × 5 filas = 20 checks)
    for row in range(5):
        for col in range(4):
            left_rune = grid[row][col]
            right_rune = grid[row][col + 1]

            if edge_matches(left_rune.right_edge, right_rune.left_edge):
                match = create_match(
                    runes=[left_rune, right_rune],
                    type='horizontal',
                    lenormand_symbol=map_to_lenormand(edge_id)
                )
                matches.append(match)

    return matches

Innovación técnica: Pre-computación de mapeos runa → Lenormand (O(1) lookup), caché de interpretaciones por idioma, sistema de "Hidden Dimension" para usuarios premium.

2. Motor de IA Generativa (Google Vertex AI + Gemini)

Pipeline de narrativa personalizada que combina NLP avanzado, prompt engineering dinámico, y post-procesamiento inteligente.

3. Sistema de Engagement Gamificado

Problema: Usuarios hacían 1 lectura y se iban.
Solución: Viaje de 5 pasos con soft-locks emocionales (no bloqueantes)

UX Innovation: Introspection Mirror convierte complejidad en inputs simples con gamificación ("3/7 patrones completados"). Si la narrativa aún se genera, el botón recopila introspecciones y las inyecta al chat automáticamente. Resultado: Engagement +40%.

Estrategia Freemium Calibrada

Métricas de Producto

1. Lectura en 2 Fases (Fast Reading Pattern)

Problema: La IA tarda 60-90s en generar narrativa → Mal UX
Solución: Respuesta instantánea (<500ms) con rune grid y patrones, luego generación de narrativa en segundo plano.

2. Switchable AI Provider (Adaptación al Vértigo de Nuevos Modelos)

La industria de LLMs evoluciona semanalmente con modelos más potentes y económicos. Diseñamos una arquitectura agnóstica que nos permite migrar a nuevos modelos en minutos, no meses.

# Configuración 100% dinámica vía variables de entorno
AI_PROVIDER = os.getenv("AI_PROVIDER", "vertex")     # vertex | ai_studio | openai
MODEL_NAME = os.getenv("MODEL_NAME", "gemini-2.5-flash-002")  # Cualquier modelo

if AI_PROVIDER == "vertex":
    from vertexai.generative_models import GenerativeModel
    # Hoy: gemini-2.5-flash-002 | Mañana: gemini-3.0-flash | Solo cambiar .env
    ai_model = GenerativeModel(MODEL_NAME)

elif AI_PROVIDER == "ai_studio":
    import google.genai as genai
    # Mismo MODEL_NAME funciona aquí: gemini-2.5-flash, claude-opus-4, etc.
    ai_model = genai.Client(api_key=os.getenv("GEMINI_API_KEY"))

elif AI_PROVIDER == "openai":
    from openai import OpenAI
    # MODEL_NAME = "gpt-4o" o "gpt-5-preview" cuando salga
    ai_model = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

# Un cambio de variable de entorno y migramos de proveedor/modelo
# Sin tocar código, sin redeploy, sin downtime

• Testing continuo: Evaluamos cada modelo nuevo (Gemini, Claude, GPT, Llama) contra benchmarks de calidad narrativa
• Migración ágil: Cambio de modelo en producción sin redeploy de código
• Optimización costo/calidad: Hemos reducido costos 40% migrando entre proveedores sin sacrificar experiencia
• Future-proof: Arquitectura lista para modelos que aún no existen (GPT-5, Gemini 3.0, Claude Opus 5)

3. Multi-Tenancy & Data Isolation (Firestore)

• Seguridad: Firestore rules auto-filtran por userId
• Escalabilidad: Auto-sharding por Google
• GDPR-compliant: Borrado cascada con 1 llamada

1. Cloudflare: Capa de Protección Perimetral

Toda la aplicación está detrás de Cloudflare como primera línea de defensa contra ataques DDoS, bots maliciosos y fraude de pagos.

2. Arquitectura Zero-Trust

No confiamos en nadie por defecto. Cada request es validado, cada usuario es verificado, cada acción es auditada.

// Firestore Security Rules - No bypass posible
rules_version = '2';
service cloud.firestore {
  match /databases/{database}/documents {

    // Helper: usuario autenticado
    function isSignedIn() {
      return request.auth != null;
    }

    // Readings - solo el owner puede leer/escribir
    match /users/{userId}/readings/{readingId} {
      allow read, write: if isSignedIn() && request.auth.uid == userId;
    }

    // CADA request valida auth + ownership
    // Sin excepciones, sin backdoors
  }
}

• Validación en cada capa: Cloudflare → Cloud Run → Firestore rules
• Principio de privilegio mínimo: Usuarios solo ven sus datos
• Session management seguro: Firebase Auth con tokens JWT rotados

3. Protección de Datos & Privacy

Aislamiento multi-tenant: Estructura `/users/{userId}/` garantiza que datos de usuario A nunca contaminen queries de usuario B, incluso con bugs de código.

4. Seguridad de Pagos (PCI DSS)

Delegamos PCI compliance a Stripe, pero añadimos capas extras de protección contra fraude.

• Anti-card testing: Cloudflare rate limit 3 intentos/10min por IP
• Webhook security: Validación de firma Stripe antes de procesar eventos
• No almacenamos tarjetas: Cero datos sensibles en nuestra DB
• Audit trail: Cada transacción logeada con timestamp + userId para forensics

5. AI Safety & Content Security

El output de IA es impredecible. Implementamos validaciones para prevenir abusos y contenido dañino.

6. Monitoreo & Incident Response

Structured logging: Todos los eventos críticos (login, pago, generación IA) se logean con timestamp, userId, IP y user-agent para análisis forense post-incidente.

Resultado: Seguridad sin Sacrificar UX

La mayoría de las protecciones son invisibles para el usuario legítimo. Cloudflare, WAF y rate limiting operan en background. Solo los atacantes ven fricciones.

Soy ideal para proyectos que requieren:

Proyectos Similares Que Puedo Construir

Lo que tienen en común: Complejidad técnica + UX simple + Monetización clara.