Sector, tamaño y problema operativo.
OpoAI es una plataforma EdTech vertical especializada en la preparación de oposiciones públicas en España, un mercado con un volumen anual aproximado de 250.000 candidatos activos solo en convocatorias estatales. El sector de las academias de oposiciones está dominado por modelos tradicionales: clases presenciales, manuales impresos, tests fotocopiados y un seguimiento personal del opositor por parte del preparador. Los precios mensuales oscilan entre 100 € y 300 € según especialidad, con duraciones de preparación de 12 a 36 meses. El buyer persona tipo es una persona entre 22 y 38 años con titulación universitaria que afronta la oposición en paralelo a un trabajo o cuidado familiar, con disponibilidad fragmentada de estudio (mañanas tempranas, tardes-noches, fines de semana) y una alta sensibilidad al feedback rápido sobre su rendimiento. La tasa de abandono histórica en oposiciones es altísima — superior al 60 % en las primeras 12 semanas — debido a la falta de feedback inmediato, la sensación de aislamiento y la imposibilidad de medir progreso real. OpoAI nació para atacar exactamente ese problema: convertir el material oficial estático (BOE, temarios, jurisprudencia) en una experiencia interactiva, adaptativa y cuantificable que mantenga al opositor enganchado y mida su evolución técnica con la misma precisión que un examen real.
Procesos manuales y fricciones detectadas.
El estado previo del mercado al que OpoAI llega es el modelo tradicional de academia. El opositor se enfrenta a un temario impreso de entre 800 y 2.500 páginas según especialidad, sin estructura de aprendizaje espaciada, sin sistema de flashcards integrado, sin generación dinámica de tests adaptados a sus puntos débiles. Los simulacros se hacen en papel o en plataformas LMS genéricas con bancos de preguntas estáticos que se memorizan en pocos meses, perdiendo valor pedagógico. El feedback al opositor llega con retraso: el preparador corrige tests en bloques semanales o quincenales y los temas débiles se identifican demasiado tarde para corregir el plan de estudio antes del examen oficial. Sin métricas comparativas con otros opositores, la sensación subjetiva domina sobre el dato — muchos abandonan creyendo que van peor que la media cuando en realidad están en posiciones de top 30 %. Las academias online existentes resuelven parte del problema (acceso flexible, vídeos grabados) pero arrastran las mismas limitaciones técnicas: bancos cerrados de preguntas, sin generación adaptativa, sin tutoría conversacional disponible 24/7.
03Arquitectura desplegada Stack concreto e integraciones.
OpoAI está construida como una aplicación full-stack en Next.js 16 con App Router, desplegada en infraestructura europea con base de datos PostgreSQL gestionada y motor de búsqueda vectorial integrado mediante pgvector. El núcleo técnico es el sistema RAG (Retrieval-Augmented Generation) que ingesta el temario oficial completo: cada bloque temático se procesa mediante chunking semántico (no por longitud arbitraria, sino respetando estructura jerárquica del temario — artículo, apartado, subapartado), se embedded con OpenAI text-embedding-3-large y se indexa en pgvector con metadata estructurada (bloque, tema, artículo de referencia, fecha de actualización legal). El tutor IA conversacional invoca a Claude 3.5 Sonnet con un system prompt que fuerza al modelo a operar exclusivamente sobre los chunks recuperados — no permite al modelo responder con conocimiento general que pueda estar desactualizado o ser incorrecto en el contexto legal específico. Cada respuesta del tutor cita explícitamente el artículo o apartado del temario donde se fundamenta. El modo Opolingo es un sistema de spaced repetition basado en el algoritmo SM-2 modificado que genera flashcards dinámicamente desde el chunk semántico que el usuario está estudiando — sin banco preconstruido. El motor de simulacros usa Claude para generar tests con el formato exacto de la convocatoria oficial (número de preguntas, tipo de respuestas, estructura de distractores) y con dificultad calibrada al nivel del usuario detectado por su histórico de aciertos. n8n orquesta los flujos asíncronos: vectorización nocturna de actualizaciones legales del BOE, generación batch de simulacros para optimizar coste de inferencia, y consolidación diaria del ranking entre usuarios.
Datos reales en producción.
OpoAI tiene nueve módulos en producción activa: dashboard del usuario, temario navegable, tutor IA conversacional, modo flashcards Opolingo, motor de simulacros, ranking comparativo, sistema de flashcards favoritas, módulo de notas personales y dashboard de progreso por bloque. La precisión de los simulacros generados respecto al formato oficial es del 100 %: cada simulacro respeta número exacto de preguntas, tiempo, formato de respuestas, estructura de distractores y nivel de dificultad media de la convocatoria real. El sistema RAG mantiene tasa de alucinación cercana a cero gracias al system prompt restrictivo y a la citación obligatoria del artículo de referencia en cada respuesta. La plataforma opera con costes de inferencia LLM optimizados mediante caching de embeddings y batch processing nocturno, manteniendo un coste por usuario activo mensual sostenible para el modelo de negocio EdTech.
Decisiones técnicas y extensiones futuras.
La lección técnica más relevante fue invertir tiempo en el chunking jerárquico del temario en lugar de usar chunking por longitud — la calidad del retrieval mejoró sustancialmente cuando los chunks respetaban la estructura legal del documento. Forzar al modelo a citar fuente en cada respuesta no solo mejoró la precisión percibida sino que es legalmente importante en un sector donde una respuesta incorrecta puede afectar al rendimiento de un opositor en un examen real. La gamificación del modo Opolingo (rachas, niveles, flashcards diarias) generó una retención superior a la del módulo de simulacros tradicionales — confirmación empírica de que el spaced repetition con feedback inmediato bate al test bombing como estrategia pedagógica. Las extensiones planificadas: añadir generación de mapas mentales por tema con DALL-E, incorporar transcripción y análisis de audios oficiales (sentencias, vistas) para oposiciones jurídicas, abrir un módulo de comunidad con preguntas verificadas por preparadores humanos, e integrar un agente de coaching emocional que detecte signos de burnout en patrones de uso (descenso de engagement, aumento de errores) y proponga descansos o cambios de plan.
