Bienestar digital con IA: por qué los bloqueadores fallan y cómo hacerlo predictivo, adaptativo y con coach

El mercado de las apps de control de pantalla está saturado —Screen Time, Digital Wellbeing, Freedom, Opal— y casi todas comparten las mismas tres debilidades: límites estáticos que pones una vez y luego ignoras, alertas reactivas que llegan cuando ya te has pasado, y un muro de bloqueo que desactivas en dos clics. Desconecta es un ejercicio sobre lo que de verdad falta ahí: no más "contar minutos", sino una capa de inteligencia.

Predictivo en vez de reactivo

El primer modelo es un forecaster (XGBoost) que aprende tu patrón —lags, medias móviles, día de la semana, tendencia— y predice los minutos de mañana por app. De ese forecast, proyectado sobre tu perfil horario, sale algo accionable: a qué hora cruzarás el límite. "A este ritmo llegarás a tu tope de TikTok hacia las 20:08." La intervención llega antes del atracón, no después.

Riesgo explicable, no caja negra

Un segundo modelo estima el riesgo de atracón del día como un score, y con SHAP expone por qué: fin de semana, racha de uso al alza, uso nocturno reciente, perfil impulsivo. Diseñé el generador de datos con esa estructura causal precisamente para que el modelo aprendiera señal real y SHAP la pudiera atribuir. Cuando seleccionas "fin de semana" en la demo, el trigger dominante que aparece es justo ese.

Límites adaptativos con glide-path

Un límite fijo que no puedes cumplir es un límite que abandonas. En vez de eso, un controlador transparente parte de tu uso real y desciende hacia tu objetivo (p.ej. −30%) de forma sostenible, sin recortes de más del 10% por semana. Nada de RL opaco: una política explicable que puedes auditar.

Un coach que negocia, no un muro

En el momento crítico interviene un coach LLM (Groq, Llama 3.3 70B) en tres modos: reflexionar (una pregunta que te hace notar por qué sigues), negociar una prórroga consciente a cambio de un motivo, o cerrar con una micro-acción alternativa. Breve, empático, sin sermones.

Una arquitectura, dos clientes

El detalle de ingeniería que más me gusta: el backend FastAPI es el cerebro, y lo consumen dos clientes. La demo web enseña la inteligencia sobre datos sintéticos de uso de móvil; y una app Android nativa hace la monitorización y el bloqueo reales del sistema (UsageStatsManager) delegando todo el análisis a esa misma API. Un cerebro, dos caras.

Honestidad con las métricas

Aquí viene la parte incómoda y, para mí, la más importante. El forecasting de uso por app da R²≈0.77 (batiendo a un baseline naïve de 0.57) y el riesgo de atracón AUC≈0.79. Están por debajo del listón que me pongo para problemas como predicción de precios (R²≥0.88). ¿Por qué no los subí? Porque hacerlo habría implicado limpiar artificialmente los datos, y el uso humano del móvil es intrínsecamente ruidoso: la misma persona pasa de 10 a 90 minutos en una app según el día. Inflar el número falseando los datos es justo lo contrario de lo que un portfolio técnico debería enseñar. El atracón, además, es un evento probabilístico: lo correcto es tratarlo como un score de riesgo (AUC), no como una clasificación dura. Prefiero un 0.77 honesto y defendible que un 0.9 de laboratorio que no sobreviviría al mundo real.