Desconecta — Bienestar digital con IA
Desconecta: lo que a los bloqueadores de pantalla les falta
El mercado del bienestar digital está lleno (Screen Time, Digital Wellbeing, Freedom, Opal…), pero casi todas las apps comparten tres debilidades: sus límites son estáticos (los pones una vez y los ignoras), son reactivos (te avisan cuando ya has llegado al tope) y bloquean con un muro tonto que el usuario desactiva en dos clics. Desconecta ataca justo ese hueco con una capa de IA.
Predictivo, no reactivo
Un modelo de forecasting (XGBoost) aprende tu patrón de uso y predice los minutos de mañana por app y el uso total del día. De ahí se deriva a qué hora cruzarás tu límite ("a este ritmo llegarás a tu tope de TikTok hacia las 20:08"), proyectando el uso previsto sobre tu perfil horario. La intervención llega antes del atracón, no después.
Riesgo de atracón con causas explicables
Un segundo modelo estima el riesgo de atracón de cada día como un score calibrado, y con SHAP expone por qué: fin de semana, racha de uso al alza, uso nocturno reciente, perfil impulsivo… No es una caja negra: ves los triggers concretos que disparan tu riesgo.
Límites adaptativos, no un número fijo
En vez de un límite arbitrario, un controlador transparente propone un presupuesto que desciende de forma sostenible hacia tu objetivo (p.ej. −30%) sin recortes bruscos (≤10%/semana), partiendo de tu uso real. Un límite que puedes cumplir es un límite que no abandonas.
Un coach que negocia, no un muro
En el momento crítico, un coach LLM (Groq, Llama 3.3 70B) interviene en tres modos: te hace reflexionar, negocia una prórroga consciente a cambio de un motivo, o cierra la app con una micro-acción alternativa. Empático y breve, basado en hábitos y terapia cognitivo-conductual.
Una arquitectura, dos clientes
El backend FastAPI es el cerebro: lo consume tanto esta demo web (que enseña la inteligencia sobre datos sintéticos de uso de móvil) como una app Android nativa, que es la que hace la monitorización y el bloqueo reales del sistema (UsageStatsManager) y delega el análisis a esta misma API.
Honestidad sobre los datos y métricas: el forecasting conductual es ruidoso por naturaleza. Las cifras (R²≈0.77 por app, AUC≈0.79 en riesgo) son honestas sobre datos sintéticos calibrados; en el mundo real el uso individual varía aún más. No se han maquillado los datos para inflar métricas.
Resultados
XGBoost · bate baseline naïve (0.57)
score + triggers SHAP
no un número fijo
3 modos · Groq 70B
Comparativa de mercado
| Solución | Coste mensual | Modelo de cobro | Datos propios | Personalización |
|---|---|---|---|---|
| Desconecta | IA self-hosted | — | — | — |
| Screen Time / Digital Wellbeing | Sin predicción | — | — | — |
| Bloqueadores (Freedom, Cold Turkey) | Sin contexto ni coaching | — | — | — |
Precios de referencia públicos. Pueden variar según plan y negociación.
Funcionalidades implementadas
- 🔮 Predictivo. Anticipa tu uso del día y a qué hora cruzarás el límite, para intervenir antes del atracón, no después.
- 🧩 Triggers explicables. SHAP expone por qué sube tu riesgo (finde, racha, uso nocturno, impulsividad), no una caja negra.
- 📉 Límites adaptativos. Presupuesto que desciende de forma sostenible hacia tu objetivo, no un número fijo que abandonas.
- 🤝 Coach que negocia. Un LLM reflexiona, negocia o cierra con criterio, en vez de un muro que desactivas en dos clics.