1El problema
Muchos profesionales ya entienden bastante inglés — leen artículos, ven charlas, siguen su área en el idioma todos los días. Lo que los frena no es la gramática: es producir las palabras correctas en el momento correcto, en una reunión, un correo o una postulación. El vocabulario que necesitan es específico de su trabajo, y los cursos de inglés genéricos rara vez lo cubren.
Hay una segunda trampa: consumir contenido en inglés se siente como estudiar, pero no alcanza. Leer mucho construye reconocimiento, no la capacidad de usar las palabras uno mismo. Queríamos una app que convierta ese consumo diario en un repertorio real y utilizable — palabras que de verdad puedas producir, no solo reconocer.
2El stack
El de un producto es el conjunto de piezas de software que lo sostienen. Vamos a recorrer el de IdLingo y, más importante, por qué elegimos cada pieza — las decisiones importan más que los nombres.
Toda la app está escrita en : la pantalla, la lógica detrás de escena e incluso la descripción de la infraestructura en la nube usan el mismo lenguaje. ¿Por qué? Porque un solo lenguaje en todo el proyecto hace que las piezas compartan definiciones y detecten errores entre sí antes de que algo corra. TypeScript es, en términos simples, una versión más estricta de JavaScript que te avisa de errores con anticipación en vez de dejar que exploten en vivo.
Corre sobre un esquema en la nube: no hay servidores encendidos día y noche, el código corre a demanda y la capacidad se reduce a casi nada cuando está ocioso, así el costo sigue el uso real. Pero eso trae una trampa — y el diagrama de abajo muestra la solución que elegimos.
El código serverless puede levantar muchas copias de sí mismo a la vez, y cada copia queriendo su propia conexión puede agotar el límite que la base permite. El reparte un conjunto pequeño de conexiones entre todas esas copias, para que la base nunca se sature.
Para el almacenamiento elegimos una (Aurora Serverless v2, con PostgreSQL) en vez de una de clave-valor. Una base relacional es un conjunto de tablas que se referencian entre sí — imagina las hojas de un libro de cálculo, enlazadas por IDs. La elegimos porque nuestros datos son una red de relaciones (las personas se conectan con las palabras que saben, las palabras con los materiales de donde salieron, y con un rastro de eventos de aprendizaje). El producto todavía se está validando, así que aparecen preguntas nuevas sobre los datos cada semana; en una base relacional esas consultas — agrupar, rankear, encontrar lo que toca repasar — son triviales, mientras que una de clave-valor nos obligaría a conocer todos los patrones de acceso de antemano y haría los cambios dolorosos. Aurora Serverless v2 mantiene la ventaja de costo del serverless, reduciéndose cuando nadie practica.
Sobre esa base, dos piezas más completan la experiencia: una capa de IA que genera ejemplos y evalúa la práctica, y un servicio de voz que lee cualquier palabra en voz alta con , sin necesidad de grabar una voz humana para cada término. Elegir bloques de nube consolidados nos dejó gastar nuestro esfuerzo en lo que de verdad es nuevo: la lógica de aprendizaje.
3Cómo usamos la IA
La IA trabaja en segundo plano, no como un chatbot con el que hablas. Cuando registras un enlace que leíste o viste, la lee ese contenido y extrae el vocabulario que importa — palabras sueltas y también las combinaciones de palabras que suenan naturales juntas. Tu repertorio se actualiza a partir de lo que de verdad consumiste.
Durante la práctica, la IA genera frases de ejemplo a demanda y evalúa cuando intentas usar una palabra en una frase propia — el paso más difícil y más valioso. Y algo importante: la app sigue siendo totalmente usable sin IA: las rondas con IA son una capa extra encima, nunca un muro delante de la práctica básica.
¿De dónde viene la IA? Por defecto, de , usando una credencial de la plataforma — así la IA simplemente está disponible, sin configuración del usuario. Quien quiera más control puede conectar su propia clave () de un proveedor como OpenAI, Anthropic o Google. El gate de una función con IA es solo "¿hay IA disponible?", no un saldo de créditos — el viejo modelo de créditos fue retirado.
4Decisiones clave
Aprender de lo que ya consumes. En vez de entregar una lista fija de palabras, la app parte de los artículos, videos y podcasts que la persona ya sigue. El razonamiento: el vocabulario se fija cuando es relevante para tu vida real. El contenido que elegiste ya es significativo — solo lo convertimos en estudio deliberado.
Recuperar antes de reconhecer. <strong>Recuperar antes que reconocer.</strong> Sería más fácil hacer una app de flashcards donde solo das vuelta la tarjeta y dices "esa la sabía". Elegimos el camino más difícil y organizamos toda la app en torno a la recuperación activa y la repetición espaciada, trayendo cada palabra justo antes de que la olvides. Es menos cómodo, y es lo que de verdad funciona.
Medir o conhecimento em graus, não em sim/não. <strong>Medir el conocimiento en grados, no en sí/no.</strong> "Aprendido" no es un interruptor — puedes reconocer una palabra hoy y no producirla la semana que viene. Por eso medimos cada palabra por grado, y el diagrama más abajo muestra los siete estados que usamos.
IA disponible por defecto, con la opción de usar tu propia clave. La IA viene activada por defecto, así cualquiera usa la app sin configuración. Para quien quiere control, está la opción de . Y la gamificación premia el aprendizaje, no el volumen: ganas puntos por practicar y recuperar, nunca por consumir contenido de forma pasiva.
5Siendo más técnico…
Esta sección es para quien quiera mirar bajo el capó. Nada de esto es necesario para entender el producto — pero estas son las decisiones que hicieron confiable la lógica de aprendizaje.
El modelo de datos, en términos simples. Unas pocas tablas cargan todo el producto. Una guarda a las personas; una guarda el perfil de cada persona; una guarda el catálogo de palabras y expresiones; una conecta a una persona con una palabra y registra qué tan bien la conoce — pasando por siete estados de conocimiento (mira el diagrama). Una tabla final mantiene un registro de eventos de aprendizaje: cada evidencia de práctica, en el orden en que ocurrió. La tabla de estado responde "¿qué tan bien conoce esta persona esta palabra ahora?"; la de eventos es el rastro de "¿cómo llegamos aquí?".
Desconocida — todavía no hay evidencia de que la persona haya visto la palabra.
Expuesta — la persona ya se topó con la palabra.
Reconocida — reconoce la forma o el significado cuando se la muestran.
Evocada — recupera la palabra con poca o ninguna ayuda.
Producida — produce la palabra en una tarea controlada.
Usada — la usa de forma apropiada en comunicación real.
Estable — consistente a lo largo del tiempo, tras práctica espaciada.
Por qué tablas a medida y claves foráneas. Las relaciones se imponen a propósito: hay exactamente un estado por par persona-y-palabra, así una palabra no puede tener por accidente dos estados en conflicto. El enlace entre tablas es una — una columna de una tabla que apunta a una fila de otra, que es justamente lo que hace "relacional" a la base. La tabla de eventos de aprendizaje es solo-agregar: nunca editamos el pasado, agregamos un evento nuevo, y esa nueva evidencia es la que actualiza el estado actual.
Idempotencia, para que nada cuente dos veces. La significa hacer que una operación sea segura de repetir: la ejecutes una o cinco veces, el resultado es el mismo. Es lo que nos protege cuando la entrega la misma tarea dos veces — el diagrama de arriba muestra dónde encaja.
Polling y un pipeline asincrónico. El es cuando la app pregunta repetidamente "¿ya está listo?". Lo usamos para la práctica de habla: subes tu audio y después la app hace polling por el resultado de la evaluación en vez de congelarse mientras se calcula. La misma idea "a un costado" mueve el pipeline de materiales — mostrado en el diagrama de abajo.
Una entrega cada tarea "al menos una vez" — a veces la misma tarea llega dos veces. Para que el reprocesamiento sea seguro, cada evento de aprendizaje lleva una clave de , para que una entrega repetida no cuente la misma práctica dos veces.
Todas estas partes móviles se hablan entre sí mediante — la forma estandarizada en que dos sistemas intercambian pedidos y respuestas.
6Lo que aprendimos
La IA es la parte fácil; la ciencia del aprendizaje es la difícil. Hacer que el modelo escriba una frase o extraiga palabras es rápido. Decidir cuándo una palabra debe volver, qué cuenta como progreso y cómo mantener la práctica honesta llevó mucho más que cualquier prompt. El producto es la pedagogía, no la IA.
Nunca dejes que la IA bloquee lo básico. Aprendimos a diseñar cada función de IA como una capa opcional encima de una práctica que ya funciona por sí sola. Si la IA no está disponible por cualquier motivo, la persona sigue aprendiendo. Tratar la IA como una mejora, no como una dependencia, hizo toda la app más robusta.
Y un principio que llevamos desde el día uno: la gamificación sirve al aprendizaje, nunca al revés. Es tentador premiar cada toque para inflar números, pero eso enseña a la gente a farmear puntos, no a aprender. Respetamos la privacidad y la ley (LGPD) y mantenemos las recompensas atadas al comportamiento de aprendizaje real.
7Qué significa esto para tu empresa
La mecánica de IdLingo es simple: tomar palabras y sus significados, y hacer que las personas los revisiten en un calendario espaciado hasta que se fijen. Lo construimos para el inglés, pero nada del motor está atado al inglés — ni siquiera a un idioma. Cualquier conjunto de "término y significado" encaja: un idioma nuevo, los conceptos técnicos de un área, los acrónimos y la jerga propios de una empresa. Así viaja esa misma mecánica a otros contextos.
Cada empresa tiene su propio vocabulario: acrónimos internos, nombres de producto, jerga de equipo. Carga esos términos y sus significados y deja que la repetición espaciada los traiga de vuelta hasta que un nuevo integrante deje de adivinar — la forma más rápida de que alguien se sienta en casa con el lenguaje de la empresa.
Apunta la mecánica a los conceptos de un área en vez de un idioma: los términos, patrones y definiciones con los que trabaja un equipo. Ayuda a los principiantes a aprenderlos por primera vez y mantiene afilados a los seniors trayendo conceptos de vuelta para repasar antes de que se desvanezcan.
La parte de idioma tampoco se limita al inglés. El mismo enfoque de construir a partir de lo que consumes más repetición espaciada sirve para cualquier idioma nuevo que alguien quiera aprender — cambia el contenido, la mecánica se mantiene.
La conclusión: donde sea que haya términos y significados que valga la pena retener — un idioma, un área, las palabras propias de una empresa — hacer que las personas los revisiten en un calendario espaciado supera a memorizar una lista una vez. Sirve igual para principiantes y seniors. Esa es la pieza que vale adaptar a tu contexto.