Respuesta rápida: Si quieres crear una UX de diario de TCC que la gente realmente use, tienes que eliminar el emoji de estado de ánimo estándar. En Vividiary, nos dimos cuenta de que el seguimiento básico del estado de ánimo solo les dice a los usuarios qué sienten, no por qué. Inicialmente probamos un formulario de TCC clínico tradicional de 7 pasos, pero lo rechazamos después de ver una tasa de abandono brutal del 60% en las pruebas de usuario: se sentía demasiado como una tarea escolar. En su lugar, cambiamos al mapeo de disparadores conversacional. Para que esto funcionara, necesitábamos un serio poder de razonamiento de LLM. Rechazamos explícitamente la IA en el dispositivo porque los modelos locales no eran capaces de un reencuadre cognitivo matizado. Optamos por una arquitectura en la nube centrada en la privacidad, asegurando que tus datos zero-party (zero-party data) estén fuertemente cifrados mientras seguimos ofreciendo los conocimientos profundos y contextuales que los usuarios necesitan para comprender su salud mental.
---
Cuando nos sentamos por primera vez a diseñar Vividiary, hicimos lo que hace cualquier otra aplicación de salud mental: diseñamos una cuadrícula masiva de emojis de estado de ánimo bellamente ilustrados.
Pasamos semanas debatiendo el tono exacto de azul para "melancolía" frente a "triste". Pensamos que estábamos construyendo la herramienta de vocabulario emocional definitiva. Pero cuando la pusimos frente a usuarios reales, los datos nos golpearon como una tonelada de ladrillos. La gente pasaba de 15 a 20 segundos simplemente mirando la pantalla, paralizada por la elección, antes de cerrar la aplicación a la fuerza.
Nos dimos cuenta de una dura verdad sobre nuestro producto: el seguimiento tradicional del estado de ánimo es fundamentalmente defectuoso. Solo mide el resultado (la emoción) sin descubrir la causa (el disparador). Deja a los usuarios con un gráfico colorido de su miseria, pero absolutamente sin pasos a seguir para solucionarlo.
Aquí está la historia interna de cómo derribamos nuestros diseños originales, qué intentamos en su lugar y por qué re-arquitecturizamos completamente Vividiary para centrarnos en el mapeo de disparadores.
Por qué eliminamos el emoji de estado de ánimo estándar
El problema El objetivo inicial era simple: dar a los usuarios una forma de registrar cómo se sienten. El estándar de la industria dicta que presentes al usuario de 20 a 30 emojis que representen un espectro de emociones.
Pero durante nuestras primeras pruebas beta, notamos un problema evidente. Cuando un usuario está en un estado de alta angustia emocional (digamos, acaba de tener un ataque de pánico o una pelea masiva con su pareja), lo último que quiere hacer es jugar a "¿Dónde está Wally?" con una cuadrícula de caritas diminutas para encontrar la que encapsula perfectamente "ansioso pero también enojado y ligeramente hambriento".
Además, registrar una emoción de forma aislada no ayuda con la regulación emocional. Si tus datos te dicen que estabas "Enojado" el martes, "Triste" el miércoles y "Ansioso" el jueves, ¿qué haces con esa información? Nada. Es un callejón sin salida.
El enfoque que elegimos Decidimos eliminar la cuadrícula de emojis como entrada principal. La reemplazamos por un sistema de estado de ánimo de grado 5 radicalmente simplificado: Mejor, Bien, Neutral, Bajo y Peor.
Relegamos los emojis específicos a una pantalla de selección múltiple opcional para emociones y actividades específicas, visible solo después de que la fricción inicial del registro hubiera pasado.
¿Por qué? Porque tocar uno de los cinco botones grandes toma exactamente 3 segundos. Reduce drásticamente la carga cognitiva. En nuestras pruebas A/B de seguimiento, este simple cambio aumentó la finalización del registro diario en un 41%. Si tienes curiosidad sobre la psicología más profunda detrás de esto, escribí extensamente sobre nuestro diseño de producto impulsado por las emociones y por qué apartarse del camino del usuario es lo mejor que puede hacer un diseñador.
Lo que rechazamos: El formulario de TCC clínico de 7 pasos
El problema Una vez que simplificamos la entrada del estado de ánimo, necesitábamos una forma de capturar el contexto: el "por qué" detrás del estado de ánimo. La Terapia Cognitivo-Conductual (TCC) es el estándar de oro para esto. Así que, naturalmente, pensamos que deberíamos simplemente digitalizar una hoja de trabajo de TCC.
El enfoque que consideramos (y eliminamos) Construimos un formulario de TCC clínico integral de 7 pasos. Pedía a los usuarios que completaran manualmente cuadros de texto para: 1. La situación 2. El pensamiento inicial 3. La emoción (y la intensidad 1-100) 4. La sensación física 5. El comportamiento/acción 6. Distorsiones cognitivas presentes 7. Un pensamiento alternativo/reencuadrado
Desde una perspectiva clínica, esto era perfecto. Era exactamente lo que un terapeuta te entregaría en una hoja de papel.
Desde una perspectiva de producto, fue un desastre total.
Lo que aprendimos Lanzamos esto a un grupo de 500 probadores beta. Los resultados fueron brutales. Vimos una tasa de abandono del 60% al tercer día.
Cuando realizamos entrevistas a los usuarios, los comentarios fueron unánimes: "Se siente como hacer la tarea escolar".
Los usuarios nos dijeron que cuando se sentían "Bajo" o "Peor", la perspectiva de escribir siete párrafos de análisis psicológico profundo era abrumadora. Estábamos pidiendo a los usuarios que hicieran el trabajo pesado del reencuadre cognitivo mientras estaban activamente desregulados. Era la herramienta equivocada en el momento equivocado. Si bien estas técnicas de diario de TCC clínicas son increíblemente efectivas en el consultorio de un terapeuta, fallan miserablemente como una UX móvil autoguiada.
Mapeo de disparadores: Construyendo una UX de diario de TCC que realmente funciona
La solución Si un formulario estático se siente como una tarea escolar, ¿qué se siente natural? Una conversación.
Eliminamos por completo el formulario de 7 pasos y cambiamos a una interfaz de usuario conversacional impulsada por IA. Introdujimos un modo de conversación con IA, disponible tanto en voz como en texto, que actúa como un oyente amable y curioso.
En lugar de exigir siete puntos de datos por adelantado, la IA simplemente pregunta: "¿Qué tienes en mente hoy?". Mientras el usuario se desahoga, la IA hace preguntas de seguimiento específicas y alineadas con la TCC.
Usuario: "Estoy muy estresado por mi presentación de mañana. Sé que voy a arruinarla".
IA: "Parece que esa presentación te está pesando mucho. ¿Qué te hace sentir específicamente que vas a arruinarla?"
Detrás de escena, la IA está haciendo el trabajo pesado. Está extrayendo silenciosamente la situación, la emoción y la distorsión cognitiva (en este caso, adivinación del futuro). Una vez que la conversación concluye naturalmente, la IA genera sin problemas un borrador de diario en primera persona para que el usuario lo revise, edite y guarde.
Por qué esto cambia las reglas del juego: Mapeo de disparadores Este método de recolección sin fricción cierra la brecha entre simplemente registrar un sentimiento y comprender su causa raíz. Al capturar el contexto de manera conversacional, podemos realizar un mapeo de disparadores.
El mapeo de disparadores permite a nuestro sistema conectar los puntos con el tiempo. Podemos mostrarle a un usuario: "Oye, notamos que el 80% de las veces que registras un estado de ánimo 'Bajo', está precedido por una conversación sobre tu gerente".
Para hacer que estos datos sean digeribles, construimos análisis avanzados. Si bien nuestro nivel gratuito ofrece registro de estado de ánimo ilimitado, 3 conversaciones de IA por día y análisis básicos, reservamos la visualización de datos pesada para nuestro nivel Premium ($2.99/mes o $11.99/año). Los usuarios Premium obtienen acceso a informes de estado de ánimo semanales y mensuales, gráficos de burbujas y mapas de calor que visualizan estos bucles de comportamiento.
La UX gamificada Pero la TCC sigue siendo un trabajo duro. Para mantener el compromiso a través del difícil proceso de reflexión, introdujimos una UX gamificada. A medida que los usuarios registran sus estados de ánimo y completan sesiones de mapeo de disparadores, nutren a un personaje "Clay". Durante 30 días, este personaje crece y evoluciona hacia una de las 8 formas finales, influenciada directamente por los datos emocionales del usuario. Transforma el registro rutinario, a veces doloroso, en un viaje gratificante de autodescubrimiento.
La arquitectura: Por qué elegimos una nube centrada en la privacidad sobre la IA en el dispositivo
El problema El mapeo de disparadores requiere que los usuarios compartan un contexto profundamente personal. Si un usuario va a contarle a nuestra aplicación sobre sus problemas matrimoniales, su ansiedad laboral o sus inseguridades más profundas, necesita una garantía férrea de que sus datos están seguros.
Vividiary es fundamentalmente una aplicación de bienestar de datos zero-party. Los datos zero-party son datos que un cliente comparte de manera intencional y proactiva con una marca. Son altamente confiables, pero requieren una inmensa confianza.
Los enfoques que consideramos Al diseñar la arquitectura de IA, tuvimos un debate interno masivo sobre dónde debería ocurrir el procesamiento de IA.
Enfoque 1: IA en el dispositivo
Consideramos seriamente ejecutar LLM pequeños y localizados directamente en el teléfono del usuario. El atractivo es obvio: si los datos nunca salen del dispositivo para su procesamiento, la privacidad es teóricamente más fácil de comercializar.
Enfoque 2: LLM basados en la nube
Usar modelos de frontera (como GPT-4 de OpenAI o Claude de Anthropic) alojados en la nube, lo que requiere que los datos se envíen a través de la red para su procesamiento.
Lo que elegimos (y por qué) Rechazamos explícitamente la IA en el dispositivo.
¿Por qué? Porque los modelos móviles locales simplemente no son lo suficientemente inteligentes todavía. Cuando probamos modelos locales de parámetros de 7B para el reencuadre de TCC, los resultados fueron genéricos ("¡No te preocupes, sé feliz!") o completamente alucinados. El reencuadre cognitivo matizado requiere inmensas capacidades de razonamiento. Si la IA da una mala retroalimentación psicológica, no es solo una mala UX, es potencialmente dañino para la salud mental del usuario.
En su lugar, optamos por una arquitectura en la nube centrada en la privacidad. Usamos LLM basados en la nube para garantizar la mayor calidad de razonamiento de TCC.
Cómo lo construimos Para proteger estos datos sensibles zero-party, construimos Vividiary sobre una pila moderna y altamente segura: React Native (Expo) para el frontend, Supabase para nuestra base de datos backend, RevenueCat para la gestión de suscripciones y Firebase Auth para la autenticación segura de usuarios.
Debido a que los datos deben viajar a la nube para que la IA los procese, empleamos principios estrictos de diseño centrados en la privacidad. Todos los datos están fuertemente cifrados tanto en tránsito (a través de TLS) como en reposo en nuestras bases de datos de Supabase. Tratamos tus entradas de diario como registros médicos. No vendemos tus datos, no entrenamos nuestros propios modelos fundamentales con tus diarios personales y nos aseguramos de que nuestra infraestructura en la nube cumpla con rigurosos estándares de seguridad.
Elegimos la transparencia sobre los trucos de marketing. No afirmaremos que tus datos se "procesan localmente" porque no es así. Se procesan en un entorno de nube altamente seguro para que obtengas los mejores conocimientos de TCC posibles sin comprometer tu privacidad.
Los datos: La dura verdad sobre nuestra retención de 30 días
Entonces, ¿funcionó todo esto?
Prometí ser sincero, así que veamos los números. Cuando estábamos ejecutando el formulario clínico de 7 pasos, nuestra retención del día 30 era un triste 12%. La gente descargaba la aplicación, se daba cuenta de que era demasiado trabajo y se iba.
Después de eliminar la cuadrícula de emojis de estado de ánimo, introducir el registrador de estado de ánimo de grado 5 de 3 segundos, lanzar el mapeo de disparadores conversacional y agregar el personaje Clay en evolución, nuestra retención del día 30 saltó a 34%.
Si quieres una inmersión más profunda en los grupos específicos y cómo medimos el éxito, puedes leer nuestro desglose completo de nuestras métricas de retención de 30 días.
Lo que aprendimos Una tasa de retención del día 30 de 34% en la categoría de salud y bienestar es increíblemente fuerte, pero no es perfecta.
Aprendimos que algunos usuarios todavía encuentran las conversaciones con IA ligeramente inquietantes. Alrededor del 15% de nuestros usuarios optan por no participar en el chat de IA por completo, prefiriendo usar solo el registrador de estado de ánimo de grado 5 y escribir sus propias notas manuales. También aprendimos que nuestra función de voz a texto, aunque popular, tiene dificultades con los acentos fuertes, algo que nuestro equipo de ingeniería está trabajando activamente para mejorar.
¿Qué sigue? Actualmente estamos construyendo visualizaciones de mapeo de disparadores más robustas para el nivel Premium, lo que permite a los usuarios comparar sus datos de estado de ánimo con factores externos como el clima, los datos de sueño (a través de la integración de Apple Health) y el tiempo de pantalla.
Construir una UX de diario de TCC es un ejercicio de equilibrio entre la eficacia clínica y la fricción humana. Si lo haces demasiado clínico, los usuarios renunciarán. Si lo haces demasiado simple (como una cuadrícula de emojis), los usuarios no obtendrán ningún valor. Al centrarnos en el mapeo de disparadores conversacional y una arquitectura en la nube centrada en la privacidad, creemos que finalmente hemos encontrado el punto óptimo.
