Imagina combinar la fantasía de los juegos de rol con la psicología organizacional y la ingeniería de software. Eso es precisamente lo que ocurre cuando un desarrollador decide construir un test de personalidad basado en clases de Dungeons & Dragons, pero con la ambición de convertirlo en un producto digital funcional, escalable y con un toque de inteligencia artificial. Este proyecto no es solo un pasatiempo geek; es un caso práctico de cómo se diseñan aplicaciones a medida que integran lógica de negocio, experiencia de usuario y automatización de procesos.

La chispa inicial surge de una conversación informal entre amigos sobre qué clase de D&D encajaría mejor con su personalidad real. Pero en lugar de quedarse en la teoría, el autor decidió llevarlo al terreno del desarrollo. Para ello, estudió marcos de evaluación como el modelo Big Five, los test situacionales (SJT) y catálogos ocupacionales como O*NET. El objetivo era construir un algoritmo capaz de asignar no solo una clase principal, sino también subclases y rasgos complementarios, todo basado en decisiones del usuario ante escenarios concretos, no en autopercepciones abstractas. Este enfoque es muy similar al que empleamos desde Q2BSTUDIO cuando desarrollamos soluciones de ia para empresas que necesitan modelos predictivos entrenados con datos conductuales.

El desarrollo técnico se apoyó en herramientas modernas: React para el frontend, GitHub Pages para el hosting estático y GitHub Actions para la integración y despliegue continuos. La automatización del pipeline de build y deploy permitió que cada cambio en el código se reflejara en vivo en menos de un minuto, algo esencial cuando se itera sobre la base de feedback de usuarios reales. Además, se implementó un sistema de ramificación condicional: preguntas generales, desempates, ronda de subclase y finalmente la tarjeta de resultado. Para garantizar el equilibrio estadístico, se escribió un simulador que lanzaba miles de respuestas aleatorias y ajustaba los pesos hasta que cada clase tuviera una probabilidad de aparición realista. Este tipo de refinamiento algorítmico recuerda a los procesos que seguimos en Q2BSTUDIO cuando creamos aplicaciones a medida que requieren lógicas de puntuación complejas y validación mediante datos sintéticos.

Uno de los desafíos más interesantes fue cómo hacer que el test se sintiera personal y no genérico. Se incorporaron preguntas sobre hobbies que, mediante un catálogo interno, asignaban puntos a ciertas clases. Por ejemplo, la jardinería inclinaba hacia Druida, mientras que la programación favorecía a Artífice. Además, se diseñaron preguntas situacionales que diferenciaban clases superpuestas, como el Mago (que investiga la causa raíz) frente al Artífice (que construye una herramienta para evitar que el problema se repita). Cada respuesta aportaba tres señales simultáneas: puntuación de clase, etiqueta de subclase y facetas de rasgos. Este diseño modular es exactamente el tipo de arquitectura que recomendamos en proyectos de software a medida donde la trazabilidad de la lógica de negocio es crítica.

La fase de lanzamiento incluyó pruebas con comunidades de Discord, donde los usuarios validaron si el resultado les representaba. El feedback fue tan positivo que el autor decidió pulir la interfaz con una estética retro de 8 bits, incluyendo fondos de pergamino, fuentes pixeladas y un overlay de líneas de barrido que evocaba un monitor CRT. Pero más allá del diseño, la verdadera magia estaba en los metadatos de previsualización de enlaces. Como la aplicación era una sola página de React, cada resultado compartido en redes sociales mostraba la misma imagen genérica. Para solucionarlo, se generaron 13 pequeños HTML estáticos (uno por clase) que los crawlers sociales leen, y luego la app reconstruye el resultado completo vía hash de URL. Esta atención al detalle técnico es la misma que aplicamos en Q2BSTUDIO cuando integramos servicios cloud AWS y Azure para garantizar que cada interacción del usuario sea fluida y profesional.

En definitiva, este proyecto demuestra cómo un hobby puede convertirse en un excelente ejercicio de ingeniería de producto: investigación, prototipado, validación con datos sintéticos y reales, automatización de despliegue y optimización de la experiencia de usuario. Las lecciones aprendidas son directamente aplicables a entornos empresariales donde se requieren agentes IA para personalizar experiencias, sistemas de recomendación basados en comportamiento o dashboards de power bi que traduzcan datos en decisiones. Si estás pensando en desarrollar una herramienta digital que combine lógica compleja con una interfaz atractiva, en Q2BSTUDIO te ayudamos a convertir esa idea en una solución robusta, ya sea desde la fase de concepto hasta el despliegue en producción.