Quantaris

El problema

Sacar un presupuesto de obra a partir de un plano es trabajo cualificado y lento: leer el dibujo, identificar las estancias, medir las áreas, contar los materiales, ponerles precio. Lleva días por proyecto, y el error solo aparece después de haber comprado el material.

El producto nació como un prototipo que demostró que la idea funcionaba. Convertirlo en algo por donde una constructora hace pasar su dinero era un problema de ingeniería completamente distinto.

Rehaciendo los cimientos

Primero, infraestructura propia del negocio: PostgreSQL propio en São Paulo, 47 tablas bajo row-level security, despliegue en Cloudflare Workers con dominio propio, y un deploy documentado y reproducible en vez de pulsado a mano. La integración continua ejecuta typecheck, lint, tests y build en cada pull request.

La IA pasó a una integración directa por API con streaming, saliendo del gateway compartido del prototipo. El volumen de consultas por pantalla bajó de unas 114 a menos de 10.

El bug que más importaba

En el prototipo, ejecutar un análisis de plano podía destruir el trabajo que el usuario había introducido a mano. Es el tipo de defecto que mata un producto: no corrompe datos de forma visible, borra esfuerzo, y el usuario se entera después.

Se reconstruyó como staging, diff y aplicación transaccional — el análisis propone, se muestra la diferencia, y el cambio entra entero o no entra. Una prueba adversarial demuestra el aislamiento entre proyectos, de modo que un análisis nunca alcanza a otro.

Multi-tenant, bien hecho

La autorización se reconstruyó en torno a organizaciones en lugar de propietarios individuales: identificador de organización en 29 tablas, funciones de rol, y 56 políticas de row-level security migradas con un trigger transitorio para que producción nunca se rompiera a mitad de la migración — ambas ramas del fallback validadas antes de retirar el camino antiguo.

Hacer conocible la economía de la IA

El costo por análisis se midió, no se estimó: R$ 0,13–0,26, muy por debajo de la proyección original. Llegar ahí sacó a la luz dos cosas que vale conocer — que una respuesta vacía del modelo pasaba la validación y se cobraba como análisis exitoso, hoy fallando en alto y sin cobrar; y que el costo de Gemini debe calcularse como total de tokens menos tokens de entrada, porque los tokens de razonamiento se cobran pero quedan invisibles si solo se lee el recuento de salida.