El Nuevo Estándar para el Coaching Digital de Salud — Cómo el Motor de Coaching de IA de 8 Pasos de HAVIT Integra Personalización, Retroalimentación Inmediata y Disparadores de Comportamiento

1. Por Qué Fallan las Prescripciones Estáticas — Evidencia Clínica

El patrón más común en las apps de dieta es "objetivo uniforme basado en IMC + dieta uniforme + ejercicio uniforme". La literatura es clara sobre los límites:

• Zeevi et al. (2015, Cell) — 800 individuos; las respuestas glucémicas posprandiales variaron extremadamente entre personas para los mismos alimentos. La prescripción dietética uniforme tiene débil respaldo académico.
• Berry et al. (2020, Nat Med — PREDICT 1) — 1,002 gemelos e individuos; las respuestas posprandiales fueron dominadas por ambiente/comportamiento/microbioma sobre genética. La nutrición personalizada superó las guías estándar.
• Patel et al. (2015, Ann Intern Med) — La efectividad de las herramientas digitales de salud escala con la integración de "personalización · inmediatez de retroalimentación · disparadores de comportamiento".
• Tate et al. (2003, JAMA) — La intervención conductual digital produjo 1.7× la pérdida de peso de la provisión estándar de información. El núcleo: frecuencia de retroalimentación.

Resumen: El estado del usuario cambia dentro de un solo día, por lo que la prescripción debe adaptarse a ese cambio para ser efectiva.

La semana de una persona se ve así:

• Lunes: muchas reuniones → riesgo de deficiencia de proteína
• Martes: 5 horas de sueño → aumento de hormona del apetito (grelina↑)
• Miércoles: trabajo tardío → impulso de comer fuera, picar
• Jueves: normal → buen día de ejercicio
• Viernes: cena de empresa → riesgo de alcohol, comer en exceso
• Sábado: alta actividad → margen calórico
• Domingo: estasis → recuperación dietética

Prescribir la misma dieta diariamente es la raíz del fracaso.

Hipótesis de HAVIT: La efectividad mejora cuando la prescripción se adapta en tiempo real dentro de un día — un diseño basado en evidencia académica.

2. Fundamentos Académicos — Modelo de Comportamiento de Fogg + Teoría de la Autodeterminación

El diseño del motor de coaching de HAVIT está construido sobre dos pilares de ciencia conductual:

2.1 Modelo de Comportamiento de Fogg (BJ Fogg 2009, Persuasive Technology Conference)

B = M × A × P — El comportamiento ocurre cuando Motivación, Habilidad y Prompt (término original: Trigger/Disparador) coexisten. La debilidad en cualquiera previene el comportamiento.

2.2 Teoría de la Autodeterminación (Deci & Ryan 2000, Psychological Inquiry)

La motivación intrínseca se sostiene cuando se satisfacen tres necesidades psicológicas: autonomía, competencia, relación. La motivación extrínseca (recompensa, presión) produce solo efectos a corto plazo y falla en el mantenimiento a largo plazo (Teixeira et al. 2012, Int J Behav Nutr Phys Act).

Implementar estos en un sistema de coaching digital significa que motivación · habilidad · disparador deben operar simultáneamente, mientras la entrega del mensaje preserva autonomía · competencia · relación.

El motor de 8 pasos de HAVIT descompone este requisito paso a paso.

3. El Motor de 8 Pasos — Resumen de Una Línea

1. Clasificación de Intención        (clasificar intención del usuario en 8 categorías)
2. Recomendación de Vector DB        (emparejar contra biblioteca de más de 2,000 comportamientos)
3. Generación de Coaching CARE       (Compasión → Reconocer → Recomendar → Educar)
4. Puerta de Seguridad               (escalamiento de 3 niveles, detección automática de riesgo)
5. Personalización de 5 Niveles      (Estado → Tipo → Comportamiento → Persona → Día)
6. POR QUÉ Científico de 3 Capas     (Mecanismo → Efecto → Personalización)
7. Integración de Medicación GLP-1   (etapas de tratamiento M0/M1/M2)
8. Localización                      (33 idiomas × más de 40 puntos de entrada)

4. Paso 1 — Clasificación de Intención

Un usuario envía un mensaje: "Comí comida chatarra anoche, ¿qué debo hacer hoy?"

Un chatbot genérico hace coincidencia de palabras clave "noche tardía, comer en exceso, arrepentimiento" y da respuestas genéricas. HAVIT clasifica entre 8 intenciones de usuario:

Las clasificaciones de baja confianza activan preguntas de seguimiento. La clasificación de intención es la base de la calidad del coaching — directamente vinculada al requisito de "autonomía" de la Teoría de la Autodeterminación (el sistema identifica con precisión lo que el usuario quiere).

5. Paso 2 — Recomendación de Vector DB

Una vez clasificada la intención, el emparejamiento se extrae de la biblioteca de más de 2,000 comportamientos.

Ejemplo de entrada de biblioteca:

action_id: A_0247
type: acción dietética inmediata
trigger: intención #3 (guía de acción inmediata) + señal de comer en exceso ayer
title: "+20g proteína, -100kcal carbohidratos en el almuerzo hoy"
why_mechanism: la proteína aumenta hormonas de saciedad (GLP-1, PYY)
why_effect: calorías de siguiente comida naturalmente reducidas (Westerterp-Plantenga 2009)
why_personalization: coincidencia con arquetipo de usuario #47 (tipo deficiente en proteína)
delivery: notificación 30 min antes del almuerzo
fatigue_score: 0.3 (acción similar 0 veces en últimos 7 días → fresco↑)

Técnica central — Rotación consciente de fatiga: Repetir la misma recomendación causa que los usuarios ignoren → la efectividad de la acción cae a 0 ("fatiga de prompt" del BM de Fogg). El Vector DB rastrea el historial reciente de recomendaciones y prioriza acciones con puntajes bajos de fatiga (menos repetidas). Existen 5–10 acciones de efecto similar en el pool para mantener diversidad.

→ Se alinea con el requisito de "competencia" de la Teoría de la Autodeterminación: los usuarios encuentran nuevos desafíos y opciones cada vez.

6. Paso 3 — Generación de Coaching CARE

Cómo se entrega la acción emparejada determina el efecto. HAVIT sigue el marco CARE:

C — Compasión (Compassion)
    "Comida nocturna, completamente comprensible. Difícil no dejarse llevar después de 5 horas de sueño."

A — Reconocer (Acknowledge)
    "Ya sucedió, y te quedan dos comidas hoy."

R — Recomendar (Recommend)
    "Agrega +20g proteína en el almuerzo → el apetito vespertino se reduce naturalmente. Opciones: pechuga de pollo 100g o tofu 200g."

E — Educar (Educate)
    "La proteína regula naturalmente las hormonas de saciedad. No es consejo genérico — basado en tus datos de promedio de proteína de 7 días."

El marco CARE está diseñado para llenar cada elemento de B = M × A × P del BM de Fogg:

• C + A → Motivación (necesidades de autonomía y relación de SDT satisfechas)
• R → Habilidad (opciones concretas → costo de comportamiento reducido)
• E → Prompt (por qué importa ahora)

Sin CARE, un mensaje de "solo come más proteína" — deja a los usuarios atrapados en culpa y generalidad (límites de motivación extrínseca de SDT).

7. Paso 4 — Puerta de Seguridad

Las prescripciones de cambio de comportamiento pueden empeorar el riesgo si son equivocadas. HAVIT auto-detecta señales de riesgo a través de un sistema de seguridad de escalamiento de 3 niveles:

Nivel 1 — Advertencia automática
  Disparador: 24h cero comidas / calorías diarias extremadamente bajas / cambios rápidos de peso, etc.
  Acción: "Tus calorías han estado bajas recientemente. ¿Estás comiendo suficiente?"

Nivel 2 — Restricción conductual
  Disparador: señal de Nivel 1 por 3 días consecutivos / mareo auto-reportado, dolor de cabeza
  Acción: Prescripción auto-conservadora + referencia a consulta con profesional de salud

Nivel 3 — Referencia médica
  Disparador: señal de riesgo de trastorno alimentario (auto-reportado o patrón) / referencia a autolesión
  Acción: Coaching general pausado + línea de emergencia · referencia a especialista

→ HAVIT es una herramienta no clínica pero clínicamente consciente en diseño. Bloquea la posibilidad de que prescripciones incorrectas pongan en peligro a los usuarios.

8. Paso 5 — Personalización de 5 Niveles

Capa de "hiper-personalización" de HAVIT. Emparejamiento de 5 capas:

Capa 1 — Estado (estado actual)
  Señales en tiempo real: peso, composición corporal, sueño, estado de ánimo

Capa 2 — Tipo (tipo corporal·metabólico)
  126 arquetipos (ej., mujer de 30s · bajo músculo · noche tardía · privada de sueño)

Capa 3 — Comportamiento (patrón de comportamiento)
  Últimos 7~30 días: dieta, ejercicio, frecuencia de registro, actividad diaria

Capa 4 — Persona (tipo de personalidad·motivación)
  Desafiante / Impulsado por recompensa / Social / Analítico (personas de BJ Fogg)

Capa 5 — Día (condición de hoy)
  Día de la semana, horario, ciclo menstrual (mujeres), etc.

Una prescripción que coincide con las 5 capas alcanza al usuario en cada momento. Mismo tiempo, mismo arquetipo — pero diferente persona/día → diferente prescripción.

Esta es la sustancia de N-de-1. La implementación de "prescripción ajustada a un individuo en lugar de un promedio" que Zeevi 2015 / Berry 2020 sugirieron.

9. Paso 6 — POR QUÉ Científico de 3 Capas

Fortalece el paso E (Educar) de CARE. Cada prescripción lleva una justificación de 3 capas:

Capa 1 — Mecanismo (fisiológico)
  "Proteína → liberación de CCK, GLP-1, PYY → saciedad"

Capa 2 — Efecto (empírico)
  "+20g proteína → disminución promedio de calorías en siguiente comida (Westerterp-Plantenga 2009)"

Capa 3 — Personalización (tu caso)
  "Tu arquetipo #47, patrón deficiente en proteína, promedio de semana pasada 88g — recomendado 112g, -24g corto"

→ En lugar de genérico "por qué la proteína es buena para la dieta," evidencia ajustada a tus datos.

Los usuarios ven inmediatamente por qué "la IA les dijo esto". Cumple el requisito de "competencia" de SDT — los usuarios entienden la base de sus decisiones.

10. Paso 7 — Integración de Medicación GLP-1

Los usuarios de medicamentos GLP-1 (Wegovy, Mounjaro, Zepbound) necesitan prescripciones diferentes. HAVIT separa por etapas de tratamiento M0/M1/M2:

• M0 (pre-medicación): medición de línea base + dieta de preparación para efectos secundarios GI
• M1 (adaptación): preservación muscular + preparación para estancamiento
• M2 (mantenimiento/discontinuación): habituación de comportamiento + prevención de recuperación (respuesta STEP 4)

Esta integración implementa el modelo "medicamento + terapia conductual" recomendado por las Guías de Manejo Clínico de Obesidad de la OMS (2022) y los Estándares de Atención de la ADA (2024) — el mismo modelo donde STEP 3 (Wadden et al. 2021, JAMA) mostró que IBT en combinación produce casi 3× la pérdida de peso de la atención estándar (-16% vs -5.7%).

La salida del motor de 8 pasos se auto-ajusta a la etapa M del usuario:

• Usuario M1 preguntando "¿cómo está hoy?" → proteína y fuerza priorizadas
• Usuario M2 → retorno de ruido alimentario y refuerzo de señal de comportamiento

11. Paso 8 — Localización (33 Idiomas × Más de 40 Puntos de Entrada)

La mayoría de las apps globales alcanzan el nivel de "traducir inglés a otros idiomas". HAVIT:

Localización completa de 33 idiomas
  - Coreano, inglés, japonés, chino (simplificado/tradicional),
    español, portugués (BR), indonesio, alemán, francés, etc. — 33
  - No mera traducción. Arquetipo, dieta y señales culturales todas localizadas

Más de 40 puntos de entrada
  - Más de 40 puntos en los que los usuarios entran al coaching
  - Registro post-comida, medición post-peso, alarmas, detección de estancamiento, señales de riesgo
  - Cada punto de entrada con tono, longitud y tiempo apropiados

La "recuperación nocturna" de un usuario de EE.UU. y la de otra región difieren. Alimentos, tiempos, culturas y modismos difieren. EE.UU. es uno de los mercados objetivo centrales de HAVIT, y las expresiones en inglés/culturales son prioridad de primera clase.

12. Escenario del Mundo Real (Ilustrativo)

Escenario: Mujer de 35 años, mañana después de comida nocturna

[Evento] Usuario: "Comí ramen a las 12 anoche. ¿Qué ahora?"

[Paso 1] Intención: #3 (guía de acción inmediata) + secundaria #1 (culpa)
         Confianza 0.89 → clasificación confirmada

[Paso 2] Emparejamiento Vector DB:
         12 candidatos → puntaje de fatiga aplicado
         Selección: A_0418 (dieta de recuperación proteína-primero)
         Últimos 7 días similar 0 veces → fresco

[Paso 3] Generación CARE:
         C: "Ramen + noche tardía, después de horas extras entre semana — completamente comprensible."
         A: "Ayer es pasado, quedan tres comidas hoy."
         R: "Desayuno proteína 30g + almuerzo +50g vegetales. Mostrando opciones."
         E: "La proteína regula naturalmente las hormonas del apetito. Auto-restricción en siguiente comida."

[Paso 4] Puerta de Seguridad: pasa (sin señal de riesgo)

[Paso 5] 5 Capas:
         Estado: calorías de ayer +600 sobre
         Tipo: arquetipo #47 (mujer de 30s · noche tardía · privada de sueño)
         Comportamiento: promedio de proteína de últimos 7 días 78g (-34g corto)
         Persona: analítica (actúa cuando se muestran datos)
         Día: martes, muchas reuniones → opciones de almuerzo preparadas con anticipación

[Paso 6] POR QUÉ de 3 Capas:
         Mecanismo: proteína → liberación natural de GLP-1/PYY
         Efecto: +20g → -150 kcal promedio en siguiente comida (Westerterp-Plantenga 2009)
         Personalización: tu promedio de 7 días 78g, recomendado 112g, -34g corto

[Paso 7] GLP-1: sin medicación → prescripción estándar

[Paso 8] Localización:
         Idioma: Español (opciones de alimentos amigables para LatAm/EE.UU. + mapeo cultural)
         Opciones de dieta: Yogur griego + nueces / bowl de tofu / batido de proteína de soya
         Expresión de tiempo: mañana (analítica → especifica tiempo)
         Tono: analítico, concreto, corto

(※ Escenario ilustrativo. Los resultados reales del usuario varían.)

13. Qué lo Distingue

Patrón de app común:

• Objetivos calóricos estáticos (misma prescripción diaria)
• Arquetipo único (todos los usuarios obtienen la misma guía de dieta)
• Sin rotación de fatiga (misma recomendación repetida)
• Sin Puerta de Seguridad (sin detección automática de señal de riesgo)

Diferencia de HAVIT:

• 126 arquetipos × más de 2,000 acciones × 5 Capas × CARE × Puerta de Seguridad × M0/M1/M2 × 33 idiomas
• Nueva prescripción por mensaje (no estática)
• Rotación de fatiga (auto-evitación de fatiga de prompt del BM de Fogg)
• Puerta de Seguridad (bloqueo automático de riesgo)
• Base académica adjunta (BM de Fogg, SDT, Zeevi/Berry, OMS/ADA)

Esta es la diferencia entre un chatbot genérico y un sistema de coaching basado en ciencia conductual.

14. Limitaciones y Mejoras Futuras

Límites actuales:

1. Los 126 clusters de arquetipos son un punto de partida. Se necesita refinamiento de arquetipos a medida que crece la diversidad de usuarios.
2. No es una herramienta de diagnóstico médico. La puerta de seguridad no reemplaza la atención médica.
3. La biblioteca de comportamientos está anclada al dominio. Entrenamiento continuo para agregar dietas y ejercicios culturalmente diversos.
4. Validación de efectividad en progreso. Estimación de composición corporal por IA: n=70 interno completo, n=150 externo en progreso. RCT de efectividad de prescripción conductual en etapa de diseño separada.

Hoja de ruta (ejemplos):

• Refinamiento de arquetipos (expansión de diversidad regional, étnica, fisiológica)
• Expansión de biblioteca de acciones
• Expansión de puntos de entrada (integración de calendario, clima, ciclo menstrual)
• Auto-aprendizaje multilingüe de arquetipos

15. Conclusión

La efectividad de las apps digitales de salud es proporcional a la integración de personalización × inmediatez de retroalimentación × disparadores de comportamiento (Patel 2015). El motor de 8 pasos de HAVIT integra estas tres variables sobre los fundamentos del Modelo de Comportamiento de Fogg (B = M × A × P) y la Teoría de la Autodeterminación.

El propósito del motor de 8 pasos es traducir la dirección que la literatura recomienda — evaluación de composición corporal + integración de estilo de vida + prescripción conductual personalizada — en experiencia real del usuario. EE.UU. es uno de los mercados objetivo centrales de HAVIT, donde el inglés y las expresiones culturales son prioridad de primera clase. (HAVIT no es una herramienta de diagnóstico médico; el diagnóstico clínico y las decisiones de tratamiento son dominio del médico.)