El software que SDEN ha diseñado, construido y
opera en producción.

Las agencias inmobiliarias hacen malabarismos históricamente con cuatro a seis herramientas (un CRM, una hoja de cálculo de fichas, un servicio de firma electrónica, un repositorio de documentos separado, a veces una herramienta de valoración, a veces un calendario de reserva de visitas) y el trabajo de conciliación vive en la cabeza del agente. Real Estate unifica esas herramientas en un solo producto donde fichas, propiedades, contactos y transacciones comparten un mismo modelo de datos. El agente deja de reintroducir la misma información de un sistema a otro; la agencia deja de perder transacciones por las fricciones administrativas.

La arquitectura es una aplicación Next.js respaldada por una API NestJS tipada y PostgreSQL con aislamiento por inquilino. La valoración asistida por IA es un pipeline de Python entrenado sobre las características de las propiedades y el historial de mercado; produce una horquilla explicable en lugar de una única estimación puntual, y el ajuste del agente se registra para que el modelo mejore con el tiempo. El home staging por IA funciona como un pipeline de imágenes generativas (amueblar, vaciar o desordenar menos una habitación a partir de una sola foto) puesto en cola y renderizado de forma asíncrona, con un comparador antes/después en la ficha. El portal de cliente es una superficie alojada por separado, sin acceso a los datos de ninguna otra ficha: el aislamiento multiinquilino se aplica a nivel de tipo, y no solo a nivel de consulta.

El resultado es que una agencia que adopta Real Estate reemplaza un stack de herramientas desconectadas por un solo producto, y el trabajo de conciliación desaparece. Las cifras exactas de abajo son ilustrativas hasta que publiquemos resultados de cliente auditados.

Los equipos de venta pasan más tiempo clasificando leads que vendiéndoles. Lead Manager invierte ese ratio. Los leads llegan de formularios, API y webhooks a un repositorio único deduplicado, se enriquecen y puntúan automáticamente respecto al perfil de cliente ideal del equipo, y aparecen en una cola clasificada que el comercial trata por orden de prioridad. El seguimiento se dispara por el comportamiento (un lead abrió un correo, visitó una página de precios, respondió en LinkedIn) en lugar de por una cadencia fija, y cada secuencia se detiene en cuanto el lead responde, de modo que los comerciales nunca contactan en exceso a un lead caliente ni de menos a uno tibio.

El reto de ingeniería es la orquestación. Las secuencias multicanal (correo, LinkedIn, SMS, WhatsApp) deben componerse sin pisarse, el modelo de puntuación debe evaluarse de forma continua respecto a los resultados de conversión reales, y el sistema debe gestionar las realidades operativas de la integración con el CRM (leads duplicados, campos discordantes, datos parciales) sin perder leads por el camino. El stack combina una capa de orquestación Node.js con un motor de flujo de trabajo tipo n8n, una clasificación de calibre OpenAI y un repositorio PostgreSQL con aislamiento estricto de inquilinos.

El resultado que reportan los equipos: menos seguimientos, mayores tasas de respuesta, y paneles que por fin vinculan la conversión con la fuente. Las cifras son ilustrativas hasta que publiquemos resultados de cliente auditados.

Los salones y estudios de bienestar viven y mueren al ritmo del calendario. Beauty trata el calendario como la fuente de verdad: profesionales, servicios, recursos y huecos se modelan juntos, la doble reserva es estructuralmente imposible, y la reserva en línea muestra la disponibilidad real en tiempo real en lugar de una instantánea caducada que hay que conciliar por teléfono. Los clientes reservan en cuanto se les ocurre la idea (fuera del horario de apertura, en un teléfono, en veinte segundos) y el equipo reserva el teléfono para los tratamientos en lugar de para la gestión de las reservas.

La ganancia operativa está en el motor de recordatorios. Los recordatorios multicanal (WhatsApp, SMS, correo) salen por el canal que cada cliente lee de verdad; la confirmación con un toque gestiona la respuesta; una lista de espera automática reoferta un hueco liberado en cuanto ocurre una cancelación. La fidelidad está integrada en la ficha de cliente, y no es una tarjeta de papel separada que acaba perdiéndose. Los pagos pasan por Stripe, con depósitos, historial de servicios y conciliación vinculados al cliente.

El resultado: menos citas perdidas, más reservas fuera del horario de apertura, y un salón que pilota la tecnología en lugar de al revés. Las cifras son ilustrativas hasta que publiquemos resultados de cliente auditados.

Las instituciones de educación superior aún gestionan lo académico en papel y en hojas de cálculo desconectadas: la matrícula en un sitio, las notas en otro, los horarios en un tercero, y ningún canal compartido entre la administración, el profesorado y los estudiantes. University Portal reemplaza eso por una plataforma única donde cursos, exámenes, trabajos de fin de grado, prácticas y eventos comparten un mismo modelo de datos, y donde cada uno de los cinco roles (administrador, dirección, profesor, estudiante, personal) obtiene una interfaz acotada a exactamente lo que puede ver y hacer.

La arquitectura es una aplicación Next.js respaldada por una API NestJS tipada y PostgreSQL con Prisma. El acceso basado en roles se aplica a nivel de tipo en lugar de esconderse en la interfaz, los registros de auditoría y la autenticación de dos factores están cableados, y una capa en tiempo real (notificaciones empujadas por el servidor, web push, mensajería instantánea) mantiene a todo el mundo en un mismo canal. La capa de IA es un asistente acotado a los roles, construido sobre un LLM alojado con un conjunto de herramientas elegido (búsqueda en lenguaje natural, resúmenes de documentos, planes de repaso, alertas proactivas), cada herramienta restringida a los datos que el rol que la llama tiene derecho a tocar.

El resultado es que una institución que adopta University Portal funde horas de administración repetitiva, hace trazable en tiempo real el recorrido de un estudiante, y da a cada rol un asistente anclado en datos reales en lugar de un chatbot genérico. Las cifras son ilustrativas hasta que publiquemos resultados de cliente auditados.