Moodinary | Blog

Los modelos Nubi preview

Fri, 02 Oct 2026 23:30:00 GMT

Nubi es el nombre que usamos para los modelos internos que leen los comentarios de los pulsos. Hoy hay dos en preview: nubi-moderation-preview, que clasifica comentarios, y nubi-entity-preview, que busca datos personales para taparlos.

nubi-moderation-preview

Qué detecta

Cuatro cosas en cada comentario:

Moderación: comentarios que no deberían mostrarse tal cual.
Sarcasmo.
Riesgo: señales que tiene que mirar una persona.
Falso o spam: pruebas, trolleo, texto copiado o tecleo al azar. No es un detector de mentiras.

Cómo está armado

No es un solo modelo. Combina tres piezas: una búsqueda de ejemplos parecidos ya etiquetados, un modelo que ordena esos ejemplos por relevancia, y un modelo de lenguaje que lee el comentario y responde preguntas concretas sobre cada tarea. Las tres opiniones se juntan en un puntaje por tarea, y los umbrales se eligieron solo con los casos de desarrollo, antes de mirar la prueba final.

Qué tan bien funciona, con sus límites

Lo corrimos una vez con los modelos reales sobre 424 comentarios sintéticos en español rioplatense: 212 para ajustar y 212 guardados aparte como prueba final, que no se tocaron hasta el final. Los comentarios y sus etiquetas los escribió un asistente de IA, sin revisión humana independiente.

Tarea	F1 en los 212 de prueba
Moderación	0,905
Sarcasmo	0,715
Riesgo	0,964
Falso o spam	0,958

Para entender si combinar piezas sirve, comparamos contra cada pieza usada sola, sobre el mismo set. Son comparaciones internas, no contra otros sistemas del mercado. La combinación no gana en todo: la búsqueda de ejemplos parecidos sola saca mejor sarcasmo (0,797 contra 0,715) y queda casi igual en moderación (0,896 contra 0,905).

Con estos datos no podemos decir que sea mejor que otras herramientas ni cómo rinde con comentarios reales. El detalle completo, con los casos de riesgo que se le escaparon, está en Cómo medimos nubi-moderation-preview.

nubi-entity-preview

Qué hace

Busca datos que identifican a alguien dentro de un comentario: nombres de personas, mails, teléfonos, direcciones, usuarios de redes y números de documento o legajo. Marca cada uno con su posición y su tipo para poder taparlo sin tocar el resto. “La profe Laura nos grita” pasaría a mostrarse con el nombre tapado.

Cómo está armado

Está construido sobre LACE, nuestra arquitectura para que varios modelos se revisen entre sí. Dos modelos marcan los datos por separado. Si coinciden, se acepta. Si no, cada uno revisa las dos listas a ciegas y hay una sola ronda para reconciliar. Ante la duda se oculta, y todo lo que cualquiera de los dos marcó queda tapado.

Eso quiere decir que a veces va a tapar palabras que no hacía falta. Y si ninguno de los dos marca un dato, la revisión no lo va a encontrar.

En qué estado está

Solo corrió en pruebas locales con modelos simulados y casos armados a mano, que verifican que la lógica haga lo que tiene que hacer. Todavía no lo corrimos con modelos reales, así que no hay números de precisión. Cuando los tengamos, los publicamos acá.

Lo que ninguno de los dos hace

No reemplazan el filtro actual. Hoy los comentarios pasan por un filtro automático con tres niveles que elige cada organización (Permisivo, Cauteloso o Estricto). No hay personas leyendo comentarios para moderarlos.
No deciden solos sobre riesgo. Si algún día se usan, una señal de riesgo siempre va a una persona, y marcar algo como spam nunca puede tapar una posible crisis.

LACE: una arquitectura para que varios modelos se revisen entre sí

Fri, 02 Oct 2026 23:00:00 GMT

Cuando un solo modelo resuelve una tarea delicada, sus errores pasan sin que nadie los vea. LACE es la arquitectura que estamos armando para que eso no pase: en lugar de confiar en un modelo, encadena varios y los hace revisarse entre sí.

LACE no es un modelo. Es una forma de organizar varios modelos que sirve para distintas tareas de lenguaje. El nombre viene de Layered Aggregation with Cross-model Evaluation.

Las cuatro etapas

1. Extraer, por separado. Dos modelos distintos hacen la misma tarea sobre el mismo texto, cada uno por su cuenta y sin ver lo que hizo el otro. Cada uno puede combinar varias capas propias; lo que importa es que lleguen a una respuesta independiente.

2. Si coinciden, aceptar. Si las dos respuestas son exactamente iguales, se aceptan y el proceso termina ahí, sin llamadas extra.

3. Si difieren, revisión cruzada a ciegas. Cada modelo recibe las dos respuestas, llamadas solo “A” y “B” en un orden mezclado, y opina sobre cada punto: mantenerlo, descartarlo o corregirlo dentro de opciones acotadas. Junto con la opinión elige una razón de una lista cerrada. Ningún modelo sabe cuál respuesta es la suya.

4. Reconciliar una vez y caer en lo seguro. Lo que sigue en discusión vuelve a los dos modelos con la opinión y la razón del otro. Hay una sola ronda de este tipo, sin vueltas infinitas. Si no se ponen de acuerdo, gana la opción segura que se definió de antemano para esa tarea.

Además hay un piso: todo lo que cualquiera de los dos encontró en la primera etapa se respeta en el resultado final, aunque después la revisión lo descarte. Las opiniones de la revisión quedan registradas para estudiarlas, pero no pueden bajar de ese piso.

Por qué así

Un modelo solo se equivoca de formas que no puede ver. Dos modelos distintos tienden a equivocarse en lugares distintos, así que cada uno puede encontrar lo que al otro se le pasó.

La revisión es a ciegas para que ninguno defienda su respuesta por ser suya. Mezclar el orden no garantiza que un modelo nunca reconozca su propio estilo, pero saca la ventaja más obvia.

El piso existe porque dos modelos también pueden ponerse de acuerdo en algo incorrecto. En tareas donde un error es caro, preferimos equivocarnos hacia el lado seguro y pagarlo con algo de precisión.

Primera aplicación: tapar datos personales

La primera tarea donde estamos probando LACE es encontrar y tapar nombres y otros datos personales en los comentarios, con nubi-entity-preview. Ahí la opción segura es ocultar: si los modelos no se ponen de acuerdo, el dato se tapa, y todo lo que marcó cualquiera de los dos queda tapado. Lo que ninguno marca, la revisión no lo puede encontrar.

Lo que no es

No es la moderación. El filtro que hoy decide si un comentario se muestra es otra cosa: automático, con tres niveles que elige cada organización (Permisivo, Cauteloso o Estricto). No hay personas leyendo comentarios para moderarlos. Tapar datos personales con LACE, si se activa, va a ser un paso aparte.
No reemplaza la niebla. Con menos de 8 pulsos en una semana, el promedio sigue mostrándose como provisorio y sin tendencia.

En qué estado está

Probamos la lógica con modelos simulados y casos armados a mano: que las respuestas iguales salteen la revisión, que los desacuerdos lleguen a la segunda ronda, que no haya más de una, y que el piso se respete aunque la revisión diga lo contrario. Todo eso pasa.

Lo que falta es lo importante: correrlo con modelos reales sobre nuestro set de comentarios de prueba, que también es sintético, y medir qué encuentra, cuánto tapa de más y cuánto cuesta. Cuando lo hagamos, publicamos los números acá, buenos o malos.

Datasets sintéticos de equipos: ahora con organizaciones

Fri, 02 Oct 2026 22:30:00 GMT

Para probar alertas tempranas necesitamos historias largas de muchos equipos: semanas de pulsos, bajones, vacaciones, cambios de docente. No las tenemos, y aunque las tuviéramos no usaríamos datos reales de alumnos o empleados para esto. Así que las simulamos.

Este post cuenta la segunda versión de esos datos. La novedad principal es que los equipos ya no viven solos: pertenecen a organizaciones que comparten calendario y problemas.

Qué cambió

La primera versión tenía 2.400 equipos, 62.055 semanas y 2.594.379 pulsos. Cada equipo era independiente de los demás.

En una escuela o una empresa eso no pasa. Si se va un docente o hay una reestructuración, varios cursos o áreas bajan a la vez. Y si al separar los datos para la prueba final un curso queda en entrenamiento y su curso hermano en prueba, el modelo “ya vio” el problema compartido y el resultado sale mejor de lo que es.

La versión 2 cambia dos cosas:

Organizaciones. Cada equipo pertenece a una escuela o a una empresa simulada, de 1 a 48 equipos. Cada organización tiene su propio ruido semanal y puede tener eventos que la afectan entera: semana de exámenes, un docente que se va o desgaste acumulado en escuelas; despidos o reorganización y desgaste en empresas. Alrededor del 28% de las organizaciones no tiene ninguno. No todos los equipos sienten el golpe igual: la exposición de cada uno va de 0,35 a 1,45 veces la intensidad del evento.
Separación por organización. Entrenamiento, ajuste y prueba se dividen por organización completa, nunca por equipo ni por semana.

Tres tamaños

	Organizaciones	Equipos	Semanas	Pulsos
Chico	44	500	12.210	559.736
Mediano	184	2.400	61.946	2.638.210
Grande	1.284	20.000	528.356	21.860.803

Los equipos se reparten así entre entrenamiento, ajuste y prueba: 350 / 50 / 100 en el chico, 1.650 / 250 / 500 en el mediano y 17.050 / 2.450 / 500 en el grande.

Los tamaños están anidados: el chico es el comienzo exacto del mediano, y el mediano del grande. El mediano y el grande usan exactamente los mismos 500 equipos de prueba; el chico usa 100 de ellos, de 8 organizaciones que cubren todos los rangos de tamaño en escuela y en empresa. Así, si un modelo mejora del mediano al grande, es por tener más datos para entrenar y no porque cambió el examen.

Una escuela simulada

Seis cursos de la misma escuela, 39 semanas. Cada cuadrado es el promedio de una semana. En las semanas 23 a 25 la escuela tiene un evento de “docente que se va”: los seis cursos bajan a la vez, unos más que otros.

En v1 cada uno de esos bajones habría sido un caso aislado.

Qué hay adentro

Hay dos colecciones. La primera tiene los datos “crudos” en cuatro tablas, todas con org_id y org_size:

teams: un registro por equipo (tamaño, fecha de inicio, si es escuela o empresa).
pulses: un registro por respuesta (nivel del 1 al 5, motivo y comentario opcional).
events: los eventos del equipo o de la organización, con inicio, fin e intensidad.
truth: el clima “real” escondido de cada semana y las etiquetas a predecir.

La segunda colección resume todo por equipo y semana: cantidad de respuestas, promedio, desvío, participación, si la semana quedó en niebla, distribución de niveles y motivos, promedios móviles y tendencia. Es lo que vería un panel.

Algunas columnas existen solo para evaluar y no deben usarse como entrada de un modelo: el clima escondido, los efectos asignados, la exposición a los eventos de la organización y si el equipo es “nulo” (sin cambios reales, solo ruido). Por eso los resúmenes semanales no incluyen ninguna señal de los eventos de la organización: un modelo tiene que darse cuenta solo, como pasaría en la práctica.

Las etiquetas son downturn_next_2w y downturn_next_4w: si el clima escondido va a caer en las próximas 2 o 4 semanas respecto del promedio de las cuatro anteriores.

Filas de ejemplo

Dos pulsos, tal cual están en el archivo:

{
  "team_id": "org-v2-small-train-school-0000-t000",
  "org_id": "org-v2-small-train-school-0000",
  "org_size": 1,
  "week_index": 0,
  "created_at": "2026-05-18T17:22:04-03:00",
  "level": 4,
  "reason": "COMUNIDAD",
  "comment": "En el optativo de programación hice que el botón cambie de color, estoy re orgulloso."
}
{
  "team_id": "org-v2-small-train-school-0000-t000",
  "week_index": 0,
  "created_at": "2026-05-18T10:35:20-03:00",
  "level": 4,
  "reason": "FAMILIA",
  "comment": "En fotografía salimos a buscar reflejos y me divertí un montón."
}

Un evento de organización. La misma escuela tiene semana de exámenes entre las semanas 12 y 20, y cada curso recibe una copia ajustada a su exposición:

{
  "team_id": "org-v2-small-train-school-0001-t000",
  "event_scope": "organization",
  "org_shock_id": "org-v2-small-train-school-0001-s00",
  "event_type": "exam_stress",
  "onset_week": 12,
  "end_week": 20,
  "severity": 0.741,
  "onset_date": "2026-06-08",
  "end_date": "2026-08-09"
}

Y una semana resumida de un curso de 45 alumnos (recortada, la fila completa tiene más columnas):

Columna	Valor
`week_start`	2026-06-22
`calendar_exam`	true
`count`	60 respuestas
`participation`	0,27
`avg`	4,17
`avg4`	4,18
`niebla`	false
niveles 1 / 2 / 3 / 4 / 5	0 / 0 / 6 / 38 / 16
`comment_count`	7

Los comentarios salen de un banco fijo de 560 comentarios, también sintéticos, escritos en español rioplatense. Se repiten entre equipos: sirven para probar el flujo, no como ejemplos de lenguaje independientes.

Primeros resultados

Comparamos varios métodos sobre los 500 equipos de prueba. Mostramos dos: un modelo de gradient boosting y una regla simple que avisa cuando el promedio de la semana queda medio punto o más por debajo del promedio de las últimas cuatro. Solo se evalúan semanas con al menos 8 respuestas. “Recall” es qué parte de las semanas que anteceden a un bajón se marcaron; “falsas alarmas” se cuenta por equipo y por mes.

Tamaño grande:

Horizonte	Método	Precisión	Recall	Falsas alarmas / equipo / mes
2 semanas	Gradient boosting	38,2%	52,8%	0,23
2 semanas	Regla simple	52,1%	37,5%	0,09
4 semanas	Gradient boosting	32,3%	50,3%	0,60
4 semanas	Regla simple	57,9%	20,2%	0,08

Gradient boosting según el tamaño de entrenamiento (horizonte de 2 semanas):

Tamaño	Precisión	Recall	Falsas alarmas / equipo / mes
Chico	46,5%	39,1%	0,16
Mediano	42,8%	41,1%	0,15
Grande	38,2%	52,8%	0,23

Lo que sacamos de esto:

El modelo encuentra bastantes más bajones que la regla simple, pero a cambio de muchas más falsas alarmas. A 4 semanas, más de una falsa alarma cada dos meses por equipo es demasiado para un panel que alguien mira de verdad.
Más datos de entrenamiento suben el recall, no la precisión. Con 20.000 equipos el modelo se anima a avisar más, no a avisar mejor.
La regla simple sigue siendo una base difícil de ignorar. Cualquier alerta que pongamos en el producto tiene que ganarle con claridad, no solo en recall.

Ninguno de estos números dice qué pasaría con equipos reales. Dicen cuál método conviene probar primero cuando tengamos datos de pilotos.

Cómo está armado

El simulador usa una semilla fija y es determinista: con el mismo código y la misma semilla se obtienen exactamente los mismos archivos. Cada tamaño tiene su esquema, un manifiesto con el hash de cada archivo y un candado sobre el set de prueba, así nadie puede retocar la prueba sin que se note. Los archivos están en Parquet, partidos en piezas de menos de 10 MiB.

Por ahora el repositorio es interno, así que no hay enlace de descarga. Si investigás clima escolar o laboral y te sirve, escribinos a hola@moodinary.com.

Límites

Es un simulador. Los mecanismos (cómo cae el ánimo, quién responde, cuánto dura un bajón) los elegimos nosotros. Si están mal, un modelo que anda bien acá puede andar mal afuera.
Los tamaños de organización y la frecuencia de eventos son decisiones nuestras, no proporciones observadas en escuelas o empresas reales.
Los comentarios se repiten. Son 560 textos reutilizados; no sirven para entrenar modelos de lenguaje.
Los equipos “nulos” pueden tener bajones falsos, por cambios en quién responde. Está hecho a propósito, porque en la práctica también pasa.
Grande no es más real que chico. Solo tiene más organizaciones para entrenar; el examen es el mismo.

Cuando tengamos pilotos con permiso explícito, el plan es comparar contra esto y contar qué tan lejos estaba la simulación.

Hipótesis: un pulso corto avisa antes que una encuesta anual

Fri, 02 Oct 2026 21:00:00 GMT

Esto no es un resultado. Es algo que creemos y que todavía no probamos.

Lo que creemos

Que un pulso de diez segundos, respondido seguido, muestra un bajón en el clima de un grupo antes de que la escuela lo note por otros caminos. Una encuesta anual llega tarde por diseño: si algo se complica en mayo, recién aparece en noviembre.

Por qué lo creemos

Preguntar poco y seguido baja el costo de responder. Y cuando la respuesta es anónima, la gente tiende a contar cosas que en persona se guarda (lo explicamos en Por qué el anonimato cambia lo que la gente responde). Juntando las dos cosas, esperamos ver el cambio antes.

Cómo lo vamos a medir

Con escuelas que usen Moodinary y quieran participar:

Cuándo aparece en Inicio. Anotamos el día en que el promedio semanal de un equipo baja de forma sostenida, ya fuera de Niebla.
Cuándo lo notó la escuela. Le pedimos al equipo directivo que registre, sin mirar Moodinary, cuándo detectó el problema por su cuenta: una charla, un preceptor, una situación.
La diferencia. Comparamos las dos fechas. Si Moodinary llega antes de forma consistente, la hipótesis gana fuerza. Si llega igual o después, también lo vamos a contar.

Lo que no vamos a hacer

No vamos a mirar pulsos individuales ni intentar saber quién respondió qué. Trabajamos con datos agregados por equipo, como ya funciona la app.

Cuando tengamos datos, publicamos qué encontramos, salga como salga.

Cómo medimos nubi-moderation-preview (con datos sintéticos)

Fri, 02 Oct 2026 18:00:00 GMT

Estamos probando nubi-moderation-preview, un modelo interno que revisa comentarios de pulsos. Antes de usarlo en el producto, queríamos saber qué tan bien funciona y dónde falla. Estos son los primeros números.

Qué mide

Cuatro cosas:

Moderación: comentarios que no deberían mostrarse tal cual.
Sarcasmo.
Riesgo: señales que tiene que mirar una persona.
Falso o spam: pruebas, trolleo, texto copiado o tecleo al azar. No es un detector de mentiras.

Cómo lo medimos

Escribimos y etiquetamos 424 comentarios en español rioplatense, mezclando registro de colegio y de trabajo. Los dividimos en 212 para ajustar el modelo y 212 que guardamos aparte para la prueba final. Comentarios parecidos quedaron siempre del mismo lado, para que la prueba no sea con casos ya vistos.

Incluimos a propósito casos difíciles: respuestas cortas pero genuinas, quejas que se repiten, chistes comunes, y mensajes de angustia que usan palabras parecidas a un troll.

Resultados (212 casos de prueba)

Tarea	Precisión	Recall	F1
Moderación	0,956	0,860	0,905
Sarcasmo	0,628	0,831	0,715
Riesgo	1,000	0,931	0,964
Falso o spam	0,944	0,971	0,958

Cada comentario tardó en promedio (mediana) poco más de un segundo y costó alrededor de US$0,0002 según nuestras estimaciones.

El sarcasmo es lo más flojo: marcó como sarcásticos 29 comentarios que no lo eran.

Lo que no detectó

De 58 casos de riesgo, se le escaparon 4: una preocupación explícita por la seguridad, una amenaza inventada que el autor admitía, un caso de consumo con peligro físico, y un pedido de ayuda ambiguo. Que no haya marcado riesgo en ningún caso sano es un resultado de esta muestra, no una promesa.

Por eso, si algún día lo usamos, va a funcionar así:

Una señal de riesgo siempre va a una persona.
Marcar algo como spam nunca puede tapar una posible crisis.
Nada se borra ni se oculta automáticamente por lo que diga el modelo.

Límites

Los casos y las etiquetas los generó un asistente de IA, sin revisión humana independiente ni clínica.
El set tiene muchos más casos positivos que la vida real, así que no dice cuán seguido aparecen estas situaciones ni cómo rinde con comentarios reales.
Con pocos casos por tarea, hasta los números buenos tienen incertidumbre.
Antes de cualquier afirmación de seguridad haría falta una evaluación con datos reales y revisión independiente.

Vamos a publicar los próximos números cuando los tengamos, igual que estos.

Formulario nuevo: una pregunta por vez

Fri, 02 Oct 2026 15:00:00 GMT

Rediseñamos el formulario de pulso. Ahora muestra una pregunta por vez y avanza solo cuando elegís una opción. El encabezado con el logo de tu organización queda fijo arriba.

También cambiamos la tipografía a una que se lee mejor en pantallas chicas, y el formulario sigue cargando rápido aunque la señal sea mala.

Si lo personalizaste, se mantienen tu logo, tus colores y el estilo del selector. Más en Cómo se responde.

Nuevo centro de ayuda y documentación para desarrolladores

Fri, 02 Oct 2026 15:00:00 GMT

Hasta ahora, la documentación de Moodinary era un puñado de páginas sueltas. Si eras directivo y querías saber cómo leer el clima de tu escuela, o desarrollador y querías traer los pulsos a tu sistema, había que adivinar bastante. Eso cambia hoy.

Centro de ayuda

Guías en castellano, pensadas para directivos, preceptores y equipos de RR. HH.: cómo arrancar, cómo compartir el pulso por QR o afiche, qué ve quien responde, cómo leer el panel y las analíticas, y qué pasa con el anonimato. Las vamos a ir ampliando con lo que nos pregunten.

Desarrolladores

Una sección aparte con autenticación por API keys, webhooks firmados y la referencia de la API. La API pública ya está en línea en https://api.moodinary.com/v1, con su especificación OpenAPI. El SDK para TypeScript todavía no está publicado en npm; cuando salga lo anunciamos en este changelog.

Lo que sigue

Este sitio va a crecer: además de la documentación, vamos a usar este blog para contar novedades del producto. Si algo no está claro o te falta una guía, escribinos a hola@moodinary.com.

— Manuel

Cómo hacer una encuesta de clima laboral

Fri, 02 Oct 2026 13:00:00 GMT

Una encuesta de clima laboral sirve si cumple dos cosas: que la gente responda con sinceridad y que después pase algo con lo que dijo. Casi todo lo demás es detalle. Esta guía vale para cualquier herramienta, incluida una planilla.

1. Decidí qué querés saber

Antes de escribir preguntas, escribí una frase: “queremos saber ___ para poder ___”. Por ejemplo: “queremos saber cómo vienen los equipos de atención al público para ver si la carga nueva está pesando”.

Si no podés completar la segunda parte, la encuesta todavía no está lista. Preguntar sin plan de acción es la forma más rápida de que la próxima vez nadie conteste.

2. Elegí el formato: encuesta larga o pulso

Hay dos formatos y no compiten:

Encuesta anual de clima organizacional. Muchas preguntas sobre liderazgo, carga, reconocimiento, comunicación. Da una foto profunda, pero una vez por año.
Pulso (en inglés, pulse survey). Una o pocas preguntas, seguido: cada semana o cada quince días. Muestra la tendencia y avisa antes cuando algo cambia.

Muchas organizaciones combinan las dos. Si recién empiezan, un pulso corto es más fácil de sostener. Cuanto más larga la encuesta, menos gente la termina, y preguntar seguido tiene costo: lo contamos en fatiga de encuestas.

3. Preguntas de ejemplo

Para un pulso semanal alcanza con una pregunta principal:

¿Cómo estuvo tu semana de trabajo? (del 1 al 5)

Y, opcional, un motivo o un comentario:

¿Qué fue lo que más pesó? (carga de trabajo, equipo, liderazgo, herramientas, algo personal, otro)
¿Algo que quieras contarnos?

Para una encuesta más larga, algunas preguntas que suelen funcionar, con escala de acuerdo del 1 al 5:

Tengo claro qué se espera de mí en mi trabajo.
Puedo terminar mi trabajo en mi horario la mayoría de las semanas.
Me siento cómodo planteando un problema a mi líder.
En mi equipo nos ayudamos cuando alguien está desbordado.
Recibo reconocimiento cuando hago un buen trabajo.
Me veo trabajando acá dentro de un año.

Dos reglas: una idea por pregunta (nada de “¿tu líder es claro y justo?”) y nada que permita identificar a alguien por descarte, como antigüedad exacta más área más edad.

4. Cuidá el anonimato, y explicalo

Una encuesta anónima para empleados solo sirve si la gente cree que es anónima. Eso depende de cómo está armada y de cómo lo comunicás.

En el armado:

No pidas nombre, mail ni legajo. Si la herramienta obliga a iniciar sesión, dejá claro qué ve y qué no ve quien administra.
Leé con cuidado los resultados de grupos chicos. Con pocas respuestas, un promedio se mueve mucho por una sola persona, y no conviene sacar conclusiones ni señalar a nadie. En Moodinary esos casos se marcan con niebla: el promedio aparece como provisorio.
Revisá los comentarios abiertos: alguien puede escribir un nombre propio sin querer.

En la comunicación, contalo en una frase concreta, no en una promesa genérica. “Las respuestas no llevan nombre y nadie de RR.HH. ni de tu equipo puede ver quién respondió qué” es mejor que “tu privacidad es nuestra prioridad”. Escribimos más sobre por qué esto cambia lo que la gente dice en anonimato y respuestas honestas.

5. Elegí la frecuencia

Pulso: semanal o quincenal. Mejor el mismo día y por el mismo canal, así se vuelve costumbre.
Encuesta larga: una o dos veces por año.

Si ves que las respuestas caen semana a semana, preguntá menos o más corto antes de insistir.

6. Qué hacer cuando llegan los resultados

Acá se gana o se pierde la próxima encuesta.

Compartí un resumen con todos, en una o dos semanas. Lo bueno y lo que no.
Mirá por equipo, no solo el promedio general. Un promedio de 3,8 puede esconder un área en 2.
Elegí una o dos cosas para cambiar, no diez. Decí cuáles y cuándo.
Charlá con el equipo que bajó. El número dice dónde mirar, no qué pasó.
Volvé a medir y fijate si el cambio ayudó.

Si la gente ve que algo cambió después de responder, la siguiente vez responde más.

7. Con pocas respuestas, no saques conclusiones

Cinco respuestas no son un clima. Antes de reaccionar a una caída, mirá cuánta gente respondió. Es mejor decir “todavía es pronto” que actuar sobre ruido. En Moodinary eso se marca con la niebla.

Si querés probar el formato de pulso, Moodinary para empresas hace esto: un pulso anónimo de diez segundos por QR o link, sin cuenta, con un tablero por equipo. Y si te interesa el contexto general, el informe de Gallup que resumimos en ¿cómo estamos en el trabajo? es un buen punto de partida.

Leer la nube de temas sin engañarte

Fri, 02 Oct 2026 13:00:00 GMT

La nube de temas en Analíticas (Insight y Horizon) junta los temas que aparecen en los comentarios de las últimas ocho semanas. Más grande quiere decir más mencionado.

Tres cuidados:

Frecuencia no es gravedad. Que “recreo” aparezca mucho no dice si es bueno o malo. Tocá el tema y leé los pulsos.
Activá Solo repetidos si hay muchos temas sueltos: saca los que aparecieron una sola vez.
Mirá el tamaño del grupo. En un curso chico, un tema puede venir de una sola persona que escribió varias veces.

La nube es una puerta para entrar a los comentarios, no una conclusión.

Llevate tus pulsos a donde quieras

Fri, 02 Oct 2026 12:00:00 GMT

Tus datos son tuyos. Hay dos formas de sacarlos.

CSV, en todos los planes

Desde Pulsos, el botón Exportar CSV baja los pulsos de los últimos 30 días, incluso en Basic. Ojo: no aplica los filtros que tengas puestos en la lista. Sirve para una planilla, para un informe propio o para guardar una copia.

API de lectura (Horizon)

Si querés traer los pulsos a otro sistema, la API está en https://api.moodinary.com/v1. Creás una clave en Ajustes → API y la usás desde tu servidor, nunca desde el navegador.

Todo está en la guía para desarrolladores. El SDK para TypeScript todavía no está en npm.

Conocé a Nubi

Thu, 01 Oct 2026 22:00:00 GMT

Nubi es la nube que ves abajo a la derecha del panel. Le podés preguntar cosas como “¿cómo viene 2° B este mes?” o pedirle que te lleve a una sección.

En el seguimiento interno de un pulso, si escribís @Nubi, responde ahí mismo con lo que sabe de ese pulso.

Nubi solo ve lo que vos podés ver, y si propone un cambio te pide confirmación antes de hacerlo. Está en planes Insight y Horizon, y se apaga junto con el resto de las funciones de IA desde Ajustes → Configuración.

Sentirse parte de la escuela importa

Thu, 01 Oct 2026 15:00:00 GMT

Ian Shochet y su equipo siguieron durante un año a 2.022 estudiantes de 12 a 14 años en Australia. Midieron dos veces qué tan conectados se sentían con la escuela (aceptados, valorados, respetados, incluidos) y sus síntomas de depresión y ansiedad.

Lo interesante es la dirección: sentirse poco conectado predijo más síntomas un año después, incluso controlando los síntomas previos. Lo contrario no se cumplió: los síntomas previos no predijeron menos conexión más adelante (Shochet et al., 2006).

Es un estudio, en un país, con sus límites. Pero empuja hacia una idea que me parece clave: cómo se siente alguien en la escuela no es un tema secundario.

Por eso armamos Moodinary para educación: una forma simple de seguir el clima de cada curso, sin pedirle el nombre a nadie.

Qué hacer cuando Inicio dice Niebla

Thu, 01 Oct 2026 13:00:00 GMT

Si entrás a Inicio y ves “Todavía es pronto para leer el clima de esta semana”, estás en Niebla.

Pasa cuando en los últimos siete días hay menos de 8 pulsos. Con tan pocos, un par de días malos de dos personas mueve el promedio y parece una tendencia que no existe. Así que mostramos el promedio marcado como provisorio, cuántos pulsos hay y la participación, y escondemos la curva.

Para salir de la Niebla:

Poné el QR donde se vea (hay ideas en este post).
Definí una meta semanal de pulsos, así ves cuánto falta.
Esperá. Niebla no borra nada: cuando hay suficiente, la tendencia aparece sola.

Niebla no tiene que ver con el anonimato ni con ocultar datos; es solo cuánta señal hay.

Atajos: ⌘K, filtros que viajan y Mover a…

Thu, 01 Oct 2026 12:00:00 GMT

Un puñado de mejoras chicas:

⌘K / Ctrl+K abre un buscador para saltar a cualquier sección, ajuste u organización.
Todo linkea a Pulsos. Tocás un equipo en Inicio, un motivo en Analíticas o un tema en la nube, y vas directo a esos pulsos filtrados.
Volver desde el detalle de un pulso te deja donde estabas, con los mismos filtros.
Nube de temas con la opción Solo repetidos, para ignorar lo que se mencionó una sola vez.
En Equipos, el menú Mover a… como alternativa a arrastrar.

El Inicio deja de ser un tablero

Wed, 30 Sep 2026 23:00:00 GMT

Hasta ahora, Inicio era una pared de gráficos. Lo cambiamos por algo que se lee en diez segundos: cómo viene la semana, cuántos pulsos hay, cómo viene el clima en las últimas ocho semanas y, al costado, los equipos, las acciones abiertas, los próximos eventos y los últimos comentarios.

Si la semana todavía tiene pocos pulsos, Inicio lo dice en vez de inventar una tendencia. A eso le decimos Niebla.

Además, el panel entero ahora es una app nueva: carga más rápido, el formulario pesa menos y la navegación pasó a pestañas arriba, con los ajustes agrupados al costado.

Calendario: para entender el porqué

Wed, 30 Sep 2026 21:00:00 GMT

Si el clima baja la semana de exámenes, no es misterio. Pero hay que tenerlo a la vista.

El Calendario (Insight y Horizon) tiene vista Mes y Lista, botón Hoy y, al costado, los próximos eventos de los siguientes 60 días. Los administradores cargan y editan; el resto los ve.

Los próximos eventos también aparecen en Inicio, y el detalle de cada pulso muestra qué más pasaba ese día.

Analíticas con período y comparativa

Wed, 30 Sep 2026 15:00:00 GMT

Analíticas suma un selector de período y una pestaña de comparativa.

Período: elegís qué rango mirar, y debajo aparece la anatomía del período, una tabla por semana y una nota que explica la tendencia.
Clima por equipo pasó arriba de todo, con los equipos ordenados por cuánta atención necesitan.
Comparativa (Insight y Horizon): cómo viene tu organización frente a otras parecidas.

En Pulsos también hay filtros nuevos por período, equipo, motivo y tono.

59 arreglos en una semana

Wed, 30 Sep 2026 00:00:00 GMT

Hicimos dos pasadas de QA a fondo de la app, con 30 puntos en la primera y 29 en la segunda.

Algunas cosas eran cosméticas. Otras no: había lugares donde un número podía dar a entender algo que no era cierto, acciones que se hacían sin pedir confirmación y problemas de accesibilidad para quien navega con teclado o lector de pantalla.

Los arreglamos todos. Prefiero contarlo así antes que hacer de cuenta que no pasó: una herramienta que te dice cómo está tu gente tiene que ser, antes que nada, confiable.

El formulario, más protegido

Tue, 29 Sep 2026 15:00:00 GMT

Un formulario abierto, sin cuenta, tiene un riesgo obvio: que alguien lo llene cien veces.

Sumamos dos protecciones:

Límite de envíos por conexión y por organización, para frenar a alguien que intenta inundar el formulario.
Un pulso por día, si lo activás en Ajustes → Configuración: el navegador recuerda que ya respondiste hoy. No guardamos quién sos, solo que ese navegador ya mandó uno.

Ninguna de las dos le pide nada a quien responde.

Cómo usar Acciones sin que se vuelva otra lista de pendientes

Tue, 29 Sep 2026 13:00:00 GMT

Ver que un curso viene bajando sirve de poco si después no pasa nada. Para eso está Acciones (planes Insight y Horizon).

Lo que mejor funciona:

Chica y concreta. “Charla de 15 minutos con 3° B el martes” en vez de “mejorar la convivencia”.
Con una persona responsable, aunque sea uno mismo.
Mirá el clima después. Moodinary mide cómo venía el grupo antes y después de la acción, así sabés si sirvió.

Si una alerta te llevó a crear la acción, mejor: queda el registro de por qué la hiciste.