X5 Tech contó cómo desarrolló en 7 días un servicio de AI para la preparación de exámenes internacionales

El equipo de ExamLab Bot en la intensiva AI Talent Camp montó un servicio de IA funcional en una semana para profesores de exámenes internacionales. El sistema transforma programas de estudio y plazos en una trayectoria de aprendizaje personalizada y reduce el tiempo de preparación del plan de 3–4 horas a aproximadamente dos minutos.

Cuál Era el Problema

La idea surgió de un dolor muy específico de los profesores de IB y A-Level. Para aceptar a un nuevo estudiante, necesitan hacer más que simplemente leer el programa de estudio—necesitan transformarlo en un plan detallado que abarca 20–30 semanas, teniendo en cuenta la fecha del examen, el horario, los temas ya cubiertos y el nivel actual. Si una clase se pospone o un estudiante se atrasa, el plan tiene que ser recalculado desde cero.

Cerca de cuatro horas de trabajo administrativo rutinario se dedican a cada estudiante, y es este trabajo, no la enseñanza en sí, lo que limita el crecimiento. Como resultado, muchos profesores no crean trayectorias personalizadas completas: algunos enseñan por intuición, algunos usan un modelo único para todos, algunos simplemente rechazan nuevos estudiantes. Para un segmento donde las clases particulares con un experto de élite cuestan 30.

000–40.000 rublos al mes, esto representa una pérdida directa de ingresos.

El equipo de ExamLab Bot decidió automatizar precisamente la capa organizativa repetitiva: construcción de planes, gestión de restricciones, actualizaciones de progreso y seguimiento de objetivos.

Cómo Construyeron el MVP

Durante siete días, el equipo deliberadamente redujo el alcance a dos funciones clave: construir una trayectoria personalizada para el objetivo, plazo y nivel del estudiante, luego ajustarla conforme el estudiante progresa y el profesor proporciona retroalimentación. Eligieron un bot de Telegram como interfaz para evitar gastar tiempo en el pesado desarrollo del frontend web. Google Sheets se convirtió en la representación funcional del plan, y la programación se sincronizó a través de Google Calendar. Como resultado, en lugar de 3–4 horas de preparación manual, la generación del plan toma aproximadamente dos minutos.

• profesor o administrador establece el objetivo, plazo, nivel, tiempo disponible y prioridades
• el bot genera un plan de aprendizaje detallado para todo el período
• el plan se guarda en Google Sheets y los eventos se añaden a Google Calendar
• conforme el progreso cambia, la IA recalcula la trayectoria sin reconstruir desde cero

Técnicamente, el servicio se construyó alrededor de un esquema multiagente. Un orquestrador Python coordina agentes con diferentes roles: uno maneja la estrategia y asignación de tiempo, otro maneja los detalles de lecciones, tareas y pruebas, un tercero maneja el procesamiento por lotes de programas largos, y una capa separada valida la estructura, fechas e integridad de la cobertura. El stack utilizó Python 3.11+, asyncio, aiogram, SQLAlchemy, PostgreSQL y la API OpenRouter. Abandonaron LangChain y LangGraph a favor de llamadas directas a la API: esto hace más simple controlar prompts, lógica de reintentos y velocidad de desarrollo.

"Un producto mínimo viable con un pipeline limpio es más valioso que

intentar abarcar todo."

Por Qué Terminaron en Una Semana

La intensiva en sí fue estructurada como un ciclo de producto corto, no un hackathon típico con demos por el bien de las demos. Día tras día, el equipo pasó de descubrimiento y definición del problema a través de evaluación de riesgos y PoC a MVP, retroalimentación del usuario y presentación final. Los mentores constantemente recordaban que el objetivo no era una demostración elegante en el escenario, sino una base para un producto de IA real que pudiera desarrollarse más adelante. Esto obligó a tomar decisiones arquitectónicas rápidas, eliminar características innecesarias y enfocarse en escenarios funcionales en lugar de ideas llamativas.

Los autores del proyecto enfatizan específicamente que la velocidad no provino de la magia de las herramientas de IA por sí sola. La interfaz, los escenarios de interacción con profesores, e incluso la elección del segmento inicial de usuarios cambiaron varias veces durante la semana. Apostar por una versión mínima funcional y pruebas rápidas en escenarios reales resultó ser más útil que intentar diseñar de antemano el sistema perfecto. El siguiente paso es pruebas beta cerradas con 10–15 profesores, seguido de la expansión de las ofertas de exámenes y la adición de preparación para el examen de conclusión del bachillerato ruso (ЕГЭ).

Qué Significa Esto

El caso ExamLab Bot muestra que en EdTech ahora, los productos de IA específicos con métricas claras de valor funcionan mejor. Aquí, esa métrica era el tiempo: horas de preparación manual se convirtieron en minutos, y los profesores ganaron la oportunidad de escalar su práctica sin aumento de carga administrativa. Esta es una lección importante para otros equipos también: interfaces simples, integraciones directas y validación frecuente con usuarios a menudo entregan más que un stack tecnológico complejo y una larga lista de características.