En los últimos meses he desarrollado WorqNow, un asistente de empleo basado en WhatsApp que ayuda a encontrar ofertas, crear currículums, ofrecer recomendaciones personalizadas y enseñar habilidades profesionales todo mediante conversaciones en lenguaje natural. Lo que empezó como una idea pequeña se convirtió en un sistema que procesa miles de mensajes, búsquedas de empleo en tiempo real a través de varias APIs, recomendaciones personalizadas y generación automática de CV. A continuación explico las decisiones de ingeniería, la arquitectura del sistema, los retos de escalado y las lecciones técnicas detrás de construir una plataforma de automatización moderna sobre WhatsApp.
El problema que resolvemos es claro: la búsqueda de empleo está rota para millones de personas, especialmente en mercados emergentes. Sitios lentos, grupos con ofertas falsas, canales desordenados y listados desactualizados son la norma. Sin embargo casi todo el mundo usa WhatsApp, lo que convierte a este canal en el punto ideal para alertas instantáneas, búsqueda en lenguaje natural, recomendaciones personalizadas y creación de CV sin necesidad de registro ni descarga de apps. El reto fue crear un sistema que se sienta humano y escale como una plataforma en la nube.
Arquitectura general: WorqNow usa una arquitectura basada en eventos con webhooks de Meta WhatsApp Cloud API que llegan a un backend construido con FastAPI en Python. El backend integra un motor de reconocimiento de intenciones, un servicio de agregación de empleos, un flujo de construcción de CV y una base de datos MongoDB para perfiles de usuario. Las tareas en segundo plano se programan con APScheduler y las búsquedas combinan varias APIs externas. Este diseño permite modularidad, respuestas rápidas y escalabilidad.
Reconocimiento inteligente de intenciones: los usuarios escriben en lenguaje natural, no comandos. Para entender mensajes como buscar empleos backend en londres o quiero un cv, implementé un motor híbrido que combina extracción de palabras clave, coincidencia difusa y memoria de contexto por usuario. Esto permite interpretar variaciones idiomáticas, mantener el estado de una conversación y aprender preferencias individuales, evitando flujos rígidos basados en comandos estrictos.
Capa de agregación de empleos en tiempo real: WorqNow obtiene datos en vivo de APIs como Remotive y JSearch. Para mitigar límites de tasa y mejorar latencia implementé un agregador asíncrono que consulta ambas fuentes, fusiona resultados, elimina duplicados y devuelve las mejores coincidencias en milisegundos. El enfoque permite ofrecer hasta diez oportunidades de alta calidad al instante y mantener la experiencia conversacional fluida.
Perfiles persistentes en MongoDB: cada usuario tiene un perfil que guarda identificador de WhatsApp, nombre, ubicación preferida, historial de búsquedas, estado del CV y preferencias de suscripción. Esto posibilita recomendaciones personalizadas, reanudación de flujos de creación de CV y envíos programados. MongoDB fue elegido por su flexibilidad y rapidez para iterar en productos centrados en el usuario, muy útil cuando construimos soluciones como aplicaciones a medida y software a medida para clientes con requisitos cambiantes.
Tareas en segundo plano y alertas: usamos APScheduler para enviar recomendaciones diarias, recordatorios de CV, alertas por categoría y mensajes administrativos. La programación permite que los usuarios reciban empleos frescos cada mañana sin interacción manual y facilita campañas segmentadas sin saturar la API de WhatsApp.
Generación de CV: el constructor de CV es un flujo de preguntas y respuestas por WhatsApp que solicita nombre, formación, experiencia, habilidades y proyectos. El estado del flujo se guarda por usuario para permitir pausas y reanudar. Al terminar se genera un PDF profesional a partir de plantillas HTML/CSS y se envía al usuario. Este tipo de automatización es un ejemplo de cómo la automatización de procesos puede transformar servicios tradicionales en experiencias conversacionales modernas.
Retos de escalado y soluciones: para sortear límites de la API de Meta implementamos colas de mensajes y lógica de retry. Mejoramos concurrencia con Uvicorn y handlers asíncronos. Para respuestas voluminosas de APIs externas usamos caching en memoria y deduplicado. La variabilidad del lenguaje se resolvió con el motor híbrido de intenciones y los picos de tráfico por envíos masivos se mitigaron con envíos por lotes y backoff exponencial. Estas decisiones son las que convierten un chatbot en una infraestructura parecida a un mini SaaS.
Decisiones técnicas clave: arquitectura orientada a eventos, FastAPI asíncrono, MongoDB para esquemas flexibles, scheduler para automatización, diseño modular para añadir nuevas capacidades y plantillas reutilizables para mantener la coherencia. Todo ello facilita integrar servicios avanzados que ofrecemos en Q2BSTUDIO como inteligencia artificial, ciberseguridad y servicios cloud aws y azure, y permite ofrecer soluciones de valor agregado como agentes IA y plataformas de inteligencia de negocio.
En Q2BSTUDIO combinamos experiencia en desarrollo de software con enfoque en productos reales que los usuarios utilizan diariamente. Si buscas desarrollar una solución conversacional a medida o ampliar un producto con capacidades de IA y automatización puedes conocer nuestras propuestas de y nuestros para empresas. También ofrecemos servicios de ciberseguridad, pentesting, integración con servicios cloud aws y azure, y proyectos de inteligencia de negocio con Power BI para mejorar la toma de decisiones.
Futuro de WorqNow: planeamos recomendaciones con aprendizaje automático, comprensión de mensajes de voz, más fuentes de empleo, preparación de entrevistas con IA y rutas de aprendizaje gamificadas. La visión a largo plazo es construir un ecosistema de carrera profesional dentro de WhatsApp que conecte empleadores, estudiantes y profesionales con herramientas inteligentes y seguras.
Conclusión: WorqNow nació como un experimento y se transformó en un asistente de carrera completo gracias a arquitectura limpia, servicios modulares, APIs en tiempo real, procesamiento asíncrono y comprensión de lenguaje. Construir productos así requiere experiencia técnica y enfoque en usuario final, capacidades que en Q2BSTUDIO aplicamos a proyectos de aplicaciones a medida, inteligencia artificial, automatización de procesos y soluciones cloud para crear software escalable, seguro y orientado a resultados.
