GoalSetter (Students of Wealth, Inc.)
Nueva York, NY
Educación financiera / EdTech
Amazon Bedrock AWS (entorno no productivo) RAG (generación aumentada por recuperación) base de datos vectorial modelos de lenguaje de gran tamaño (LLM) esquemas de contenido estructurado en JSON
GoalSetter, Students of Wealth, Inc., es una plataforma de educación financiera dedicada a enseñar habilidades de gestión del dinero a jóvenes estudiantes desde secundaria hasta la universidad. Ante el reto de ofrecer lecciones financieras personalizadas y adecuadas a la edad a gran escala, GoalSetter se asoció con Avahi para crear un sistema de aprendizaje adaptativo impulsado por IA generativa y generación aumentada por recuperación (RAG) en AWS. Avahi diseñó y desarrolló un motor de contenidos determinista, basado en el plan de estudios, que clasifica a los estudiantes por nivel de conocimientos, personaliza el contenido de las lecciones según los intereses y objetivos de cada alumno y adapta el tono y el estilo en función de la edad, todo ello sin sacrificar la precisión ni la coherencia. El resultado es una plataforma de aprendizaje con IA escalable y auditable que acerca a GoalSetter un paso más a ofrecer una educación financiera verdaderamente individualizada a escala nacional.
GoalSetter, que opera como Students of Wealth, Inc., es una empresa de educación financiera con sede en Nueva York cuya misión es reducir la brecha de riqueza enseñando alfabetización financiera a jóvenes estadounidenses. Su plataforma atiende a estudiantes de secundaria, bachillerato y universidad, y ofrece un currículo estructurado, cuestionarios y evaluaciones diseñados para desarrollar habilidades financieras duraderas. Al operar en la intersección entre EdTech y la educación financiera, un ámbito cercano a lo regulado y orientado a menores, GoalSetter exige un nivel inusualmente alto de precisión del contenido, integridad pedagógica y una entrega adecuada a la edad.
El sistema existente de GoalSetter ofrecía contenidos de educación financiera en un formato mayoritariamente estático y uniforme. Se esperaba que los educadores adaptaran manualmente las lecciones para ajustarlas a estudiantes con distintos niveles de conocimiento, estilos de aprendizaje, intereses y grupos de edad. Este enfoque no era escalable ni coherente, y suponía una carga insostenible para el equipo pedagógico a medida que crecía la base de estudiantes de GoalSetter.
El reto más profundo era la personalización a gran escala. Un estudiante de secundaria que está empezando a aprender sobre el ahorro se comporta como alumno de forma muy distinta a un universitario que explora estrategias de inversión. Ofrecer el contenido adecuado, con el tono adecuado y vinculado al contexto personal adecuado requería un nivel de generación dinámica de contenidos que la infraestructura existente de GoalSetter sencillamente no podía soportar.
Sin una solución, GoalSetter corría el riesgo de ofrecer lecciones genéricas que no lograran implicar a los estudiantes, debilitaran los resultados de aprendizaje y obligaran a los educadores a ciclos interminables de adaptación manual de contenidos. En un ámbito en el que la confianza, la precisión y la implicación lo son todo, especialmente cuando el público son jóvenes estudiantes, el coste de la inacción era elevado. La escalabilidad seguiría fuera de alcance y la misión de GoalSetter de ofrecer alfabetización financiera de forma amplia quedaría limitada por la capacidad de su equipo de contenidos.
AWS proporcionó la infraestructura en la nube y los servicios de IA/ML necesarios para crear un sistema de aprendizaje adaptativo seguro y de nivel de producción. Dada la sensibilidad del ámbito —contenido de educación financiera para menores—, el entorno no productivo de AWS proporcionado por Avahi ofreció a GoalSetter un espacio seguro y aislado para validar las capacidades del sistema sin exponer sistemas en vivo ni datos de producción. El ecosistema de AWS, incluido Amazon Bedrock para el acceso a modelos fundacionales y servicios específicos para almacenamiento y recuperación vectorial, lo convirtió en la plataforma natural para desplegar una solución GenAI basada en RAG con la escalabilidad, la postura de cumplimiento y la fiabilidad que GoalSetter necesitaba.
Avahi aportó a este proyecto una combinación poco habitual de profundidad técnica en AWS y experiencia aplicada en GenAI, entregada como un AWS Innovation Waves (IW) Build, un programa estructurado y acelerado de desarrollo de soluciones disponible para socios seleccionados de AWS. Este programa dio a GoalSetter acceso a un desarrollo acelerado, orientado a hitos, con una rendición de cuentas clara, orientación experta y credibilidad respaldada por AWS.
Más allá de la estructura del programa, la experiencia específica de Avahi en el diseño de pipelines deterministas de GenAI para ámbitos de alto riesgo los convirtió en la opción adecuada. GoalSetter necesitaba un socio que entendiera que, en EdTech —especialmente en un contexto cercano a lo regulado y orientado a menores—, los resultados de la IA no podían ser simplemente “lo suficientemente buenos”. Debían estar fundamentados, ser coherentes y auditables. El enfoque de Avahi en la arquitectura RAG, los embeddings etiquetados con metadatos y los puntos de control estructurados de revisión por educadores dio a GoalSetter la confianza de que el sistema podía cumplir tanto los estándares pedagógicos como los operativos.
Avahi diseñó y construyó un sistema de aprendizaje adaptativo de extremo a extremo que utiliza IA generativa y RAG para ofrecer lecciones personalizadas de alfabetización financiera basadas en el plan de estudios oficial de GoalSetter. La arquitectura se centra en dos cuestionarios fundamentales: un Cuestionario de nivelación que clasifica a cada estudiante en un nivel de conocimientos, y un Cuestionario de perfil que recoge el contexto personal: intereses, objetivos y preferencias de aprendizaje. En conjunto, estas entradas alimentan un pipeline RAG que recupera contenido alineado con el plan de estudios y genera lecciones adaptadas a cada alumno.
En el núcleo de la solución se encuentra un pipeline RAG determinista basado en embeddings a nivel de párrafo, etiquetados con metadatos, de la biblioteca de contenidos de GoalSetter. En lugar de depender de una generación abierta por parte de LLM, cada resultado de lección se fundamenta en material fuente recuperado del currículo aprobado de GoalSetter. Los ajustes de temperatura bajos y el diseño determinista de consultas garantizan que el sistema produzca resultados coherentes y reproducibles, un requisito crítico en un contexto educativo en el que la deriva del contenido y las alucinaciones suponen riesgos reales para los resultados de los estudiantes y la confianza en la plataforma.
El motor de personalización de lecciones adapta no solo el contenido de cada lección, sino también su tono y estilo de lectura en función del grupo de edad del estudiante, diferenciando entre alumnos de secundaria, bachillerato y universidad. Cada lección generada incluye un anclaje personalizado vinculado a los objetivos o intereses declarados por el estudiante, lo que hace que los conceptos financieros sean más relevantes y atractivos. Junto a cada lección se generan pares de cuestionarios emparejados para reforzar el aprendizaje y respaldar la continuidad de la evaluación.
Los servicios de AWS centrales para la solución incluyen Amazon Bedrock para el acceso a modelos fundacionales y la inferencia, una base de datos vectorial para los embeddings de las lecciones y la recuperación semántica, y un esquema de contenido JSON estructurado para la ingesta de lecciones y la gestión de metadatos, todo ello ejecutándose en un entorno seguro y no productivo de AWS aprovisionado y gestionado por Avahi.
El sistema se validó frente al plan de estudios de GoalSetter mediante puntos de control estructurados de revisión por educadores, trasladando el papel del equipo de contenidos de la revisión manual de cada resultado a una validación focalizada en hitos definidos. Esto redujo significativamente la carga de revisión, manteniendo al mismo tiempo los estándares pedagógicos de GoalSetter en todo el contenido generado.
preparación para pasar de la adaptación manual de contenidos a una educación personalizada impulsada por IA a gran escala. El sistema clasifica con éxito a los estudiantes en niveles de aprendizaje, adapta el tono por grupo de edad y genera lecciones y cuestionarios personalizados basados en el plan de estudios, todo ello con coherencia determinista. El esfuerzo de validación por parte de los educadores se redujo significativamente al trasladar las revisiones de cada resultado individual de la IA a revisiones estructuradas por puntos de control, liberando al equipo de contenidos para centrarse en la estrategia curricular en lugar de en el control de calidad del contenido.
La solución también establece una arquitectura replicable que puede ampliarse más allá del conjunto inicial de lecciones a medida que GoalSetter crece. Con el motor de aprendizaje adaptativo validado, GoalSetter cuenta ahora con una vía clara hacia la ingesta completa de contenidos y el despliegue en producción, acercando la educación financiera personalizada a una población estudiantil mucho mayor.
Métricas objetivo de rendimiento validadas frente a:
Exploremos juntos sus oportunidades de IA de alto impacto en una sesión gratuita
