Avahi diseñó y construyó un prototipo de extremo a extremo que toma una campaña enviada, una URL o palabra clave emparejada con una organización, y recopila contenido relacionado a partir de un conjunto confirmado de fuentes públicas mediante varios adaptadores de ingesta en paralelo. El flujo captura señales de alcance y participación visibles públicamente cuando una fuente las expone, y recurre a señales basadas en contenido, como el volumen de cobertura y el número de fuentes distintas, cuando no lo hace, de modo que cada informe sea claro respecto a qué cifras se miden directamente y cuáles se infieren.

Las reacciones recopiladas se clasifican en un conjunto definido de categorías de sentimiento y tono, refinado a lo largo del proyecto para precisar cómo se distingue el escepticismo de la crítica ordinaria, y la campaña se compara con una organización equivalente usando las mismas señales. Cada informe genera una puntuación de efectividad y credibilidad mediante un enfoque LLM-as-judge aplicado a múltiples modelos fundacionales en Amazon Bedrock, con la evaluación de cada modelo acompañada de una justificación escrita en lugar de un número aislado, de modo que el razonamiento detrás de cada puntuación sea visible y revisable.

Una interfaz de una sola página permite a un usuario enviar una campaña, activar el flujo de análisis y revisar el informe generado de principio a fin, con cada cifra del informe rastreable hasta el elemento de origen que la respalda. Avahi validó el enfoque de sentimiento contra una muestra de referencia etiquetada proporcionada por el cliente, que abarcaba varios cientos de reacciones etiquetadas por humanos, refinó las categorías de clasificación según los comentarios de la revisión, y entregó el código fuente completo, la configuración, la automatización de despliegue y la documentación de arquitectura.