Conocimiento, código e inteligencia artificial.

El punto de partida fue una frustración concreta: España tiene más de 70 Denominaciones de Origen vinícolas y no existía ninguna forma entretenida de aprenderlas. Los libros de viticultura son áridos. Las fichas técnicas, inertes. La trivia fuerza algo distinto — recuperar información en frío, no reconocerla. Y eso es lo que hace que el conocimiento se quede.

La arquitectura es Vue 3 con Vite en el frontend, Supabase como base de datos y Vercel para el deploy. Cada denominación tiene cincuenta preguntas distribuidas en seis categorías —uvas, geografía, elaboración, tipos de vino, terroir y cultura— con tres niveles de dificultad. Con 29 DOs activas hay más de 1.400 preguntas jugables.

Generar ese volumen con rigor técnico no era posible sin IA. Claude recibe contexto específico de cada zona —el suelo de llicorella del Priorat, el clima oceánico de las Rías Baixas, el sistema de crianza en soleras del Jerez— y construye preguntas que, en su mayoría, son correctas y bien calibradas. En su mayoría. Por eso hay revisión humana antes de publicar cualquier lote.

El sistema de corrección tiene tres capas. Primero, yo reviso el lote completo antes de subirlo. Después, hay un botón discreto en cada pregunta para que el jugador reporte errores. Cuando alguien lo usa, el reporte entra en un pipeline de n8n que lo pasa a Gemini —un segundo modelo de IA— para que evalúe si el error existe realmente. Dos IAs distintas revisando el mismo dato, y el jugador auditando a las dos sin saberlo. Es el sistema de control de calidad más extraño que he montado, y funciona.

Las imágenes de cada DO las genera Leonardo AI con prompts que describen el paisaje concreto de cada zona: los bancales volcánicos de Tacoronte con el Teide al fondo, las vides centenarias de Toro sobre arenas francas, los viñedos en altura de la Sierra de Gredos. El resultado no es una foto del viñedo — es algo más parecido a un sueño bien informado sobre él.

La pregunta es simple: tengo una botella a temperatura ambiente, la meto en la nevera, ¿cuándo estará lista? Es una pregunta que nadie sabe responder bien. Las apps de vino son catálogos, puntuaciones, etiquetas escaneadas. Ninguna responde a «mi botella está caliente, ¿cuánto tiempo tengo que esperar?».

La herramienta toma tres datos: la temperatura actual de la botella, la temperatura del sitio donde la metes —nevera doméstica, cubo con hielo y agua, congelador— y la temperatura a la que quieres servirla. Devuelve el tiempo estimado. Sin cuenta, sin correo, sin guardar nada.

El cálculo usa la ley de enfriamiento de Newton: la velocidad a la que baja la temperatura es proporcional a la diferencia entre el objeto y su entorno. Eso produce una curva exponencial, no una línea recta. Bajar de 24 a 18 grados es relativamente rápido; de 12 a 10 es mucho más lento. La constante de enfriamiento está calibrada para una botella estándar de 75 cl.

Construir la herramienta reveló algo que sabía en teoría pero no había cuantificado: la diferencia entre enfriar en nevera y enfriar en cubo con hielo y agua es brutal. El cubo es tres o cuatro veces más rápido para el mismo rango de temperatura. No porque el hielo esté más frío —la nevera puede estar a 4 °C y el cubo a 0 °C—, sino porque el agua en contacto directo con el vidrio transfiere el calor de forma incomparablemente más eficiente que el aire frío de la nevera. El cubo con hielo no es un recurso de emergencia: es la forma correcta de enfriar una botella rápido.

No hay IA en el desarrollo de esta herramienta más allá del código. Es física aplicada a un problema cotidiano que no tenía respuesta accesible. A veces eso es suficiente.