OpenGravity convierte unit economics en una probabilidad calibrada de éxito — P(Hit) — combinando un prior bayesiano, señales de agentes de investigación y simulación Monte Carlo. Nada de corazonadas: cada punto del logit es auditable.
Simulador en vivo
Despliega el escuadrón agéntico solo con el nombre y que rastree el mercado por ti, elige un caso histórico para ver cómo piensa el motor — o pulsa Tu startup y mete los números a mano. Es un port exacto de scoring.py (V10.5.0) con los agentes DeerFlow/MiroFish del repo, corriendo en vivo.
WeWork: El caso estrella del archivo: LTV/CAC reportado de 13.41x — espectacular en papel — pero ocultaba costos fijos extremos. Los agentes modelan ese hallazgo como señales negativas: sin ellas el motor ve REVIEW, con ellas vota CRITICAL DROP. → Fracaso: IPO retirada, valuación −95%
Verificación de identidad activa: todo hallazgo debe demostrar que habla de la entidad investigada (frase exacta del nombre, dominio declarado o todos sus términos). Los homónimos y el ruido se descartan y se contabilizan en el informe — el oráculo no atribuye hechos de otras empresas. Con LLCs privadas pequeñas, declara el dominio y la cuenta GitHub para que los agentes distingan TU empresa de sus homónimas: un dominio que resuelve en DNS no prueba que sea tuyo (puede ser el de una empresa igual llamada en otro país).
Valor de vida del cliente ÷ costo de adquisición. < 1x = DROP automático.
Caja disponible. 12 meses es la referencia neutra del prior.
> 40% con LTV/CAC < 1.5x dispara la penalización por burn. El motor acepta hasta 200%.
10-K/auditoría externa → IC ±5% en vez de ±15%
Hallazgos de investigación — empujan el logit, no la probabilidad.
Nota: demo educativa con el algoritmo público del repo. La calibración completa (Monolito de la Verdad V9.7.1, isotónica, Brier) y las señales agénticas en producción corren en el Oracle FastAPI.
Metodología
Todo el pipeline está documentado en el repo: desde el Monolito de la Verdad V9.7.1 que calibró los coeficientes hasta los reportes de Brier score. Esto es lo que corre bajo el capó.
El motor parte de una creencia previa (P = 20%) y la ajusta con unit economics: LTV/CAC, runway y crecimiento mes a mes, con interacción LTV×crecimiento y penalización por burn desenfrenado.
logit = −1.386 + 0.70·LTV + 2.50·log(1+g) + 0.50·log(R/12) + 3.0·LTV·g − burn − 1.8
Agentes de investigación (DeerFlow, MiroFish) devuelven hallazgos con evidencia y credibilidad. Cada señal empuja el logit directamente — un hallazgo crítico puede tumbar métricas espectaculares, como en WeWork.
logit_final = logit_base + Σ impactos_agénticos
Se perturban las métricas con ruido gaussiano (±15–25%) y se re-puntúan 1.500 escenarios. El resultado no es un número mágico: es una distribución completa con percentiles P10/P50/P90 y tasa de veredictos.
P(Hit)ᵢ = σ(logit(métricas + εᵢ)) × 1.500 iteraciones
El modelo se calibró contra datasets con ground truth y se validó fuera de distribución (reportes de Brier score en el repo). Datos auditados → IC ±5%; datos inferidos → IC ±15%. La incertidumbre se declara, no se esconde.
IC = P(Hit) ± 0.05 (auditado) | ± 0.15 (inferido)
Arquitectura
Docker Compose levanta todo el stack con healthchecks. Los agentes externos reportan hallazgos de vuelta al Oracle mediante /callback/agent-report/{id} — el loop agéntico se cierra solo.
FastAPI · Python 3.12
La API del motor: POST /evaluate recibe métricas y devuelve P(Hit), IC, logit y riesgo de down round. Almacenamiento acotado, CORS configurable y endpoint de callback para agentes.
grammY · TypeScript
Reconocimiento vía Telegram con enrutador LLM multi-proveedor (Mistral / Moonshot / Gemini) y failover secuencial. Storage con motor de queries real: where, orderBy y limit que sí ejecutan.
Next.js · Tailwind
Panel institucional para revisar evaluaciones, intervalos de confianza y señales agénticas con su evidencia enlazada. Esta misma página es una demostración del estilo del producto.