AdPilot AI

Concepto

Plataforma de marketing IA autonoma para PYMES y e-commerce sin especialista de performance marketing. Conecta cuentas de Meta Ads y Google Ads, muestra un panel unificado de ROAS/CPA/Gasto, genera campanas (estructura + copy) con IA a partir de un objetivo/presupuesto/brief, reasigna presupuesto de forma autonoma entre ad sets segun rendimiento, y traduce metricas en insights en lenguaje natural. Modelo SaaS B2B por niveles segun gasto publicitario gestionado.

Arquitectura

Spring Boot 4.0.4 / Java 25, capas clasicas:

• %%INLINE0%% — entidades JPA: %%INLINE1%%, %%INLINE2%%, %%INLINE3%%, AdSet,

%%INLINE5%%, enums %%INLINE6%%, CampaignStatus.

• %%INLINE8%% — Spring Data JPA (%%INLINE9%%, PlatformConnectionRepository,

%%INLINE11%%, %%INLINE12%%, PerformanceSnapshotRepository).

• dto — Records inmutables para la API (requests/responses).
• %%INLINE15%% — clientes declarativos Feign (%%INLINE16%%, GoogleAdsClient,

%%INLINE18%%) con DTOs propios en %%INLINE19%%.

• %%INLINE20%% — JWT (%%INLINE21%%, %%INLINE22%%, %%INLINE23%%)

y cifrado AES/GCM de tokens OAuth (TokenEncryptionService).

• %%INLINE25%% — logica de negocio: %%INLINE26%%, ConnectionService,

%%INLINE28%%, %%INLINE29%%, %%INLINE30%%, %%INLINE31%%, %%INLINE32%% (job %%INLINE33%%).

• %%INLINE34%% — %%INLINE35%%, %%INLINE36%%, %%INLINE37%%,

DashboardController.

• %%INLINE39%% — %%INLINE40%% habilita %%INLINE41%% + %%INLINE42%%

(separado de AdpilotAiApplication.java, que no se debe modificar).

• %%INLINE44%% — %%INLINE45%% + %%INLINE46%% (%%INLINE47%%).

Decisiones clave

• Sin credenciales OAuth reales configuradas: el intercambio de

%%INLINE48%% por tokens se simula en %%INLINE49%% para que el MVP funcione sin secrets de Meta/Google. En produccion ese paso llama a %%INLINE50%%/%%INLINE51%% reales.

• LLM con fallback: %%INLINE52%% llama a %%INLINE53%% (Feign, compatible

OpenAI) protegido con Resilience4j @CircuitBreaker; si el proveedor no esta configurado o falla, cae a un copy generado por plantilla — la creacion de campanas nunca falla por una caida externa.

• Optimizador autonomo: OptimizationService.refreshAndOptimize()

corre cada hora (@Scheduled), refresca metricas por campana en paralelo usando virtual threads (Thread.ofVirtual()), y desplaza presupuesto del ad set con peor ROAS al de mejor ROAS (tasa configurable, con piso minimo). El refresh de metricas simula variacion de rendimiento cuando no hay accesso real a las APIs de anuncios, para que la demo funcione offline.

• Tokens cifrados en reposo: AES/GCM con TokenEncryptionService, clave

configurable por adpilot.security.encryption-key (con default de desarrollo).

Endpoints

Metodo	Path	Descripcion
POST	/api/auth/register	Alta de cuenta, devuelve JWT
POST	/api/auth/login	Login, devuelve JWT
GET	/api/connections	Lista conexiones OAuth del usuario
POST	%%INLINE63%%	Completa conexion OAuth (%%INLINE64%% = %%INLINE65%%\	%%INLINE66%%)
DELETE	/api/connections/{connectionId}	Desconecta una cuenta
POST	/api/campaigns	Crea campana guiada por IA (objetivo, presupuesto, brief)
GET	/api/campaigns	Lista campanas del usuario
GET	/api/campaigns/{campaignId}	Detalle de campana + ad sets
GET	/api/dashboard	Metricas unificadas (ROAS, CPA, gasto) por plataforma
GET	/api/dashboard/insights	Insights en lenguaje natural

Todos los endpoints salvo /api/auth/** requieren header Authorization: Bearer <jwt>.

Referencias

• %%INLINE75%% del BusinessCase → cubiertas 1:1: OAuth (%%INLINE76%%),

dashboard (%%INLINE77%%), creacion guiada por IA (%%INLINE78%% + %%INLINE79%%), optimizacion autonoma (%%INLINE80%%), insights (InsightService).

• Wellows Blog — AI Startups (fuente de la tendencia elegida).

Analisis de negocio

• Problema: PYMES sin especialista de performance marketing desperdician

presupuesto por falta de optimizacion continua entre plataformas.

• Solucion: automatizar creacion, monitoreo y reasignacion de presupuesto,

con reportes entendibles sin conocimiento tecnico.

• Monetizacion: SaaS tiered por gasto publicitario mensual gestionado —

alinea el precio con el valor entregado (a mayor gasto gestionado, mayor ahorro potencial y mayor disposicion a pagar).

• Camino a mercado: onboarding rapido (conectar cuentas existentes),

valor visible desde el primer dashboard, "aha moment" en el primer reajuste automatico de presupuesto con mejora de ROAS medible.

Como ejecutar

Requiere PostgreSQL accesible (no incluido en application.yml por restriccion de la plantilla). Configurar via variables de entorno:

export SPRING_DATASOURCE_URL=jdbc:postgresql://localhost:5432/adpilot
export SPRING_DATASOURCE_USERNAME=adpilot
export SPRING_DATASOURCE_PASSWORD=adpilot
export SPRING_JPA_HIBERNATE_DDL_AUTO=update
# Opcional — de lo contrario se usan defaults de desarrollo:
export ADPILOT_SECURITY_JWT_SECRET=change-me-in-prod-min-32-chars
export ADPILOT_SECURITY_ENCRYPTION_KEY=change-me-32-bytes-key-value!!
export ADPILOT_INTEGRATIONS_LLM_API_KEY=sk-...

mvn clean compile
mvn spring-boot:run

Flujo de prueba rapido:

curl -X POST localhost:8080/api/auth/register -H 'Content-Type: application/json' \
  -d '{"email":"founder@shop.com","password":"secret123","businessName":"My Shop"}'
# -> guarda el "token" de la respuesta

curl -X POST localhost:8080/api/connections/meta/connect \
  -H "Authorization: Bearer <token>" -H 'Content-Type: application/json' \
  -d '{"authorizationCode":"demo-code","accountId":"act_123"}'

curl -X POST localhost:8080/api/campaigns \
  -H "Authorization: Bearer <token>" -H 'Content-Type: application/json' \
  -d '{"platform":"META","objective":"Ventas online","dailyBudget":50,"creativeBrief":"Zapatillas running edicion verano"}'

curl localhost:8080/api/dashboard -H "Authorization: Bearer <token>"
curl localhost:8080/api/dashboard/insights -H "Authorization: Bearer <token>"

---

FinOps Analysis

AdPilot AI, en su fase de micro-startup, presenta un modelo de costos manejable con un potencial de margen de beneficio saludable. La estrategia de FinOps se centrará en la optimización continua de los gastos, especialmente en el consumo de LLM, que es el principal impulsor de costos.

Estimación de Costos Operativos Mensuales (MVP)

Categoría	Costo Estimado Mensual
LLM (OpenAI gpt-4o-mini)	$187.50
(Basado en ~500K tokens/mes: 250K input, 250K output)
Cloud Hosting (AWS)	$41.00
(EC2 t3.small: ~$20, RDS PostgreSQL t3.micro: ~$18, Data Transfer/Monitoring: ~$3)
APIs Externas (otras)	$0.00
Total Costos Operativos	$228.50

Estimación de Ingresos Mensuales (MVP)

Asumiendo un modelo de monetización SaaS por niveles, con un precio inicial de $25/mes para PYMES con bajo gasto publicitario:

• Clientes: 20 clientes iniciales (conservador)
• Precio promedio: $25/cliente/mes

Ingresos Mensuales Estimados: 20 $25 = $500.00

Margen de Beneficio

• Ingresos: $500.00
• Costos: $228.50
• Beneficio Bruto: $271.50

Margen de Beneficio: (($500 - $228.50) / $500) 100 = 54.3% (redondeado a 54%)

Drivers de Costo Clave

1. Consumo de LLM: Representa aproximadamente el 82% de los costos operativos. La generación de copys de campaña y los insights en lenguaje natural son las principales fuentes de uso de tokens.
2. Infraestructura Cloud: EC2 y RDS constituyen la mayor parte del costo de infraestructura, que es una base fija para el MVP.

Estrategias de Optimización FinOps

Para mantener y mejorar la rentabilidad a medida que AdPilot AI escala, se recomiendan las siguientes optimizaciones:

1. Optimización del Uso de LLM:

* Prompt Engineering: Refinar los prompts para ser concisos y obtener las respuestas deseadas con el menor número de tokens posible. * Caching Inteligente: Implementar un caché para respuestas LLM que sean predecibles o se repitan con frecuencia (e.g., sugerencias de copy para nichos comunes, formatos de informe estandarizados). * Modelos LLM por Tarea: Evaluar si tareas menos críticas (e.g., borradores iniciales de copy, resúmenes básicos) pueden usar modelos LLM más económicos (como gpt-3.5-turbo o incluso modelos de código abierto auto-hospedados si la complejidad lo justifica) sin sacrificar la calidad esencial. * Procesamiento por Lotes: Agrupar las solicitudes de LLM para tareas programadas (como la generación de informes o la reasignación de presupuesto) y ejecutarlas en momentos de menor demanda o en un solo lote para reducir la latencia y potencialmente los costos si se usan modelos que facturan por tiempo de cómputo.

1. Optimización de Infraestructura Cloud:

* Monitorización y Ajuste de Recursos (Right-Sizing): Utilizar herramientas de monitoreo de AWS (CloudWatch) para asegurar que las instancias EC2 y RDS estén correctamente dimensionadas. Si una %%INLINE84%% o %%INLINE85%% es excesiva para la carga real del MVP, considerar instancias más pequeñas. * Planes de Ahorro: Una vez que la carga de trabajo sea predecible y se anticipe un uso a largo plazo (1-3 años), explorar los %%INLINE86%% o %%INLINE87%% de AWS para EC2 y RDS, que pueden ofrecer descuentos significativos. * Optimización de Base de Datos: Asegurar que las consultas a PostgreSQL sean eficientes para minimizar la carga de la base de datos, lo que podría permitir mantener una instancia RDS más pequeña o reducir los costos de IOPS a medida que crecen los datos.

1. Eficiencia en Llamadas a APIs Externas:

* Frecuencia de Sincronización: Reevaluar la frecuencia con la que se sincronizan los datos de Meta Ads y Google Ads. Si la optimización en tiempo real no requiere actualizaciones cada hora, reducir la frecuencia podría disminuir la carga en la API y los costos de procesamiento. * Manejo de Errores y Retries: Implementar mecanismos robustos de reintento con backoff exponencial para evitar llamadas redundantes a las APIs externas debido a fallos transitorios.

Conclusión

AdPilot AI tiene un buen punto de partida financiero para un MVP, con un margen de beneficio prometedor. La clave para la escalabilidad y la rentabilidad a largo plazo reside en una gestión proactiva de los costos de LLM y una optimización continua de la infraestructura cloud. Adoptar una mentalidad FinOps desde el principio permitirá a la startup crecer de manera sostenible y maximizar su valor.