AdvisorPulse AI — Explainer

1. Concepto

Los asesores financieros independientes y las pymes de gestión de patrimonios pierden 2-3 horas no facturables por reunión recopilando datos de mercado, noticias y CRM antes de sentarse con un cliente. AdvisorPulse AI automatiza ese trabajo: con un clic, genera un briefing pre-reunión (resumen de cartera + noticias relevantes + alertas) y una lista de 3-5 puntos de conversación redactados por IA, listos para descargar en PDF.

Es un SaaS B2B nicho — vendible directamente al asesor, con ROI inmediato (2h → 15min por reunión) y alta disposición a pagar, siguiendo el modelo de suscripción por niveles (Básico / Profesional / Empresa).

2. Arquitectura

Spring Boot 4.0.4 / Java 25, capas estándar:

controller/   → REST endpoints (Auth, Client, Briefing)
service/      → lógica de negocio (AuthService, ClientService, BriefingGenerationService, PdfBriefingService)
repository/   → Spring Data JPA (AdvisorRepository, ClientRepository, BriefingRepository)
model/        → entidades JPA (Advisor, Client, Briefing) + enums (SubscriptionTier, BriefingStatus)
dto/          → records inmutables para requests/responses y payloads de integraciones externas
client/       → interfaces OpenFeign hacia Plaid, NewsAPI y el proveedor LLM
security/     → JWT (JwtService, JwtAuthenticationFilter), UserDetailsService, cifrado AES-GCM en reposo
config/       → SecurityConfig, AsyncConfig (virtual threads), FeignClientsConfig
exception/    → GlobalExceptionHandler + errores tipados

Flujo de generación de briefing (asíncrono):

1. %%INLINE0%% crea un %%INLINE1%% en estado PENDING y dispara

%%INLINE3%% — anotado %%INLINE4%%, ejecutado sobre Executors.newVirtualThreadPerTaskExecutor() (Java 25 virtual threads), así el hilo HTTP responde 202 Accepted de inmediato.

1. El método asíncrono llama, vía OpenFeign: (a) PlaidFeignClient para el snapshot de cartera,

(b) %%INLINE8%% para titulares relevantes, (c) %%INLINE9%% con un prompt (text block) que combina ambos, pidiendo 3-5 puntos de conversación.

1. Cada llamada externa está envuelta en try/catch con fallback simulado — el MVP funciona

sin credenciales reales de Plaid/NewsAPI/OpenAI, degradando a datos de demostración realistas en vez de fallar.

1. El resultado se persiste en %%INLINE10%% (%%INLINE11%% o FAILED), consultable vía

GET /api/briefings/{id} o descargable como PDF.

Seguridad: JWT stateless (%%INLINE14%% 0.12.6, HMAC-SHA). %%INLINE15%% valida el header %%INLINE16%% en cada request; %%INLINE17%% es público, el resto exige autenticación. Las contraseñas se guardan con BCrypt. El token de acceso financiero del cliente (Client.financialApiToken, p.ej. un Plaid access token) se cifra en reposo con AES-256-GCM vía un %%INLINE19%% (%%INLINE20%%), sin depender de librerías externas — usa javax.crypto del propio JDK.

PDF sin dependencias: PdfBriefingService construye un PDF válido (objetos, stream de contenido, tabla xref) a mano con %%INLINE23%%, ya que el %%INLINE24%% no incluye una librería PDF. Para producción se recomendaría sustituir por OpenPDF/iText.

3. Endpoints

Método	Ruta	Descripción
POST	/api/auth/register	Alta de asesor, devuelve JWT
POST	/api/auth/login	Login, devuelve JWT
POST	/api/clients	Alta de cliente (incluye token Plaid opcional, cifrado en reposo)
GET	/api/clients	Lista de clientes del asesor autenticado
GET	/api/clients/{clientId}	Detalle de cliente
PUT	/api/clients/{clientId}	Actualizar cliente
DELETE	/api/clients/{clientId}	Eliminar cliente
POST	/api/clients/{clientId}/briefings	Dispara generación asíncrona de briefing (202)
GET	/api/clients/{clientId}/briefings	Historial de briefings del cliente
GET	/api/briefings/{briefingId}	Estado/resultado del briefing (JSON)
GET	/api/briefings/{briefingId}/pdf	Descarga del briefing en PDF

Todos excepto %%INLINE36%% requieren %%INLINE37%%.

4. Cobertura de mvpFeatures

• Integración segura con fuentes de datos de clientes: Client.plaidAccessToken →

cifrado AES-GCM en reposo, consumido por PlaidFeignClient.

• Briefing pre-reunión en PDF con un clic: %%INLINE40%% + %%INLINE41%%.
• 3-5 puntos de conversación generados por IA: BriefingGenerationService.generateTalkingPoints

vía LlmFeignClient.

• Dashboard web simple: expuesto como API REST (%%INLINE44%%, %%INLINE45%%)

lista para consumir desde cualquier frontend (React/Vue) o Postman/cURL en esta fase de MVP.

5. Análisis de Negocio

Fintech B2B de nicho: márgenes altos, ciclo de venta corto (ROI inmediato de 2h → 15min por reunión), monetización por suscripción escalonada (Básico 10 briefings/mes, Profesional 50, Empresa ilimitado + integraciones a medida). El SubscriptionTier enum en el modelo ya codifica los límites mensuales por nivel, listo para enforcement en una iteración siguiente (contador de briefings/mes por advisor).

6. Cómo ejecutar

cd solutions/2026-07-02-advisor-pulse-api
mvn clean compile        # verifica compilación
mvn spring-boot:run      # requiere datasource PostgreSQL configurado (spring.datasource.*)

Para ejecutar localmente sin Postgres real, añadir a application.yml (o variables de entorno) spring.datasource.url/username/password apuntando a una instancia Postgres, y opcionalmente %%INLINE49%%, %%INLINE50%%, external.news.api-key, %%INLINE52%%, %%INLINE53%%, jwt.secret — todos tienen defaults de demo si se omiten, por lo que el flujo de briefing funciona end-to-end con datos simulados desde el primer arranque.

Ejemplo de flujo con cURL:

curl -X POST localhost:8080/api/auth/register -H "Content-Type: application/json" \
  -d '{"fullName":"Ana Ríos","email":"ana@advisor.com","password":"secret123"}'

curl -X POST localhost:8080/api/clients -H "Authorization: Bearer <token>" \
  -H "Content-Type: application/json" \
  -d '{"fullName":"Carlos Pérez","email":"carlos@cliente.com","portfolioValue":250000,"riskProfile":"moderate"}'

curl -X POST localhost:8080/api/clients/1/briefings -H "Authorization: Bearer <token>"
curl localhost:8080/api/briefings/1 -H "Authorization: Bearer <token>"
curl localhost:8080/api/briefings/1/pdf -H "Authorization: Bearer <token>" -o briefing.pdf

7. Referencias

• Tendencia fuente: https://www.techrev.us/blog/how-fintech-healthcare-saas-are-using-ai-in-2026

---

FinOps Analysis

Estimación de Costos Operativos

AdvisorPulse AI, en su fase de micro-startup con una base de 20 clientes iniciales, proyecta los siguientes costos operativos mensuales:

Tokens LLM: Se estima un consumo de aproximadamente 2 millones de tokens al mes. Esto incluye 1.5 millones para la generación de briefings en producción (considerando 500 briefings/mes 3000 tokens/briefing) y 0.5 millones para desarrollo, pruebas y un margen de seguridad. Utilizando gpt-4o-mini de OpenAI, el costo base sería inferior a $1. Sin embargo, para reflejar el uso real en una startup (incluyendo pruebas, posibles reintentos, y uso ocasional de modelos ligeramente superiores para tareas específicas durante el desarrollo), se asigna un presupuesto de $15/mes.

• Infraestructura Cloud: Basado en una configuración de AWS o GCP para Spring Boot:

* Cómputo (EC2/VM): Una instancia %%INLINE56%% (AWS) o %%INLINE57%% (GCP) para la aplicación Spring Boot: $20/mes. * Base de Datos (RDS/Cloud SQL): Una instancia %%INLINE58%% de PostgreSQL (AWS RDS) o %%INLINE59%% (GCP Cloud SQL) con 20GB de almacenamiento: $20/mes. * Servicios Adicionales: Incluye networking, almacenamiento (S3 para PDFs), monitoreo (CloudWatch), logs y backups: $10/mes. * Total Infraestructura Cloud: $50/mes.

• APIs Externas (no LLM):

* Plaid/Finicity: Para la integración de datos financieros. Con 20 clientes y un promedio de 2 extracciones de datos por cliente al mes, se estima un costo de $15/mes. * NewsAPI: Para la obtención de noticias relevantes. Se asume un plan básico de pago para asegurar fiabilidad y volumen, estimado en $20/mes. * Total APIs Externas: $35/mes.

Costo Operativo Mensual Total Estimado: $100

Estimación de Ingresos y Margen de Beneficio

Considerando un modelo de suscripción por niveles y una base inicial de 20 clientes:

• Clientes Nivel Básico: 15 clientes @ $25/mes = $375
• Clientes Nivel Profesional: 5 clientes @ $75/mes = $375

Ingreso Mensual Total Estimado: $750

Margen de Beneficio: (($750 - $100) / $750) * 100 = 86.67% (redondeado a 87%)

Estrategias de Optimización FinOps

La clave para mantener un alto margen de beneficio en una startup de IA radica en la gestión proactiva de los costos, especialmente los asociados a los LLMs y el cómputo. Las siguientes optimizaciones son cruciales:

1. Caché Inteligente de Respuestas: Implementar una capa de caché para las respuestas de LLMs y los datos de APIs externas. Para los briefings, si un cliente solicita una actualización de un briefing reciente y los datos subyacentes (cartera, noticias principales) no han cambiado significativamente, se puede servir una versión cacheadas o una versión con solo actualizaciones incrementales, reduciendo las llamadas a LLM y APIs.
2. Arquitectura Serverless para Procesamiento Asíncrono: Migrar la lógica de generación de briefings a funciones serverless (ej. AWS Lambda, Google Cloud Functions). Esto transforma un costo fijo de un servidor siempre encendido en un costo variable, pagando solo por la duración y memoria de ejecución de cada briefing generado.
3. Optimización de Llamadas a APIs Externas: Auditar y refinar la frecuencia y el volumen de datos solicitados a Plaid y NewsAPI. Por ejemplo, en lugar de hacer llamadas por cada briefing, se podría implementar una agregación diaria de noticias o una actualización de datos financieros con una frecuencia menor (semanal o diaria) si es aceptable para el caso de uso, reduciendo drásticamente los costos transaccionales.
4. Monitoreo y Selección de LLM: Establecer un monitoreo detallado del consumo de tokens y los costos de LLM. Para tareas menos críticas o partes del proceso de briefing que no requieren la máxima 'inteligencia' del modelo, explorar la posibilidad de usar modelos más pequeños, más rápidos y más económicos, o incluso modelos de código abierto auto-hosteados si la carga de trabajo justifica la inversión inicial.
5. Planes de Ahorro en Infraestructura Cloud: Una vez que la carga de trabajo y el crecimiento se estabilicen, considerar la adquisición de instancias reservadas o planes de ahorro (Savings Plans) para los recursos de cómputo y base de datos. Esto puede ofrecer descuentos significativos (20-60%) en comparación con las tarifas bajo demanda.