AutoClerk AI — API

Concepto

AutoClerk AI vende agentes de IA que automatizan tareas manuales de departamentos financieros: login en portales bancarios/proveedores, descarga de extractos y facturas, extraccion de datos con IA y conciliacion. Resuelve un problema doloroso de PYMES y empresas medianas cuyos sistemas legacy no tienen API moderna. Es un SaaS Vertical (Finanzas/Contabilidad) nativo de IA: el valor no esta en el modelo de lenguaje en si, sino en orquestar navegacion headless + extraccion de datos de forma confiable sobre UIs que no cambian por conveniencia del proveedor.

Arquitectura

controller/   REST — expone las 5 mvpFeatures
service/      Logica de negocio + gateways resilientes + motor de agentes
security/     JWT stateless (filtro + JwtService + UserDetailsService)
repository/   Spring Data JPA
model/        Entidades JPA (User, Credential, Workflow, WorkflowStep,
              ExecutionLog, ExtractedDocument)
dto/          Records inmutables de entrada/salida
client/       Clientes Feign hacia microservicios externos (browser automation
              con Playwright/Selenium, extraccion de IA tipo OpenAI/Claude)
exception/    Excepciones de negocio + @RestControllerAdvice
config/       AsyncConfig (hilos virtuales, @EnableScheduling, @EnableFeignClients)

Mapeo de mvpFeatures → implementacion:

1. Boveda segura y encriptada → %%INLINE0%% + %%INLINE1%% (AES/256-GCM,

IV aleatorio por secreto) + %%INLINE2%% column %%INLINE3%%. El secreto en texto plano nunca se persiste ni se devuelve en CredentialResponse.

1. Constructor de flujos de trabajo visual (low-code) → Workflow +

WorkflowStep (GOTO/CLICK/TYPE/DOWNLOAD/WAIT, orden explicito) vía %%INLINE7%%/%%INLINE8%%.

1. Agente de IA que ejecuta flujos en headless browser → AgentExecutionService,

con %%INLINE10%% de hilos virtuales (%%INLINE11%%) para correr N ejecuciones concurrentes sin agotar hilos de plataforma. Delega la navegacion real a %%INLINE12%% → %%INLINE13%% (Feign), protegido con @CircuitBreaker (Resilience4j) y fallback simulado local si el microservicio de automatizacion (Python + Playwright, fuera de este repo) no responde.

1. Motor de extraccion de datos basado en IA → AiExtractionGateway →

AiExtractionClient (Feign) hacia el proveedor de IA (OpenAI/Claude), tambien con @CircuitBreaker y fallback. El JSON estructurado se persiste en %%INLINE18%%, ligado al %%INLINE19%%.

1. Dashboard centralizado + programacion recurrente → DashboardController

(totales, activos, exitosas/fallidas, ultimas 10 ejecuciones) y SchedulerService (%%INLINE22%%, poll periodico de workflows activos con %%INLINE23%% definido, encolados en el motor de agentes). El MVP dispara todos los workflows programados activos en cada poll; el parseo real de expresiones cron queda como siguiente iteracion (hoy solo controla que exista cronExpression).

Decisiones tecnicas relevantes:

• %%INLINE25%%, %%INLINE26%% y ExecutionLog.documents se cargan

FetchType.EAGER: el motor de agentes accede a esos grafos desde un hilo virtual fuera de la transaccion HTTP original, evitando LazyInitializationException sin necesitar @Transactional (que ademas no aplicaria por auto-invocacion).

• %%INLINE31%%/%%INLINE32%% son beans separados (no metodos

self-invocados) para que el AOP de Resilience4j (@CircuitBreaker) realmente intercepte la llamada.

• JWT con %%INLINE34%% 0.12.x, %%INLINE35%%, secreto y TTL configurables via

%%INLINE36%% con default seguro (no se toca %%INLINE37%% pre-escrito).

• Sin %%INLINE38%% en el %%INLINE39%% pre-escrito: no se usa

%%INLINE40%%/%%INLINE41%%; la validacion de negocio (email duplicado, recursos inexistentes) vive en la capa service vía excepciones.

Endpoints

Todos bajo %%INLINE43%%, JSON. Todos requieren %%INLINE44%% excepto /api/auth/**.

Metodo	Path	Descripcion
POST	/api/auth/register	Alta de usuario, devuelve JWT
POST	/api/auth/login	Login, devuelve JWT
POST	/api/credentials	Crear credencial (secreto se encripta)
GET	/api/credentials	Listar credenciales del usuario
DELETE	/api/credentials/{id}	Eliminar credencial
POST	/api/workflows	Crear workflow con pasos
GET	/api/workflows	Listar workflows del usuario
GET	/api/workflows/{id}	Detalle de workflow
PATCH	/api/workflows/{id}/active?active=true	Activar/desactivar
DELETE	/api/workflows/{id}	Eliminar workflow
POST	/api/workflows/{id}/execute	Disparo manual del agente (async, hilo virtual)
GET	/api/executions	Historial de ejecuciones del usuario
GET	/api/executions/{id}	Detalle de ejecucion + documentos extraidos
GET	/api/dashboard	Metricas agregadas + ultimas 10 ejecuciones

Referencias

• Zomma (YC): https://www.ycombinator.com/companies/zomma
• Spring Boot 4.0.4 / Spring Framework 7.x / Spring Security 7.x
• Jackson 3 (%%INLINE60%%) via %%INLINE61%% pre-existente
• Resilience4j Spring Boot 3 starter 2.2.0 (@CircuitBreaker)
• Spring Cloud OpenFeign 4.2.1
• jjwt 0.12.6

Analisis de negocio

• Problema: horas-persona perdidas en tareas manuales repetitivas (login,

descarga, copia de datos) por falta de APIs en sistemas financieros legacy.

• ROI demostrable: horas ahorradas por ejecucion recurrente automatizada y

reduccion de errores de captura manual — metricas visibles en el dashboard (%%INLINE63%%, %%INLINE64%%, failedExecutions).

• Monetizacion: SaaS B2B por niveles — numero de agentes activos, frecuencia

de ejecucion, volumen de documentos procesados. El modelo de datos ya separa %%INLINE66%% (agente configurado), %%INLINE67%% (frecuencia/uso) y ExtractedDocument (volumen), lo que permite facturar directamente sobre estas tablas sin rediseño.

• Barrera de entrada: la complejidad de mantener agentes de UI robustos frente

a portales que cambian su HTML es la ventaja competitiva defendible frente a soluciones basadas solo en APIs.

Como ejecutar

Requiere PostgreSQL local (o ajustar spring.datasource.* via variables de entorno sobre application.yml) y JDK 25.

mvn spring-boot:run

Flujo de prueba rapido:

# 1. Registro
curl -X POST localhost:8080/api/auth/register \
  -H "Content-Type: application/json" \
  -d '{"email":"cfo@empresa.com","password":"secreto123","fullName":"CFO Demo"}'
# -> { "token": "...", "tokenType": "Bearer", "email": "cfo@empresa.com" }

# 2. Crear credencial (usar el token del paso 1)
curl -X POST localhost:8080/api/credentials \
  -H "Authorization: Bearer <TOKEN>" -H "Content-Type: application/json" \
  -d '{"portalName":"BancoX","username":"cfo","secret":"claveBanco123"}'

# 3. Crear workflow
curl -X POST localhost:8080/api/workflows \
  -H "Authorization: Bearer <TOKEN>" -H "Content-Type: application/json" \
  -d '{"name":"Extracto mensual BancoX","credentialId":1,"cronExpression":"0 0 6 1 * *",
       "steps":[
         {"stepOrder":1,"stepType":"GOTO","url":"https://bancox.com/login"},
         {"stepOrder":2,"stepType":"TYPE","targetSelector":"#user","inputValue":"cfo"},
         {"stepOrder":3,"stepType":"CLICK","targetSelector":"#login-btn"},
         {"stepOrder":4,"stepType":"DOWNLOAD","targetSelector":"#extracto-csv"}
       ]}'

# 4. Ejecutar el agente
curl -X POST localhost:8080/api/workflows/1/execute -H "Authorization: Bearer <TOKEN>"

# 5. Ver dashboard
curl localhost:8080/api/dashboard -H "Authorization: Bearer <TOKEN>"

Sin los microservicios externos (browser automation / IA) corriendo, los gateways degradan automaticamente a una simulacion local (fallback de Resilience4j), asi que el flujo completo es probable end-to-end incluso en un entorno de desarrollo aislado.

---

FinOps Analysis: AutoClerk AI

Overview

AutoClerk AI presenta un modelo de negocio B2B SaaS con un potencial de margen de beneficio muy saludable, incluso en sus etapas iniciales de MVP. La principal propuesta de valor radica en la automatización de tareas financieras, un problema de alto dolor que justifica un precio de suscripción premium. Los costos operativos son relativamente bajos gracias a la eficiencia de los LLMs modernos y la infraestructura cloud optimizada para micro-startups.

Cost Breakdown (Estimado Mensual)

• LLM Tokens (OpenAI gpt-4o-mini): $20

* Estimación de ~500K tokens/mes, considerando 10 clientes, cada uno procesando aproximadamente 20 documentos (extractos bancarios, facturas, CSVs) con un promedio de 2200 tokens por documento (input + output). Este costo incluye un buffer para prompts más complejos o tareas de razonamiento adicionales.

• Cloud Hosting (Servidor Principal - AWS EC2 t3.medium): $40

* Una instancia t3.medium (2 vCPU, 4GB RAM) es adecuada para ejecutar la aplicación Spring Boot con Java 25 Virtual Threads, gestionar la API, la lógica de negocio y la orquestación de los agentes. Proporciona más capacidad que una t3.small para manejar la carga de múltiples agentes y el tráfico de API.

• Base de Datos (AWS RDS t3.micro PostgreSQL): $15

* Una instancia de base de datos gestionada t3.micro (2GB RAM, 20GB de almacenamiento SSD) es suficiente para almacenar configuraciones de usuarios, credenciales encriptadas, flujos de trabajo y logs de ejecución en las etapas iniciales.

• Servidor de Automatización de Navegador (AWS EC2 t3.small): $20

* Se estima un microservicio Python dedicado con Playwright en una instancia t3.small (2 vCPU, 2GB RAM). Esto permite aislar el consumo intensivo de recursos del navegador headless del servidor principal, mejorando la estabilidad y escalabilidad.

• Monitoring & Logs (AWS CloudWatch/GCP Stackdriver): $5

* Costos básicos para el almacenamiento de logs, métricas y alertas esenciales para la operación y depuración.

Costo Operativo Mensual Total Estimado: $100

Revenue & Profitability

• Ingresos Mensuales Estimados: $750

* Basado en la adquisición inicial de 10 clientes, cada uno pagando un promedio de $75/mes por un plan MVP que incluye un número limitado de agentes y documentos procesados. Este precio es competitivo para PYMES que buscan automatizar tareas financieras críticas.

• Margen de Beneficio: 87%

((Revenue - Costs) / Revenue) 100 = (($750 - $100) / $750) * 100 = 86.67%.

El alto margen de beneficio demuestra la solidez del modelo de negocio, con bajos costos variables por unidad (tokens de LLM, procesamiento de documentos) y un enfoque en un problema de alto valor para el cliente. La clave para la rentabilidad a largo plazo será la gestión eficiente del Costo de Adquisición de Clientes (CAC).

Optimizations & Recommendations

1. Optimización de LLM: Aunque gpt-4o-mini es muy rentable, se debe monitorear el uso de tokens. Implementar una capa de caché para respuestas de LLM de extracciones comunes o datos estáticos puede reducir llamadas redundantes. Explorar técnicas avanzadas de prompt engineering para minimizar el input/output de tokens sin sacrificar la calidad. A medida que el volumen crece, evaluar modelos de código abierto (ej. Llama 3) para tareas específicas que puedan ser auto-hosteadas de forma más económica.
2. Gestión de Infraestructura: Utilizar herramientas de control de costos en la nube (ej., AWS Cost Explorer) para tener visibilidad constante de los gastos. Considerar la implementación de auto-escalado básico para el servidor de automatización de navegador si la carga de trabajo varía significativamente. Para una etapa posterior, evaluar el uso de instancias reservadas o Savings Plans en AWS para reducir los costos de EC2 y RDS a largo plazo.
3. Eficiencia de Agentes: Optimizar los flujos de trabajo de los agentes para minimizar el tiempo de ejecución del navegador headless, lo que reduce el uso de recursos del servidor de automatización. Reutilizar sesiones de navegador cuando sea posible. Explorar servicios especializados de browser automation (ej., Browserless.io) si el mantenimiento de un microservicio propio se vuelve una carga.
4. Estrategia de Datos: Implementar una política de ciclo de vida de datos para los logs y datos históricos en PostgreSQL, moviendo datos antiguos a almacenamiento más barato (ej., S3) o eliminándolos para controlar el crecimiento de la base de datos y los costos de RDS.
5. Monitoreo Proactivo: Configurar alertas de costos en la nube para ser notificado de cualquier gasto inesperado que exceda los umbrales definidos. Esto es crucial para una gestión FinOps ágil y para evitar sorpresas en la factura.

Conclusión

AutoClerk AI está bien posicionada para lograr una alta rentabilidad en sus primeras etapas debido a su modelo de negocio de alto valor y bajos costos variables. Una gestión FinOps disciplinada, centrada en la optimización continua de los costos de LLM e infraestructura, será fundamental para mantener estos márgenes a medida que la startup escale.