Empath AI — MVP Explainer

Concepto

Empath AI es una plataforma B2B SaaS que detecta emociones en tiempo real dentro de chats de atención al cliente. Mientras el cliente escribe, la IA analiza su texto, clasifica su estado emocional (feliz, neutral, triste, confundido, frustrado, enojado) y alerta al agente humano cuando la situación es crítica — antes de que el cliente abandone la conversación.

Problema atacado: Los chatbots actuales son ciegos emocionalmente. Un cliente furioso recibe la misma respuesta robótica que uno satisfecho, lo que dispara el churn y destruye el CSAT.

Diferenciador clave: Emoción detectada → sugerencia de respuesta adaptada → alerta de escalada automática. Todo en < 200 ms.

---

Arquitectura

┌──────────────────────────────────────────────────────────┐
│                      Cliente / Frontend                  │
│  WebSocket (STOMP/SockJS)          REST + JWT Bearer     │
└──────────┬───────────────────────────────────┬───────────┘
           │ /ws/chat → /app/chat.send         │ /api/**
           ▼                                   ▼
┌──────────────────────────────────────────────────────────┐
│                   Spring Boot 4.0.4                      │
│                                                          │
│  ChatController (STOMP)   DashboardController (REST)     │
│       │                        │                         │
│  ChatService ──────────► DashboardService                │
│       │          │             │                         │
│       │    EmotionAnalysisService                        │
│       │          │  ↓ try                                │
│       │    LlmFeignClient ──► External LLM API           │
│       │          │  ↓ catch (fallback)                   │
│       │    Keyword heuristics                            │
│       │                                                  │
│       ├── MessageRepository ──► H2 (dev) / PostgreSQL    │
│       ├── ConversationRepository                         │
│       │                                                  │
│       └── ApplicationEventPublisher                      │
│                  │ FrustrationAlertEvent                  │
│                  ▼                                       │
│            AlertService ──► /topic/alerts (WebSocket)    │
│                         ──► /topic/alerts/{sessionId}    │
└──────────────────────────────────────────────────────────┘

Stack

Capa	Tecnología
Runtime	Java 25, Virtual Threads
Framework	Spring Boot 4.0.4, Spring Framework 7
Seguridad	Spring Security 7, JJWT 0.12.6
Persistencia	Spring Data JPA, Hibernate 7, H2 (dev), PostgreSQL (prod)
Tiempo real	WebSocket + STOMP (Spring WebSocket)
Cliente LLM	Spring Cloud OpenFeign 4.2.1
Serialización	Jackson 3 (tools.jackson.*)

---

Endpoints

Autenticación

POST /api/auth/login
Body: { "username": "manager", "password": "manager123" }
→ 200: { "token": "eyJ...", "username": "manager", "role": "ROLE_MANAGER" }

Usuarios MVP: %%INLINE1%% (MANAGER + AGENT), %%INLINE2%% (AGENT).

---

Dashboard REST (requiere Authorization: Bearer <token>)

Método	URL	Auth	Descripción
%%INLINE4%%	%%INLINE5%%	MANAGER	KPIs: distribución de emociones, tasa de frustración, escalaciones
%%INLINE6%%	%%INLINE7%%	AGENT+	Lista todas las conversaciones con conteo de mensajes
%%INLINE8%%	%%INLINE9%%	AGENT+	Mensajes de una conversación con datos de emoción
%%INLINE10%%	%%INLINE11%%	AGENT+	Últimas alertas de escalada (en memoria)
%%INLINE12%%	%%INLINE13%%	AGENT+	Sugerencias de respuesta adaptadas a la emoción detectada

Ejemplo: métricas

GET /api/dashboard/metrics
→ {
    "totalConversations": 42,
    "escalatedCount": 7,
    "frustrationRate": 0.23,
    "totalMessages": 198,
    "emotionDistribution": {
      "HAPPY": 45,
      "NEUTRAL": 88,
      "FRUSTRATED": 32,
      "ANGRY": 14,
      "SAD": 12,
      "CONFUSED": 7
    }
  }

Ejemplo: sugerencias

GET /api/dashboard/suggestions/sess-001
→ [
    {
      "suggestion": "I understand this has been frustrating. Let me take full ownership...",
      "tone": "empathetic-action",
      "targetEmotion": "FRUSTRATED",
      "confidence": 0.92
    }
  ]

---

WebSocket (STOMP)

Conectar: ws://localhost:8080/ws/chat (SockJS fallback disponible)

Enviar mensaje:

Destination: /app/chat.send
Body:
{
  "sessionId":  "sess-001",
  "customerId": "cust-42",
  "content":    "This is absolutely terrible, nothing works!",
  "sender":     "customer"
}

Suscripciones:

Topic	Contenido
%%INLINE15%%	%%INLINE16%% con emoción detectada en tiempo real
%%INLINE17%%	%%INLINE18%% cuando frustración supera el umbral (dashboard)
%%INLINE19%%	%%INLINE20%% para la sesión específica (agente)

Ejemplo de respuesta en /topic/emotion/sess-001:

{
  "id": 15,
  "content": "This is absolutely terrible, nothing works!",
  "sender": "customer",
  "detectedEmotion": "ANGRY",
  "emotionScore": 0.88,
  "timestamp": "2026-04-26T14:32:01.123Z"
}

---

Lógica de alertas

1. Cada mensaje de cliente pasa por EmotionAnalysisService.
2. Si %%INLINE23%% y %%INLINE24%% (configurable vía empath.frustration-threshold):

- La conversación se marca escalated = true en BD. - Se publica un FrustrationAlertEvent (Spring Application Events). - %%INLINE28%% lo recibe y hace broadcast a %%INLINE29%%.

---

Análisis de Negocio

TAM / SAM / SOM

• TAM: $11B — mercado global de software de atención al cliente (2026).
• SAM: $2.5B — SaaS de CX con IA para B2B SaaS y e-commerce.
• SOM: $25M en 3 años (0.1% SAM con 500 clientes a $4K ARR/asiento).

Modelo de monetización

Plan	Precio	Incluye
Starter	$99/mes	5.000 conversaciones/mes, 2 agentes
Growth	$499/mes	50.000 conversaciones/mes, 10 agentes
Enterprise	Custom	Ilimitado, SSO, SLA 99.9%

ROI medible para el cliente

• -15% churn al detectar y retener clientes frustrados antes de que abandonen.
• +20 pts CSAT por respuestas más empáticas y contextualizadas.
• -30% escaladas innecesarias al darle al agente sugerencias precisas en el momento correcto.

Competidores

Competidor	Gap que Empath AI llena
Intercom	No detecta emoción en tiempo real
Zendesk AI	Análisis post-hoc, no in-chat
Freshdesk	Sin sugerencias adaptativas por emoción

---

Cómo ejecutar

Prerrequisitos

• Java 25 JDK
• Maven 3.9+

Arrancar

cd solutions/2026-04-26-empath-ai-api
mvn spring-boot:run

La aplicación arranca en http://localhost:8080 con H2 en memoria.

Probar la API

# 1. Login
TOKEN=$(curl -s -X POST http://localhost:8080/api/auth/login \
  -H 'Content-Type: application/json' \
  -d '{"username":"manager","password":"manager123"}' \
  | jq -r .token)

# 2. Métricas del dashboard
curl -H "Authorization: Bearer $TOKEN" \
     http://localhost:8080/api/dashboard/metrics

# 3. Listar conversaciones
curl -H "Authorization: Bearer $TOKEN" \
     http://localhost:8080/api/dashboard/conversations

# 4. Alertas recientes
curl -H "Authorization: Bearer $TOKEN" \
     http://localhost:8080/api/dashboard/alerts

H2 Console (dev)

http://localhost:8080/h2-console

• JDBC URL: jdbc:h2:mem:empathdb
• User: sa / Password: (vacío)

Producción (PostgreSQL)

Añadir en application.yml o variables de entorno:

spring:
  datasource:
    url: jdbc:postgresql://host:5432/empathdb
    username: ${DB_USER}
    password: ${DB_PASSWORD}
  jpa:
    hibernate:
      ddl-auto: validate

---

Referencias

• AI App Ideas — DevTrios Blog
• Spring Boot 4 Release Notes
• jjwt 0.12.x API
• Spring Cloud OpenFeign
• STOMP over WebSocket — Spring

---

FinOps Analysis para Empath AI

Visión General

Empath AI, una micro-startup enfocada en la detección de emociones para atención al cliente, opera con una estructura de costos lean y un modelo de monetización SaaS B2B. El análisis FinOps revela una alta rentabilidad potencial en las primeras etapas, impulsada por costos operativos controlados y un modelo de precios claro.

Estimación de Costos Operativos Mensuales

1. Estimación de Tokens LLM: Para una operación inicial, estimamos aproximadamente ~1 millón de tokens mensuales. Esto se basa en un volumen de ~300-500 conversaciones/mes, con un promedio de 10 mensajes por conversación. Cada mensaje implica una interacción LLM para detección de emociones y/o sugerencias de respuesta, con un tamaño promedio de prompt/respuesta que incluye contexto.

2. Desglose de Costos Mensuales:

• APIs LLM (OpenAI): $10/mes

* Este costo asume una estrategia de modelos híbrida: %%INLINE35%% para la mayoría de las detecciones de emociones y sugerencias estándar (muy económico), complementado con %%INLINE36%% para casos más complejos o críticos donde la calidad es primordial. El costo se ha redondeado para incluir un pequeño buffer inicial.

• Cloud Hosting (AWS): $40/mes

* EC2 (Compute): Una instancia t3.small (Linux) a ~ $15/mes es suficiente para una aplicación Spring Boot de micro-startup. Ofrece 2 vCPU y 2 GB de RAM, ideal para manejar el tráfico inicial. * RDS (Base de Datos): Una instancia db.t4g.micro de PostgreSQL a ~ $15/mes (incluyendo 20GB de almacenamiento y I/O básico) es adecuada para persistir el historial de conversaciones y datos de sentimiento. * Almacenamiento (S3): ~ $1/mes para logs y backups mínimos. * Networking y Transferencia de Datos: ~ $5/mes para tráfico de red saliente y entrante. * Monitoring (CloudWatch): ~ $4/mes para métricas básicas y logs.

• Total de Costos Operativos Mensuales Estimados: $50

Estimación de Ingresos Mensuales

Basado en un modelo de precios por niveles de SaaS B2B, con un plan de entrada de $25 por cliente/mes.

• Número de Clientes Iniciales: 10 clientes.

Ingresos Mensuales Estimados: 10 clientes $25/cliente = $250/mes.

Margen de Beneficio

((Ingresos - Costos) / Ingresos) 100 (($250 - $50) / $250) 100 = (200 / 250) * 100 = 80%

Este alto margen de beneficio inicial es típico de startups con bajos costos fijos y un modelo de negocio escalable, especialmente cuando se apalancan servicios de IA de bajo costo como gpt-4o-mini.

Optimización de Costos (Estrategias FinOps)

Para mantener la rentabilidad y escalar eficientemente, Empath AI debería implementar las siguientes estrategias FinOps:

1. Caché de Respuestas LLM: Implementar una capa de caché para las detecciones de emociones. Frases de cliente idénticas o muy similares no necesitan ser enviadas repetidamente al LLM, ahorrando tokens y reduciendo la latencia. Esto es especialmente efectivo para preguntas frecuentes o patrones de frustración comunes.
2. Ingeniería de Prompts y Optimización de Tokens: Diseñar prompts concisos y eficientes. Experimentar con diferentes formatos de entrada para minimizar los tokens de entrada sin sacrificar la calidad de la respuesta. Utilizar técnicas como 'few-shot learning' para guiar al LLM con menos texto de contexto.
3. Uso de LLM por Niveles (Tiered LLM Usage): Distinguir entre interacciones que requieren alta precisión y aquellas que pueden usar modelos más económicos. Utilizar %%INLINE39%% para la mayoría de las detecciones de emociones y sugerencias estándar, y reservar modelos más potentes (como %%INLINE40%% o gpt-3.5-turbo) solo para escenarios complejos, críticas o clientes de planes premium que justifiquen el costo adicional.
4. Procesamiento por Lotes para Analíticas: En lugar de realizar agregaciones complejas en tiempo real para el dashboard de métricas, procesar datos históricos en lotes durante horas de menor actividad. Esto reduce la carga de la base de datos y del cómputo, permitiendo el uso de recursos más pequeños o instancias de menor costo.
5. Instancias Reservadas (RIs) / Savings Plans: Una vez que la carga de trabajo y el uso de infraestructura se estabilicen, comprometerse con instancias reservadas o 'Savings Plans' en AWS para EC2 y RDS. Esto puede resultar en ahorros significativos (30-50%) en comparación con los precios bajo demanda.
6. Arquitectura Serverless para Tareas Asíncronas: Evaluar la migración de componentes no críticos o asíncronos (ej. el sistema de alertas que notifica a un agente humano) a servicios serverless como AWS Lambda. Esto elimina la necesidad de mantener servidores siempre encendidos, pagando solo por el tiempo de ejecución de la función.