FactoryPilot AI — EXPLAINER

Concept

FactoryPilot AI eliminates the manual bottleneck in manufacturing procurement. Operations managers upload a Request for Quotation (RFQ) — a PDF or email — and the platform automatically:

1. Parses the document with an LLM to extract part numbers, quantities, materials, and delivery dates.
2. Matches the requirements against a supplier database using a concurrent keyword-scoring engine.
3. Generates ready-to-send email drafts for each matched supplier in one click.
4. Tracks every quote through its lifecycle (sent → viewed → responded) in a centralised dashboard.

Target users: Procurement managers and operations teams in manufacturing SMEs who lose hundreds of hours per month to manual RFQ workflows.

---

Architecture

┌───────────────────────────────────────────────────────────────────┐
│                        REST API (port 8080)                        │
│                                                                   │
│  AuthController   RfqController   SupplierController  QuoteController │
│        │               │                │                   │     │
│  ──────┴───────────────┴────────────────┴───────────────────┴──── │
│        AuthService  RfqProcessingService  SupplierService  QuoteService │
│                           │                    │                  │
│                     EmailDraftService           │                  │
│                           │                    │                  │
│                      LlmClient (Feign)  SupplierRepository        │
│                           │             RfqRepository             │
│                    OpenAI API           QuoteRepository            │
│                                         UserRepository            │
│                                              │                    │
│                                      JPA / Hibernate              │
│                                              │                    │
│                                   H2 (dev) / PostgreSQL (prod)    │
└───────────────────────────────────────────────────────────────────┘

Key design choices

Concern	Decision	Reason
Auth	JWT (jjwt 0.12.6)	Stateless, scales horizontally
AI integration	Spring Cloud OpenFeign → OpenAI	Declarative HTTP client, graceful fallback
Concurrency	Virtual Threads (Thread.ofVirtual())	Supplier matching scores N suppliers concurrently without blocking platform threads
Persistence	JPA + H2 (dev) / PostgreSQL (prod)	Dev-friendly embedded DB, production-ready with zero code changes
DTO layer	Java 25 Records	Immutable, concise, native Jackson 3.x support
Config	@ConfigurationProperties record	Type-safe, IDE-friendly property binding

---

Endpoints

Authentication (no JWT required)

Method	Path	Body	Description
%%INLINE2%%	%%INLINE3%%	{"username","email","password"}	Create account, receive JWT
%%INLINE5%%	%%INLINE6%%	{"username","password"}	Authenticate, receive JWT

RFQs (JWT required — Authorization: Bearer <token>)

Method	Path	Description
%%INLINE9%%	%%INLINE10%%	Multipart upload; AI parses part numbers, quantities, materials, delivery date
%%INLINE11%%	%%INLINE12%%	Dashboard feed — all RFQs ordered by date with quote counts
%%INLINE13%%	%%INLINE14%%	Single RFQ detail with AI-extracted fields
%%INLINE15%%	%%INLINE16%%	AI-matched supplier recommendations (virtual-thread concurrent scoring)
%%INLINE17%%	%%INLINE18%%	Auto-generated professional email draft

Suppliers

Method	Path	Description
%%INLINE19%%	%%INLINE20%%	List all active suppliers
%%INLINE21%%	%%INLINE22%%	Register a new supplier with capabilities and materials
%%INLINE23%%	%%INLINE24%%	Supplier detail
%%INLINE25%%	%%INLINE26%%	Update supplier
%%INLINE27%%	%%INLINE28%%	Soft-delete (deactivate)

Quotes

Method	Path	Description
%%INLINE29%%	%%INLINE30%%	All quotes across every RFQ
%%INLINE31%%	%%INLINE32%%	Comparison view — all quotes for one RFQ
%%INLINE33%%	%%INLINE34%%	Create quote entry after sending email
%%INLINE35%%	%%INLINE36%%	Transition status (SENT → VIEWED → RESPONDED)
%%INLINE37%%	%%INLINE38%%	Record supplier's quoted price

---

Running Locally

Prerequisites

• Java 25+
• Maven 3.9+
• (Optional) OpenAI API key for live LLM extraction

Start with H2 (no DB setup required)

cd solutions/2026-05-05-factory-pilot-ai

# Compile
mvn clean compile

# Run in dev profile (H2 in-memory, virtual threads enabled)
OPENAI_API_KEY=your-key-here \
  mvn spring-boot:run -Dspring-boot.run.profiles=dev

The app starts on http://localhost:8080. H2 console available at http://localhost:8080/h2-console (JDBC URL: jdbc:h2:mem:factorypilotdb).

Running against PostgreSQL

export SPRING_DATASOURCE_URL=jdbc:postgresql://localhost:5432/factorypilot
export SPRING_DATASOURCE_USERNAME=postgres
export SPRING_DATASOURCE_PASSWORD=secret
export OPENAI_API_KEY=sk-...

mvn spring-boot:run

Quick smoke test

# 1. Register
curl -s -X POST http://localhost:8080/api/auth/register \
  -H "Content-Type: application/json" \
  -d '{"username":"alice","email":"alice@acme.com","password":"secret123"}' | jq .

# 2. Login → grab token
TOKEN=$(curl -s -X POST http://localhost:8080/api/auth/login \
  -H "Content-Type: application/json" \
  -d '{"username":"alice","password":"secret123"}' | jq -r .token)

# 3. Register a supplier
curl -s -X POST http://localhost:8080/api/suppliers \
  -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json" \
  -d '{"name":"AcmeMetal","email":"rfq@acmemetal.com","capabilities":"CNC machining, welding","materials":"Aluminum 6061, Steel 304","country":"US"}' | jq .

# 4. Upload an RFQ (any text file works in dev)
echo "Part: WIDGET-007 | Qty: 500 | Material: Aluminum 6061 | Deliver by: 2026-08-01" > /tmp/rfq.txt
curl -s -X POST http://localhost:8080/api/rfqs/upload \
  -H "Authorization: Bearer $TOKEN" \
  -F "file=@/tmp/rfq.txt" | jq .

# 5. Dashboard
curl -s http://localhost:8080/api/rfqs \
  -H "Authorization: Bearer $TOKEN" | jq .

# 6. Supplier match (use the rfq id from step 4)
curl -s http://localhost:8080/api/rfqs/1/suppliers \
  -H "Authorization: Bearer $TOKEN" | jq .

# 7. Email draft (rfqId=1, supplierId=1)
curl -s "http://localhost:8080/api/rfqs/1/email-draft?supplierId=1" \
  -H "Authorization: Bearer $TOKEN" | jq .

---

Business Analysis

Problem

Manufacturing SMEs lose 200–400 hrs/month per procurement team processing RFQs manually. Each RFQ cycle (parse → identify suppliers → draft emails → track responses) takes 2–4 hours on average. Errors in part numbers or quantities propagate to production delays and cost overruns.

Solution ROI

FactoryPilot AI compresses the RFQ cycle from hours to < 5 minutes:

• AI parsing: 10 seconds vs. 30–60 min manual read
• Supplier matching: instant vs. hours of cross-referencing spreadsheets
• Email drafting: 5 seconds vs. 20 min per supplier

A team processing 50 RFQs/month saves ≈ 150 hrs/month — equivalent to one full-time employee.

Monetisation (B2B SaaS)

Tier	RFQs/month	Price/month
Starter	20	$199
Growth	100	$599
Enterprise	Unlimited	$1,499+

Target LTV: $3,000–$18,000 per account. Payback period for customer: < 1 month (staff-time savings).

Competitive moat

• Domain-specific prompt engineering for manufacturing documents
• Supplier capability graph built from usage data
• Workflow integrations (ERP, email) planned for v2

---

References

• Korso — YC Company Page
• Spring Boot 4.0.4 Release Notes
• jjwt 0.12.x Migration Guide
• Spring Cloud OpenFeign 4.2
• OpenAI Chat Completions API
• Java 25 Virtual Threads (JEP 444)

---

FinOps Analysis

Estimación de Costos Operativos Mensuales (MVP)

Para FactoryPilot AI, hemos proyectado un modelo de costos optimizado para una micro-startup en fase MVP, asumiendo una base inicial de 20 clientes activos.

• Uso de LLM (GPT-4-Turbo): Se estima un consumo mensual de aproximadamente 1.25 millones de tokens (825K de entrada y 425K de salida), derivado del procesamiento de 500 RFQs y la generación de 1000 emails a proveedores. Dada la necesidad de 'parseo inteligente' y precisión en un entorno B2B, se ha optado por gpt-4-turbo, resultando en un costo de $21/mes.

• Infraestructura Cloud (AWS):

* Servidor de Aplicación (Spring Boot): Una instancia t3.small de EC2 es suficiente para un MVP, con un costo aproximado de $30/mes. * Base de Datos (PostgreSQL): Una instancia db.t3.micro de RDS ofrece un rendimiento adecuado para el inicio, con un costo de $15/mes. * Almacenamiento y Redes (S3/Data Transfer): Costos marginales de aproximadamente $3/mes. * Costo Total de Infraestructura Cloud: $48/mes.

• Costos Operativos Totales Mensuales: Sumando LLM e infraestructura, el costo operativo total estimado es de ~$69/mes.

Estimación de Ingresos y Margen de Beneficio

Basado en un modelo de suscripción B2B SaaS, y asumiendo un promedio de 20 clientes pagando un plan básico de $49/mes (para hasta 50 RFQs y 2 usuarios):

Ingresos Mensuales Estimados: 20 clientes $49/cliente = $980/mes.

• Margen de Beneficio: Con ingresos de $980 y costos de $69, el margen de beneficio proyectado es del 93% ((($980 - $69) / $980) * 100). Este alto margen subraya la eficiencia del modelo y el bajo coste de entrada para una startup de IA, especialmente si el modelo de precios y adquisición de clientes se mantiene.

Estrategias de Optimización de Costos (FinOps)

Para mantener este margen elevado y escalar de manera sostenible, FactoryPilot AI debería considerar las siguientes optimizaciones:

1. Optimización de LLM: Implementar %%INLINE44%% avanzado para minimizar el conteo de tokens. Utilizar modelos de LLM más económicos (ej. %%INLINE45%% o %%INLINE46%%) para tareas de menor complejidad (como la generación de emails), reservando %%INLINE47%% para el parseo crítico de RFQs. A largo plazo, explorar el fine-tuning de modelos de código abierto (ej. Llama 3) para tareas específicas, reduciendo la dependencia de APIs externas y sus costos.
2. Caché Inteligente: Desarrollar una capa de caché para las respuestas del LLM, especialmente para RFQs recurrentes o componentes de RFQs que se repiten, evitando llamadas duplicadas y reduciendo el consumo de tokens.
3. Economías de Escala en Cloud: Una vez que la carga de trabajo se estabilice, migrar a %%INLINE49%% o %%INLINE50%% en AWS para EC2 y RDS, lo que puede reducir los costos de infraestructura hasta en un 30-50%.
4. Arquitectura Serverless: Evaluar la posibilidad de refactorizar componentes del backend a una arquitectura serverless (ej. AWS Lambda) para el procesamiento de RFQs, pagando solo por el tiempo de ejecución y los recursos consumidos, ideal para cargas de trabajo intermitentes.
5. Optimización de Base de Datos: Realizar un monitoreo constante y optimización de las consultas y el esquema de la base de datos para garantizar la eficiencia de los recursos, lo que podría permitir mantener una instancia RDS de menor tamaño por más tiempo o migrar a soluciones más escalables y económicas como Aurora Serverless si el crecimiento lo justifica.
6. Gestión de Almacenamiento: Asegurarse de que los archivos PDF de las RFQs se almacenen en servicios de almacenamiento de objetos de bajo costo (ej. AWS S3) en lugar de la base de datos, que es más costosa para grandes volúmenes de datos binarios.