FlowScribe AI — API

Concepto

FlowScribe AI convierte el trabajo diario del equipo en documentación viva. Un agente de escritorio observa qué hacen los operadores en aplicaciones autorizadas (Stripe, CRMs, paneles internos…), envía esos eventos a la nube, y un pipeline de IA los transforma en un **SOP (Standard Operating Procedure)** paso a paso — sin que nadie tenga que sentarse a escribir un documento. El equipo revisa, edita y aprueba el borrador; luego puede buscarlo en lenguaje natural ("¿cómo se procesa un reembolso en Stripe?") en el dashboard.

Este repo es el backend (API REST) de ese producto: multi-tenant, autenticado con JWT, listo para que un agente de escritorio (Tauri/Electron) y un dashboard web (React/Vue) lo consuman.

Arquitectura

Agente de escritorio ──POST /api/v1/ingest──▶ IngestController
                                                    │
                                                    ▼
                                          RawCapture (cola simulada)
                                                    │  @Async (virtual threads)
                                                    ▼
                                      SopGenerationService (worker IA)
                                                    │
                                                    ▼
                                            Sop + SopStep (DRAFT)
                                                    │
Dashboard ──GET/PUT/POST /api/v1/sops──▶ SopController ──▶ SopService

• Multi-tenant: cada %%INLINE0%% es un tenant. %%INLINE1%%, Sop,

%%INLINE3%% y %%INLINE4%% cuelgan de una organización. El JWT lleva el organizationId en sus claims; todas las queries de negocio filtran por ese id (findByOrganizationId...), aislando datos entre clientes.

• Ingesta asíncrona: POST /api/v1/ingest guarda el lote crudo

(%%INLINE8%%) y dispara %%INLINE9%% en un executor de virtual threads (@Async), simulando la cola SQS/RabbitMQ de producción sin infraestructura externa.

• Pipeline de IA (simulado): SopGenerationService.buildSteps(...)

aplica una heurística local (agrupa eventos consecutivos en pasos legibles) en vez de llamar a un LLM real. Es el punto de extensión exacto para conectar la API de OpenAI/Claude con el prompt de estructuración descrito en el implementationGuide.

• Búsqueda en "memoria colectiva": GET /api/v1/sops?q=... hace un

full-text simplificado (LIKE case-insensitive sobre título, contenido y pasos) acotado al tenant. Sustituible por Pinecone/Weaviate + embeddings sin cambiar el contrato del endpoint.

• Seguridad: JWT stateless (io.jsonwebtoken / jjwt 0.12.6), filtro

%%INLINE16%% puebla el %%INLINE17%% con un UserPrincipal(userId, organizationId, email, role). Contraseñas con BCrypt.

• Persistencia: JPA/Hibernate sobre H2 en memoria (auto-detectado por

Spring Boot al no declarar spring.datasource.url); listo para apuntar a PostgreSQL en producción cambiando solo configuración externa.

Endpoints

Método	Path	Descripción	Auth
POST	/api/v1/auth/register	Crea organización + usuario ADMIN, devuelve JWT	pública
POST	/api/v1/auth/login	Login, devuelve JWT	pública
POST	/api/v1/ingest	Recibe lote de eventos del agente de escritorio	JWT
GET	/api/v1/sops?q=	Lista / busca SOPs en lenguaje natural (memoria colectiva)	JWT
GET	/api/v1/sops/{id}	Detalle de un SOP	JWT
PUT	/api/v1/sops/{id}	Edita título/contenido de un SOP en DRAFT	JWT
POST	/api/v1/sops/{id}/approve	Aprueba y publica el SOP al equipo	JWT

Ejemplo de flujo

# 1. Alta de organización
curl -X POST localhost:8080/api/v1/auth/register -H "Content-Type: application/json" -d '{
  "organizationName": "Acme Ops",
  "email": "admin@acme.com",
  "password": "supersecret"
}'
# -> { "token": "...", "organizationId": 1, ... }

# 2. El agente de escritorio ingiere actividad
curl -X POST localhost:8080/api/v1/ingest -H "Authorization: Bearer <token>" -H "Content-Type: application/json" -d '{
  "agentId": "desktop-agent-01",
  "sopTitleHint": "Procesar reembolso en Stripe",
  "events": [
    {"appName": "Stripe Dashboard", "windowTitle": "Payments", "action": "click", "detail": "Abrir pago #4521", "timestampMillis": 1},
    {"appName": "Stripe Dashboard", "windowTitle": "Payments", "action": "click", "detail": "Botón Reembolsar", "timestampMillis": 2}
  ]
}'
# -> 202 Accepted { "rawCaptureId": 1, "status": "QUEUED" }

# 3. Dashboard busca en la memoria colectiva
curl "localhost:8080/api/v1/sops?q=reembolso%20stripe" -H "Authorization: Bearer <token>"

# 4. Editar y aprobar
curl -X PUT localhost:8080/api/v1/sops/1 -H "Authorization: Bearer <token>" -H "Content-Type: application/json" -d '{"title":"Reembolso Stripe","content":"..."}'
curl -X POST localhost:8080/api/v1/sops/1/approve -H "Authorization: Bearer <token>"

Cómo ejecutar

cd solutions/2026-07-14-flowscribe-ai-api
mvn clean compile        # compila
mvn spring-boot:run      # arranca en :8080 con H2 en memoria

No requiere variables de entorno para desarrollo. Para producción:

• %%INLINE27%% / %%INLINE28%% (propiedades @Value, sobreescribibles).
• Conectar PostgreSQL vía %%INLINE30%% (driver ya en el %%INLINE31%%).

Referencias

• Fuente de la idea: screenpipe en Y Combinator
• Spring Boot 4.0.4 / Spring Framework 7.0.6 / Java 25.
• jjwt 0.12.6 (io.jsonwebtoken) para emisión/verificación de JWT.
• Jackson 3 (%%INLINE33%%) vía %%INLINE34%% inyectado (bean en JacksonConfig).

Análisis de negocio

• Problema real y caro: perder conocimiento operativo cuando alguien se

va, u onboarding lento, cuesta semanas de productividad por empleado. El "aprendizaje pasivo" (no hay que parar a documentar) es el diferenciador frente a herramientas de documentación manual (Notion, Confluence, Tango).

• Cuña de entrada: equipos de operaciones/soporte con procesos

repetitivos en SaaS de terceros (Stripe, Zendesk, CRMs) — alto volumen de "cómo se hace X" que hoy vive solo en la cabeza de una persona.

• Monetización: SaaS B2B por asientos + volumen de datos procesados,

modelo ya validado en la categoría (similar a herramientas de observabilidad/productividad). El multi-tenant desde el día uno permite vender a decenas de organizaciones sin rediseñar el esquema.

• Riesgo principal: precisión del pipeline de IA generando SOPs

realmente útiles sin intervención humana pesada — por eso el MVP incluye el editor de aprobación como control de calidad obligatorio antes de publicar al equipo.

• Expansión natural: búsqueda semántica con embeddings (Pinecone/

Weaviate) sobre la "memoria colectiva" ya modelada aquí, y agente de escritorio con captura de pantalla real (S3) para adjuntar imágenes a cada paso.

---

FinOps Analysis para FlowScribe AI

Este análisis FinOps proporciona una estimación inicial de los costos operativos y el potencial de rentabilidad para FlowScribe AI, una micro-startup de SaaS. El objetivo es asegurar la viabilidad económica desde el MVP y establecer una base para el crecimiento sostenible.

Estimación de Costos Mensuales

Los costos operativos se desglosan en las siguientes categorías:

• Tokens LLM (OpenAI gpt-4o-mini/gpt-4o): ~$15/mes

* Estimación de uso: ~5 millones de tokens/mes, considerando una mezcla de gpt-4o-mini para tareas generales y gpt-4o para la generación de SOPs de alta calidad. Esto incluye la ingesta de datos de flujos de trabajo y la búsqueda semántica.

• Infraestructura Cloud (AWS/GCP Baseline): ~$42/mes

* Cómputo: Una instancia t3.small (EC2) o e2-small (GCP) para el backend de Spring Boot: ~$14/mes. * Base de Datos: Una instancia db.t3.micro (RDS PostgreSQL) o Cloud SQL: ~$15/mes. * Almacenamiento (S3/Cloud Storage): Para datos brutos y capturas de pantalla: ~$5/mes (asumiendo ~100GB de almacenamiento). * Cola de Mensajes (SQS/Cloud Pub/Sub): Para procesamiento asíncrono: ~$1/mes (más allá del nivel gratuito). * CDN (CloudFront/Cloud CDN): Para servir el dashboard web: ~$2/mes (más allá del nivel gratuito). * Monitoreo (CloudWatch/Cloud Monitoring): Métricas y logs básicos: ~$5/mes.

• Base de Datos Vectorial (Pinecone/Weaviate): ~$25/mes

* Se asume un plan de inicio o un tier pequeño para Pinecone o un servicio similar para la búsqueda semántica.

• Otros Costos Operacionales: ~$69/mes

* Dominio/SSL: ~$1/mes. * Servicio de Email (SendGrid/SES): Para notificaciones a usuarios: ~$10/mes. * Procesamiento de Pagos (Stripe): Tarifas de transacción (2.9% + $0.30/transacción): ~$38/mes (estimado para 5 clientes). * Herramientas de Desarrollo/Licencias: GitHub, IDEs, etc.: ~$20/mes.

Costo Operativo Mensual Total Estimado: ~$151

Estimación de Ingresos Mensuales

Basado en el modelo de monetización B2B SaaS por suscripción:

• Precio por Asiento: $25/usuario/mes.
• Clientes Iniciales (MVP): 5 empresas.
• Usuarios por Cliente: 10 usuarios (promedio para PMEs).
• Total de Usuarios: 50 usuarios.

Ingreso Mensual Total Estimado: ~$1250

Cálculo del Margen de Beneficio

Margen de Beneficio = ((Ingresos - Costos) / Ingresos) 100 Margen de Beneficio = (($1250 - $151) / $1250) 100 Margen de Beneficio = ($1099 / $1250) 100 = ~87%

Conclusión Financiera

FlowScribe AI demuestra un margen de beneficio excepcionalmente alto en su fase MVP, principalmente debido a los bajos costos variables asociados con el uso de LLMs eficientes como gpt-4o-mini y una infraestructura cloud lean. Los costos fijos de infraestructura y las herramientas operativas constituyen la mayor parte del gasto inicial. Este alto margen permite una reinversión significativa en el desarrollo de productos y la adquisición de clientes.

Estrategias de Optimización FinOps

Para mantener y mejorar este margen a medida que la startup crece, se recomiendan las siguientes optimizaciones:

1. Optimización del Consumo de LLM: Implementar estrategias de caché para respuestas comunes, refinar prompts para ser más concisos y eficientes, y utilizar modelos de menor costo (gpt-4o-mini o modelos open-source) siempre que sea posible. Evaluar el procesamiento por lotes de flujos de trabajo durante horas de baja demanda para aprovechar precios más económicos.
2. Eficiencia de Infraestructura Cloud: Monitorear de cerca el uso de recursos y ajustar el tamaño de las instancias. Explorar el uso de instancias reservadas o Savings Plans para componentes estables como bases de datos y cómputo base. Considerar arquitecturas serverless para el 'AI Processing Worker' para escalar automáticamente y pagar solo por el uso real.
3. Gestión de Datos: Aplicar políticas de ciclo de vida en el almacenamiento de objetos (S3) para mover datos antiguos o menos accedidos a tiers de almacenamiento más económicos (ej. Glacier), reduciendo los costos de almacenamiento a largo plazo.
4. Costos de Bases de Datos Vectoriales: A medida que el volumen de datos crezca, reevaluar la opción de auto-hospedar soluciones de bases de datos vectoriales (como Weaviate o Qdrant) en instancias optimizadas, lo que podría ser más rentable que los servicios gestionados de terceros.
5. Visibilidad y Control de Costos: Implementar un etiquetado de recursos exhaustivo en la nube para categorizar los gastos por cliente, entorno o característica. Configurar alertas de presupuesto y uso para detectar desviaciones inesperadas y tomar acciones correctivas proactivamente.