GeoRank AI

Micro-SaaS de IA vertical para optimizacion local de negocios (PyMEs con ubicacion fisica) integrado con Google Business Profile.

1. Concepto

Dueños de restaurantes, tiendas, salones y cafeterias no tienen tiempo ni expertise para mantener activo su perfil de Google Business: no publican sobre eventos/noticias locales y no responden reseñas a tiempo. Eso baja su ranking de busqueda local frente a competidores mas activos.

GeoRank AI conecta el perfil de Google Business del negocio (OAuth2), corre un agente de IA que:

1. Escanea noticias/eventos locales y redacta borradores de publicaciones.
2. Analiza reseñas nuevas y sugiere respuestas optimizadas para SEO local.

El dueño aprueba/edita con un clic desde un panel de sugerencias; al aprobar, la app publica automaticamente en Google. Un dashboard resume vistas, clics a la web y llamadas para demostrar el valor del servicio.

2. Arquitectura

controller/    -> REST API para el frontend (Spring MVC)
service/       -> logica de negocio y orquestacion del agente de IA
client/        -> cliente OpenFeign hacia Google Business Profile API
model/         -> entidades JPA (BusinessProfile, Review, Suggestion, DailyMetric)
repository/    -> Spring Data JPA
dto/           -> records inmutables de entrada/salida
config/        -> seguridad, Feign, scheduling, virtual threads, seed de demo
exception/     -> manejo centralizado de errores (@RestControllerAdvice)

Capas y flujo:

• Conexion OAuth2: spring-boot-starter-oauth2-client habilita el flujo

de autorizacion con Google; BusinessProfileService.connect(...) persiste el BusinessProfile con tokens de acceso/refresco (simulados con Base64 en este MVP) y devuelve un JWT de sesion (JwtService, via io.jsonwebtoken) para el frontend.

• Agente de contenido: %%INLINE5%% (%%INLINE6%%, cada 30 min)

recorre los negocios conectados. LocalSignalService escanea (en paralelo, sobre virtual threads via Executors.newVirtualThreadPerTaskExecutor()) fuentes simuladas de noticias/eventos locales. ContentAgentService redacta el borrador del post (el punto de integracion real con un LLM -OpenAI/Anthropic- queda aislado en esta clase).

• Agente de reseñas: por cada reseña sin respuesta, ReviewAgentService

redacta una respuesta personalizada segun el rating.

• Publicacion: al aprobar una sugerencia, SuggestionService llama a

GooglePublishingService, que usa el Feign client GoogleBusinessProfileClient para crear el local post o responder la reseña en Google. Fallos de red/credenciales se capturan y la sugerencia pasa a estado FAILED sin tumbar el request.

• Dashboard: %%INLINE15%% agrega %%INLINE16%% (vistas, clics,

llamadas) mas reseñas y sugerencias pendientes.

• Virtual Threads: VirtualThreadConfig reemplaza el

%%INLINE18%% por %%INLINE19%%, y LocalSignalService usa un executor de virtual threads dedicado para las llamadas I/O concurrentes (noticias + eventos).

• Datos de demo: %%INLINE21%% (%%INLINE22%%) siembra un

negocio, dos reseñas y dos metricas diarias al primer arranque para que el MVP sea explorable sin credenciales reales de Google.

3. Endpoints

Metodo	Path	Descripcion
POST	/api/business-profiles/connect	Conecta un negocio (simula callback OAuth2 de Google) y devuelve JWT de sesion
GET	/api/business-profiles	Lista negocios conectados
GET	/api/business-profiles/{id}	Detalle de un negocio
GET	/api/business-profiles/{id}/reviews	Lista reseñas del negocio
GET	/api/business-profiles/{id}/suggestions?onlyPending=true	Lista sugerencias (todas o solo pendientes)
POST	/api/business-profiles/{id}/suggestions/{suggestionId}/approve	Aprueba (con edicion opcional en el body) y publica en Google
POST	/api/business-profiles/{id}/suggestions/{suggestionId}/reject	Rechaza la sugerencia
GET	/api/business-profiles/{id}/dashboard	Metricas clave (vistas, clics, llamadas, rating, pendientes)

4. Referencias a mvpFeatures

1. Conexion segura OAuth2 -> spring-boot-starter-oauth2-client +

%%INLINE32%% + %%INLINE33%%.

1. Agente de IA de posts locales -> LocalSignalService +

%%INLINE35%% + %%INLINE36%%.

1. Motor de IA para respuestas a reseñas -> ReviewAgentService.
2. Panel de aprobacion con un clic -> SuggestionController +

%%INLINE39%% (approve/edit/reject) + %%INLINE40%%.

1. Dashboard de metricas -> %%INLINE41%% + %%INLINE42%%.

5. Analisis de negocio

• Monetizacion: freemium B2B SaaS. Plan gratis = 1 ubicacion, cupo

mensual de sugerencias. Plan pago (~$29/mes) = multiples ubicaciones, sugerencias ilimitadas, respuestas automaticas y analitica avanzada. %%INLINE43%% en %%INLINE44%% es la palanca para limitar cupos en iteraciones futuras (contar Suggestion por mes vs. limite del plan).

• ROI medible: el dashboard traduce directamente el trabajo del agente

(posts publicados, reseñas respondidas) en vistas/clics/llamadas, algo que un PyME entiende sin necesitar expertise en marketing.

• Riesgo de desarrollo acotado: alcance ceñido a una sola integracion

(Google Business Profile), reduciendo superficie de mantenimiento.

• Siguiente iteracion sugerida: reemplazar el LLM simulado en

%%INLINE46%%/%%INLINE47%% por Spring AI + proveedor real, y cifrar tokens con un KMS en vez de Base64.

6. Como ejecutar

cd solutions/2026-07-08-georank-ai
mvn spring-boot:run

La app levanta en http://localhost:8080 con H2 en memoria (autoconfigurada por Spring Boot al no haber datasource externo configurado) y datos de demo precargados. Prueba rapida:

curl http://localhost:8080/api/business-profiles
curl http://localhost:8080/api/business-profiles/1/suggestions?onlyPending=true
curl -X POST http://localhost:8080/api/business-profiles/1/suggestions/1/approve
curl http://localhost:8080/api/business-profiles/1/dashboard

Para produccion, configurar spring.datasource.* (PostgreSQL), spring.security.oauth2.client.registration.google.* y georank.google.api-base-url segun el entorno.

---

Análisis FinOps para GeoRank AI

Resumen de Costos y Rentabilidad (MVP)

GeoRank AI demuestra un modelo de negocio con una alta rentabilidad proyectada en su fase MVP, principalmente debido a los costos operativos relativamente bajos, especialmente en lo que respecta al uso de modelos de lenguaje grandes (LLMs) como gpt-4o-mini y una infraestructura cloud optimizada.

Estimación de Costos Mensuales:

• Uso de LLM (OpenAI gpt-4o-mini): ~$5

* Base de cálculo: Aproximadamente 500,000 tokens/mes. Aunque el costo real para gpt-4o-mini por esta cantidad es inferior a $1, se asigna un presupuesto de $5 para cubrir fluctuaciones, posibles usos de modelos de mayor calidad para tareas críticas o retries.

• Infraestructura Cloud (AWS): ~$35

* Detalle: Una instancia %%INLINE54%% para la aplicación Spring Boot (~$15/mes) y una base de datos PostgreSQL gestionada %%INLINE55%% en RDS (~$15/mes), más $5 para almacenamiento, red y monitoring básico.

• APIs Externas (News API): ~$10

* Detalle: Un plan básico para la API de noticias utilizada para escanear eventos y noticias locales.

• Costo Total Estimado: ~$50/mes

Estimación de Ingresos Mensuales:

• Se proyecta una base inicial de 20 clientes de pago, con un plan de $29/mes.
• Ingreso Total Estimado: $580/mes (20 clientes x $29)

Margen de Beneficio:

Con un ingreso de $580 y costos de $50, el margen de beneficio proyectado es del 91%. Esto indica una fuerte viabilidad económica para el MVP, permitiendo reinvertir en desarrollo y marketing.

Oportunidades de Optimización de Costos (FinOps)

Para mantener y mejorar esta excelente rentabilidad a medida que GeoRank AI escala, se recomiendan las siguientes estrategias FinOps:

1. Optimización del Consumo de LLM:

* Caché Inteligente: Implementar un sistema de caché para respuestas del LLM, especialmente para contenido o análisis que se repite o tiene una alta probabilidad de ser similar entre negocios o periodos (ej. tipos de publicaciones estacionales, respuestas a reseñas muy comunes). Esto reduce significativamente las llamadas a la API y el consumo de tokens. * Prompt Engineering Continua: Refinar constantemente los prompts para maximizar la eficiencia (obtener la mejor respuesta con el menor número de tokens de entrada) y la precisión, minimizando la necesidad de retries. * Modelo Híbrido: Aunque %%INLINE56%% es muy eficiente, para tareas donde la calidad es absolutamente crítica, se podría considerar un modelo superior (%%INLINE57%%) y usar gpt-4o-mini para la mayoría de las operaciones, gestionando esta selección programáticamente.

1. Eficiencia de Infraestructura Cloud:

* Serverless para Tareas Programadas: Migrar las ScheduledTask (escaneo de noticias, procesamiento de reseñas) a funciones serverless (ej. AWS Lambda). Esto eliminará el costo de una instancia EC2 siempre encendida para estas tareas, pagando solo por la ejecución real. * Monitoreo de Recursos: Utilizar herramientas de monitoreo (CloudWatch, DataDog) para identificar subutilización de recursos (CPU, RAM) en la instancia EC2 y la base de datos, permitiendo un 'downsizing' si es posible, o ajustar el autoescalado si el tráfico lo justifica. * Backups y Logs: Optimizar las políticas de retención de backups de la base de datos y la recolección de logs para evitar costos innecesarios por almacenamiento.

1. Gestión de APIs Externas:

* Evaluación de Proveedores: Investigar y evaluar continuamente proveedores alternativos para la API de noticias, buscando opciones con mejor relación costo-beneficio o incluso fuentes de datos gratuitas (RSS, APIs gubernamentales) para complementar o reemplazar la API de pago. * Frecuencia de Llamadas: Ajustar dinámicamente la frecuencia de las llamadas a la API de noticias basándose en la actividad del negocio del cliente o la relevancia de las noticias, en lugar de un escaneo fijo.

Al implementar estas estrategias FinOps, GeoRank AI puede asegurar una trayectoria de crecimiento sostenible y maximizar su rentabilidad a medida que escala su base de usuarios.