InsightWeaver AI — Explainer

Concepto

InsightWeaver AI es una herramienta de analítica financiera con IA para CFOs, analistas y fundadores de startups/PYMES. Sube un P&L o Balance General (CSV/XLSX) y la plataforma extrae los datos, los analiza y devuelve una narrativa ejecutiva en lenguaje natural que explica el "porqué" detrás de las cifras, no solo el "qué".

Problema resuelto: equipos financieros pierden horas interpretando manualmente hojas de cálculo. InsightWeaver automatiza el parsing + análisis + narrativa, dejando solo la decisión estratégica al humano.

Arquitectura

Spring Boot 4.0.4 / Java 25, capas clásicas controller → service → repository → model.

• Seguridad: JWT stateless (jjwt 0.12.6) + Spring Security. JwtAuthenticationFilter

valida el header Authorization: Bearer <token> en cada request y puebla el SecurityContext. Passwords con BCrypt.

• Persistencia: Spring Data JPA sobre H2 en memoria (PersistenceConfig, modo

PostgreSQL para compatibilidad de sintaxis). Cambiar a PostgreSQL real en producción solo requiere apuntar el DataSource a la URL/credenciales correspondientes.

• Carga de informes: %%INLINE5%% recibe %%INLINE6%%, valida extensión

(.csv/.xlsx), crea %%INLINE7%% en estado %%INLINE8%% y dispara el análisis async.

• Procesamiento asíncrono: %%INLINE9%% corre en %%INLINE10%% sobre un

executor de virtual threads (Executors.newVirtualThreadPerTaskExecutor(), configurado vía %%INLINE12%% en %%INLINE13%%), liberando el hilo de la petición HTTP mientras se parsea el archivo y se llama a la IA.

• Parsing: ParsingService usa Apache POI (XSSF) para XLSX y un parser CSV manual

para extraer pares etiqueta/valor numérico → FinancialDataRecord.

• IA narrativa: %%INLINE16%% es un %%INLINE17%% apuntando a la Anthropic Messages

API (/v1/messages). El prompt se construye con los line items parseados pidiendo un resumen ejecutivo de 3-5 frases. Si no hay llm.api.key configurada (o la llamada falla), se genera un resumen determinista de respaldo — el MVP nunca se rompe por falta de credenciales.

• Dashboard: src/main/resources/static/index.html — SPA vanilla JS (sin

dependencias) que hace login/registro, sube archivos, lista informes y renderiza la narrativa junto a un gráfico de barras simple (canvas) con las métricas parseadas.

Endpoints

Método	Ruta	Auth	Descripción
POST	/api/v1/auth/register	No	Crea usuario, devuelve JWT
POST	/api/v1/auth/login	No	Autentica, devuelve JWT
POST	%%INLINE23%%	Sí	Sube CSV/XLSX (%%INLINE24%%), dispara análisis
GET	/api/v1/reports	Sí	Lista informes del usuario autenticado
GET	/api/v1/reports/{id}	Sí	Estado + narrativa + métricas del informe

Referencias

• Business case: bigideasdb.com/ai-saas-ideas-2026
• Anthropic Messages API: https://docs.anthropic.com/en/api/messages
• Apache POI: https://poi.apache.org/
• jjwt: https://github.com/jwtk/jjwt

Análisis de negocio

• Mercado: CFOs/analistas de startups y PYMES — dolor universal, presupuesto

limitado, alta frecuencia de uso (cierre mensual/trimestral).

• Monetización: SaaS B2B por niveles — plan gratuito (2 informes/mes) como gancho de

adquisición, planes de pago por volumen de informes, usuarios y features avanzadas (proyecciones, comparativas). El costo marginal por informe (llamada LLM) es bajo y predecible, habilitando márgenes SaaS saludables desde early-stage.

• Ventaja competitiva: las herramientas de BI existentes muestran dashboards; acá el

diferencial es la narrativa en lenguaje natural que conecta los puntos — reduce el tiempo de "insight" de horas a segundos.

• Riesgo principal: dependencia de calidad/costo del LLM de terceros — mitigado con

fallback determinista y capa LLMClient desacoplada (fácil swap de proveedor).

Cómo ejecutar

cd solutions/2026-08-06-insight-weaver-api
mvn spring-boot:run

La app levanta en http://localhost:8080 con H2 en memoria (no requiere Postgres para probar el MVP). Dashboard en http://localhost:8080/index.html.

Para narrativa AI real, exportar antes de arrancar:

export LLM_API_KEY=sk-ant-...

(mapea a llm.api.key; sin ella, el sistema usa el resumen de respaldo automático).

Flujo de prueba manual:

1. %%INLINE35%% con %%INLINE36%% → guarda el token.
2. %%INLINE38%% con el archivo CSV/XLSX y header %%INLINE39%%.
3. %%INLINE40%% hasta ver %%INLINE41%% y leer narrativeSummary.

---

Análisis FinOps para InsightWeaver AI

Resumen de Costos y Rentabilidad

InsightWeaver AI demuestra una estructura de costos excepcionalmente eficiente, impulsada principalmente por la utilización del modelo gpt-4o-mini de OpenAI, que ofrece una relación costo-beneficio inmejorable para tareas de procesamiento de lenguaje natural. Con una estimación inicial de 1.3 millones de tokens procesados al mes, el costo directo de la API de LLM es insignificante, rondando los ~$0.50 mensuales.

Los principales impulsores de costos operativos son la infraestructura cloud necesaria para alojar la aplicación Spring Boot y la base de datos PostgreSQL. Se estima que una configuración robusta pero económica en AWS (ej. una instancia EC2 %%INLINE44%% para la aplicación y una instancia RDS %%INLINE45%% para la base de datos) costará aproximadamente $55 al mes. Sumando pequeños gastos de almacenamiento S3, red y monitoreo básico, los costos operativos totales ascienden a aproximadamente $57.50 mensuales.

Asumiendo un modelo de monetización B2B SaaS con un plan básico de $25/mes y una base inicial de 20 clientes de pago, los ingresos mensuales proyectados son de $500. Esto resulta en un impresionante margen de beneficio del 88%, lo que posiciona a InsightWeaver AI con una alta rentabilidad desde sus primeras etapas.

Desglose de Costos Mensuales Estimados:

• LLM (OpenAI gpt-4o-mini): ~$0.50

* Basado en 900K tokens de entrada y 400K tokens de salida.

• Cloud Hosting (EC2, S3, Networking): ~$30

* Una instancia %%INLINE46%% para la aplicación, almacenamiento S3 para informes, y costos mínimos de transferencia de datos._

• Base de Datos (RDS PostgreSQL): ~$25

* Una instancia %%INLINE47%% para persistencia de datos._

• Monitoring (Básico): ~$2
• TOTAL MENSUAL ESTIMADO: ~$57.50

Estrategias FinOps para la Optimización Continua:

Para mantener este alto margen de beneficio y escalar de manera sostenible, se recomiendan las siguientes estrategias FinOps:

1. Monitorización Activa de Uso de LLM: Implementar dashboards que muestren el consumo de tokens y los costos de la API de LLM en tiempo real. Esto permitirá identificar patrones de uso, detectar anomalías y validar la efectividad de las optimizaciones de prompts.
2. Gestión de la Capacidad de Infraestructura: Utilizar métricas de uso de CPU, RAM y E/S de disco para dimensionar correctamente las instancias de EC2 y RDS. A medida que la carga de trabajo crezca, evaluar la migración a instancias más grandes o a arquitecturas serverless más avanzadas (ej., AWS Fargate, Google Cloud Run) que se escalen automáticamente.
3. Implementación de Políticas de Costo: Establecer alertas de presupuesto en el proveedor de la nube para notificar cuando los gastos se acerquen a los límites predefinidos. Esto ayuda a evitar sorpresas en la factura.
4. Optimización de Almacenamiento: Revisar periódicamente la política de retención de informes y el tier de almacenamiento en S3. Mover datos menos accedidos a opciones de almacenamiento más frías y económicas.
5. Análisis de Costo por Cliente/Característica: A medida que la startup crezca, desarrollar la capacidad de atribuir costos a clientes individuales o a características específicas. Esto es crucial para refinar los modelos de precios y asegurar que las características de alto costo sean rentables.