InsightLoop AI — User Interview Analysis Platform

Concept

InsightLoop AI eliminates the manual grind of user research synthesis. Product managers and UX researchers upload interview recordings; the platform transcribes them with speaker diarization, runs LLM-powered thematic analysis, and surfaces actionable insights — pain points, feature requests, key quotes, and sentiment — across an entire body of interviews. The result: decisions based on evidence, not recollection.

---

Architecture

┌─────────────────────────────────────────────────────────────────┐
│                        Spring Boot 4.0.4                         │
│                                                                   │
│  AuthController  ProjectController  InterviewController           │
│  InsightController                                                │
│        │                │                  │                      │
│   AuthService     ProjectService     InterviewService             │
│        │                │            InsightService               │
│        │                │                  │                      │
│   UserRepository  ProjectRepository  InterviewRepository          │
│                                      InsightRepository            │
│                                            │                      │
│        ┌────────────────────────────────── ┘                     │
│        │        TranscriptionProcessingService                    │
│        │         (Virtual Thread per interview)                   │
│        │                 │                                        │
│        │    ┌────────────┴────────────┐                          │
│        │    ▼                         ▼                          │
│   TranscriptionClient           LlmClient                        │
│   (AssemblyAI Feign)         (OpenAI Feign)                      │
│        │                         │                               │
│   StorageService (S3/local)      │                               │
│                                  │                               │
│   SecurityConfig + JwtAuthFilter + JwtUtil                        │
└─────────────────────────────────────────────────────────────────┘
         │                         │
    AssemblyAI STT             OpenAI GPT-4o
    (diarized transcription)   (insight extraction + summaries)

Tech Stack

Layer	Technology
Runtime	Java 25, Virtual Threads
Framework	Spring Boot 4.0.4 / Spring Framework 7.x
Security	Spring Security 7 + JJWT 0.12.6
Persistence	Spring Data JPA 4 + PostgreSQL
HTTP Clients	Spring Cloud OpenFeign 4.2.1
JSON	Jackson 3 (tools.jackson.*)
Build	Maven

Key Design Decisions

• Virtual Threads — each interview's transcription + analysis pipeline runs on a Thread.ofVirtual() so HTTP calls to AssemblyAI and OpenAI never block carrier threads.
• Stateless JWT — no session state; tokens carry the user's email as subject.
• Records for DTOs — all request/response types are Java Records; immutable by construction.
• Feign Clients — %%INLINE2%% and %%INLINE3%% declared as interfaces; implementation generated at runtime by Spring Cloud OpenFeign.
• RFC 9457 errors — %%INLINE4%% returns %%INLINE5%% JSON for all error cases.

---

Endpoints

Authentication (public)

Method	Path	Description
%%INLINE6%%	%%INLINE7%%	Create account; returns JWT
%%INLINE8%%	%%INLINE9%%	Exchange credentials for JWT

Projects (JWT required)

Method	Path	Description
%%INLINE10%%	%%INLINE11%%	List authenticated user's projects
%%INLINE12%%	%%INLINE13%%	Create a project
%%INLINE14%%	%%INLINE15%%	Get one project
%%INLINE16%%	%%INLINE17%%	Update name/description
%%INLINE18%%	%%INLINE19%%	Delete project

Interviews (JWT required)

Method	Path	Description
%%INLINE20%%	%%INLINE21%%	Upload recording; fires async pipeline
%%INLINE22%%	%%INLINE23%%	Get interview + current status
%%INLINE24%%	%%INLINE25%%	List project's interviews

Insights (JWT required)

Method	Path	Description
%%INLINE26%%	%%INLINE27%%	All AI-extracted insights for a project
%%INLINE28%%	%%INLINE29%%	Aggregated dashboard + executive summary
%%INLINE30%%	%%INLINE31%%	Semantic search across transcripts

Example: Upload an Interview

curl -X POST http://localhost:8080/api/interviews/upload \
  -H "Authorization: Bearer <JWT>" \
  -F "file=@interview.mp3" \
  -F "projectId=<uuid>" \
  -F "title=Customer Discovery Call - March"

Response (202 Accepted):

{
  "interviewId": "a1b2c3d4-...",
  "storageUrl": "https://storage.insightloop.ai/interviews/...",
  "status": "PENDING_TRANSCRIPTION",
  "message": "Interview uploaded successfully. Processing has started."
}

Example: Get Insights Dashboard

curl http://localhost:8080/api/projects/<uuid>/dashboard \
  -H "Authorization: Bearer <JWT>"

Response:

{
  "projectId": "...",
  "projectName": "Q2 Discovery Research",
  "totalInterviews": 8,
  "completedInterviews": 6,
  "insightsByType": {
    "PAIN_POINT": 14,
    "FEATURE_REQUEST": 9,
    "THEME": 7,
    "KEY_QUOTE": 12,
    "SENTIMENT": 6
  },
  "topInsights": [...],
  "executiveSummary": "Users consistently struggle with onboarding complexity..."
}

Example: Semantic Search

curl -X POST http://localhost:8080/api/search \
  -H "Authorization: Bearer <JWT>" \
  -H "Content-Type: application/json" \
  -d '{"query": "pricing too expensive", "projectId": "<uuid>"}'

---

Interview Processing Pipeline

Upload file
    │
    ▼
StorageService.upload()  →  returns storage URL
    │
    ▼
Interview saved (status: PENDING_TRANSCRIPTION)
    │
    ▼
Thread.ofVirtual().start() ─────────────────────────────────┐
    │                                                         │
    │  TranscriptionClient.createTranscript(audioUrl)         │
    │  Poll until "completed" (max 5 min, 5s intervals)       │
    │  Save diarized transcript to Interview.transcript       │
    │                                                         │
    │  LlmClient.complete(prompt + transcript)                │
    │  Parse JSON response → List<Insight>                    │
    │  Save all Insight records                               │
    │  Status → COMPLETED                                     │
    └─────────────────────────────────────────────────────────┘

---

Business Analysis

Problem Size

Manual synthesis of user interviews costs large research teams 200–400 hours/quarter. At $80/hour loaded cost, that's $16,000–$32,000 per team per quarter — just in labor. InsightLoop replaces this with minutes of automated processing.

Revenue Model (SaaS Tiers)

Tier	Price	Interviews/month	Users
Starter	$49/mo	5 hrs	1
Growth	$149/mo	20 hrs	5
Pro	$399/mo	60 hrs	unlimited
Enterprise	Custom	Custom	Custom

Competitive Moat

• Diarized transcripts + LLM analysis in one pipeline (vs. separate tools)
• Project-scoped insight aggregation across multiple interviews
• Semantic search surfaces moments — not just summaries
• Structured JSON insights enable downstream integrations (Jira, Linear, Notion)

Key Metrics to Track (MVP)

• Time-to-first-insight (upload → COMPLETED)
• Insight acceptance rate (user bookmarks / edits vs. discards)
• MAU, weekly active projects
• Churn by tier

---

How to Run

Prerequisites

• Java 25
• PostgreSQL 15+ running locally
• AssemblyAI API key (https://www.assemblyai.com/)
• OpenAI API key (https://platform.openai.com/)

Configuration (application.yml additions)

spring:
  datasource:
    url: jdbc:postgresql://localhost:5432/insightloop
    username: postgres
    password: your_password
  jpa:
    hibernate:
      ddl-auto: update
    show-sql: false

insightloop:
  jwt:
    secret: <base64-encoded-secret-min-32-chars>
    expiration-ms: 86400000
  transcription:
    base-url: https://api.assemblyai.com
    api-key: YOUR_ASSEMBLYAI_KEY
  llm:
    base-url: https://api.openai.com
    api-key: YOUR_OPENAI_KEY
    model: gpt-4o
  storage:
    base-url: https://storage.insightloop.ai
    local-dir: /tmp/insightloop-uploads

Build & Run

# Compile
mvn clean compile

# Run
mvn spring-boot:run

# Or package and run
mvn clean package -DskipTests
java -jar target/insightloop-ai-api-0.0.1-SNAPSHOT.jar

Quick Smoke Test

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

# 2. Create project
curl -X POST http://localhost:8080/api/projects \
  -H "Authorization: Bearer <TOKEN>" \
  -H "Content-Type: application/json" \
  -d '{"name":"Q2 Discovery","description":"Customer interviews for v2 roadmap"}'

# 3. Upload interview
curl -X POST http://localhost:8080/api/interviews/upload \
  -H "Authorization: Bearer <TOKEN>" \
  -F "file=@interview.mp3" \
  -F "projectId=<PROJECT_ID>" \
  -F "title=Call with Sarah"

# 4. Poll status
curl http://localhost:8080/api/interviews/<INTERVIEW_ID> \
  -H "Authorization: Bearer <TOKEN>"

# 5. Get dashboard (after status = COMPLETED)
curl http://localhost:8080/api/projects/<PROJECT_ID>/dashboard \
  -H "Authorization: Bearer <TOKEN>"

---

References

• AI SaaS Startup Ideas 2026 — WeArePresta
• AssemblyAI API Docs
• OpenAI Chat Completions API
• Spring Boot 4.0 Reference
• Spring Cloud OpenFeign
• JJWT 0.12.x Migration Guide

---

Análisis FinOps para InsightLoop AI

Estimación de Costos Operativos Mensuales (MVP)

Para una fase inicial de MVP, asumiendo una base de 10 clientes que procesan un promedio de 5 horas de entrevistas cada uno (total 50 horas/mes):

• Servicios de IA (LLM y Transcripción):

Transcripción (OpenAI Whisper): 50 horas 60 min/hora * $0.006/min = $18.00 * Análisis LLM (OpenAI GPT-4o): Estimación de Tokens: 50 horas de audio equivalen a ~585,000 tokens de transcripción. Añadiendo ~100,000 tokens para prompts (100 entrevistas 1000 tokens/prompt) y ~200,000 tokens de salida para resúmenes/insights. Total ~700K tokens de entrada y ~200K tokens de salida. Costo: (0.7M input tokens $5.00/M) + (0.2M output tokens * $15.00/M) = $3.50 + $3.00 = $6.50 * Total Servicios de IA: $18.00 + $6.50 = $24.50 (redondeado a $25)

• Infraestructura Cloud (AWS Baseline):

* Compute (EC2): 1x t3.small (2vCPU, 2GB RAM) para Spring Boot API: ~$18/mes * Base de Datos (RDS PostgreSQL): 1x db.t3.micro (1vCPU, 1GB RAM) con 20GB almacenamiento: ~$20/mes * Almacenamiento de Archivos (S3): Para 50 horas de audio/video y transcripciones (estimado 100-200GB): ~$2/mes * Monitoreo y Logs (CloudWatch): Costo base estimado: ~$5/mes * Total Infraestructura: $18 + $20 + $2 + $5 = $45/mes

• Costo Operativo Total Mensual: $25 (AI Services) + $45 (Infraestructura) = $70/mes

Estimación de Ingresos Mensuales (MVP)

Considerando el modelo de monetización SaaS basado en horas procesadas y usuarios:

• Pricing Hipotético:

* Plan Básico: $25/mes (hasta 10 horas, 1 usuario) * Plan Pro: $75/mes (hasta 30 horas, 3 usuarios)

• Escenario MVP: Asumiendo 10 clientes en promedio, con una mezcla de planes que resulta en un ingreso promedio de $50/cliente/mes.

Ingresos Mensuales Totales: 10 clientes $50/mes = $500/mes

Margen de Beneficio

• Ingresos: $500
• Costos: $70
• Beneficio: $500 - $70 = $430

Margen de Beneficio: ($430 / $500) 100 = 86%

Optimización de Costos (FinOps)

Para mantener un alto margen de beneficio y escalar de manera eficiente, InsightLoop AI puede implementar las siguientes estrategias de FinOps:

1. Optimización de Modelos LLM: Implementar lógica para seleccionar dinámicamente el modelo LLM más costo-efectivo para cada tarea. Por ejemplo, usar GPT-4o-mini para extracciones de datos simples o categorización, y reservar el más potente (y caro) GPT-4o para el análisis cualitativo profundo y la generación de resúmenes ejecutivos.
2. Caché Inteligente de Respuestas: Desarrollar un sistema de caché para almacenar y reutilizar las respuestas de LLM a prompts idénticos o muy similares. Esto es especialmente útil para análisis de segmentos de texto repetidos o para consultas comunes en el dashboard.
3. Refinamiento de Prompts: Iterar y optimizar los prompts de ingeniería para el LLM, buscando la máxima eficiencia en la extracción de insights con el menor número de tokens de entrada y salida posible.
4. Procesamiento Asíncrono y en Lotes: Aprovechar la arquitectura asíncrona de Spring Boot con Virtual Threads para procesar transcripciones y análisis durante períodos de baja demanda. Esto podría permitir el uso de instancias de cómputo más económicas (ej. AWS Spot Instances) o la optimización de los recursos existentes.
5. Tiering de Almacenamiento: Implementar políticas de ciclo de vida en S3 para mover grabaciones de audio/video y transcripciones a clases de almacenamiento más frías (ej. S3 Intelligent-Tiering, S3 Glacier) después de un período de tiempo, reduciendo los costos de almacenamiento a largo plazo.
6. Monitoreo y Alertas de Costos: Configurar dashboards de costos y alertas en la plataforma cloud (ej. AWS Cost Explorer, CloudWatch Alarms) para detectar y reaccionar rápidamente a cualquier aumento inesperado en el gasto, especialmente en el uso de APIs de terceros y LLMs.
7. Evaluación Continua de Proveedores de API: Investigar y comparar periódicamente los costos y la calidad de servicios de Speech-to-Text y LLMs alternativos para asegurar que se están utilizando las opciones más competitivas.

Al implementar estas prácticas de FinOps desde el principio, InsightLoop AI puede asegurar una estructura de costos saludable que soporte el crecimiento y la rentabilidad a medida que escala su base de clientes y el volumen de procesamiento.