InsightLoop AI — MVP Explainer

Concepto

InsightLoop AI resuelve el gap entre analítica cuantitativa (qué hacen los usuarios) e insights cualitativos (por qué lo hacen). Cuando un usuario muestra un comportamiento de interés —visitar /pricing 3 veces sin comprar, abandonar un form a la mitad— un agente de IA inicia automáticamente una micro-entrevista contextual para descubrir la intención real.

Diferenciador clave: entrevistas automáticas escalables en lugar de análisis manual de datos cuantitativos.

---

Arquitectura

┌──────────────────────────────────────────────────────────────────┐
│  Navegador del Usuario Final                                      │
│  ┌──────────────────────────────────────────────────────────┐    │
│  │  Snippet JS (insightloop.js)                              │    │
│  │  - Captura PAGE_VIEW, BUTTON_CLICK, CUSTOM events         │    │
│  │  - POST /api/v1/track   → si trigger disparado → chat UI  │    │
│  │  - POST /api/v1/chat    → continua conversación           │    │
│  └──────────────────────────────────────────────────────────┘    │
└──────────────────────────────────────────────────────────────────┘
                │  X-API-Key
                ▼
┌─────────────────────────────────────────────────────────────────┐
│  Spring Boot 4.0.4 + Java 25 (Virtual Threads)                   │
│                                                                   │
│  TrackingController  →  EventProcessorService                     │
│       /api/v1/track       ↓ evalúa triggers                      │
│       /api/v1/chat        ↓ InterviewService                      │
│                           ↓ LlmService (Feign → OpenAI)          │
│                                                                   │
│  Dashboard (JWT Auth):                                            │
│  AuthController       → AuthService + JwtTokenProvider           │
│  SitioWebController   → SitioWebService                          │
│  TriggerController    → TriggerService                            │
│  InsightController    → InsightService (análisis IA)             │
│  UserPersonaController→ UserPersonaService (personas IA)         │
│  InterviewController  → transcripciones                          │
└─────────────────────────────────────────────────────────────────┘
                │
                ▼
┌────────────────────────────┐   ┌──────────────────────────┐
│  H2 (dev) / PostgreSQL (prod)│   │  OpenAI API (gpt-4o-mini) │
│  - clientes                 │   │  - generar preguntas       │
│  - sitios_web               │   │  - analizar transcripciones│
│  - eventos_usuario          │   │  - generar user personas   │
│  - trigger_definiciones     │   └──────────────────────────┘
│  - sesiones_entrevista      │
│  - mensajes                 │
│  - insights                 │
│  - user_personas            │
└────────────────────────────┘

Stack Técnico

Capa	Tecnología
Runtime	Java 25, Virtual Threads (Project Loom)
Framework	Spring Boot 4.0.4, Spring Security 7.x
Persistencia	Spring Data JPA, H2 (dev), PostgreSQL (prod)
Integración LLM	Spring Cloud OpenFeign 4.2.1 → OpenAI API
Auth	JWT via jjwt 0.12.6
Serialización	Jackson 3.x (tools.jackson.*)

---

Endpoints

Públicos (snippet JS)

Método	Ruta	Header	Descripción
%%INLINE1%%	%%INLINE2%%	X-API-Key	Recibe evento de comportamiento. Si trigger activo → inicia entrevista
%%INLINE4%%	%%INLINE5%%	X-API-Key	Envía respuesta del usuario en la micro-entrevista

POST /api/v1/track — Body:

{
  "usuarioId": "u_abc123",
  "tipoEvento": "PAGE_VIEW",
  "pagina": "/pricing",
  "metadatos": "{\"source\":\"navbar\"}"
}

POST /api/v1/chat — Body:

{
  "sesionId": "uuid-sesion",
  "usuarioId": "u_abc123",
  "mensaje": "El precio me parece alto para una startup pequeña"
}

Auth

Método	Ruta	Descripción
%%INLINE7%%	%%INLINE8%%	Registro de nuevo cliente (devuelve JWT + API Key)
%%INLINE9%%	%%INLINE10%%	Login (devuelve JWT)

Dashboard (requiere Authorization: Bearer <jwt>)

Método	Ruta	Descripción
%%INLINE12%%	%%INLINE13%%	Lista sitios web del cliente
%%INLINE14%%	%%INLINE15%%	Registra nuevo sitio → devuelve snippet JS
%%INLINE16%%	%%INLINE17%%	Detalle del sitio con snippet
%%INLINE18%%	%%INLINE19%%	Lista triggers del sitio
%%INLINE20%%	%%INLINE21%%	Crea trigger de comportamiento
%%INLINE22%%	%%INLINE23%%	Activa/desactiva trigger
%%INLINE24%%	%%INLINE25%%	Elimina trigger
%%INLINE26%%	%%INLINE27%%	Dashboard de insights por relevancia
%%INLINE28%%	%%INLINE29%%	Analiza transcripciones con IA
%%INLINE30%%	%%INLINE31%%	Lista User Personas generadas
%%INLINE32%%	%%INLINE33%%	Genera nueva User Persona con IA
%%INLINE34%%	%%INLINE35%%	Transcripción de entrevista

---

Análisis de Negocio

Problema

Los equipos de producto y marketing operan con datos cuantitativos (clics, vistas) que responden al "qué" pero no al "por qué". Las entrevistas cualitativas manuales son lentas, costosas y no escalables.

Solución

Pipeline automático:

1. Snippet JS captura comportamiento en tiempo real
2. Motor de triggers detecta patrones críticos (ej: "3 visitas a /pricing sin conversión")
3. Agente IA inicia micro-entrevista contextual (1-5 preguntas)
4. Análisis IA agrega transcripciones → identifica objeciones, motivaciones, pain points
5. User Personas dinámicas → arquetipos de usuario actualizados automáticamente

Monetización

Plan	Precio	Límites
FREE	$0/mes	500 MAUs, 50 entrevistas/mes
STARTER	$49/mes	5K MAUs, 500 entrevistas/mes
PRO	$199/mes	50K MAUs, entrevistas ilimitadas
ENTERPRISE	Custom	Unlimited + SLA

Ventajas Competitivas

• Entrevistas automáticas vs analítica cuantitativa pura (Mixpanel, Amplitude)
• Contexto de comportamiento en el trigger vs entrevistas genéricas (Hotjar, UserInterviews.com)
• Insights agregados IA vs transcripciones raw (Dovetail, Grain)

---

Cómo Ejecutar

Prerrequisitos

• Java 25+
• Maven 3.9+

Desarrollo (H2 in-memory)

cd solutions/2026-05-16-insightloop-ai

# Compilar
mvn clean compile

# Ejecutar con perfil dev (H2)
mvn spring-boot:run -Dspring-boot.run.profiles=dev

# Con LLM real (opcional)
OPENAI_API_KEY=sk-xxx mvn spring-boot:run -Dspring-boot.run.profiles=dev

Flujo de demostración rápida

BASE=http://localhost:8080

# 1. Registrar cliente
curl -s -X POST $BASE/api/v1/auth/register \
  -H "Content-Type: application/json" \
  -d '{"email":"demo@acme.com","password":"password123","nombreEmpresa":"Acme Corp"}' | jq .

# 2. Login → guardar token y apiKey
TOKEN=$(curl -s -X POST $BASE/api/v1/auth/login \
  -H "Content-Type: application/json" \
  -d '{"email":"demo@acme.com","password":"password123"}' | jq -r '.token')

API_KEY=$(curl -s -X POST $BASE/api/v1/auth/login \
  -H "Content-Type: application/json" \
  -d '{"email":"demo@acme.com","password":"password123"}' | jq -r '.apiKey')

# 3. Registrar sitio web
SITIO_ID=$(curl -s -X POST $BASE/api/v1/dashboard/sitios \
  -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json" \
  -d '{"nombre":"Mi SaaS","dominio":"misaas.com"}' | jq -r '.id')

# 4. Crear trigger: 2 visitas a /pricing en 1h
curl -s -X POST $BASE/api/v1/dashboard/triggers \
  -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json" \
  -d "{
    \"nombre\": \"Pricing sin conversión\",
    \"descripcion\": \"Usuario visita pricing múltiples veces sin comprar\",
    \"tipoEvento\": \"PAGE_VIEW\",
    \"paginaFiltro\": \"/pricing\",
    \"umbralOcurrencias\": 2,
    \"ventanaHoras\": 1,
    \"promptContexto\": \"El usuario ha visitado la página de precios 2 veces en la última hora sin registrarse. Están evaluando si el producto vale la pena.\",
    \"sitioWebId\": \"$SITIO_ID\"
  }" | jq .

# 5. Simular eventos del snippet JS (2 visitas a /pricing)
curl -s -X POST $BASE/api/v1/track \
  -H "X-API-Key: $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"usuarioId":"u_test01","tipoEvento":"PAGE_VIEW","pagina":"/pricing","metadatos":"{}"}' | jq .

curl -s -X POST $BASE/api/v1/track \
  -H "X-API-Key: $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"usuarioId":"u_test01","tipoEvento":"PAGE_VIEW","pagina":"/pricing","metadatos":"{}"}' | jq .
# → iniciarEntrevista: true, sesionId: "...", primeraMensaje: "..."

# 6. Responder al agente IA
curl -s -X POST $BASE/api/v1/chat \
  -H "X-API-Key: $API_KEY" \
  -H "Content-Type: application/json" \
  -d "{\"sesionId\":\"SESION_ID_AQUI\",\"usuarioId\":\"u_test01\",\"mensaje\":\"El precio me parece alto para mi equipo pequeño\"}" | jq .

# 7. Generar insights desde el dashboard
curl -s -X POST "$BASE/api/v1/dashboard/insights/generar?sitioWebId=$SITIO_ID" \
  -H "Authorization: Bearer $TOKEN" | jq .

# 8. Generar User Persona
curl -s -X POST "$BASE/api/v1/dashboard/personas/generar?sitioWebId=$SITIO_ID" \
  -H "Authorization: Bearer $TOKEN" | jq .

# 9. Ver H2 console
open http://localhost:8080/h2-console
# JDBC URL: jdbc:h2:mem:insightloopdb   User: sa   Password: (vacío)

Producción (PostgreSQL)

export DATABASE_URL=jdbc:postgresql://localhost:5432/insightloopdb
export DATABASE_USER=postgres
export DATABASE_PASSWORD=secure_pass
export JWT_SECRET=your-256-bit-secret-minimum-32-chars
export OPENAI_API_KEY=sk-xxx

mvn spring-boot:run -Dspring-boot.run.profiles=prod

---

Referencias

• InfoLoop: Top 10 SaaS Trends for 2026
• Spring Boot 4.0 Release Notes
• Java 25 Virtual Threads (JEP 444)
• OpenAI Chat Completions API
• Spring Cloud OpenFeign
• jjwt 0.12.x Reference

---

FinOps Analysis: InsightLoop AI

🚀 Visión General

InsightLoop AI demuestra un modelo de negocio con un alto potencial de rentabilidad debido a la naturaleza de bajo costo marginal de las operaciones impulsadas por IA y la infraestructura de nube. Con una estimación conservadora de ingresos y costos, se proyecta un margen de beneficio saludable desde las primeras etapas, lo que es crucial para la sostenibilidad de una startup.

💰 Desglose de Costos Mensuales Estimados

Para una fase inicial de micro-startup, los costos operativos se mantienen ajustados:

• Tokens LLM (OpenAI): ~$20/mes

* Basado en un uso estimado de ~35 millones de tokens al mes. Esto considera aproximadamente 5,000 micro-entrevistas y 500 generaciones de insights, utilizando una combinación de %%INLINE36%% para el chat interactivo y %%INLINE37%% (o gpt-4o de forma selectiva) para el análisis de insights, con un costo promedio ponderado de ~$0.5 - $1.5 por millón de tokens.

• Infraestructura Cloud (AWS/GCP/Azure Baseline): ~$70/mes

* Máquina Virtual (Spring Boot App): Un %%INLINE38%% en AWS (o %%INLINE39%% en GCP, B1s en Azure) por ~$15/mes. * Base de Datos (PostgreSQL): Una instancia %%INLINE41%% de RDS en AWS (o %%INLINE42%% en GCP, Basic Tier en Azure) con almacenamiento y IOPS mínimos por ~$20/mes. * Balanceador de Carga (ALB): Un Application Load Balancer con uso mínimo por ~$20/mes (o equivalente en otras nubes). * Transferencia de Datos/Red: ~$5/mes. * Monitorización y Logging (CloudWatch/Stackdriver): ~$5/mes. * CDN (para snippet JS): Uso mínimo de CloudFront o Cloudflare (tier gratuito/básico) por ~$5/mes.

Costo Operativo Mensual Total Estimado: ~$90

📈 Ingresos y Margen de Beneficio

• Ingreso Mensual Estimado: ~$750/mes

* Asumiendo un modelo de precios por niveles (tiered SaaS), con un promedio de 10 clientes pagando $75/mes cada uno (por ejemplo, una combinación de clientes en niveles de $49 y $99).

• Margen de Beneficio Bruto: 88%

* ((750 - 90) / 750) * 100 = 88%

Este margen robusto indica una fuerte propuesta de valor y la eficiencia de la tecnología subyacente.

💡 Optimizaciones FinOps para Reducir Costos

La gestión activa de FinOps será crucial para mantener la rentabilidad a medida que InsightLoop AI escale. Aquí hay estrategias concretas:

1. Optimización de LLM:

* Caché Inteligente: Implementar una capa de caché para las respuestas del LLM, especialmente para preguntas o escenarios frecuentes en las micro-entrevistas o para resúmenes de datos que no cambian rápidamente. Esto reduce llamadas redundantes a la API del LLM. * Selección Dinámica de Modelos: Utilizar %%INLINE44%% o modelos de código abierto (como Llama 3 auto-alojado o a través de proveedores como Groq) para las interacciones de chat iniciales o tareas de resumen menos críticas. Reservar modelos más potentes y costosos como %%INLINE45%% solo para la generación de insights de alto valor donde la precisión es primordial. * Ingeniería de Prompts: Refinar continuamente los prompts para ser lo más concisos y efectivos posible, minimizando la cantidad de tokens de entrada y salida sin sacrificar la calidad. Utilizar técnicas como el encadenamiento de prompts y la llamada a funciones para obtener resultados estructurados y reducir el procesamiento posterior. * Procesamiento por Lotes: Para tareas no sensibles al tiempo, como la generación de informes de insights o perfiles de usuario, agrupar las solicitudes y procesarlas durante las horas de menor demanda, lo que puede permitir el uso de modelos más económicos o tarifas de uso por lotes si están disponibles.

1. Optimización de Infraestructura Cloud:

* Arquitectura Serverless: Migrar componentes como %%INLINE46%% y %%INLINE47%% a funciones serverless (ej. AWS Lambda, Google Cloud Functions, Azure Functions). Esto permite pagar solo por el tiempo de ejecución y escalar a cero cuando no hay tráfico, lo que puede reducir drásticamente los costos de cómputo en fases de bajo uso. * Base de Datos Gestionada y Escalable: Evaluar servicios de bases de datos serverless (ej. AWS Aurora Serverless, Google Cloud SQL Serverless, Supabase) que escalan automáticamente y cobran por el uso, eliminando la necesidad de provisionar instancias fijas. * CDN Gratuita/Económica: Mantener el uso de servicios CDN gratuitos como Cloudflare (Free Tier) para la entrega del snippet de JavaScript y la protección básica, posponiendo la inversión en CDN premium hasta que el volumen de tráfico lo justifique. * Monitoreo Consolidado: Utilizar herramientas de monitoreo y logging nativas de la nube (CloudWatch, Stackdriver) y optimizar la retención de logs para evitar costos excesivos.

1. Gestión de Costos Continuos:

* Alertas de Gasto: Configurar alertas de presupuesto en la plataforma cloud para notificar sobre gastos inusuales o sobrepasos de umbrales predefinidos. * Revisión Periódica: Realizar revisiones mensuales o trimestrales de los costos de la nube y LLM para identificar nuevas oportunidades de optimización y asegurar que los recursos se alineen con el uso real. * Reservas/Planes de Ahorro: A medida que el uso de la infraestructura se estabilice y crezca, considerar la compra de instancias reservadas o planes de ahorro en la nube para reducir el costo de los recursos computacionales y de base de datos a largo plazo.