LeadPulse AI — Explainer

Concepto

LeadPulse AI es un micro-SaaS B2B que conecta con CRMs populares (HubSpot) para analizar oportunidades de venta y generar, en tiempo real, una puntuación de probabilidad y una recomendación de acción concreta ("siguiente mejor acción") para cada deal. El resultado es un dashboard priorizado que permite a los equipos de ventas actuar sobre lo que importa antes de que la señal se pierda.

---

Arquitectura

┌─────────────────────────────────────────────────────────┐
│  LeadPulse AI — Spring Boot 4.0.4 / Java 25             │
│                                                         │
│  ┌──────────────┐   JWT   ┌─────────────────────────┐  │
│  │ AuthController│◄──────►│  JwtService (HS-256)    │  │
│  └──────────────┘         └─────────────────────────┘  │
│                                                         │
│  ┌────────────────┐        ┌────────────────────────┐   │
│  │DashboardController│────►│  DashboardService      │   │
│  └────────────────┘        └────────────────────────┘   │
│                                        │                 │
│  ┌─────────────┐   Feign  ┌────────────▼────────────┐   │
│  │CrmController│◄────────►│  CrmSyncService         │   │
│  └─────────────┘          │  (Virtual Threads + @Scheduled)│
│                           └────────────┬────────────┘   │
│                                        │                 │
│                            ┌───────────▼────────────┐   │
│                            │  AnalysisService       │   │
│                            │  (rule engine + OpenAI)│   │
│                            └───────────┬────────────┘   │
│                                        │                 │
│  ┌─────────────────────────────────────▼─────────────┐  │
│  │  H2 (dev) / PostgreSQL (prod)                     │  │
│  │  users · deals · opportunity_scores               │  │
│  └───────────────────────────────────────────────────┘  │
└─────────────────────────────────────────────────────────┘
         │                              │
   HubSpot CRM API v3            OpenAI API (optional)
   (Feign + Bearer token)        (RestClient)

Capas

Capa	Clases clave
Seguridad	%%INLINE0%%, %%INLINE1%%, %%INLINE2%%, %%INLINE3%%
Controladores	%%INLINE4%%, %%INLINE5%%, CrmController
Servicios	%%INLINE7%%, %%INLINE8%%, %%INLINE9%%, %%INLINE10%%
Cliente externo	HubSpotClient (OpenFeign)
Persistencia	%%INLINE12%%, %%INLINE13%%, OpportunityScore + repositorios JPA
Configuración	%%INLINE15%% (%%INLINE16%%), %%INLINE17%%, %%INLINE18%%
DTOs (Records)	%%INLINE19%%, %%INLINE20%%, %%INLINE21%%, %%INLINE22%%, %%INLINE23%%, %%INLINE24%%, HubSpotDeal*

---

Endpoints

Auth (público)

Método	Path	Descripción
%%INLINE26%%	%%INLINE27%%	Crea cuenta; retorna JWT firmado
%%INLINE28%%	%%INLINE29%%	Autentica credenciales; retorna JWT firmado

Ejemplo:

curl -s -X POST http://localhost:8080/api/auth/register \
  -H "Content-Type: application/json" \
  -d '{"name":"Ana García","email":"ana@empresa.com","password":"s3cr3t"}' | jq .

---

CRM (Bearer JWT requerido)

Método	Path	Descripción
%%INLINE30%%	%%INLINE31%%	Guarda el API key de HubSpot del usuario
%%INLINE32%%	%%INLINE33%%	Sync on-demand: fetcha deals y los puntúa con IA
%%INLINE34%%	%%INLINE35%%	Lista todos los deals almacenados del usuario

Ejemplo — conectar HubSpot:

TOKEN="<jwt del login>"
curl -s -X POST http://localhost:8080/api/crm/connect \
  -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json" \
  -d '{"apiKey":"pat-eu1-xxxxxxxx-yyyy-..."}' | jq .

Ejemplo — sync:

curl -s -X POST http://localhost:8080/api/crm/sync \
  -H "Authorization: Bearer $TOKEN" | jq .

---

Dashboard (Bearer JWT requerido)

Método	Path	Descripción
%%INLINE36%%	%%INLINE37%%	Top-10 oportunidades con mayor score + stats
%%INLINE38%%	%%INLINE39%%	Alertas pendientes (score > umbral o cambio drástico)

Ejemplo — dashboard:

curl -s http://localhost:8080/api/dashboard \
  -H "Authorization: Bearer $TOKEN" | jq .

Respuesta de ejemplo:

{
  "opportunities": [
    {
      "dealId": 3,
      "crmId": "DEMO-A1B2C3D4",
      "title": "Stark Enterprises — Enterprise Deal",
      "stage": "contractsent",
      "amount": 120000,
      "score": 90,
      "recommendation": "Contract is out. Follow up personally...",
      "nextAction": "Call contact to confirm receipt and ask for signature timeline.",
      "scoredAt": "2026-06-12T14:22:01"
    }
  ],
  "totalDeals": 12,
  "pendingAlerts": 3,
  "generatedAt": "2026-06-12T14:22:05"
}

---

Motor de Puntuación (AnalysisService)

El score 0-100 se calcula así:

Factor	Puntos
Stage: contractsent	85 base
Stage: closedwon	95 base
Stage: qualifiedtobuy	55 base
Stage: appointmentscheduled	40 base
Actividad < 7 días	+10
Actividad 7-30 días	+5
Actividad > 60 días	-15
Amount > $50K	+10
Amount > $10K	+5

Si leadpulse.openai-api-key está configurado, el texto de recomendación es generado por GPT-4o-mini (o el modelo configurado). Si no hay API key, se usa un generador de recomendaciones basado en reglas.

---

Alertas Proactivas

Un deal genera una alerta cuando:

• score > alertThreshold (default: 80) O
• |score - prevScore| >= alertDelta (default: 20)

Las alertas se registran en log (simulando envío de e-mail) y se marcan como %%INLINE47%% para no reenviarlas. El endpoint %%INLINE48%% retorna las alertas aún pendientes de la sesión actual.

El sync programado corre cada 5 minutos usando Virtual Threads de Java 25, procesando cada usuario en paralelo sin bloquear el thread pool de Tomcat.

---

Modo Demo

Si no hay HubSpot API key configurado, el sistema carga automáticamente 12 deals sintéticos (distintas etapas, importes, empresas ficticias) al hacer el primer sync. Esto permite explorar todo el dashboard sin credenciales de CRM.

---

Análisis de Negocio

Problema real: Los equipos de ventas gastan ~3 horas/semana analizando manualmente el CRM. El 40 % de las oportunidades calientes se olvidan porque no hay priorización inteligente.

Propuesta de valor: LeadPulse convierte el CRM de "registro" en "motor de decisiones", entregando una lista diaria priorizada con la próxima acción para cada deal.

Monetización: SaaS B2B, $49/usuario/mes (plan Pro), prueba gratuita 14 días. Con 50 clientes × 5 usuarios = $12,250 MRR en la primera fase.

Ventaja competitiva: Integración sin fricción (OAuth2 delegado, sin exportar CSV), pricing accesible para PYMES, y recomendaciones accionables en lugar de analytics pasivos.

Riesgos: Dependencia de HubSpot API rate limits (mitigado con caché local), coste de LLM escalable con usage (mitigado con engine de reglas como fallback).

---

Referencias

• Vocal Media — Emerging SaaS Technology Trends
• HubSpot CRM API v3 Docs
• Spring Boot 4.0 Reference
• Spring Security 7 Reference
• JJWT 0.12.x Guide
• OpenAI API Reference

---

Cómo ejecutar

Requisitos

• Java 25+
• Maven 3.9+

Desarrollo (H2 in-memory — cero configuración)

cd solutions/2026-06-12-leadpulse-ai
mvn spring-boot:run

El servidor arranca en http://localhost:8080. H2 se configura automáticamente. Los datos se pierden al reiniciar.

Con HubSpot real

export LEADPULSE_HUBSPOTAPIKEY=pat-eu1-xxxxxxxx-yyyy-zzzz
mvn spring-boot:run

Después del login, llamar a POST /api/crm/sync para importar deals reales.

Con OpenAI (recomendaciones AI)

export LEADPULSE_OPENAIAPIKEY=sk-xxxxxxxxxxxxxxxx
export LEADPULSE_OPENAIMODEL=gpt-4o-mini   # opcional
mvn spring-boot:run

Con PostgreSQL (producción)

Añadir a application.yml (o variables de entorno):

spring:
  datasource:
    url: jdbc:postgresql://localhost:5432/leadpulse
    username: leadpulse
    password: secret
  jpa:
    hibernate:
      ddl-auto: update

JWT secret en producción

export LEADPULSE_JWTSECRET="mi-clave-secreta-de-produccion-de-al-menos-32-chars"

Flujo rápido de prueba

# 1. Registrar usuario
curl -s -X POST http://localhost:8080/api/auth/register \
  -H "Content-Type: application/json" \
  -d '{"name":"Ana","email":"ana@test.com","password":"pass123"}' | jq .

# 2. Login (guardar token)
TOKEN=$(curl -s -X POST http://localhost:8080/api/auth/login \
  -H "Content-Type: application/json" \
  -d '{"email":"ana@test.com","password":"pass123"}' | jq -r .token)

# 3. Sync (carga 12 deals demo)
curl -s -X POST http://localhost:8080/api/crm/sync \
  -H "Authorization: Bearer $TOKEN" | jq .

# 4. Dashboard
curl -s http://localhost:8080/api/dashboard \
  -H "Authorization: Bearer $TOKEN" | jq .

# 5. Alertas
curl -s http://localhost:8080/api/dashboard/alerts \
  -H "Authorization: Bearer $TOKEN" | jq .

---

FinOps Analysis - LeadPulse AI

Resumen de Costos y Margen de Beneficio

LeadPulse AI, como micro-startup, proyecta un modelo de negocio con un margen de beneficio saludable en su fase inicial. Los costos operativos son predominantemente impulsados por el consumo de servicios de IA (LLMs) y la infraestructura cloud básica.

• Ingresos Mensuales Estimados: $500 (basado en 20 clientes iniciales a $25/cliente/mes).
• Costos Operativos Mensuales Estimados: $60

* Servicios LLM (OpenAI gpt-4o-mini): $20 * Infraestructura Cloud (AWS): $40

• Margen de Beneficio: 88%

Desglose de Costos

1. Estimación de Tokens LLM y Costo de API ($20/mes)

El motor de IA de LeadPulse AI dependerá del análisis de datos de CRM para la puntuación de oportunidades y la generación de recomendaciones. Asumiendo una base inicial de 20 clientes, con un promedio de 5 usuarios por cliente y 10 oportunidades activas por usuario que requieren análisis diario:

Oportunidades a analizar diariamente: 20 clientes 5 usuarios/cliente * 10 oportunidades/usuario = 1,000 oportunidades.

• Tokens por análisis de oportunidad: Se estima un promedio de 3,000 tokens de entrada (historial de interacciones, contexto) y 300 tokens de salida (puntuación, recomendación) por oportunidad, totalizando 3,300 tokens.

Consumo diario: 1,000 oportunidades 3,300 tokens/oportunidad = 3,300,000 tokens/día. Consumo mensual: 3,300,000 tokens/día 30 días/mes = ~99,000,000 tokens/mes. Redondeado a ~100M tokens/mes.

• Costo de OpenAI (gpt-4o-mini):

Tokens de entrada (90M): 90,000,000 ($0.15 / 1,000,000) = $13.50 Tokens de salida (10M): 10,000,000 ($0.60 / 1,000,000) = $6.00 * Costo total LLM: ~$19.50, redondeado a $20/mes.

2. Costo de Infraestructura Cloud ($40/mes)

Para el despliegue de la aplicación Spring Boot 4.0.4 con Java 25 y PostgreSQL, se estima el siguiente baseline en AWS (región us-east-1):

• Servidor de Aplicaciones (EC2): Una instancia t3.small (2 vCPU, 2GB RAM) es suficiente para una micro-startup. Precio on-demand: ~$15/mes.
• Base de Datos (RDS PostgreSQL): Una instancia db.t3.micro (2 vCPU, 1GB RAM, 20GB de almacenamiento GP2) para PostgreSQL. Precio on-demand: ~$15/mes.
• Networking y Otros Servicios: Incluye costos mínimos de transferencia de datos, Route 53 (DNS) y monitoreo básico (CloudWatch). Se estima un buffer de ~$10/mes.
• Costo total de infraestructura: $40/mes.

Oportunidades de Optimización de Costos

1. Optimización de LLM: La mayor parte del costo variable proviene de los LLMs. Implementar caché para respuestas comunes, optimizar la longitud de los prompts y considerar una estrategia de modelos por niveles (usar %%INLINE54%% para la mayoría y %%INLINE55%% solo cuando sea indispensable) reducirá el consumo de tokens y los costos asociados.
2. Arquitectura Serverless para el Procesamiento por Lotes: El servicio programado de sincronización y análisis de datos (@Scheduled) es un candidato ideal para migrar a una función serverless (ej. AWS Lambda). Esto eliminaría la necesidad de que el EC2 esté activo 24/7 solo para estas tareas, reduciendo el costo de cómputo a solo el tiempo de ejecución real.
3. Monitoreo y Alertas de Costos: Establecer alertas en la nube (ej. AWS Budgets) para ser notificado sobre cualquier aumento inesperado en el consumo, especialmente en los servicios de LLM y la base de datos.
4. Ajuste de Recursos: A medida que la startup crezca, revisar periódicamente el tamaño de las instancias EC2 y RDS para asegurar que se ajustan a la carga de trabajo real, evitando el sobredimensionamiento. Para cargas predecibles a largo plazo, considerar instancias reservadas o Savings Plans.
5. Compresión y Resumen de Datos: Antes de enviar datos masivos al LLM, implementar lógica para comprimir o resumir el historial de interacciones relevantes, reduciendo el conteo de tokens de entrada sin perder contexto crítico.

Consideraciones Futuras

• Escalabilidad: A medida que LeadPulse AI gane más clientes y usuarios, los costos de LLM y base de datos serán los principales impulsores de costos. La estrategia de optimización debe escalar con el crecimiento.
• Modelos de Precios LLM: Estar atento a las actualizaciones de precios de los proveedores de LLM y explorar opciones alternativas (otros modelos de OpenAI, Anthropic, modelos open-source auto-hosteados) para mantener la competitividad de costos.
• Multi-tenancy: Asegurar que la arquitectura está preparada para un crecimiento eficiente, gestionando los recursos por cliente de manera que no haya un incremento lineal de costos por cada nuevo cliente, buscando economías de escala.