LexiGuard AI — Technical Explainer

Concept

LexiGuard AI is a B2B SaaS compliance writing assistant for regulated industries (FinTech, pharma, legal). It solves two expensive problems:

1. Content creation is slow because every draft must be manually reviewed by legal.
2. Compliance review is error-prone because human reviewers miss nuanced rule violations.

LexiGuard wraps an LLM with organizational compliance rulebooks so every piece of content is generated or reviewed within a client-specific regulatory guardrail — without legal needing to touch it first.

---

Architecture

Client (browser / mobile)
        │  JWT Bearer
        ▼
┌──────────────────────────────────────────┐
│  Spring Boot 4.0.4 / Java 25             │
│                                          │
│  AuthController  ─────► AuthService      │
│  ContentController ───► ComplianceService│ ◄──► LLMApiClient (Feign → OpenAI)
│  RulebookController ──► RulebookService  │
│  AuditController   ───► AuditService     │
│                                          │
│  JwtAuthenticationFilter (OncePerRequest)│
│  SecurityConfig (stateless SessionPolicy)│
└──────────┬───────────────────────────────┘
           │  Spring Data JPA
           ▼
    H2 (dev) / PostgreSQL (prod)
    ┌────────────┐  ┌──────────────────────┐
    │organizations│  │compliance_rulebooks   │
    │app_users    │  │document_audits        │
    └────────────┘  └──────────────────────┘

RAG Implementation

When the user calls %%INLINE0%% or %%INLINE1%%, the ComplianceService fetches:

1. System-default rulebooks matching the target industry.
2. Organization-specific rulebooks the admin uploaded via /api/rulebooks.

Both are concatenated as a COMPLIANCE RULES block injected into the LLM **system prompt**, grounding the model's output in the client's exact regulatory constraints.

Multi-tenancy

Every %%INLINE5%% and %%INLINE6%% carries a organization_id FK. All service queries filter by the authenticated user's organization — data from different clients never mingles.

---

REST Endpoints

Authentication (public)

Method	Path	Description
POST	/api/auth/register	Register user + org, receive JWT
POST	/api/auth/login	Authenticate, receive JWT

Content AI (requires Bearer token)

Method	Path	Description
POST	/api/content/generate	Generate compliant content (Feature 1)
POST	/api/content/analyze	Real-time compliance analysis (Feature 2)

generate request:

{
  "contentType": "SOCIAL_POST",
  "industry": "FINTECH",
  "topic": "Our new high-yield savings account",
  "additionalContext": "Target audience: retail investors, max 280 chars"
}

analyze request:

{
  "content": "Invest now and get guaranteed 12% annual returns!",
  "industry": "FINTECH"
}

analyze response (sample):

{
  "issues": [
    {
      "phrase": "guaranteed 12% annual returns",
      "issue": "Investment guarantees are prohibited without specific conditions",
      "suggestion": "potential returns of up to 12% p.a., subject to market conditions",
      "severity": "HIGH",
      "ruleReference": "SEC Rule 156 / FCA COBS 4.2.1"
    }
  ],
  "overallCompliant": false,
  "summary": "1 high-severity compliance issue found.",
  "analysedAt": "2026-05-02T10:00:00",
  "auditId": 42
}

Rule Library (Feature 3 — ADMIN writes, all roles read)

Method	Path	Description
GET	/api/rulebooks	List org + system rulebooks
GET	/api/rulebooks/{id}	Get single rulebook
POST	/api/rulebooks	Upload new rulebook (ADMIN)
PUT	/api/rulebooks/{id}	Update rulebook (ADMIN)
DELETE	/api/rulebooks/{id}	Deactivate rulebook (ADMIN)

Audit Trail (Feature 4)

Method	Path	Description
GET	/api/audit/organization	All org records (ADMIN)
GET	/api/audit/mine	Caller's records
GET	/api/audit/{id}	Single record
POST	/api/audit/{id}/approve	Approve record (ADMIN)

---

How to Run

Prerequisites

• Java 25
• Maven 3.9+

Development (H2, no LLM key needed)

cd solutions/2026-05-02-lexiguard-ai
mvn spring-boot:run
# App starts on http://localhost:8080
# H2 console: http://localhost:8080/h2-console (JDBC URL: jdbc:h2:mem:lexiguarddb)

AI endpoints work in DEMO MODE without an API key — they return realistic mock responses.

With a Real LLM

export LLM_API_KEY=sk-...        # OpenAI key
mvn spring-boot:run

Production (PostgreSQL)

export SPRING_PROFILES_ACTIVE=prod
export SPRING_DATASOURCE_URL=jdbc:postgresql://host:5432/lexiguard
export SPRING_DATASOURCE_USERNAME=lexiguard
export SPRING_DATASOURCE_PASSWORD=secret
export APP_JWT_SECRET=<min-32-char-secret>
export LLM_API_KEY=sk-...
mvn spring-boot:run

Quick API Test

# 1. Register
curl -s -X POST http://localhost:8080/api/auth/register \
  -H 'Content-Type: application/json' \
  -d '{"email":"admin@acme.com","password":"secret1","organizationName":"Acme FinTech"}' | jq .

# 2. Copy token → TOKEN=...

# 3. Analyze content
curl -s -X POST http://localhost:8080/api/content/analyze \
  -H "Authorization: Bearer $TOKEN" \
  -H 'Content-Type: application/json' \
  -d '{"content":"Guaranteed 20% returns every year!","industry":"FINTECH"}' | jq .

# 4. Generate content
curl -s -X POST http://localhost:8080/api/content/generate \
  -H "Authorization: Bearer $TOKEN" \
  -H 'Content-Type: application/json' \
  -d '{"contentType":"EMAIL","industry":"FINTECH","topic":"New ETF launch"}' | jq .

---

Business Analysis

Monetization (B2B SaaS Tiers)

Tier	Price	Seats	Documents/mo	Custom Rules
Starter	$299/mo	5	500	✗
Growth	$999/mo	25	5,000	✓
Enterprise	Custom	Unlimited	Unlimited	✓ + SLA

Competitive Moat

• Domain knowledge embedded in system rulebooks (SEC, FCA, FDA references).
• Audit trail is a compliance requirement, not a feature — creates switching costs.
• Custom rulebook upload (RAG) means the model learns each client's house style.

Key References

• AI Writing for Regulated Industries — BigIdeasDB
• FinTech & Healthcare AI Trends 2026 — TechRev
• SEC Rule 156 — Investment Company Sales Literature
• FCA COBS 4.2.1 — Fair, clear and not misleading communications
• FDA 21 CFR Part 202 — Prescription Drug Advertising

---

FinOps Analysis para LexiGuard AI

Estimación de Costos Operativos Mensuales (MVP)

Para el lanzamiento de LexiGuard AI como un Producto Mínimo Viable (MVP), se han estimado los siguientes costos operativos mensuales, asumiendo un despliegue inicial en una infraestructura cloud básica y un uso moderado de LLM:

• Tokens LLM (OpenAI gpt-4o-mini): $15/mes

* Este costo se basa en un uso estimado de aproximadamente 50 millones de tokens/mes. Este volumen de tokens es significativo para un MVP, pero se justifica por el bajo costo por token de gpt-4o-mini y la naturaleza intensiva en texto de las funciones de generación y análisis de cumplimiento. Se asume una división del 70% de tokens de entrada (prompts, contexto RAG) y 30% de tokens de salida (respuestas del LLM).

• Cloud Hosting (AWS/GCP/Azure): $25/mes

* Incluye una instancia de cómputo pequeña (%%INLINE22%% en AWS o %%INLINE23%% en GCP) para la aplicación Spring Boot. Esta instancia proporciona 2 vCPU y 2 GB de RAM, suficiente para manejar el tráfico inicial de un MVP. * También cubre una pequeña porción de costos de red y monitoreo básico (logs y métricas de la plataforma cloud).

• Base de Datos (Managed PostgreSQL): $10/mes

* Se estima para una instancia de base de datos administrada de nivel de entrada (%%INLINE24%% en AWS RDS o %%INLINE25%% en GCP Cloud SQL) con almacenamiento y capacidad de RAM adecuados para los datos de los clientes (reglas, auditorías, usuarios).

• Costos Totales Estimados: $50/mes

Estimación de Ingresos Mensuales (MVP)

Considerando un modelo de monetización B2B SaaS con precios por niveles, y un enfoque inicial en una base de clientes pequeña para el MVP:

• Ingresos Mensuales Estimados: $500/mes

* Esto se basa en la adquisición inicial de aproximadamente 20 usuarios activos, cada uno pagando una tarifa promedio de $25/mes por acceso a las funcionalidades del MVP. Este es un punto de partida conservador, pero realista para un producto en fase temprana dirigido a un nicho B2B.

Margen de Beneficio Calculado

Con los costos e ingresos estimados para el MVP:

• Ingresos: $500/mes
• Costos: $50/mes
• Beneficio Bruto: $500 - $50 = $450/mes

Margen de Beneficio: (($450) / $500) 100 = 90%

Este alto margen de beneficio inicial es típico de un MVP con costos de infraestructura y LLM muy optimizados y una base de usuarios pequeña, demostrando la viabilidad financiera del modelo con un crecimiento controlado.

Optimización de Costos (FinOps)

Para mantener este margen de beneficio y escalarlo de manera sostenible, LexiGuard AI debe implementar las siguientes estrategias FinOps:

1. Optimización de Prompts y RAG: Refinar constantemente los prompts para ser más concisos y efectivos, reduciendo el número de tokens de entrada. Mejorar la estrategia de recuperación de documentos (RAG) para enviar solo los fragmentos más relevantes, minimizando el contexto enviado al LLM.
2. Estrategias de Caching Inteligente: Implementar una capa de caché para las respuestas del LLM, especialmente para consultas o tipos de contenido que se generan con frecuencia. Esto reduce llamadas redundantes a la API del LLM.
3. Tiering de Modelos LLM: Utilizar el modelo %%INLINE26%% para tareas críticas de cumplimiento y análisis que requieren alta precisión, pero evaluar el uso de modelos más económicos (ej. %%INLINE27%%) o incluso modelos open-source auto-hospedados para tareas de generación de contenido menos sensibles o borradores iniciales.
4. Gestión de Infraestructura Cloud Elastic: Configurar el auto-scaling para las instancias de cómputo y la base de datos, asegurando que los recursos se ajusten dinámicamente a la demanda y se reduzcan al mínimo durante los períodos de baja actividad.
5. Monitoreo Proactivo y Alertas de Costos: Establecer un monitoreo detallado del consumo de tokens y recursos cloud, con alertas configuradas para detectar picos de uso o desviaciones significativas del presupuesto. Esto permite una intervención rápida para evitar costos inesperados.
6. Optimización de Almacenamiento: Gestionar eficientemente el almacenamiento de documentos y pistas de auditoría. Utilizar niveles de almacenamiento más económicos (ej. S3 Infrequent Access) para datos de auditoría antiguos que no requieren acceso inmediato.
7. Planes de Ahorro Cloud: A medida que el uso se estabilice, considerar la compra de instancias reservadas (Reserved Instances) o planes de ahorro (Savings Plans) en la plataforma cloud elegida para reducir los costos de cómputo y base de datos a largo plazo.