PersonaGenius API

Concepto

PersonaGenius es un SaaS B2B de nicho para equipos de marketing que necesitan pasar de "datos crudos de clientes" a contenido de campaña personalizado en minutos, no en días. Sube un CSV de clientes → la IA genera 3-5 buyer personas detalladas → elige una persona + un objetivo de campaña → la IA redacta borradores para email, LinkedIn y X (Twitter).

Diferenciador frente a plataformas genéricas de marketing automation: foco exclusivo en profundidad de persona (motivaciones, dolores, canales) como insumo directo de generación de contenido, no un CRM genérico con IA superficial encima.

Arquitectura

Spring Boot 4.0.4 / Java 25, capas estándar:

controller/  → REST endpoints (JWT-protegidos salvo /api/auth/**)
service/     → lógica de negocio (generación IA, cuotas de plan, persistencia)
repository/  → Spring Data JPA
model/       → entidades Jakarta Persistence (User, Workspace, CustomerPersona, CampaignContent)
dto/         → records inmutables (requests/responses)
client/      → LlmClient (Feign) hacia proveedor LLM externo (OpenAI-compatible)
security/    → JWT (jjwt 0.12.6), SecurityFilterChain stateless, UserPrincipal
exception/   → excepciones de negocio + @RestControllerAdvice
config/      → FeignConfig (@EnableFeignClients + auth interceptor), JacksonConfig (pre-escrito)

Multi-tenancy simple: cada %%INLINE0%% pertenece a un %%INLINE1%% (1 workspace por registro, el creador es %%INLINE2%%). Todas las queries de personas/campañas están scoped por %%INLINE3%% extraído del JWT vía UserPrincipal.

Integración LLM: %%INLINE5%% es un %%INLINE6%% declarativo apuntando a %%INLINE7%% (default: OpenAI chat completions). Si %%INLINE8%% no está configurada (o la llamada falla), %%INLINE9%% y %%INLINE10%% caen automáticamente en un generador local simulado determinista — el MVP funciona out-of-the-box sin credenciales, y se activa la IA real solo seteando la env var.

Freemium: %%INLINE11%% trackea %%INLINE12%% y campaignsThisMonth. Plan FREE limita a 1 generación de personas y 2 campañas; al superar el límite, la API responde 402 Payment Required con mensaje de upgrade.

Endpoints

Método	Path	Auth	Descripción
POST	/api/auth/register	No	Crea usuario OWNER + workspace nuevo, devuelve JWT
POST	/api/auth/login	No	Login, devuelve JWT
POST	/api/personas/generate	JWT	Sube CSV → genera 3-5 buyer personas vía IA
GET	/api/personas	JWT	Lista personas del workspace
POST	/api/campaigns	JWT	Genera contenido (EMAIL/LINKEDIN/TWITTER) para una persona + objetivo
GET	/api/campaigns	JWT	Lista contenido de campañas del workspace
GET	/api/workspace	JWT	Dashboard: plan, cuotas, personas y campañas

Autenticación: header Authorization: Bearer <token> (token emitido en register/login).

Ejemplo de flujo

# 1. Registro
curl -X POST localhost:8080/api/auth/register -H "Content-Type: application/json" -d '{
  "email":"ana@startup.com","password":"password123",
  "fullName":"Ana Torres","workspaceName":"Startup Ana"
}'
# → { "token": "...", "workspaceId": 1, ... }

# 2. Generar personas
curl -X POST localhost:8080/api/personas/generate -H "Authorization: Bearer <token>" \
  -H "Content-Type: application/json" -d '{
  "datasetName":"clientes_q1.csv",
  "csvData":"nombre,edad,industria\nJuan,32,ecommerce\nMaria,29,saas"
}'

# 3. Generar contenido de campaña
curl -X POST localhost:8080/api/campaigns -H "Authorization: Bearer <token>" \
  -H "Content-Type: application/json" -d '{
  "personaId":1,"campaignGoal":"lanzamiento de producto"
}'

# 4. Dashboard
curl localhost:8080/api/workspace -H "Authorization: Bearer <token>"

Referencias

• Business case fuente: https://xchange.avixa.org/posts/top-10-innovative-ideas-to-start-an-ai-saas-business-in-2026-27
• Spring Boot 4.0.4 / Spring Framework 7.x / Spring Cloud OpenFeign 4.2.1
• jjwt 0.12.6 para JWT
• Jackson 3.x (tools.jackson.*)

Análisis de negocio

• Problema de alto valor: personalización de marketing a escala es cara y lenta;

automatizarla con IA tiene ROI directo y medible (conversión de campaña).

• Monetización: freemium (1 generación de personas + 2 campañas/mes gratis) →

planes de pago con generaciones ilimitadas, exportación y colaboración en equipo. El límite de cuota está implementado en %%INLINE25%%/%%INLINE26%% y expuesto en GET /api/workspace para que el frontend muestre el upsell.

• Nicho defendible: mientras las plataformas grandes de marketing automation son

genéricas, PersonaGenius profundiza específicamente en persona → contenido, reduciendo el tiempo de "dato crudo" a "borrador listo para publicar" a minutos.

• Riesgo técnico principal: dependencia de proveedor LLM externo (costo, latencia,

rate limits) — mitigado con fallback local simulado y cliente Feign desacoplado (fácil de intercambiar proveedor cambiando personagenius.llm.base-url).

Cómo ejecutar

cd solutions/2026-08-01-persona-genius-api
mvn spring-boot:run

Por defecto usa base de datos H2 embebida en memoria (sin configuración adicional). Para activar generación IA real, exportar antes de arrancar:

export PERSONAGENIUS_LLM_API-KEY=sk-...   # o personagenius.llm.api-key en application.yml

Sin esa variable, el MVP genera personas/contenido con el simulador local determinista — totalmente funcional para demo end-to-end.

Para producción con PostgreSQL, definir %%INLINE29%% (driver %%INLINE30%% ya está en el classpath) apuntando a la instancia real.

---

Análisis FinOps para PersonaGenius

Visión General

PersonaGenius, como una micro-startup SaaS de automatización de marketing impulsada por IA, presenta una estructura de costos lean con un alto potencial de margen de beneficio. Los principales impulsores de costos son los servicios de Large Language Model (LLM) y la infraestructura de la nube, mientras que los ingresos se basan en un modelo de suscripción SaaS escalable.

Impulsores Clave de Costos Mensuales

• LLM Tokens (~$20/mes): Basado en una estimación de ~2.6 millones de tokens mensuales, utilizando principalmente gpt-4o para la generación de personas y contenido. Esto asume una base inicial de 50 clientes de pago (3 generaciones de personas y 5 campañas de contenido por cliente) y 20 usuarios freemium (1 generación de persona y 2 campañas de contenido por usuario).

* Cálculo detallado (gpt-4o): * Costo por generación de Persona (13k tokens): ~$0.095 (10k input @ $5/M, 3k output @ $15/M) * Costo por generación de Contenido (1.4k tokens): ~$0.0125 (0.85k input @ $5/M, 0.55k output @ $15/M) 50 clientes de pago: 50 (3 $0.095 + 5 $0.0125) = $17.375 20 usuarios freemium: 20 (1 $0.095 + 2 $0.0125) = $2.40 * Total LLM: ~$19.78, redondeado a $20.

• Infraestructura Cloud (~$40/mes):

* Compute (GCP Cloud Run - $25/mes): Un contenedor de 1 vCPU y 2GB de RAM, configurado para escalar automáticamente y tolerar arranques en frío (cold starts) para optimizar costos en periodos de baja actividad, pero con un uso base moderado. * Base de Datos (GCP Cloud SQL PostgreSQL - $15/mes): Una instancia db-f1-micro con 20GB de almacenamiento, adecuada para las necesidades iniciales de persistencia de datos de usuarios, personas y campañas.

• Otros Costos (~$5/mes): Incluye un dominio, monitoreo básico y logging (utilizando los servicios gratuitos o de bajo costo inherentes a GCP).

Costo Operativo Mensual Total Estimado: ~$65

Proyecciones de Ingresos Mensuales

El modelo de monetización SaaS freemium se basa en suscripciones pagas. Asumiendo una base inicial de 50 clientes de pago en el plan básico de $25/mes (que ofrece más generaciones de personas y campañas ilimitadas), los ingresos proyectados son:

50 clientes $25/cliente = $1250/mes

Margen de Beneficio

Con los costos operativos y los ingresos proyectados:

Margen de Beneficio = (($1250 - $65) / $1250) 100 = 94.8% (redondeado a 95%)

Este margen extremadamente alto subraya la eficiencia del modelo de negocio, donde la mayor parte del valor se genera a través de la IA con una infraestructura mínima.

Estrategias de Optimización de Costos (FinOps)

Para mantener este alto margen y escalar de manera eficiente, se recomienda la implementación proactiva de las siguientes estrategias FinOps:

1. Gestión Inteligente de LLMs:

* Tiering de Modelos: Utilizar %%INLINE33%% para tareas que requieren menos complejidad o para generar borradores (ej., primeras versiones de contenido, personas menos críticas), reservando %%INLINE34%% para la generación de personas principales o contenido final que demande mayor calidad. Esto puede reducir significativamente los costos de tokens. * Caching de Respuestas: Implementar un sistema de caché para almacenar respuestas de LLMs a prompts comunes o para características de personas recurrentes, evitando llamadas redundantes a la API externa. * Prompt Engineering Eficiente: Diseñar prompts concisos y efectivos para minimizar el número de tokens de entrada y salida sin comprometer la calidad. * Límites de Gasto: Configurar límites de gasto en la consola del proveedor de LLM para evitar costos inesperados o picos de uso no autorizados.

1. Optimización de Infraestructura Cloud:

* Escalado a Cero de Cloud Run: Asegurarse de que el servicio se configure para escalar a cero instancias cuando no hay tráfico, aprovechando la naturaleza sin servidor de Cloud Run. Monitorear el impacto de los 'cold starts' para equilibrar el rendimiento con el costo. * Optimización de Base de Datos: Realizar revisiones periódicas del esquema de la base de datos, optimizar consultas e índices para reducir el uso de CPU, E/S y almacenamiento en Cloud SQL. Considerar alternativas como Aurora Serverless v2 si la escala justifica un modelo de pago por uso más granular para bases de datos. * Monitoreo y Alertas: Utilizar las herramientas de monitoreo de GCP (Cloud Monitoring) para rastrear el consumo de recursos en tiempo real y configurar alertas para desviaciones significativas que puedan indicar ineficiencias o abusos.

1. Monetización y Precios:

* Análisis de Rentabilidad por Cliente: Evaluar la rentabilidad de los usuarios freemium y de los diferentes niveles de pago. Si los usuarios freemium consumen demasiados recursos de LLM sin convertir, ajustar los límites del plan gratuito. * Pricing por Uso: Introducir un modelo de precios basado en el uso (ej., tokens LLM, número de generaciones) para los planes de mayor nivel, lo que permite capturar más valor de los usuarios de alto consumo y alinear los costos con los ingresos.

Consideraciones Futuras de FinOps

• Integración con LLMs Open Source: A medida que la startup crezca, investigar la viabilidad de auto-alojar modelos LLM de código abierto o utilizar servicios de inferencia de modelos más pequeños (ej., en Hugging Face o con plataformas como Ollama/Llama.cpp) para tareas específicas que no requieran la potencia de modelos premium, reduciendo así la dependencia y el costo de APIs externas.
• Automatización de FinOps: Implementar scripts o herramientas para automatizar el apagado/encendido de recursos no esenciales, la gestión de cuotas y el análisis de costos detallados.