RFPilot AI — MVP Explainer

Concepto

RFPilot AI es una plataforma B2B SaaS que elimina el trabajo manual en la respuesta a RFPs (Request for Proposals). Los equipos de ventas y preventa cargan su base de conocimiento privada (propuestas anteriores, whitepapers, manuales) y, cuando llega un nuevo RFP, la IA extrae cada pregunta y genera un borrador de respuesta citando las fuentes internas más relevantes — listo para revisar, editar y aprobar.

---

Arquitectura

┌──────────────────────────────────────────────────────────┐
│  Cliente (curl / Postman / frontend React)               │
└──────────────────────┬───────────────────────────────────┘
                       │  HTTPS  (Authorization: Bearer JWT)
┌──────────────────────▼───────────────────────────────────┐
│  Spring Boot 4.0.4  •  Java 25  •  Virtual Threads       │
│                                                          │
│  ┌──────────────┐  ┌──────────────┐  ┌────────────────┐  │
│  │AuthController│  │KnowledgeBase │  │  RfpController │  │
│  │              │  │  Controller  │  │                │  │
│  └──────┬───────┘  └──────┬───────┘  └───────┬────────┘  │
│         │                 │                  │            │
│  ┌──────▼───────┐  ┌──────▼───────┐  ┌───────▼────────┐  │
│  │  AuthService │  │KnowledgeBase │  │   RfpService   │  │
│  │              │  │   Service    │  │                │  │
│  └──────┬───────┘  └──────┬───────┘  └───────┬────────┘  │
│         │                 │  embed()           │           │
│         │         ┌───────▼───────┐            │           │
│         │         │EmbeddingService│            │           │
│         │         │  (RAG engine) │            │           │
│         │         └───────┬───────┘            │           │
│         │                 │  OpenFeign          │           │
│         │         ┌───────▼───────┐            │           │
│         │         │  LlmClient   │  (OpenAI)   │           │
│         │         └───────────────┘            │           │
│  ┌──────▼──────────────────────────────────────▼──────┐   │
│  │                    JPA / Hibernate 7                │   │
│  └───────────────────────────┬─────────────────────────┘   │
└──────────────────────────────┼───────────────────────────┘
                               │
              ┌────────────────▼─────────────────┐
              │  H2 (dev) / PostgreSQL (prod)    │
              │  Tables: users, knowledge_docs,  │
              │  document_chunks, rfp_projects,  │
              │  rfp_questions, answers          │
              └──────────────────────────────────┘

Capas

Capa	Paquete	Responsabilidad
Controller	controller	REST endpoints, mapeo HTTP ↔ DTO
Service	service	Lógica de negocio, RAG pipeline
Repository	repository	Spring Data JPA
Model	model	Entidades JPA
DTO	dto	Records inmutables para transferencia
Client	client	Feign client → LLM API
Security	security	JWT filter + UserDetailsService
Config	config	SecurityConfig, FeignConfig, AppProps

Multi-tenancy

Cada usuario tiene un tenantId (UUID) generado al registrarse. Todas las entidades (%%INLINE9%%, %%INLINE10%%, %%INLINE11%%, %%INLINE12%%, Answer) incluyen tenantId en todas las consultas — los datos de un cliente nunca son visibles para otro.

RAG Pipeline

Pregunta RFP
     │
     ▼ embed() → double[1536]
     │
     ▼ cosine similarity vs todos los chunks del tenant
     │
     ▼ top-5 chunks más relevantes
     │
     ▼ prompt enriquecido → LLM
     │
     ▼ draft + fuentes citadas → persisted en Answer

Los embeddings se almacenan como JSON serializado en columna TEXT. En producción con PostgreSQL: migrar a vector(1536) con la extensión pgvector para búsqueda ANN (Approximate Nearest Neighbor) escalable.

---

Endpoints

Auth (/api/auth) — público

Método	Path	Body	Descripción
POST	%%INLINE18%%	%%INLINE19%%	Crear cuenta + JWT
POST	%%INLINE20%%	%%INLINE21%%	Login + JWT

Base de Conocimiento (/api/knowledge) — JWT requerido

Método	Path	Body	Descripción
POST	%%INLINE23%%	%%INLINE24%%	Subir e indexar documento
GET	/api/knowledge/documents	—	Listar documentos del tenant
DELETE	/api/knowledge/documents/{id}	—	Eliminar documento y chunks

Proyectos RFP (/api/rfp) — JWT requerido

Método	Path	Body	Descripción
POST	%%INLINE28%%	%%INLINE29%%	Crear proyecto RFP
GET	/api/rfp/projects	—	Listar proyectos
POST	/api/rfp/projects/{id}/analyze	—	Extraer preguntas con IA
GET	/api/rfp/projects/{id}/questions	—	Listar preguntas extraídas

Respuestas (/api/answers) — JWT requerido

Método	Path	Body	Descripción
POST	/api/answers/generate/{questionId}	—	Generar borrador RAG
GET	/api/answers/question/{questionId}	—	Obtener respuesta existente
PUT	%%INLINE36%%	%%INLINE37%%	Editar / cambiar estado
POST	/api/answers/{answerId}/approve	—	Aprobar respuesta
GET	/api/answers/project/{projectId}	—	Todas las respuestas de un proyecto

---

Cómo ejecutar

Requisitos

• Java 25
• Maven 3.9+
• (Opcional) Clave API de OpenAI para generación LLM real

Ejecución rápida (H2 en memoria)

cd solutions/2026-06-22-rfpilot-ai
mvn spring-boot:run

El servidor arranca en http://localhost:8080. H2 se configura automáticamente cuando no hay datasource URL definida.

Con LLM real (OpenAI)

Añadir al application.yml o como variable de entorno:

rfpilot:
  jwt-secret: your-production-secret-min-32-chars
  llm:
    api-key: sk-...
    model: gpt-4o-mini
    embedding-model: text-embedding-3-small
    embedding-dimension: 1536

O vía env vars:

RFPILOT_LLM_API-KEY=sk-... mvn spring-boot:run

Sin API key, el sistema usa embeddings deterministas (hash gaussiano normalizado) y plantillas de texto para los borradores — funcional para demos sin coste.

Con PostgreSQL (producción)

spring:
  datasource:
    url: jdbc:postgresql://localhost:5432/rfpilot
    username: rfpilot
    password: secret
  jpa:
    hibernate:
      ddl-auto: update
    properties:
      hibernate:
        dialect: org.hibernate.dialect.PostgreSQLDialect

Para búsqueda vectorial escalable, instalar la extensión pgvector y migrar %%INLINE42%% a %%INLINE43%%.

---

Flujo de uso

1. POST /api/auth/register  → obtener JWT
2. POST /api/knowledge/documents  (subir propuesta anterior.txt)
3. POST /api/knowledge/documents  (subir whitepaper-producto.txt)
4. POST /api/rfp/projects  (subir rfp-cliente.txt, name="Acme Corp RFP")
5. POST /api/rfp/projects/{id}/analyze  → obtener lista de preguntas
6. POST /api/answers/generate/{questionId}  → draft con fuentes citadas
7. PUT  /api/answers/{answerId}  (editar borrador)
8. POST /api/answers/{answerId}/approve  → marca como aprobada
9. GET  /api/answers/project/{projectId}  → exportar propuesta completa

---

Análisis de Negocio

Dimensión	Detalle
Mercado	Empresas B2B tecnología/consultoría 20-500 empleados
Dolor	~40 h/propuesta en promedio; 20-60 RFPs/año por empresa
Valor	Reducción 70% tiempo de redacción; mayor consistencia y calidad
Monetización	SaaS por niveles: Starter $99/mes (3 usuarios, 100 docs), Pro $299/mes, Enterprise custom
Competencia	Responsive, QorusDocs, Loopio — espacio para actor ágil con mejor UX
Ventaja	RAG sobre base de conocimiento privada; arquitectura multi-tenant; sin datos a terceros
Time-to-value	Primera respuesta generada en < 5 min de onboarding

---

Referencias

• Inventive AI — AI Tools for B2B SaaS Revenue Teams
• Spring Boot 4.0.4 Reference
• Spring Security 7 Reference
• JJWT 0.12.x Docs
• Spring Cloud OpenFeign 4.x
• pgvector — Vector Similarity in PostgreSQL
• OpenAI Embeddings API

---

Análisis FinOps para RFPilot AI

Estimación de Costos Operativos Mensuales (MVP)

Para una micro-startup como RFPilot AI, los costos operativos iniciales son notablemente bajos, impulsados por la eficiencia de los modelos LLM de bajo costo y una infraestructura cloud optimizada. Asumiendo un inicio con 4 clientes pagando una suscripción promedio de $125/mes, el desglose de costos es el siguiente:

• Estimación de Tokens LLM: Aproximadamente 5.5 millones de tokens/mes. Esto incluye la generación de embeddings para la base de conocimiento y preguntas (~2.05M tokens) y la generación de respuestas de RFP (2.9M tokens de input + 0.5M tokens de output).
• Costos de API de LLM: $15/mes (Utilizando principalmente %%INLINE44%% para generación y %%INLINE45%% para embeddings de OpenAI. El costo calculado directo es de aproximadamente $2.25/mes, pero se aplica un buffer para experimentación, testing y uso ocasional de modelos más capaces).
• Costos de Infraestructura Cloud: $40/mes

* Cloud Compute (Ej. AWS EC2 t3.small): ~$15/mes para ejecutar la aplicación Spring Boot. * Base de Datos (Ej. AWS RDS PostgreSQL t3.micro con pgvector): ~$18/mes para la base de datos relacional y vectorial. * Almacenamiento (Ej. AWS S3 para documentos) y Red: ~$7/mes para almacenamiento de documentos de clientes y tráfico de red.

• Total de Costos Operativos Mensuales: $55/mes

Estimación de Ingresos y Margen de Beneficio

• Ingresos Mensuales Estimados: $500/mes (basado en 4 clientes con un plan de suscripción de $125/mes, un precio realista para un SaaS B2B que resuelve un problema crítico).
• Margen de Beneficio Bruto: 89%

* ((Ingresos - Costos) / Ingresos) * 100 = (($500 - $55) / $500) * 100 = 89%

Este alto margen de beneficio inicial es una característica atractiva de los modelos de negocio SaaS que aprovechan APIs de IA de bajo costo. A medida que la base de clientes y el uso crezcan, los costos de LLM aumentarán linealmente, mientras que los costos de infraestructura escalarán de forma más gradual, manteniendo un margen saludable.

Estrategias de Optimización FinOps

Para mantener y mejorar la eficiencia de costos a medida que RFPilot AI escala, se recomiendan las siguientes optimizaciones:

1. Optimización de LLM:

* Caching Inteligente: Implementar un sistema de caché para respuestas o fragmentos de texto generados por LLM que sean recurrentes (ej. preguntas frecuentes de seguridad en RFPs), reduciendo llamadas duplicadas a la API y el consumo de tokens. * Modelos por Caso de Uso: Continuar utilizando modelos LLM de menor costo (%%INLINE47%%, %%INLINE48%%) para tareas donde su rendimiento es suficiente, reservando modelos más caros solo para funciones críticas que exijan máxima calidad o para tareas de prompt engineering. * Ingeniería de Prompts: Refinar los prompts para ser más concisos y eficientes en el uso de tokens de entrada, disminuyendo los costos por llamada al LLM.

1. Optimización de Infraestructura Cloud:

* Monitoreo y Ajuste de Recursos: Implementar un monitoreo granular de CPU, memoria y I/O de base de datos para ajustar dinámicamente el tamaño de las instancias (compute y DB) a la demanda real, evitando el sobreaprovisionamiento, especialmente a medida que la carga de usuarios fluctúa. * Políticas de Retención de Datos: Aplicar políticas de ciclo de vida en S3 y la base de datos (PostgreSQL) para archivar o eliminar automáticamente documentos y datos antiguos o no utilizados, optimizando los costos de almacenamiento a largo plazo. * Serverless para Cargas Esporádicas: Evaluar el uso de funciones serverless (ej. AWS Lambda) para el procesamiento de documentos (parsing, chunking, embedding) si la carga es muy variable o tiene picos esporádicos, pagando solo por el tiempo de ejecución y no por instancias inactivas.

1. Procesamiento Eficiente:

* Procesamiento por Lotes: Agrupar tareas intensivas en recursos como la ingesta de documentos de la base de conocimiento o el análisis inicial de RFPs para ser procesadas en lotes durante horas de menor uso. Esto permite aprovechar mejor los recursos existentes y puede reducir la necesidad de escalar instancias para picos cortos.