SiteSage AI — Alloovium: Inteligencia Documental para la Construcción

Concepto

MVP de SaaS B2B vertical para constructoras, contratistas generales y firmas de gestión de proyectos. Centraliza planos, contratos, especificaciones y partes de trabajo, y aplica RAG (Retrieval-Augmented Generation) para responder preguntas en lenguaje natural con citas trazables a la página/sección exacta del documento fuente, y para detectar inconsistencias entre documentos (p. ej. un parte de trabajo contra las especificaciones del contrato).

Problema que resuelve: gerentes de proyecto e ingenieros de campo pierden cientos de horas buscando manualmente en miles de documentos desestructurados, lo que genera retrasos, sobrecostos y riesgos de cumplimiento.

Arquitectura

Spring Boot 4.0.4 / Java 25, capas %%INLINE0%% → %%INLINE1%% → repository → %%INLINE3%%, DTOs inmutables (records) en %%INLINE4%%, seguridad JWT stateless en security.

controller/   REST: auth, projects, documents, query, consistency-check
service/      ProjectService, StorageService, OcrService, TextChunkingService,
              EmbeddingService, VectorStoreService, DocumentIngestionService,
              LlmService, QueryService, ConsistencyAnalysisService
repository/   ProjectRepository, ProjectDocumentRepository (Spring Data JPA)
model/        Project, ProjectDocument (entidades JPA), DocumentStatus,
              DocumentChunk (record, vive en el vector store)
dto/          records de request/response
security/     JwtProperties, JwtService, JwtAuthenticationFilter
config/       JacksonConfig (pre-escrito), SecurityConfig
exception/    excepciones de negocio + GlobalExceptionHandler (@RestControllerAdvice)

Pipeline de ingesta (asíncrono, hilos virtuales)

%%INLINE6%% → %%INLINE7%% guarda el binario (simula S3, en memoria) → metadata en %%INLINE8%% (JPA, PostgreSQL/H2) → %%INLINE9%% lanza %%INLINE10%% que: %%INLINE11%% extrae texto por página (simula AWS Textract) → TextChunkingService fragmenta con solapamiento → EmbeddingService genera un vector determinístico por chunk (simula un embedding de LLM) → VectorStoreService indexa el chunk en memoria, particionado por proyecto (simula Pinecone/Weaviate). El documento pasa por estados %%INLINE15%% (o %%INLINE16%%).

Pipeline de consulta (RAG)

%%INLINE17%% → %%INLINE18%% embebe la pregunta → VectorStoreService recupera los top-K chunks por similitud coseno, acotado al proyecto → LlmService construye la respuesta fundamentada en el contexto recuperado → se devuelven citas (%%INLINE21%%, %%INLINE22%%, extracto) y una confianza estimada (promedio de similitud de los chunks usados).

Análisis cruzado

POST /consistency-check compara los chunks de dos documentos del mismo proyecto sobre un aspecto dado (p. ej. "resistencia del concreto") y reporta discrepancias si el aspecto no aparece en ambos, con las citas de soporte.

Puntos de integración real (fuera de alcance del MVP, simulados en memoria)

• StorageService → cliente AWS S3 real.
• OcrService → AWS Textract.
• %%INLINE27%% / %%INLINE28%% → cliente OpenFeign hacia OpenAI/Anthropic

(dependencia %%INLINE29%% ya en el %%INLINE30%%, lista para envolver la llamada HTTP real sin cambiar el contrato de LlmService).

• VectorStoreService → Pinecone/Weaviate.

Mantener el contrato de cada servicio (%%INLINE33%%, %%INLINE34%%, etc.) permite sustituir la simulación por el proveedor real sin tocar controllers ni la lógica RAG.

Endpoints

Método	Path	Descripción
POST	%%INLINE35%%	Login demo (%%INLINE36%% / sitesage), devuelve JWT
POST	/api/v1/projects	Crea proyecto
GET	/api/v1/projects	Lista proyectos
GET	/api/v1/projects/{projectId}	Detalle de proyecto
POST	%%INLINE41%%	Carga documento (multipart %%INLINE42%%), dispara ingesta async
GET	/api/v1/projects/{projectId}/documents	Lista documentos del proyecto y su estado
GET	/api/v1/projects/{projectId}/documents/{documentId}	Detalle de documento
POST	/api/v1/projects/{projectId}/query	Pregunta en lenguaje natural (RAG), respuesta citada
POST	/api/v1/projects/{projectId}/consistency-check	Análisis cruzado entre dos documentos

Nota de seguridad MVP: SecurityConfig emite y valida JWT (stateless, %%INLINE48%%), pero autoriza todas las rutas (%%INLINE49%%) para simplificar la demo. El siguiente paso natural es exigir autenticación (%%INLINE50%%) en %%INLINE51%%, %%INLINE52%% y %%INLINE53%%, y mapear roles (Gerente de Proyecto, Ingeniero de Campo, Oficial de Cumplimiento).

Referencias

• Alloovium (YC): https://www.ycombinator.com/companies/industry/Artificial%20Intelligence
• Patrón RAG: recuperación semántica + generación aumentada por contexto.

Análisis de Negocio

• Mercado: nicho vertical masivo y tecnológicamente desatendido

(construcción), evita competir de frente con plataformas horizontales de IA.

• Valor cuantificable: horas de búsqueda ahorradas, errores evitados,

disputas contractuales mitigadas por trazabilidad de citas.

• Monetización: SaaS B2B, precio por proyecto/mes, escalado por volumen de

datos y usuarios — alineado con el ciclo de vida de un proyecto de obra.

• Barrera de entrada: especialización del modelo y flujos de trabajo en el

dominio construcción (planos, contratos, partes de obra), no solo RAG genérico.

Cómo ejecutar

cd solutions/2026-07-17-site-sage-ai
mvn spring-boot:run

Prueba rápida:

# login
curl -s -X POST localhost:8080/api/v1/auth/login \
  -H 'Content-Type: application/json' \
  -d '{"username":"pm@sitesage.ai","password":"sitesage"}'

# crear proyecto
curl -s -X POST localhost:8080/api/v1/projects \
  -H 'Content-Type: application/json' \
  -d '{"name":"Torre Norte","client":"Constructora Andes"}'

# subir documento
curl -s -X POST localhost:8080/api/v1/projects/1/documents \
  -F "file=@especificaciones.pdf"

# preguntar
curl -s -X POST localhost:8080/api/v1/projects/1/query \
  -H 'Content-Type: application/json' \
  -d '{"question":"¿Cuál es la resistencia del concreto especificada?"}'

---

FinOps Analysis

Estimación de Costos Operativos Mensuales

Para SiteSage AI, hemos proyectado los costos operativos mensuales iniciales, asumiendo una fase de "micro-startup" con un número limitado de clientes y un uso moderado de los servicios.

1. Estimación de Tokens LLM

Se estima un consumo mensual de aproximadamente 800K tokens:

• Ingesta de Documentos (Embeddings): Asumiendo 100 documentos subidos al mes, con un promedio de 5,000 tokens por documento para la generación de embeddings, esto suma ~500,000 tokens (usando text-embedding-3-small).
• Consultas de Usuario (RAG): Para 250 consultas mensuales (ej. 5 proyectos, 5 usuarios/proyecto, 10 consultas/usuario/mes):

Embeddings de consultas: 250 consultas 20 tokens/consulta = 5,000 tokens. Generación LLM (input): 250 consultas (1000 tokens de contexto + 20 tokens de pregunta) = 255,000 tokens. Generación LLM (output): 250 consultas 200 tokens de respuesta = 50,000 tokens. * Total LLM Generation: ~305,000 tokens (usando gpt-4o-mini).

2. Desglose de Costos Mensuales

• Costos de APIs (LLM, OCR, VectorDB, S3): $20/mes

* OpenAI (gpt-4o-mini + embeddings): ~$5/mes (Este valor incluye un pequeño buffer sobre la estimación de uso directo de %%INLINE56%% y %%INLINE57%% para cubrir desarrollo, pruebas y un ligero crecimiento inicial. Los costos directos calculados son extremadamente bajos, por lo que se asume un mínimo para una operación comercial). * AWS Textract (OCR): ~$1.50/mes (Asumiendo 100 documentos, 10 páginas/doc, 1000 páginas procesadas a $1.50/1000 páginas). * Base de Datos Vectorial (Pinecone/Weaviate): ~$10/mes (Considerando un plan de inicio o un nivel básico de pago para mayor fiabilidad que el nivel gratuito). * AWS S3 (Almacenamiento y Transferencia de Documentos): ~$1/mes (Para un volumen bajo de documentos, el costo es mínimo).

• Costos de Infraestructura Cloud (AWS Baseline): $45/mes

* Servidor de Aplicación (Spring Boot): AWS EC2 t3.small (~$25/mes). * Base de Datos Relacional (PostgreSQL): AWS RDS PostgreSQL t3.micro (~$15/mes). * Monitorización y Logs: AWS CloudWatch y S3 para logs (~$5/mes).

Costo Operativo Mensual Total Estimado: $65/mes

Estimación de Ingresos Mensuales y Margen de Beneficio

• Modelo de Monetización: SaaS B2B, por proyecto/mes, escalando por volumen de datos/usuarios.
• Precio por Proyecto: Se estima un precio inicial de $100/mes por proyecto básico.
• Clientes Iniciales: Asumiendo 5 clientes iniciales con 1 proyecto cada uno.

Ingreso Mensual Estimado: 5 clientes $100/cliente = $500/mes.

• Cálculo de Margen de Beneficio:

* Ingresos: $500 * Costos: $65 * Beneficio: $500 - $65 = $435 Margen de Beneficio: ($435 / $500) 100 = 87%

El alto margen de beneficio inicial subraya la eficiencia de costos del modelo de negocio de SiteSage AI, especialmente al aprovechar modelos LLM de bajo costo como gpt-4o-mini y una infraestructura cloud lean.

Estrategias de Optimización de Costos (FinOps)

Para mantener y mejorar el margen de beneficio a medida que SiteSage AI escala, se recomiendan las siguientes optimizaciones:

1. Caché de Respuestas LLM: Implementar un sistema de caché para almacenar las respuestas a preguntas frecuentes o para secciones de documentos que son consultadas repetidamente. Esto reducirá el número de llamadas a la API de LLM y, por ende, los costos.
2. Optimización de Chunking y Estrategia RAG: Ajustar el tamaño de los fragmentos (chunks) de documentos y la estrategia de recuperación para asegurar que solo se envíe el contexto más relevante al LLM, minimizando los tokens de entrada sin comprometer la calidad de la respuesta.
3. Selección Dinámica de Modelos LLM: Evaluar la posibilidad de usar modelos LLM más pequeños y económicos (o incluso modelos de código abierto auto-hosteados para tareas específicas) para casos de uso donde gpt-4o-mini pueda ser excesivo, optimizando el costo por tarea.
4. Procesamiento Asíncrono y por Lotes: Agrupar la ingesta de documentos y la generación de embeddings en lotes para aprovechar descuentos por volumen o para ejecutarlos en horas de menor demanda, optimizando el uso de recursos y APIs.
5. Optimización de Bases de Datos: Monitorizar el uso de la base de datos vectorial (ej. Pinecone/Weaviate) y relacional (PostgreSQL) para escalar a instancias más pequeñas si el uso lo permite, o considerar opciones serverless que se facturan por uso real.
6. Estrategia de OCR Inteligente: Para documentos escaneados, priorizar la extracción de solo la información clave si no todo el texto es necesario, o investigar servicios de OCR alternativos que ofrezcan mejores tarifas para volúmenes crecientes.
7. Auto-escalado de Infraestructura: Implementar políticas de auto-escalado para los recursos de cómputo (ej. EC2/Fargate) para que se ajusten automáticamente a la demanda, evitando el aprovisionamiento excesivo.