SiteSage AI — Inteligencia Documental para Construccion

1. Concepto

SiteSage AI es un SaaS B2B vertical para empresas de construccion. Centraliza contratos, planos, especificaciones y permisos, y expone un motor de busqueda conversacional (RAG) que responde preguntas en lenguaje natural citando la fuente exacta (documento + pagina). Ataca el problema de sobrecostos, retrasos y litigios causados por gestion documental manual y fragmentada.

Basado en la tendencia validada por Alloovium (Y Combinator): IA vertical document-intelligence para construccion, un nicho masivo y desatendido por tecnologia horizontal.

2. Arquitectura

Spring Boot 4.0.4 / Java 25, monolito modular en capas:

controller/  -> REST endpoints (JWT protegido salvo /api/auth/**)
service/     -> logica de negocio + pipeline RAG
repository/  -> Spring Data JPA (H2 en memoria, auto-configurado)
model/       -> entidades JPA + DocumentChunk (objeto vectorial en memoria)
dto/         -> records inmutables (requests/responses)
feign/       -> clientes OpenFeign hacia API tipo OpenAI (embeddings + chat)
security/    -> JwtService + JwtAuthenticationFilter (stateless)
config/      -> SecurityConfig, FeignConfig, JacksonConfig (pre-existente)

Pipeline de ingesta (feature 1)

%%INLINE0%% -> %%INLINE1%%:

1. StorageService guarda el binario (simula bucket S3 con un mapa en memoria

por storageKey; intercambiable por AWS SDK real sin tocar el resto).

1. TextExtractionService extrae texto (decodifica texto plano directo; para

binarios hace una extraccion best-effort de caracteres imprimibles — sustituible 1:1 por Apache Tika en produccion, misma interfaz).

1. ChunkingService fragmenta el texto en chunks de ~800 caracteres.
2. EmbeddingService genera un vector por chunk: si

sitesage.integrations.openai.enabled=true y hay API key, llama al cliente Feign OpenAiEmbeddingClient; si no, usa un embedding local determinista (hashing trick de 128 dimensiones) que preserva similitud por superposicion de palabras — el MVP funciona sin credenciales externas.

1. %%INLINE9%% indexa cada %%INLINE10%% en memoria, particionado

por projectId (simula Pinecone/Weaviate; misma interfaz para swap real).

1. ComplianceAlertService escanea los chunks por palabras clave

(penalidad, incumplimiento, multa, vencimiento, permiso, licencia) y persiste ComplianceAlert con severidad.

1. Se persiste DocumentMetadata con versionado automatico (mismo

%%INLINE15%% en el mismo proyecto incrementa %%INLINE16%%).

Consulta conversacional / RAG (feature 2)

%%INLINE17%% -> %%INLINE18%%:

1. Embedding de la pregunta (EmbeddingService).
2. VectorStoreService.searchSimilar recupera el top-5 por similitud coseno,

aislado por proyecto (multi-tenant).

1. CompletionService sintetiza la respuesta: llama a

OpenAiCompletionClient (Feign) si la integracion esta habilitada, o arma una respuesta extractiva local citando los chunks recuperados.

1. Se devuelven %%INLINE23%% con %%INLINE24%%, %%INLINE25%% y %%INLINE26%%.
2. Se registra en QueryLog para el historial del dashboard.

Analisis cruzado de inconsistencias (feature 3)

%%INLINE28%% -> %%INLINE29%%: recorre todos los chunks del proyecto, extrae valores numericos asociados a terminos clave (plazo, monto, superficie, garantia, fecha de entrega) via regex, y reporta InconsistencyItem cuando el mismo termino tiene valores distintos en documentos distintos (ej. plazo de 90 dias en el contrato vs. 120 dias en especificaciones).

Dashboard (feature 4)

%%INLINE31%% -> %%INLINE32%%: agrega conteo de documentos, conteo de chunks vectorizados, historial de consultas recientes y alertas de cumplimiento activas para un proyecto.

Seguridad multi-tenant

JWT stateless (%%INLINE33%% 0.12.6). %%INLINE34%% registra/loguea usuarios (%%INLINE35%%); %%INLINE36%% valida el Bearer token en cada request y puebla SecurityContext. Cada proyecto se asocia a ownerEmail; las consultas y documentos se filtran siempre por projectId, aislando datos entre clientes.

3. Endpoints

Metodo	Path	Descripcion
POST	/api/auth/register	Alta de usuario, devuelve JWT
POST	/api/auth/login	Login, devuelve JWT
POST	/api/projects	Crear proyecto (autenticado)
GET	/api/projects	Listar proyectos del usuario autenticado
GET	/api/projects/{projectId}	Detalle de proyecto
POST	/api/projects/{projectId}/documents	Subir documento (multipart) — pipeline completo
GET	/api/projects/{projectId}/documents	Listar documentos del proyecto
POST	/api/projects/{projectId}/query	Pregunta en lenguaje natural (RAG)
GET	/api/projects/{projectId}/consistency	Reporte de inconsistencias cruzadas
GET	/api/projects/{projectId}/dashboard	Dashboard agregado del proyecto

Todos salvo %%INLINE50%% requieren header %%INLINE51%%.

4. Referencias

• Alloovium (Y Combinator): https://www.ycombinator.com/companies/alloovium

5. Analisis de negocio

• Monetizacion: SaaS B2B por niveles, segun proyectos activos, usuarios y

volumen de almacenamiento — encaja con el modelo de aislamiento multi-tenant por %%INLINE52%%/%%INLINE53%% ya implementado.

• ROI medible: horas de busqueda manual evitadas, reduccion de disputas

por inconsistencias contractuales detectadas antes de firmarse cambios.

• Defendibilidad: dato propietario (documentos + historial de consultas

del cliente) crea lock-in natural; el nicho vertical es dificil de replicar por jugadores horizontales genericos.

• Camino a produccion: reemplazar StorageService por AWS S3 SDK,

%%INLINE55%% por Apache Tika, %%INLINE56%% por Pinecone/Weaviate, y habilitar sitesage.integrations.openai.enabled=true con API key real — las interfaces ya estan preparadas para el swap sin tocar controllers ni logica de negocio.

6. Como ejecutar

Requiere JDK 25 y Maven.

cd solutions/2026-07-15-sitesage-ai
mvn spring-boot:run

La app levanta en http://localhost:8080 con H2 en memoria (auto-configurada, sin necesidad de Postgres para probar el MVP).

Flujo de prueba rapido:

# 1. Registrar usuario
curl -s -X POST localhost:8080/api/auth/register -H "Content-Type: application/json" \
  -d '{"email":"pm@obra.com","password":"contrasena123","fullName":"Gerente PM"}'
# guarda el "token" de la respuesta

TOKEN="<token de arriba>"

# 2. Crear proyecto
curl -s -X POST localhost:8080/api/projects -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json" -d '{"name":"Torre Norte","description":"Edificio residencial"}'

# 3. Subir documento (ejemplo texto plano)
curl -s -X POST localhost:8080/api/projects/1/documents -H "Authorization: Bearer $TOKEN" \
  -F "file=@contrato.txt"

# 4. Preguntar
curl -s -X POST localhost:8080/api/projects/1/query -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json" -d '{"question":"Cual es el plazo de entrega?"}'

# 5. Dashboard
curl -s localhost:8080/api/projects/1/dashboard -H "Authorization: Bearer $TOKEN"

Para activar LLM real (OpenAI-compatible), configurar variables de entorno: SITESAGE_INTEGRATIONS_OPENAI_ENABLED=true, SITESAGE_INTEGRATIONS_OPENAI_API_KEY=sk-... (mapean a sitesage.integrations.openai.*).

---

Análisis FinOps para SiteSage AI

Visión General

SiteSage AI, como una micro-startup de IA enfocada en la gestión documental para la construcción, busca mantener una estructura de costos ajustada y un alto margen de beneficio desde el inicio. El modelo de negocio B2B SaaS con suscripción por niveles permite escalar los ingresos en función del valor proporcionado a los clientes.

Estimación de Costos Operativos Mensuales (Fase Inicial)

Para una fase inicial con 2 clientes activos, el desglose de costos es el siguiente:

• Tokens LLM (OpenAI gpt-4o-mini y embeddings): ~$1/mes

* Este costo incluye la generación de embeddings para aproximadamente 170 documentos (5 páginas cada uno) y el procesamiento de ~300 consultas RAG mensuales. Gracias a la eficiencia de modelos como %%INLINE62%% y %%INLINE63%%, los costos de IA son notablemente bajos para este volumen.

• Cloud Hosting (AWS EC2, S3, Monitoring): ~$18/mes

* Una instancia t3.small de EC2 es suficiente para alojar la aplicación Spring Boot. Se incluye un costo mínimo para el almacenamiento de documentos en S3 y servicios básicos de monitoreo (CloudWatch).

• Base de Datos (AWS RDS PostgreSQL): ~$15/mes

* Una instancia db.t3.micro de RDS con PostgreSQL proporciona una base de datos relacional gestionada para metadatos de proyectos y usuarios.

• Base de Datos Vectorial (ej. Pinecone/Auto-hospedado): ~$5/mes

* Se asume el uso de un tier gratuito de un servicio gestionado (como Pinecone Starter) o un pequeño costo por un servicio auto-hospedado o una instancia dedicada mínima para el almacenamiento de vectores.

• Costo Total Estimado: ~$39/mes

Estimación de Ingresos Mensuales (Fase Inicial)

Considerando un modelo de suscripción B2B con un precio de entrada de $75/cliente/mes y una base inicial de 2 clientes:

• Ingresos Mensuales Estimados: $150/mes

Margen de Beneficio

Con los costos e ingresos estimados, el margen de beneficio inicial es:

Margen de Beneficio: (( $150 - $39 ) / $150) 100 = 74%

Este alto margen demuestra la viabilidad económica del producto en sus primeras etapas, beneficiándose de la eficiencia de los modelos de IA y la optimización de la infraestructura cloud para micro-startups.

Estrategias de Optimización FinOps

Para mantener y mejorar este margen a medida que SiteSage AI escala, se implementarán las siguientes estrategias FinOps:

1. Optimización de Costos de LLM:

* Cache de Respuestas: Implementar un sistema de caché para almacenar y reutilizar respuestas de LLM a consultas idénticas o muy similares, reduciendo las llamadas a la API. * Procesamiento por Lotes: Agrupar las tareas de generación de embeddings de documentos para procesarlas en lotes durante períodos de baja demanda, lo que podría permitir el uso de instancias spot o recursos más económicos en el futuro. * Evaluación de Modelos Open-Source: A medida que el volumen de ingesta crezca, evaluar la posibilidad de auto-hospedar modelos de embedding open-source (ej. de Hugging Face) en la propia infraestructura para reducir la dependencia y el costo de APIs externas, siempre que la calidad y el rendimiento sean aceptables.

1. Optimización de Infraestructura Cloud:

* Right-Sizing Continuo: Monitorear activamente el uso de recursos (CPU, RAM, E/S de disco) de las instancias EC2 y RDS para asegurar que estén correctamente dimensionadas, evitando el sobreaprovisionamiento. * Políticas de Ciclo de Vida de S3: Configurar políticas de ciclo de vida para los documentos almacenados en S3, moviendo automáticamente los datos menos accedidos a tiers de almacenamiento más económicos (ej. S3 Standard-IA o S3 Glacier) después de un cierto período. * Instancias Reservadas/Savings Plans: Una vez que la carga de trabajo sea predecible, considerar la compra de Instancias Reservadas o la suscripción a Savings Plans de AWS para obtener descuentos significativos en EC2 y RDS. * Evaluación de Bases de Datos Vectoriales: Si se utiliza un servicio gestionado, revisar periódicamente los planes y tiers para asegurar que se está utilizando el más costo-efectivo. Si es auto-hospedado, optimizar su configuración y recursos.

1. Monitoreo y Alertas:

* Establecer alertas de costos en AWS Budgets o herramientas similares para ser notificado de cualquier gasto inesperado o desviación del presupuesto. * Implementar dashboards de observabilidad para tener una visión clara del rendimiento de la aplicación y el consumo de recursos, facilitando la identificación de oportunidades de optimización.

Al aplicar estas prácticas FinOps, SiteSage AI puede asegurar un crecimiento sostenible, manteniendo los costos bajo control y maximizando la rentabilidad a medida que expande su base de clientes y su funcionalidad.