TaskForge AI — Agent Execution Platform

Concepto

B2B SaaS que convierte una descripcion en lenguaje natural ("revisa LinkedIn Sales Navigator buscando VPs of Marketing y anadelos a Google Sheets") en un flujo de automatizacion web ejecutado por un agente autonomo, sin escribir codigo. Compite en la categoria emergente de agentes de IA que ejecutan acciones (OpenClaw), no en la de asistentes de dictado o productividad ya saturadas.

Arquitectura

Spring Boot 4.0.4 / Java 25, capas %%INLINE0%% → %%INLINE1%% → %%INLINE2%% → %%INLINE3%%.

• Task Studio (API) — TaskController: CRUD de tareas con el prompt en lenguaje

natural y su cron de ejecucion.

• Agent Execution Engine — AgentOrchestrationService orquesta:

%%INLINE6%% (interpreta el prompt, delega en %%INLINE7%% un cliente Feign hacia un LLM con function-calling/tool-use — con fallback heuristico local si el LLM no esta configurado) → %%INLINE8%% (traduce cada %%INLINE9%% en comandos de navegador headless tipo Playwright/Selenium Grid).

• Secure Credential Vault — CredentialVaultService cifra con AES/GCM (clave

derivada via SHA-256 de VaultProperties) las credenciales de terceros antes de persistirlas; el secreto en claro nunca sale de memoria ni se expone en la API.

• Execution Dashboard — ExecutionLogController expone el estado de las tareas

y el log de auditoria (ExecutionLog) de cada accion ejecutada.

• Job Scheduler — %%INLINE14%% usa %%INLINE15%% + hilos virtuales

(Executors.newVirtualThreadPerTaskExecutor()) para disparar tareas pendientes de forma concurrente, adecuado para I/O de automatizacion de navegador.

• Seguridad — Spring Security stateless + JWT (%%INLINE17%%). %%INLINE18%%

valida el token en cada request; %%INLINE19%% protege todo excepto %%INLINE20%%.

Endpoints

Metodo	Ruta	Descripcion
POST	/api/auth/register	Alta de usuario
POST	/api/auth/login	Login, devuelve JWT
POST	/api/tasks	Crear tarea (Task Studio)
GET	/api/tasks	Listar tareas del usuario autenticado
GET	/api/tasks/{id}	Detalle de tarea
POST	/api/tasks/{id}/run	Ejecutar tarea ahora (Agent Execution Engine)
DELETE	/api/tasks/{id}	Eliminar tarea
POST	/api/credentials	Guardar credencial cifrada (Vault)
GET	/api/credentials	Listar credenciales del usuario (sin secretos)
DELETE	/api/credentials/{id}	Eliminar credencial
GET	/api/dashboard/tasks/{taskId}/logs	Log de auditoria de una tarea
GET	/api/dashboard/summary	Conteo de tareas por estado

Usuario demo pre-creado al arrancar: %%INLINE33%% / %%INLINE34%%.

Referencias

• Business case: OpenClaw — https://www.producthunt.com/products/clawdbot-2
• jjwt 0.12.x API: https://github.com/jwtk/jjwt
• Spring Cloud OpenFeign: https://docs.spring.io/spring-cloud-openfeign/reference/

Analisis de Negocio

• Problema: equipos de operaciones/marketing/ventas en PyMEs pierden horas en

tareas repetitivas multi-app; Zapier es rigido, RPA es caro y requiere ingenieros.

• Cuna: el AgentOrchestrationService es el diferenciador — separa la

planificacion (LLM interpreta intencion → plan de acciones) de la ejecucion (navegador headless aislado), permitiendo flujos arbitrarios sin conectores predefinidos por app, a diferencia de Zapier.

• Monetizacion: SaaS por niveles segun "horas de agente" / ejecuciones al mes —

el modelo de datos (%%INLINE36%%, %%INLINE37%%) ya soporta medir consumo por usuario.

• Riesgo tecnico principal: fiabilidad del navegador headless ante cambios de UI

de terceros; el diseño desacopla %%INLINE38%% de %%INLINE39%% para poder sustituir el motor de automatizacion sin tocar la logica de negocio.

Como ejecutar

cd solutions/2026-07-04-taskforge-ai-agent
mvn spring-boot:run

La app arranca en http://localhost:8080 con H2 en memoria (autoconfigurado).

# Login con el usuario demo
curl -X POST http://localhost:8080/api/auth/login \
  -H "Content-Type: application/json" \
  -d '{"username":"demo","password":"demo1234"}'

# Crear una tarea (usar el token devuelto arriba)
curl -X POST http://localhost:8080/api/tasks \
  -H "Authorization: Bearer <TOKEN>" \
  -H "Content-Type: application/json" \
  -d '{"naturalLanguagePrompt":"Revisa LinkedIn Sales Navigator y anade VPs of Marketing a Google Sheets","cronSchedule":"0 0 9 * * *"}'

# Ejecutar la tarea inmediatamente
curl -X POST http://localhost:8080/api/tasks/1/run -H "Authorization: Bearer <TOKEN>"

# Ver el log de auditoria
curl http://localhost:8080/api/dashboard/tasks/1/logs -H "Authorization: Bearer <TOKEN>"

---

FinOps Analysis

Estimación de Costos Operacionales Mensuales (MVP)

Para TaskForge AI en su fase de micro-startup, los costos operacionales iniciales se desglosan de la siguiente manera:

• Tokens LLM: $15/mes. Esta estimación se basa en un uso aproximado de 2.5 millones de tokens mensuales utilizando OpenAI GPT-4o, lo cual permite aprovechar sus capacidades avanzadas de 'function calling' y 'tool use' para la interpretación precisa de las descripciones de tareas en lenguaje natural. Este costo asume un promedio de 5 clientes, cada uno ejecutando 5 tareas diarias, con cada tarea requiriendo múltiples llamadas al LLM.
• Infraestructura Cloud (AWS): $50/mes

* Servidor de Aplicación (EC2 t3.medium): $35/mes. Esta instancia es adecuada para alojar la aplicación Spring Boot y manejar la ejecución secuencial o concurrente limitada de instancias de Playwright/Selenium para la automatización del navegador. * Base de Datos (RDS db.t3.micro PostgreSQL): $15/mes. Una instancia de base de datos pequeña y gestionada para almacenar usuarios, tareas, credenciales encriptadas y logs de ejecución.

• APIs Externas Adicionales: $0/mes (no se identificaron otras APIs externas relevantes para el MVP).

• Total de Costos Operacionales Mensuales Estimados: $65

Estimación de Ingresos Mensuales (MVP)

Basado en un modelo B2B SaaS por niveles y asumiendo una base inicial de 5 clientes pagando un plan de entrada de $100/mes (un precio competitivo para soluciones de automatización de PyMEs):

• Ingreso Mensual Estimado: $500/mes (5 clientes x $100/mes)

Margen de Beneficio

Calculando el margen de beneficio operacional con las estimaciones anteriores:

• Beneficio Operacional: $500 (ingresos) - $65 (costos) = $435

Margen de Beneficio: (($435 / $500) 100) = 87%

Este margen es muy saludable para una fase MVP, ya que se centra exclusivamente en los costos operativos directos y no incluye gastos de desarrollo, costos de adquisición de clientes (CAC) o gastos generales de la empresa. Proporciona una base sólida para la escalabilidad.

Optimización de Costos (FinOps)

Para mantener la rentabilidad y escalar de manera eficiente, TaskForge AI debe considerar las siguientes estrategias de FinOps:

1. Optimización del Uso de LLM:

* Modelos Híbridos: Implementar una estrategia donde modelos LLM más económicos (ej. GPT-4o-mini o modelos open-source auto-alojados) se utilicen para tareas menos críticas como la clasificación inicial o el pre-análisis de prompts, reservando modelos más potentes (GPT-4o) solo para la planificación compleja y la ejecución de herramientas. * Prompt Engineering Avanzado: Refinar los prompts utilizados para interactuar con el LLM, buscando reducir la longitud de los tokens de entrada y salida sin comprometer la calidad de la interpretación, especialmente en las definiciones de herramientas. * Caching de Respuestas: Desarrollar un sistema de caché para almacenar y reutilizar las respuestas del LLM, especialmente para definiciones de herramientas, patrones de tareas recurrentes o partes estáticas de los prompts, evitando llamadas redundantes a la API.

1. Eficiencia de la Infraestructura Cloud:

* Contenedorización y Serverless: Migrar el motor de automatización de navegador (Playwright/Selenium) a entornos serverless como AWS Fargate o, para tareas muy cortas, AWS Lambda. Esto permite un escalado elástico basado en la demanda real, eliminando los costos de instancias inactivas. * Right-Sizing Continuo: Implementar herramientas de monitoreo (ej. AWS CloudWatch) para analizar continuamente el uso de CPU, RAM y E/S de disco de las instancias EC2 y RDS, ajustando los recursos asignados a la demanda real para evitar el sobreaprovisionamiento. * Instancias Reservadas/Savings Plans: A medida que el patrón de uso se estabilice y se vuelva más predecible, considerar la adquisición de instancias reservadas o la adopción de Savings Plans en AWS para reducir significativamente los costos de EC2 y RDS a largo plazo.

1. Gestión de la Ejecución de Tareas:

* Manejo de Errores Robusto: Desarrollar una lógica sofisticada de reintentos y manejo de errores para las tareas del agente. Esto no solo mejora la fiabilidad, sino que también evita que las tareas fallidas consuman recursos de infraestructura y tokens LLM en ciclos ineficaces y costosos. * Programación Inteligente: Optimizar el scheduler de tareas para distribuir la carga de trabajo de manera más uniforme a lo largo del día, evitando picos de demanda que podrían requerir un aprovisionamiento excesivo de recursos.