LexiFlow AI — Explainer

Concepto

LexiFlow AI es una plataforma B2B SaaS para despachos de abogados y departamentos legales corporativos que automatiza la revisión de contratos, la investigación legal y la gestión documental mediante agentes de IA especializados. El objetivo: reducir el tiempo dedicado a tareas repetitivas y redirigir el trabajo de alto valor a los abogados.

---

Arquitectura

┌─────────────────────────────────────────────────────────────┐
│  React / Angular SPA  (no incluida en MVP backend)          │
└────────────────────┬────────────────────────────────────────┘
                     │ HTTPS + Bearer JWT
┌────────────────────▼────────────────────────────────────────┐
│              Spring Boot 4.0.4 / Java 25                    │
│                                                             │
│  ┌──────────────┐  ┌────────────────┐  ┌────────────────┐  │
│  │AuthController│  │DocumentControll│  │ CaseController │  │
│  └──────┬───────┘  └───────┬────────┘  └───────┬────────┘  │
│         │                  │                    │           │
│  ┌──────▼────────────────────────────────────────────────┐  │
│  │               Service Layer                           │  │
│  │  JwtService · UserService · DocumentService          │  │
│  │  ContractAnalysisService · LegalResearchService       │  │
│  │  SummaryService · CaseService                         │  │
│  └──────┬────────────────────────┬─────────────────┬─────┘  │
│         │                        │                 │        │
│  ┌──────▼──────┐    ┌────────────▼──────┐  ┌──────▼──────┐ │
│  │  PostgreSQL │    │  LLM via Feign    │  │ Virtual     │ │
│  │  (JPA/H2)  │    │  (OpenAI compat.) │  │ Threads I/O │ │
│  └─────────────┘    └───────────────────┘  └─────────────┘ │
└─────────────────────────────────────────────────────────────┘

Stack

Capa	Tecnología
Runtime	Java 25 + Virtual Threads
Framework	Spring Boot 4.0.4 / Spring Framework 7
Seguridad	Spring Security 7 + JJWT 0.12.6
Persistencia	Spring Data JPA + PostgreSQL
LLM Gateway	Spring Cloud OpenFeign 4.2.1 → OpenAI API
Serialización	Jackson 3 (tools.jackson.*)

---

MVP Features

Feature #1 — Agente de Análisis de Contratos

• %%INLINE1%% — sube el documento (texto plano en %%INLINE2%%)
• La plataforma lanza un Virtual Thread que llama al LLM con un prompt de abogado senior
• El agente identifica cláusulas de riesgo (HIGH/MEDIUM/LOW), sugiere redacciones alternativas y devuelve resumen ejecutivo
• GET /api/documents/{id}/analysis — recupera el resultado

Feature #2 — Agente de Investigación Legal (RAG)

• POST /api/research — consulta en lenguaje natural
• Pipeline RAG: extracción de keywords → scoring de relevancia sobre documentos propios → construcción de contexto → llamada LLM → respuesta con citas
• Upgrade path: sustituir scoring keyword por PGVector cosine similarity (extensión vector en PostgreSQL)

Feature #3 — Gestión de Documentos y Casos

• %%INLINE6%% — dashboard de todos los documentos con estado (%%INLINE7%%)
• POST /api/cases — crea un caso (materia) y agrupa documentos por cliente
• GET /api/cases — vista consolidada de asuntos activos

Feature #4 — Generación de Resúmenes Ejecutivos

• GET /api/documents/{id}/summary — con un clic genera: resumen ejecutivo, puntos clave, obligaciones de las partes, fechas importantes
• Cache-first: si ya existe análisis previo lo reutiliza; si no, llama al LLM

---

Endpoints REST

Auth (público)

POST /api/auth/register   body: {email, password}      → {token, email, role, userId}
POST /api/auth/login      body: {email, password}       → {token, email, role, userId}

Documents (requiere Bearer JWT)

POST   /api/documents              body: DocumentUploadRequest  → DocumentResponse
GET    /api/documents              → List<DocumentResponse>
GET    /api/documents/{id}         → DocumentResponse
GET    /api/documents/{id}/analysis → AnalysisResponse
POST   /api/documents/{id}/analyze  → DocumentResponse  (re-trigger)
GET    /api/documents/{id}/summary  → SummaryResponse

Research (requiere Bearer JWT)

POST /api/research   body: {query, caseId?}   → ResearchResponse (answer + citations)

Cases (requiere Bearer JWT)

POST   /api/cases              body: {name, clientName, description}  → CaseResponse
GET    /api/cases              → List<CaseResponse>
GET    /api/cases/{id}         → CaseResponse
PATCH  /api/cases/{id}/status  param: status=ACTIVE|CLOSED            → CaseResponse

---

Configuración — Cómo Ejecutar

1. Requisitos

• Java 25+
• PostgreSQL 16+ con la extensión vector (PGVector) instalada
• API Key de OpenAI (o endpoint compatible como Azure OpenAI, Together AI, Ollama)

2. Base de datos

CREATE DATABASE lexiflow;
CREATE USER lexiflow WITH PASSWORD 'lexiflow';
GRANT ALL PRIVILEGES ON DATABASE lexiflow TO lexiflow;
-- Opcional para RAG con vectores reales:
CREATE EXTENSION IF NOT EXISTS vector;

3. Ejecutar con perfil local

# Activar configuración de application-local.yml
mvn spring-boot:run -Dspring-boot.run.profiles=local

# O con variables de entorno
SPRING_PROFILES_ACTIVE=local \
LEXIFLOW_LLM_API_KEY=sk-... \
mvn spring-boot:run

4. Compilar

mvn clean compile      # debe completar sin errores
mvn clean package -DskipTests

5. Variables de entorno clave

Variable	Descripción	Default
LEXIFLOW_JWT_SECRET	Secreto HMAC-SHA256 (mín. 32 chars)	valor por defecto (dev only)
%%INLINE13%%	API Key del proveedor LLM	%%INLINE14%% (modo mock)
%%INLINE15%%	URL base del LLM	%%INLINE16%%
%%INLINE17%%	Modelo a utilizar	%%INLINE18%%

6. Modo Mock (sin API Key)

Cuando lexiflow.llm.api-key está vacío, todos los agentes devuelven respuestas demo estructuradas. Permite desarrollar el frontend sin coste de LLM.

---

Análisis de Negocio

Mercado objetivo

• Pequeños y medianos despachos (2–50 abogados)
• Departamentos legales corporativos sin presupuesto para Kira/Luminance Enterprise

Modelo de monetización

Tier	Precio / mes	Documentos	Usuarios
Starter	$149	50	3
Professional	$499	300	15
Enterprise	Custom	Ilimitado	Ilimitado

Métricas clave (North Star)

• Time-to-insight: minutos desde upload hasta análisis completo
• Riesgo detectado / revisión manual: recall del agente vs. abogado senior
• NRR: Net Revenue Retention mensual por cuenta

Ventaja competitiva

1. Especialización vertical — prompt engineering y playbooks configurados por tipo de contrato (NDA, MSA, SaaS, M&A)
2. RAG sobre base propia — el conocimiento del despacho (precedentes, playbooks) enriquece cada respuesta
3. Precio accesible — 10× más barato que Kira/Ironclad para el segmento SMB

---

Referencias

• Top 10 SaaS Trends 2026 — AI Vertical Platforms
• Spring Boot 4.0 Release Notes
• OpenAI Chat Completions API
• PGVector — PostgreSQL vector similarity
• JJWT 0.12.x Documentation

---

Análisis FinOps para LexiFlow AI

Estimación de Costos Operativos

LexiFlow AI, como micro-startup en el nicho de IA legal, presenta un perfil de costos operativos iniciales notablemente bajo, lo cual es típico para modelos SaaS con alta dependencia de APIs de terceros y una infraestructura cloud lean.

1. Consumo de Tokens LLM (OpenAI gpt-4o)

Considerando un modelo de negocio B2B SaaS para pequeños y medianos despachos de abogados, se estima un uso inicial para 20 clientes, con el siguiente patrón mensual por cliente:

• Análisis de Contratos: 4 documentos/mes (8,000 tokens/doc en promedio) = 32,000 tokens
• Investigación Legal (RAG): 10 consultas/mes (3,050 tokens/consulta en promedio) = 30,500 tokens
• Resúmenes Ejecutivos: 4 documentos/mes (7,200 tokens/doc en promedio) = 28,800 tokens

Esto totaliza 91,300 tokens por cliente al mes. Para 20 clientes, el consumo mensual estimado es de ~1.8M tokens (aproximadamente 1.56M tokens de entrada y 0.26M tokens de salida).

Utilizando los precios de OpenAI para gpt-4o (Input: $5.00/1M tokens, Output: $15.00/1M tokens):

• Costo de Input: 1.56M tokens * $5.00/M = $7.80
• Costo de Output: 0.26M tokens * $15.00/M = $3.90
• Costo Total LLM: ~$11.70/mes. Se estima un costo de $15/mes para incluir un pequeño buffer y variaciones.

2. Costos de Infraestructura Cloud (Baseline AWS)

Para soportar la aplicación Spring Boot 4.0.4 con Java 25, PostgreSQL con PGVector y almacenamiento de documentos, se estima una configuración lean en AWS:

• Instancia de Computación (EC2): t3.small para la aplicación Spring Boot = ~$15/mes
• Base de Datos (RDS): t3.micro con PostgreSQL y PGVector = ~$20/mes
• Almacenamiento de Objetos (S3): Para documentos legales (ej. 50MB/documento 20 clientes 12 documentos/cliente/mes = 12GB de almacenamiento inicial + transferencia) = ~$2/mes
• Monitoreo y Logs (CloudWatch/CloudTrail): Servicios básicos = ~$5/mes
• Costo Total de Infraestructura Cloud: ~$42/mes. Se estima un costo de $45/mes.

3. Desglose de Costos Operativos Mensuales

• LLM Tokens (OpenAI gpt-4o): $15
• Cloud Hosting (AWS): $45
• Total de Costos Operativos: $60/mes

Estimación de Ingresos y Margen de Beneficio

1. Ingreso Mensual Estimado

El modelo de monetización es B2B SaaS por suscripción. Para un MVP dirigido a pequeños y medianos despachos, un precio de entrada de $75/cliente/mes es competitivo y atractivo.

Con 20 clientes iniciales, el ingreso mensual estimado es de $1,500 (20 clientes * $75/mes).

2. Margen de Beneficio

Considerando los costos operativos directos del producto:

• Ingreso Mensual: $1,500
• Costos Operativos: $60
• Beneficio Bruto: $1,440

Margen de Beneficio = (($1,500 - $60) / $1,500) * 100 = 96%

Este alto margen refleja la naturaleza de un SaaS con costos variables bajos para el producto en sí. Es importante notar que este cálculo no incluye costos de desarrollo, ventas, marketing o administración, que son significativos para una startup, pero no se consideran 'costos operativos directos' del servicio desplegado.

Estrategias de Optimización FinOps

Para mantener este margen saludable y escalar de manera eficiente, LexiFlow AI debe implementar las siguientes estrategias FinOps:

1. Optimización del Consumo de LLM:

* Tiering de Modelos: Utilizar modelos más económicos como %%INLINE23%% para tareas de pre-procesamiento (ej. extracción inicial de texto, clasificación) y reservar %%INLINE24%% para el análisis experto que requiere mayor precisión. * Cacheo Inteligente: Implementar una capa de caché para las respuestas de LLM. Si una consulta o un segmento de documento ya ha sido analizado y la respuesta es determinista, servir desde la caché en lugar de llamar al LLM. * Prompt Engineering Avanzado: Optimizar los prompts para ser lo más concisos posible, reduciendo el número de tokens de entrada sin sacrificar la calidad de la respuesta. Experimentar con diferentes técnicas de prompting para obtener la misma calidad con menos tokens de salida. * Procesamiento por Lotes (Batch Processing): Para tareas no urgentes (ej. generación de resúmenes ejecutivos nocturnos), agrupar las peticiones al LLM para aprovechar posibles descuentos por volumen o una mejor eficiencia de la API. * Evaluación de Modelos Open-Source: Investigar la viabilidad de auto-hostear modelos LLM open-source (ej. Llama 3, Mistral) para tareas específicas donde el rendimiento es aceptable y el costo de inferencia local es menor que el de las APIs de terceros.

1. Optimización de Infraestructura Cloud:

* Rightsizing Continuo: Monitorear el uso de CPU, memoria y I/O de las instancias EC2 y RDS para asegurar que los recursos estén dimensionados correctamente. Escalar hacia abajo si hay infrautilización. * Automatización de Encendido/Apagado: Para entornos de desarrollo/staging, programar el encendido y apagado de recursos fuera del horario laboral para reducir costos. * Instancias Reservadas (Reserved Instances/Savings Plans): Una vez que se tenga una previsibilidad del uso base, comprometerse a planes de ahorro de 1 o 3 años para EC2 y RDS puede generar descuentos significativos. * Serverless para Cargas de Trabajo Específicas: Migrar el procesamiento de documentos o la generación de resúmenes a AWS Lambda (o su equivalente en GCP/Azure) para pagar solo por la ejecución, lo cual es ideal para cargas de trabajo esporádicas o con picos. * Optimización de Base de Datos: Asegurar que las consultas de PGVector y otras operaciones de base de datos estén optimizadas con índices adecuados para minimizar la carga y, por ende, el tamaño de la instancia de RDS necesaria. * Gestión de Almacenamiento S3: Implementar políticas de ciclo de vida para mover documentos antiguos a clases de almacenamiento más baratas (ej. S3 Infrequent Access, Glacier) o archivarlos si ya no se necesitan activamente.