Plataforma de Protección de Marca e Investigación con IA: Caso de Éxito is a case study by HDWEBSOFT. Industry: Tecnología. Services provided: Desarrollo, Integración, Gestión y análisis de datos, DevOps. Technologies used: .NET, IA, AWS, Cloud. Solutions: Ciberseguridad, Análisis de datos. Cómo HDWEBSOFT construyó un SaaS de protección de marca con IA donde investigadores recopilan evidencia, ejecutan análisis forenses y generan informes citables.

Tecnología.NETIAAWSCloud

Plataforma de Protección de Marca e Investigación con IA: Caso de Éxito

HDWEBSOFT construyó una plataforma de investigación y protección de marca para una empresa SaaS sueca — unificando recolección de evidencia, forense de imágenes, verificaciones OSINT y un agente IA con guardarraíles de evidencia que reduce horas de trabajo manual a minutos.

Sitios web falsificados, imágenes de producto robadas, emails de phishing y vendedores falsos en marketplaces: todo ello drena ingresos y erosiona la confianza. Sin embargo, los investigadores que los persiguen suelen unir a mano decenas de herramientas desconectadas: una consulta WHOIS aquí, una búsqueda inversa de imágenes allá, un analizador de cabeceras en otro sitio. Una empresa SaaS sueca contrató a HDWEBSOFT para consolidar ese flujo fragmentado en una única plataforma por suscripción donde los investigadores recopilan evidencia, ejecutan análisis forenses, dejan que un agente IA complete la investigación y terminan con un informe que se sostiene ante equipos legales.

Contexto del Proyecto

El abuso de marca es un problema de volumen. Cada storefront falso, imagen copiada o email suplantado requiere evidencia recolectada de múltiples fuentes — registros de dominio, forense de imágenes, cabeceras de email, listados de marketplaces — antes de que pueda proceder una retirada o una escalada legal. Los clientes del cliente hacían ese trabajo manualmente: abrir una herramienta WHOIS aquí, un reverse image search allí, un analizador de cabeceras en otro lugar, y luego copiarlo todo a un documento a mano.

La visión del producto era una mesa de trabajo del investigador en un solo login: rastrear emails y archivos para ver cuándo y dónde se abren, sondear cualquier sitio web o vendedor mediante laboratorios de investigación dedicados, y dejar que un agente IA ejecute toda la cadena de evidencia de forma autónoma antes de redactar las conclusiones. HDWEBSOFT diseñó y construyó la plataforma completa: una aplicación web Blazor Server respaldada por PostgreSQL, con facturación Stripe para el modelo de suscripción y un agente de investigación IA orquestado a través de Microsoft Agent Framework.

Entrevista con el Equipo del Proyecto

“Cada fuente externa hablaba un dialecto distinto: WHOIS devuelve texto, VirusTotal devuelve puntuaciones, Google Vision devuelve etiquetas. El punto de inflexión fue negarnos a que la IA leyera cualquiera de ellas en crudo. Obligamos a todo a pasar por una capa de normalización que emite una única señal de evidencia estándar, y luego dijimos al agente: no puedes escribir un hallazgo hasta que una señal real lo respalde, y cada paso entra en una línea de tiempo reproducible. Ahí fue cuando los investigadores dejaron de verificar a la IA y empezaron a adjuntar sus informes a las notificaciones de retirada.”

— Quynh Le, Project Manager en HDWEBSOFT

Esa disciplina dio forma a la arquitectura de la plataforma. En lugar de dejar que cada integración expusiera payloads en bruto, cada fuente de datos fue adaptada para emitir “señales” estandarizadas — pequeños objetos de evidencia tipados que alimentan un único constructor de informes. El agente IA opera exclusivamente sobre señales y debe citar una por cada conclusión, con cada paso persistido en una línea de tiempo auditable. La confianza se convirtió en una propiedad del pipeline, no en una esperanza sobre el modelo.

Funcionalidades Clave

  • Rastreo de emails y documentos — emails, imágenes y archivos rastreados reportan cuándo y dónde se abren, capturando ubicación, dispositivo y fuente de referencia.
  • Laboratorios de investigación — verificaciones específicas para sitios web, dominios, imágenes, archivos, cabeceras de email, empresas, tecnologías y marketplaces online, incluido el perfilado de vendedores de eBay.
  • Forense de imágenes — extraer metadatos de imagen, encontrar copias circulando online y detectar indicios de que una imagen ha sido editada.
  • Agente de investigación IA — un agente autónomo ejecuta las verificaciones de evidencia paso a paso y produce un informe de investigación completo y citado.
  • Dossiers de inteligencia — todos los hallazgos compilados en un informe legible con entradas de evidencia citables.
  • Suscripciones y facturación — niveles de planes, prueba gratuita y procesamiento de pagos mediante Stripe.

Desafíos Técnicos

Muchas fuentes externas, sin lenguaje común

OpenAI, Google Vision, Apify, WHOIS, VirusTotal y otros proveedores devuelven formatos distintos, imponen límites de uso diferentes y fallan de maneras diferentes. Integrarlos de forma ingenua habría producido una maraña frágil de lógica por proveedor sobre la que el agente IA no podría razonar de forma consistente.

Trabajos de larga duración que deben sobrevivir reinicios

El scraping, la captura de pantallas y las ejecuciones de IA tardan mucho más que una petición HTTP. Estos trabajos no podían congelar el hilo de UI de la aplicación, y un reinicio del servidor a mitad de investigación no podía perder silenciosamente horas de evidencia recolectada.

Salida de IA que debe ser defendible

Un informe de investigación solo es útil si sus conclusiones pueden rastrearse hasta evidencia real. Una IA generativa escribiendo un informe libremente corre el riesgo de fabricar hallazgos — inaceptable cuando los informes llegan a equipos legales. El agente necesitaba restricciones que obligaran a cada afirmación a citar una verificación concreta.

Fuentes que se defienden

Los sitios web objetivo bloquean con frecuencia el acceso automatizado. Los intentos de descarga y scraping eran rechazados con regularidad, por lo que los flujos de recolección necesitaban rutas de respaldo resilientes en lugar de fallos duros.

Soluciones

Un pipeline compartido de señales estandarizadas

Cada fuente de datos fue envuelta en un adaptador que convierte la salida cruda del proveedor en pequeñas “señales” de evidencia estandarizadas. Un único constructor de informes consume señales de todas las fuentes de forma uniforme — añadir un proveedor nuevo significa escribir un adaptador, no retocar las capas de investigación y reporte. El agente IA trabaja exclusivamente sobre señales, que es también lo que hace verificables sus citas.

Orquestación duradera de trabajos en segundo plano

El trabajo pesado — scraping, capturas de pantalla, análisis de imágenes, ejecuciones de IA — se movió a trabajos en segundo plano persistidos en PostgreSQL. Los trabajos sobreviven reinicios de proceso y se reanudan en lugar de reiniciarse, manteniendo la UI de Blazor receptiva durante investigaciones largas.

Un agente IA con guardarraíles probatorios

El agente se construyó sobre Microsoft Agent Framework con restricciones duras: un orden de ejecución de herramientas fijo, el requisito de que cada hallazgo referencie una señal almacenada y una línea de tiempo persistente de cada paso dado. La salida se lee como el producto de trabajo de un investigador porque se produce bajo las mismas reglas probatorias.

Recolección resiliente ante bloqueos

Fallbacks de proxy y estrategias de reintento se integraron en los flujos de recolección para que las descargas y el scraping bloqueados se recuperen automáticamente en lugar de tumbar la investigación.

Resultados de Negocio

  • Investigaciones de horas a minutos — ejecuciones autónomas del agente más recolección unificada de evidencia reemplazaron el trabajo manual saltando entre herramientas.
  • Una plataforma en lugar de muchas herramientas — suscripciones consolidadas y un único flujo de trabajo redujeron el coste de software y el tiempo de formación para los equipos de investigación.
  • Informes listos para escalada legal — dossiers citados con evidencia que pueden compartirse con equipos legales o clientes finales sin re-verificación.
  • Un modelo SaaS de ingresos recurrentes — suscripciones Stripe con pruebas gratuitas permiten al cliente monetizar la plataforma como producto, no como servicio por encargo.

Ficha Técnica

  • Backend y aplicación: .NET 10, ASP.NET Core Blazor Server, librería de componentes MudBlazor, PostgreSQL con Entity Framework Core, trabajos en segundo plano persistidos en base de datos.
  • IA y análisis: OpenAI a través de Microsoft Agent Framework, análisis de imágenes con Google Vision, scraping con Apify, enriquecimiento con WHOIS y VirusTotal.
  • Facturación: suscripciones, pruebas y gestión de planes con Stripe.
  • Infraestructura: AWS (almacenamiento S3, email SES, alojamiento ECS), contenedores Docker, CI/CD con Azure DevOps.

Conclusión

La plataforma reemplazó un flujo de trabajo investigativo manual y fragmentado con un único producto por suscripción donde la evidencia fluye por un pipeline estandarizado y un agente IA con guardarraíles probatorios produce informes citables. Lo más difícil — hacer que la salida de IA fuera lo bastante fiable para contextos legales — se resolvió arquitectónicamente: normalizar cada fuente en señales, persistir cada paso y dejar que el modelo escriba solo lo que la evidencia respalda.

Si su equipo está construyendo un agente IA que deba producir salidas defendibles, una plataforma de recolección de datos frente a fuentes hostiles o un producto SaaS por suscripción, nuestros servicios de desarrollo de IA y servicios de desarrollo de extracción de datos y web crawling cubren exactamente este modelo de entrega. Contacte con nuestro equipo para definir un proyecto similar.

Explore contenido relacionado

Vea más casos de estudio, servicios, industrias y experiencia regional relacionada.