Desarrollo de una aplicación web con agentes de IA para la extracción y análisis comparativo temporal de precios de SAAS mediante el protocolo MCP

Abstract

El presente trabajo describe el desarrollo e implementación de una aplicación web que automatiza la extracción, almacenamiento y análisis comparativo temporal de precios de servicios Software as a Service (SaaS) mediante agentes de inteligencia artificial coordinados con el Mo- del Context Protocol (MCP). El problema abordado es la dificultad que enfrentan equipos de desarrollo y usuarios para monitorear de forma eficiente la alta volatilidad y opacidad de los precios en el mercado SaaS, proceso que actualmente se realiza de forma manual, ineficiente y propensa a errores. El sistema fue desarrollado bajo la metodología ágil Scrum en cuatro sprints de dos semanas, empleando Python 3.10, FastAPI como framework de backend, Streamlit como interfaz de usuario, PostgreSQL como base de datos relacional y el SDK oficial de MCP versión 1.26 para la coordinación real de agentes. La arquitectura implementa el Protocolo MCP con una estructura cliente-servidor donde el MCPAgent actúa como cliente MCP, playwright_mep_server.py como servidor MCP y navigate_and_extract como herramienta expuesta que utiliza Playwright con Chromium headless para navegar páginas web dinámicas. El análisis semántico del contenido extraído se realiza mediante el modelo de lenguaje Claude 3 Haiku accedido a través de la plataforma OpenRouter. La evaluación del sistema se realizó con el framework DeepEval sobre 15 servicios SaaS reales, aplicando cinco métricas especializadas. Los resultados demuestran un desempeño excelente en Answer_Relevancy con 0.996, Contextual_Recall con 0.933 y Contextual_Precision con 0.867, confirmando que el agente recupera y responde con alta pertinencia y cobertura. La métrica Faithfulness obtuvo 0.222, limitación atribuible a la pérdida de estructura visual durante la extracción de texto plano. El análisis inferencial complementario mediante la correlación de Spearman entre el número de planes extraídos y la Faithfulness obtuvo p =L0,22 con p =0,43, confirmando que las dificultades de extracción no son estadísticamente predecibles mediante indicadores simples de complejidad visual. El sistema extrajo exitosamente 49 planes de precios de los 15 SaaS evaluados con un promedio de 3.27 planes por servicio, almacenándolos con soporte para análisis comparativo temporal e identificación automática de cambios de precio.