La mayoría de los equipos de marketing conocen el problema: un buen webinar se convierte en un corte de YouTube, un carrusel de LinkedIn, tres hilos de X, un adelanto para la newsletter y un artículo de blog — y el viernes nadie recuerda qué versión decía qué. La solución no es contar con más manos. Es un pequeño agente de reutilización de contenido que vigila tu fuente de formato largo, clasifica cada segmento y envía borradores terminados a los canales adecuados. Puedes ponerlo en marcha en un fin de semana, y no necesitas un equipo de machine learning para hacerlo.
Empieza eligiendo una fuente que ya produzcas de forma fiable — un podcast semanal, una llamada grabada con clientes, un borrador de blog de formato largo — y un destino al que quieras alimentar primero, como publicaciones para LinkedIn o una newsletter. Resistirte a la tentación de automatizarlo todo el primer día es el mayor predictor de si el proyecto saldrá adelante. Un agente enfocado que convierte un podcast en tres publicaciones de LinkedIn supera a un pipeline desmesurado que no produce nada.
Después, construye el paso de segmentación. El audio y el vídeo funcionan mejor cuando primero transcribes y luego divides la transcripción en pausas naturales y cambios de tema. Para texto, divide por encabezados o mediante una simple ventana deslizante de 500 a 800 tokens. El objetivo es dar a los prompts posteriores una idea autocontenida, no un párrafo sacado de contexto. Sin una segmentación limpia, incluso el mejor modelo alucina y la voz de tu marca deriva durante el primer mes.
Luego llega el prompt de reutilización, que es donde la mayoría de los desarrollos de fin de semana fracasan en silencio. No escribas una única instrucción gigantesca que pida al mismo tiempo una publicación para LinkedIn, un hilo de tuits y una newsletter. Escribe un prompt por tipo de salida, cada uno apoyado en unos pocos ejemplos breves de tu contenido real anterior. Dos o tres ejemplos por formato suelen ser suficientes para fijar tono, longitud y estructura. Mantén el prompt del sistema bajo control de versiones y trata los cambios como cambios de producto — con diff, revisión y posibilidad de revertirlos.
Antes de darlo por terminado, incorpora dos salvaguardas poco glamorosas. Primero, una cola de aprobación humana. Incluso un modelo seguro de sí mismo inventará ocasionalmente una cita, atribuirá mal una estadística o elegirá el gancho equivocado. Cada salida debe quedar en estado de borrador hasta que una persona la apruebe. Segundo, un bucle de feedback que registre qué borradores se publican, se editan o se eliminan. Tras unas pocas semanas tendrás un conjunto etiquetado que podrás usar para afinar prompts, podar formatos débiles y retirar las peores salidas del agente.
Publica la versión más pequeña que funcione de principio a fin y luego itera con datos reales de uso. En un mes tendrás un pipeline que toma una sola pieza de contenido fuente y la convierte en un conjunto de borradores listos para cada canal para toda una semana — con una persona en el circuito donde importa. Si quieres empezar con ventaja, nuestra plataforma de automatización de contenidos incluye una plantilla inicial para exactamente este flujo, con la segmentación, la biblioteca de prompts y la cola de aprobación ya conectadas para que puedas pasar del registro al primer borrador publicado antes de que termine el fin de semana.