Cómo automatizar la creación de contenido: una guía paso a paso

Cuando la gente escucha «creación automatizada de contenidos», pienso que se imagina algo como esto: introduces una palabra clave, haces clic en un botón y ¡puf!, se crea un artículo. A partir de ahí, generan 500 artículos antes de que termine el día y los publican todos.

No quiero decir que estos sistemas no existan. Existen. De hecho, hemos creado uno. Pero nuestro ritmo de publicación se ha mantenido prácticamente igual desde entonces.

Porque en Ahrefs nuestro objetivo no es contribuir con aún más spam y contenido basura a Internet.

Sí, queremos crear más contenido. Pero queremos crear contenido más útil. Contenido de mayor calidad. No simplemente más cantidad.

La automatización puede ayudar: no reemplazando las partes interesantes del marketing de contenidos, sino liberándonos de las partes aburridas.

Porque me encanta crear contenido que ayude a la gente y dé a conocer nuestra marca. Pero seamos sinceros: no todas las partes del marketing de contenidos se disfrutan por igual. Algunas partes son muy, muy, muy aburridas. Por desgracia, también son importantes.

Tomemos como ejemplo la actualización de contenidos.

A Google le encanta el contenido fresco. Cuando su algoritmo Query Deserves Freshness (QDF) detecta que un tema necesita información actualizada, impulsa las páginas actualizadas recientemente. Lo mismo ocurre con los asistentes de IA. Nuestro estudio descubrió que, en comparación con los resultados de búsqueda tradicionales, los asistentes de IA prefieren citar contenido más reciente.

Actualizar es bastante fácil cuando tienes un solo artículo. No tanto cuando tienes decenas. O cientos.

Ese era exactamente mi problema. Con los años, había creado una colección de artículos basados en datos como nuestras principales búsquedas en Google y preguntas más buscadas. Tener que actualizarlos todos era una tarea descomunal.

Así que construí algo que llamo el Data Refresh Hub.

Cada mes:

Dicho de otro modo: ahora la máquina hace la mayor parte del trabajo aburrido.

Esta guía te mostrará cómo lo construí y, lo que es más importante, cómo puedes aplicar el mismo proceso a las molestas tareas de contenido que desearías que desaparecieran de tu propia lista de pendientes.

Si quieres construir tu propia automatización mientras lees esta guía, necesitarás unas cuantas cosas:

No te preocupes si todavía no tienes todo esto. Parte de esta guía consiste en resolverlo.

Sin embargo, sí tendrás que decidir qué agente de IA o plataforma de automatización quieres utilizar.

Yo elegí Letaido porque tenía todo lo que necesitaba en un único lugar:

El último punto fue importante para mí porque no quería construir una automatización que hiciera el 90% del trabajo, solo para que yo pasara el 10% final copiando tablas de una herramienta y pegándolas en WordPress cada mes. Lo cual frustra el propósito.

Por supuesto, puedes utilizar tu agente favorito en su lugar: Claude Code, Codex o cualquier otro que prefieras.

Simplemente puede que tengas que hacer algo de trabajo adicional conectando MCPs, WordPress, bases de datos o cualquier otro sistema del que dependa tu flujo de trabajo.

No empieces preguntando: ¿Cómo podemos usar la IA?

Creo que aquí es donde muchas empresas se equivocan. La pregunta es tan abierta que terminas contemplando un universo infinito de posibilidades. Y cuando hay infinitas posibilidades, la gente no necesariamente sueña más en grande.

Les da dolor de cabeza.

Luego vuelven a lo que ya estaban haciendo. En su lugar, empieza con tu mayor frustración actual.

¿Qué es algo que ya tienes que hacer y desearías no tener que hacer?

Si nada te viene a la mente de inmediato, enumera el trabajo que ocurre cada semana, mes, trimestre o cada vez que se produce una pieza de contenido.

Luego busca tareas que sean:

Para mí, un candidato obvio fue actualizar nuestros artículos basados en datos.

Estos artículos eran más útiles cuando los números estaban al día. También tendían a conseguir la mayor parte del tráfico de búsqueda cuando los actualizábamos.

Pero cada actualización requería que yo tuviera que:

Si hubiera tenido un solo artículo, esto habría estado bien. Pero la colección no dejaba de crecer.

Con el tiempo, actualizarlo todo mensualmente se volvió insostenible. Así que cedimos y pasamos a actualizaciones trimestrales, a pesar de que las mensuales habrían sido mejores para los lectores.

Un agente no puede automatizar de forma fiable un proceso que nadie puede explicar.

Esto suena obvio. No lo es. La mayoría de nosotros hacemos tareas repetitivas en piloto automático, y el piloto automático es pésimo explicándose a sí mismo.

Por tanto, antes de construir nada, reconstruye cómo haces realmente el trabajo. No me refiero a cómo crees que lo haces o a cómo está escrito en un SOP que nadie ha abierto en años. Me refiero a cómo lo haces de verdad, incluidos los atajos.

Registra cada acción significativa. Eso incluye las cosas pequeñas y las correcciones que son fáciles de olvidar.

Esto es aproximadamente lo que implicaba mi proceso para actualizar las búsquedas principales en Google una vez que lo escribí todo:

Como puedes ver, hay un montón de pequeñas decisiones aquí y allá que probablemente no recordarías de memoria porque te salen de forma muy natural. Escribirlas es la forma de encontrarlas.

Un consejo profesional que puedo darte es pedirle al agente que te entreviste.

Prueba algo como:

Probablemente descubrirás que tienes muchas más reglas no escritas de las que creías.

Una vez que tengas esa lista de verificación, no la dejes guardada en un documento. Conviértela en un archivo de skill: un conjunto de instrucciones guardadas que tu agente sigue cada vez que ejecuta la tarea, de modo que escribes el proceso una vez y nunca tienes que volver a explicarlo. He explicado cómo construir uno en nuestra guía de Skills de Claude.

Yo no confiaría en la memoria de un LLM ni en una búsqueda web genérica para obtener información importante para tu flujo de trabajo.

Es bien sabido que los LLM inventan cifras y la búsqueda web tiende a extraer información de lo que sea que encuentre. Eso podría ser un artículo de lista de hace cinco años o incluso contenido basura de IA. Difícilmente digno de confianza.

Debes decirle al LLM qué fuentes debe utilizar. Luego conecta esas fuentes a él, ya sea a través de un MCP, una API o archivos subidos.

Dependiendo de lo que estés creando, eso podría incluir:

En el caso de mi Data Refresh Hub, diferentes artículos requieren fuentes distintas. De aquí procedía todo:

La regla general: el trabajo del LLM es procesar los datos, no ser los datos.

Las instrucciones son útiles. Los ejemplos son mejores.

Si tu flujo de trabajo implica decisiones de criterio, proporciona al sistema ejemplos de:

Tu objetivo es convertir las decisiones editoriales recurrentes en reglas explícitas.

Por ejemplo, se supone que “Preguntas principales en Google” es una lista de, bueno, preguntas. La regla más simple sería «conserva todo lo que empiece por quién, qué, dónde, cuándo, por qué o cómo».

Suena simple. Salvo porque muchísimas consultas empiezan con una palabra de pregunta y no son preguntas en absoluto:

A veces el LLM no captará esto de inmediato. Ve un «cómo» al principio y una frase de aspecto sensato después. Un humano (yo) tiene que decirle explícitamente por qué esto no debería aceptarse.

Afortunadamente para mí, Letaido fue lo suficientemente capaz de detectarlo:

Aquí es donde los motivos importan. Si solo digo «rechaza Cómo entrenar a tu dragón», el modelo aprende una excepción. Si digo «rechaza títulos de películas, series de televisión, libros y canciones, incluso cuando estén formulados como preguntas», aprende una regla. Ahora también puede detectar algo como Cómo perder a un chico en 10 días sin que yo tenga que mencionarlo jamás.

“Personas más buscadas” tuvo un problema diferente.

Este fue más difícil, porque no tenemos esos datos en Ahrefs. No hay una lista preparada de «personas» de la que extraer información. Así que necesité que el LLM analizara los datos que sí tenemos y extrajera las entidades que corresponden a una persona.

Eso es más difícil de lo que parece. ¿«Jordan» es un jugador de baloncesto, un país o un par de zapatillas? ¿«Entradas de Taylor Swift» debería contar para Taylor Swift?

Al final decidí que solo las búsquedas de nombres debían contar.

Por último, hagas lo que hagas, haz que el sistema conserve lo que rechazó, no solo lo que aceptó, junto con el motivo.

Esa lista de rechazados es tu sistema de alerta temprana. Si una pregunta genuina acaba alguna vez ahí, la detectarás en segundos y corregirás la regla. Si solo ves el resultado final, nunca sabrás lo que se perdió.

En este punto, es tentador automatizarlo todo. No lo hagas.

Empieza siempre con una sola cosa primero.

Por ejemplo, me aseguré de que la automatización funcionara a la perfección para Búsquedas principales en Google antes de pensar si quiera en expandirla a todo lo demás.

Es tentador ir a lo grande. Has hecho toda esta preparación, el agente parece inteligente, ¿por qué no apuntarlo a los 12 conjuntos de datos a la vez?

Hay una razón muy práctica para esto: quieres detectar todos sus errores antes de que nada se publique. Y es mucho más fácil detectar errores en un solo resultado que en 12. Si los 12 están mal, ni siquiera sabes por dónde empezar a buscar.

Empezar en pequeño también te permite definir gradualmente qué tiene y qué no tiene permitido cambiar el sistema.

Por ejemplo, originalmente solo quería que se cambiaran las tablas.

Nada más. Porque temía que si le pedía al agente que mejorara el artículo, haría un desastre. Guiones largos, giros artificiales de IA y cosas por el estilo.

Una vez que estuve satisfecho con lo que hacía (y no de inmediato, sino a lo largo de 2 a 3 meses), comencé a permitirle hacer cambios mayores.

Por ejemplo, la primera línea de esta introducción es ahora «programática», en el sentido de que cambiará según cuáles sean las búsquedas principales en la tabla.

Otro ejemplo: esta imagen también se genera cada vez que se actualiza la tabla (en todos los diferentes posts para las distintas plataformas):

He empezado a experimentar sobre cómo mejorar las tablas para que tengan datos más interesantes y también ayuden al lector:

También recomiendo generar un resultado en cada etapa principal del flujo de trabajo.

Esta configuración me ha salvado más veces de las que puedo contar. Si hay un error, no tengo que reiniciar todo desde el principio. Reviso cada resultado, encuentro la etapa donde las cosas salieron mal, lo soluciono y vuelvo a ejecutar desde ahí.

Idealmente, también debería conservar todos los datos que ha cambiado o actualizado a lo largo del tiempo. El mío lo hace. Eso significa que estoy construyendo un conjunto de datos históricos cada mes. En el futuro, puedo usarlo para crear gráficos y minigráficos que muestren cómo cambian las búsquedas a lo largo del tiempo. Ese es contenido que nadie más puede crear, porque nadie más tiene los datos.

Finalmente, la única regla para mí mismo: nunca dejo que la IA publique automáticamente por mí.

Por muy buena que se vuelva la automatización, necesitamos un humano en el bucle para vigilar las cosas, por si algo sale mal. Y eventualmente, algo siempre sale mal.

Más que eso, alguien debe ser responsable de lo que se publica.

Pienso en ello como ser el jefe de cocina de un restaurante de clase mundial.

El jefe de cocina ya no cocina personalmente cada plato. Tienen souschefs, cocineros de línea, pasteleros y un equipo entero haciendo el trabajo.

Pero todo lo que sale de la cocina sale bajo su nombre. Si un cliente recibe un plato defectuoso, es la reputación del jefe de cocina la que está en juego. Así que revisan cada plato antes de que se sirva.

Tu automatización es tu cocina. Ahora eres el jefe de cocina. Nada debería salir sin tu aprobación.

Una vez que tu pieza única funcione en las pruebas, ejecuta todo en condiciones reales, de principio a fin, exactamente como se ejecutaría por sí solo.

Luego compara el resultado con tu versión hecha por humanos, lado a lado. Esto es lo que yo comprobaría:

Ten presente esta pregunta: ¿Habría publicado esto si lo hubiera hecho yo mismo?

Cuando todo tenga buen aspecto, establece una programación (p. ej., mensual).

Un par de cosas a tener en cuenta aquí:

Cuando estés contento con el flujo de trabajo, es momento de ampliarlo.

Eso es lo que hice. Una vez que estuve satisfecho con todo lo que salía de Búsquedas principales en Google, lo implementé en todos los demás artículos que quería actualizar, uno a la vez.

Sí, lleva un tiempo. Cada nuevo artículo tiene sus propias peculiaridades. “Personas más buscadas” necesitó reglas completamente diferentes a las de “Palabras clave más caras”. Pero recuerda: es más fácil arreglar una cosa que todo a la vez. Y cada artículo que añades se vuelve más fácil, porque la mayor parte del flujo de trabajo ya está construida.

Pero en mi caso, no me limité a escalar mi propio flujo de trabajo. Compartí el proceso con el equipo, y eso les inspiró a construir cosas también.

Por ejemplo, Louise empezó a usar el mismo proceso para actualizar sus artículos, como empresas SaaS de más rápido crecimiento.

Por tanto, «escalar el proceso» no solo significa escalar tus propios procesos. Puede significar escalarlo a todo tu departamento, o incluso a toda la empresa.

Así es como ocurre la verdadera adopción de la IA. No enviando un memorando corporativo que diga «usad más la IA». Eso solo produce ansiedad y un montón de pestañas de ChatGPT abiertas. Ocurre cuando alguien construye algo que funciona, se lo muestra a sus colegas y ellos dicen: «Espera, ¿puedo hacer eso para lo mío también?».

¿Entonces se acabó todo una vez que configuras la automatización? ¿Puedes estar finalmente en Bali tomando cócteles mientras la IA hace todo tu trabajo?

Lamentablemente, no. Aún sigo en Londres.

La revisión humana sigue siendo necesaria. Y debido a que la IA sigue cambiando y mejorando, tus automatizaciones se romperán.

Por ejemplo, cuando Anthropic lanzó Opus 5, rompió Compound Engineering, un plugin extremadamente popular:

Si un plugin popular y bien mantenido puede romperse de la noche a la mañana, tu automatización casera definitivamente puede hacerlo.

Aquí está mi propio ejemplo personal: construí mi automatización en el mismo espacio de trabajo que nuestro equipo de contenidos. Ryan añadió una nueva clave secreta o puente para sus propios flujos de trabajo, pero sin saberlo rompió mi automatización:

Estas son las cosas más propensas a salir mal:

Así que tendrás que seguir manteniendo tus automatizaciones y asegurándote de que todo continúe funcionando bien.

Nuevamente, volviendo a la misma analogía del restaurante: incluso a medida que un chef asciende de rango, no deja de supervisar a sus sous chefs y cocineros júnior. Las recetas se ajustan, los proveedores cambian, se incorpora nuevo personal. Así que siguen probando, siguen comprobando y siguen corrigiendo, para que cada plato del menú salga perfecto.

Lo mismo ocurre con tus automatizaciones.

Creo que la forma menos útil de abordar la creación automatizada de contenidos es preguntar cómo la IA puede hacer la mayor cantidad de contenido posible.

Ya tenemos suficiente contenido.

La mejor pregunta es:

¿Qué partes de la creación de contenido genuinamente útil nos impiden hacer más de él?

Haz que la IA se encargue de las partes aburridas, para que puedas dedicar tu tiempo a las partes que realmente te necesitan: las ideas, las opiniones, la experiencia, el gusto. Aquello que ningún modelo puede fingir.

Ese debería ser el futuro de trabajar junto con la IA en los contenidos.

¿Tienes preguntas? Estamos en LinkedIn y en X.