Manual del Motor de Contenido con IA

El modelo: una pieza pilar, decenas de micro-piezas

Lo que WON quiere construir tiene tres nombres que conviven en la industria: content repurposing at scale, content OS (o content engine) y founder-led content operations. La arquitectura es siempre la misma pirámide invertida: una grabación larga se disecciona en decenas de piezas adaptadas a cada plataforma.

El documento fundacional: el GaryVee Content Model

El antecedente público más citado es el modelo de VaynerMedia (2018). Una pieza pilar (keynote, podcast, reunión) produce 30 o más piezas distribuidas en 6 a 10 plataformas. Un solo keynote de Gary Vaynerchuk generó más de 30 piezas y 35 millones de vistas. Es exactamente lo que pide WON, con la diferencia de que ellos quieren hacerlo con IA en vez de con un equipo grande.

Quienes lo documentan operativamente hoy: Content Allies (agencia B2B que publica sus benchmarks por episodio), Goldcast (repurposing desde webinars) y Distribution.ai de Ross Simmonds.

La aritmética de las 500 piezas

La meta de WON es 500+ piezas al mes a los 90 días. Es realista, pero solo si "pieza" incluye texto e imagen, no solo video. Los números publicados por Content Allies, por grabación:

Desglose típico de una grabación (30 a 50 piezas)

Otros números que debes saber

• Un podcast de 2 horas contiene 8 a 15 momentos clipables reales. Las herramientas generan 25+ candidatos, pero no todos sobreviven el control de calidad.
• Tiempo por clip manual: 2 a 4 horas. Con pipeline automatizado: 15 a 27 minutos. Reducción del 50 al 90%.
• ⚠️ Ninguna empresa documenta públicamente 500+ piezas al mes con equipo y costos verificables. El número es defendible por aritmética, no por caso de estudio. Decirlo así te hace ver riguroso.

Cómo calificar un momento de alto valor

Este es el corazón de todo el sistema y donde tus 10 años de ojo visual pesan más. Primero los criterios humanos, luego cómo convertirlos en reglas para una IA.

Los 6 criterios que usan los equipos que lo hacen bien

1. El test del amigo. Si le mandarías esos 60 segundos a alguien con un "tienes que oír esto", es clip. Si no, no lo es. Es el filtro más rápido y más confiable.
2. Tipo de momento. Los que rinden: afirmación fuerte o contraintuitiva · dato o estadística sorprendente · opinión polémica · historia emocional · reacción visible del invitado · framework con nombre propio.
3. Autosuficiencia. El clip se entiende sin contexto previo. Es el filtro que más candidatos de IA elimina: el 80% del fallo es cortar un momento que necesitaba los 40 segundos anteriores ("clip huérfano").
4. Gancho en 1 a 3 segundos. Si el espectador pasa de largo en 3 segundos, el algoritmo deja de distribuir. El gancho opera en tres capas simultáneas: las palabras, el texto en pantalla, y un cambio visual.
5. Estructura Hook / Build / Payoff. 0 a 30s gancho, cambio de estímulo cada 30 a 60s, cierre con una idea completa (no a mitad de argumento).
6. Señal de datos, no de opinión. Usar la analítica de replay de la grabación completa para encontrar los segmentos que la audiencia ya repitió. Este es el input que cierra el bucle de retroalimentación que pide la vacante.

Cómo lo hacen técnicamente las herramientas

Es análisis multiseñal, no una sola cosa:

1. Transcripción con marcas de tiempo a nivel de palabra.
2. Ventaneo: se generan candidatos de 30 a 90 segundos deslizando una ventana por la transcripción.
3. Energía del audio: risas, subidas de volumen, pausas dramáticas, cambios de hablante.
4. Señales visuales: gestos, cortes de escena, movimiento en pantalla.
5. LLM como juez: lee cada candidato junto con esas señales y lo puntúa contra criterios explícitos.
6. Reencuadre a 9:16 con seguimiento de rostro y subtítulos quemados.

El prompt de scoring (convierte los criterios en reglas)

Esto es lo que entregas en la prueba práctica junto al clip: la demostración de que sabes traducir criterio humano a instrucción de máquina.

Eres un editor senior de contenido para redes sociales. Recibes la
transcripción con marcas de tiempo de una grabación larga. Tu trabajo
es identificar los momentos que funcionan como clips independientes
de 30 a 90 segundos.

Puntúa cada candidato de 0 a 10 en cada criterio:
1. GANCHO: los primeros 3 segundos generan curiosidad o tensión
   sin necesitar contexto.
2. AUTOSUFICIENCIA: el fragmento se entiende completo sin lo que
   vino antes. Si necesita los 40 segundos previos, extiende el
   inicio o descártalo.
3. TIPO: es una afirmación contraintuitiva, un dato sorprendente,
   una opinión polémica, una historia emocional, una reacción
   visible, o un framework con nombre.
4. PAYOFF: cierra con una idea completa, nunca a mitad de frase
   ni a mitad de argumento.
5. TEST DEL AMIGO: se lo mandarías a alguien con "tienes que
   oír esto".

Reglas duras:
- Nunca cortes a mitad de una frase.
- Máximo 15 candidatos por hora de grabación.
- El score final es el promedio ponderado: gancho 30%,
  autosuficiencia 30%, tipo 15%, payoff 15%, test del amigo 10%.

Devuelve SOLO un arreglo JSON, sin texto adicional:
[{"start":"00:12:34.500","end":"00:13:41.200","score":87,
  "tipo":"contraintuitivo","hook_sugerido":"...","titulo":"...",
  "plataformas":["linkedin","shorts","tiktok"],
  "razon":"una frase explicando por qué funciona solo"}]

El pipeline casero, paso a paso

Esta es tu carta fuerte: no compites editando mejor que un editor, compites construyendo el sistema. Cada paso con su herramienta, su comando y sus pros y contras.

Grabación (Zoom / Meet / Loom / Riverside / Drive)
   │
   ▼
[1] n8n webhook o trigger de carpeta        ← ingesta
   │
   ▼
[2] ffmpeg: extraer audio                    ← 2 segundos
   │
   ▼
[3] Whisper: transcripción + timestamps      ← ver Cap. 5
   │        por palabra (+ diarización)
   ▼
[4] LLM: scoring → JSON de candidatos        ← el prompt del Cap. 3
   │
   ▼
[5] ffmpeg: corte por timestamps             ← 1 seg por clip
   │
   ▼
[6] Reencuadre 9:16                          ← ver Cap. 5 (el paso difícil)
   │
   ▼
[7] Subtítulos ASS quemados                  ← estilo de marca propio
   │
   ▼
[8] LLM: títulos, hooks, captions            ← por plataforma
   │        por plataforma
   ▼
[9] Cola de aprobación humana                ← Sheets / CRM / Notion
   │
   ▼
[10] Publicación multiplataforma             ← ver Cap. 6
   │
   ▼
[11] Métricas → vuelven al prompt de [4]     ← el bucle, ver Cap. 7

Paso 1 · Ingesta

Un webhook en n8n que recibe la URL del archivo, o un trigger que vigila una carpeta de Google Drive. Zoom, Meet y Loom pueden enviar la grabación terminada a una carpeta o a un webhook. Riverside tiene integración directa con Drive.

Paso 2 · Extraer audio

ffmpeg -i grabacion.mp4 -vn -ac 1 -ar 16000 audio.wav

Mono, 16 kHz: es el formato que Whisper espera. Tarda segundos. Ya tienes ffmpeg 6.1 en tu VPS.

Paso 3 · Transcripción

Necesitas timestamps por palabra (para cortar en el lugar exacto) y, si hay varios hablantes, diarización (quién dijo qué). Veredicto: se paga (Deepgram o AssemblyAI, ~USD 5 a 8 al mes por 30 horas). Una sola llamada HTTP desde n8n, respuesta en ~1 minuto por hora de audio. Los números de por qué tu VPS sin GPU no lo resuelve están en el Capítulo 5.

# Deepgram desde n8n (nodo HTTP Request)
POST https://api.deepgram.com/v1/listen
  ?model=nova-3&smart_format=true&diarize=true
  &utterances=true&language=es
Authorization: Token TU_API_KEY
Body: el archivo de audio (binario)

# Devuelve JSON con cada palabra, su inicio, su fin y su hablante

Paso 4 · Scoring con LLM

El prompt del Capítulo 3. La transcripción entra en bloques (una hora de audio son unas 9.000 a 12.000 palabras, cabe en cualquier modelo moderno). Devuelve el JSON de candidatos. Un nodo Set en n8n lo parsea, igual que "Extraer Categoría" en tu workflow de práctica.

Paso 5 · Corte

# Corte rápido sin recodificar (puede desviar unos frames)
ffmpeg -ss 00:12:34.5 -to 00:13:41.2 -i grabacion.mp4 -c copy clip.mp4

# Corte preciso al frame (recodifica, más lento pero exacto)
ffmpeg -ss 00:12:34.5 -to 00:13:41.2 -i grabacion.mp4 \
  -c:v libx264 -preset fast -crf 20 -c:a aac clip.mp4

Paso 6 · Reencuadre a 9:16

Aquí está la diferencia real entre casero y de pago. El recorte centrado fijo es trivial:

ffmpeg -i clip.mp4 -vf "crop=ih*9/16:ih" -c:a copy vertical.mp4

Pero si el hablante se mueve o hay dos personas en pantalla, el recorte fijo los deja fuera. El seguimiento de rostro (que la ventana siga a quien habla) es lo que hacen Vizard y OpusClip y lo que cuesta replicar. Veredicto: se construye con OpenShorts o ClippyMe como base para un hablante o dos apilados (modo SPLIT), que cubre el 80 a 90% de los casos. Solo las mesas de tres o más con interrupciones justifican pagar OpusClip. Detalle y comparativa en el Capítulo 5.

Paso 7 · Subtítulos quemados

Whisper te da cada palabra con su tiempo. Con eso generas un archivo .ass (Advanced SubStation Alpha), un formato que permite animación palabra por palabra (efecto karaoke), colores, fuente y posición: tu estilo de marca, con costo cero.

ffmpeg -i vertical.mp4 -vf "ass=subtitulos.ass" -c:a copy final.mp4

Un script de Python de 40 líneas convierte el JSON de Whisper en .ass. Alternativas de pago: Submagic (el estándar visual, pero ~$0,69 por minuto vía API) o ZapCap (~$0,10 por minuto, la opción programática barata).

Paso 8 · Textos por plataforma

Otra llamada al LLM, con el clip ya elegido: título para Shorts, gancho para TikTok, post de LinkedIn con contexto, tres variantes de caption. Un solo prompt con salida JSON por plataforma.

Paso 9 · Cola de aprobación

Una hoja de Google Sheets o una tabla en tu CRM con: clip, score, razón, textos propuestos, y una columna de estado (pendiente / aprobado / rechazado). Un humano revisa en lote. El sistema no publica nada sin ese "aprobado". Esto es lo que diferencia un motor serio de una fábrica de slop.

Pasos 10 y 11

Publicación (Capítulo 6) y medición con retroalimentación (Capítulo 7).

Pros y contras del pipeline casero

Construir o pagar, componente por componente

La pregunta correcta no es "todo casero o todo de pago", sino qué componente conviene construir y cuál conviene pagar, y por qué. Aquí el veredicto por pieza.

El veredicto completo

Transcripción: por qué pagar (medido, no estimado)

La calidad del texto salió buena. El problema no es la precisión, es el tiempo. Y el dato clave: la literatura estimaba small en RTF 0,25 a 0,42 en un i7 de escritorio. En vCPU compartidas de nube el resultado real fue 3 a 4 veces peor. Esa brecha entre el benchmark publicado y el hardware real es justamente lo que hay que medir antes de decidir una arquitectura.

Sumado a que sin diarización no sabes quién dijo qué en una reunión de tres personas, y a que esas horas compiten con n8n, Redis y Postgres por los mismos 6 núcleos, la decisión se cae sola.

Vizard: qué hace por dentro y cuándo tiene sentido

Vizard no publica su arquitectura, pero su pipeline coincide con el de todos los clones abiertos y con los parámetros de su propia API:

¿Es el estándar en agencias grandes? No hay evidencia de que "los equipos serios construyen lo suyo". Lo que existe es: SaaS (OpusClip, Vizard) para quien tiene volumen y no tiene equipo técnico, y clones abiertos maduros (OpenShorts, ~4.000 estrellas, MIT, con servidor MCP y API; ClippyMe; auto-vertical-reframe) para quien sí lo tiene. OpusClip afirma "docenas de Fortune 500" pero su API solo está en Business a cotizar.

Límites reales de Vizard: 1 crédito = 1 minuto subido (no exportado). Creator USD 29/mes con 600 créditos y 3 peticiones por minuto. A 500 piezas al mes (~35 episodios de 60 min) necesitas ~2.100 créditos: Creator no alcanza, hace falta Business con tier de ~2.400/mes, estimado en USD 80 a 150. Pre-recortar silencios y el pre-show ahorra ~30% de créditos.

Reencuadre automático: las opciones abiertas

Estimación para tu VPS: un episodio de 60 min → 15 clips de 45 s ≈ 40 a 60 min de proceso. 500 piezas al mes ≈ 30 horas de CPU mensuales, en cola nocturna. Cabe.

Publicación multiplataforma: el laberinto de APIs

Publicar es la parte que más sorprende a quien no la ha peleado. El código es fácil. Lo difícil es que cada plataforma exige aprobación previa para dejarte publicar por API.

Las tres opciones de pago (confirmado)

Qué vende Blotato realmente

No vende "llamar APIs". Vende una aplicación ya aprobada por cada plataforma. Sus propios textos lo dicen: la aprobación de Instagram se hizo una vez, a nivel de la app de Blotato, y los refresh de tokens OAuth los manejan ellos. Tú conectas tu cuenta con un clic y heredas su App Review de Meta, su auditoría de TikTok, su tier de LinkedIn y su cuota de YouTube.

Servidor MCP en mcp.blotato.com/mcp con 35 herramientas. Agenda con scheduledTime o useNextFreeSlot. Publicar no consume créditos (solo la parte de IA). Alternativa más barata: Zernio (~USD 24/mes, REST + webhooks + analytics).

La burocracia real de construirlo en casa

Esto es lo que te ahorras al pagar USD 29:

¿Devuelven métricas para cerrar el bucle?

• Blotato sí: GET /analytics, GET /posts/:id/analytics y GET /published-posts con vistas, alcance, likes, comentarios para 8 plataformas. LinkedIn devuelve vacío (exige Community Management aprobado incluso para leer).
• Buffer: métricas "experimentales", refresco diario, no recomendado para producción.
• Metricool: exporta métricas, es la base de su negocio, pero la API solo desde Advanced (~USD 67).

Veredicto de publicación

Cuándo construirlo sí sería correcto: si vas a operar más de 50 cuentas de clientes, o si el puesto exige propiedad total de datos y ya eres empresa registrada con 2 meses de margen. Para 500 piezas de una marca: paga el publicador, construye todo lo demás, y deja el conector abstraído para reemplazarlo si un día se justifica.

Medir y cerrar el bucle: donde tú ganas

Esta es la parte que la mayoría de candidatos va a tratar como secundaria y que para WON es central: "Performance analysis that feeds directly back into future clip selection" y "Dashboards that monitor production velocity, quality, turnaround time, and business impact".

Las dos familias de métricas

El bucle de retroalimentación, concretamente

1. Cada clip publicado se registra con su score, su tipo y su razon (del JSON del scorer).
2. A los 7 días se recogen sus métricas de audiencia.
3. Un análisis cruza: ¿los clips de tipo "contraintuitivo" rinden más que los de tipo "historia"? ¿Los de score 90+ realmente superan a los de 75?
4. Con eso se ajustan los pesos del prompt del Capítulo 3, y se agregan ejemplos de clips ganadores como referencia (few-shot).
5. El sistema del mes siguiente elige mejor que el del mes anterior.

El dashboard

Tu CRM de reportes ejecutivos es la prueba de que sabes construir esto. Para WON sería un panel con las dos familias de métricas, actualizado desde las APIs (no a mano), con las mismas capas que ya usas: cierre semanal, embudo de producción (ingresado → generado → aprobado → publicado), y costo por pieza.

Los errores al escalar (y cómo los evitan los buenos)

MCP explicado a fondo

Te lo van a preguntar o lo vas a poder usar como argumento. Y tienes exposición real aunque no lo hayas nombrado así.

Qué es

Model Context Protocol: un protocolo abierto, publicado por Anthropic a fines de 2024, para conectar modelos de IA con herramientas y datos externos de forma estándar. La analogía que más se usa: es el USB-C de la IA. Antes, cada integración entre un modelo y un sistema (tu CRM, tu base de datos, Slack) se construía a medida. Con MCP, escribes un "servidor" una vez y cualquier "cliente" compatible lo puede usar.

Cómo funciona

CLIENTE MCP                         SERVIDOR MCP
(Claude Code, ChatGPT,   ←──────→   (expone capacidades)
 Cursor, n8n, Antigravity)
                                    Un servidor ofrece 3 cosas:
                                    • TOOLS: acciones que el modelo
                                      puede ejecutar (crear un
                                      workflow, publicar un post)
                                    • RESOURCES: datos que puede leer
                                      (archivos, registros, docs)
                                    • PROMPTS: plantillas reutilizables

El modelo no "sabe" cómo hablar con n8n o con Blotato. El servidor MCP traduce: le describe al modelo qué herramientas existen y qué parámetros necesitan, y ejecuta la acción cuando el modelo la pide.

Tu exposición real

Estado en 2026

• Es el estándar de facto: adoptado por Anthropic, OpenAI, Google DeepMind y Microsoft.
• Los SDK suman ~97 millones de descargas mensuales; el registro oficial tiene más de 9.600 servidores.
• Servidores más usados: filesystem, GitHub, PostgreSQL, búsqueda web, Slack, Notion. Oficiales de Stripe, Shopify, Linear, Sentry, Figma, Cloudflare, HubSpot.
• Especificación nueva del 28 de julio de 2026.

Por qué importa para el motor de contenido

Varias piezas del pipeline ya tienen servidor MCP: Blotato (publicar), Reap (clipear), openshorts (pipeline abierto). Eso significa que un agente puede, con lenguaje natural, decir "publica este clip en LinkedIn y TikTok mañana a las 9" y el servidor MCP lo ejecuta. Es la capa que convierte tus workflows en algo que un agente puede operar.

Modelos, costos y cómo elegir

Panorama a septiembre de 2026

Astra: qué es y qué te cambia

Lo importante de Astra no es que escriba mejor: es que opera computador y navegador como una persona. Eso toca directamente el pipeline: CapCut, Canva y OpusClip no tienen API y por eso no se automatizan. Un modelo que maneja el navegador puede operarlas sin API.

La lectura práctica: n8n sigue ganando en procesos determinísticos, repetibles y baratos. Astra gana en lo que hoy se hace a mano porque no hay API. No se reemplazan, se reparten el trabajo.

Dos advertencias: cuesta $10/$50 (caro para volumen), y usa una técnica que oscurece su cadena de razonamiento, mala para procesos que necesitan auditoría.

Gemini 3.8 Flash: el que cambia el scoring

Es multimodal con video a un precio de modelo pequeño. Para puntuar momentos no estás obligado a pasar solo por la transcripción: un modelo barato puede ver el video (gestos, expresiones, energía visual). Eso es "scoring multimodal, no solo transcripción", y es un argumento fuerte.

Routing por niveles: el patrón estándar de costos

Reportes de la industria citan reducciones de costo cercanas al 85% con este patrón, más caché de prompt (Anthropic: 0,1x en aciertos) y Batch API al 50%. Conecta directo con lo que hiciste al bajar tu prompt de 57k a 26k tokens.

Cómo se mide la latencia

No se memoriza, se mide: un timestamp antes de la llamada, otro después, se resta, se promedian 20 o 30 ejecuciones reales. En n8n, dos nodos Code alrededor de la llamada HTTP. Distingue tiempo al primer token (crítico en voz y chat en vivo) de tiempo total (lo que importa en un pipeline por lotes como este).

Tu stack actual está vigente

• Claude Code: sigue siendo referencia; en agosto y septiembre sumó modo auto, streaming de subagentes y hooks nuevos.
• Antigravity 2.0: relanzado en mayo de 2026 como plataforma completa. Ojo: Gemini CLI dejó de funcionar el 18 de junio; su reemplazo es el Antigravity CLI.
• Fable 5.1: en la punta del ranking.

Flujos que se volvieron estándar: desarrollo guiado por especificación (spec-driven), agentes en paralelo con git worktrees, y el patrón Coordinador → Implementadores → Verificador (un agente aparte que revisa lo que hicieron los otros, lo más subutilizado según la literatura).

Consentimiento y aprobación: lo que nadie más va a mencionar

WON quiere clipear sales calls, customer meetings, workshops. Eso tiene implicaciones reales:

• Grabar una llamada exige consentimiento de grabación (varía por país y estado; en EE.UU. varios estados exigen consentimiento de todas las partes).
• Publicar un fragmento donde aparece o habla un cliente exige aprobación del cliente, aparte del consentimiento de grabación.
• Reuniones internas pueden contener información confidencial, nombres de clientes, cifras.

Mencionar esto te saca del grupo de "constructores de herramientas" y te mete en el de "gente que ha operado un negocio". Ya lo has vivido: en tu trabajo actual manejas datos de clientes y Habeas Data.

Glosario