El texto se abarató, el control no: cómo funciona la economía de las cadenas de contenido con IAArtículo · digest del 17 de noviembre
Collage de papel de una cadena editorial con pilas ordenadas de borradores y una lupa de precisión para verificar hechos.
Artículo5 secciones≈ 9 min

El texto se abarató, el control no: cómo funciona la economía de las cadenas de contenido con IA

«El texto se ha abaratado, pero las decisiones a su alrededor siguen siendo caras». Con esa fórmula tan certera resume el director de marketing de la universidad online ZeroCoder, Valeriy Kurzemnek, en su análisis en Sostav.ru el principal callejón sin salida de las redacciones actuales. Cuando una red neuronal entrega en un par de minutos un borrador de artículo, una ilustración y un vídeo corto para redes, el dueño del negocio cae en la tentación de pensar que el coste del marketing está a punto de bajar al precio de una suscripción a un chatbot.

En la práctica veo justo lo contrario: hay muchísimos más textos, pero la factura de edición y el tiempo de validación no dejan de crecer. Veamos por qué generar rápido por sí solo no ahorra dinero y cómo reorganizar tu trabajo con la IA en formato de cadena de producción para conseguir más tráfico orgánico medible en lugar de un equipo desbordado revisando borradores.

La paradoja de la generación: por qué los borradores salen en minutos pero el gasto en contenido no baja

Fíjate en los datos de la encuesta de la agencia Go Influence entre empresas rusas que publican con regularidad en canales digitales: el 73% usa IA para crear contenido y el 72% ahorra tiempo de verdad al preparar materiales. A mí me llamó la atención otra cifra de ese informe: el gasto de producción bajó apenas en el 33% de los encuestados, y a dos tercios de los equipos las redes neuronales no les ahorraron ni un rublo.

La velocidad de los modelos se fue en volumen, no en rentabilidad.

Ocurre el efecto de la panadería en la que compras una amasadora ultrarrápida que saca piezas crudas en segundos, pero dejas un solo horno viejo y un único maestro revisando la hornada. Antes la plantilla ponía el techo: salía lo que los redactores alcanzaban a escribir. Los modelos generativos quitaron ese tope y el apetito del negocio creció: las empresas entran en canales nuevos y en otros idiomas, pero siguen validando y publicando a mano.

Con ese mismo problema chocó Valeriy Kurzemnek en el blog de marca de ZeroCoder. Durante dos años seguidos el tráfico del blog caía: las posiciones en el top 10 de Yandex se mantenían y en Google incluso subían, pero los clics desde el buscador se redujeron a la mitad. Los artículos sobre herramientas de IA envejecían rápido, salían pocos textos nuevos y un solo especialista ya no daba abasto para actualizar el archivo a mano y medir el efecto de cada cambio.

Anatomía del cuello de botella: cómo el gasto pasó de los redactores a quienes revisan

Según la misma encuesta de Go Influence, el 89% de las empresas sigue editando a mano los materiales generados. El cuello de botella se trasladó de quien escribe a quien verifica: el borrador se convirtió en materia prima barata y las decisiones de gestión a su alrededor pasaron a ser el eslabón más caro.

Equivocarse al elegir un tema ahora sale más caro que pagar a un redactor.

Tú mismo ves cómo ha cambiado la página de resultados: los buscadores responden cada vez más directo en pantalla y enlazan solo a unas pocas webs de arriba. Antes de publicar hay que comprobar que el artículo nuevo no le robe tráfico a uno antiguo, evitando la canibalización de búsquedas. Y después de salir conviene medir el resultado y actualizar a tiempo los contenidos relacionados. Sobre cómo las plataformas filtran la avalancha de textos repetitivos ya hablé en el análisis de la inmunidad de las plataformas digitales frente al spam sintético, y los costes ocultos de producción los calculamos en la economía unitaria real del contenido B2B. Ya en las previsiones para 2026 los analistas de Forrester señalaban que los equipos de contenido pasan de redactar textos a demostrar su eficacia y se convierten en centros operativos de control de flujo.

Aquí conviene no confundir conceptos. Según estima Gartner, hoy llaman «agente» a casi cualquier servicio de IA, aunque solo unos 130 proveedores de entre miles tienen capacidades agénticas reales. Un asistente corriente trabaja como un becario sin autonomía: redacta un párrafo y una persona lo copia al CRM o al gestor de la web. Un agente, en cambio, recibe un objetivo, lo descompone en pasos, invoca herramientas, comprueba el resultado y corrige errores.

Experiencia corporativa: cómo Sber y NVIDIA rearmaron cientos de tareas en cadenas de agentes

Plantar una red neuronal encima de procesos caóticos no sirve de nada. Las empresas que lograron resultados sólidos con la automatización empezaron revisando su operativa.

Primero se ordena la cadena y solo después se ponen los robots.

En Sber lanzaron el sistema multiagente «Markus» para marketing y comunicación: monitoriza medios y redes sociales, y prepara borradores de notas de prensa, publicaciones, presentaciones e informes analíticos. Como explicó el director de marketing y comunicación Vladislav Kreynin, antes de implantarlo agruparon más de 1.200 funciones en 250 procesos y seleccionaron 49 tareas clave para agentes. En el piloto participaron más de 200 empleados. Una propuesta de presentación que antes llevaba dos o tres días de trabajo ahora se monta en un par de horas: el agente arma el borrador según el briefing y la persona lo afina. No se recorta plantilla: crece el volumen de trabajo, mientras que la estrategia y el criterio siguen en manos humanas.

En NVIDIA rehicieron la localización de contenidos de marketing. En lugar de cuatro plataformas de traducción desconectadas con integraciones aparte, crearon un sistema interno de IA, lo entrenaron con años de archivo propio respetando terminología y estilo de marca y lo integraron en el CMS. A los traductores les dejaron los textos que exigen criterio profesional, y sus correcciones reentrenan el modelo. Resultado: el tiempo por solicitud bajó un 70%, el gasto en herramientas y proveedores cayó un 25%, el coste total de localización se redujo un 32% y la producción se duplicó: en primavera de 2026 la plataforma ya había procesado más de 3.000 solicitudes y 20.000 archivos únicos.

El caso ZeroCoder: cómo el agente «Prometei» reanimó un blog con 4.000 artículos desactualizados

Volvamos al blog de ZeroCoder, donde se acumulaban más de 4.000 artículos antiguos sobre herramientas de IA. En verano Valeriy Kurzemnek montó el agente «Prometei» cubriendo tres frentes: detectar búsquedas sin cubrir comprobando que no duplicaran temas ya publicados, probar hipótesis de actualización del archivo antiguo y revisar en segundo plano enlaces y maquetación. En tres meses salieron 290 artículos nuevos y en septiembre el tráfico del blog subió por primera vez en dos años de 35.000 a 45.000 visitas al mes (+28%, o +10.000 visitas). Alrededor del 80% del crecimiento vino de los artículos nuevos y el 20% del archivo actualizado.

Pero a mediados de septiembre saltó una trampa peligrosa del ciclo agéntico: produciendo lo mismo, «Prometei» empezó a consumir casi 20 veces más recursos, hasta 2.000 millones de tokens al día. La primera versión llamaba al modelo de lenguaje hasta para tareas mecánicas, convertía cada fallo en una regla nueva y volvía a leer todo el manual antes de trabajar. ¡El 96,5% del gasto se iba solo en releer las reglas acumuladas!

No sorprende que Gartner prevea el cierre de más del 40% de los proyectos de agentes hacia finales de 2027, entre otras razones por el coste disparado de contextos inflados.

El 17 de septiembre reconstruyeron el sistema: la parte mecánica (recoger datos, verificar cifras, publicar) pasó a scripts, los borradores de texto a un modelo económico, y las tareas de criterio y revisión se quedaron en modelos potentes con un máximo de tres rondas de corrección. Tras el ajuste, un mes de funcionamiento de la cadena cuesta unos 210 dólares, lo mismo que la suscripción a un modelo insignia.

Roles dentro de una cadena de contenido
  • Scripts: recogida de datos, contraste de cifras con fuentes, revisión de enlaces y publicación en el CMS.
  • Modelo económico: borrador de texto, traducción o ilustración siguiendo las reglas y el tono de marca.
  • Modelo potente (agente): selección de temas, búsqueda de páginas para actualizar y control de canibalización (hasta 3 rondas de revisión).
  • Editor: registro del pronóstico antes de publicar, lectura final, protección de páginas con tráfico y evaluación de ingresos.

Límites de autonomía: qué confiar al algoritmo sin riesgo y qué dejar sí o sí a las personas

Ni siquiera a una cadena económica se le puede dar acceso libre al botón de publicar. Evalúa cada tarea con tres preguntas: si el resultado se puede comprobar automáticamente, si la acción es fácil de revertir y cuánto cuesta un fallo detectado tarde.

Cuanto más caro y silencioso sea el error, más corta debe ser la correa del algoritmo.

En mayo de 2025 el diario Chicago Sun-Times publicó un suplemento con lecturas de verano: 10 de los 15 libros habían sido inventados por la IA porque ni el autor ni la redacción verificaron el texto antes de imprimir. En marketing de buscadores el precio del fallo no es menor. Actualizar una nota con pocas visitas se revierte sin daño, pero dejar que un agente toque un artículo que trae la mayor parte del tráfico es arriesgado: ni siquiera deshacer el cambio devuelve las visitas perdidas mientras la página estuvo caída en el ranking.

Por eso conviene traducir el tono de marca y las fuentes verificadas a reglas del flujo, pero dejar íntegramente en manos humanas la postura de la empresa, las columnas directivas y las respuestas de crisis. Y el propio Valeriy Kurzemnek cierra bien nuestra charla: «Cuando producir contenido deja de depender del tamaño del equipo, gana quien decide con cifras y sabe qué textos trajeron ventas y por qué importe. La medida principal del trabajo de marketing seguirá siendo la facturación».

Quiero un análisis detalladoLos votos ayudan a elegir qué analizar a fondo. Este material tiene 0 votos.
Fuentes · 2