27 de octubre de 2026 # Cómo rediseñar la creación de contenidos para trabajar con IA a escala  Para que la IA escriba más como yo, le he dado unas dos horas y media de transcripciones de mis podcasts. Después he tenido que ajustar instrucciones y corregir bastante. Y sigo encontrando expresiones que yo no escribiría. En el [[26-marca-ia-01-identidad|artículo anterior]] hablaba de contexto y de *evals* para conservar una marca reconocible. Para trabajar a escala, necesitamos que las correcciones de hoy mejoren también los textos que todavía no se han escrito. *Marca e IA · 2 de 4* ## Diseñar la creación y la verificación juntas  Mientras aprendemos a usar IA, pedir un texto, leerlo y corregirlo tiene todo el sentido. Así descubrimos qué hace bien, qué contexto necesita y dónde se equivoca. Pero si cada texto nuevo necesita otra revisión completa, el volumen que podemos publicar sigue dependiendo del tiempo del equipo. Hemos acelerado la escritura y conservado una revisión manual que limita cuánto podemos producir. Un *eval* (de *evaluation*) es una prueba con un caso y criterios de aceptación definidos de antemano. Por ejemplo, comprobar si una propuesta respeta las condiciones del producto. Esa comprobación puede hacerla un programa, otra IA o una persona. Una vez hemos entendido cómo funciona, hay que diseñar un **proceso de creación-eval**: cada pieza se genera con contexto propio, pasa por comprobaciones definidas y, según el resultado, se acepta, se devuelve para corregir en un bucle limitado o se deriva a una persona. La verificación forma parte del proceso desde el principio y se aplica a toda la producción. El equipo diseña esas comprobaciones y utiliza los fallos que encuentra para mejorarlas. ## Cómo una corrección mejora los resultados posteriores  Si una propuesta atribuye a todos los productos una garantía que solo corresponde a algunos, corregirla resuelve esa propuesta. Para evitar que ocurra en las siguientes hay que averiguar por qué se ha generado y por qué la evaluación la ha aprobado. Puede faltar la excepción en los documentos de referencia. Puede haber una instrucción que generaliza demasiado. O puede que el evaluador compruebe que la garantía existe, pero no que corresponde al producto de esa propuesta. La intervención cambia según la causa: completar el contexto, ajustar las instrucciones o añadir una comprobación. Después guardamos el caso como prueba para verificar que los cambios detectan o evitan ese error. **El trabajo dedicado a una corrección puede mejorar miles de resultados posteriores.** Para conseguirlo hay que modificar explícitamente el proceso y comprobar la mejora. Las nuevas generaciones de contenido tienen que utilizar el contexto, las instrucciones y las evaluaciones actualizados. ## Comprobar también las evaluaciones  Para saber si hemos mejorado, repetiría las pruebas anteriores y añadiría casos distintos del que acabamos de corregir. Hay que comprobar que la nueva regla funciona con otros productos y que no empieza a rechazar propuestas que estaban bien. También probaría los evaluadores con piezas que el equipo ya haya juzgado, porque nos interesa conocer tanto los errores que aprueban como los textos válidos que rechazan. La [guía de Anthropic sobre evaluación de agentes](https://www.anthropic.com/research/demystifying-evals-for-ai-agents) explica cómo utilizar pruebas para detectar mejoras y retrocesos al cambiar el proceso. Así podemos decidir si aplicamos el cambio a toda la producción o si todavía necesita ajustes. ## Contar todo el trabajo  Este proceso tiene un coste inicial: preparar contexto, definir evaluaciones y comprobar que funcionan. Hay que contarlo, igual que las generaciones, las evaluaciones automáticas y las intervenciones humanas posteriores. Mediría el **coste por pieza aprobada**, incluyendo los intentos y las piezas descartadas, con el nivel de calidad que hemos exigido. También cuánto tarda en estar lista y qué proporción necesita intervención humana. Además, distinguiría las intervenciones por errores nuevos de las correcciones que seguimos haciendo una y otra vez. Si el equipo repite la misma corrección, tenemos un problema que el proceso todavía no resuelve. ## El trabajo del equipo cuando aumenta la producción  Empezaría con un tipo de contenido y ampliaría según los resultados. El equipo revisa muestras de lo que se aprueba, resuelve las excepciones y decide qué cambios incorporar. Puede mantener la aprobación humana para determinados compromisos comerciales. Conservaría qué versión de las instrucciones, el contexto y las evaluaciones se ha utilizado en cada pieza. Si aparece un fallo repetido, necesitamos localizar su causa y saber qué contenido puede estar afectado. Creo que aquí cambia bastante el trabajo de los equipos de marca: además de decidir qué contenido aceptan, diseñan cómo se aplica ese criterio a toda la producción. Lo que aprenden al revisar una pieza debe quedar incorporado al proceso, con pruebas de que el cambio funciona. ## Bonus  > [!tip]+ Más en mi web > - [[22-ia-empresarial-contexto-coste-resultado|Contexto propio y coste por resultado]] - Cómo comparar lo que cuesta resolver un trabajo completo con IA. > - [[65-Slop-y-workslop|AI Slop, AI Workslop y la falsa promesa de la productividad]] - Producir más documentos tampoco significa trabajar mejor. > [!tip]+ Más sobre esto en Internet > - [Generative AI at Work](https://www.nber.org/papers/w31161) · Brynjolfsson, Li y Raymond - Una investigación en atención al cliente que mide casos resueltos, con resultados distintos según la experiencia. > - [Measuring AI agent autonomy in practice](https://www.anthropic.com/research/measuring-agent-autonomy) · Anthropic, 2026 - En Claude Code, los usuarios experimentados aprueban más acciones automáticamente, pero también interrumpen más al agente. --- Publicado el 27 de octubre de 2026, [LinkedIn](https://www.linkedin.com/pulse/c%25C3%25B3mo-redise%25C3%25B1ar-la-creaci%25C3%25B3n-de-contenidos-para-con-ia-hurtado-tor%25C3%25A1n-6aede), [Substack](https://davidhurtado.substack.com/p/como-redisenar-la-creacion-de-contenidos?r=4uyjfg&utm_campaign=post&utm_medium=web&showWelcomeOnShare=true), [X](https://x.com/dhtoran/status/2114973607793439217?s=20)