Agente de IA para generación de contenido editorial, con aprobación humana

1El problema

Mantener contenido editorial consistente para varias marcas a la vez consume horas de redacción semana tras semana — y ese tiempo escala linealmente con el número de marcas, no importa qué tan eficiente sea el redactor.

El objetivo no era eliminar la revisión humana del proceso — es publicar contenido con IA sin supervisión lo que genera errores reputacionales — sino eliminar la parte que sí puede automatizarse: la generación del primer borrador, dejando a una persona la decisión final de qué se publica y qué no.

2La solución diseñada

1. Generación: un agente en Python usa la API de Gemini 2.5 Flash para redactar borradores editoriales por marca, a partir de los lineamientos de cada una.
2. Registro: cada borrador generado se guarda en una base de datos PostgreSQL, con su marca, fecha y estado.
3. Aprobación humana: los borradores se exportan a Excel con una columna SI/NO — nada se publica sin que una persona marque explícitamente su aprobación.
4. Publicación: los borradores aprobados se publican automáticamente en Facebook y Google Business Profile, sin que alguien tenga que copiar y pegar contenido manualmente en cada plataforma.

3El proceso de implementación

El agente corre en un ciclo semanal (los viernes), con arranque manual — una decisión deliberada para mantener el control humano sobre cuándo se genera contenido nuevo, en lugar de dejarlo en un cron completamente desatendido. Las imágenes que acompañan al contenido se generan aparte, combinando prompts con ChatGPT y Nanobanana.

El punto de diseño más importante no fue la generación de texto en sí — los modelos de lenguaje actuales son razonablemente buenos en eso — sino el punto de control: una hoja de Excel con una columna SI/NO es deliberadamente simple, para que cualquier persona del equipo, sin entrenamiento técnico, pueda revisar y aprobar contenido sin depender de un panel especializado.

4El stack en producción

5Resultados medibles

El número que importa no es cuánto contenido genera el agente — es que la redacción del primer borrador dejó de ser un cuello de botella semanal, sin sacrificar el control humano sobre lo que finalmente se publica.

6Qué aprendimos

• Automatizar la generación no significa automatizar la publicación completa — separar ambos pasos con un punto de aprobación explícito es lo que hace el sistema confiable para uso real.
• Un flujo de aprobación tiene que ser tan simple como sea posible (una columna SI/NO en Excel) para que realmente se use — un panel sofisticado que nadie revisa no protege nada.
• Mantener el arranque del ciclo manual, en lugar de un cron totalmente desatendido, es una decisión de diseño válida cuando el costo de un error reputacional es alto.

7Servicios que este caso demuestra

Este proyecto combina capacidades que ofrecemos como servicio a otras empresas — como automatización de procesos con IA, no como servicio de marketing o gestión de redes sociales:

• Automatización de procesos con IA — el mismo principio de convertir un trabajo manual y repetitivo en un flujo asistido por IA con control humano.
• Automatización de reportes — la misma lógica de generación automática, aplicada aquí a borradores editoriales en lugar de reportes de datos.
• Diagnóstico operativo — identificar qué parte de un proceso creativo puede automatizarse sin perder control de calidad es justo lo que se evalúa en el diagnóstico inicial.