Skip to main content

​
La regla

No le pidas a un agente que “publique contenido” si no puede responder tres cosas antes de arrancar: de qué fuente sale, dónde se publica y qué señal vuelve después del publish. Si una de esas piezas falta, no tenés un sistema de contenido. Tenés un open loop.

​
Por qué

Los LLM generan planes convincentes con demasiada facilidad. El problema aparece cuando el plan llega a tareas vacías como “Publish post” sin tema, sin material fuente y sin una ruta clara hacia feedback real. Ahí la IA produce artefactos genéricos y vos seguís resolviendo a mano la parte difícil. Un loop de contenido recién se cierra cuando conectás cuatro capas:
  • fuente real
  • criterio editorial
  • publish real
  • señal de resultado
Usar LLM-as-a-judge mejora la calidad del draft, pero no reemplaza el sistema. La mejora real aparece cuando partís de contexto propio, publicás en un destino canónico y medís qué pasó después.

​
Cuándo aplica / cuándo no

Usalo:
  • Cuando diseñás un pipeline de contenido con agentes desde cero
  • Cuando querés convertir grabaciones de trabajo real en assets publicables
  • Cuando tenés pocas señales de mercado y no podés darte el lujo de publicar piezas genéricas
No confundas esto con:
  • Un prompt mejor escrito
  • Una segunda llamada al modelo para “evaluar” el output
  • Una arquitectura grande que todavía no conecta con distribución ni feedback

​
Señales de que seguís en open loop

  • El plan dice Publish post, pero nadie puede explicar con qué fuente se escribe
  • No podés trazar el camino entre sesión, moments, asset y URL final
  • El publish existe, pero no sabés qué KPI mirar después
  • El sistema optimiza infraestructura antes de resolver el valor editorial

​
Cómo cerrarlo

  • Usá screen recordings, sesiones o material propio como seed de contexto
  • Elegí moments que sostengan una sola idea antes de pedir un draft
  • Definí un destino canónico de publicación como growth.dante.id
  • Adjuntá una hipótesis de activación en Unifounder a cada asset
  • Revisá el feedback real después del publish y no solo la calidad del texto

​
Casos del archivo

  • En una sesión de revisión de Unifounder, el plan generado por IA proponía tareas como “Publish post” sin explicar de qué iba a escribir ni cómo se conectaba eso con una fuente confiable.
  • La misma sesión mostró una mejor dirección: usar screen recordings como seed de contexto para evitar el arranque en frío y sacar insights desde trabajo real, no desde prompts inventados.
  • También apareció un patrón útil pero insuficiente por sí solo: LLM-as-a-judge. Sirve para reframing y control de calidad, pero no cierra el loop si el sistema no llega a publish real ni vuelve con una señal medible.