Automatizar una canalización diaria de contenido con IA y un modelo Qwen3 local
Cómo una canalización local con Ollama encuentra, puntúa y redacta cada día contenido para desarrolladores, con una breve aprobación humana que reduce tres horas de trabajo a unos diez minutos.
Un experimento de fin de semana puede acabar convertido en un hábito diario, y este lo hizo. Todo empezó con un canal para desarrolladores sobre herramientas de IA: detectar herramientas nuevas, papers, lanzamientos y proyectos personales, y convertir lo mejor en publicaciones. En la práctica, esa rutina se comía casi tres horas al día. Buscar temas, investigar, redactar, montar carruseles, escribir guiones de vídeo, textos y publicar se hacía todo a mano, y a la mañana siguiente vuelta a empezar. Repetir cada día la misma cadena de tareas es la señal de que toca automatizarla, y eso fue lo que pasó.
La canalización diaria
El resultado es una canalización de contenido impulsada por IA. Arranca sola cada día, así que la mañana ya no empieza con una página en blanco. Los temas se encuentran, se investigan y se convierten en borradores, y todo llega listo para revisar.
Discover
↓
Research
↓
Validate
↓
Score
↓
Generate
↓
Review
↓
Publish
↓
Analyze
↓
Optimize
El material en bruto sale de varias fuentes:
- GitHub Trending
- Hacker News
- arXiv
- Product Hunt
- Feeds RSS y blogs de empresas de IA
Una ejecución suele recoger unos 150 elementos en bruto. La mayoría no merece atención, así que lo siguiente es filtrar.
Filtrar con un modelo local
Un modelo Qwen3:8b local, servido con Ollama, hace la primera pasada. Para cada candidato escribe un resumen breve y responde tres preguntas: qué es, por qué le importaría a un desarrollador y qué se podría construir con ello. Después, un paso de validación descarta todo lo desactualizado, engañoso o simplemente inútil, lo que ya recorta mucho la lista.
Puntuar en lugar de preguntar "¿es interesante?"
Un sí o un no vago de un modelo no es fiable, así que cada tema superviviente recibe puntuaciones numéricas de 0 a 10 en seis criterios:
- lo útil que es
- lo nuevo que es
- el valor para desarrolladores
- la demanda de búsqueda
- el potencial para ganar dinero
- lo fácil que es de demostrar
El máximo es de 60 puntos, y todo lo que queda por debajo de 35 se descarta automáticamente. En lugar de abrirse paso entre 150 enlaces durante el desayuno, quien revisa acaba mirando unos 5 a 10 candidatos. Ahí es donde la automatización empieza a compensar.
Una investigación, muchos formatos
Un tema aprobado no da solo para un párrafo. El sistema monta un paquete completo a partir de una sola ronda de investigación:
- un carrusel de diez diapositivas que va del gancho al problema, la solución, un ejemplo, los casos de uso, la conclusión y la llamada a la acción
- un guion de vídeo corto sacado de las mismas notas
- un texto de publicación y hashtags
- JSON estructurado que el paso de publicación puede consumir
Investigar una vez y reutilizarlo es importante. Investigar el mismo tema cinco veces porque cinco plataformas necesitan una publicación no tendría sentido.
Una persona sigue decidiendo
Las personas siguen en el circuito a propósito. El software hace las partes repetitivas y una persona elige lo que de verdad se publica. La revisión empieza con un solo comando.
uv run approve
La terminal muestra entonces el tema, su puntuación, la investigación, el carrusel, el guion, el texto y los hashtags. Cada elemento se puede aprobar, rechazar u omitir. Un trabajo que antes llevaba un par de horas ahora lleva unos diez minutos.
Tras la aprobación, publicar es un único comando.
uv run post
Ese paso gestiona el flujo de publicación, las actualizaciones de la base de datos, el seguimiento de estados y los registros. También hay una opción de ensayo.
uv run post --dry-run
Con ella, todo el flujo se puede ensayar de principio a fin sin publicar nada.
Aprender de los resultados
La automatización es solo la mitad del objetivo. La siguiente fase es la optimización, en la que el sistema aprende de lo que se publica. Algunas preguntas útiles: qué temas consiguen más interacción, qué ganchos funcionan mejor, qué formatos se guardan y comparten más y qué temas rinden peor una y otra vez. Esas respuestas pueden volver a las reglas de puntuación, de modo que el ciclo a largo plazo sea crear, publicar, medir, aprender y mejorar. En lugar de limitarse a producir más contenido, el sistema debería ir afinando poco a poco su criterio sobre qué contenido merece la pena hacer.
La pila y el coste
Las herramientas son deliberadamente pocas: Python 3.11, SQLite, Ollama con Qwen3:8b, Pydantic, httpx y uv. Como el trabajo pesado de IA se hace en la máquina local, la factura mensual es de cero dólares.
Antes y después
El flujo antiguo era buscar, investigar, escribir, diseñar, guionizar y publicar, unas tres horas de esfuerzo. El nuevo es revisar, aprobar y publicar, unos diez minutos, mientras la investigación y la generación se ejecutan solas cada día.
La idea no es cambiar creatividad por IA. Es automatizar todo lo que rodea a la creatividad y no necesita a una persona. El objetivo a largo plazo es un sistema que siga descubriendo, creando, publicando, midiendo y optimizando contenido, y que deje a la persona libre para decidir qué merece la pena decir. Esa es la parte que se está construyendo ahora.