Una persona, tres idiomas, 300 URLs: el sistema editorial de y8y con agentes de IA

Una publicación de nicho competitiva necesita, como mínimo: redacción documentada, verificación de afirmaciones, traducción a cada mercado, SEO técnico (esquema, hreflang, sitemaps), distribución a buscadores y un mapa de contenido que evite canibalizaciones. Con un equipo tradicional, eso son cuatro o cinco personas antes del primer lector. El experimento de y8y fue preguntar: ¿cuánto de eso puede convertirse en sistema, dejando a la única persona disponible el trabajo que de verdad exige criterio?

La respuesta no fue "usar un chatbot para escribir". Fue diseñar una cadena editorial donde cada eslabón (investigar, redactar, localizar, validar, enlazar, distribuir) tiene una definición de hecho comprobable, y la IA ejecuta dentro de esa definición.

La pieza central no es un modelo de IA: es la estructura de datos. Cada entidad (robot, historia, comparativa, término, respuesta) es un archivo JSON con campos trilingües, una consulta de búsqueda que posee y una respuesta extraíble. Sobre ese grafo, agentes de IA hacen la investigación competitiva, redactan borradores conforme a un playbook editorial escrito, generan las tres versiones de idioma y proponen los enlaces internos. Un juego de validaciones automáticas rechaza cualquier entrada inválida: esquema de datos, referencias rotas, consultas duplicadas (el guardián anticanibalización) y hasta reglas de estilo.

La distribución también es sistema, no tarea: el índice de contenido se publica como archivo legible por máquinas, las novedades se notifican automáticamente a los buscadores tras cada despliegue, y las respuestas completas se sirven a los motores de IA en un archivo único. La persona queda exactamente donde debe: eligiendo temas, verificando hechos con fuentes primarias, firmando veredictos y decidiendo qué no se publica. El método editorial completo es público en la metodología.

Costes directos: la infraestructura mensual es cero (sitio estático en el nivel gratuito de su hosting) y el gasto real son las suscripciones de herramientas de IA y las horas de la persona. Ese es el patrón que importa para un equipo de marketing: el coste dominante de un sistema con agentes no es el software, es la supervisión, y por eso el diseño entero se orienta a que la revisión humana sea rápida (validaciones automáticas antes, diferencias claras después).

Gobernanza en tres reglas. Uno: la IA propone, la persona publica; ningún contenido llega al sitio sin revisión humana. Dos: toda afirmación factual lleva fuente citada, y las cifras que solo afirma un fabricante se etiquetan como tales. Tres: hay reglas duras que los tests hacen imposibles de saltar, del esquema de datos al estilo. Lo que este caso no afirma todavía, por honestidad: ingresos y tráfico consolidado; la publicación es joven y esos números se añadirán aquí cuando existan con fecha. El sistema que los producirá es lo que queda documentado hoy.

El orden importa más que las herramientas: cada paso crea la condición que el siguiente necesita. Con dedicación parcial de una persona, el recorrido completo son semanas, no trimestres. La versión prescriptiva completa (diagnóstico de fugas de presupuesto, equipo reconstruido, herramientas con pros y contras, economía de tokens y riesgos) está en el blueprint de la operación de contenido.

La decisión real de un responsable no es qué herramienta comprar sino qué modelo de equipo operar. Los tres funcionan; se diferencian en dónde ponen el coste y el riesgo.

Un caso que no enseña sus alternativas no enseña nada: cualquier arquitectura parece inevitable contada hacia atrás. El principio que ordenó todas las elecciones fue este: tecnología aburrida y reemplazable donde no hay ventaja competitiva, y diseño propio solo donde la hay. En este sistema la ventaja vive en dos sitios exactos, la estructura de datos (el grafo de entidades con su mapa de consultas) y el playbook editorial con sus tests. Todo lo demás se eligió por coste, por robustez o por salida fácil, y cada pieza tiene sustituto honesto: el generador estático podría ser Hugo o Eleventy en lugar de Astro; el almacén de archivos JSON podría migrar a un CMS con interfaz (Keystatic, Contentful) el día que escriba un equipo; los agentes generalistas podrían ser cualquier LLM competente operando el mismo playbook.

La tabla resume las seis decisiones estructurales con la alternativa razonable que se descartó y el motivo real. Ninguna es dogma: en otro contexto (un equipo grande, contenido de alto riesgo regulatorio, una marca sin datos propios) varias se invierten, y la última columna dice cuándo.

Tres fallos reales, documentados porque cada uno reescribió una regla. Uno: una historia se publicó con un vídeo incrustado sin verificar (el identificador venía de un resultado de búsqueda y el reproductor tenía un defecto de estilos); un lector lo encontró como una caja negra en el móvil. Desde entonces ningún contenido externo se incrusta sin verificación técnica previa, y el reproductor se prueba en móvil antes de publicar. Dos: el primer borrador del primer estudio de datos salió corto y una de sus cifras clave, cien mil vacantes atribuidas a un organismo público, no resistió la verificación: la fuente real era una patronal citada en una nota de prensa. Se detectó antes de publicar, el estudio se reescribió alrededor de la discrepancia (que resultó ser el hallazgo más interesante) y la pasada de verificación con fuentes primarias dejó de ser opcional.

Tres: la distribución automática a buscadores falló en silencio durante días. La causa no estaba en el código sino en una configuración de dominio del hosting, y solo apareció al examinar el comportamiento real desde un entorno neutral. La regla resultante: después de cada despliegue, el sistema comprueba el comportamiento vivo del sitio, no la suposición de que el despliegue funcionó. Ningún fallo de los tres lo detectó la IA sola; los tres los convirtió en reglas una persona. Esa es la cuenta honesta de operar con agentes.

Esta sección es análisis del autor, fechado en julio de 2026, y se revisará en público como todo lo demás. La apuesta de fondo: la búsqueda se está partiendo en dos economías, la del clic y la de la cita. Los motores que responden (resúmenes de IA, asistentes, agentes) no envían visitas, citan fuentes, y citan mejor lo que pueden verificar y extraer limpio. Por eso cada pieza de este sistema tiene doble salida: la página para personas y la superficie para máquinas (respuestas extraíbles, datos estructurados, el índice de contenido, el archivo de respuestas completo siguiendo la convención llms.txt). Espero que esas superficies se estandaricen y se vuelvan tan obligatorias como el sitemap; quien las tenga antes acumula citas mientras el resto discute.

La segunda expectativa: los lectores serán cada vez más agentes actuando por encargo de alguien (comparando proveedores, preparando un informe, verificando una afirmación). Un grafo de entidades con datos fechados y fuentes es exactamente lo que un agente puede consumir con atribución; un blog de prosa corrida, no. La oportunidad que veo: los sitios pequeños estructurados como éste funcionan de facto como APIs de confianza para esos agentes, y eso no depende del tamaño del dominio sino de la calidad y verificabilidad del dato. Es la primera era del SEO donde el operador pequeño y riguroso tiene ventaja estructural sobre la granja grande.

La tercera: el coste de producir contenido seguirá cayendo hacia cero, lo que significa que producir deja de ser el negocio. Todo el valor se desplaza a lo que este caso llama la cuenta y la gobernanza: datos propios, verificación, responsabilidad con nombre y el historial de aciertos y fallos publicados. Lo próximo que añadiré a este sistema, en ese orden: re-verificación programada de afirmaciones fechadas (que el sistema avise cuando un dato citado envejezca), respuestas por superficie (la misma entidad respondiendo distinto a un buscador, un asistente de voz y un agente), y el mismo grafo operando contenido de clientes. Cuando ocurra, se documentará aquí con sus números.