Claude Code para marketing: cómo escribí 200 artículos SEO en 2 noches (el caso real, con sus límites)
Construí un sistema en Claude Code que generó 200 artículos SEO en dos noches, a unos 2 dólares por artículo. No fue un prompt mágico: fue un pipeline con agentes de investigación, arquitectura, redacción, fact-check y edición. Sirve para contenido programático repetible, no para piezas que dependen de tu historia o tu criterio.
Hace unos meses me dije una frase que sonaba a humo de gurú de LinkedIn: "voy a hacer que la máquina escriba el contenido por mí". La diferencia es que yo no lo dije en un reel, lo dejé corriendo una noche y a la mañana siguiente tenía borradores en el disco.
Dos noches después eran 200.
No te voy a vender el cuento de la automatización mágica, porque la mitad de esos 200 los tuve que revisar, varios los reescribí y unos cuantos los maté. Pero el sistema existe, corre, y cada artículo me sale en unos 2 dólares. Eso es bastante distinto a pagarle pieza por pieza a un redactor o a una agencia, y por eso escribo esto: para mostrar cómo se arma de verdad, qué hace bien, dónde se rompe y cuándo no deberías usarlo.
Si vienes de Claude Code para marketing, este es el caso concreto que ahí mencioné de pasada. Aquí lo abro entero.
Tabla de contenido
- El problema: contenido a escala sin morir en el intento
- Qué significa "200 artículos en 2 noches" exactamente
- El sistema: no es un prompt, es un pipeline de agentes
- Las reglas duras: el archivo que evita que la máquina invente
- El costo real: 2 dólares por artículo, desglosado
- Lo que aprendí: dónde el sistema falla
- Cuándo NO usar esto
El problema: contenido a escala sin morir en el intento
El problema era producir muchas páginas SEO útiles, con investigación real, sin convertir mi semana en una fábrica manual de fichas casi iguales.
Tenía un directorio de herramientas de IA y un directorio de eventos tech por ciudad, dos proyectos de SEO programático donde la estructura de cada página se repite, pero el contenido no. La ficha de Notion se parece a la de Linear, que se parece a la de Calendly, pero ninguna se puede copiar y pegar porque cada herramienta tiene precios, casos de uso y comparativas distintas.
Ese tipo de contenido es el infierno del marketer. Es repetitivo, aburrido, y aun así toma horas hacerlo bien porque cada página necesita investigación para no salir genérica. Un redactor freelance me cobraba entre 30 y 80 dólares por artículo decente, y a 200 artículos eso significa miles de dólares, semanas de espera y la ruleta habitual de calidad.
La pregunta no era "¿puede la IA escribir un artículo?". Eso ya lo sabíamos todos, más o menos desde que internet decidió llenar Google de sopa tibia. La pregunta era otra: ¿puede la IA escribir 200 borradores útiles, con investigación real, sin inventarse datos, sin que yo tenga que pelear con cada uno? Spoiler: casi. Y ese "casi" es toda la historia.
Qué significa "200 artículos en 2 noches" exactamente
| Dimensión | Detalle |
|---|---|
| Input | ~200 keywords con contexto de un backlog |
| Proceso | Pipeline de agentes corriendo en lotes durante la noche |
| Output | ~200 borradores en disco, no publicados |
| Revisión humana | Obligatoria antes de cualquier publicación |
| Costo aprox | 2 USD por artículo |
"200 artículos en 2 noches" significa 200 borradores generados en lotes mientras yo dormía, no 200 piezas finales publicadas a ciegas.
Voy a ser preciso porque el número suena a clickbait y no lo es, pero tampoco quiero venderte una fantasía con luces de neón.
Los 200 artículos eran borradores de calidad publicable-con-revisión: cada uno con investigación, estructura SEO, respuesta directa arriba, secciones y preguntas frecuentes. Salieron del sistema a disco, no a internet. Lo que se publica pasa por mis ojos primero, siempre.
"2 noches" significa que dejé el pipeline corriendo mientras dormía, en lotes, no que escribí 200 artículos a las 3 de la mañana con café y delirios de productividad. La máquina trabajó, yo no. Esa es la parte que importa: el ahorro no fue escribir más rápido, fue no estar pegado a la silla.
Y "200" no es un récord que persigo. Era el tamaño del backlog. El sistema podría hacer 50 o 500, pero el número solo describe ese trabajo en particular.
El sistema: no es un prompt, es un pipeline de agentes
Pipeline de generación de un artículo, paso a paso:
- Keyword + contexto
- Agente de investigación (SERP, datos, fuentes web)
- Agente arquitecto (estructura y tesis)
- Agente redactor (borrador con frameworks de copy)
- Fact-checker adversarial (caza inventos contra las fuentes)
- Editor / refinador (anti-slop, voz, AEO)
- Borrador a disco
El sistema funciona porque divide el trabajo en agentes especializados, no porque exista un prompt gigante que escupe artículos buenos por arte de magia.
Aquí está la clave que casi nadie cuenta. La gente piensa que escribes una instrucción larguísima, le das enter y sale el artículo. Así sale basura con buena puntuación. Lo que funciona es partir el trabajo en etapas, cada una con un solo objetivo, y encadenarlas.
El mío tiene estas etapas, y cada una es un agente distinto:
- Investigación. Antes de escribir una línea, un agente busca: analiza resultados que ya rankean para esa keyword, junta datos, fuentes, precios reales y contexto. La consecuencia es simple: el artículo arranca con material, no con recuerdos borrosos del modelo.
- Arquitectura. Otro agente toma ese material y decide la estructura: qué secciones van, en qué orden y cuál es la tesis de la pieza. Sin esto, todos los artículos salen con el mismo molde. Y sí, se nota.
- Redacción. El agente redactor escribe el borrador con estructura de copy, no con la clásica instrucción de "hazlo atractivo", que es casi lo mismo que decir "pórtate bien".
- Fact-check adversarial. Este es el que evita incendios. Un agente revisa el borrador contra las fuentes que juntó la investigación y marca cada dato que no esté soportado. Su único trabajo es desconfiar.
- Edición y refinado. El último agente mata relleno, ajusta voz, mejora claridad y deja respuestas directas que un lector o un modelo de IA pueda extraer sin hacer arqueología.
Cada agente revisa o mejora lo del anterior. Es una línea de producción, no un genio en una lámpara. Lo monté dentro de Claude Code porque ahí los agentes pueden leer archivos, correr flujos y trabajar sobre un sistema de reglas persistentes. Un chat suelto en el navegador no se comporta igual.
Growth MarketingTodo lo que publico aquí es gratis. Implementarlo contigo tiene precio.
Si algo de lo que leíste te hizo pensar "esto me está pasando", hablemos. Te respondo el mismo día.
Agendar 30 min →Las reglas duras: el archivo que evita que la máquina invente
Las reglas duras son archivos de texto que el sistema lee siempre, y algunas se verifican con código para bloquear errores antes de que un borrador llegue a publicación.
Si hay una sola cosa que separa mi sistema de "le pedí a ChatGPT 200 artículos", es esta: las reglas no viven en mi cabeza ni en una nota perdida. Viven en archivos que el pipeline consulta en cada corrida.
El riesgo número uno de generar contenido a escala es la alucinación. El modelo puede sonar convincente incluso cuando se equivoca, que es una habilidad bastante peligrosa para una máquina con teclado. En marketing, un dato falso publicado te rompe credibilidad que tomó meses construir. Por eso el fact-checker adversarial no es opcional, y por eso hay una regla que no admite debate: todo dato que se publica pasa por verificación humana.
Las otras reglas son de calidad y de voz. La respuesta directa va arriba, no enterrada en el párrafo 8. Nada de cerrar con un "plan de acción en 5 pasos" porque suena a plantilla con corbata. Nada de frases tipo "en el dinámico mundo del marketing digital". Una idea por sección. Lo específico le gana a lo genérico siempre.
Lo importante no es la lista, es el mecanismo. Cuando una regla se puede romper, la máquina la rompe, especialmente si está corriendo en producción a las 4 de la mañana. Así que las reglas importantes se chequean con gates automáticos. La buena fe no escala. El código, un poco más.
El costo real: 2 dólares por artículo, desglosado
| Opción | Costo y características |
|---|---|
| Redactor freelance | 30-80 USD, días de espera, calidad variable |
| Agencia de contenido | Más caro aún, con coordinación |
| Mi sistema en Claude Code | ~2 USD en tokens, minutos de cómputo, revisión humana aparte |
El costo real de cada borrador fue de unos 2 dólares en tokens, sin contar las semanas de construcción del sistema ni mi tiempo de revisión.
Un artículo de estos me sale más o menos en 2 dólares. Eso es plata de tokens: lo que cobran los modelos por procesar el texto que entra y el texto que sale en todas las etapas del pipeline.
No es gratis y no se paga solo desde el día uno, porque montar el sistema me tomó semanas de iteración, no una tarde iluminada. Pero una vez que está armado, el costo marginal de cada artículo nuevo baja muchísimo frente a la alternativa. A un redactor le pagaba decenas de dólares por pieza y esperaba días. Aquí pago un par de dólares y espero minutos, con el sistema ya construido.
La trampa que nadie te cuenta: el costo en tokens se dispara si no optimizas. Si cada agente relee contexto inútil, el artículo de 2 dólares se vuelve de 8. La economía del sistema depende de que cada agente reciba solo lo necesario. Eso también fue parte de la iteración, porque claro que no salió bien a la primera.
Y hay un costo que no aparece en la factura: mi tiempo de revisión. Ese sigue siendo mío. El sistema me quita escritura mecánica, no criterio.
Lo que aprendí: dónde el sistema falla
El sistema falla cuando la investigación es floja, cuando las reglas no se verifican y cuando produces tantos artículos que empiezan a sonar como primos vestidos igual.
Prometí honestidad, así que aquí va la parte que no sale en los reels.
Cuando revisé los 200 en frío, encontré un problema que no esperaba: salían homogéneos. Demasiado parecidos entre sí, como salidos de la misma máquina, que es justo lo que eran. Misma apertura, mismo ritmo, los mismos tics de redacción repetidos en cada pieza. Individualmente cada uno estaba bien, pero leídos en fila se sentían acartonados. Tuve que volver al sistema y meterle variedad a propósito: distintos tipos de apertura, distintas estructuras de cuerpo y memoria de qué forma ya había usado.
Segundo aprendizaje: las reglas que no se verifican con código se violan. Encontré piezas que rompían reglas que yo creía blindadas porque estaban en el prompt. Qué ternura. Nadie las estaba chequeando de verdad. Por eso terminé poniendo gates automáticos.
Tercero, y el más importante: el sistema es tan bueno como su investigación. Cuando el agente de investigación traía material flojo, el artículo salía flojo por más que el redactor escribiera bonito. Basura entra, basura sale, aunque venga con subtítulos y buena cadencia. La calidad no vive en la redacción, vive en lo que el sistema sabe antes de escribir.
Cuándo NO usar esto
No deberías usar este sistema para piezas que dependen de tu historia, tus datos privados o una decisión estratégica que la máquina no puede conocer.
Aquí es donde me separo del que vende automatización para todo. Este sistema es muy útil para un tipo de contenido y un riesgo innecesario para otro.
No lo uses para piezas que necesitan tu historia. Este artículo que estás leyendo tiene cosas que solo yo viví: la noche que lo dejé corriendo, el susto cuando vi que salían homogéneos, el cálculo de los 2 dólares. Eso una máquina no lo tiene, lo tengo yo. El contenido editorial, el que construye marca personal sobre experiencias reales, se escribe a mano o asistido de cerca, nunca en lote.
No lo uses cuando el dato es crítico y único. Si la pieza depende de una cifra de tu negocio, de un cliente o de algo que no está en ninguna fuente pública, la máquina no lo tiene. Si lo "completa", te está mintiendo con buena ortografía. Para eso, primero le das tú el dato verificado, y ahí sí trabaja.
No lo uses para volumen sin estrategia. 200 artículos malos posicionados para keywords que a nadie le importan son 200 páginas que Google puede ignorar y que ensucian tu sitio. El sistema escala lo que le des. Si le das una mala selección de temas, escala el error. La inteligencia sigue siendo elegir qué vale la pena escribir.
Sí úsalo para contenido programático donde la estructura se repite: fichas de herramientas, páginas por ciudad, comparativas, glosarios, cualquier cosa donde el molde es estable y lo que cambia es la investigación. Ahí el sistema brilla porque transforma un backlog repetitivo en borradores revisables.
La regla simple: si tú eres reemplazable en esa pieza, automatízala. Si tú eres la pieza, escríbela.
Preguntas frecuentes
¿Se pueden escribir 200 artículos en 2 noches con Claude Code?
Sí, pero con matices importantes. En mi caso fueron 200 borradores de calidad publicable-con-revisión, generados por un pipeline de varios agentes corriendo en lotes durante la noche, no 200 piezas finales listas para publicar a ciegas. Todo lo que sale pasa por revisión humana antes de ir a internet.
¿Cuánto cuesta generar un artículo SEO con este sistema?
Alrededor de 2 dólares por artículo en tokens, una vez que el sistema está armado. El costo varía según el largo de la pieza y el modelo usado en cada etapa. Montar el sistema toma semanas de iteración aparte, y el tiempo de revisión humana no entra en esos 2 dólares.
¿Es un solo prompt o un sistema con varios pasos?
Es un sistema con varios agentes encadenados, no un solo prompt. Hay investigación, arquitectura, redacción, fact-check adversarial y edición final. Cada agente tiene un trabajo concreto y mejora lo del anterior.
¿Cómo se evita que la IA invente datos a esa escala?
Se reduce el riesgo con tres capas: investigación con fuentes antes de escribir, fact-check adversarial contra esas fuentes y revisión humana antes de publicar. No lo llamo "evitar" en sentido absoluto porque sería vender humo. Lo correcto es diseñar el sistema para detectar inventos antes de que salgan.
¿Sirve para cualquier tipo de contenido?
No. Sirve para contenido programático donde la estructura se repite: fichas de herramientas, páginas por ciudad, comparativas y glosarios. No sirve para contenido editorial que depende de tu historia, tu criterio o datos únicos de tu negocio.
¿Necesito saber programar para montar algo así?
No para empezar, sí para afinarlo. Claude Code entiende instrucciones en lenguaje natural, así que puedes describir el flujo sin escribir código. Pero montar un pipeline de agentes con reglas verificadas y costos optimizados sí exige pensar en sistemas, o al menos no tenerle miedo a la terminal.
Reflexión final
La primera noche que dejé esto corriendo no dormí bien. Me levanté a las dos a mirar la pantalla como quien revisa si algo se va a incendiar. Estaban saliendo. Lentos, uno tras otro, cada uno con su investigación y su estructura, sin que yo tocara nada.
No fue magia y no fue gratis. Tomó semanas armarlo, varios de los 200 los reescribí, y el criterio de qué publicar y qué matar sigue siendo mío. Pero a la mañana siguiente entendí que una parte del trabajo que hacía a mano, el aburrido, el repetitivo, el que me robaba tardes enteras, ya no tenía que ser mi trabajo.
Ese es el punto de Claude Code para marketing, no el número grande del título. Para artículos SEO programáticos, Claude Code puede convertir un backlog repetitivo en borradores investigados, baratos y revisables. Para piezas que dependen de tu experiencia, tu voz o tus datos únicos, la máquina puede ayudar, pero no reemplazarte. La estrategia sigue siendo elegir qué vale la pena escribir.
© 2026 Andres Ospina
