Una persona creando contenido, con actualizaciones diarias sin falta. Hasta ahora, he publicado más de una docena de artículos largos, con un promedio de 120 000 visitas cada uno, un crecimiento acumulado de más de 9 000 seguidores y una tasa de guardado estable del 0,5–1 % —lo que significa que una de cada cien personas que lo ve piensa que el contenido vale la pena guardarlo para después.
No es que mi escritura sea excepcional. Es porque hay un sistema de producción de contenido con IA funcionando detrás de escena: desde la selección de temas, la recopilación de materiales, la redacción y las ilustraciones hasta la revisión de datos, todo el proceso lo ejecuta la IA; yo solo tomo las decisiones.
El prototipo de este sistema proviene del flujo de trabajo de Claude Code compartido públicamente por @dontbesilent. Usa este enfoque para publicar 13 000 piezas de contenido al año, operando 7 plataformas simultáneamente y ganando 700 000 seguidores anualmente. Lo tomé y lo modifiqué significativamente según mis necesidades para los artículos largos de X. Este post comparte la versión que estoy usando actualmente después de esas modificaciones.
Concepto Central
@dontbesilent mencionó una vez un problema muy fundamental: la mayoría de la gente usa la IA para contenido de forma fragmentada: le preguntan a la IA cuando tienen una idea, publican la respuesta y luego se olvidan. La próxima vez que tienen una idea, empiezan desde cero otra vez.
Su solución es convertir todo el proceso en un bucle cerrado: las ideas van a una biblioteca de temas → la IA busca en la biblioteca de materiales elementos reutilizables → escribe usando un marco validado → publica → revisa datos → destila patrones efectivos de vuelta a la metodología. Cada creación añade algo al sistema, en lugar de reinventar la rueda cada vez.
Adopté esta lógica directamente. A continuación, la versión que modifiqué.
Base de Conocimiento de Cuatro Capas
Uso Obsidian para gestionar el contenido y Claude Code para ejecutarlo. El sistema se divide en cuatro capas.
Primera Capa: Corpus.
El mayor problema de la escritura con IA no es que escriba mal, sino que no suena como tú. Los lectores de artículos largos leen palabra por palabra; si el "sabor a IA" es demasiado fuerte, se siente extraño.
Así que guardo todo lo que he dicho: tweets, puntos de vista discutidos en registros de chat de WeChat, grabaciones y pensamientos fragmentados anotados. Luego extraigo una guía de estilo de escritura de ellos: me gusta enunciar conclusiones antes de dar razones, prefiero números sobre adjetivos, me gusta usar lógica de otras industrias para explicar el tema actual, y no uso "frases motivacionales" para cerrar.
La IA lee esta guía antes de cada borrador, así que el primer borrador es al menos 70–80 % como yo. Después de escribir, ejecuto una verificación de "des-sabor a IA" para resaltar expresiones que se sienten demasiado mecánicas para que yo las cambie.
¿Qué detecta? Aquí hay algunos errores comunes:
- Palabras de moda de marketing: empoderamiento, bucle cerrado, conectar, lógica subyacente —eliminar al instante.
- Hablando por el lector: "Podrías pensar…" "Mucha gente preguntará…" —¿cómo sabes lo que otros piensan?
- Tono instructivo: "Recuerda", "Debes", "La clave es solo una frase" —estoy charlando, no dando una clase.
- Datos ficticios: "El 90 % de la gente no sabe" —¿de dónde sacaste ese 90 %?
- Frases cortas independientes para efecto dramático: Una frase. Una palabra. Párrafo. —Esto es lo más con sabor a IA.
- Esloganes/frases doradas en negrita: Las personas verdaderamente poderosas son todas… —Eliminar.
Estas reglas están almacenadas en el sistema. La IA las ejecuta automáticamente después del primer borrador y marca los aciertos en rojo. Con estos dos pasos, el "toque humano" en los artículos largos mejora significativamente.
Segunda Capa: Biblioteca de Materiales.
Deconstrucciones de 47 cuentas similares, datos de más de 1100 piezas de contenido, análisis estructural de artículos virales, y conceptos y citas reutilizables.
Antes de escribir un nuevo artículo, la IA primero revisa la biblioteca de materiales: quién ha escrito sobre temas similares, qué ángulo obtuvo los datos, y qué estructura los lectores están dispuestos a guardar. No es copiar; es elegir un camino basado en los datos de otros.
Después de deconstruir 47 cuentas, varios hallazgos influyeron directamente en mi estrategia de temas:
- El contenido con más de 1 M de vistas solo cae en 5 categorías: tutoriales de herramientas esenciales, ciencia médica/salud, IA + hacer dinero, análisis de personalidad y colecciones de recursos. Otros tipos casi nunca superan el millón.
- Las tasas de guardado y la exposición no están necesariamente correlacionadas positivamente. Algunos artículos tienen exposición media pero altas tasas de guardado, lo que indica valor a largo plazo; vale la pena escribirlos repetidamente.
- El crecimiento de seguidores y la exposición tampoco están necesariamente correlacionados positivamente. Un post de personalidad con 119 K de exposición ganó 156 seguidores, mientras que un tutorial con 77 K de exposición solo ganó 25. Las personalidades hacen que la gente quiera seguir al individuo; los tutoriales hacen que la gente guarde y se vaya.
Tercera Capa: Pipeline de Contenido.
Grupo de Temas → Por Profundizar → En Progreso → Publicado. El grupo mantiene constantemente una docena de temas listos para escribir y una docena de candidatos que necesitan más material. No escribo lo que me venga en gana; elijo del grupo basado en la estrategia. Los temas rotan a través de varios carriles: práctica de proyectos, deconstrucción del carril de hacer dinero con IA, negocios de base con bajo umbral y tendencias del nuevo paradigma de IA. Cada carril tiene diferente intensidad: los tutoriales de herramientas avanzadas obtienen la mayor exposición, las presentaciones de personalidad hacen crecer seguidores más rápido, y las revisiones de datos tienen una audiencia reducida pero buenas tasas de guardado. Elijo temas según los objetivos actuales: tutoriales para exposición, personalidades para seguidores y revisiones para valor a largo plazo.
Cuarta Capa: Metodología.
Qué títulos son efectivos, qué temas se vuelven virales, qué estructuras tienen altas tasas de guardado —todo destilado de mis propios datos de publicación.
Los títulos son la parte más fácil de cuantificar. Después de una docena de artículos largos, los títulos que funcionan bien básicamente caen en cuatro patrones:
Revisa antes de publicar: ¿Hay números específicos? ¿Hay una etiqueta de identidad? ¿Hay un contraste? ¿Sabe el lector lo que obtendrá después de leer el título? Cuantos más aciertos, mejor el dato.
Ilustraciones
Las ilustraciones para los artículos largos de X son cruciales. En el feed, el orden de atención del usuario es imagen HERO > Título > Cuerpo. Si la imagen es mala, nadie hace clic sin importar el título.
Mi principio: El trío imagen HERO, título y gancho no debe repetir información. La imagen HERO te dice de un vistazo "qué tipo de contenido es esto", el título proporciona un ancla de datos para que la gente se detenga, y el primer párrafo del cuerpo amplía los detalles. Tres cosas transmiten tres capas diferentes de información.
Hay dos estilos de ilustraciones, seleccionadas automáticamente según el tipo de contenido:
Los tutoriales usan infografías: fondo blanco, burbujas decorativas de colores claros, tarjetas redondeadas, iconos planos y grandes títulos en chino, como un banner hero limpio en un sitio web SaaS. Las piezas de opinión usan carteles conceptuales: texto grande como marco, con personajes y texto entrelazados, como un cartel de exposición en lugar de un PPT.
Cada artículo largo recibe una portada más dos o tres infografías internas. La IA genera prompts basados en el contenido del artículo, llama a la API de GPT Image 2 para producir imágenes, y luego descargo y recorto al ratio requerido. Lo que solía tomar media hora en Canva ahora toma 10 minutos para tres imágenes.
Datos de Artículos Largos
Aquí hay algunos representativos:
La exposición promedio es de alrededor de 120 000, con una tasa de guardado del 0,5–1 %. El post de adivinación con IA tuvo la tasa de guardado más alta con un 1,01 %: la combinación de IA + hacer dinero + asimetría de información hace que los lectores guarden más activamente.
Patrones Crecidos a partir de Datos
"Crear reglas a partir de datos" es la metodología de dontbesilent. Aquí hay patrones específicos derivados de mis propios datos de artículos largos de X:
Los títulos deben tener números específicos. "Monetización de 100 k en 4 meses", "$155 vs $15", "452 % ROI" —todos los artículos largos exitosos llevan números duros. Los números son lo más fácil para hacer que la gente se detenga en un feed.
La IA debe ser la protagonista. Los artículos tutoriales de IA se mantienen consistentemente por encima de las 100 000 visitas, mientras que el contenido puramente de inversión rara vez supera las 50 000. La gente viene a esta cuenta para ver "cómo usar IA", no "cómo operar acciones".
"Ayudarte a ahorrar tiempo" es la lógica de la viralidad. Recopilar cuentas públicas, introducciones de Codex, práctica de ilustraciones —la característica común de todos los artículos largos virales es "Lo he probado, he encontrado los errores y te lo he organizado; solo sigue los pasos".
Fórmula Viral: Tutorial avanzado o experiencia real + Ancla de datos específica + Camino reproducible. Ningún título viral es un concepto abstracto. Todos siguen la estructura de "Hice X, y el resultado fue Y" —compartir experiencias más datos, no dar lecciones.
Estas reglas se actualizan con cada nuevo artículo publicado. El sistema se autocorrige.
Puedes Usarlo Directamente
dbskill de dontbesilent (4000+ estrellas en GitHub) es un gran punto de partida. También puedes hacer lo que yo hice: tomar sus ideas centrales y modificarlas según tus propias necesidades.
No tienes que hacerlo bien en un solo paso. Empieza por construir tu grupo de temas y biblioteca de materiales, ejecútalo durante dos semanas, y deja que los datos te digan en qué dirección ajustar.
