Ertas para Creación de Contenido

The Challenge

Los equipos de contenido en empresas de medios, agencias y departamentos de marketing de marca enfrentan una demanda incesante de contenido de alta calidad y alineado con la marca en un número creciente de canales: publicaciones de blog, redes sociales, campañas de email, páginas de productos, guiones de video y más. Las herramientas genéricas de escritura con IA pueden producir texto gramaticalmente correcto rápidamente, pero el resultado se lee como si hubiera sido escrito por el mismo asistente anónimo que alimenta a todas las demás marcas. Carece de la voz distintiva, los estándares editoriales y el conocimiento institucional que separan el gran contenido del relleno.

El problema se multiplica a escala. Una empresa de medios que publica cientos de artículos por semana o una marca que mantiene contenido en docenas de líneas de productos no puede editar manualmente cada borrador de IA para cumplir con las guías de estilo. La ingeniería de prompts ayuda marginalmente, pero no puede enseñar a un modelo las diferencias de voz matizadas entre las leyendas de Instagram de una marca de lujo y sus comunicaciones con inversores. Los equipos terminan dedicando casi tanto tiempo a corregir contenido generado por IA como lo harían escribiendo desde cero, anulando por completo la promesa de productividad.

The Solution

Ertas permite a los equipos de contenido entrenar modelos de IA hechos para su marca. En Ertas Studio, los equipos editoriales y de marketing ajustan modelos abiertos con datasets de contenido ya aprobado (artículos publicados, publicaciones en redes sociales con buen rendimiento, campañas de email y textos de producto), cada pieza emparejada con el brief del que salió. En Data Craft, el constructor guiado de datasets de Studio, los editores revisan y editan los ejemplos y marcan como aprobados los que muestran la mejor versión de la marca. Los equipos pueden entrenar un modelo distinto para cada voz (uno para el blog corporativo, otro para redes sociales y un tercero para la documentación técnica) y ejecutarlos en paralelo para compararlos. Cada modelo asimila el vocabulario, el ritmo de las frases y las preferencias editoriales de sus ejemplos.

Los modelos entrenados aparecen en Hub, desde donde el equipo los descarga en formato GGUF para Ollama, llama.cpp o LM Studio, o como safetensors completos para vLLM. Se ejecutan en los servidores de la empresa o en el portátil de un redactor, y se conectan al CMS o a la herramienta editorial mediante una pequeña integración que el equipo construye sobre ese runtime. Los redactores reciben primeros borradores que ya suenan cerca de la marca, lo que acorta el ciclo de edición. Cuando la voz evoluciona, los editores añaden nuevos ejemplos aprobados y el equipo vuelve a entrenar. Los modelos pertenecen a la marca y no dependen de Ertas para funcionar.

Key Features

Example Workflow

Una marca de cuidado de la piel que vende directamente al consumidor publica cada mes 40 artículos de blog, 200 publicaciones en redes sociales y 15 campañas de email para tres líneas de producto, cada una con una voz ligeramente distinta. El equipo de marketing exporta dos años de contenido aprobado, etiquetado por línea de producto, canal y tipo de contenido, y empareja cada pieza con el brief a partir del cual se escribió para crear un dataset JSONL. Los editores revisan una muestra en Data Craft y corrigen los ejemplos que ya no encajan con las pautas actuales. En Ertas Studio, el equipo ajusta en paralelo tres modelos sobre una base Mistral 7B: uno para la voz clínica y experta de la línea profesional, otro para el tono desenfadado de los productos de uso diario y un tercero para el aire aspiracional de la gama premium. Descarga los tres en formato GGUF y los ejecuta en Ollama en un servidor de la oficina, conectado al espacio de Contentful de la marca mediante un pequeño plugin propio. Los redactores eligen la línea de producto antes de empezar y el modelo correspondiente escribe el primer borrador. Antes de extender el flujo a todos los canales, el equipo editorial dedica un mes a comparar los borradores asistidos por IA con su trabajo habitual, midiendo el tiempo de edición y aplicando su rúbrica interna de coherencia de marca.