Caso 01 / 09

Guiones revisados en días,no en dos semanas.

Dos pipelines aprenden del comportamiento real y evalúan guiones nuevos. La IA aconseja, los editores deciden.

-80%Ciclo de revisión
100K→1MUsuarios durante el periodo
Head de Datos e IAIdilio TV11/2025 a 02/2026
01 / Problema

Dos semanas de revisión con guionistas para cada guion.

La espera frenaba al producto. El criterio experto se quedaba en una sala. Los guiones ya producidos, los subtítulos y la respuesta real de la audiencia no ayudaban a decidir qué seguía.

02 / Estrategia

Primero medir. Después, construir dos pipelines sobre la misma base de conocimiento.

El pipeline A aprende

Relaciona los guiones ya producidos y sus subtítulos con la respuesta de la audiencia. Cruza resultados y encuentra evidencia.

El pipeline B evalúa

Contrasta cada guion nuevo con ese conocimiento y entrega un reporte respaldado por datos. La IA aconseja, los editores deciden.

03 / Decisiones

El costo, la reversibilidad y el juicio humano definieron la arquitectura.

  • Gemini y ChatGPT se evaluaron y usaron según costo, latencia y calidad.
  • Prompts, embeddings y features quedaron bajo control de versiones desde el primer día.
  • Los reintentos y las alertas hicieron visibles las fallas.
  • La revisión humana quedó integrada desde el diseño.
04 / Resultados y arquitectura

El equipo editorial sigue decidiendo. Ya no espera.

La revisión pasó de dos semanas a unos días, una reducción de 80%. Las métricas y el análisis guiaron la adquisición junto con el equipo de crecimiento. Durante el proyecto, el producto pasó de cerca de 100K a cerca de 1M de usuarios.

El problema que vino después

Un millón de usuarios escriben un millón de filas. Los mismos patrones se volvieron un starter que otros equipos pueden operar.

Caso 02 / 01

Un starter de chatbot para producción, abierto.

código abiertoSeguir con los casos
WhatsApp