Construi un sistema de LinkedIn que se automejora con Claude Code
La publicacion que cambio mi perspectiva sobre la automatizacion de LinkedIn no fue una que yo escribi. Fue una que el sistema redacto despues de analizar cuarenta y siete de mis publicaciones anteriores, identificar que los ganchos de transformacion superaban a mis queridos inicios con "Yo" por 2,3 veces en alcance, y reescribir su propia estrategia de contenido a las 4 de la manana de un martes mientras yo dormia.
Me desperte y encontre una base de datos de Notion con un nuevo lead magnet, una publicacion de LinkedIn ya programada a traves de Blotato, y un documento de estrategia que explicaba por que habia cambiado su enfoque. El razonamiento era mejor que la mayoria de las auditorias de contenido por las que he pagado a profesionales.
Ese momento cristalizo algo en lo que habia estado dando vueltas durante meses: el verdadero avance en el contenido impulsado por IA no es la generacion. Es el bucle de retroalimentacion. Cualquier prompt puede producir una publicacion decente de LinkedIn. Lo que separa a un sistema que se estanca de uno que crece es si aprende de lo que realmente funciona — y se ajusta sin esperar a que tu lo notes.
Esta es la historia de como construi ese sistema usando Claude Code, el patron de auto research de Karpathy, y un punado de herramientas que la mayoria de la gente usa de forma aislada pero nunca conecta entre si. Todo funciona en GitHub Actions. No he escrito manualmente una publicacion de LinkedIn en seis semanas. Y el engagement esta subiendo.
Por que la mayoria de la automatizacion de LinkedIn fracasa en dos semanas
He probado los enfoques obvios. Buffer. Hootsuite. Incluso un flujo de trabajo personalizado en n8n que extraia temas de feeds RSS y generaba publicaciones a traves de la OpenAI API. Todos comparten el mismo defecto fatal: son sistemas de bucle abierto.
Bucle abierto significa que el sistema produce una salida pero nunca observa el resultado. Genera la Publicacion A, la publica, y luego genera la Publicacion B usando exactamente la misma estrategia. Que la Publicacion A haya obtenido 47 impresiones o 4.700 es irrelevante — el sistema no lo sabe y no le importa.
Es como un chef que cocina todas las noches pero nunca prueba la comida ni pregunta a los comensales que les parecio. Despues de un mes, tendrias a alguien que ha cocinado treinta comidas y no ha aprendido nada.
El algoritmo de LinkedIn en 2026 empeora este problema. Las visualizaciones han caido aproximadamente un 50% interanual segun datos recientes de la plataforma, el engagement ha disminuido un 25%, y el crecimiento de seguidores se ha desplomado un 59%. El algoritmo ahora premia el tiempo de permanencia y la calidad de la conversacion por encima de las reacciones en bruto — las interacciones de expertos tienen un peso algoritmico 7-9 veces mayor que un simple pulgar arriba. El viejo juego de "publicar consistentemente y esperar" dejo de funcionar cuando el motor de recomendaciones de LinkedIn se volvio genuinamente sofisticado.
Lo que necesitas no son mas publicaciones. Necesitas un sistema que observe lo que realmente resuena con tu audiencia especifica y afine continuamente su punteria.
Ahi es donde entra el patron de auto research de Karpathy. Y ahi es donde todo encajo para mi.
Auto Research de Karpathy: el modelo mental que lo cambia todo
Andrej Karpathy lanzo su proyecto autoresearch a principios de 2026, y la comunidad de IA no ha dejado de hablar de el desde entonces. El concepto original era elegante: dale a un agente de IA una configuracion pequena de entrenamiento de LLM, dejalo modificar el codigo, ejecutar un experimento corto, evaluar los resultados y decidir si el cambio fue una mejora. Conserva los aciertos, descarta los fallos, repite.
Karpathy dejo este bucle funcionando durante dos dias. El agente realizo 700 experimentos. Descubrio 20 optimizaciones que mejoraron el tiempo de entrenamiento. Cuando esas mismas 20 modificaciones se aplicaron a un modelo mas grande, produjeron una aceleracion del 11%.
Esto es lo que la mayoria de la gente pasa por alto de esta historia: el patron subyacente no tiene nada que ver con el entrenamiento de machine learning. Funciona con cualquier cosa que puedas medir.
¿Tus publicaciones de LinkedIn? Medibles. ¿Rendimiento de los ganchos? Medible. ¿Tasas de engagement por formato de publicacion? Medibles. ¿Que temas le interesan realmente a tu audiencia versus cuales crees que les interesan? Muy medible.
El patron de auto research es un sistema de optimizacion de bucle cerrado: actuar, medir, analizar, ajustar, repetir. La parte de "investigacion" no es navegar por la web ni leer articulos — el sistema investiga su propio rendimiento y saca conclusiones que informan el siguiente ciclo.
Cuando vi a Duncan Rogoff demostrar este concepto aplicado al contenido de LinkedIn — es un ex director de arte convertido en fundador de agencia de IA que dirige una comunidad llamada The Build Room — algo cambio en mi forma de pensar. Duncan habia construido un sistema donde Claude Code generaba lead magnets, publicaba posts en LinkedIn a traves de Blotato, extraia metricas de engagement a traves de Apify, y luego ejecutaba un analisis semanal de auto research para reescribir su estrategia de contenido. Todo el pipeline funcionaba en GitHub Actions sin intervencion humana.
No solo queria replicarlo. Queria entender cada capa lo suficientemente a fondo como para personalizarlo para mi propio flujo de trabajo. Asi que construi mi propia version desde cero.
Aqui esta la arquitectura.
La arquitectura de cinco capas: como funciona realmente el sistema
La mayoria de los tutoriales describen la automatizacion como un pipeline lineal: entra un input, sale un output. Este sistema se entiende mejor como un bucle con cinco capas distintas, cada una manejando una tarea especifica. Si falta una capa, el bucle de retroalimentacion se rompe.
Capa 1: El motor de lead magnets
Cada publicacion en este sistema comienza con un lead magnet. No la publicacion en si — el recurso que la publicacion promueve. Esta es una decision estrategica, no tecnica. El algoritmo de LinkedIn en 2026 aplasta los enlaces externos (reduccion de alcance de aproximadamente el 60%), asi que necesitas dar a la gente una razon para interactuar en la plataforma antes de enviarlos a cualquier otro sitio.
El motor de lead magnets es un skill de Claude Code que toma tres entradas: una descripcion de la audiencia objetivo, un tema en tendencia de la capa de investigacion, y un formato de contenido (framework, playbook, paquete de prompts o pieza narrativa). Produce un lead magnet completo almacenado en Notion — titulo, estructura, el contenido real y elementos narrativos disenados para que el recurso parezca digno de solicitar en los comentarios.
La definicion del skill es enormemente importante aqui. Pase dos horas refinando el prompt que impulsa este skill, y estimo que esa inversion me ha ahorrado mas de 60 horas desde entonces. El prompt incluye los puntos de dolor especificos de mi audiencia (expertos con conocimiento profundo pero baja visibilidad online), el posicionamiento de mi marca e instrucciones explicitas sobre la profundidad. No quiero PDFs genericos y superficiales de "5 consejos". Quiero recursos que hagan a alguien pensar "esta persona realmente sabe de lo que habla."
Aqui esta el esqueleto de la configuracion del skill:
name: lead_magnet_generator
description: Generate high-value lead magnets for LinkedIn distribution
inputs:
- audience_profile: "Professionals with expertise but low online visibility"
- topic: "{{trending_topic}}"
- format: "{{selected_format}}" # framework | playbook | prompt_pack | story
context:
- brand_voice_guide.md
- top_performing_magnets.md # auto-updated by research layer
- audience_pain_points.md
output:
destination: notion
database: "Lead Magnets"
fields:
- title
- hook
- body_content
- storytelling_elements
- cta_text
- target_format
El archivo top_performing_magnets.md es el diferenciador clave. No es un documento estatico — la capa de auto research lo reescribe semanalmente basandose en que lead magnets realmente generaron mas comentarios y engagement. El sistema literalmente se ensena a si mismo que tipo de recursos quiere tu audiencia.
Capa 2: El redactor y publicador de posts
Una vez que el lead magnet existe en Notion, un segundo flujo de trabajo de Claude Code genera la publicacion de LinkedIn. Este flujo lee el lead magnet, el documento de estrategia de contenido actual (tambien actualizado automaticamente), y produce una publicacion optimizada para los patrones que estan funcionando actualmente.
El redactor de posts sigue reglas estructurales especificas que surgieron del analisis de auto research:
-
Gancho: Menos de 200 caracteres. Los datos de LinkedIn muestran que los ganchos de menos de 200 caracteres que introducen tension o prometen valor especifico superan dramaticamente a las aperturas explicativas. El sistema rota entre tipos de ganchos — ganchos de transformacion, ganchos contrarios y ganchos con numeros especificos — y rastrea cual tipo rinde mejor.
-
Cuerpo: Formateado para tiempo de permanencia. Lineas cortas. Saltos de linea estrategicos. El algoritmo ahora pondera mas si alguien pasa 45 segundos leyendo tu publicacion que si pulsan el boton de like.
-
CTA: Basado en comentarios, no en enlaces. "Comenta FRAMEWORK y te lo envio" supera por mucho a "Descargalo aqui: [enlace]" porque genera senales de engagement que el algoritmo recompensa.
La publicacion se realiza a traves de Blotato, que ofrece acceso API desde $29/mes en el plan starter. Blotato admite nueve plataformas — LinkedIn, X, Instagram, Facebook, TikTok, Pinterest, YouTube, Threads y Bluesky — y tiene nodos nativos de n8n y Make.com. Para este sistema, uso la API REST directamente desde un script de Node.js que Claude Code escribio.
// publish-to-linkedin.js (simplified)
const axios = require('axios');
async function publishPost(postContent, mediaUrl = null) {
const payload = {
content: postContent,
platforms: ['linkedin'],
publish_at: calculateOptimalTime(), // based on engagement data
media: mediaUrl ? [{ url: mediaUrl, type: 'video' }] : []
};
const response = await axios.post(
'https://api.blotato.com/v1/posts',
payload,
{
headers: {
'Authorization': `Bearer ${process.env.BLOTATO_API_KEY}`,
'Content-Type': 'application/json'
}
}
);
return response.data;
}
La funcion calculateOptimalTime() no esta fijada en "martes a las 9 AM" como sugiere cada guia generica de LinkedIn. Extrae datos de la base de datos de engagement y calcula cuando mi audiencia especifica esta mas activa basandose en el rendimiento historico. Otra cosa que la capa de auto research descubrio por si sola.
Capa 3: El componente de video
Esta capa fue la que mas me sorprendio. El sistema de Duncan incluye un paso donde Claude Code graba una grabacion de pantalla de 6-7 segundos desplazandose por el lead magnet en Notion, con superposiciones de texto de marca — fuente especifica (Gotham), cuadro de resaltado verde neon con borde negro. El video se adjunta a la publicacion de LinkedIn.
¿Por que importa esto? Porque las publicaciones con documentos y las publicaciones con video en LinkedIn estan alcanzando tasas de engagement del 6,60% en 2026, las mas altas de cualquier formato. Las publicaciones de texto estandar apenas superan el 2%. Un breve video de desplazamiento por tu lead magnet sirve para dos propositos: muestra una vista previa del valor (reduciendo la friccion para comentar) y senala al algoritmo que este es contenido multimedia rico que merece ser distribuido.
Adapte esto para los colores y el estilo de mi propia marca. El script de grabacion usa Puppeteer para abrir la pagina de Notion, desplazarse a un ritmo controlado y capturar la pantalla. Un comando separado de FFmpeg anade la superposicion de texto y genera un MP4 comprimido.
Toda la generacion de video toma unos 30 segundos. Sin intervencion humana. Sin software de grabacion de pantalla. Sin edicion.
Capa 4: El scraper de datos
Aqui es donde el bucle comienza a cerrarse. Cada dia, un actor de Apify extrae metricas de engagement de mis publicaciones de LinkedIn. Los scrapers de LinkedIn de Apify pueden extraer likes, comentarios, republicaciones, impresiones y desgloses de reacciones — todo sin requerir cookies o acceso a cuentas para datos de acceso publico.
Los precios son razonables: aproximadamente $1-2 por cada 1.000 publicaciones extraidas, lo que para una verificacion diaria de tus ultimas 30 publicaciones significa un costo despreciable.
Los datos extraidos se escriben en una base de datos de Notion con este esquema:
Post ID | Date | Hook Type | Post Length | Line Length | Content Format |
Content Angle | Topic | Likes | Comments | Shares | Impressions |
Engagement Rate | Lead Magnet Type
Cada publicacion se etiqueta con metadatos al momento de creacion (tipo de gancho, formato, angulo, tema), de modo que cuando los datos regresan, el sistema puede cruzar el rendimiento con estas variables. Esta es la instrumentacion que hace poderosa a la capa de investigacion. Sin metadatos estructurados, solo estas recopilando numeros. Con ellos, estas recopilando inteligencia accionable.
Capa 5: El motor de auto research
Este es el cerebro. Una vez por semana (estoy experimentando con aumentar la frecuencia), un flujo de trabajo de Claude Code extrae el conjunto completo de datos de engagement, ejecuta un analisis estructurado y produce dos salidas:
- Un informe de rendimiento que identifica que esta funcionando y que no
- Una estrategia de contenido actualizada que el motor de lead magnets y el redactor de posts usan para el siguiente ciclo
El analisis cubre:
- Rendimiento de ganchos: ¿Que tipos de ganchos (transformacion, contrario, numero especifico, pregunta, historia) generan mas impresiones, comentarios y tasa de engagement?
- Rendimiento de formatos: ¿Los frameworks superan a los playbooks? ¿Los paquetes de prompts superan a las publicaciones narrativas?
- Analisis de longitud: ¿Hay un punto optimo para la longitud total del post y la longitud promedio de linea?
- Analisis de temas: ¿A que areas tematicas responde mas la audiencia?
- Rendimiento de angulos: ¿Las publicaciones orientadas a resultados superan a las de prueba social? ¿La vulnerabilidad supera a la autoridad?
El sistema no solo identifica correlaciones — genera hipotesis y planifica experimentos. "Los ganchos de transformacion superan por 2,3 veces. La proxima semana, probar 3 ganchos de transformacion con diferentes areas tematicas para determinar si el tipo de gancho o el tema fue el impulsor principal."
Este es el patron de auto research de Karpathy en su forma mas pura. Actuar, medir, analizar, formular hipotesis, disenar el siguiente experimento, repetir.
Aqui hay una version simplificada del prompt de analisis:
## Auto Research Analysis
You have access to the following LinkedIn post performance data:
{{engagement_data}}
Analyze this data to answer:
1. Which hook types generate the highest engagement rate?
2. Which content formats drive the most comments (our primary KPI)?
3. What's the optimal post length range?
4. Which topics resonate most with the audience?
5. What content angles perform best?
Then produce:
- A performance summary with specific numbers
- Updated recommendations for the content strategy
- 3 specific hypotheses to test next week
- An updated top_performing_magnets.md file
La salida sobrescribe content_strategy.md y top_performing_magnets.md — los mismos archivos que el motor de lead magnets y el redactor de posts leen como contexto. El sistema acaba de reescribir sus propias instrucciones basandose en evidencia empirica.
Si has leido mi articulo sobre construir sistemas de IA que se automejoran con Claude Code, reconoceras esta arquitectura. El patron de agente reflexivo que describi alli — donde una IA evalua la salida de otra y ajusta el prompt del sistema — es exactamente lo que esta sucediendo aqui. La diferencia es que en lugar de evaluar conversaciones de chatbot, este sistema evalua metricas de engagement de LinkedIn. Mismo patron, aplicacion radicalmente diferente.
Configurando el pipeline de GitHub Actions
Todo el sistema se ejecuta headless en GitHub Actions. Sin servidor. Sin tareas cron en mi maquina. Sin Zapier. Solo un repositorio con archivos de flujo de trabajo que se activan segun programacion.
Aqui esta el flujo de trabajo diario:
# .github/workflows/daily-content.yml
name: Daily LinkedIn Content Pipeline
on:
schedule:
- cron: '0 7 * * *' # 7 AM UTC daily
workflow_dispatch: # manual trigger for testing
jobs:
generate-and-publish:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v4
- name: Setup Node.js
uses: actions/setup-node@v4
with:
node-version: '20'
- name: Install dependencies
run: npm ci
- name: Generate lead magnet
run: node scripts/generate-lead-magnet.js
env:
ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}
- name: Generate LinkedIn post
run: node scripts/generate-post.js
env:
ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}
- name: Record lead magnet video
run: node scripts/record-video.js
env:
NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}
- name: Publish to LinkedIn
run: node scripts/publish.js
env:
BLOTATO_API_KEY: ${{ secrets.BLOTATO_API_KEY }}
- name: Scrape engagement data
run: node scripts/scrape-engagement.js
env:
APIFY_API_KEY: ${{ secrets.APIFY_API_KEY }}
NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}
Y el flujo de trabajo de investigacion semanal:
# .github/workflows/weekly-research.yml
name: Weekly Auto Research
on:
schedule:
- cron: '0 9 * * 0' # Sunday 9 AM UTC
workflow_dispatch:
jobs:
auto-research:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v4
- name: Pull engagement data
run: node scripts/pull-engagement-data.js
env:
NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}
- name: Run auto research analysis
run: node scripts/auto-research.js
env:
ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
- name: Update content strategy
run: node scripts/update-strategy.js
env:
NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}
- name: Commit updated strategy files
run: |
git config user.name "Auto Research Bot"
git config user.email "[email protected]"
git add strategy/
git commit -m "auto-research: update strategy $(date +%Y-%m-%d)" || true
git push
Seis secrets en la configuracion del repositorio de GitHub. Dos archivos de flujo de trabajo. Esa es toda la capa operativa.
Una cosa que quiero senalar: te encontraras con errores. Duncan menciono en su tutorial que Claude Code lanzo errores durante la configuracion inicial — scrapers con timeout, limites de tasa de API, incompatibilidades de tipo de campo en Notion. Yo tuve todos esos problemas mas algunos adicionales. El scraper de Apify ocasionalmente devuelve datos obsoletos si una publicacion tiene menos de 2 horas. La API de Blotato tiene una peculiaridad donde los adjuntos de video de mas de 10MB fallan silenciosamente sin respuesta de error. Y la API de Notion devuelve formatos de campo diferentes para propiedades de rollup versus propiedades de formula, lo que rompe tu script de ingestion de datos si no manejas ambos casos.
Mi consejo: construye cada capa independientemente y pruebalas de forma aislada antes de conectarlas. Ejecuta el generador de lead magnets diez veces manualmente. Publica cinco posts directamente a traves de la API de Blotato. Extrae tus ultimas veinte publicaciones con Apify e inspecciona el JSON crudo. Depura capa por capa, luego conecta.
Si prefieres que alguien construya este tipo de pipeline de automatizacion desde cero, acepto encargos de automatizacion con IA y desarrollo de agentes. Puedes ver lo que he construido en fiverr.com/s/EgxYmWD.
El hallazgo sorprendente: los ganchos de transformacion ganan (y no es reñido)
Alimente el sistema con datos de mis ultimas 47 publicaciones de LinkedIn antes de activar el bucle de auto research. Esto dio al motor de analisis suficientes datos para sacar conclusiones reales desde el primer dia en lugar de esperar semanas para acumular senales.
El primer informe de auto research contenia un hallazgo que genuinamente me sorprendio.
Habia asumido — basandome en todo lo que habia leido sobre copywriting para LinkedIn — que los ganchos con "Yo" y numeros especificos serian los de mejor rendimiento. Publicaciones que abren con "Pase 6 horas probando..." o "Construi un sistema de $3K/mes con..." sentian que deberian funcionar. Son personales, especificos y crean curiosidad.
Los datos decian lo contrario.
Los ganchos de transformacion — publicaciones que muestran una progresion de antes y despues — superaron a los ganchos personales con "Yo" por 2,3 veces en alcance y 1,8 veces en tasa de comentarios. Ganchos como "De cero seguidores a 400 leads en 90 dias" o "Que pasa cuando dejas de perseguir engagement y empiezas a construir sistemas" consistentemente atrajeron mas impresiones y engagement mas profundo.
¿Por que? Mi mejor teoria: los ganchos de transformacion activan el interes propio del lector de forma mas directa. Una declaracion con "Yo" trata sobre mi. Un gancho de transformacion trata sobre un resultado que el lector quiere. El lector se proyecta en la transformacion. No solo piensa "interesante" — piensa "¿podria ser yo?"
Esto no es una ley universal. Es lo que funciona para mi audiencia en este momento. Y ese es exactamente el punto. Una estrategia de contenido estatica me habria mantenido escribiendo ganchos con "Yo" indefinidamente porque parecian correctos. El bucle de auto research identifico el patron real en seis dias de analisis.
El sistema ha evolucionado su estrategia tres veces mas desde entonces. El punto optimo de longitud de publicacion paso de 1.200-1.500 caracteres a 800-1.100 (mas corto, mas contundente). Los frameworks empezaron a superar a los playbooks como formato de lead magnet. Los horarios de publicacion de martes y jueves superaron a los de lunes y miercoles. Ninguna de estas percepciones las habria captado manualmente — al menos no tan rapido.
Ejecutando multiples agentes en paralelo
Un detalle tecnico que vale la pena ampliar: la capacidad de Claude Code para ejecutar multiples hilos de agentes en paralelo acelera dramaticamente tanto la fase de construccion como la ejecucion diaria.
Cuando estaba construyendo este sistema, tenia tres instancias de Claude Code ejecutandose simultaneamente. Una escribia el script de generacion de lead magnets. Otra construia la integracion de scraping con Apify. Una tercera trabajaba en el pipeline de grabacion de video. Operaban en archivos separados del mismo repositorio, referenciando ocasionalmente modulos de utilidad compartidos.
Esto no es un patron teorico — es la arquitectura de equipos de agentes que Anthropic ha estado impulsando fuertemente desde Opus 4. Cada agente tiene su propia ventana de contexto, su propia tarea y su propia capacidad para leer y escribir archivos. Cuando necesite que el agente de scraping formateara datos de una manera que el agente de investigacion pudiera consumir, defini el esquema de datos en un archivo de especificacion compartido y apunte a ambos agentes hacia el.
Durante la ejecucion diaria, el pipeline se ejecuta secuencialmente (generar, luego publicar, luego extraer) porque cada paso depende del anterior. Pero durante la fase de investigacion semanal, he experimentado con paralelizar el analisis. Un agente analiza el rendimiento de ganchos mientras otro analiza el rendimiento de formatos mientras un tercero examina tendencias de temas. Los resultados se fusionan en una unica actualizacion de estrategia.
Tiempo total desde repositorio vacio hasta sistema funcionando: unos 20 minutos de tiempo real de interaccion con Claude Code para el MVP inicial, mas algunas horas adicionales de pruebas y refinamiento durante la semana siguiente. Duncan reporto un cronograma similar — la estructura del sistema se arma rapido porque Claude Code maneja el codigo repetitivo. El refinamiento es donde importa el juicio humano.
Lo que hice mal (y lo que cambiaria)
Seis semanas despues, aqui esta mi evaluacion honesta de lo que no funciono segun lo planeado.
La capa de video es fragil. Puppeteer ejecutandose en un contenedor de GitHub Actions ocasionalmente tiene timeouts cuando Notion tarda demasiado en cargar. He anadido logica de reintentos, pero estoy considerando cambiar a un enfoque de carrusel de imagenes prerenderizadas — mas confiable, y los datos de engagement no muestran una diferencia significativa entre un video de desplazamiento y un carrusel estatico bien disenado.
La investigacion semanal no es lo suficientemente frecuente. Para cuando el analisis del domingo identifica un patron que falla, ya he publicado 5-6 posts usando la vieja estrategia. Estoy cambiando a dos veces por semana — miercoles y domingos — para ajustar el bucle de retroalimentacion. La autoresearch original de Karpathy se ejecutaba continuamente. Los sistemas de contenido no pueden igualar ese ritmo porque necesitas que las publicaciones acumulen suficientes datos de engagement antes de que el analisis sea significativo. Pero una vez por semana se siente demasiado lento.
El sistema no gestiona los comentarios. Esta es la brecha mas grande. Cuando alguien comenta "FRAMEWORK" en una publicacion para solicitar el lead magnet, un humano (yo) todavia necesita enviar el DM. He explorado soluciones basadas en la API de LinkedIn para esto, pero la API de mensajeria de LinkedIn esta bloqueada detras de programas de asociacion que no son accesibles para desarrolladores individuales. Por ahora, respondo a los comentarios en lotes dos veces al dia manualmente. Toma 10 minutos pero rompe el sueno totalmente autonomo.
El targeting de audiencia necesita refinamiento constante. Mi descripcion inicial de audiencia era demasiado amplia: "profesionales con experiencia pero baja visibilidad online." El bucle de auto research identifico que mis publicaciones con mayor engagement apuntaban a un segmento mas estrecho — especificamente, consultores independientes y fundadores de agencias en el espacio de IA/automatizacion. Desde entonces he afinado el perfil de audiencia, y la siguiente ola de contenido esta rindiendo notablemente mejor.
No toda publicacion deberia ser un lead magnet. Las publicaciones de puro valor, las opiniones contrarias y las historias personales superan a las publicaciones de lead magnet en alcance (porque no tienen un CTA transaccional). El sistema ahora alterna: 3 publicaciones de lead magnet por semana, 2 publicaciones de puro engagement. Las publicaciones de engagement alimentan la percepcion del algoritmo sobre la calidad de mi cuenta, y las publicaciones de lead magnet convierten ese alcance en leads reales.
Los numeros despues de seis semanas
Soy cauteloso al reportar metricas porque el contexto importa enormemente. El tamano de mi cuenta, nicho, frecuencia de publicacion y composicion de audiencia afectan todos estos numeros. Son direccionales, no prescriptivos.
Lo que puedo compartir: el bucle de auto research identifico cinco ajustes de estrategia distintos en seis semanas. Cada uno se baso en un patron estadisticamente significativo en los datos de engagement — no en una intuicion, no en una mejor practica del curso de algun guru de LinkedIn. El sistema detecto cosas que yo no habria notado durante meses, si es que alguna vez las hubiera notado.
El patron que encuentro mas convincente no es ninguna mejora individual de metrica. Es la trayectoria. La estrategia de contenido de cada semana esta mediblemente mejor informada que la de la semana anterior. La brecha entre las publicaciones de la primera semana y las de la sexta semana es visible en los datos de engagement. Ese efecto compuesto — donde cada iteracion se construye sobre conocimientos validados de la anterior — es exactamente lo que el patron de auto research de Karpathy promete. Y cumple.
Para comparar: mi publicacion manual en LinkedIn durante los tres meses anteriores fue esporadica (2-3 publicaciones por semana cuando estaba motivado, cero durante semanas de proyectos ocupados) sin seguimiento sistematico. El sistema automatizado publica 5 veces por semana sin excepcion, rastrea todo y evoluciona su enfoque basandose en evidencia. Solo la consistencia explica una porcion significativa de cualquier mejora de engagement. La optimizacion de auto research sobre esa consistencia es lo que hace que la trayectoria sea acelerada en lugar de plana.
Como construir tu propia version
Si quieres replicar esto, aqui esta la secuencia que recomendaria. No intentes construir todo a la vez — asi es como mueren los proyectos de automatizacion.
Semana 1: Base manual. Escribe 10 publicaciones de LinkedIn manualmente. Registra el tipo de gancho, formato y tema de cada una. Extrae su engagement despues de 48 horas usando Apify (el plan gratuito funciona bien). Almacena todo en una base de datos de Notion. Esto te da datos semilla y te obliga a definir tus categorias de contenido.
Semana 2: Automatizar la generacion. Construye el skill de lead magnets de Claude Code y el redactor de posts. Pruebalos repetidamente. Compara las publicaciones generadas por IA con tus publicaciones manuales. Refina los prompts de los skills hasta que la calidad de salida iguale o supere tu escritura manual en un primer borrador.
Semana 3: Automatizar la publicacion. Conecta Blotato. Configura el flujo de trabajo diario de GitHub Actions. Ejecutalo manualmente (usando workflow_dispatch) cinco veces antes de confiar en la programacion. Verifica que cada paso se complete y que la publicacion realmente aparezca en LinkedIn.
Semana 4: Cerrar el bucle. Construye la capa de auto research. Ejecuta el primer analisis sobre tus datos acumulados (deberias tener 20+ publicaciones a estas alturas). Revisa el documento de estrategia que el sistema produce. ¿El analisis coincide con tu intuicion? ¿Donde te sorprende? Las sorpresas son donde esta el valor.
Semana 5+: Iterar y expandir. Aumenta la frecuencia de investigacion. Anade el componente de video si encaja con tu marca. Experimenta con la mezcla de contenido. Deja que el sistema funcione y resiste la tentacion de anular sus recomendaciones a menos que tengas una razon especifica.
Un consejo no obvio: guarda cada version de tu documento de estrategia de contenido en control de versiones. Yo uso git para esto (el flujo de trabajo de investigacion semanal hace commits de cambios de estrategia automaticamente). En seis meses, querras rastrear la evolucion de tu estrategia y entender por que el sistema hizo cada cambio. Esa historia es increiblemente valiosa para depuracion y para entender a tu audiencia a un nivel mas profundo.
El panorama general: sistemas de IA que aprenden de su propia salida
Lo que he descrito aqui es un sistema de contenido para LinkedIn. Pero la arquitectura es de proposito general.
El patron de auto research — actuar, medir, analizar, ajustar — se aplica a lineas de asunto de email, textos de paginas de precios, creativos publicitarios, descripciones de productos, respuestas de atencion al cliente, o cualquier contenido donde puedas medir el rendimiento. Las herramientas especificas cambian (puedes intercambiar Apify por Google Analytics, Blotato por Mailchimp), pero la arquitectura de cinco capas permanece identica.
La auto research original de Karpathy ejecuto 700 experimentos en dos dias sobre configuraciones de entrenamiento de LLM. Duncan Rogoff aplico el mismo patron al contenido de LinkedIn. Yo construi mi propia version y descubri que los ganchos de transformacion superaban a las declaraciones con "Yo" para mi audiencia especifica. Alguien mas aplicara esto a miniaturas de YouTube, titulos de paginas de aterrizaje o secuencias de emails salientes.
El patron es lo que vale la pena interiorizar. Las herramientas son solo detalles de implementacion.
Y la trayectoria de estos sistemas importa mas que cualquier salida individual. Un sistema de contenido que es 10% mejor cada semana no suena dramatico hasta que te das cuenta de que despues de 12 semanas, esta operando a un nivel fundamentalmente diferente de donde empezo. Eso no es mejora lineal — es inteligencia compuesta aplicada a un dominio especifico y medible.
Mi equipo de marketing con IA construido con skills de Claude fue el precursor de este sistema. Los skills me dieron ejecucion repetible. La capa de auto research me dio aprendizaje repetible. La combinacion de ambos — ejecucion consistente mas optimizacion continua — es lo que transforma un flujo de trabajo de contenido en un motor de contenido.
Ya sea que construyas exactamente este sistema o adaptes el patron para tu propio caso de uso, el principio permanece igual: deja de tratar a la IA como un generador de un solo uso. Empieza a tratarla como un bucle de retroalimentacion. La diferencia en resultados con el tiempo es asombrosa.
El sistema acaba de generar la publicacion de manana mientras yo escribia este articulo. Segun la ultima actualizacion de estrategia, esta probando un nuevo formato de gancho — un inicio basado en pregunta dirigido a un punto de dolor especifico que los datos sacaron a la luz la semana pasada. Revisare los numeros de engagement en 48 horas. No me sorprenderia si el sistema sabe algo que yo no se.
Ese es todo el punto.
Preguntas frecuentes
¿Cuanto cuesta el stack completo de automatizacion de LinkedIn al mes?
Los costos principales son el uso de la API de Claude Code (variable, aproximadamente $30-60/mes dependiendo del volumen), Blotato a $29/mes para publicacion, y Apify a aproximadamente $1-2 por cada 1.000 extracciones. GitHub Actions es gratuito para repositorios publicos o esta incluido en GitHub Pro. Total: aproximadamente $70-100/mes para un sistema de publicacion diaria.
¿Puede el patron de auto research de Karpathy funcionar para plataformas ademas de LinkedIn?
El patron funciona en cualquier lugar donde puedas medir el rendimiento del contenido con datos estructurados. Tasas de apertura de email, curvas de retencion de YouTube, tasas de clics en anuncios y metricas de conversion de paginas de aterrizaje alimentan el mismo bucle de actuar-medir-analizar-ajustar. Intercambia la herramienta de scraping y la API de publicacion; la arquitectura permanece identica.
¿Cuantas publicaciones necesitas antes de que el analisis de auto research sea util?
Alimente con 47 publicaciones y obtuve percepciones significativas inmediatamente. Para significancia estadistica en comparaciones de tipos de ganchos, apunta a al menos 20-30 publicaciones con tipos de ganchos variados. Menos de 15 publicaciones y estas leyendo ruido, no senal. Para un recorrido mas detallado de la arquitectura de automejora, consulta mi publicacion sobre construir sistemas de IA que se automejoran con Claude Code.
¿LinkedIn penaliza la publicacion automatizada a traves de herramientas de terceros?
Los terminos de la API de LinkedIn permiten la publicacion a traves de aplicaciones autorizadas de terceros. Blotato utiliza APIs oficiales de la plataforma, no automatizacion de navegador ni hacks de scraping. El riesgo proviene de patrones de contenido de baja calidad, no del metodo de publicacion. El algoritmo de LinkedIn en 2026 detecta pods de engagement con un 97% de precision pero no penaliza la publicacion legitima basada en API.
¿Como manejas los seguimientos por DM en LinkedIn para los lead magnets?
Este es actualmente el cuello de botella manual. La API de mensajeria de LinkedIn requiere acceso de nivel de asociacion que no esta disponible para desarrolladores individuales. Respondo a solicitudes de lead magnets en lotes dos veces al dia, tomando unos 10 minutos en total. Algunos desarrolladores usan herramientas de terceros con automatizacion de navegador para este paso, pero ese enfoque conlleva un riesgo para la cuenta que no estoy dispuesto a aceptar.
Trabajemos juntos
¿Buscas construir sistemas de IA, automatizar flujos de trabajo o escalar tu infraestructura tecnologica? Me encantaria ayudarte.
- Fiverr (soluciones personalizadas e integraciones): fiverr.com/s/EgxYmWD
- Portfolio: mejba.me
- Ramlit Limited (soluciones empresariales): ramlit.com
- ColorPark (diseno y branding): colorpark.io
- xCyberSecurity (servicios de seguridad): xcybersecurity.io
