¿Qué sucedería si, en lugar de preguntarle a una inteligencia artificial qué contenido deberíamos crear, pudiéramos utilizarla para escuchar qué problemas está teniendo realmente nuestra audiencia e identificar prompts que nos ayuden a posicionar nuestra marca en una estrategia GEO?
Durante las últimas semanas he estado trabajando en un experimento para [marketinggenerativo.es] que quiero compartir: construir un sistema de Social Listening con IA capaz de monitorizar conversaciones a gran escala, identificar automáticamente aquellas que contienen una señal interesante y analizar si detrás existe una oportunidad de contenido o incluso de posicionamiento GEO.
La idea no era crear otra herramienta que recopilase menciones o hiciese análisis de sentimiento. Tampoco quería enviar cientos de comentarios a ChatGPT y pedirle un resumen. Quería comprobar si podía construir un sistema capaz de:
- Separar el ruido de las señales.
- Entender el problema.
- Decidir si encaja con mis territorios editoriales.
- Comprobar si esa necesidad podría convertirse en una consulta generativa en la que tendría sentido que [marketinggenerativo.es] tuviera visibilidad.
Para ello, he trabajado con Make, ChatGPT, YouTube y Google Sheets. Sobre todo, porque una de las cosas que más me interesaban del experimento era comprobar hasta dónde podía llegar utilizando herramientas relativamente accesibles. De hecho, todo el escenario está construido, por ahora, sobre la versión gratuita de Make.
Cómo he construido un sistema de Social Listening con IA
Una de las primeras decisiones fue no intentar resolver todo con una única llamada a ChatGPT. Técnicamente podía hacerlo: enviar el comentario y pedir en un gran prompt que determinase su relevancia, identificase el problema, extrajese un insight, valorase el potencial editorial, generase una consulta GEO y analizase las marcas presentes en la respuesta. Después de varias pruebas preferí separar esas decisiones, porque no todas necesitan el mismo contexto ni tiene sentido ejecutar el análisis más costoso sobre cada comentario que entra en el sistema.
En esta primera versión del sistema de Social Listening con IA, el escenario comienza en YouTube, que es la fuente que he elegido para probar el sistema. A través de Make monitorizo los nuevos comentarios publicados en una serie de canales relacionados principalmente con marketing e inteligencia artificial. Evidentemente, no todo lo que se comenta tiene interés: hay respuestas demasiado breves, comentarios circunstanciales o conversaciones que simplemente no aportan ninguna señal útil. Por eso, antes de realizar un análisis más profundo, el sistema hace una primera criba y envía a ChatGPT únicamente aquellos comentarios que cumplen unos criterios mínimos.
A partir de ahí entra en funcionamiento Oportunidades, el primer módulo de análisis que he creado con ChatGPT. En esta fase no busco todavía ideas de contenido ni oportunidades GEO; sería demasiado pronto. Lo que quiero saber es si detrás del comentario existe alguna señal que merezca la pena analizar: un problema, una pregunta, una necesidad, una objeción, una experiencia o una tendencia. Si la detecta, ChatGPT identifica también el tema y le asigna una intensidad. He limitado esta primera llamada a un máximo de 1.000 tokens porque su función es precisamente esa: hacer una primera clasificación antes de dedicar más recursos a entender la conversación.
Solo las señales que superan esta fase pasan a Cerebro, que es el módulo donde intento comprender qué hay realmente detrás de lo que ha escrito el usuario. Aquí ChatGPT identifica el problema de fondo, extrae un insight, normaliza una keyword y clasifica tanto el área temática como la intención. También valora el potencial editorial de la conversación y, algo especialmente importante para este experimento, determina si existe una relación suficientemente natural con alguno de los territorios en los que quiero posicionar [marketinggenerativo.es] como para seguir explorando una posible oportunidad GEO. Para este segundo análisis he establecido un máximo de 2.000 tokens.
Esta distinción me parece importante porque, durante las primeras pruebas, comprobé que es relativamente fácil convertir casi cualquier conversación sobre inteligencia artificial en una supuesta oportunidad de contenido si damos demasiada libertad al modelo. Un comentario sobre regulación, empleo o política tecnológica puede ser interesante y merece quedar registrado, pero no por ello tengo que encontrar una manera de llevarlo artificialmente a marketing, SEO, automatización o GEO. Por eso introduje una condición bastante clara en las instrucciones de Cerebro: la relación con los territorios de Marketing Generativo tiene que estar ya presente en la necesidad original; si hay que inventarla, la señal no continúa por la rama GEO.
Cuando sí existe esa relación comienza una segunda parte del proceso. Una nueva llamada a ChatGPT recibe el problema y el insight que hemos identificado y los convierte en una pregunta que una persona podría formular de manera natural a una inteligencia artificial. Aquí tampoco quiero construir el prompt perfecto para conseguir que aparezca marketinggenerativo.es, porque estaría condicionando el resultado desde el principio. Lo que intento es reproducir la necesidad original en forma de consulta generativa, manteniendo su intención y evitando añadir conceptos que el usuario nunca había planteado. Esta fase tiene configurado un máximo de 2.000 tokens.
El siguiente paso es, precisamente, hacer esa pregunta a ChatGPT. La consulta se ejecuta tal como ha sido generada y sin ninguna referencia a marketinggenerativo.es ni a la marca que posteriormente voy a buscar. Para esta llamada he dejado un margen mayor, de hasta 3.000 tokens, porque me interesa obtener una respuesta suficientemente desarrollada y, sobre todo, no contaminar el experimento: si previamente le dijera al modelo qué marca estoy analizando, cualquier conclusión posterior sobre su visibilidad tendría mucho menos valor.
La última llamada, con un máximo de 2.000 tokens, ya no intenta resolver la necesidad del usuario, sino analizar la respuesta que acaba de generar ChatGPT. El sistema extrae las marcas, herramientas, productos o plataformas que han aparecido, comprueba si marketinggenerativo.es ha sido citado y registra su posición cuando corresponde. Si mi marca no aparece pero otras entidades sí están siendo utilizadas por ChatGPT para responder a una necesidad que encaja con mis territorios de contenido, esa consulta queda registrada como una posible oportunidad GEO para analizar posteriormente.
De esta forma, el proceso no consiste en pedir a ChatGPT que “encuentre oportunidades GEO” entre cientos de comentarios, sino en ir reduciendo progresivamente el universo de información: primero compruebo si existe una señal, después intento entenderla, decido si tiene sentido para Marketing Generativo y solo entonces la convierto en una consulta real para comprobar qué respuesta ofrece ChatGPT y qué entidades están consiguiendo visibilidad en ella.
Para conectar estas decisiones entre sí utilizo JSON como formato de respuesta, de manera que ChatGPT no devuelve únicamente texto, sino campos estructurados que Make puede interpretar y utilizar para decidir cómo continúa cada conversación.
{
"es_senal": true,
"tipo_senal": "problema",
"tema": "dificultad para conseguir resultados fiables con agentes de IA",
"intensidad": 4
}Esta forma de trabajar tiene una ventaja importante cuando empiezas a encadenar procesos. Make puede leer es_senal y decidir si el comentario continúa; utilizar tipo_senal para clasificarlo; recuperar tema para incorporarlo al siguiente análisis o almacenar todos esos campos directamente en Google Sheets. ChatGPT deja de devolverme únicamente texto y empieza a generar información estructurada que puedo utilizar dentro de la automatización. Además, he preferido que esta primera respuesta sea deliberadamente sencilla. No tiene sentido pedirle a ChatGPT un análisis profundo de cada comentario si todavía no sé si contiene algo relevante. Las llamadas posteriores van incorporando más variables y contexto únicamente cuando la señal ha superado los filtros anteriores. Esto me permite tener más control sobre lo que hace cada parte del sistema y evitar que todos los comentarios recorran innecesariamente el proceso completo.
De un comentario real a un prompt GEO
Lo interesante es ver qué ocurre cuando el sistema procesa conversaciones reales.
En una de las primeras pruebas apareció un comentario de un usuario que explicaba que llevaba años trabajando con LLM y agentes, pero que apenas conseguía reproducir una pequeña parte de los resultados espectaculares que veía en determinados contenidos. Su conclusión era bastante clara: o existía algún proceso que desconocía o aquellas demostraciones no reflejaban la realidad.
La primera capa detectó una objeción relacionada con la fiabilidad de los agentes. Cerebro interpretó que detrás existía un problema más concreto: expectativas poco realistas y ausencia de procesos reproducibles para conseguir resultados similares. Además, determinó que la señal tenía potencial editorial alto y que sí podía existir una oportunidad GEO. A partir de ahí, el sistema continúa trabajando sin que yo tenga que intervenir manualmente.
Este es un ejemplo simplificado del tipo de instrucciones que utilizo en una de las capas:
Analiza exclusivamente la necesidad expresada en la señal original. Determina si podría convertirse de forma natural en una consulta realizada a una IA. No añadas marketing, GEO, SEO, automatización o creación de contenidos si esos conceptos no forman parte de la necesidad original. Si necesitas añadir contexto para justificar la oportunidad, no existe potencial GEO.No voy a publicar los prompts completos (hay bastante trabajo detrás de cómo se relacionan las distintas capas), pero precisamente esta parte me parece importante: el valor no está solo en utilizar ChatGPT, sino en diseñar qué decisión debe tomar cada llamada, qué información necesita para hacerlo y en qué momento del proceso debe intervenir.
Cómo estructuro los datos de la escucha
Todo el análisis termina estructurado automáticamente en Google Sheets.
He creado dos niveles de información. El primero funciona como repositorio general de señales. Para cada conversación almaceno la fecha, fuente, canal, comentario original, tipo de señal, tema, intensidad, problema detectado, insight, keyword, área, intención, potencial editorial, posible ángulo de contenido, formato recomendado y potencial GEO.
| Comentario | Tipo_señal | Tema | Problema | Insight | Potencial_GEO |
| The road to AI safety by Anthropic is not only unachievable but also dangerous. What they claim to achieve can be achieved by Energetic Paradigm. | objecion | Crítica al enfoque de seguridad de Anthropic y propuesta alternativa | Desconfianza y crítica hacia el enfoque de seguridad de Anthropic y preferencia por una alternativa no demostrada. | Revela que hay usuarios escépticos con soluciones de seguridad de grandes actores y buscan o promueven marcos alternativos, mostrando debate técnico y demanda de explicaciones comparativas. | FALSE |
| There’s an important lesson here. AI is incredibly powerful on designed tasked that require analyzing vast amounts of data. But the agents are useless without human direction and then oversight. So it’s dangerous to presume we are accelerating towards AGI by only looking at superhuman powers on specific tasks (…) | problema | Agentes IA requieren dirección humana y cómputo es barrera para AGI | Agentes IA actúan mal sin dirección humana y requieren mucho cómputo, limitando su fiabilidad y uso autónomo. | Usuarios temen depender de agentes autónomos: valoran supervisión humana y les preocupan costos de cómputo y la falta de contexto global. | TRUE |
Recorte de Google Sheets mostrando varias señales y las columnas Tema, Insight y Potencial GEO
La segunda tabla contiene únicamente las oportunidades que han superado el filtro GEO. Aquí guardo la necesidad original, el prompt generado, su intención, las entidades citadas por la IA, si mi marca aparece, su posición y si existe una oportunidad.
| Keyword | Problema | Prompt_GEO | Intencion_GEO | Oportunidad_GEO |
| integración IA | Incógnita sobre cómo se integrarán las funciones de IA en Workspace y su impacto en flujos de trabajo. | ¿Cómo cambiará la integración de funciones de IA en Workspace los flujos de trabajo, herramientas y oportunidades de marketing? | informacion | TRUE |
| supervisión IA | Agentes IA actúan mal sin dirección humana y requieren mucho cómputo, limitando su fiabilidad y uso autónomo. | ¿Cómo diseñar un sistema de supervisión humana, gestión de contexto global y control de costos computacionales para agentes IA autónomos? | solucion | TRUE |
Resumen de la tabla de Oportunidades GEO mostrando Prompt_GEO, Intención GEO y Oportunidad_GEO
Esto me permite mantener algo que considero fundamental: trazabilidad. Puedo llegar hasta una oportunidad GEO y volver hacia atrás hasta encontrar el comentario que la originó. No estoy trabajando con una pregunta inventada por una IA; puedo comprobar qué conversación real provocó que esa oportunidad entrara en el sistema.
Del Social Listening con IA a las oportunidades GEO
En esta primera prueba he trabajado con 20 señales que habían superado el filtro inicial. Seis de ellas terminaron clasificándose como oportunidades GEO, aproximadamente un 30%. Es una muestra pequeña y no pretendo extraer de ella ninguna conclusión estadística. El objetivo era comprobar si la arquitectura era capaz de recibir una conversación real, interpretarla, descartar aquello que no tenía suficiente relación con [marketinggenerativo.es] y convertir únicamente algunas señales en oportunidades GEO trazables hasta su origen.
Entre las necesidades detectadas aparecieron cuestiones relacionadas con cómo reducir la producción de contenido IA de baja calidad y el trabajo de corrección, cómo mejorar la visibilidad orgánica de contenidos que no están siendo descubiertos o cómo automatizar ejecuciones recurrentes de determinadas tareas. Al transformar algunas de esas necesidades en consultas generativas y analizar las respuestas de ChatGPT, empezaron a aparecer entidades como LanguageTool, Grammarly, Google Trends, VidIQ, TubeBuddy, Ahrefs, Semrush, Zapier o n8n.
En ese momento dejo de tener únicamente un comentario de YouTube. Tengo el comentario original, el problema que expresa, su intención, el territorio al que pertenece, una posible oportunidad editorial, una pregunta generativa asociada y las entidades que actualmente está relacionando una IA con la solución de ese problema. Y todo ello se genera automáticamente.
Y es precisamente aquí donde creo que el Social Listening con IA empieza a tener más sentido. Procesar veinte conversaciones no necesita una automatización; podría leerlas personalmente. El valor aparece cuando dejamos de hablar de 20 y empezamos a pensar en cientos o miles de conversaciones. Un canal de YouTube puede generar cientos de comentarios. Si añadimos varios canales, Reddit, foros, comunidades especializadas u otras fuentes públicas, el volumen de información que potencialmente podemos escuchar crece rápidamente. El problema deja de ser acceder a la conversación y pasa a ser nuestra capacidad humana para leerla, interpretarla y estructurarla.
El problema deja de ser acceder a la conversación y pasa a ser nuestra capacidad humana para leerla, interpretarla y estructurarla. Es precisamente ahí donde la IA permite cambiar la escala: no necesito leer 5.000 comentarios para localizar manualmente las 150 conversaciones que pueden contener una necesidad relevante, sino que puedo utilizar una primera capa de clasificación para reducir ese universo y reservar los análisis más profundos para las señales que realmente lo justifican.
Estoy utilizando GPT-5 mini, cuyo coste actual es de 0,25 dólares por millón de tokens de entrada y 2 dólares por millón de tokens de salida. Los cinco módulos tienen configurados máximos de 1.000, 2.000, 2.000, 3.000 y 2.000 tokens respectivamente. Eso suma un máximo teórico de 10.000 tokens de salida para una señal que atravesase absolutamente todo el sistema. Incluso en el escenario irreal de que los cinco módulos agotaran siempre ese máximo, estaríamos hablando de aproximadamente 0,02 dólares en tokens de salida por oportunidad completa, a lo que habría que añadir el coste de los tokens de entrada.
De un radar de contenido a un radar de demanda
Lo que más me interesa después de estas primeras pruebas no es realmente haber automatizado el análisis de comentarios de YouTube. Eso es solo la infraestructura. Lo interesante es comprobar que el Social Listening con IA puede convertirse en el punto de conexión entre tres procesos que normalmente trabajamos por separado: la escucha de conversaciones, la estrategia de contenidos y el posicionamiento GEO. Y creo que el verdadero potencial aparecerá cuando aumente el histórico. Una necesidad expresada una vez puede ser anecdótica; si el mismo problema empieza a repetirse en distintos canales, momentos y conversaciones, ya tenemos una señal diferente. Con suficiente volumen podremos analizar recurrencia, evolución temporal, áreas que concentran más problemas o nuevas necesidades que empiezan a aparecer antes de que necesariamente las detectemos en una herramienta de keywords.
Ese es el siguiente experimento que quiero hacer con [marketinggenerativo.es] : llevar este sistema de Social Listening con IA a una capa de escucha suficientemente amplia como para detectar qué problemas empiezan a repetirse y, a partir de ahí, decidir cuáles merece la pena convertir en contenido y cuáles pueden abrir una oportunidad real de visibilidad en motores generativos. Porque después de construir y probar este primer sistema, mi conclusión provisional es bastante menos sofisticada que toda la arquitectura que hay detrás: quizá estemos utilizando demasiado la IA para hablar y todavía demasiado poco para escuchar.
