Caso de estudio · Software con IA
Una herramienta en Python que estima qué tan viable es monetizar un nicho antes de invertir en él. Funciona como app de escritorio, por terminal y conectada a Claude, que la usa directamente cuando se le pide algo en lenguaje natural.
01 · El problema
El negocio consistía en detectar canales de YouTube que funcionan en un idioma y llevar la misma idea a otro (de inglés a español o al revés), con canales automatizados en los que nadie da la cara. El peligro era dedicar meses a un formato que ya no rendía, o que en el otro idioma ya tenía dueño.
El desafíoYouTube permite usar 10.000 unidades diarias de su API, y cada búsqueda consume 100. Para IA había apenas unos pocos dólares. No se podía desperdiciar ninguna consulta.
02 · Contexto
03 · Qué hicimos
Qué conviene medir, qué ideas tomar de los servicios pagos y cuándo algo es de verdad una oportunidad.
Una base común para todas las pantallas, memoria de consultas, control del gasto, servidor MCP y tareas que corren solas.
246 pruebas automáticas, una puntuación ajustada con 150 canales reales y cada función probada en uso real.
04 · Decisiones
Arquitectura
El programa de escritorio, la terminal y el servidor MCP comparten la misma base. Cuando se corrige algo, queda corregido en los tres, y las pruebas se escriben una sola vez.
Descartamos: Hacer un servidor MCP por separado: repetía código y un error arreglado en un lado seguía roto en el otro.
Costos
Todas las consultas a YouTube pasan por un mismo lugar, que guarda las respuestas en SQLite y anota cuánto se gasta. Leer la lista de videos subidos (1 unidad) en vez de buscar (100) hizo que analizar un canal pase de ~201 a ~3 unidades.
Datos
La primera versión ponía a casi todos en el mismo lugar: de 544 evaluaciones, el 89 % salía en rojo y apenas 1 en verde. La rehicimos mirando los últimos 30 videos largos, el mercado en el que se publicaría y cuánta confianza dan los datos, y la ajustamos con 150 canales reales.
IA
Las conclusiones («hueco real», «mercado ocupado») salen de reglas aplicadas a los datos, no del criterio de un modelo: siempre dan lo mismo y se pueden explicar. Claude Haiku se encarga de traducir, resumir y sugerir ideas en un formato ordenado.
IA
Junto a cada resultado aparecen los tokens usados y el gasto real. Por ejemplo, 3 ideas de video salen alrededor de US$ 0,002 y el informe semanal, US$ 0,0071.
Automatización
Todos los días, una tarea revisa canales y nichos, encuentra temas nuevos en tres idiomas y avisa lo importante. Nunca gasta más de 1.000 unidades por vez y siempre reserva al menos 3.000 para el resto del día.
05 · En pantalla
Basta con pedirle a Claude: «Buscame 5 canales de historia antigua con buen potencial y poca competencia, analizá el mejor y proponeme 3 ideas de video». Con una sola llamada revisa 50 canales, los ordena, estudia el mejor y sugiere las ideas.
06 · Proceso
Las cinco partes iniciales: búsqueda, puntuación de monetización, análisis con IA, competencia e interfaz web.
Un repaso completo, más solidez y funciones tomadas como idea de NexLev.
La base compartida, el uso por terminal, el servidor MCP y la memoria que ahorra cuota.
Mira cómo rinde el canal hoy y en qué mercado se publicaría, ajustada con 150 canales reales.
Si algo funciona en inglés, ¿hay lugar en español o en portugués? Y así en las 6 combinaciones.
Revisión diaria, búsqueda de nichos nuevos, análisis de comentarios y un informe semanal escrito por IA.
Modo oscuro, animaciones, gráficos propios y una pantalla de inicio con buscador.
Ideas confirmadas sin gastar cuota y un calendario de 30 días armado a partir de la competencia real.
07 · Problemas resueltos
Problema
De 50 resultados, 41 eran Shorts, y para analizar un nicho quedaban apenas 8 videos.
Solución
Ahora la búsqueda pide videos de entre 4 y 20 minutos, sin gastar más. Quedan entre 37 y 41 videos para analizar.
Problema
Contar canales exageraba la competencia: «Ingeniería antigua» tenía 39, pero la mitad no superaba las 876 vistas.
Solución
Solo se cuentan los que compiten de verdad: canales con al menos un video de 10.000 vistas o más.
Problema
Un canal con 477 vistas por video aparecía entre los 10 mejores, inflado por porcentajes que confundían.
Solución
Ahora esos indicadores pesan en función de la confianza: cuentan del todo recién a partir de ~10.000 vistas por video.
Problema
Google Trends rechazó 14 de 18 consultas por exceso de uso.
Solución
Cuando pasa eso, se frena unas horas y, mientras tanto, mide la demanda con las sugerencias de búsqueda de YouTube.
Problema
La base de datos ocupaba 28 MB, y casi todo eran respuestas guardadas.
Solución
Al comprimirlas bajó a 5,8 MB, y lo que ya estaba guardado sin comprimir se sigue pudiendo leer.
08 · Resultados
09 · Tecnología
Hablemos
Las resolvemos con IA: investigar, ordenar, resumir o redactar, sabiendo siempre cuánto cuesta. Te respondemos dentro de las próximas 24 horas.