Technokafe monta un videoensayo con código: 73 segundos por $10 en tokens de Claude Code

El autor del canal de Telegram «Technokafe» hacía hasta ahora reels de un minuto. Ahora prueba con el videoensayo en formato 16:9, en el que un tema se desarrolla por capítulos. El primer capítulo dura 73 segundos y trata sobre la empresa de una sola persona. En el proceso no interviene ningún programa de edición: el guion, los planos, la voz y las escenas se describen en texto, y Claude Code, con Opus 5.5, convierte esa descripción en un vídeo. Según el autor, el trabajo del agente costó aproximadamente $10 calculados a precio de API, es decir, en torno al 1 % del límite semanal de la suscripción Max.

La cifra sobre la que se sostiene el capítulo

El capítulo se apoya en los datos del Solo Founders Report, que Carta publicó en diciembre de 2025. En EE. UU., la proporción de nuevas startups con un solo fundador pasó del 23,7 % en 2019 al 36,3 % en el primer semestre de 2025. Son 12,6 puntos porcentuales más, un crecimiento de aproximadamente una vez y media en seis años. Para un canal sobre vibe coding y agentes de AI, la tesis resulta cómoda: la cifra describe precisamente a la audiencia que construye productos en solitario con ayuda de agentes.

El propio autor aparece en pantalla. Explica cómo reparte el trabajo entre Claude Code, Codex, n8n y Make, muestra el informe de Carta con la cifra resaltada y desarrolla un ejemplo sobre un tablero de corcho. La lógica del formato es sencilla: el reel se sostiene sobre una sola idea, mientras que el ensayo deja espacio para un ejemplo, una cifra con su fuente y una conclusión.

De qué se compone el vídeo y cuánto costó

El autor detalló todo el stack con sus precios:

• Claude Code (Opus 5.5) — orquestador. Recibe la descripción en texto del guion, los planos, la voz y las escenas, y con ella ensambla el vídeo. Unos $10 por API, aproximadamente el 1 % del límite semanal de Max.
• ElevenLabs (voz) — clon de la voz del autor, $0,25.
• ElevenLabs (música) — la banda sonora se genera en la misma plataforma; el precio no se indica por separado.
• Veo 3.1 Lite a través de Vertex — anima la foto del autor y la convierte en presentador. $0,80 del crédito de Google.
• Volcengine a través de kie — sincronización labial, solo en los fragmentos con rostro. Unos $0,50.
• GPT Image a través de Codex — generación de planos. Funciona con la suscripción de ChatGPT; no hay un cargo aparte por las imágenes.
• HyperFrames — montaje con código en lugar de un editor clásico.
• SAM 2.1 — recorta al orador del plano en local, en la tarjeta gráfica del autor.
• n8n y Make — no forman parte del pipeline del vídeo: aparecen en el propio capítulo como parte del flujo de trabajo del autor, junto con Claude Code y Codex.

Si se suman las partidas de pago mencionadas ($10 + $0,25 + $0,80 + $0,50), salen unos $11,55 por 73 segundos de vídeo terminado, aproximadamente 16 centavos por segundo. Las suscripciones de ChatGPT y Max no entran en esa suma, y parte de los gastos queda cubierta por el crédito de Google.

Por qué importa la modularidad

La idea de ingeniería central es que cada capítulo vive por separado. El vídeo largo se hace por partes, y un capítulo puede rehacerse sin tocar los demás. Es la misma lógica que en el desarrollo de software: módulos pequeños e independientes, fáciles de recomponer. El agente trabaja con descripciones en texto, así que corregir algo equivale a cambiar el texto, no a remontar una línea de tiempo.

La escala, además, crece de forma lineal. Un ensayo de diez minutos son unos ocho capítulos de 73 segundos. Con el mismo coste por capítulo, salen del orden de $90–95 por vídeo, sin contar las suscripciones. Es una estimación aproximada a partir de las cifras del autor: el gasto real depende del número de fragmentos con rostro y de las veces que haya que rehacer algo.

Qué se puede aprovechar

Para repetir el enfoque no hace falta el stack completo. El conjunto mínimo es un agente de ensamblaje (Claude Code), un generador de imágenes (GPT Image a través de Codex) y un montaje orientado a código (HyperFrames). La voz, el presentador y la sincronización labial se añaden según se necesiten. Las operaciones más caras son el trabajo del propio agente y la generación de vídeo con rostro, así que conviene ahorrar en ellas: dividir el guion en capítulos independientes y aplicar el lipsync solo a los fragmentos en los que la persona se ve en primer plano. Si las ideas se prueban en capítulos cortos, el coste de un error se mantiene en unos pocos dólares.

El autor pregunta a la audiencia si sus suscriptores verían ensayos así de 10 o 15 minutos, y pide que le propongan un tema para el primer episodio.