M2 delegó el 40% de sus textos de marketing a una red neuronal y mantuvo la calidad del contenido

M2 ha demostrado un escenario práctico en el que la IA no reemplaza al equipo editorial, sino que asume una porción significativa del contenido rutinario. Dentro de la empresa, las redes neuronales ya han sido confiadas con aproximadamente el 40% de los textos de productos y marketing, pero el esquema final no se reduce a presionar un único botón: la calidad se mantiene a través de reglas estrictas, prompts precisos e implicación obligatoria de humanos en tareas complejas y creativas. La razón para lanzar la redacción por IA fue el crecimiento en el volumen de contenido.

El equipo editorial necesitaba cubrir más tareas para marketing, ventas y soporte sin expandir la plantilla ni externalizar todo. Al principio, M2 consideró opciones estándar: contratar un nuevo redactor, externalizar parte del trabajo o construir una herramienta interna de IA. Eligieron el tercer camino como el más rápido y económico, pero inmediatamente impusieron una limitación: la red neuronal debe escribir en el tono de la marca y cumplir con la política editorial interna no peor que un autor junior.

El problema clave resultó no ser la elección del modelo, sino cómo explicarle a la IA los estándares de la empresa. M2 no entrenó un modelo separado en su propio corpus de textos, sino que fue a través de un sistema de prompts. En la primera etapa, el equipo recopiló las principales reglas de Tone of Voice, restricciones sintácticas, palabras de parada y requisitos de nomenclatura de productos en un gran prompt del sistema.

Este enfoque zero-shot no funcionó: el modelo perdía el enfoque, escribía de forma muy plana y a veces mezclaba estilos. Después de esto, el equipo editorial pasó a un escenario few-shot, donde junto con las instrucciones en el prompt se agregaban ejemplos buenos y malos de textos reales. Esto dio resultados predecibles e hizo posible crear plantillas separadas para noticias, redes sociales y otros formatos.

Técnicamente, la redacción por IA se construye en la plataforma corporativa Videocat con componentes llama.cpp y Open WebUI, y Google Gemma 3 se utiliza como el modelo de trabajo en el caso descrito. Pero en esta historia, lo que importa más que el stack específico es el principio arquitectónico: la herramienta permanece flexible para que se puedan conectar y probar diferentes modelos para diferentes tareas.

Este enfoque elimina la dependencia de un único proveedor y permite encontrar el equilibrio correcto entre calidad, velocidad y costo de generación. Como resultado, la red neuronal en M2 no solo escribe borradores y adapta textos para canales, sino que también ayuda a generar ideas, transcribir información de imágenes y explicar su propia lógica. Lo último es especialmente importante para empleados fuera del equipo editorial: cuando el modelo argumenta la elección de palabras y estructura, funciona simultáneamente como asistente y como herramienta de capacitación.

Al mismo tiempo, la empresa deliberadamente no intenta convertir la IA en un reemplazo completo de un editor. M2 divide claramente las áreas de responsabilidad. Las tareas rutinarias, basadas en plantillas y masivas pueden darse a la máquina casi en su totalidad, pero los textos profundos, conceptos creativos, eslóganes y materiales donde se requiere precisión emocional siguen siendo responsabilidad de las personas.

Este equilibrio ayuda a aliviar la ansiedad de la página en blanco, acelera la preparación de borradores y alivia al equipo editorial sin perder la humanidad del texto. Una sección separada es la seguridad: la herramienta de IA funciona dentro de un circuito interno, y los empleados reciben capacitación sobre qué datos se pueden cargar en el sistema y cuáles no. Este es un detalle importante para cualquier empresa que quiera usar modelos generativos no en una caja de arena, sino en procesos reales.

La conclusión del caso M2 es bastante práctica y, por lo tanto, útil: las redes neuronales ya pueden tomar una porción significativa de la rutina de contenido, pero no pueden por sí solas crear una redacción fuerte. Primero, las empresas necesitan sus propios estándares, una clara Tone of Voice y editores en vivo que distingan entre un texto bueno y un texto formalmente correcto. Solo después de eso la IA se convierte no en una amenaza para los empleos, sino en un multiplicador de fuerza para el equipo.

Para el mercado, esta es otra señal: la demanda se desplazará no de autores a máquinas, sino de ejecutores ordinarios a especialistas que puedan diseñar procesos, configurar prompts y llevar borradores de máquinas al nivel de marca.