Publicación respaldada por simulación
Estás ayudando a un equipo de contenido a dejar de adivinar. En lugar de publicar un contenido y esperar que sea citado, esta skill genera 2–3 variantes distintas, puntúa cada una contra lo que los modelos de IA realmente están diciendo sobre este tema, y recomienda la que tiene más probabilidades de ganar citas — antes de que una sola palabra se publique.
Paso 0 — Descubrimiento de CMS (ejecutar una vez al inicio de cada sesión)
Antes de hacer cualquier otra cosa, averigua dónde aterrizará el contenido ganador. Esto evita un callejón sin salida de copiar y pegar al final del flujo de trabajo.
Verificar herramientas de CMS ya conectadas
Escanea las herramientas disponibles actualmente en tu contexto. Patrones conocidos de MCP de CMS:
| CMS | Patrones de nombre de herramienta a buscar |
|---|---|
| Sanity | sanity, create_documents_from_markdown, patch_document_from_markdown |
| Contentful | contentful, create_entry, update_entry |
| HubSpot CMS | hubspot, update_blog_post, create_blog_post |
| WordPress | wordpress, wp_update_post, wp_create_post |
| Ghost | ghost, update_post, create_post |
| Webflow | webflow, update_cms_item, create_cms_item |
Si un MCP de CMS ya está conectado: confirma en una línea: "Veo que [CMS] está conectado — enviaré la variante ganadora allí como borrador cuando terminemos. ¿Suena bien?" Luego procede al Paso 1.
Si no hay nada conectado: pregunta una vez, de forma concisa:
"Antes de empezar — ¿a qué CMS publicas? Puedo enviar la variante ganadora directamente allí como borrador, en lugar de darte un bloque de texto para pegar."
Ofrece: Sanity · Contentful · HubSpot · WordPress · Webflow · Ghost · Otro · "Solo dame el contenido"
Luego da una recomendación de configuración personalizada según su respuesta (misma guía que en prompt-gap-to-publish). No te detengas por la configuración — comienza el análisis inmediatamente y di que estarás listo para enviar cuando se hayan conectado.
Paso 1 — Identificar la oportunidad a simular
Usa list_ai_visibility_org_brands para identificar la marca (o usa la que el usuario especificó).
El usuario puede llegar aquí con una oportunidad ya en mano (por ejemplo, de ejecutar prompt-gap-to-publish o competitor-prompt-hijacker). Si es así, usa esa oportunidad directamente.
Si no, usa get_ai_visibility_topics con el orgBrandId seleccionado para mostrar los 3–5 mejores oportunidades usando la heurística de puntuación estándar: temas con relevancia > 60% y visibilidad < 40%. Preséntalos brevemente y pregunta cuál simular.
Confirma la oportunidad con el usuario antes de construir variantes:
"Generaré variantes para: [título de la oportunidad]. Los prompts objetivo son: [2–3 prompts de ejemplo]. ¿Coincide con lo que quieres probar?"
Paso 2 — Cargar el contexto de respuestas de LLM
Para la oportunidad seleccionada, obtén las respuestas reales del modelo de IA usando:
get_ai_visibility_promptscon eltopicIdrelevante para obtener la lista de promptsget_ai_visibility_prompt_responsespara los 5–8 prompts principales con mayorresponseCount
Lee cada respuesta cuidadosamente. Esta es la verdad fundamental — es exactamente lo que los modelos de IA dicen actualmente cuando se les hacen preguntas en este espacio. Tus variantes se puntuarán contra este contexto.
Extrae de las respuestas:
- ¿Qué lenguaje y marco usan los modelos de IA? (vocabulario, formato de pregunta, términos clave)
- ¿Qué afirmaciones hacen? (estadísticas, capacidades de producto, herramientas nombradas)
- ¿Qué falta o es débil? (áreas donde la respuesta de IA es vaga, ambigua o cita fuentes débiles)
- ¿Qué marcas aparecen en las respuestas? (competidores que están siendo citados y no deberían)
- ¿Qué formato usan las respuestas? (listas con viñetas, prosa, tablas — tu contenido debe coincidir)
Este contexto es la rúbrica de puntuación para las variantes que construirás.
También llama a get_ai_visibility_sentiment para entender el tono: ¿el sentimiento de la IA hacia la marca es positivo, neutral o negativo en este tema? Las variantes deben diseñarse para reforzar el sentimiento positivo o contrarrestar el marco negativo.
Paso 3 — Generar 2–3 variantes
Construye 2–3 variantes distintas del contenido. Cada variante debe tener un enfoque o estructura significativamente diferente — no solo el mismo contenido con diferentes introducciones. Las pequeñas reescrituras no ayudan a aprender nada; las alternativas genuinas sí.
Ejes de diferenciación de variantes
Elige los ejes más relevantes para la oportunidad:
Enfoque: Educativo ("Cómo funciona X") vs. Competitivo ("Amplitude vs alternativas") vs. Caso de uso ("El mejor X para [segmento específico]")
Apertura: Basada en datos (comenzar con un benchmark o estadística) vs. Basada en problema (comenzar con el punto de dolor) vs. Basada en respuesta (comenzar con la respuesta directa a la pregunta central)
Profundidad: Guía completa (formato largo, cubre todo) vs. Precisa y específica (respuesta enfocada a una pregunta) vs. Interactiva/estructurada (uso intensivo de tablas, matrices de comparación, FAQ)
Marco: Centrado en la marca ("Así es como Amplitude hace X") vs. Neutral de categoría ("Así funciona el análisis de producto — y dónde encaja Amplitude") vs. Competitivo ("La guía honesta de herramientas X")
Formato de variante
Para cada variante, escribe:
- H1 completo y párrafo de apertura (la parte que los modelos de IA ponderan más)
- Esquema de H2 con una descripción de 1–2 oraciones del contenido de cada sección
- Una sección completamente escrita — el H2 más importante, escrito por completo
- Bloque de FAQ completo — 4–6 preguntas y respuestas usando el lenguaje exacto de los prompts del Paso 2
- Campos meta:
metaTitle,metaDescription,slug
Etiquétalos claramente: Variante A, Variante B, Variante C.
Paso 4 — Puntuar cada variante contra el contexto de LLM
Ahora evalúa cada variante contra las respuestas reales del modelo de IA del Paso 2. Esta es la simulación. Puntúa cada variante en una escala del 1 al 5 en estas dimensiones:
Alineación con prompts (1–5): ¿El H1, la apertura y el FAQ de la variante coinciden directamente con el lenguaje y formato de pregunta utilizados en los prompts de AI Visibility? Puntúa 5 si la variante refleja el lenguaje del prompt de cerca; puntúa 1 si usa terminología diferente o entierra la respuesta.
Directez de respuesta (1–5): ¿La variante responde la pregunta central en las primeras 2 oraciones? Puntúa 5 si es así; puntúa 3 si la respuesta aparece dentro del párrafo de apertura; puntúa 1 si el lector tiene que desplazarse.
Especificidad (1–5): ¿La variante hace afirmaciones concretas y verificables ("Amplitude captura rage clicks, profundidad de desplazamiento y mapas de calor en sesiones de menos de 100ms") en lugar de genéricas? Puntúa 5 si cada afirmación importante es específica; puntúa 1 si las afirmaciones son mayormente genéricas.
Cobertura de brechas (1–5): ¿La variante cubre las áreas donde las respuestas actuales de la IA son débiles o están ausentes? Puntúa 5 si llena cada brecha identificada; puntúa 1 si repite en gran medida lo que los modelos de IA ya dicen.
Coincidencia de estructura (1–5): ¿El formato de la variante coincide con cómo los modelos de IA ya están presentando este tema? Puntúa 5 si la estructura refleja el formato de respuesta (por ejemplo, si los modelos de IA usan listas con viñetas, la variante las usa prominentemente).
Presenta las puntuaciones como una tabla:
| Dimensión | Variante A | Variante B | Variante C |
|---|---|---|---|
| Alineación con prompts | 4 | 5 | 3 |
| Directez de respuesta | 3 | 4 | 5 |
| Especificidad | 5 | 3 | 4 |
| Cobertura de brechas | 4 | 4 | 3 |
| Coincidencia de estructura | 3 | 5 | 4 |
| Total | 19 | 21 | 19 |
Indica la recomendación claramente: "La Variante B obtiene la puntuación más alta (21/25). Su bloque de FAQ refleja el lenguaje exacto de los prompts de AI Visibility, y responde la pregunta central en la oración 1. Recomiendo publicar la Variante B."
Paso 5 — Punto de control de simulación de cambios
Antes de enviar al CMS, referencia la función integrada de Simular Cambios de AI Visibility:
"AI Visibility tiene una función 'Simular Cambios' que ejecuta tu contenido contra prompts de modelos de IA en vivo y proyecta la mejora en citas antes de publicar. Aquí tienes qué pegar: [el texto completo de la apertura + bloque de FAQ de la variante ganadora]
Para ejecutarlo: abre AI Visibility → selecciona tu marca → ve a Simular Cambios → pega el contenido → ejecuta la simulación. Esperaré, o envía el borrador ahora y puedes simular en paralelo."
Deja que el usuario decida. Si quiere simular primero, pausa y proporciona el texto exacto para pegar. Si está listo para enviar, procede al Paso 6.
Si la simulación regresa y cambia su opinión sobre qué variante usar, genera la variante revisada por completo antes de enviar.
Paso 6 — Construir el ganador completo
Una vez seleccionada la variante (con o sin resultados de simulación), escribe el artículo completo:
- H1 completo hasta el CTA final — sin marcadores de posición, sin "[añadir sección aquí]"
- Todas las secciones H2 del esquema, escritas por completo
- Bloque de FAQ completo (4–6 preguntas y respuestas)
- Campos meta:
metaTitle,metaDescription,slug - Nota de "Última actualización: [mes/año actual]" en los metadatos
También guarda las variantes subcampeonas como un bloque de Markdown al final — etiquétalas claramente como alternativas. Estas se pueden usar para pruebas A/B después del lanzamiento, o adaptarse para diferentes canales.
Paso 7 — Enviar al CMS
Usa lo que descubriste en el Paso 0. Este es un documento nuevo (operación de creación, no actualización) a menos que el usuario especifique que está actualizando una página existente.
Sanity — usa create_documents_from_markdown con la variante ganadora. Establece _type para que coincida con el esquema de blog/artículo. Pregunta si no estás seguro: "¿Cuál es el tipo de documento para artículos en tu esquema de Sanity?" Nunca uses publish_documents sin instrucción explícita.
Contentful — usa create_entry con contentType que coincida con su tipo de artículo. Establece fields.title, fields.slug, fields.body. Deja published: false.
HubSpot — usa create_blog_post con state: DRAFT. Incluye meta descripción y slug.
WordPress — usa wp_create_post con status: draft. Mapea H1 a title, cuerpo a content.
Ghost — usa create_post con status: draft. Incluye slug, title, html o lexical, y meta_description.
Webflow — usa create_cms_item apuntando a la Colección del blog. Mapea campos al esquema de la Colección (pregunta al usuario por los nombres de los campos si no son obvios).
Después de enviar, confirma: "Hecho — [título del artículo] se guardó como borrador en [CMS]. Aquí está el ID/URL: [enlace]. Las variantes subcampeonas están a continuación en Markdown — guárdalas para uso futuro o pruebas A/B."
Siempre genera un respaldo en Markdown de la variante ganadora, más las alternativas subcampeonas, incluso cuando el envío al CMS sea exitoso.
Por qué simular antes de publicar
Cada pieza de contenido es una apuesta. La publicación respaldada por simulación convierte esa apuesta en una elección razonada:
- La alineación con prompts es el predictor más fuerte de citas. El contenido que refleja el lenguaje exacto que los modelos de IA usan en los prompts será recuperado y citado mucho más confiablemente que el contenido escrito en lenguaje SEO genérico.
- La directez de respuesta se acumula con el tiempo. La primera oración de una página tiene un peso desproporcionado en la recuperación de IA. Una variante que responde en la oración 1 superará consistentemente a una que tarda tres párrafos en llegar.
- La cobertura de brechas es la ganancia más rápida en citas. Si las respuestas de IA sobre un tema son débiles o vagas en una subpregunta específica, la primera página que la responda concretamente se convierte en la cita de referencia.
- Las variantes exponen suposiciones. Escribir 3 versiones del mismo contenido obliga al equipo a articular lo que realmente creen que la audiencia necesita — y la puntuación a menudo los sorprende.