Cómo revisar contenido generado por IA antes de publicar
En octubre de 2026, la página de Google sobre contenido hecho con IA generativa empezó a decir sin rodeos que hay que verificar a mano los datos y revisar todo el contenido generado por IA antes de publicarlo. La orientación también vale para el title, la description, los datos estructurados y el texto alternativo de las imágenes, que aparecen en los resultados de búsqueda.
La dificultad está en el volumen. Con IA, un equipo pequeño produce en una tarde lo que antes tomaba una semana, y la revisión se vuelve el cuello de botella. De ahí salen dos atajos malos: pedirle a la misma IA que revise lo que hizo, o revisar por gusto, con un “no me convence” que nadie logra convertir en una corrección.
Este es el cuarto texto de nuestra serie sobre agentes de IA aplicados a marca. Trata de cómo armar una revisión que detecte errores de hecho, de marca y de texto, y de cómo lo hacemos en Headcore.
Por qué la IA no debe revisar sola su propio trabajo
Usar un modelo para evaluar textos tiene nombre en la investigación: LLM como juez. El estudio que popularizó la técnica, de Zheng y colegas, publicado en 2023, mostró que un modelo fuerte coincide con evaluadores humanos en más del 80% de las comparaciones. El mismo estudio describió los sesgos de ese juez.
El primero es el de posición. Cambiar el orden de dos respuestas modificaba el veredicto con frecuencia, y solo el mejor modelo probado se mantuvo consistente en más del 60% de los casos. El segundo es el de verbosidad: algunos modelos prefirieron la respuesta más larga aunque solo repitiera el contenido de la otra.
El tercero es la preferencia por lo que suena familiar. Wataoka y colegas mostraron en 2024 que los modelos dan notas más altas a los textos que les resultan más previsibles, lo que suele favorecer su propio estilo. Un modelo que revisa lo que él mismo escribió, en la misma conversación, junta los tres problemas: ya sabe lo que quiso decir y lee lo que esperaba leer.
Nada de esto impide usar IA en la revisión. Lo que cambia es el diseño: quien revisa trabaja en otro contexto, sin ver cómo se hizo el texto, y con criterios definidos antes de leer la pieza. En Claude Code, para eso sirven los subagentes, que funcionan en una ventana de contexto separada de la conversación principal.
Las tres capas de la revisión
Una revisión que funciona separa tres preguntas, porque cada una pide un tipo de conocimiento distinto.
| Capa | Pregunta | Quién la resuelve mejor |
|---|---|---|
| Hecho | ¿Lo que está escrito es verdad, y de dónde salió? | Quien conoce el tema, con la fuente primaria abierta |
| Marca | ¿La marca diría esto, de esta manera? | Quien conoce las reglas de la marca, con el brain o el brand book a mano |
| Texto | ¿El texto se lee bien y suena a persona? | Un editor, humano o agente, con reglas escritas |
En la capa de hecho, la regla es abrir la fuente original, porque su resumen suele perder el detalle que cambia el sentido. Al verificar un texto reciente, encontramos un crecimiento del 5,7% atribuido a un centro comercial específico. En la fuente original, la cifra correspondía a las ventas de todos los centros comerciales del grupo. La frase parecía correcta, citaba la fuente correcta y estaba equivocada.
En la capa de marca, la pregunta es si el texto respeta el posicionamiento, la voz y lo que la marca nunca dice. Aquí hace falta un registro escrito de la marca, porque sin él cada revisor aplica su propia idea de marca.
En la capa de texto entran el ritmo, la claridad y los patrones que delatan la escritura de IA, como la frase de efecto al final de cada párrafo o la lista de tres adjetivos. Reunimos esos patrones en nuestro mapa de patrones de texto de IA.
El criterio va antes de la pieza
La revisión por gusto falla porque el criterio aparece después de leer la pieza. Quien revisa siente que algo no funciona y sale a buscar una justificación. Lo que hicimos fue reemplazar la pregunta: en lugar de “¿me gustó?”, la revisión pregunta “¿contra qué falla esto?”.
Todo rechazo debe señalar un criterio anterior a la pieza y que vale más allá de ella: un principio de comunicación con fuente, una regla escrita de la marca, una especificación de la plataforma. Si nadie logra señalar el criterio, el comentario es opinión y no reprueba la pieza. Puede volverse una sugerencia o, a veces, una pregunta para que la marca la responda.
Cómo funciona nuestra mesa de revisión
En Headcore, toda pieza pasa por la mesa-criativa, uno de los plugins que usamos en Claude Code. La mesa tiene diez lentes, cada una con una mirada distinta sobre la pieza. Cada lente lee sola, sin ver el dictamen de las demás, y su primera opinión queda congelada antes de discutir. Después, las lentes discuten los problemas que encontraron, y un registro muestra que nadie reescribió su opinión inicial.
La mesa no saca promedios. Una falla fatal reprueba la pieza, aunque las otras notas sean buenas. Con un promedio, una pieza con tres notas cómodas y un error grave pasaría raspando; en la mesa, vuelve a producción con el motivo por escrito.
Lo que cada lente puede exigir sigue una jerarquía de tres capas:
| Capa | Qué es | Peso |
|---|---|---|
| Canónica | Principio de comunicación con fuente nombrada | Define la nota |
| Marca | El Brand Brain de la marca, auditado y versionado | Define el mínimo aceptable |
| Empírica | Patrón observado en una plataforma, con fecha | Solo informa, no reprueba |
La regla más útil vale para la capa de marca: ningún rechazo por marca sin citar la sección del Brand Brain que lo sostiene. Si el brain no cubre el punto, la mesa registra una pregunta abierta para que la marca la responda. La pieza no se reprueba por una regla que no existe.
La salida es un veredicto con la reforma necesaria, enviado directo a quien produce: el agente de piezas, el de páginas o el de video. La memoria de marca que sostiene esta revisión está explicada en el texto sobre CLAUDE.md y Brand Brain.
Pieza única o lote
No todo necesita pasar por la mesa. Cuando un concepto genera trescientas variaciones de anuncio, revisarlas una por una no cabe en el plazo y tampoco hace falta. Las variaciones de un mismo concepto tienden a equivocarse de la misma manera.
Por eso separamos lo escaso de lo repetitivo. El concepto, de dos a cuatro por campaña, se juzga pieza por pieza en la mesa. El lote pasa por una verificación automática de especificaciones, como largo del texto, formato y términos prohibidos, y por muestreo. La primera pieza de cada familia se vuelve la referencia que siguen las demás.
Lo que sigue en manos de una persona
En nuestra operación, la IA prepara la revisión y la persona decide. Ninguna pieza sale sin aprobación humana. También queda en manos de la persona la verificación de datos que exige criterio: decidir si una fuente es confiable, si una cifra de 2025 todavía sirve en 2026, si una afirmación sobre un cliente se puede publicar.
Cuando la revisión encuentra un error que puede repetirse, se convierte en una regla escrita en el Brand Brain. Así la revisión de hoy reduce el trabajo de la próxima.
Lista de verificación para empezar
- Define por escrito, antes de producir, qué hace que una pieza se repruebe.
- Separa la verificación de hechos, de marca y de texto, aunque la misma persona haga las tres.
- Abre la fuente primaria de cada cifra y anota su fecha.
- Si usas IA para revisar, usa otro contexto, sin el historial de la producción, y entrégale los criterios junto con la pieza.
- No saques promedios: un error grave reprueba.
- Revisa también title, description, alt y datos estructurados.
- Convierte en regla todo error que pueda volver.
La serie completa
Este texto es parte de una serie de cinco sobre agentes de IA aplicados a la marca:
- Subagentes y equipos de agentes en Claude Code
- Skills y plugins en Claude Code
- CLAUDE.md y Brand Brain: memoria de marca para la IA
- Cómo revisar contenido generado por IA (este texto)
- Cómo usamos la IA en la operación de Headcore
Preguntas frecuentes
¿Se puede usar IA para revisar contenido generado por IA?
Sí, cuidando el diseño. Los estudios sobre LLM como juez muestran sesgo de posición, preferencia por respuestas largas y tendencia a favorecer textos que suenan familiares. La revisión funciona mejor en un contexto separado, sin acceso a la producción, con criterios escritos de antemano y la aprobación final de una persona.
¿Google penaliza el contenido hecho con IA?
La orientación de Google, actualizada en octubre de 2026, pide que todo contenido generado por IA tenga los datos verificados y se revise a mano antes de publicarse, incluidos title, description, datos estructurados y texto alternativo. La página se centra en la precisión y la calidad de lo que se publica.
¿Cuál es la diferencia entre revisión de marca y revisión de texto?
La revisión de marca pregunta si la marca diría eso, de acuerdo con su posicionamiento, su voz y sus reglas escritas. La revisión de texto mira claridad, ritmo, errores y patrones que delatan la escritura de IA. Un texto puede estar impecable y aun así quedar fuera de la marca.
¿Un detector de IA resuelve la revisión?
No. El detector intenta decir si un texto parece escrito por una máquina, y eso no dice nada sobre si el dato es correcto o si la marca diría eso. Las tres capas de la revisión siguen siendo necesarias, con o sin detector.
¿Cómo revisar mucho contenido sin frenar la producción?
Separa el concepto del lote. El concepto se juzga pieza por pieza; las variaciones pasan por verificación automática de especificaciones y por muestreo, con la primera pieza de cada familia como referencia. Los errores que se repiten se convierten en reglas, lo que reduce la revisión de las rondas siguientes.
¿Qué es una revisión a ciegas?
Es cuando cada revisor lee la pieza sin ver la opinión de los demás y registra su dictamen antes de cualquier discusión. Así se evita que el primer comentario arrastre a los otros. En nuestra mesa de revisión, el dictamen inicial de cada lente queda congelado antes del debate.
Fuentes: Google Search Central, orientación sobre contenido de IA generativa (actualizada el 01/10/2026) · Zheng et al., Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena, 2023 · Wataoka et al., Self-Preference Bias in LLM-as-a-Judge, 2024.
