Publicas un video sobre una app construida con IA. Unos preguntan dónde guarda los datos, otros si soportará muchos usuarios y otros quieren conectarla a WhatsApp. Si respondes con otro video genérico sobre “vibe coding”, ninguna duda queda resuelta. Los comentarios son un mapa de problemas concretos, pero hay que convertirlos en una prueba que se pueda enseñar.

El trabajo tiene dos partes. La IA agrupa y propone; tú decides qué merece investigación, ejecución y publicación. Este método funciona con comentarios de un video propio copiados manualmente. No requiere acceso a la cuenta ni convierte una opinión aislada en una tendencia.

Un comentario se vuelve una hipótesis editorial solo después de agruparlo y elegir una prueba verificable.

1. Prepara una muestra pequeña y rastreable

Empieza con 15 a 30 comentarios públicos de un video. Copia el texto, asigna un ID corto a cada uno y elimina nombres, correos, teléfonos y datos privados. Conserva preguntas críticas aunque no elogien tu video: suelen señalar lo que faltó explicar. No mezcles videos distintos sin indicar su tema.

Este ejemplo es inventado para demostrar el método; no representa una medición de la audiencia de SoyJB:

Ya aparecen tres grupos posibles: datos/costo, capacidad/pruebas y WhatsApp. Aun así, seis ejemplos no justifican afirmar “esto es lo que quiere toda la audiencia”. Solo sirven para practicar la clasificación.

2. Usa un prompt que devuelva evidencia, no intuiciones

Pega en tu IA el tema del video y la lista con IDs. Después copia este prompt completo:

Actúa como editor de un blog de IA aplicada.
Tema del video: [TEMA]
Comentarios públicos anonimizados:
[PEGA AQUÍ LOS COMENTARIOS CON ID C1, C2...]

Usa únicamente los comentarios entregados.
Devuelve una tabla con máximo tres grupos. Para cada grupo incluye:
- pregunta central;
- IDs de comentarios que la respaldan;
- número de comentarios únicos;
- qué dato falta para responder con rigor;
- una pieza práctica posible (prueba, tutorial o comparativa);
- resultado observable que debería mostrar la pieza.

No atribuyas opiniones a toda la audiencia. No inventes cifras,
nombres, comentarios ni resultados de herramientas. Si dos preguntas
son distintas, no las fusiones para aumentar el conteo.

Con la muestra ilustrativa, una salida razonable sería: “¿dónde se guardan los datos y cuánto cuesta?” → C1 y C2 → comparativa de dos arquitecturas con los servicios y precios vigentes. Otra sería “¿cuánto tráfico soporta?” → C3 y C4 → prueba de carga con escenario, métricas y límite observado. El grupo C5/C6 requiere verificar disponibilidad y precios de la integración antes de grabar.

3. Elige qué probar primero

No escojas automáticamente el grupo más numeroso. Evalúa tres cosas: cuántas personas lo preguntaron, si conecta con la promesa del video y si puedes mostrar un resultado real esta semana. Una pregunta con tres comentarios y una prueba reproducible puede dar más valor que una con diez comentarios que solo admite especulación.

Por ejemplo, para la duda de tráfico, define antes de probar: aplicación, despliegue, usuarios simultáneos simulados, duración, latencia y tasa de errores. El resultado final no sería “escala bien”, sino “bajo este escenario apareció este límite”. Si aún no hiciste esa prueba, publica el plan o investiga más; no lo presentes como una medición.

4. Convierte la respuesta en contenido útil

Un video corto muestra la pregunta, una pantalla de la prueba y la conclusión. El artículo enlazado conserva pasos, configuración, costos y errores. Así el lector que llegó desde TikTok puede repetir lo que vio. Si la pregunta ya tiene un artículo en SoyJB, actualízalo y enlázalo desde el nuevo video en vez de crear una copia.

Al cerrar la semana, mira si el nuevo contenido produjo preguntas mejores, guardados o clics al recurso. No uses solo vistas: una respuesta concreta puede tener menos alcance y aun así ayudar más a las personas que quieren construir. Y vuelve a los comentarios originales antes de afirmar que encontraste una necesidad recurrente; la IA también puede agrupar mal.