Resumen
Foto del caso
Un workflow de contenido con IA liderado por producto, construido sobre la lógica real de Stavia Models.
- Producto
- Stavia Models — producto guiado de financial modeling para founders de SaaS, subscription y AI.
- Objetivo
- Crear un sistema de contenido repetible que convierta la lógica de producto en artículos, explicadores visuales y activos para LinkedIn.
- Fuente central
- Lógica de producto de Stavia Models, capturas reales, investigación asistida por IA y mis comentarios expertos.
- Workflow
- La IA ayuda a elegir ángulos, extraer lógica, redactar artículos, construir páginas, crear visuales y reutilizar contenido.
- Salidas
- Artículos SEO, explicadores interactivos dentro de artículos, posts de LinkedIn y carruseles PDF.
- Rol experto
- Guío la estrategia, agrego ejemplos, reviso la lógica, ajusto el tono y apruebo los materiales finales.
La lógica de producto detrás del sistema
Stavia Models es un producto guiado de financial modeling y decision-support para founders de SaaS, subscription y AI. El producto ayuda a trabajar pricing, acquisition, churn, costs, payroll, runway, fundraising y unit economics en un solo modelo conectado. Esa estructura se convirtió en la base del sistema de contenido.
No empiezo cada artículo con un prompt vacío. Uso el producto, la metodología de modelado detrás y mi experiencia de consultoría como capa de fuente. La IA ayuda a extraer, estructurar, escribir, implementar y reutilizar el material, pero la lógica central viene del trabajo que ya existe.
Stavia Models necesitaba algo más que un blog con consejos generales para startups. El producto ya trae una forma estructurada de pensar el financial modeling, y quería que el contenido hiciera visible esa lógica.
El sistema de contenido conecta varias capas:
- lógica real de producto dentro de Stavia Models;
- plantillas de financial modeling y experiencia de consultoría detrás del producto;
- preguntas de founders que se vuelven temas de artículo de forma natural;
- borradores e implementación con apoyo de IA;
- bloques interactivos dentro de los artículos;
- posts de texto para LinkedIn;
- carruseles PDF generados con un workflow reutilizable en Cursor.
El resultado es un workflow de contenido donde cada artículo es más que una página. Se convierte en un activo fuente para SEO, redes, enlaces internos, capítulos de guías y materiales educativos futuros.
Estrategia
La estrategia del sistema de contenido
Plan de contenido
El plan de contenido parte de la lógica de producto de Stavia Models. Cada artículo explica una decisión de modelado o una parte de la product logic: pricing, acquisition, AI/API costs, cost structure, runway, financing timing, unit economics y preguntas relacionadas de founders.
Los temas se eligen donde confluyen tres cosas: lo que el founder necesita entender, lo que busca y lo que Stavia realmente ayuda a modelar.
Benchmark + process
En el artículo benchmark de SaaS pricing defino la estructura del artículo, el layout de la página, el ritmo visual, la lógica de capturas, el enfoque de bloques interactivos, la ubicación del CTA y el article workflow repetible.
Cuando el benchmark queda pulido, documento el proceso — angle, extraction, drafting, implementation, visuals, review, distribution — para volver al mismo workflow con IA en cada tema siguiente.
Sistema de distribución
Cada artículo se planifica como un activo fuente reutilizable, no solo como un blog post.
Después de publicarlo puede convertirse en post de LinkedIn, carrusel PDF, sección de guía, enlaces internos y material educativo. El artículo benchmark también ayuda a crear y probar el workflow de generación de carousel/PDF.
Workflow / 01
Convierto el siguiente tema en un article brief con IA
Cuando la estrategia de contenido está definida, el siguiente artículo parte de un tema en el plan de contenido de Stavia.
Pido a la IA convertir ese tema en un brief de trabajo: qué founder decision debe explicar el artículo, qué parte de la product logic de Stavia usar, qué capturas o ejemplos ayudan y en qué debe convertirse el material después de publicarlo.
Para el artículo benchmark, el tema fue SaaS pricing before launch. El brief tenía que conectar pricing inputs con billing mix, churn, cash timing, recognized revenue y unit economics.
Reviso la primera respuesta de la IA y corrijo la dirección si hace falta. Aquí agrego la capa experta: qué ejemplos son más realistas, qué ángulo es más fuerte, qué partes quitar y dónde hace falta una conexión más clara con la product logic.
Qué sale del brief
- Founder decision
- ¿Qué debe entender o decidir el lector después de leer?
- Product logic
- ¿Qué parte de Stavia Models explica esta decisión?
- Article structure
- ¿Qué secciones debe incluir el artículo?
- Evidence
- ¿Qué capturas, ejemplos, benchmarks o cálculos lo respaldan?
- Future use
- ¿Puede este artículo convertirse después en post de LinkedIn, carrusel, sección de guía o enlace interno?
LÓGICA DEL PROMPT
En este punto la IA ya conoce el contexto del proyecto, la estrategia de contenido y el article workflow.
Solo necesito dar el siguiente tema y pedir que empiece la primera etapa:
Creemos el artículo sobre [topic]. Empieza con el article brief. Sugiere el ángulo, la estructura, las secciones clave y las ideas visuales.
Luego reviso el brief, corrijo el ángulo y agrego ejemplos antes de pasar al borrador.
Workflow
Uso Cursor para extraer la lógica de producto
Cuando el article brief está claro, no pido a la IA escribir desde conocimiento general. Pido a Cursor revisar la zona exacta de producto de Stavia Models detrás del tema.
Para el artículo benchmark de SaaS pricing, la fuente fue la pestaña Pricing input. Cursor analizó los pricing inputs y los cálculos dependientes en forecast, P&L, cash flow y unit economics.
Eso me da un resumen fuente amigable para escritura pero técnicamente preciso: qué ingresa el usuario, qué significa cada input, cómo afecta el modelo y qué outputs cambian.
Ese resumen se convierte en el puente entre el producto y el artículo. Le da a ChatGPT lógica real para trabajar y me da algo concreto para revisar antes del borrador.
Pricing inputs dentro de Stavia Models: plan mix, precios mensuales y anuales, churn y billing mix se convierten en la source logic del artículo.
Cursor convierte la product/codebase logic en un resumen técnico amigable para escritura antes del borrador del artículo.
LÓGICA DEL PROMPT
En esta etapa le doy a Cursor el tema del artículo y la zona exacta de producto para revisar:
Analiza la [product section] y sus cálculos dependientes. Explica qué inputs existen, qué significa cada uno, cómo afecta el forecast y qué debe entender un writer antes de redactar el artículo.
Reviso la extracción por precisión antes de usarla como material fuente del artículo.
Workflow
Creo el primer borrador a partir de la lógica extraída
Cuando tengo el article brief y la extracción de Cursor, paso al primer borrador completo.
El brief da dirección y estructura al artículo. La extracción da la product logic: cómo funciona la parte relevante de Stavia Models, qué inputs importan, cómo afectan el forecast y qué debe entender el lector.
En esta etapa pido a ChatGPT convertir esos materiales en un borrador legible. También agrego mis comentarios: ejemplos que quiero incluir, lugares donde la explicación debe ser más clara, benchmarks útiles y frases que no suenan a mi estilo.
El objetivo no es el artículo final. Es un borrador de trabajo sólido que ya sigue el ángulo acordado, se apoya en la product logic y marca dónde deben ir capturas, explicadores visuales o bloques interactivos.
Después reviso el borrador por lógica, tono, ejemplos y contexto faltante antes de enviarlo a Cursor para la page implementation.
Draft inputs
LÓGICA DEL PROMPT
Pido a la IA usar el brief aprobado y la extracción de Cursor como fuente del primer borrador:
Usa el article brief y la product logic extraction para escribir el primer borrador. Mantén el artículo en la lógica de Stavia Models, sigue la estructura acordada, sugiere lugares para capturas o visuales y marca puntos poco claros en lugar de inventar detalles.
Luego reviso el borrador por precisión, ejemplos, tono y product context faltante.
Workflow
Preparo la tarea para Cursor y construyo la article page
Cuando el borrador está listo, no envío un documento de texto crudo a Cursor. Primero pido a ChatGPT convertir el borrador aprobado en una implementation task clara para mi coding assistant.
La tarea explica qué página crear, qué estructura de artículo seguir, dónde colocar capturas, qué visual blocks pueden hacer falta, cómo debe funcionar el CTA y qué revisar después de la implementación.
Luego paso a Cursor. En mi workflow, Cursor crea la code-first article page dentro del sitio de Stavia Models: estructura de página, metadata, layout blocks, visual sections y lugares para capturas o placeholders.
En esta etapa sigo dando comentarios muy específicos. Corrijo el texto, ajusto el orden de bloques, agrego notas sobre el ritmo visual y normalmente subo capturas reales a mano. Cursor ayuda con visual components, pero las capturas del producto suelen ser más rápidas y limpias si las tomo manualmente y las agrego como assets.
El resultado es un live article page draft que puedo revisar en el navegador antes de publicar.
Implementation checklist
- Page route
- Metadata
- Article sections
- Screenshots / assets
- Visual blocks
- CTA
- Mobile and SEO checks
LÓGICA DEL PROMPT
Qué le pido a ChatGPT antes de pasar a Cursor
El borrador está aprobado.
Prepara una tarea clara para Cursor: route, page structure, design references, screenshots o placeholders, visual blocks, CTA, metadata y QA checklist. Mantén el texto cerca del borrador aprobado y marca todo lo que aún requiere mi decisión.
Workflow
Agrego bloques interactivos cuando la lógica hay que sentirla
En artículos de Stavia Models uso bloques interactivos cuando una idea financiera se entiende mejor cambiando inputs que leyendo otro párrafo.
El financial modeling tiene muchas fórmulas, enlaces y assumptions. Mi objetivo es explicar esa lógica de forma simple para que el founder vea cómo una decisión afecta el modelo.
Por eso algunos artículos incluyen módulos interactivos pequeños: pricing assumptions, acquisition channels, AI/API usage, cost structure, hiring timing o runway scenarios.
Estos bloques valen el esfuerzo extra porque hacen el artículo más intuitivo. El lector cambia unas assumptions y ve de inmediato qué se mueve: revenue, cash timing, CAC, margin, burn o runway.
La asistencia de coding con IA hace esto práctico. Normalmente ya sé la lógica simplificada que quiero mostrar porque viene del producto. La IA puede sugerir ideas de interfaz, pero lo importante es darle un modelo claro: qué inputs cambia el lector, qué output reacciona y qué idea financiera debe aclarar el bloque.
Un módulo top-down ayuda a ver cómo el mismo revenue target implica distintos gross adds, acquisition spend e implicaciones operativas cuando se agregan churn y CAC.
Otro módulo puede enfocarse en costs, AI/API usage, hiring timing o runway scenarios, según el tema del artículo.
LÓGICA DEL PROMPT
Le doy al AI coding assistant el modelo simplificado:
qué inputs puede cambiar el lector, qué outputs deben reaccionar y qué idea financiera debe volver más clara el bloque.
Luego reviso si la interacción es lo bastante clara y no complica demasiado el artículo.
Workflow
El artículo se convierte en contenido para redes
Después de publicar el artículo, lo uso como activo fuente para redes sociales.
Para Stavia Models, la plataforma principal es LinkedIn porque el producto, los temas y la audiencia encajan ahí: founders, SaaS builders, consultants, investors y personas interesadas en startup finance.
El mismo artículo también se adapta a otros canales. A veces preparo posts para Telegram, y la misma lógica puede funcionar en otras plataformas si ajusto ángulo, tono y formato a la audiencia.
Lo importante es que no pido a la IA simplemente resumir el artículo. Le pido encontrar un ángulo para redes: una idea concreta, founder problem, modeling mistake, insight práctico o ejemplo que funcione por sí solo y apunte al artículo completo.
Así cada artículo se reutiliza sin que cada post parezca una copia reducida del mismo texto.
LÓGICA DEL PROMPT
Le doy el artículo a la IA y pido un ángulo fuerte para redes, no un resumen:
Toma este artículo como fuente y redacta un post de LinkedIn para founders en torno a una idea fuerte del texto, con tono práctico y cercano a mi voz, sin resumir todo el artículo.
Luego reviso el post para que suene a mi voz y no pierda la lógica del artículo original.
Workflow
Construí un sistema code-first de slides para carruseles PDF
Después de publicar el artículo, a veces lo convierto en un carrusel de LinkedIn. En lugar de una herramienta de slides aparte, construí un sistema reutilizable de generación de slides dentro del proyecto.
La idea era simple: si Stavia Models ya tiene su product style, website components y visual language, puedo reutilizar esa lógica para generar slides en código.
Dentro de Cursor creé un sistema pequeño con reusable slide templates, un working deck y benchmark examples. Mantiene los mismos colors, typography, spacing y product feel al generar un carousel preview y el PDF final.
El proceso parte del artículo, pero el carrusel no es una copia directa. Primero defino un ángulo aparte para los slides: una idea práctica, framework o founder question que funcione en una secuencia visual corta. Luego ChatGPT ayuda con la slide logic y Cursor arma los slides en el generator existente.
Este enfoque sirve más allá de LinkedIn. El mismo sistema code-first puede generar otras presentations, one-pagers o materiales visuales esquemáticos basados en el producto y su contenido.
Un carrusel publicado de Stavia en LinkedIn: el artículo se reutiliza como formato visual con un ángulo más estrecho y una estructura slide-by-slide más fuerte.
Dentro de Cursor uso un sistema reutilizable de generación de slides con benchmark decks, working file, preview logic y PDF export en el estilo visual de Stavia.
LÓGICA DEL PROMPT
Toma este artículo como fuente y crea un carousel angle para él.
Luego prepara una tarea para Cursor para construir los slides dentro del generator existente, usando el Stavia style system y manteniendo la estructura concisa, visual y lista para PDF export.
Luego reviso el ángulo, el slide flow y la claridad visual antes de exportar el PDF final.
Content reuse loop
Un artículo fuente alimenta varios formatos dentro del clúster
- Blog article
- Social post
- Carousel PDF
- Internal links
- Future guide
- Product education
Cada salida reutiliza la misma source logic, pero el formato, el ángulo y la profundidad cambian según dónde aparece el contenido.
- Source article
- Blog article
- Social post
- Carousel PDF
- Internal links
- Future guide
- Product education
Resultado
Qué hace posible este sistema
Este sistema cambia el trabajo después de las primeras publicaciones.
El primer artículo benchmark exige más esfuerzo. Ahí defino el writing standard, la page structure, el design rhythm, la screenshot logic, el rol de los bloques interactivos y el workflow de la idea a la publicación. No es el artículo más rápido, pero se convierte en el reference point de todo lo que sigue.
Los artículos siguientes aún requieren revisión cercana. Reviso la lógica, corrijo el ángulo, reescribo partes que no suenan a mi voz, comento la page structure, ajusto visuales y explico qué hacer distinto la próxima vez. Cada corrección se vuelve parte del sistema.
Después de varias iteraciones, el workflow se vuelve mucho más liviano. Reúno comentarios repetidos, pido a la IA encontrar patterns y los convierto en instrucciones más claras para los siguientes artículos. La IA empieza a anticipar mis correcciones habituales: cómo explico la lógica, qué quito, dónde agrego ejemplos, qué page feel busco y qué ángulo de redes funciona mejor.
Para Stavia Models esto importa porque el contenido sigue al producto. Pricing, acquisition, costs, runway y unit economics están conectados dentro del modelo, así que los artículos también deben apoyarse entre sí. Un artículo explica una parte de la lógica y luego se vuelve material para internal links, posts de LinkedIn, carruseles PDF y futuras secciones de guía.
En esta etapa mis prompts son mucho más cortos. Tomo el siguiente tema del content plan y pido a la IA seguir el workflow documentado paso a paso. El sistema ya conoce el benchmark, la estructura, la review logic y los expected outputs.
Ese es el resultado real: el trabajo se vuelve repetible sin volverse genérico. El benchmark fija el estándar, las primeras iteraciones enseñan al sistema y los siguientes artículos avanzan más rápido porque el proceso ya contiene mis decisiones, comentarios y correcciones previas.
Qué se acumula con el tiempo
Source material
Product logic, capturas y comentarios expertos se convierten en inputs reutilizables.
Page system
La benchmark structure y el workflow documentado reducen el trabajo de cada artículo siguiente.
Distribution
Cada artículo puede convertirse en posts, carruseles PDF, secciones de guía e internal links.
Product education
El clúster de contenido explica cómo piensa el producto, no solo qué hace.
Transferencia
Qué pueden adaptar otros expertos y negocios
Este workflow no sirve solo para productos SaaS.
La misma lógica funciona para expertos, consultants, educators, agencies y negocios que ya tienen conocimiento dentro de su trabajo, pero aún no tienen un sistema claro para convertirlo en contenido público y activos reutilizables.
La capa fuente puede ser distinta a la mía.
Lo importante es dejar de tratar a la IA como herramienta de página en blanco. Funciona mucho mejor cuando está conectada a una source base real y a un proceso repetible.
Un sistema de contenido con IA transferible necesita cinco cosas:
- Source base Product logic, documentos, ejemplos, cases, recordings o internal knowledge con los que la IA puede trabajar.
- Content strategy Un mapa claro de temas, necesidades de audiencia, search intent y objetivos de negocio.
- Benchmark format Un primer artículo o página fuerte que define estructura, visual rhythm, quality bar e implementation pattern.
- Production workflow Una secuencia documentada: brief, source extraction, draft, page implementation, visual assets, review y repurposing.
- Human review Alguien aún debe revisar lógica, ejemplos, tono, precisión, visuales y la decisión final de publicación.
Aquí la IA se vuelve útil para trabajo experto real. Puede extraer, estructurar, redactar, implementar y reutilizar, pero rinde mejor cuando el experto le da contexto, material fuente y review points claros.
Para un negocio, esto puede ser un content system. Para un experto, una forma de convertir thinking en artículos, materiales, productos y activos públicos. Para un equipo, un shared workflow en lugar de experimentos de IA desconectados.
El sistema adaptable
Siguiente paso
¿Quieres construir un sistema de contenido similar con IA?
Si ya tienes expertise, product knowledge, documentos, course materials o client work, la IA puede ayudarte a convertirlos en un content workflow repetible. Lo útil no es un prompt perfecto, sino el sistema alrededor del prompt: source material, roles, review points, implementation process y distribution logic.
