Música, datos y automatizaciones que te hacen la vida fácil.

Detrás del flujo

• Disparador — vigila Gmail en busca de nuevos mensajes según remitentes o etiquetas definidas, comprobado según un horario.
• Mapeo de campos — remitente, asunto, fecha y cuerpo se mapean directamente a columnas de la hoja, sin transformación necesaria.

Validado

Probado con emails reales de lanzamientos y giras — todos los campos capturados correctamente, sin filas duplicadas al repetir la ejecución.

Aprendizaje clave

La integración más simple del laboratorio resultó ser la más fundamental — todas las automatizaciones posteriores leen de la estructura que esta crea.

Detrás del flujo

• Razonamiento en dos pasadas — la clasificación y la extracción son dos pasos de IA independientes, para que una extracción errónea no eche a perder una clasificación correcta.
• Ruta de respaldo — lo que el modelo no puede clasificar con confianza se guarda tal cual, en vez de forzarlo a la categoría equivocada.

Validado

Probado con un lote mixto de anuncios de lanzamiento, fechas de gira y mensajes sin relación — clasificados y extraídos correctamente en todos los casos.

Aprendizaje clave

Separar "qué es esto" de "qué dice" en dos pasos de IA independientes hizo que ambos fueran más fáciles de acertar que pedirlo todo de una vez.

Detrás del flujo

• Verificar antes de guardar — un mensaje que afirma un lanzamiento no se guarda como tal hasta que Spotify confirma que existe — reduciendo los falsos positivos.
• Lógica de enrutamiento — el tipo de mensaje decide la ruta siguiente, de forma que solo los lanzamientos reales llegan a la búsqueda en Spotify.

Validado

Probado con lanzamientos reales de Arde Bogotá y The National — ambos correctamente identificados, verificados y guardados con sus enlaces de Spotify.

Aprendizaje clave

Añadir un paso de verificación antes de guardar eliminó casi todos los falsos positivos que venían solo de la clasificación por IA.

Detrás del flujo

• Dos horarios, una misma fuente — la playlist se actualiza en el momento en que se detecta un lanzamiento; el resumen corre en su propio horario semanal, leyendo los mismos datos guardados.
• Sin entradas duplicadas — cada lanzamiento se comprueba contra lo ya registrado antes de añadirlo de nuevo.

Validado

En funcionamiento varias semanas con una lista real de artistas seguidos — cada resumen reflejó correctamente los lanzamientos de esa semana, sin repeticiones ni omisiones.

Aprendizaje clave

Separar "capturarlo ahora" de "resumirlo semanalmente" en dos horarios independientes hizo que ambos fueran más simples que intentar hacer las dos cosas en un solo flujo.

Detrás del flujo

• Instrucciones del prompt — cinco secciones fijas (Info clave, Por qué importa, Conexiones, Lista de seguimiento, Prioridad), ordenado para trabajar solo con la evidencia dada y separar los hechos de la interpretación.
• Formato de salida — el modelo escribe HTML directamente, así que Gmail lo envía tal cual, sin ningún paso de formateo manual.

Validado

Probado de principio a fin con tres tipos de dato reales en una sola ejecución — un lanzamiento, una gira, una colaboración — resumidos, conectados y priorizados correctamente.

Aprendizaje clave

La agregación es lo que hace posible el análisis. Sin ella, la IA ve una fila cada vez; con ella, el modelo recibe un único paquete de inteligencia y puede razonar sobre el conjunto — la misma distinción que después dio forma a la lógica de puntuación del 06 Opportunity Radar.

Detrás del flujo

• Formato de salida — artist, opportunity_score, level, reason, recommended_action, devueltos como JSON y convertidos en campos sobre los que Make puede enrutar.
• Inteligencia contextual, por diseño — se permite que el modelo aporte conocimiento previo a la puntuación en lugar de tratar al artista como un identificador neutro — más cercano a cómo funciona el criterio real de la industria. La contrapartida es explícita: esto es una valoración asistida por IA, no un índice puramente matemático.

Validado

Las tres rutas de prioridad probadas con datos reales — una alerta de puntuación alta entregada por email, una oportunidad media añadida a la lista de seguimiento (Google Sheets), una oportunidad baja registrada sin acción (Google Sheets).

Soluciones implementadas

• Un resultado alto inesperado se debía a un módulo posterior leyendo una hoja desactualizada — un recordatorio de revisar la salida de cada módulo antes de tocar la lógica.
• Demostrar la ruta baja exigió cambiar exactamente una variable (el artista) manteniendo el dato constante — aislando la causa de la coincidencia.

Detrás del flujo

• Leyendo la propia respuesta de la API — la primera petición devolvió un Bad Request; corregir la sintaxis de la consulta produjo un 200 limpio — un recordatorio de que una respuesta de error es información, no solo un obstáculo.
• Filtro vs. IA — cuando la regla de selección es objetiva (puntuación igual a 100), un simple filtro es la herramienta adecuada. El criterio contextual entre varios campos es donde una capa de IA se justifica — esta integración usa deliberadamente lo primero.

Validado

Probado con Radiohead: se devolvió la coincidencia principal correcta — MBID, tipo Group, país GB, puntuación de relevancia 100.

Aprendizaje clave

Ampliar el límite de resultados durante las pruebas reveló alternativas clasificadas, confirmando que la API devuelve candidatos a evaluar, no una única respuesta garantizada.

Detrás del flujo

• Arquitectura de tres módulos — Job Radar y Job Opportunity Analyst funcionan como Scheduled Tasks; Application Workspace es un Claude Project que redacta los documentos adaptados una vez tomada la decisión.
• Humano en el circuito, por diseño — el sistema nunca aplica por su cuenta — entrega una oportunidad investigada y contextualizada, y espera una decisión humana antes de redactar nada.

Validado

• Sin ninguna oportunidad que destacar — Job Radar también ha devuelto correctamente que no había nada que revisar, en lugar de forzar una recomendación.
• Descartada tras la investigación — Job Opportunity Analyst ha encontrado desajustes o restricciones reales y ha concluido que una oportunidad no merecía más tiempo.
• Encaje y gaps, uno al lado del otro — las oportunidades realmente prometedoras se han presentado con sus puntos fuertes y sus gaps expuestos con honestidad, sin suavizarlos.
• De la decisión al documento — una vez el humano decide seguir adelante — venga la oportunidad de Job Radar o se haya encontrado manualmente — Application Workspace redacta un CV y una cover letter solo con experiencia real, nunca inventada.

Aprendizaje clave

El sistema se valora tanto por su contención como por su investigación — expone los gaps con honestidad, deja en manos humanas las decisiones de geografía o seniority, y nunca infla una oportunidad débil solo para tener algo que mostrar.