Cómo un agente de código puede crear vídeos con IA reutilizando recursos

¿Y si crear un vídeo profesional no consistiera en ir saltando manualmente entre diez herramientas, sino en pedirle a un agente que coordinara todo el proceso?

Eso es lo que he estado probando en este experimento: un flujo donde un agente de código no solo ayuda a editar un vídeo, sino que participa en casi toda la producción. Parte de una idea, la convierte en un guion, divide el contenido en escenas, detecta qué recursos hacen falta, reutiliza assets de trabajos anteriores, genera lo que falta y monta el resultado final.

Lo interesante no es una herramienta concreta. Lo interesante es la forma de trabajar.

El problema: cada vídeo empieza demasiado desde cero

Producir vídeo de forma constante suele tener mucha fricción. Aunque el formato sea parecido al de otros vídeos anteriores, muchas veces volvemos a repetir pasos: pensar estructura, escribir guion, buscar referencias, grabar pantallas, generar imágenes, preparar música, sintetizar voz, montar escenas, ajustar transiciones, renderizar y revisar.

El problema no es solo el tiempo. También está la carga mental de coordinar piezas muy distintas. Un vídeo técnico puede necesitar una grabación de navegador, una animación de interfaz, una narración bien sincronizada, una música que no moleste a la voz, varias imágenes de apoyo y un montaje con ritmo. Cada una de esas partes vive normalmente en una herramienta distinta.

Por eso me interesa la idea de usar un agente como capa de coordinación.

El cambio de enfoque: el agente como orquestador

En este flujo, el agente no intenta sustituir todas las herramientas. Hace algo más útil: las conecta.

El agente entiende el objetivo del vídeo, decide qué necesita cada escena y elige qué herramienta usar para producir cada recurso. Si hace falta enseñar una aplicación, puede preparar una grabación automatizada con Playwright. Si falta música, puede crear una pista con Lyria. Si hace falta voz, puede sintetizar narración con Gemini TTS. Si se necesitan visuales, puede generar imágenes o clips. Y cuando los recursos están listos, puede integrarlos en una composición de HyperFrames.

La clave está en que el agente no llama a una "IA genérica" para todo. Decide qué tipo de recurso necesita y usa la herramienta más adecuada para ese caso.

El flujo que hemos probado

El experimento empieza con una idea sencilla: explicar cómo un agente de código puede crear vídeos usando IA.

A partir de ahí, el agente divide el trabajo en fases. Primero se define el guion y se calcula la duración aproximada. Después se separa el contenido en escenas y se decide qué debe aparecer en cada pantalla. Algunas escenas necesitan interfaces animadas, otras necesitan capturas del navegador, otras funcionan mejor con imágenes generadas y otras requieren motion graphics más simples.

Una vez definido el storyboard, el agente revisa qué recursos ya existen. Esta parte es especialmente importante. Antes de generar nada nuevo, busca si hay intros, logos, transiciones, música, clips, capturas o animaciones que puedan reutilizarse.

Solo después genera lo que falta.

Reutilizar antes de generar

Para mí, esta es la idea más potente del flujo.

Cada vídeo que produces deja una pequeña biblioteca de recursos. Puede ser una intro corporativa, una transición, una animación de CTA, una música, un clip de producto, una grabación de una pantalla, una imagen base o una estructura de escena que funcionó bien.

Si esos recursos están organizados, el siguiente vídeo no parte de cero. Parte de una biblioteca que ya sabe cómo se ve la marca, qué tono visual funciona, qué componentes se pueden repetir y qué piezas conviene adaptar.

Esto cambia la economía de producción. El primer vídeo cuesta más porque hay que crear muchas piezas. El segundo ya puede apoyarse en parte de ese trabajo. Y a medida que produces más contenido, la biblioteca crece. Cada publicación deja recursos que hacen más fácil la siguiente.

No se trata solo de ahorrar tiempo. También ayuda a mantener consistencia visual y narrativa.

Herramientas especializadas para cada tipo de recurso

En el vídeo mostramos un pipeline donde cada recurso sale de una herramienta especializada.

HyperFrames se encarga de la composición, el timeline, las capas y el render. Es la parte donde todo se sincroniza: escenas, narración, música, vídeos, imágenes, overlays y transiciones.

Playwright sirve para automatizar grabaciones de navegador. En lugar de grabar manualmente una app, el agente puede abrir Chrome, entrar en una pantalla, mover el cursor, hacer clics, abrir modales, hacer scroll y capturar el resultado.

Gemini TTS genera la narración masculina en castellano. En este caso acabamos separando la locución por escenas para evitar que una frase terminara sonando sobre la pantalla siguiente. Ese detalle fue clave para que el vídeo se sintiera más sincronizado.

Lyria genera la música. Creamos una pista instrumental más adaptada al ritmo del vídeo: tecnológica, dinámica, pero suficientemente contenida para no competir con la voz.

También usamos modelos de imagen para crear visuales de apoyo en las escenas de aplicaciones: marketing, formación, empresa y software. En lugar de dejar tarjetas vacías o mocks demasiado pobres, generamos imágenes con una estética coherente con el resto del vídeo.

Qué hemos construido en este vídeo

El resultado es una pieza de 85 segundos que explica el propio flujo de producción.

El vídeo empieza con un hook rápido, pasa por la planificación del agente, muestra un storyboard, enseña la biblioteca de recursos reutilizables, presenta la generación paralela de assets, muestra una automatización de navegador con cursor y clics, enseña un clip real del editor de HyperFrames y termina con una idea acumulativa: cuanto más contenido produces, más recursos puedes reutilizar.

Durante la producción ajustamos varias cosas que son muy típicas de un proyecto real. Centramos mejor elementos visuales, dimos más aire a los títulos y al contenido, reemplazamos cuadros vacíos por imágenes generadas, eliminamos un bloque de "modo producción" que no aportaba suficiente, grabamos el editor de HyperFrames, regeneramos la música, cambiamos el CTA final y refinamos la sincronía entre voz y pantallas.

También hubo un detalle técnico interesante: el clip del editor de HyperFrames necesitaba keyframes más frecuentes. Si no, durante el render podían aparecer frames residuales justo antes de una transición. Lo reencodeamos para que el render fuera más estable.

Iterar en lenguaje natural

Otra parte importante del flujo es la iteración.

En lugar de rehacer el proyecto entero, el agente puede modificar solo las escenas afectadas. Por ejemplo: cambiar el CTA, ajustar la narración, sustituir una imagen, mover un corte, cambiar la música o regrabar una pantalla concreta.

Eso hace que las revisiones sean mucho más manejables. El proyecto deja de ser un bloque cerrado y se convierte en una composición editable por partes.

En este caso, las iteraciones fueron bastante naturales: "la narración no cae bien en algunas pantallas", "el clip de HyperFrames deja ver el mock anterior", "los títulos están demasiado pegados", "cambia el CTA". Cada observación se tradujo en cambios concretos en la composición, los assets o el audio.

Por qué esto me parece importante

Creo que este enfoque tiene mucho recorrido para contenido técnico, marketing, formación online, documentación de producto y onboarding.

En todos esos casos hay una necesidad constante de producir vídeo, pero también hay muchos patrones que se repiten. Hay productos que se enseñan muchas veces, pantallas que cambian poco, estilos visuales que conviene mantener y recursos que se pueden adaptar.

Si un agente puede apoyarse en una biblioteca creciente y coordinar herramientas especializadas, producir vídeo deja de ser una sucesión de tareas manuales y empieza a parecerse más a un sistema.

Y eso es lo que me parece realmente interesante: no solo crear un vídeo más rápido, sino construir un proceso donde cada vídeo mejora el siguiente.

La pregunta

Este vídeo es una prueba de ese flujo.

No es el final del camino, pero sí una señal bastante clara de hacia dónde puede ir la producción de contenido con agentes: menos trabajo repetitivo, más reutilización, más automatización y más capacidad de iterar rápido.

La pregunta ahora es:

¿Te gustaría saber cómo crear algo así?