El Build #02 de Mate & Build no tuvo un solo momento de clímax. Tuvo tres. Y eso lo convierte en el más difícil de contar — y también en uno de los más importantes.
"Tengo tres cosas que me vienen tomando mucho tiempo"
Así arrancó Lupa.
Luciana Panio trabaja en un banco, Buenos Aires. Brand Expert en Fima. Llegó a la sesión con una lista de procesos que le venían robando horas: generar imágenes para redes sin depender de diseño, armar presentaciones de análisis de competencia desde cero cada vez, y proponer cambios concretos en la web interna de forma que el equipo técnico los pudiera ver y entender. No una opinión verbal. Algo navegable.
Tres tareas distintas. Sin relación entre sí. Cada una con su flujo roto.
Generalmente en Mate & Build — sesiones semanales de problem-solving con AI organizadas por Patricio Iturraspe — trabajamos en un solo problema. Lo agarramos, lo desarmamos, lo resolvemos en profundidad. Esta vez fue distinto. Y la decisión de hacer eso distinto fue la más importante de toda la sesión.
La decisión de scoping: ¿por qué no ir profundo en una sola?
La pregunta obvia era: ¿elegimos uno y lo resolvemos bien, o intentamos los tres?
La respuesta llegó rápido al mirar los tres problemas en conjunto. Tenían algo en común que no era obvio a primera vista: los tres eran procesos acotados. No requerían arquitecturas complejas ni integraciones entre sistemas. Cada uno tenía una entrada clara, un output definido, y un punto de fricción específico que se podía desbloquear con la herramienta correcta.
Ir profundo en uno solo hubiera sido más "ordenado". Pero hubiera dejado afuera dos problemas reales que Lupa también tenía sin resolver — no porque fueran difíciles, sino porque resolver bien algo que "ya funciona de alguna forma" siempre queda para después.
La decisión fue consciente: ir por una buena base estructural en las tres, no profundo en solo una. Tres flujos distintos, tres herramientas distintas, tres victorias separadas. Y también — esto es importante — tres límites distintos.
Problema 1: imágenes para redes sin pasar por el ciclo de diseño
La tarea era específica: generar imágenes para comunicación interna y redes sin entrar al ciclo de pedirle a diseño → esperar → pedir cambios → esperar de nuevo.
El objetivo no era "usar IA para hacer imágenes". Era llegar a una imagen lista al primer intento — prompt de entrada, output de salida, sin iterar.
Encontramos el flujo en Gemini con Nano Banana Pro. La clave fue meter suficiente contexto en el prompt: tono, el texto exacto que va en la imagen, referencia visual, formato deseado. Cuando todo eso está en el prompt, Gemini no tiene que adivinar nada. El resultado sale al primer shot.
El límite apareció solo, sin buscarlo: las imágenes generadas con la versión gratuita de Gemini salen con el logo de Gemini en la esquina. Para uso profesional — publicar en LinkedIn, comunicación institucional — necesitás el plan premium. No es un problema técnico. Es una decisión de presupuesto. El flujo está resuelto; la fricción restante no es de la herramienta.
Problema 2: investigar el mercado y armar el deck sin empezar de cero
El análisis de competencia era el proceso que más tiempo le comía. Investigar el mercado, ordenar la información, armar una presentación coherente que encima respete la identidad visual de la empresa. Todo eso, cada vez, desde cero.
Lo atacamos en dos pasos.
Primero, deep research con Gemini. Le pedimos que mapeara el mercado competitivo del sector financiero. No un resumen Wikipedia — un análisis estructurado con profundidad suficiente para armar un deck. Tardó unos minutos. El output fue sólido.
Después, Manus AI. Le pasamos el brand book del banco y el resultado del research, y le pedimos que armara la presentación.
Lo que salió tenía los colores correctos, la tipografía correcta, el estilo correcto. No fue "algo parecido a la identidad visual" — fue la identidad visual, aplicada directamente sobre el contenido generado. Ese momento tuvo algo de impacto: ver que la herramienta no solo agarró el contenido sino también aplicó correctamente las reglas visuales de la empresa.
La limitación es clara y hay que decirla: el output es tan bueno como el input. Con la información general que le dimos, quedó como un punto de partida sólido para el deck — útil, estructurado, presentable. Si le das data detallada por competidor, con números y diferenciadores específicos, la presentación se vuelve mucho más robusta. La diferencia entre "punto de partida" y "presentación lista" está en cuánto contexto le das a la herramienta. Pero ya no arrancás de cero.
Problema 3: el rediseño web que terminó deployado en Vercel
El tercer frente fue el más ambicioso. Y el que mejor terminó.
La tarea era proponer cambios de CRO en la web del banco — CTAs, layout, jerarquía visual, flujo de usuario — de una forma que el equipo de desarrollo interno pudiera ver y entender. No un comentario verbal en una reunión. Algo visual, concreto, navegable.
Acá usamos Claude Code con varios skills y el más importante (en nuestro caso), el skill UI/UX Max Pro (disponible en GitHub: nextlevelbuilder/ui-ux-pro-max-skill). El proceso fue en dos etapas. Primero duplicamos el sitio completo. Después el skill analizó la estructura — identificó qué CTAs estaban mal ubicados, qué jerarquía visual no ayudaba a la conversión, qué elementos del flujo generaban fricción — y generó un rediseño completo con nuestros ajustes y pedidos orientado a conversión. Todo construido sobre el código real del sitio, no sobre un mockup.
El resultado lo deployamos en Vercel.
Lupa tiene un link. Puede abrir ese link, navegar el sitio rediseñado, y compartirlo con el equipo técnico. No es un PDF con flechitas. No es un slide con capturas de pantalla y comentarios. Es la web del banco funcionando con los cambios aplicados — lo mínimo que realmente resuelve el problema de comunicar la propuesta.
Ese fue el momento de mayor impacto de la sesión. Ver el rediseño funcionando en el navegador le cambió la cara a Lupa.
La limitación también vale la pena contarla: trabajamos con el código HTML visible del sitio, no con acceso completo al repositorio ni a la carpeta de componentes. Si tuviéramos acceso total al código fuente, sería mucho más sencillo iterar sobre componentes específicos y ajustar con precisión. Lo que construimos es un prototipo visual funcional — suficiente para mostrar la dirección e impulsar la conversación interna, no para reemplazar el sitio actual directamente.
Lo que quedó en cada frente — y lo que falta
Tres flujos distintos, tres resultados concretos en una tarde.
Para generación de imágenes: el proceso está resuelto. Un prompt bien construido, con contexto completo, da un resultado one-shot en Gemini. La única decisión pendiente es si el presupuesto justifica el plan premium para eliminar el logo.
Para análisis de competencia: la herramienta funciona. El pipeline de deep research + Manus AI + brand book produce presentaciones con identidad visual real. La próxima iteración es darle más data granular por competidor para que el output pase de "punto de partida sólido" a "presentación casi lista".
Para el rediseño web: Lupa tiene un link deployado en Vercel con los cambios de CRO propuestos. El paso siguiente es compartirlo con el equipo técnico y arrancar la conversación sobre qué se prioriza. Con acceso al repositorio completo, la iteración sería mucho más precisa.
Lo que más me quedó de esta sesión no fue ninguna de las herramientas en particular. Fue que los tres procesos existían hace meses y nadie había encontrado el tiempo de preguntarse si había una forma mejor. No porque fueran complicados. Sino porque los tres "funcionaban de alguna forma", y eso era suficiente para no atacarlos.
"No era un mockup estático ni un PDF con flechitas. Era la web funcionando con los cambios aplicados — lo mínimo que realmente resuelve el problema de mostrar la dirección."
Takeaways
- El scoping es una decisión técnica. Elegir "ir por varias" en vez de "ir profundo en una" requiere analizar si los problemas son acotados y desacoplados. Si lo son, se pueden resolver en paralelo sin perder calidad en ninguno.
- El prompt one-shot no es magia — es contexto. En generación de imágenes con Gemini, la diferencia entre iterar cinco veces y acertar al primero es cuánta información metés en el prompt inicial: tono, texto, referencia visual, formato.
- La identidad visual se puede automatizar si tenés el brand book. Manus AI con el brand book como input produce presentaciones con la identidad visual real — no "algo parecido". El límite no es la herramienta sino la calidad de la data de contenido.
- Lo mínimo que realmente resuelve vs. lo perfecto que nunca llega. El rediseño web deployado en Vercel no es la solución final. Es suficiente para mover la conversación interna — y eso es exactamente lo que hacía falta.
- Los límites de las herramientas son datos, no fracasos. El logo de Gemini gratuito, la dependencia de Manus AI en los datos de input, la falta de acceso al repositorio completo — los tres son límites reales que Lupa se lleva como información útil para decidir qué priorizar después.