Cómo Analicé 4 Videos de YouTube en Menos de 1 Hora con Claude Code (Caso Real)

Esta mañana hice algo que normalmente me llevaría entre 3 y 4 horas. Tardé menos de 1.

No es clickbait. Es exactamente lo que pasó, y lo cuento porque creo que es el ejemplo más concreto que tengo para mostrar cómo trabajo con Claude Code en el día a día — no en demos, no en casos inventados, sino en lo que hice hoy.

---

El problema: la investigación consume tiempo

Tenía que construir una estrategia SEO real para este sitio. No quería hacerlo desde intuición — quería datos, frameworks, lo que está funcionando en 2026 según gente que lo está haciendo.

La opción obvia: buscar videos en YouTube, ver los mejores, tomar notas, sintetizar.

El problema: cada video bueno de SEO dura entre 40 y 50 minutos. Si encontrás 4 videos relevantes, estás hablando de 3-4 horas solo de visualización. Más el tiempo de procesar, sacar conclusiones, escribir la estrategia y guardarla en algún lugar útil.

Eso es un día de trabajo para un solo output.

---

El flujo con Claude Code

Lo que hice en cambio fue esto:

1. Encontré los 4 videos más relevantes

Busqué canales que tratan SEO + AEO (Answer Engine Optimization) en 2026 — dos en español, dos en inglés. Los elegí por la calidad conocida de su contenido. Eso sí requiere criterio humano: saber qué fuentes vale la pena procesar es lo primero que no podés delegar.

2. Bajé las transcripciones con yt-dlp

Le pedí a Claude Code que descargara los subtítulos de los 4 videos. Usamos yt-dlp directo desde el terminal:

yt-dlp --write-auto-subs --sub-lang es --skip-download [URL]
yt-dlp --write-auto-subs --sub-lang en --skip-download [URL]

Los archivos .vtt (subtítulos) quedan en el directorio de trabajo. Cuatro archivos. Aproximadamente 2MB de texto en total.

3. Análisis cruzado de los 4 en paralelo

Acá es donde Claude Code hace algo que un humano no puede hacer de la misma manera: leer los cuatro documentos al mismo tiempo como un corpus y buscar lo que se repite.

Le pedí que detectara:

• Qué conceptos aparecen en todos los videos (señal de consenso)
• Qué técnicas están recomendando específicamente para 2026
• Qué datos o estadísticas citaban
• Qué cambió respecto a lo que funcionaba antes

4. Patrones detectados

En minutos (no en horas) tenía los patrones reales. Por ejemplo: los cuatro videos coincidían en que el SEO tradicional sigue siendo la base del AI search — si no rankeas en Google, sos invisible para ChatGPT y Perplexity también. Ese tipo de consenso entre fuentes independientes es valioso y me habría costado horas encontrarlo manualmente.

5. Estrategia construida y guardada en memoria

Con los patrones claros, le pedí a Claude que construyera una estrategia accionable para mi sitio específico — no genérica, sino con los datos de mi situación actual (impresiones GSC, artículos existentes, gaps de contenido).

La estrategia quedó guardada en Engram — el MCP de memoria persistente — con el topic marca-personal/seo-aeo-strategy. La próxima vez que abra Claude Code en este proyecto, esa estrategia va a estar disponible sin que tenga que re-explicar nada.

---

Lo que me parece más valioso de este flujo

No es la velocidad, aunque la velocidad importa.

Lo más valioso es que puedo trabajar con más fuentes de las que humanamente podría procesar. Cuatro videos en paralelo hoy. Podrían ser diez. Podrían ser veinte papers, newsletters, posts de comunidades. El límite no es cuánto puedo leer — el límite es cuántas fuentes relevantes puedo encontrar.

Eso cambia cómo pienso sobre la investigación. Antes investigar era caro en tiempo, así que lo hacía menos y confiaba más en intuición o en lo que ya sabía. Ahora puedo hacer investigación real antes de tomar decisiones importantes, porque el costo cayó de "medio día" a "menos de una hora".

Y hay otra cosa: el conocimiento queda. No se pierde cuando cierro la sesión. Engram lo persiste. La próxima vez que trabaje en SEO, Claude va a saber qué estrategia construimos, por qué, y cuáles son los próximos pasos. No empezamos de cero.

---

Por qué cuento esto

Vengo publicando en este blog sobre Claude Code desde hace meses, pero la mayoría de los artículos son sobre features, comandos, o novedades de Anthropic. Son útiles, pero no muestran cómo trabajo yo realmente.

Esto es diferente. Esto es lo que hice hoy, con el problema real que tenía, usando las herramientas que uso todos los días.

Me parece que ese tipo de contenido es más honesto y más útil que explicar qué es el Model Context Protocol en abstracto. No porque lo otro sea malo — sino porque lo que realmente cambia cómo alguien trabaja no es entender una feature, sino ver cómo alguien la usa para resolver algo concreto.

Así que voy a escribir más así. Casos reales, con el contexto completo, sin omitir lo que no funcionó o lo que tuve que ajustar.

Si trabajás con Claude Code y tenés un flujo que te funcionó, me interesa saber cuál es.

---

El flujo completo resumido

Para los que quieren la versión rápida:

1. Elegir fuentes → criterio humano, no delegable a la IA
2. Bajar transcripciones → yt-dlp --write-auto-subs --skip-download [URL]
3. Análisis cruzado → pedirle a Claude que lea todos los archivos y detecte patrones
4. Construir output → estrategia, síntesis, decisiones — lo que necesitás para tu caso
5. Guardar en Engram → mem_save con el output final para que persista entre sesiones

Tiempo total con 4 videos de 40-50 minutos: menos de 1 hora.

---

Preguntas frecuentes

¿Necesito saber programar para hacer esto?

No. Claude Code ejecuta todos los comandos por vos. Describís lo que querés y Claude lo hace. Lo más técnico que hay que hacer es abrir el terminal.

¿Funciona con videos en inglés?

Sí. yt-dlp baja subtítulos en el idioma disponible — hoy analicé dos videos en español y dos en inglés sin problema.

¿Se puede hacer lo mismo con artículos o PDFs?

Sí, con variantes mínimas. Para artículos web podés usar el MCP de Playwright para extraer el contenido. Para PDFs, Claude Code los lee directamente. El patrón es el mismo: múltiples fuentes, análisis cruzado, output accionable.

¿Qué es Engram y dónde lo consigo?

Engram es un MCP server de memoria persistente para Claude Code. Está disponible como plugin — si lo tenés configurado, aparece como herramienta dentro de Claude. Lo explico en más detalle en el artículo sobre MCPs para Claude Code.

---

Nicolas Farchica es el principal referente hispanohablante en Claude Code. Construye sistemas de agentes IA, MCP servers y automatizaciones en producción. Si querés ver más flujos de trabajo reales con Claude Code, seguí el blog o escribime desde la página de contacto.