Hoy la operación creativa de una marca es un montón de archivos y carpetas sin cerebro. Codex es ese cerebro: unifica, estandariza y da metodología, y con eso alimenta la producción a escala (que es una capa aparte). Elige tu camino — cliente, diseñador o desarrollador — y pregúntale al asistente IA.
El brandbook en un PDF, los assets en un Drive, las reglas en la cabeza de alguien, las decisiones en correos. No hay fuente única de verdad.
Cada quien interpreta la marca distinto. Aparecen "12 azules casi iguales", logos apretados, frases fuera de tono. La marca deriva.
Cada campaña reinventa la rueda: se improvisa desde cero, sin un proceso repetible de requerimiento a pieza.
Todo a mano. Producir 2.000 variantes toma semanas y sale inconsistente. Y la IA sin cerebro produce fuera de marca.
Un cerebro, no un montón de carpetas. Todo el conocimiento, assets, frameworks, reglas, metodología e historial en un solo lugar, con fuente única de verdad.
La marca deja de ser interpretación y se vuelve código (el BSC): tokens W3C, reglas como contratos, assets referenciados, versionado. Es la memoria del cerebro.
Un proceso repetible de requerimiento a pieza: ingesta, roles, contratos, validación. No más improvisar cada campaña.
El primer paso no son "los pilares" (eso es el mapa). Empiezas por volver tu marca código:
Tu brandbook, los logos (SVG si se puede), las fuentes y 5–10 piezas aprobadas. Ese es el insumo — el punto de partida real.
Subes el brandbook; la IA (Claude por Bedrock) lo lee y propone un borrador de tokens y reglas. Tú todavía no tecleas nada.
Verificas/exportas los tokens desde Figma (el color exacto lo pones tú), confirmas el tono con 3–5 ejemplos ✅/❌, y clasificas las reglas (duras vs blandas).
El manifiesto: referencia tokens, voz, reglas y assets, con versión brand@1.0.0. Es el primer artefacto real del cerebro.
El backend valida que todo cumpla los contracts/*.schema.json. Si no cumple, se corrige.
Se genera dist/ y se expone (contexto / MCP / gateway). Ya tienes el cerebro; la producción lo consume después.
El conocimiento estandarizado: tokens, reglas, assets, contexto (el BSC).
Cómo aprende: la IA lee el brandbook y propone; el humano confirma.
Qué recordar por tarea: RAG + el armador de contexto.
Lo que conecta con las herramientas: MCP + LLM Gateway.
Lo que no se permite: reglas duras + linter.
La producción —generar piezas, canvas, render— es el cuerpo que ejecuta las órdenes del cerebro. Consume Codex, pero no es Codex.
El destino no es una pieza, es el lote. Una sábana de N filas entra; N piezas en marca salen — sin revisar una por una. Estandarizas una vez, produces infinito.
El modelo usa nombres ({color.brand.blue}); el render los convierte en valores (#0A2540). El modelo describe; el render pinta.
Reglas exactas (logo ≥ 96px) → validadores → linter. Reglas de tono → prosa → orientan al modelo. La clave de todo el sistema.
La IA hace borradores; un humano confirma las reglas duras. Nunca se auto-commitea una regla sin revisión.
El punto de entrada que referencia todo (tokens, voz, reglas, assets) y lleva la versión (brand@2.3.0).
Nadie QA-ea 5.000 piezas a mano. El linter valida cada una contra las reglas duras, en automático.
Entregas tu brandbook (PDF), logos en buena calidad y fuentes.
Creamos tu BSC (tu marca en código). Tú apruebas que el tono, colores y reglas quedaron bien.
Nos das una tabla de datos (productos, precios, mercados) — la "sábana".
La IA genera todas las piezas en tu marca; el corrector automático (linter) las valida.
Consistente y verificado. ¿Cambió tu azul? Se cambia en un lugar y todo sale con el nuevo.
Defines la marca (el criterio). No escribes código: llenas plantillas y confirmas lo que la IA extrae del brandbook.
Exportas color, tipografía y spacing como .tokens.json (estándar W3C DTCG). No los tecleas.
Llenas la plantilla de tono (voice/rules.md) y das ejemplos ✅/❌ de copy (few-shot).
Duras (medibles: máx. 22 palabras, logo ≥ 96px) vs blandas (tono). Cuando dudes, empieza como blanda.
Un resumen de ½ página (llms.txt): qué es la marca, tono, qué evitar, y links al detalle.
Revisas lo que la IA propuso (verifica los colores exactos) y confirmas. Se versiona (brand@2.3.0).
El brandbook se sube a S3; una Lambda llama a Claude (Bedrock, vía Gateway) con un prompt de extracción; propone tokens y reglas; el humano confirma; commit brand@2.3.0.
Entregas contracts/*.schema.json (JSON Schema 2020-12) que validan cada archivo del núcleo.
Una fuente → muchos destinos: theme.css (valores), vocabulario de tokens (referencias), chunks RAG, config MCP.
El armador ensambla el prompt por fila (voz + vocab + reglas duras + few-shot + RAG); el modelo devuelve un spec con referencias.
Corre los validadores sobre cada pieza en CI. Las que fallan se regeneran solas.
Resuelve las referencias a valores con theme.css, trae los binarios de S3, exporta la imagen (Playwright/Satori).