La plataforma YouTube dejó de enviar correos sobre comentarios, y eso afectó mi capacidad de responder con agilidad a la audiencia. Sin notificaciones directas por correo electrónico, los creadores dependen de tableros externos o de comprobaciones manuales, lo que reduce la velocidad de respuesta y, por ende, la interacción. Frente a esta situación decidí reconstruir mi flujo de trabajo usando herramientas accesibles y inteligencia artificial como asistente de desarrollo.
El objetivo era claro: recibir un correo cuando apareciera un nuevo comentario en mi canal, sin depender de paneles externos.
Para lograrlo usé un enfoque compuesto: aprovechar el YouTube Data API v3, escribir un pequeño servicio en Python que haga polling cada hora y desplegarlo en un contenedor con Docker. La clave fue combinar conocimiento técnico con prompts de IA para acelerar la implementación.
El reto y las alternativas
Al desaparecer las notificaciones por correo, existen soluciones comerciales que centralizan la moderación de comentarios en un tablero, pero no encajaban con mi rutina basada en el flujo de correo diario.
Necesitaba algo que me llamara a la acción donde ya trabajo. Exploré herramientas de gestión de redes sociales y vi que todas mantenían la interacción en sus propios paneles. Por eso opté por una solución personalizada que enviara mensajes a mi buzón, usando el API oficial como fuente de datos.
Cómo construí la solución con ayuda de IA
Exploración del API y diseño del script
Pregunté a Gemini si existía alguna forma de extraer comentarios y la respuesta fue rotunda: la forma práctica es el YouTube Data API v3. Con esa confirmación, pedí un ejemplo de script en Python que hiciera polling cada hora y enviara un correo con enlaces a los nuevos comentarios. El resultado incluyó la lógica para almacenar el último identificador procesado, el envío por SMTP con una app password y la instrucción para obtener un API key desde Google Cloud Console y el Channel ID del canal.
Script, tolerancia a fallos y despliegue en contenedor
Además de la captura de comentarios, integré un mecanismo que contabiliza fallos de red: si el API deja de responder durante varias pruebas, el script suma fallos consecutivos y, tras 48 intentos fallidos equivalentes a dos días, envía una alerta por correo. Para mantener el servicio activo usé Docker y gestioné el contenedor con Portainer. La IA me ayudó a generar el Dockerfile, el archivo de dependencias y los comandos necesarios para construir y ejecutar la imagen en una máquina modesta o en la nube.
Implementación práctica y pasos clave
Los tres parámetros que hay que preparar son el YOUTUBE_API_KEY, el CHANNEL_ID y la EMAIL_PASSWORD (app password). Para obtener el API key se activa el YouTube Data API v3 en Google Cloud Console y se crea la clave; el Channel ID se extrae desde la configuración avanzada del canal; y la app password se genera desde la gestión de cuenta de Google. Con esos elementos completé el script, lo introduje en un contenedor y lo dejé corriendo de forma periódica.
Resultados, impresiones y recomendaciones
Después de poner en marcha el servicio, recibí los primeros correos con enlaces a nuevas respuestas, exactamente como quería: notificaciones que me llaman a la acción en el flujo habitual de trabajo. La experiencia confirmó que combinar un modelo de lenguaje con conocimientos técnicos reduce drásticamente el tiempo de desarrollo para proyectos puntuales. Usé Gemini Pro en este caso, aunque alternativas como ChatGPT o Claude también sirven para guiar la implementación.
Dejo el código en GitHub como punto de partida, con la advertencia de que fue creado rápido para uso personal y no incluyo soporte técnico. Si no quieres escribir código, existen servicios terceros, pero para una solución centrada en correo y control propio, el camino del API + Python + Docker es eficiente. La lección final: con prompts adecuados y verificación humana, la inteligencia artificial permite convertir ideas únicas en herramientas prácticas en pocas horas.
