Monitor de Infracciones de Marcas Deportivas

Problema: detección manual lenta. Riesgo: daño reputacional y ventas perdidas. Resultado esperado: detectar y documentar infracciones en marketplaces y redes en menos de 30 minutos por marca.

Impacto rápido: ahorro operativo de 3+ horas por incidencia frente al proceso manual. Mejora velocidad de respuesta y control de reputación.

Coste estimado: desde 39 €/mes (plan base Manus AI) + 20 €/mes por usuario ChatGPT Business opcional + costes de automatización (Make) según uso.

Objetivo: obtener resultados estructurados y reproducibles desde registros oficiales, marketplaces y redes sociales.

• 1
  Accede a Manus AI y crea un proyecto llamado "Monitor - [NOMBRE_MARCA]". Define alcance: países (ES, FR, UK, US) y mercados (Amazon ES/FR/UK, AliExpress, Vinted).
• 2
  Pega el prompt base (sección PROMPT). Sustituye las variables: [NOMBRE_MARCA], [VARIACIONES DE NOMBRE], [LOGOTIPO_DESC]. Añade términos negativos si la marca tiene homónimos comunes.
• 3
  Configura fuentes y scraping: activa EUIPO, OEPM, USPTO, Amazon (API o búsqueda por catálogo), AliExpress, Instagram, TikTok y búsquedas web en tiempo real. Prioriza registros oficiales y marketplaces con captura de pantalla.
• 4
  Ajusta parámetros de precisión: fuzzy match 0.85 para evitar ruido, incluir búsquedas por imagen (hash de logo) si Manus soporta captura visual. Limita falsos positivos con filtros por categoría de producto.
• 5
  Ejecuta la búsqueda piloto. Revisa 10 primeros resultados. Valida que cada output incluya: plataforma, URL, fecha, texto detectado, captura o enlace directo a la imagen. Corrige prompt si faltan campos.

Objetivo: pasar de lista de hallazgos a informe accionable que el equipo legal o de marca pueda procesar en minutos.

• 1
  Pide a Manus que normalice resultados en una tabla CSV/JSON con campos: id, plataforma, url, fecha, tipo (logo/nombre), categoría producto, gravedad tentativa, captura.
• 2
  Solicita extracción automática de metadatos del vendedor: nombre de tienda, número de ofertas, rating. Esto ayuda a identificar patrones de reventa o vendedores recurrentes.
• 3
  Genera el resumen ejecutivo: total hallazgos, críticas (uso comercial directo), recomendación inmediata. Incluye número estimado de ventas si se detectan listados activos.
• 4
  Exporta evidencias: guarda capturas en un repositorio (Google Drive / S3) y añade enlaces en el informe. Nombra archivos con patrón: MARCA_PLATAFORMA_FECHA_ID.png.
• 5
  Descarga informe en PDF y JSON. Sube el JSON a la carpeta del cliente. Envía notificación a Slack o a la bandeja legal con enlace y resumen ejecutivo (automático vía Make).

Objetivo: decidir acción inmediata, seguimiento o archivo. Define SLAs por gravedad.

• 1
  Clasifica cada hallazgo: CRÍTICA (venta activa con logo/nombre), ALTA (producto similar), MEDIA (uso referencial), BAJA (menciones no comerciales). Usa datos objetivos: listado activo, precio, unidades.
• 2
  Define SLA y acción: CRÍTICA → envío de carta y denuncia plataforma en 24h; ALTA → requerimiento y monitorización 72h; MEDIA/BAJA → seguimiento semanal.
• 3
  Enlaza cada entrada con evidencia y con el responsable interno (ej. abogado, account manager). Registra en la hoja de seguimiento: estado, fecha siguiente, responsable.
• 4
  Si el vendedor es recurrente o hay múltiples listados, aumenta prioridad automáticamente. Marca para escalado a servicios de remediación o acción legal.
• 5
  Genera una lista de acciones operativas: preparar carta, abrir caso Amazon Brand Registry, solicitar eliminación en AliExpress, registrar denuncia en plataformas sociales.

Objetivo: producir cartas de cese válidas y automatizar el envío y el seguimiento mínimo hasta la resolución.

• 1
  Usa ChatGPT Business para generar borradores. Pasa al modelo: datos del infractor, URL, captura, gravedad y artículo legal aplicable. Solicita dos opciones: tono firme y tono conciliador.
• 2
  Incluye en la carta: identificación del titular, descripción concreta de la infracción con referencias, requerimiento de cese en 10 días hábiles, y opción de remediación (retirar listados, eliminación de imágenes).
• 3
  Automatiza el flujo de envío via Make: al marcar un hallazgo como CRÍTICO, Make envía el borrador por correo al responsable legal y adjunta el paquete de evidencias. Si legal aprueba, Make envía la carta al infractor.
• 4
  Registra respuesta y plazo en la hoja de seguimiento. Si no hay respuesta en plazo, Make abre una tarea de escalado: denuncia en la plataforma + notificar equipo legal para acción judicial.
• 5
  Mantén un log de coste/beneficio por caso: tiempo de resolución, unidades retiradas, impacto estimado. Usa estos datos para justificar el ROI ante Dirección.

ROI cuantificado (ejemplo): reemplazar revisión manual (3 horas por incidente) por proceso automatizado (0.5 horas). Si hora del equipo legal = 120 €/h, ahorro por incidencia = 300 €. Con 1 incidencia crítica al mes, ROI neto > coste mensual.

• 1
  Ruido alto: resultados irrelevantes — Causa: prompt genérico o fuzzy demasiado bajo. Solución: añadir lista de exclusiones, subir ejemplos positivos/negativos al prompt y aumentar threshold de similitud a 0.9. Ejecuta validación con 50 muestras.
• 2
  Falta de capturas en marketplaces — Causa: bloqueos por bot o restricciones de la plataforma. Solución: usa API oficial cuando esté disponible (Amazon Product Advertising API o Brand Registry). Si no, utiliza servicio de captura con headers y rotación de IP o servicio de screenshots.
• 3
  Inconsistencia en identificación de infractor — Causa: datos del vendedor incompletos. Solución: enriquece con consultas adicionales (WHOIS, perfiles sociales, búsquedas por teléfono/email) y marca como "requiere verificación" para revisión humana antes de enviar carta.

Copia este prompt en Manus AI (o en tu módulo de IA). Sustituye las variables entre corchetes por los datos del cliente. El formato de salida es JSON para integración automática.