Cómo crear un AI agent con Make
Turn this article into takeaways for your work.
Each assistant summarizes the article only for you and suggests best practices for your work.
Make (antes Integromat) es una plataforma visual de automatización de workflows con más de 3.000 integraciones de aplicaciones, y añadió una capacidad específica de AI Agents sobre su motor de escenarios existente. En lugar de seguir un escenario fijo y lineal, un agent de Make recibe una tarea, razona sobre ella con un LLM conectado y decide cuál de las herramientas que usted le asignó debe llamar, y en qué orden, para completar el trabajo. Usted lo construye ensamblando cuatro piezas: un cerebro (el LLM), instrucciones (un system prompt que funciona como una descripción del puesto), herramientas (los módulos, escenarios o conexiones MCP que se le permite usar) y memoria (el contexto que conserva entre pasos).
Esta guía explica por qué Make encaja con ciertos equipos que crean agents, de qué se compone realmente su módulo de AI Agents, un recorrido completo de construcción, un caso real de cliente con cifras reales, costos y límites, y cuándo elegir Make frente a las alternativas.
Por qué los equipos crean agents en Make
La fortaleza central de Make es anterior a su función de AI Agents: se conecta con más aplicaciones SaaS, de fábrica, que la mayoría de las plataformas competidoras. Esa amplitud es justamente lo que lo convierte en una base sólida para un agent, porque un agent solo es tan útil como los sistemas a los que realmente puede llegar.
El catálogo de integraciones es el más amplio de la categoría. Make enumera más de 3.000 integraciones de aplicaciones, mantenidas directamente por el equipo de Make para las herramientas SaaS más comunes, además de un módulo HTTP genérico para todo lo que no tenga un conector prediseñado. Para un agent que necesita tocar cinco o seis sistemas de negocio distintos en una sola ejecución, ese catálogo elimina la mayor parte del trabajo de conexión.
La capa de AI Agents se asienta sobre el motor de escenarios de Make, no lo reemplaza. Puede convertir un escenario existente en una herramienta que un agent pueda llamar sin redefinir a mano sus entradas y salidas. Eso significa que los equipos que ya automatizaron un proceso en Make no empiezan de cero al añadir un agent, sino que envuelven lo que ya construyeron, de forma cercana a lo descrito en el patrón de copilot de workflow: la AI asistiendo dentro de un proceso que ya existe, en lugar de reemplazarlo por completo.
Está pensado para equipos de negocio, no solo para ingenieros. El lienzo visual de Make, su biblioteca de módulos y sus rutas de manejo de errores están diseñados para que los configure una persona de operaciones o de RevOps, no exclusivamente un desarrollador, y por eso suele ser la primera herramienta de creación de agents a la que recurre un equipo no técnico.
Make ahora forma parte de Celonis, la empresa de inteligencia de procesos, que ha estado llevando sus propios workflows a la función de AI Agents de Make, una prueba de que la plataforma se usa para automatización real en producción y no solo para demostraciones.
De qué se compone el módulo de AI Agents de Make
| Componente | Qué hace | Cómo se configura |
|---|---|---|
| Cerebro | El LLM que impulsa el razonamiento y la selección de herramientas | El proveedor de AI integrado de Make en cualquier plan, o una conexión con un proveedor de AI personalizado (OpenAI, Anthropic, Google y otros) en los planes de pago |
| Instrucciones | El system prompt que define el rol y los límites del agent | Se escriben como una descripción del puesto: qué le corresponde y qué nunca debe hacer |
| Herramientas | Lo que el agent puede llamar para hacer el trabajo | Módulos (acciones individuales de aplicaciones), escenarios completos o herramientas MCP externas |
| Memoria | El contexto que el agent lleva entre pasos | Se configura por agent; determina qué recuerda dentro de una ejecución y entre ejecuciones |
El cambio práctico respecto de un escenario normal de Make es el control. Un escenario ejecuta la misma secuencia fija cada vez. Un AI agent decide, en cada paso, qué herramienta se ajusta a la situación actual, más cerca del ciclo de razonar, actuar y observar que se explica en cómo razonan los AI agents que de un diagrama de flujo. Cuando usted configura un módulo como herramienta, Make crea automáticamente el escenario correspondiente en segundo plano, de modo que no define a mano las entradas y salidas como lo haría al conectar una API directa.
Esa flexibilidad es también la razón por la que los bloques de Rol y Reglas importan más aquí que en un escenario fijo. Un workflow rígido no puede salirse del guion porque no hay guion del cual salirse. Un agent con un system prompt vago sí puede.
El recorrido de construcción
- Defina el trabajo del agent en las instrucciones. Trátelo como los bloques de Rol y Reglas: una frase para lo que le corresponde y una lista breve de reglas permanentes sobre lo que nunca debe hacer.
- Conecte un cerebro. Use el proveedor de AI integrado de Make para empezar, o conecte su propia cuenta de OpenAI, Anthropic o Google en un plan de pago si necesita un modelo específico o quiere que el uso se facture directamente a su propia cuenta.
- Construya las herramientas del agent. Añada módulos existentes de Make como herramientas directamente, o envuelva un escenario que ya construyó para que el agent pueda llamarlo como una unidad. Cada herramienta necesita una descripción clara y específica; el agent elige las herramientas según lo que usted le dice que hace la herramienta, no según lo que hace en secreto por debajo.
- Configure la memoria. Decida qué necesita recordar el agent dentro de una sola ejecución frente a entre ejecuciones distintas, y configúrelo en consecuencia. No le dé más memoria persistente de la que el trabajo requiere.
- Añada puntos de control de intervención humana para todo lo que tenga consecuencias. Dirija cualquier resultado que deba revisarse, una aprobación, un pago, una comunicación externa, a un paso humano antes de que entre en vigor, en lugar de dejar que el agent actúe sin supervisión en los pasos más riesgosos.
- Pruebe con entradas históricas reales, no inventadas, y observe qué herramientas elige el agent antes de activar un trigger en vivo.
- Active el trigger y monitoree de cerca las primeras ejecuciones, ajustando las instrucciones donde elija la herramienta equivocada o pase por alto un caso que usted esperaba que detectara.
La secuencia de construcción avanza desde el alcance y la elección del modelo, pasando por herramientas, memoria, puntos de control humanos y pruebas históricas.
Un ejemplo real: cómo Celonis creó un agent de auditoría de gastos en Make
En lugar de una hipótesis, este es un ejemplo documentado en producción. Celonis necesitaba auditar los informes de gastos de los empleados sin que una persona revisara cada uno, así que su equipo creó un agent con intervención humana en Make:
- Un empleado envía un informe de gastos en Workday, lo que dispara un webhook hacia Make.
- Make crea un elemento estructurado en monday.com para que el equipo tenga una vista central de cada informe en curso.
- El agent ejecuta una verificación inicial de políticas: importes, fechas, límites de gasto y reglas de categoría.
- Todo lo que requiere un juicio más profundo se envía a Vertex AI (Gemini) de Google para leer el recibo y evaluarlo frente a la política de la empresa.
- Make ejecuta verificaciones complementarias, como la validación de moneda, y luego dirige el resultado: los informes que pasan avanzan automáticamente en Workday, y todo lo marcado pasa a una cola de revisión en monday.com con una respuesta predefinida que el equipo puede devolver al empleado.
El resultado, según las cifras publicadas por Celonis: una reducción del 99,7% en el costo de auditoría, de decenas de miles de dólares al año a aproximadamente $150 al año en gasto de Vertex AI, procesando del orden de 1.000 documentos por dólar, con una precisión cercana al 100% lograda mediante una cuidadosa ingeniería de contexto y un período de pruebas en paralelo de 60 a 70 días antes de que el equipo confiara en él con el volumen completo. Esa disciplina de ejecución en paralelo refleja lo que recomienda cómo crear un AI agent: probar con casos históricos reales antes de que un agent reciba autoridad real, y el plan de construcción del AI Expense Approval Agent cubre las reglas y barreras de protección completas de la misma función si usted está construyendo algo similar a partir de una plantilla en lugar de desde cero.
Costo y límites
Los precios propios de Make se basan en "operaciones", aproximadamente una operación por cada ejecución de un módulo en un escenario, con precio según el nivel del plan. La función de AI Agents está disponible en todos los planes con el proveedor de AI propio de Make, y las conexiones con proveedores personalizados (traiga su propia cuenta de OpenAI o Anthropic) están disponibles en los niveles de pago. Esa segunda opción importa cuando hay volumen: dirigir las llamadas frecuentes del agent a través de su propia cuenta de modelo, en lugar del proveedor integrado de Make, suele ser la forma más predecible de controlar el gasto a medida que crece el uso, algo que conviene entender a fondo antes de comprometerse, según costo total de propiedad de la AI.
El límite principal no es el modelo, sino la complejidad de los escenarios. Un agent con muchas herramientas y lógica de ramificación puede convertir un lienzo de Make en algo realmente difícil de auditar meses después si nadie documenta por qué existe cada rama. Incorpore rutas de manejo de errores de forma deliberada, la misma disciplina que necesita cualquier workflow, y trate cada conexión de herramienta como una concesión de permisos: un agent con acceso de escritura a su CRM y a su sistema de facturación en la misma ejecución tiene un radio de impacto más amplio si sus instrucciones son erróneas, el mismo riesgo de herramientas con permisos excesivos que se explica en seguridad de AI agents.
Cuándo elegir Make frente a las alternativas
| Si lo que busca es... | Elija |
|---|---|
| El catálogo de aplicaciones prediseñadas más amplio y un motor de escenarios que usted extiende hacia agents | Make |
| Autoalojamiento y control total, con más de la lógica ensamblada a mano | n8n |
| El camino más rápido hacia un primer agent funcional sin construir escenarios en absoluto | Lindy |
| Control total del código directamente sobre los modelos de OpenAI, sin lienzo visual | Responses API de OpenAI |
La fortaleza honesta de Make es la amplitud de integración combinada con una curva de aprendizaje suave para quienes no son ingenieros. Su límite honesto es que la capa de AI Agents es más reciente que el motor de workflows sobre el que se asienta, por lo que, para las tareas de razonamiento de varios pasos más exigentes, algunos equipos todavía recurren a una plataforma más orientada al código cuando la lógica del agent supera lo que un lienzo visual puede expresar cómodamente. Para la mayoría de los agents operativos, un workflow de aprobación, un agent de captura de datos, un agent de verificación de políticas como el que creó Celonis, la combinación de amplitud y accesibilidad de Make es la razón por la que se elige.
Datos clave
- La función de AI Agents de Make superpone un cerebro (LLM), instrucciones, herramientas y memoria sobre su motor de escenarios existente de más de 3.000 integraciones, lo que permite al agent elegir qué herramienta llamar en lugar de seguir una secuencia fija.
- Make forma parte de Celonis, cuyo propio equipo usó Make AI Agents para reducir en un 99,7% los costos de auditoría de informes de gastos, de decenas de miles de dólares al año a aproximadamente $150 al año en gasto de modelo.
- Puede usar el proveedor de AI integrado de Make en cualquier plan o conectar su propia cuenta de OpenAI, Anthropic o Google en los planes de pago.
- Los escenarios existentes de Make pueden envolverse directamente como herramientas del agent, por lo que los equipos no reconstruyen lo que ya automatizaron.
- El principal riesgo operativo es la complejidad de los escenarios y los permisos excesivos de las herramientas, no el costo bruto del modelo.
Preguntas frecuentes sobre cómo crear un AI agent con Make
¿Qué es la función de AI Agents de Make?
Es una capa sobre el motor de workflows (escenarios) existente de Make que permite a un LLM razonar sobre una tarea y decidir a qué herramientas conectadas, módulos, escenarios o conexiones MCP, debe llamar, en lugar de seguir siempre una misma secuencia fija. Usted la configura con un cerebro (el LLM), instrucciones (un system prompt), herramientas y memoria.
¿Necesito saber ya cómo usar el constructor de escenarios de Make?
Ayuda, pero no es estrictamente necesario. Una familiaridad básica con los módulos y las conexiones acelera la configuración de herramientas, ya que las herramientas del agent se construyen con los mismos bloques que los escenarios normales. El proveedor de AI propio de Make permite probar un agent sin necesidad de claves de API externas para empezar.
¿Puedo usar mi propia cuenta de OpenAI o Anthropic con Make?
Sí. La función de AI Agents de Make funciona con su proveedor de AI integrado en cualquier plan, y admite conexiones con proveedores de AI personalizados, incluida su propia cuenta de OpenAI, Anthropic o Google, en los planes de pago, lo que le da control directo sobre la elección del modelo y la facturación.
¿Cuál es un ejemplo real de un agent creado en Make?
Celonis creó en Make un agent de auditoría de gastos con intervención humana que verifica automáticamente el cumplimiento de políticas y dirige a una persona solo los casos realmente ambiguos, lo que redujo los costos de auditoría en un 99,7% según el caso de estudio publicado por la propia empresa.
¿Es Make mejor que n8n para crear AI agents?
Ninguno es mejor en todos los casos. Make suele ganar en amplitud de integración y facilidad de uso para equipos no técnicos. n8n suele ganar para los equipos que quieren autoalojamiento y control total, con una salida de emergencia de código integrada. La elección correcta depende de si su equipo quiere avanzar rápido en trabajo de SaaS a SaaS o es dueño de su propia infraestructura y quiere más control sobre los detalles.
A dónde ir a continuación
Make es la opción más sólida cuando el trabajo abarca muchas herramientas SaaS y su equipo quiere configurarlo de forma visual. Si prefiere autoalojar y controlar más de la lógica a mano, vea cómo crear un AI agent con n8n. Si quiere el camino más rápido hacia un primer agent con prácticamente nada de configuración, vea cómo crear un AI agent con Lindy. El resumen de herramientas de automatización y la guía de las mejores herramientas de automatización no-code son buenas siguientes paradas para comparar Make con el resto del campo antes de construir.
