Como Construir um AI Agent com o Make

O Make (antes chamado Integromat) é uma plataforma visual de automação de fluxos de trabalho com mais de 3.000 integrações de aplicativos, e acrescentou uma capacidade dedicada de AI Agents sobre o seu motor de scenarios já existente. Em vez de seguir um scenario fixo e linear, um agent do Make recebe uma tarefa, raciocina sobre ela com um LLM conectado e decide quais das ferramentas que você anexou chamar, e em que ordem, para concluir o trabalho. Você constrói um a partir da montagem de quatro peças: um cérebro (o LLM), instruções (um system prompt que funciona como uma descrição de cargo), ferramentas (os módulos, scenarios ou conexões MCP que ele tem permissão para usar) e memória (o contexto que ele mantém ao longo das etapas).

Este guia aborda por que o Make serve a certas equipes que constroem agents, do que o módulo AI Agents é realmente feito, um passo a passo completo de construção, um caso real de cliente com números reais, custo e limites e quando escolher o Make em vez das alternativas.

Por Que as Equipes Constroem Agents no Make

A principal força do Make antecede o recurso de AI Agents: ele se conecta, de fábrica, a mais aplicativos SaaS do que a maioria das plataformas concorrentes. Essa amplitude é exatamente o que o torna uma base sólida para um agent, porque um agent só é tão útil quanto os sistemas que consegue de fato alcançar.

O catálogo de integrações é o mais amplo da categoria. O Make lista mais de 3.000 integrações de aplicativos, mantidas diretamente pela equipe do Make para as ferramentas SaaS mais comuns, além de um módulo HTTP genérico para tudo o que não tem um conector pronto. Para um agent que precisa tocar cinco ou seis sistemas de negócios diferentes em uma única execução, esse catálogo elimina a maior parte do trabalho de encanamento.

A camada de AI Agents fica por cima do motor de scenarios do Make, não no lugar dele. Você pode transformar um scenario existente em uma ferramenta chamável por um agent sem redefinir à mão suas entradas e saídas. Isso significa que as equipes que já automatizaram um processo no Make não recomeçam do zero ao adicionar um agent: elas envolvem o que já construíram, de forma próxima ao descrito no padrão de workflow copilot: a AI auxiliando dentro de um processo que já existe, em vez de substituí-lo por completo.

Foi feito para equipes de negócios, não apenas para engenheiros. O canvas visual do Make, sua biblioteca de módulos e suas rotas de tratamento de erros foram pensados para ser configurados por uma pessoa de operações ou de RevOps, e não exclusivamente por um desenvolvedor, o que explica por que ele costuma ser a primeira ferramenta de construção de agents a que uma equipe não técnica recorre.

O Make agora faz parte da Celonis, a empresa de process intelligence, que vem executando os próprios fluxos de trabalho pelo recurso de AI Agents do Make, indício de que a plataforma é usada para automação real em produção, e não apenas em demonstrações.

Do Que o Módulo AI Agents do Make É Feito

A mudança prática em relação a um scenario normal do Make é o controle. Um scenario executa a mesma sequência fixa todas as vezes. Um AI agent decide, a cada etapa, qual ferramenta se encaixa na situação atual, mais próximo do ciclo de raciocinar, agir e observar abordado em como os AI agents raciocinam do que de um fluxograma. Quando você configura um módulo como ferramenta, o Make cria automaticamente o scenario para ele nos bastidores, então você não define à mão as entradas e saídas como faria ao conectar uma API pura.

Essa flexibilidade é também o motivo pelo qual os blocos de construção Papel e Regras importam mais aqui do que em um scenario fixo. Um fluxo de trabalho rígido não consegue sair do roteiro, porque não existe roteiro do qual sair. Um agent com um system prompt vago consegue.

O Passo a Passo da Construção

1. Defina o trabalho do agent nas instruções. Trate isso como os blocos Papel e Regras: uma frase para aquilo de que ele é responsável e uma lista curta de regras sempre ativas sobre o que ele nunca deve fazer.
2. Conecte um cérebro. Use o provedor de AI integrado do Make para começar, ou conecte a sua própria conta da OpenAI, da Anthropic ou do Google em um plano pago, se precisar de um modelo específico ou quiser que o uso seja cobrado diretamente na sua conta.
3. Construa as ferramentas do agent. Adicione módulos existentes do Make diretamente como ferramentas, ou envolva um scenario que você já construiu para que o agent o chame como uma única unidade. Cada ferramenta precisa de uma descrição clara e específica; o agent escolhe as ferramentas com base no que você diz que a ferramenta faz, não no que ela faz por baixo dos panos.
4. Configure a memória. Decida o que o agent precisa lembrar dentro de uma única execução e entre execuções separadas, e configure de acordo. Não dê a ele mais memória persistente do que o trabalho exige.
5. Adicione pontos de verificação com intervenção humana para tudo o que for consequente. Encaminhe toda saída que deve ser revisada, uma aprovação, um pagamento, uma comunicação externa, para uma etapa humana antes de ela entrar no ar, em vez de deixar o agent agir sem supervisão nas etapas mais arriscadas.
6. Teste com entradas históricas reais, não inventadas, e observe quais ferramentas o agent escolhe antes de ativar um trigger ao vivo.
7. Ative o trigger e monitore de perto as primeiras execuções, ajustando as instruções sempre que ele escolher a ferramenta errada ou deixar passar um caso que você esperava que ele pegasse.

A sequência de construção vai do escopo e da escolha do modelo, passando por ferramentas, memória, pontos de verificação humanos e testes históricos.

Um Exemplo Real: Como a Celonis Construiu um Agent de Auditoria de Despesas no Make

Em vez de um exemplo hipotético, eis um exemplo documentado em produção. A Celonis precisava auditar relatórios de despesas dos colaboradores sem que um humano revisasse cada um deles, e sua equipe construiu um agent com intervenção humana no Make:

1. Um colaborador envia um relatório de despesas no Workday, o que dispara um webhook para o Make.
2. O Make cria um item estruturado no monday.com para que a equipe tenha uma visão central de cada relatório em andamento.
3. O agent executa uma verificação inicial de política: valores, datas, limites de gastos, regras de categoria.
4. Tudo o que exige um julgamento mais profundo é enviado ao Vertex AI (Gemini), do Google, para ler o recibo e avaliá-lo em relação à política da empresa.
5. O Make executa verificações complementares, como a validação de moeda, e então roteia o resultado: os relatórios aprovados avançam automaticamente no Workday, e tudo o que for sinalizado vai para uma fila de revisão no monday.com, com uma resposta padronizada que a equipe pode enviar de volta ao colaborador.

O resultado, segundo os números publicados pela própria Celonis: uma redução de 99,7% no custo de auditoria, de dezenas de milhares de dólares por ano para cerca de $150 por ano em gastos com o Vertex AI, processando algo em torno de 1.000 documentos por dólar, com precisão próxima de 100% alcançada por meio de uma engenharia de contexto cuidadosa e de um período de testes em paralelo de 60 a 70 dias antes que a equipe confiasse a ele o volume total. Essa disciplina de execução em paralelo espelha o que como construir um AI agent recomenda: testar com casos históricos reais antes de dar autoridade real a um agent, e o blueprint do AI Expense Approval Agent traz as regras e barreiras de proteção completas da mesma função, caso você esteja construindo algo semelhante a partir de um template, em vez de começar do zero.

Custo e Limites

O preço do próprio Make é baseado em "operações", aproximadamente uma operação por execução de módulo em um scenario, precificada por faixa de plano. O recurso de AI Agents está disponível em todos os planos usando o provedor de AI do próprio Make, com conexões de provedor personalizado (traga a sua própria conta da OpenAI ou da Anthropic) disponíveis nas faixas pagas. Essa segunda opção importa em volume: rotear chamadas frequentes de agents pela sua própria conta de modelo, em vez do provedor integrado do Make, costuma ser a forma mais previsível de gerenciar os gastos à medida que o uso cresce, algo que vale entender por completo antes de se comprometer, conforme custo total de propriedade de AI.

O principal limite não é o modelo, e sim a complexidade dos scenarios. Um agent com muitas ferramentas e lógica de ramificação pode transformar um canvas do Make em algo genuinamente difícil de auditar meses depois, se ninguém documentar por que cada ramificação existe. Construa rotas de tratamento de erros de forma deliberada, a mesma disciplina de que qualquer fluxo de trabalho precisa, e trate cada conexão de ferramenta como uma concessão de permissão: um agent com acesso de escrita ao seu CRM e ao seu sistema de faturamento na mesma execução tem um raio de impacto maior se as instruções dele estiverem erradas, o mesmo risco de ferramentas com permissões excessivas abordado em segurança de AI agents.

Quando Escolher o Make e Quando Escolher Alternativas

A força honesta do Make é a amplitude de integração combinada com uma curva de aprendizado suave para quem não é engenheiro. Seu limite honesto é que a camada de AI Agents é mais nova do que o motor de fluxos de trabalho sobre o qual ela fica, então, nas tarefas de raciocínio em várias etapas mais exigentes, algumas equipes ainda recorrem a uma plataforma mais voltada ao código quando a lógica do agent ultrapassa o que um canvas visual expressa com conforto. Para a maioria dos agents operacionais, um fluxo de aprovação, um agent de entrada de dados, um agent de verificação de políticas como o que a Celonis construiu, a combinação de amplitude e acessibilidade do Make é o motivo pelo qual ele é escolhido.

Fatos Principais

• O recurso de AI Agents do Make acrescenta um cérebro (LLM), instruções, ferramentas e memória sobre o seu motor de scenarios com mais de 3.000 integrações, permitindo que o agent escolha qual ferramenta chamar, em vez de seguir uma sequência fixa.
• O Make faz parte da Celonis, cuja própria equipe usou os AI Agents do Make para reduzir em 99,7% os custos de auditoria de relatórios de despesas, de dezenas de milhares de dólares por ano para cerca de $150 por ano em gastos com modelos.
• Você pode usar o provedor de AI integrado do Make em qualquer plano ou conectar a sua própria conta da OpenAI, da Anthropic ou do Google nos planos pagos.
• Os scenarios existentes do Make podem ser envolvidos diretamente como ferramentas de agents, então as equipes não precisam reconstruir o que já automatizaram.
• O principal risco operacional é a complexidade dos scenarios e as permissões excessivas das ferramentas, e não o custo bruto do modelo.

Para Onde Ir a Seguir

O Make é a escolha mais forte quando o trabalho abrange muitas ferramentas SaaS e a sua equipe quer configurá-lo de forma visual. Se você prefere fazer self-hosting e controlar mais da lógica à mão, veja como construir um AI agent com o n8n. Se você quer o caminho mais rápido para um primeiro agent, com praticamente nenhuma configuração, veja como construir um AI agent com o Lindy. O panorama de ferramentas de automação e o guia das melhores ferramentas de automação no-code são boas próximas paradas para comparar o Make com o restante do mercado antes de construir.