1. Fundamentos de Arquitectura: Flujos que No se Rompen
El error más común de los directivos que empiezan con Make o Zapier es construir flujos que funcionan perfectamente en las pruebas y se rompen en producción al cabo de dos semanas. La razón casi siempre es la misma: el flujo fue diseñado pensando en el caso ideal, no en los casos extremos. Un flujo robusto no es aquel que funciona cuando todo va bien — es aquel que falla de forma controlada, notifica al responsable y se recupera solo.
1.1 Anatomía de un Flujo Robusto
Todo flujo de automatización, independientemente de su complejidad, tiene la misma estructura fundamental: un trigger que lo activa, uno o más módulos de procesamiento que transforman los datos, y una o más acciones que producen el resultado. La diferencia entre un flujo frágil y uno robusto está en lo que ocurre entre estos bloques: la validación de datos, el manejo de errores y la trazabilidad.
| Componente | Flujo frágil | Flujo robusto |
|---|---|---|
| Trigger | Sin filtros: se activa con cualquier evento | Con filtros de entrada: solo se activa cuando los datos cumplen las condiciones |
| Validación de datos | Asume que los datos siempre tienen el formato esperado | Valida formato, tipo y presencia de campos obligatorios antes de procesar |
| Módulo de IA | Sin límite de tokens ni timeout: puede colgar el flujo indefinidamente | Con timeout configurado, límite de tokens y fallback si la IA no responde |
| Manejo de errores | Sin configuración: el flujo se detiene silenciosamente | Con rutas de error: notificación al responsable, log del error, reintento automático |
| Acción final | Ejecuta la acción directamente (envía email, actualiza CRM) | Guarda en borrador o envía alerta de validación antes de ejecutar acciones irreversibles |
| Monitorización | Sin alertas: el fallo se descubre cuando alguien nota que falta algo | Con alertas proactivas: notificación si el flujo no se ejecuta en el tiempo esperado |
1.2 Make vs. Zapier: La Decisión Avanzada
El documento 8 del corpus PDG ya cubre la comparativa básica entre Make y Zapier. Esta sección aborda la decisión desde una perspectiva más técnica: cuándo la elección de plataforma impacta directamente en la viabilidad del flujo que quieres construir.
| Criterio de decisión | Elige Make | Elige Zapier |
|---|---|---|
| Flujos con iteración | Make tiene iteradores nativos que procesan listas de forma eficiente (ej. analizar 200 emails uno a uno) | Zapier requiere Looping by Zapier (add-on de pago) para iterar |
| Transformación de datos compleja | Make tiene módulos nativos de JSON, XML, texto, matemáticas y arrays sin necesidad de código | Zapier requiere Code by Zapier (Python/JS) para transformaciones complejas |
| Flujos con múltiples ramas | Make tiene routers visuales con múltiples rutas paralelas | Zapier tiene Paths (máx. 5 rutas en plan Business) |
| Persistencia de datos entre ejecuciones | Make tiene Data Stores nativos (base de datos simple integrada) | Zapier no tiene almacenamiento nativo; requiere Google Sheets o Airtable |
| Velocidad de configuración | Curva de aprendizaje más alta; interfaz más compleja | Más intuitivo para flujos lineales simples; configuración más rápida |
| Número de integraciones disponibles | +3.000 aplicaciones | ~7.000 aplicaciones (mayor ecosistema) |
| Precio para equipos | Make Plan: 9$/mes (5.000 créditos/mes); Enterprise: precio personalizado (junio 2026) | Zapier Business: desde 69$/mes (2.000 tareas/mes) |
| Soporte de webhooks | Webhooks ilimitados en todos los planes | Webhooks solo en planes de pago |
| Integración con IA | Módulo OpenAI nativo + módulo HTTP para cualquier API (Application Programming Interface (Interfaz de Programación de Aplicaciones)) de IA | Módulo OpenAI nativo + módulo Webhooks para APIs de IA |
2. Los 8 Patrones Avanzados de Automatización
Un patrón de automatización es una solución reutilizable a un problema recurrente en el diseño de flujos. Conocer estos 8 patrones te permite construir flujos más robustos en menos tiempo, porque no estás inventando soluciones desde cero — estás aplicando arquitecturas probadas.
2.1 Webhooks: Triggers en Tiempo Real
Un webhook es una URL que Make o Zapier te proporciona y que puedes configurar en cualquier aplicación para que "llame" a tu flujo cuando ocurre un evento. A diferencia del polling (que comprueba si hay novedades cada X minutos), los webhooks son instantáneos: el flujo se activa en milisegundos después del evento.
| Caso de uso | Aplicación que envía el webhook | Lo que hace el flujo |
|---|---|---|
| Nuevo lead en el formulario web | Typeform, HubSpot Forms, Gravity Forms | Enriquece el lead con IA, lo añade al CRM y notifica al comercial en Slack |
| Pago recibido | Stripe, PayPal, Redsys | Genera la factura, la envía al cliente y actualiza el ERP (Enterprise Resource Planning (Sistema de Planificación de Recursos Empresariales)) |
| Nuevo ticket de soporte | Zendesk, Freshdesk, Intercom | Clasifica el ticket con IA, asigna al agente correcto y genera una respuesta borrador |
| Alerta de monitorización | Datadog, PagerDuty, UptimeRobot | Notifica al equipo técnico, crea incidencia en Jira y escala si no hay respuesta en 15 min |
| Firma de contrato | DocuSign, HelloSign, Adobe Sign | Actualiza el CRM, notifica al equipo de facturación y programa el onboarding |
2.2 Iteradores y Agregadores (Solo Make)
El iterador es el patrón más potente de Make y el que más diferencia a los usuarios avanzados de los básicos. Un iterador toma una lista de elementos (emails, filas de Excel, facturas, candidatos) y procesa cada uno de forma individual con todos los módulos que siguen en el flujo. Esto permite, por ejemplo, analizar con IA cada uno de los 50 emails de la bandeja de entrada de forma independiente, en lugar de enviarlos todos juntos en un solo prompt.
El agregador es el complemento del iterador: recoge los resultados de todas las iteraciones y los combina en un único bundle para el siguiente módulo. El patrón completo es: Trigger → Iterator → [procesamiento individual] → Aggregator → [acción con el resultado consolidado].
2.3 Manejo de Errores y Reintentos
Make permite configurar rutas de error en cada módulo: si el módulo falla, en lugar de detener el flujo, se activa una ruta alternativa. Los patrones de manejo de errores más útiles para directivos son:
| Patrón | Cuándo usarlo | Configuración en Make |
|---|---|---|
| Ignore | El error no es crítico y el flujo puede continuar sin ese dato | En el módulo fallido: "Error handling" → "Ignore" |
| Commit | Quieres guardar el progreso hasta el punto de error y no repetir los pasos anteriores | En el módulo fallido: "Error handling" → "Commit" |
| Rollback | Si hay un error, quieres deshacer todas las acciones del flujo (para operaciones atómicas) | En el módulo fallido: "Error handling" → "Rollback" |
| Resume | Quieres continuar el flujo con un valor por defecto cuando el módulo falla | En el módulo fallido: "Error handling" → "Resume" + valor por defecto |
| Notificación + reintento | El error puede ser transitorio (timeout de API) y quieres reintentar automáticamente | Añade un módulo de notificación (Slack/email) en la ruta de error + "Break" con reintentos configurados |
2.4 Sub-escenarios Reutilizables
Un sub-escenario es un flujo que puede ser llamado por otros flujos, como una función en programación. Si tienes una lógica que se repite en varios flujos (ej. enriquecer un lead con IA, o generar y enviar una factura), conviértela en un sub-escenario y llámala desde los flujos que la necesiten. Esto reduce el mantenimiento: cuando la lógica cambia, solo tienes que actualizar el sub-escenario.
2.5 Filtros y Routers Condicionales
Los filtros permiten que un módulo solo se ejecute si los datos cumplen una condición. Los routers dividen el flujo en múltiples ramas que se ejecutan en paralelo o de forma condicional. La combinación de ambos permite construir flujos que se comportan de forma diferente según el tipo de dato que reciben.
| Herramienta | Descripción | Caso de uso típico |
|---|---|---|
| Filtro de trigger | Condición que debe cumplirse para que el flujo se active | Solo procesar emails con asunto que contenga "URGENTE" o "FACTURA" |
| Filtro entre módulos | Condición que debe cumplirse para que el siguiente módulo se ejecute | Solo actualizar el CRM si la puntuación de lead de la IA es mayor de 7/10 |
| Router | Divide el flujo en múltiples ramas según condiciones | Si el ticket es de tipo "Facturación" → ruta A; si es "Soporte técnico" → ruta B; si es "Otro" → ruta C |
| Router con fallback | Router con una ruta por defecto para los casos que no cumplen ninguna condición | Procesar los tipos conocidos de forma específica y enviar los desconocidos a revisión manual |
2.6 Data Stores: Persistencia entre Ejecuciones
Los Data Stores de Make son bases de datos simples integradas en la plataforma que permiten guardar y recuperar datos entre ejecuciones del flujo. Son la solución para casos donde necesitas "recordar" algo de una ejecución anterior: si ya has procesado un email, el estado de un proceso, o la última vez que se ejecutó una tarea.
| Caso de uso | Qué se guarda en el Data Store | Cómo se usa |
|---|---|---|
| Deduplicación de emails | IDs de emails ya procesados | Antes de procesar un email, comprueba si su ID ya está en el Data Store |
| Estado de un proceso de aprobación | Estado (pendiente/aprobado/rechazado) de cada solicitud | El flujo de aprobación actualiza el estado; el flujo de notificación lo consulta |
| Contador de uso de API | Número de llamadas a la API de IA en el día | Antes de llamar a la IA, comprueba si se ha superado el límite diario configurado |
| Caché de resultados | Resultados de análisis de IA para inputs frecuentes | Si el mismo email o documento ya fue analizado, devuelve el resultado cacheado sin llamar a la IA |
2.7 Scheduling Avanzado
Más allá del scheduling básico (ejecutar cada hora, cada día), Make y Zapier permiten configurar patrones de ejecución más sofisticados que son especialmente útiles para flujos corporativos.
| Patrón de scheduling | Configuración | Caso de uso |
|---|---|---|
| Solo días laborables | Cron: "0 8 * * 1-5" (lunes a viernes a las 8:00) | Informe de gestión diario que solo tiene sentido en días de trabajo |
| Último día del mes | Cron: "0 18 28-31 * *" + filtro que comprueba si es el último día | Consolidación de cierre mensual |
| Primer lunes del mes | Cron semanal + filtro que comprueba si es el primer lunes | Informe de KPIs mensual para el Comité de Dirección |
| Ejecución condicional por calendario | Trigger de Google Calendar + filtro por tipo de evento | Preparar materiales automáticamente 24h antes de una reunión de Consejo |
| Ventana de tiempo | Filtro que comprueba la hora actual antes de ejecutar la acción | Solo enviar notificaciones entre las 9:00 y las 18:00 para no molestar fuera del horario laboral |
2.8 Llamadas HTTP: Integrar Cualquier API
El módulo HTTP de Make (y el módulo Webhooks de Zapier) permite conectar cualquier API que no tenga un módulo nativo en la plataforma. Esto incluye las APIs de IA (OpenAI, Anthropic, Mistral), las APIs de tu ERP o CRM interno, y cualquier servicio con una API REST. Para directivos, el caso de uso más relevante es integrar la API de OpenAI directamente para tener control total sobre el modelo, los parámetros y el prompt.
3. Integrar IA en los Flujos: ChatGPT, Claude y Manus
La integración de IA en flujos de automatización es el salto cualitativo que transforma una automatización "tonta" (mover datos de A a B) en una automatización "inteligente" (leer, analizar, decidir y actuar). Esta sección cubre las tres formas principales de integrar IA en Make y Zapier, con sus ventajas, limitaciones y casos de uso óptimos.
3.1 ChatGPT en Make y Zapier
Tanto Make como Zapier tienen módulos nativos para OpenAI que permiten llamar a GPT-5.4, o1 y otros modelos sin necesidad de configurar la API manualmente. El módulo nativo es la opción más rápida para empezar, pero tiene limitaciones: no permite configurar todos los parámetros del modelo, y en algunos casos es más caro que la API directa.
| Método de integración | Ventajas | Limitaciones | Cuándo usarlo |
|---|---|---|---|
| Módulo nativo OpenAI | Configuración en 2 minutos, sin gestión de API keys en el código | Parámetros limitados, sin acceso a modelos en preview | Flujos simples de clasificación o generación de texto |
| Módulo HTTP + API de OpenAI | Control total: modelo, temperatura, max_tokens, system prompt, funciones | Requiere gestionar la API key y parsear la respuesta JSON manualmente | Flujos de producción que requieren control preciso del comportamiento de la IA |
| ChatGPT Actions (via API) | Permite usar Custom GPTs dentro de flujos con el contexto y documentos configurados | Requiere plan Enterprise de OpenAI y configuración técnica avanzada | Flujos que necesitan el contexto corporativo de un Custom GPT |
3.2 Claude (Anthropic) en Make y Zapier
Claude es especialmente útil en flujos que procesan documentos largos (contratos, informes, transcripciones) gracias a su ventana de contexto de 200.000 tokens. Make tiene un módulo nativo de Anthropic; Zapier lo integra vía HTTP. La API de Claude es comparable en precio a la de OpenAI para la mayoría de casos de uso.
3.3 Manus como Orquestador de Flujos Complejos
Manus no es un módulo de Make o Zapier — es una capa superior de orquestación que puede coordinar flujos enteros de forma autónoma. La integración más efectiva es usar Make/Zapier para los triggers y las acciones simples (recibir un webhook, guardar en Google Sheets, enviar un email), y delegar en Manus las tareas que requieren razonamiento complejo, navegación web o múltiples pasos de investigación.
| Tarea | Herramienta óptima | Por qué |
|---|---|---|
| Clasificar un email en una de 5 categorías | ChatGPT en Make | Tarea simple de clasificación. 1 llamada a la API, resultado inmediato. |
| Analizar un contrato de 80 páginas | Claude en Make | Requiere ventana de contexto grande. Claude procesa el PDF completo en una sola llamada. |
| Investigar un prospecto antes de una reunión | Manus (vía webhook) | Requiere navegar LinkedIn, la web de la empresa, noticias recientes. Tarea de 15-30 min autónoma. |
| Generar una propuesta comercial completa | Manus (vía webhook) | Requiere investigación del cliente, redacción estructurada y generación de visualizaciones. |
| Enviar notificación de Slack cuando se firma un contrato | Make/Zapier | Flujo lineal simple. No requiere IA ni razonamiento. |
3.4 Control de Costes de IA en Flujos
El error más caro en automatización con IA es configurar un flujo que llama a la API de IA para cada email entrante, sin límites de gasto. Un ataque de spam, un bucle infinito o un pico de tráfico puede generar facturas de cientos de euros en horas. Estas son las medidas de control que todo flujo con IA debe tener:
| Medida de control | Implementación en Make | Coste estimado que previene |
|---|---|---|
| Límite de operaciones en Make | Settings → Scheduling → Max number of cycles per run | Previene bucles infinitos que consumen todas las operaciones del plan |
| Límite de gasto en OpenAI | Panel de OpenAI → Billing → Usage limits → Hard limit | Previene facturas inesperadas por picos de tráfico o errores de configuración |
| Filtro de tamaño de input | Filtro antes del módulo de IA: solo procesar si el texto tiene menos de X caracteres | Previene el procesamiento de documentos enormes que consumen tokens excesivos |
| Caché con Data Store | Antes de llamar a la IA, comprueba si el mismo input ya fue procesado | Elimina llamadas duplicadas a la API para inputs repetidos |
| Contador diario de llamadas | Data Store con contador + filtro que bloquea el flujo si se supera el límite | Garantiza que el coste diario no supera el presupuesto definido |
4. Seguridad y Compliance en Flujos de Automatización
Cuando un flujo de Make o Zapier procesa datos de tu empresa, esos datos pasan por los servidores de la plataforma de automatización, luego por los servidores de la IA (OpenAI, Anthropic), y finalmente llegan a la aplicación de destino. Cada uno de esos saltos es un punto de riesgo que debe estar cubierto contractualmente y técnicamente.
4.1 Clasificación de Datos y Qué Puede Pasar por los Flujos
| Tipo de dato | ¿Puede pasar por Make/Zapier + IA? | Condiciones |
|---|---|---|
| Emails internos (sin datos personales) | SÍ | Con DPA (Data Processing Agreement (Acuerdo de Tratamiento de Datos)) firmado con Make/Zapier y OpenAI/Anthropic. Servidores en UE. |
| Datos de clientes (nombre, email, empresa) | CON PRECAUCIÓN | Solo si el cliente ha dado consentimiento explícito para el procesamiento automatizado. DPA obligatorio. |
| Datos financieros internos (P&L, presupuestos) | CON PRECAUCIÓN | Anonimizar antes de enviar a la IA. No incluir nombres de empresas ni identificadores. |
| Datos personales identificables (DNI, datos de salud, nóminas) | NO | Prohibido bajo RGPD sin base legal específica y medidas técnicas adicionales. |
| Secretos comerciales bajo NDA (Non-Disclosure Agreement (Acuerdo de Confidencialidad)) | NO | El NDA puede prohibir el procesamiento por terceros. Consultar con asesoría legal antes. |
| Información pre-anuncio (M&A, resultados no publicados) | NO | Riesgo regulatorio (insider trading) y de confidencialidad. |
4.2 Auditoría y Trazabilidad
Un flujo de automatización que toma decisiones (clasifica emails, puntúa leads, genera respuestas) debe dejar un rastro auditable. En caso de error, reclamación de cliente o auditoría interna, necesitas poder responder: ¿qué datos procesó el flujo?, ¿qué decidió la IA?, ¿quién validó la acción?
| Elemento de trazabilidad | Cómo implementarlo en Make |
|---|---|
| Log de ejecuciones | Make guarda el historial de ejecuciones (hasta 30 días en planes de pago). Configura notificaciones de error por email. |
| Log de decisiones de IA | Añade un módulo que guarda en Google Sheets o Airtable: input enviado a la IA, output recibido, timestamp, y acción tomada. |
| Aprobación humana antes de acciones irreversibles | Antes de enviar un email, actualizar el CRM o publicar contenido, añade un módulo que envía una alerta de validación (Slack/email) y espera confirmación. |
| Retención de datos | Configura la retención de datos de Make según tu política interna. Por defecto, Make retiene los datos de ejecución 30 días. |
4.3 Certificaciones de Seguridad de Make
Make (anteriormente Integromat) ha invertido significativamente en certificaciones de seguridad. La información está disponible en make.com/security. Estas certificaciones son relevantes porque Make actúa como intermediario en el procesamiento de datos corporativos.
| Certificación | Estado | Relevancia para directivos |
|---|---|---|
| SOC (Service Organization Control) 2 Tipo II | SÍ | Controles de seguridad auditados de forma continua e independiente |
| ISO 27001 | SÍ | Estándar internacional de gestión de seguridad de la información |
| RGPD / GDPR (General Data Protection Regulation) | SÍ | DPA disponible; servidores en la UE (Frankfurt) disponibles en planes de pago |
| Cifrado en tránsito y reposo | SÍ | TLS (Transport Layer Security) 1.2+ en tránsito, AES (Advanced Encryption Standard)-256 en reposo para datos almacenados |
5. Depuración sin Ayuda Técnica: Los 10 Errores Más Frecuentes
El 80% de los problemas en flujos de Make y Zapier tienen la misma causa raíz: un cambio en los datos de entrada que el flujo no esperaba. Una API que cambia el formato de su respuesta, un campo que pasa a ser opcional, un email con caracteres especiales que rompe el parser. Esta sección cubre los 10 errores más frecuentes y cómo diagnosticarlos sin necesidad de ayuda técnica.
5.1 Los 10 Errores Más Frecuentes
| # | Error | Síntoma | Causa más probable | Solución |
|---|---|---|---|---|
| 1 | Campo vacío o nulo | El flujo falla en un módulo de transformación o la IA recibe un input vacío | El trigger devuelve un campo que a veces está vacío (ej. el asunto de un email puede estar en blanco) | Añade un filtro antes del módulo problemático que compruebe que el campo no está vacío, o usa un valor por defecto |
| 2 | Token de API caducado | Error 401 (Unauthorized) en el módulo de conexión | Las credenciales de la conexión han caducado o el token fue revocado | En Make: Connections → Reconectar la aplicación afectada |
| 3 | Límite de operaciones agotado | El flujo se detiene a mitad de ejecución sin error visible | Se han consumido todas las operaciones del plan del mes | Revisar el panel de uso en Make → Upgrade o esperar al siguiente ciclo de facturación |
| 4 | Timeout de la API de IA | Error de timeout en el módulo de OpenAI/Anthropic | El input es demasiado largo o el modelo está sobrecargado | Reducir el tamaño del input, aumentar el timeout en la configuración del módulo HTTP, o añadir un reintento automático |
| 5 | Formato JSON incorrecto | Error de parsing en el módulo que procesa la respuesta de la IA | La IA no devolvió el JSON esperado (incluyó texto antes o después del JSON) | Usar el módulo "Parse JSON" de Make con manejo de errores, o añadir un prompt que fuerce el formato JSON estricto |
| 6 | Duplicados en el procesamiento | El mismo email o registro se procesa varias veces | El trigger no tiene deduplicación, o el flujo se ejecutó varias veces en paralelo | Implementar el patrón de Data Store para deduplicación (ver sección 2.6) |
| 7 | Cambio en la API de origen | El flujo funciona pero los datos son incorrectos o incompletos | La aplicación de origen cambió el nombre de un campo o el formato de la respuesta | Revisar el historial de ejecuciones en Make → Comparar la estructura de datos actual con la esperada |
| 8 | Límite de rate de la API | Error 429 (Too Many Requests) en el módulo de IA o de otra API | El flujo hace demasiadas llamadas en poco tiempo | Añadir un módulo "Sleep" entre iteraciones, o reducir la frecuencia de ejecución del flujo |
| 9 | Caracteres especiales en el texto | El módulo de IA o de la aplicación de destino falla con ciertos inputs | El texto contiene caracteres que rompen el JSON (comillas dobles sin escapar, saltos de línea) | Añadir un módulo de transformación de texto que limpie los caracteres problemáticos antes de enviar a la IA |
| 10 | Flujo activo en zona horaria incorrecta | El informe semanal se envía a las 3:00 AM en lugar de las 8:00 AM | Make usa UTC por defecto; el scheduling no tiene en cuenta el cambio de horario | Configurar la zona horaria en Settings → General → Time zone, y verificar el scheduling con el cambio horario de verano/invierno |
5.2 Metodología de Diagnóstico en 5 Pasos
- Identifica el módulo exacto donde falla: En Make, el módulo fallido aparece marcado en rojo en el diagrama del flujo. Haz clic en él para ver el detalle del error.
- Revisa el historial de ejecuciones: En Make → Scenario → History, puedes ver las últimas ejecuciones y los datos exactos que procesó cada módulo. Compara una ejecución exitosa con una fallida.
- Reproduce el error manualmente: Usa la función "Run once" de Make con los datos exactos que causaron el error para reproducirlo de forma controlada.
- Aísla el problema: Desactiva los módulos posteriores al problemático y ejecuta el flujo hasta ese punto para confirmar que el error está localizado.
- Documenta la solución: Una vez resuelto, añade un comentario en el módulo afectado explicando qué falló y cómo se solucionó. Esto evita que el mismo error ocurra de nuevo meses después.
6. Escalado: De Prototipo a Producción
Un flujo que funciona en pruebas con 10 registros puede comportarse de forma completamente diferente en producción con 10.000 registros. El escalado de flujos de automatización requiere planificación en tres dimensiones: volumen de datos, fiabilidad del sistema y mantenimiento a largo plazo.
6.1 Cuándo Involucrar a IT
Make y Zapier están diseñados para que los directivos y sus equipos puedan construir flujos sin ayuda técnica. Sin embargo, hay situaciones en las que la implicación del equipo de IT no es opcional — es necesaria para garantizar la seguridad, la escalabilidad y el cumplimiento normativo.
| Situación | ¿Involucrar IT? | Por qué |
|---|---|---|
| Flujo que procesa datos de clientes (RGPD) | SÍ | Necesitas confirmar que el DPA está firmado y que los datos se procesan en la UE |
| Flujo que se conecta al ERP o CRM corporativo | SÍ | IT debe aprobar las credenciales de acceso y los permisos de la integración |
| Flujo que procesa más de 100.000 registros/mes | SÍ | A ese volumen, Make/Zapier puede ser más caro que una solución técnica propia |
| Flujo que ejecuta acciones irreversibles (pagos, contratos) | SÍ | Necesitas un proceso de validación y auditoría que IT puede ayudar a diseñar |
| Flujo que conecta aplicaciones SaaS (Software as a Service (Software como Servicio)) estándar (Gmail, Slack, Sheets) | NO | Estas integraciones son estándar y no requieren acceso a sistemas corporativos críticos |
| Flujo de análisis y notificación (sin acciones irreversibles) | NO | El riesgo es bajo: si el flujo falla, el impacto es una notificación perdida, no un dato corrompido |
6.2 Documentación de Flujos: La Práctica que Nadie Hace y Todos Necesitan
El 90% de los flujos de Make y Zapier no tienen documentación. Cuando el directivo que los creó deja la empresa, o cuando el flujo falla 6 meses después de su creación, nadie sabe qué hace exactamente ni por qué está configurado de esa forma. La documentación de un flujo no requiere más de 15 minutos y puede ahorrar horas de diagnóstico.
Nombre del flujo: [Nombre descriptivo]
Propósito: [Una frase que explica qué problema resuelve]
Trigger: [Qué lo activa y con qué frecuencia]
Datos que procesa: [Qué tipo de datos entran y salen]
Acciones que ejecuta: [Lista de acciones, especialmente las irreversibles]
Responsable: [Quién lo mantiene]
Última modificación: [Fecha y descripción del cambio]
Errores conocidos: [Problemas conocidos y sus soluciones]
7. Make/Zapier vs. Manus: Cuándo Usar Cada Uno
Una de las preguntas más frecuentes entre los directivos del PDG que han completado los documentos 8 y el de Manus es: ¿cuándo uso Make/Zapier y cuándo uso Manus? La respuesta no es "uno u otro" — es "cada uno para lo que hace mejor", y en muchos casos, los dos juntos.
| Dimensión | Make / Zapier | Manus |
|---|---|---|
| Tipo de tarea | Flujos repetitivos y predecibles con pasos definidos | Tareas complejas que requieren razonamiento, investigación y adaptación |
| Trigger | Evento externo (email, webhook, horario) | Instrucción en lenguaje natural del directivo |
| Navegación web | No nativo (requiere módulos específicos o APIs) | Nativo: puede navegar cualquier web como un humano |
| Procesamiento de documentos | Limitado: extrae texto, pero no "entiende" el documento | Avanzado: lee, analiza y sintetiza documentos complejos |
| Integración con aplicaciones | 1.500-7.000 aplicaciones con módulos nativos | Cualquier aplicación con interfaz web o API |
| Frecuencia de ejecución | Continua (cada minuto, cada hora, en tiempo real) | Bajo demanda o programada (no continua) |
| Coste por ejecución | Bajo (céntimos por operación) | Más alto (tareas de 15-60 minutos de agente autónomo) |
| Supervisión requerida | Baja: el flujo es determinista y predecible | Media: el agente puede tomar decisiones inesperadas |
| Caso de uso ideal | Triaje de emails, generación de informes periódicos, sincronización de datos entre sistemas | Investigación de mercado, análisis de competidores, preparación de materiales de reunión |
8. Limitaciones Reales de Make y Zapier
Como con cualquier herramienta, las limitaciones de Make y Zapier son tan importantes de conocer como sus capacidades. Un directivo que entiende las limitaciones toma mejores decisiones sobre qué automatizar y qué no.
| # | Limitación | Descripción real | Mitigación práctica |
|---|---|---|---|
| 1 | Latencia inherente | Make y Zapier no son herramientas de tiempo real estricto. El tiempo entre el trigger y la primera acción puede ser de 1-15 segundos. Para procesos que requieren respuesta en milisegundos (trading, sistemas de control industrial), no son adecuados. | Para la mayoría de casos de uso directivo, 1-15 segundos es perfectamente aceptable. Si necesitas tiempo real estricto, considera una solución técnica propia. |
| 2 | Fiabilidad del 99%, no del 100% | Make y Zapier tienen SLAs del 99% de uptime, lo que equivale a ~87 horas de downtime al año. Los flujos críticos de negocio no pueden depender exclusivamente de estas plataformas. | Para flujos críticos, implementa siempre un mecanismo de alerta cuando el flujo no se ejecuta en el tiempo esperado, y un proceso manual de respaldo. |
| 3 | Límite de complejidad | Los flujos muy complejos (más de 50 módulos, lógica condicional profunda, múltiples sub-escenarios anidados) se vuelven difíciles de mantener y depurar en Make/Zapier. A partir de cierta complejidad, una solución técnica propia es más eficiente. | Si un flujo requiere más de 30 módulos, es señal de que probablemente debería dividirse en múltiples flujos más simples o migrarse a una solución técnica. |
| 4 | Dependencia de APIs de terceros | Si la API de una aplicación cambia, el módulo de Make/Zapier puede dejar de funcionar hasta que la plataforma actualice el módulo. Esto ha ocurrido con actualizaciones de Google, Microsoft y Salesforce. | Suscríbete a las notificaciones de cambios de Make/Zapier y configura alertas cuando los flujos fallen para detectar estos problemas rápidamente. |
| 5 | La IA en los flujos no tiene memoria | Cada llamada a la API de IA dentro de un flujo es independiente. La IA no recuerda el contexto de ejecuciones anteriores a menos que se lo proporciones explícitamente en el prompt. | Usa Data Stores para guardar el contexto relevante de ejecuciones anteriores e incluirlo en el prompt de la siguiente ejecución. |
| 6 | Coste por volumen | Make y Zapier son económicos para volúmenes bajos y medios. Para más de 500.000 operaciones/mes, el coste puede superar el de una solución técnica propia. | Monitoriza el consumo de operaciones mensualmente. Si superas el 80% del plan, evalúa si es más eficiente optimizar los flujos o migrar a una solución técnica. |
| 7 | Vendor lock-in | Los flujos de Make no son portables a Zapier y viceversa. Si cambias de plataforma, tienes que reconstruir todos los flujos desde cero. | Documenta todos los flujos con suficiente detalle para poder reconstruirlos. Considera Make como la opción con menor riesgo de lock-in por su mayor flexibilidad técnica. |
9. Tutoriales: 12 Flujos Avanzados Paso a Paso
Los siguientes 12 tutoriales cubren flujos avanzados que van más allá del documento 8 del corpus PDG. Cada tutorial incluye el diagrama del flujo, los pasos de configuración detallados, el prompt de IA (cuando aplica) y el impacto estimado en tiempo y coste.
Objetivo: 48 horas antes de cada reunión del Comité de Dirección, el flujo recopila automáticamente los KPIs del mes de Google Sheets, los hitos del proyecto de Asana, los puntos abiertos del acta anterior de Notion, y genera con IA un documento de preparación estructurado que se envía a todos los asistentes.
- Trigger: En Make, crea un nuevo escenario. Añade el módulo "Google Calendar → Watch Events". Configura el calendario del Comité de Dirección y activa el trigger con scheduling diario a las 9:00.
- Filtro de 48 horas: Añade un filtro después del trigger: "Event Start Time" → "is within the next" → "48 hours". Esto garantiza que el flujo solo se activa cuando hay un Comité en las próximas 48 horas.
- Recopilar KPIs: Añade el módulo "Google Sheets → Search Rows". Configura la hoja de KPIs y filtra por el mes actual. Usa el módulo "Array Aggregator" para consolidar todas las filas en un único texto.
- Recopilar hitos de Asana: Añade el módulo "Asana → Search Tasks". Filtra por proyecto y estado "completado en los últimos 30 días". Agrega los resultados.
- Recopilar puntos abiertos de Notion: Añade el módulo "Notion → Search Database Items". Filtra por la base de datos de actas y el estado "Abierto". Agrega los resultados.
- Generar el documento con IA: Añade el módulo "OpenAI → Create Completion". Configura el modelo GPT-5.4 y el prompt de sistema. Pasa como input el texto consolidado de KPIs, hitos y puntos abiertos.
- Crear el documento en Google Docs: Añade el módulo "Google Docs → Create a Document". Usa el output de la IA como contenido del documento.
- Enviar por email: Añade el módulo "Gmail → Send an Email". Configura los destinatarios (los asistentes del evento de Calendar), el asunto y el enlace al documento de Google Docs.
Objetivo: Cada vez que se graba y transcribe una reunión de dirección (vía Otter.ai, Fireflies o similar), el flujo extrae automáticamente todas las decisiones tomadas y los compromisos adquiridos, los añade a una base de datos de Notion, y envía un resumen a los implicados con sus tareas asignadas.
- Configurar el webhook: En Make, crea un nuevo escenario con el módulo "Webhooks → Custom Webhook". Copia la URL del webhook y configúrala en Otter.ai o Fireflies como destino de notificación cuando una transcripción está lista.
- Extraer decisiones con IA: Añade el módulo "OpenAI → Create Completion". Pasa el texto de la transcripción y usa el prompt de extracción estructurada.
- Parsear el JSON de la IA: Añade el módulo "JSON → Parse JSON" para convertir el output de la IA (que debe ser un array JSON) en un bundle de Make.
- Iterar por compromiso: Añade el módulo "Flow Control → Iterator" para procesar cada compromiso de forma individual.
- Añadir a Notion: Para cada compromiso, añade el módulo "Notion → Create a Database Item" con los campos: descripción, responsable, fecha límite y estado (Pendiente).
- Agregar resultados: Añade el módulo "Flow Control → Array Aggregator" para consolidar todos los compromisos procesados.
- Enviar resumen: Añade el módulo "Gmail → Send an Email" con el resumen de decisiones y compromisos, agrupados por responsable.
Objetivo: Cada mañana, el flujo descarga los movimientos bancarios del día anterior (vía API del banco o exportación a Google Sheets), los analiza con IA para detectar anomalías (gastos inusuales, pagos duplicados, transacciones fuera de patrón), y envía un informe de alertas al CFO y al CEO.
- Trigger diario: Configura el escenario con scheduling diario a las 7:30 AM (días laborables).
- Descargar movimientos: Añade el módulo "Google Sheets → Get Range Values" para obtener los movimientos del día anterior. Si tu banco tiene API, usa el módulo HTTP para descargarlos directamente.
- Formatear los datos: Usa el módulo "Text Aggregator" para convertir las filas de la hoja en un texto estructurado que la IA pueda analizar.
- Análisis de anomalías con IA: Añade el módulo "OpenAI → Create Completion" con el prompt de detección de anomalías. Configura temperature=0 para máxima consistencia en los resultados.
- Filtro de alerta: Añade un filtro que solo continúa si la IA detectó al menos una anomalía (comprueba que el campo "anomalias_detectadas" del JSON de respuesta no está vacío).
- Enviar alerta: Añade el módulo "Gmail → Send an Email" al CFO y CEO con el informe de anomalías. Incluye el nivel de urgencia en el asunto del email.
- Log en Sheets: Añade un módulo "Google Sheets → Add a Row" para guardar el log de cada análisis (fecha, número de transacciones analizadas, anomalías detectadas).
Objetivo: Cuando un empleado envía una solicitud de gasto (vía formulario de Typeform o Google Forms), el flujo la clasifica con IA, la enruta al aprobador correcto según el importe y la categoría, y escala automáticamente si no hay respuesta en 24 horas.
- Trigger: Módulo "Typeform → Watch Responses" o "Google Forms → Watch Responses".
- Clasificar el gasto con IA: Módulo "OpenAI → Create Completion" para clasificar la solicitud en categoría (viaje, material, formación, software, otro) y evaluar si cumple la política de gastos.
- Router por importe: Añade un router con 3 rutas: (A) menos de 500€ → aprobación automática, (B) 500-5.000€ → aprobación del responsable directo, (C) más de 5.000€ → aprobación del CFO.
- Enviar solicitud de aprobación: Para las rutas B y C, envía un email de aprobación con botones de "Aprobar" y "Rechazar" (usando el módulo de email con respuesta de Make).
- Guardar en Data Store: Guarda el ID de la solicitud, el aprobador y el timestamp en un Data Store para el seguimiento.
- Escenario de escalado: Crea un segundo escenario que se ejecuta cada hora, comprueba el Data Store, y escala las solicitudes sin respuesta después de 24 horas al nivel superior.
Objetivo: Cuando llega un nuevo lead al CRM (HubSpot, Salesforce o Pipedrive), el flujo investiga automáticamente la empresa del lead (web, LinkedIn, noticias recientes), genera un perfil de comprador con IA, y actualiza el CRM con la información enriquecida y una puntuación de calificación.
- Trigger: Módulo "HubSpot → Watch Contacts" o el módulo equivalente de tu CRM. Filtra por leads nuevos (creados en las últimas 24 horas).
- Obtener información de la web de la empresa: Módulo "HTTP → Make a Request" con la URL de la web de la empresa (extraída del campo "Company Website" del CRM). Usa el módulo "HTML → Parse HTML" para extraer el texto relevante.
- Buscar noticias recientes: Módulo "HTTP → Make a Request" a la API de NewsAPI o SerpAPI para buscar noticias de la empresa en los últimos 30 días.
- Generar perfil con IA: Módulo "OpenAI → Create Completion" con toda la información recopilada. El prompt genera el perfil del comprador y la puntuación de calificación.
- Actualizar el CRM: Módulo "HubSpot → Update a Contact" con los campos enriquecidos: descripción de la empresa, puntuación de lead, notas de investigación, y próxima acción recomendada.
- Notificar al comercial: Módulo "Slack → Create a Message" en el canal del equipo comercial con el resumen del lead enriquecido y el enlace al CRM.
Objetivo: Cuando una oportunidad se marca como "Perdida" en el CRM, el flujo envía automáticamente un email de seguimiento al cliente para conocer el motivo, analiza las respuestas con IA para identificar patrones, y genera un informe mensual de Win/Loss para el equipo directivo.
- Trigger: Módulo "HubSpot → Watch Deals" filtrado por cambio de estado a "Closed Lost".
- Enviar email de seguimiento: Módulo "Gmail → Send an Email" con una plantilla personalizada que pregunta el motivo de la decisión. Incluye un enlace a un formulario corto de Typeform.
- Guardar en Sheets: Módulo "Google Sheets → Add a Row" con los datos de la oportunidad perdida (empresa, importe, sector, competidor ganador si se conoce).
- Trigger de respuesta: Segundo escenario con "Typeform → Watch Responses" que se activa cuando el cliente responde al formulario.
- Análisis de respuesta con IA: Módulo "OpenAI → Create Completion" para clasificar el motivo (precio, funcionalidad, competidor, timing, relación) y extraer insights.
- Informe mensual: Tercer escenario programado el primer lunes de cada mes que consolida todos los datos de Sheets, genera el informe Win/Loss con IA y lo envía al equipo directivo.
Objetivo: El flujo monitoriza diariamente las reseñas de Google My Business, Trustpilot y G2, analiza el sentimiento con IA, genera borradores de respuesta personalizados para las reseñas negativas, y envía un informe semanal de reputación al CMO.
- Trigger diario: Scheduling diario a las 8:00 AM.
- Obtener nuevas reseñas: Módulo "HTTP → Make a Request" a la API de Google My Business para obtener reseñas de las últimas 24 horas. Repite para Trustpilot y G2 si aplica.
- Filtrar reseñas negativas: Filtro que selecciona solo las reseñas con puntuación de 1-3 estrellas.
- Generar borrador de respuesta: Módulo "OpenAI → Create Completion" para cada reseña negativa. El prompt genera una respuesta empática y profesional que aborda el problema específico mencionado.
- Guardar borrador para aprobación: Módulo "Google Sheets → Add a Row" con la reseña original y el borrador de respuesta. Envía una notificación al responsable de marketing para que apruebe y publique.
- Informe semanal: Segundo escenario programado los lunes que consolida las reseñas de la semana, calcula el NPS (Net Promoter Score) implícito, identifica los temas recurrentes con IA y genera el informe.
Objetivo: Cuando el equipo de marketing publica un nuevo artículo de blog en WordPress, el flujo genera automáticamente con IA las versiones adaptadas para LinkedIn (post del CEO), Twitter/X (hilo de 5 tweets), newsletter (resumen de 200 palabras) y Slack interno (resumen para el equipo), y las guarda como borradores para revisión.
- Trigger: "WordPress → New Post" filtrado por categoría y estado "Published".
- Extraer el contenido: El trigger de WordPress incluye el título, el extracto y el contenido del artículo. Limpia el HTML con el módulo "Formatter → Text → Strip HTML".
- Generar versión LinkedIn: Módulo "OpenAI → Create Completion" con el prompt de LinkedIn. Guarda el resultado en Google Sheets como borrador.
- Generar hilo de Twitter: Módulo "OpenAI → Create Completion" con el prompt de Twitter. Guarda como borrador.
- Generar resumen para newsletter: Módulo "OpenAI → Create Completion" con el prompt de newsletter. Añade a Mailchimp o Klaviyo como borrador de campaña.
- Notificar al equipo: Módulo "Slack → Send a Message" con el resumen del artículo y los enlaces a los borradores para revisión.
Objetivo: Cuando se crea una incidencia en el sistema de ticketing (Zendesk, Freshdesk o Jira Service Management), el flujo la clasifica con IA por urgencia e impacto, la asigna al equipo correcto, genera una respuesta inicial al cliente, y escala automáticamente si no hay resolución en el SLA (Service Level Agreement (Acuerdo de Nivel de Servicio)) definido.
- Trigger: Módulo "Zendesk → Watch Tickets" para nuevas incidencias.
- Clasificar con IA: Módulo "OpenAI → Create Completion" que analiza el título y la descripción de la incidencia y devuelve: categoría, urgencia (P1/P2/P3/P4), impacto estimado y equipo responsable.
- Router por prioridad: Router con 4 rutas según la prioridad asignada por la IA. P1 (crítico) activa notificación inmediata al director de operaciones; P4 (bajo) va a la cola estándar.
- Asignar y responder: Módulo "Zendesk → Update a Ticket" para asignar al equipo correcto. Módulo "OpenAI → Create Completion" para generar la respuesta inicial al cliente. Módulo "Zendesk → Create a Reply" para enviar la respuesta.
- Guardar en Data Store: Guarda el ID del ticket, la prioridad, el SLA objetivo (P1: 1h, P2: 4h, P3: 8h, P4: 48h) y el timestamp de creación.
- Monitor de SLA: Segundo escenario que se ejecuta cada 30 minutos, comprueba el Data Store, y escala los tickets que han superado el 80% de su SLA sin resolución.
Objetivo: Cuando RRHH (Recursos Humanos) añade un nuevo empleado en el sistema (BambooHR, Personio o similar), el flujo crea automáticamente todas las cuentas necesarias (Google Workspace, Slack, Notion, herramientas del equipo), envía el email de bienvenida personalizado, y programa las reuniones de onboarding de la primera semana.
- Trigger: Módulo "BambooHR → Watch New Employees" o webhook desde Personio cuando se activa un nuevo empleado.
- Crear cuenta de Google Workspace: Módulo "Google Workspace Admin → Create a User" con nombre, apellido, departamento y fecha de inicio.
- Añadir a Slack: Módulo "Slack → Invite User to Channel" para añadir al empleado a los canales de su departamento.
- Crear perfil en Notion: Módulo "Notion → Create a Database Item" en la base de datos del equipo con el perfil del nuevo empleado.
- Generar email de bienvenida con IA: Módulo "OpenAI → Create Completion" para personalizar el email de bienvenida según el departamento, el cargo y el nombre del responsable directo.
- Programar reuniones de onboarding: Módulo "Google Calendar → Create an Event" para programar las reuniones de la primera semana: bienvenida con RRHH, reunión con el equipo, 1:1 con el responsable directo.
- Notificar al equipo: Módulo "Slack → Send a Message" en el canal del departamento anunciando la incorporación.
Objetivo: Cada lunes a las 7:00 AM, el flujo recopila los KPIs de las últimas 4 semanas de Google Analytics, HubSpot, el ERP y Google Sheets, genera con IA una narrativa ejecutiva que explica los datos (no solo los muestra), y envía el dashboard completo al equipo directivo.
- Trigger: Scheduling semanal los lunes a las 7:00 AM.
- Recopilar datos de Google Analytics: Módulo "HTTP → Make a Request" a la API de Google Analytics 4 para obtener sesiones, conversiones y revenue de las últimas 4 semanas.
- Recopilar datos de HubSpot: Módulo "HubSpot → Search CRM Objects" para obtener deals cerrados, pipeline y actividad comercial de la semana.
- Recopilar KPIs del ERP: Módulo "Google Sheets → Get Range Values" de la hoja de KPIs operativos actualizada por el ERP.
- Generar narrativa con IA: Módulo "OpenAI → Create Completion" con todos los datos consolidados. El prompt genera la narrativa ejecutiva con tendencias, anomalías y recomendaciones.
- Crear el dashboard en Google Slides: Módulo "Google Slides → Update a Presentation" para actualizar la plantilla del dashboard con los datos y la narrativa de la semana.
- Enviar por email: Módulo "Gmail → Send an Email" con el PDF del dashboard adjunto y el resumen ejecutivo en el cuerpo del email.
Objetivo: El flujo monitoriza semanalmente los sitios web, blogs y perfiles de LinkedIn de los 5 principales competidores, detecta con IA cambios significativos (nuevos productos, cambios de precios, nuevas contrataciones clave, comunicados de prensa), y envía un informe de inteligencia competitiva al equipo directivo.
- Trigger: Scheduling semanal los viernes a las 16:00.
- Obtener contenido de los competidores: Para cada competidor, módulo "HTTP → Make a Request" a su web, blog y feed RSS. Usa el módulo "HTML → Parse HTML" para extraer el texto relevante.
- Comparar con la semana anterior: Módulo "Data Store → Search Records" para obtener el contenido de la semana anterior. Módulo "OpenAI → Create Completion" para identificar qué ha cambiado.
- Detectar cambios significativos: Módulo "OpenAI → Create Completion" que analiza los cambios y determina cuáles son estratégicamente relevantes (nuevos productos, cambios de precio, nuevas contrataciones, etc.).
- Filtro de relevancia: Filtro que solo continúa si la IA detectó cambios con relevancia "Alta" o "Media".
- Actualizar Data Store: Guarda el contenido actual para la comparación de la próxima semana.
- Generar informe: Módulo "OpenAI → Create Completion" para generar el informe de inteligencia competitiva consolidado. Módulo "Gmail → Send an Email" al equipo directivo.
Referencias
- Make — Documentación oficial: make.com/en/help
- Make — Guía de Data Stores: make.com/en/help/tools/data-store
- Make — Manejo de errores: make.com/en/help/errors/error-handling
- Zapier — Documentación oficial: help.zapier.com
- Zapier — Looping by Zapier: help.zapier.com/hc/en-us/articles/8496288690573
- OpenAI — API Reference: platform.openai.com/docs/api-reference
- Anthropic — API Reference: docs.anthropic.com/en/api
- Make — Precios y planes: make.com/en/pricing
- Zapier — Precios y planes: zapier.com/pricing
- AEPD (Agencia Española de Protección de Datos) — Guía de protección de datos en automatización: aepd.es