Clasificación Automática de Archivos a Google Drive

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

Si sigues estos pasos, en 30-45 minutos tendras:

✓ Escenario Make que categoriza y mueve archivos a carpetas en Drive
✓ Conjunto de reglas y regex para extracción de metadatos críticos
✓ Checklist de pruebas y controles de cumplimiento para directivos

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Cuenta Google Workspace con permisos para crear y mover archivos en la carpeta raíz objetivo y crear claves de API si es necesario.

Obligatorio Cuenta en Make (Integromat) con permisos para conectar Google Drive y ejecutar escenarios automatizados.

Recomendado Política interna de nombres y clasificación existente (ej.: prefijos departamentales, etiquetas de sensibilidad).

Recomendado Clave de API para el modelo IA recomendado o acceso a plataforma que ofrezca GPT-5.

Transferencia internacional de datos: IA procesa datos en servidores externos. Sin acuerdo de procesamiento de datos (DPA) firmado, no introduzcas datos personales, financieros confidenciales ni datos especialmente protegidos. Verifica con tu departamento legal o IT antes de usar datos reales de tu empresa.

El caso

Logística Norte S.A., sector logística y distribución — el problema real

El departamento operativo recibe cientos de facturas, albaranes y contratos escaneados diariamente que quedan desordenados en Drive. La búsqueda manual consume tiempo y genera errores en la contabilización y auditoría interna.

Con IA y el prompt de este tutorial, puede resolver este reto en 30-45 minutos — sin conocimientos tecnicos previos.

Situacion real
Datos + contexto

→

IA
Prompt estructurado

→

Output ejecutivo
Listo para usar

Por que funciona: Los modelos de lenguaje manejan texto no estructurado y extraen entidades con alta tolerancia a ruido y formatos variados. Combinados con Make permiten ejecutar decisiones automáticas y trazables sin necesidad de programación avanzada. Esto acelera procesos y reduce errores humanos en operaciones y cumplimiento.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
Se recibe gran volumen de documentos escaneados o multi-formato Necesita extracción de metadatos clave para procesos financieros o legales Desea reducir tiempo de reconciliación y mejorar trazabilidad para auditorías	Documentos estrictamente estructurados con integración nativa (por ejemplo, ERP que ya clasifica entradas) Casos que requieran interpretación legal compleja que dependa de juicio humano exclusivo Cuando la empresa no puede garantizar permisos y controles de acceso adecuados en Drive

Paso 01

Preparar cuentas y permisos

Configure las credenciales y permisos en Google Workspace y Make. Esto garantiza que el escenario puede leer, clasificar y mover archivos sin interrupciones de permisos.

1
Asignar una cuenta de servicio o usuario con permisos Cree o identifique una cuenta con permisos para acceder a la carpeta raíz [VARIABLE1] y para crear y mover archivos. Documente la cuenta en la política de accesos.
2
Conectar Google Drive en Make En Make, añada el módulo de Google Drive y autentique con la cuenta definida. Verifique con una prueba que el módulo puede listar y mover archivos en la carpeta objetivo.
3
Preparar la API del modelo IA Asegure la clave de API del modelo recomendado (GPT-5) o acceso a la plataforma. Pruebe una llamada simple que retorne texto para validar credenciales y latencia.

Checkpoint: Make está conectado a Google Drive con la cuenta adecuada y la API de IA responde a llamadas de prueba.

Paso 02

Definir taxonomía y reglas de negocio

Diseñe la estructura de carpetas, etiquetas y reglas que el flujo aplicará. Una taxonomía clara reduce falsos positivos y facilita auditoría y recuperación de documentos.

1
Mapear tipos de documento y carpetas destino Liste tipos (factura, albarán, contrato, nómina) y asigne carpetas en [VARIABLE1]. Incluya ejemplos concretos de nombres y formatos para cada tipo.
2
Definir metadatos críticos a extraer Especifique campos como fecha, importe, proveedor, NIF, y etiquetas de sensibilidad. Determine tolerancia a errores y reglas de validación (por ejemplo, fecha válida, importe numérico).
3
Priorizar reglas de rechazo y revisión humana Establezca umbrales que forzarían una revisión manual (p.ej., confianza IA < 75% o extracción incompleta) y defina la carpeta de cuarentena.

Checkpoint: Documento de taxonomía aprobado con carpetas destino en Drive y reglas de validación acordadas por operaciones y finanzas.

Paso 03

Ejecutar el prompt principal

Este es el prompt central del tutorial. Cópialo completo, rellena las variables entre corchetes con los datos de tu empresa o situación, y envíalo.

1
Copia el prompt completo Selecciona todo el texto del prompt y cópialo. No modifiques la estructura — está diseñado para obtener el output más útil posible.
2
Rellena las variables entre corchetes Sustituye cada [VARIABLE] con información real de tu empresa. Cuanto más específico seas, mejor será el output.
3
Envía el prompt y espera la respuesta Pega el prompt en el chat y envíalo. El modelo puede tardar entre 10 y 60 segundos dependiendo de la complejidad.

Variables del prompt — sustituye cada [VARIABLE] con datos reales

[VARIABLE1]Ruta completa de la carpeta raíz en Google Drive donde llegarán los archivos (ej.: /Operaciones/Entrada)

[VARIABLE2]Nombre oficial de la empresa o unidad para incluir en metadatos y reportes (ej.: Logística Norte S.A.)

[VARIABLE3]Lista de casos de uso prioritarios separados por comas (ej.: facturas proveedor, albaranes, contratos)

Prompt principal — Clasificación automática en Drive Eres un asistente técnico-estratégico experto en clasificación automática de archivos para Google Drive. Genera un plan ejecutable y artefactos técnicos completos para implementar un escenario en Make que clasifique y mueva archivos desde la carpeta raíz indicada. Salida esperada: (1) Resumen ejecutivo (máx. 6 frases) con objetivos y riesgos; (2) Taxonomía propuesta con carpetas destino, criterios y ejemplos; (3) Reglas de extracción de metadatos (campo, formato esperado, regex o patrón y tolerancia de error); (4) Lógica de decisión para Make, expresada como pseudodiagrama paso a paso y condiciones exactas (incluye umbrales de confianza y manejo de errores); (5) Módulos Make necesarios y configuración de cada módulo (incluye ejemplo de payload para webhook, nombre del módulo, configuraciones clave y tiempos de espera); (6) Prompt que se enviará al modelo IA dentro del escenario (optimizado para GPT-5), con variables y ejemplos; (7) Casos de prueba mínimos (10 archivos de ejemplo con resultado esperado) y métricas de aceptación; (8) Notas de gobernanza y cumplimiento: trazabilidad, registro de decisiones, retención, acceso y auditoría. Considera estas variables: carpeta raíz en Drive = [VARIABLE1], nombre de la empresa = [VARIABLE2], casos de uso prioritarios = [VARIABLE3] (lista breve separada por comas). Para la extracción, sugiere al menos 5 expresiones regulares completas (en formato compatible con Make) y ejemplos de textos reales que las validen. Incluye un bloque final con un checklist operativo para el director de área (5 puntos) y recomendaciones para escalado (3 acciones prioritarias). Prioriza claridad, pasos accionables y controles de riesgo. No generes código que exponga claves. Si detectas ambigüedad en las variables, solicita al final los datos faltantes en formato de tabla simple y propón valores por defecto seguros.

Checkpoint: El modelo ha respondido con un output estructurado que incluye las secciones solicitadas en el prompt.

Paso 04

Iterar y validar en producción

Refina reglas y umbrales tras pruebas en un entorno controlado. Monitorice métricas clave y ajuste para reducir falsos positivos y garantizar cumplimiento.

1
Ejecutar pruebas con un set piloto Use 100-500 documentos representativos. Registre tasa de clasificación correcta, campos extraídos y casos de cuarentena. Compare con línea base manual.
2
Ajustar prompts y reglas en Make Refine la instrucción que se envía a la IA y actualice expresiones regulares y validaciones. Documente cambios para auditoría.

Checkpoint: Tasa de clasificación aceptada por operaciones (ej.: >92%) y flujo desplegado en producción con monitorización activa.

Iteracion

Prompts para refinar el output

Estos son los ajustes mas frecuentes que se piden despues del primer output. Copialos directamente en el chat:

Hacer el output más específico

cuando el output es demasiado genérico. "Reduce la taxonomía y adapta las reglas a estos 3 tipos prioritarios: [VARIABLE3]. Para cada tipo, proporciona 3 ejemplos reales de nombres de archivo y una expresión regular exacta que capture el número de documento."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Resume la solución en una página ejecutiva y añade un anexo técnico separado con las expresiones regulares, payloads de webhook y configuración de cada módulo Make. Mantén la parte ejecutiva en un máximo de 6 frases."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reescribe el resumen ejecutivo en un tono formal y conciso dirigido al Comité de Dirección, destacando beneficios cuantificables y riesgos mitigados. Máximo 5 frases."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Proporciona un resumen ejecutivo de 120-150 palabras con impacto en tiempo ahorrado estimado, reducción de errores y ROI estimado en 12 meses. Incluye 3 indicadores clave a monitorizar."

Resultado

Que vas a obtener

Este es el tipo de output que genera IA con el prompt de este tutorial. El contenido varia segun tu empresa y situacion, pero la estructura es siempre esta:

Ejemplo de output — Logística Norte S.A., sector logística y distribución

Estructura del output

El prompt genera un documento con: resumen ejecutivo, taxonomía y reglas, especificación técnica para Make (módulos y payloads), expresiones regulares, casos de prueba y checklist operativo. Cada sección debe ser accionable y numerada para implementación.

Senales de un buen output

Resumen ejecutivo claro con métricas operativas
Lista de carpetas destino y criterios explícitos para cada tipo
Expresiones regulares y payloads listos para copiar en Make
Casos de prueba con resultados esperados y métricas de aceptación

Senal de que el output es bueno: El output incluye reglas concretas (regex), payloads de webhook y un checklist operativo validado por casos de prueba.

Costes

Inversion y retorno

30$ Plan Make + acceso API modelo / mes

4-15 min por ejecución (depende del tamaño del archivo) Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: Reducir el tiempo de clasificación manual y errores puede recuperar horas del equipo operativo por semana y acelerar procesos financieros. El coste mensual se compensa si la automatización evita retrasos en pagos, mejora la conciliación y reduce sanciones por incumplimiento.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
Archivos no aparecen en la carpeta destino	Permisos insuficientes o token inválido en la conexión de Make	Verifique la cuenta usada en Make, renueve la autenticación y compruebe que la cuenta tiene permiso de modificar la carpeta [VARIABLE1].
IA devuelve clasificación ambigua o 'no determinado'	Prompt insuficiente o ejemplos de entrenamiento incompletos	Refina el prompt con ejemplos específicos de [VARIABLE3] y añade un umbral mínimo de confianza; enviar iteración con más ejemplos.
Extracción de campos con formato incorrecto	Regex o patrones mal formulados para los formatos locales	Actualice las expresiones regulares sugeridas por el prompt con ejemplos reales de la empresa y pruebe en Make con el módulo de prueba.
Escenario Make se detiene por timeout	Módulo esperando respuesta del servicio IA o tamaños de archivo grandes	Ajuste tiempos de espera en Make, procese documentos grandes en cola separada y optimice el prompt para respuestas más cortas.
Altos falsos positivos en categoría sensible	Falta de regras de validación y baja tolerancia en el flujo	Implemente una regla de 'cuarentena' para confianza < 85% y añada revisión manual antes de mover a carpeta sensible.

Modo avanzado

Como hacer este tutorial con IA en modo avanzado

En modo agente, la IA actúa como operador autónomo que genera los artefactos técnicos, crea el escenario Make y valida con pruebas. Esto acelera la implementación pero requiere supervisión y control de accesos por parte del equipo directivo.

Modo avanzado

Flujo de trabajo avanzado

1
Generar artefactos técnicos completos (prompts, regex, payloads y checklist)
2
Construir el escenario Make con los módulos y configuraciones propuestas
3
Ejecutar pruebas piloto con un conjunto de documentos y registrar métricas
4
Ajustar reglas y desplegar con monitorización y alertas de excepción

Actúa como un agente técnico que implementa y valida la solución completa de clasificación automática en Google Drive. Tareas: (1) Genera los archivos de configuración y documentación técnica necesarios para crear un escenario Make que conecte Google Drive y GPT-5; (2) Crea un mapa paso a paso de los módulos Make a configurar, con namestrings exactos, payloads de ejemplo y condiciones lógicas; (3) Simula 10 archivos de prueba representativos de [VARIABLE3] y proporciona el resultado esperado para cada uno; (4) Genera un informe de pruebas con métricas: tasa de aciertos, falsos positivos, tiempo medio de procesamiento; (5) Proporciona instrucciones exactas para desplegar en producción y script de rollback. Usa la carpeta raíz [VARIABLE1] y referencia la empresa [VARIABLE2]. No incluyas claves ni accesos en el output; documenta dónde pegarlos de forma segura.

Cuando usar el modo avanzado en este tutorial: Particularmente valioso cuando el equipo interno carece de recursos técnicos para traducir especificaciones a escenarios Make o cuando se busca acelerar un piloto con entregables completos.

Siguiente paso

Que hacer ahora?

Ahora que has completado este tutorial, hay dos caminos naturales:

Tutorial relacionado · IA

Explorar mas tutoriales de IA

Descubre otros casos de uso de IA para directivos en diferentes funciones y sectores.

Biblioteca completa

Ver todos los tutoriales

Explora los tutoriales del programa organizados por herramienta, funcion y nivel de dificultad.

Para sacarle mas partido: Tras desplegar, configure alertas en Make para registros de excepciones y programe revisiones quincenales de los casos de cuarentena para ajustar umbrales y reducir revisiones manuales.

Alternativa segura

Puedo hacer esto sin que mis datos salgan de la empresa?

Si. Este caso de uso trabaja con datos que, por su naturaleza confidencial, estrategica o regulada, son candidatos optimos para ejecutarse con un modelo de lenguaje open source desplegado en infraestructura propia (on-premises o nube privada). Con esta configuracion, ningun dato abandona nunca los servidores de tu organizacion y el modelo no puede ser entrenado con tu informacion.

Modelos recomendados

Llama 3.3 70B — Ideal para analisis de documentos largos y generacion de texto estructurado (contexto 128K tokens).

Mistral Large 2 — Excelente para extraccion de informacion y clasificacion con alta precision.

Qwen 2.5 72B — Especialmente potente para analisis de datos tabulares y financieros.

Plataformas de despliegue

Ollama — Para equipos pequenos o uso individual en hardware propio.

vLLM — Para entornos de produccion con multiples usuarios simultaneos.

LM Studio — Para pruebas y uso individual sin configuracion de servidor.

Infraestructura minima

Para un modelo de 70B parametros en produccion:

GPU: 2x NVIDIA A100 40GB o 4x RTX 4090.

RAM: 128GB minimo.

Alternativa cloud privada: AWS Private Cloud, Azure Government o Google Cloud Confidential Computing.

Garantia de privacidad: Con un modelo on-premises correctamente configurado, los datos nunca salen de tu red corporativa, el modelo no se entrena con tu informacion, no hay transferencia internacional de datos y el cumplimiento normativo es total incluso para datos del art. 9 RGPD.

Necesitas implementar esta solucion en tu organizacion?

La configuracion de modelos open source on-premises requiere un proveedor tecnico especializado. Agere puede ayudarte a desplegar esta solucion en tu infraestructura de forma segura, con garantias legales y sin que tus datos salgan nunca de tu organizacion.

Contactar con Agere Conocer Agere