Gestión Documental Inteligente con Make y ChatGPT

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

Si sigues estos pasos, en 45-60 minutos tendras:

✓ Flujo Make configurado que recibe archivos desde Gmail, WhatsApp Business y Slack
✓ Extracción automática de metadatos clave (fecha, cliente, tipo, importe, confidencialidad)
✓ Índice operativo en Google Sheets y rutas de almacenamiento en Drive autocreables

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Cuenta Google Workspace con Drive y Google Sheets y permisos para crear carpetas y editar hojas.

Obligatorio Cuenta en Make (Integromat) y acceso administrativo a los conectores de Gmail, Google Drive, Google Sheets y Webhooks.

Recomendado Cuenta ChatGPT Business con clave API y capacidad para llamadas de larga duración y uso empresarial.

Recomendado Acceso a servicios OCR (p. ej. Google Cloud Vision) si se espera procesar imágenes o PDFs escaneados con texto no seleccionable.

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

LogiCorp Servicios SL, sector logística y distribución — el problema real

Reciben cientos de documentos diarios (albaranes, facturas, contratos) por email, WhatsApp y Slack. El archivo manual provoca duplicados, pérdida de metadatos y demoras en conciliaciones operativas.

Con IA y el prompt de este tutorial, puede resolver este reto en 45-60 minutos — sin conocimientos tecnicos previos.

Situacion real
Datos + contexto

→

IA
Prompt estructurado

→

Output ejecutivo
Listo para usar

Por que funciona: La IA extrae información semántica y campos ocultos (por ejemplo, número de pedido dentro de un texto libre) con más precisión que reglas sintácticas rígidas. Integrada en Make, permite orquestar OCR, validación y almacenamiento sin intervención manual. El resultado es homogéneo y escalable para auditoría y compliance.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
Reciben documentos heterogéneos y altos volúmenes de entradas desde varios canales Necesitan trazabilidad, indexado y búsquedas por metadatos (cliente, proyecto, fecha) Buscan reducir tiempo de conciliación y errores humanos en el archivado	Tienen un volumen bajo y procesos manuales aceptables para el negocio Solo desean almacenar archivos sin necesidad de metadatos estructurados El proceso requiere decisiones legales complejas que siempre deben pasar por revisión humana

Paso 01

Preparar cuentas y permisos

Configure las cuentas y permisos necesarios en Google Workspace, Make y ChatGPT Business. Esto garantiza que los flujos de integración puedan leer correos, recibir webhooks y escribir en Drive y Sheets.

1
Conceder permisos de API en Google Workspace En el intento administrativo de Google Workspace, habilite la API de Drive y Sheets y cree credenciales OAuth para Make. Esto permite a Make crear carpetas y añadir filas en hojas sin intervención manual.
2
Crear y validar clave API de ChatGPT Business Genere una clave API en la consola de ChatGPT Business y pruébela con una llamada simple para confirmar latencia y permisos. Registre la clave en Make como conexión segura.
3
Preparar carpeta raíz en Drive y plantilla de Sheets Cree una carpeta raíz [DRIVE_ROOT_FOLDER_ID] y una hoja de cálculo [SHEETS_ID] con columnas base (Timestamp, FileID, Filename, DrivePath, Cliente, TipoDocumento, FechaDoc, Importe, Confidencialidad, Resumen). Esto estructura la salida esperada.

Checkpoint: Credenciales activas en Make y ChatGPT Business; carpeta raíz y hoja de índice creadas y accesibles.

Paso 02

Diseñar el flujo en Make

Construya el escenario en Make que recibe documentos desde Gmail, WhatsApp Business y Slack, invoca OCR si procede, llama a ChatGPT para extracción de metadatos y escribe en Drive y Sheets.

1
Configurar módulos de entrada Agregue módulos Gmail > Watch emails, WhatsApp Business > Receive messages y Slack > Watch messages. Normalice el archivo adjunto o la URL de descarga en un campo común para procesar.
2
Agregar etapa de OCR / conversión a texto Si el archivo es imagen o PDF no seleccionable, encamine el documento a Google Cloud Vision o un módulo OCR para obtener texto plano antes de enviar a ChatGPT.
3
Llamar a ChatGPT Business via HTTP Configure un módulo HTTP que envíe el texto y el contexto a ChatGPT usando el prompt principal del tutorial, espere la respuesta JSON y mapéee los campos a Drive y Sheets.

Checkpoint: Escenario en Make capaz de recibir un archivo de prueba y devolver un JSON de metadatos sin errores.

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

[COMPANY_NAME]Nombre legal o comercial de la empresa (se usa en las rutas de Drive)

[DRIVE_ROOT_FOLDER_ID]ID de la carpeta raíz en Google Drive donde se crearán subcarpetas

[SHEETS_ID]ID de la hoja de cálculo de Google Sheets que actuará como índice maestro

Prompt principal — Gestión Documental Inteligente Eres un asistente técnico empresarial. Tu tarea es analizar el contenido textual y los metadatos asociados de un archivo recibido y devolver un JSON estructurado listo para que Make lo ingiera y decida la ruta de archivo en Google Drive y la fila que debe añadirse en Google Sheets. Responde en español y cumple estrictamente el esquema JSON indicado. Contexto: [COMPANY_NAME], carpeta raíz Drive ID: [DRIVE_ROOT_FOLDER_ID], hoja de índice ID: [SHEETS_ID], etiquetas marcadas como confidenciales: [CONFIDENTIAL_TAGS]. Entrada: campo "file_text" con texto extraído (OCR si procede), "original_filename", "source_channel" (Gmail/WhatsApp/Slack), "received_timestamp" (ISO 8601). Requisitos de salida: 1) Clasificación de tipo documental (Factura, Albarán, Contrato, Nota interna, Otros). 2) Metadatos extraídos: fecha del documento (ISO), número de documento, nombre cliente, importe total (moneda normalizada), código de proyecto o pedido si existe, nivel de confidencialidad (ALTO/MEDIO/BAJO). 3) Sugerencia de ruta en Drive y nombre de archivo normalizado. 4) Resumen ejecutivo de una frase (máx. 20 palabras). 5) Puntuación de confianza 0-1 por metadato y por clasificación. 6) Si detectas incoherencias (p.ej., importe faltante o fecha inválida) marca campo "requires_human_review": true y detalla la razón. Devuelve únicamente JSON siguiendo este esquema de ejemplo: {"file_id": "[ID]","original_filename":"...","suggested_filename":"...","drive_path":"/Root/Carpeta/Cliente/Factura/2026-05","folder_id":"[FOLDER_ID_SUG]","classification":"Factura","metadata":{"date":"2026-05-12","doc_number":"FAC-2026-00123","client":"Cliente Ejemplo SL","amount":1250.00,"currency":"EUR","project_code":"PROJ-45","confidentiality":"BAJO"},"summary":"Factura 1250 EUR por transporte a Cliente Ejemplo.","confidence":{"classification":0.95,"date":0.98,"amount":0.92},"requires_human_review":false,"issues":[]} Proporción reglas para normalización: fechas preferidas ISO (YYYY-MM-DD), monedas en ISO 4217, importe como número decimal. Regla de confidencialidad: si aparece alguna de las palabras en [CONFIDENTIAL_TAGS] o si el archivo contiene la palabra "confidencial" en cualquier forma, marcar ALTO. Para la sugerencia de carpeta, prioriza: /[COMPANY_NAME]/[Cliente]/[TipoDocumento]/[Año]. Si no puedes extraer un campo, devuelve null en el JSON y confidence 0. Proporciona ejemplos de valores discretos en campos cuando existan ambigüedad. No incluyas explicaciones fuera del JSON.

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

Paso 04

Iterar y ajustar reglas

Valide salidas reales durante 1-2 días, ajuste umbrales de confianza, palabras de exclusión y rutas de carpeta. Implemente revisiones humanas donde la IA marque baja confianza o documentos legales.

1
Monitorear las filas añadidas en Sheets Revise las primeras 200 entradas para detectar falsos positivos y patrones de error; agregue reglas de normalización (p.ej., formatos de fecha, divisores de moneda).
2
Ajustar prompt y reglas de enrutamiento Si el modelo confunde tipos de documento, actualice el prompt con ejemplos y contraejemplos, y modifique las reglas de carpeta en Make para priorizar campos confiables.

Checkpoint: Tasas de clasificación aceptables definidas (por ejemplo, >95% en facturas y >90% en contratos) y reglas de excepción operativas implementadas.

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. "Revisa tu último JSON y sustituye los valores genéricos por datos más específicos. Para cada campo null o con confidence <0.6, presenta una hipótesis justificando la suposición y una lista de pasos prácticos para validarla (2-3 ítems). Mantén la estructura JSON original y añade un campo "hypotheses" con las suposiciones."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Reformula la salida manteniendo el JSON pero añade o elimina el bloque "extracted_fields_verbose". Si solicito 'más detalle', incluye para cada metadato la frase exacta del texto fuente donde se encontró y la posición aproximada. Si solicito 'menos detalle', elimina esa sección y mantén solo valores normalizados."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reemite el mismo JSON pero ajusta el campo "summary" para que tenga un tono: a) Ejecutivo (resumen en 12 palabras), b) Técnico (incluye referencia a líneas de texto y OCR) o c) Legal (incluye cláusula de confidencialidad si aplica). Indica la opción deseada en la petición."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Genera un JSON reducido con solo: file_id, suggested_filename, drive_path, classification, summary (máx. 12 palabras) y critical_flags (confidentiality ALTO, requires_human_review true). Añade un campo adicional 'one_line_action' con la acción recomendada para dirección."

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 — LogiCorp Servicios SL, sector logística y distribución

Estructura del output

El prompt genera un JSON formalizado con clave superior por archivo: identificación, nombre sugerido, ruta Drive, folder_id propuesto, clasificación, objeto metadata con campos normalizados, resumen ejecutivo, puntuaciones de confianza, indicador de revisión humana y lista de issues.

Senales de un buen output

JSON parseable sin texto adicional
Campos obligatorios presentes: file_id, original_filename, drive_path, classification, metadata
Valores normalizados para fecha y moneda (ISO y código ISO 4217)
Puntuaciones de confianza coherentes (0-1) y requiere_human_review verdadero si alguna confidence <0.6

Senal de que el output es bueno: El JSON se valida sin errores, contiene todos los metadatos normalizados y la columna requires_human_review está false para >90% de entradas en un muestreo.

Costes

Inversion y retorno

60$ ChatGPT Business (estimado) / mes

cada ejecución típica 10-30 segundos de computación por archivo Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: Automatizar reduce tiempos de clasificación y conciliación, trasladando horas de trabajo manual a revisión puntual. Para una operación con 2.000 documentos/mes, la automatización puede reducir costes operativos directos en más del 60% y acelerar el cierre de procesos en 3-5 días.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
Make recibe respuesta no válida o HTML en vez de JSON	El módulo HTTP no está enviando cabeceras Accept/Content-Type adecuadas o la API devuelve página de error	Configurar encabezado Content-Type: application/json y revisar el endpoint y la clave API; reintentar con log de respuesta completa para diagnosticar.
Campos de fecha o importe aparecen como null con confidence 0	OCR o extracción previa no devolvió texto legible para esos campos	Añadir etapa de OCR mejorada (Google Vision con ajuste de idiomas), o enviar el PDF original a una herramienta OCR antes de ChatGPT.
Archivos duplicados en Drive con nombres similares	No se implementó verificación por hash o por número de documento antes de crear la carpeta/archivo	En Make, calcular hash SHA256 del archivo y comparar con filas existentes en Sheets; si existe, actualizar metadatos en vez de crear duplicado.
Alta proporción de 'requires_human_review': true	Prompt demasiado conservador o umbral de confianza mal calibrado	Revisar ejemplos en el prompt, añadir contraseñas y contraejemplos claros, y bajar umbral de revisión a 0.55 tras pruebas controladas.
Rutas de Drive sugeridas incorrectas para clientes nuevos	Reglas de enrutamiento basadas en nombres frágiles (p. ej., mayúsculas, abreviaturas)	Normalizar nombre de cliente con tabla de equivalencias en Google Sheets y usar esa tabla como referencia en Make antes de crear carpetas.

Modo avanzado

Como hacer este tutorial con IA en modo avanzado

Usar modo agente significa permitir que la IA ejecute múltiples acciones encadenadas (extracción, validación, sugerencia de carpeta y generación de comandos para Make). Esto permite que la IA priorice y actúe sobre excepciones con instrucciones claras para el sistema de orquestación.

Modo avanzado

Flujo de trabajo avanzado

1
Recibir el archivo y ejecutar OCR si procede
2
Extraer metadatos y asignar puntuaciones de confianza
3
Generar JSON y, si confidence > umbral, devolver comando de creación de carpeta y archivo; si no, marcar para revisión humana
4
Reportar un resumen diario de excepciones y aprendizaje (patrones de error) para ajustar el prompt

Actúa como agente operativo para [COMPANY_NAME]. Al recibir el texto extraído y metadatos del archivo (file_text, original_filename, source_channel, received_timestamp), realiza: 1) OCR si detectas que file_text está vacío (indica comando OCR propuesto), 2) extracción de metadatos según el esquema principal, 3) decisión de acción: a) devolver JSON con "action":"store" y folder_id si confidence global > [CONFIDENCE_THRESHOLD], b) devolver "action":"review" con razones si confidence insuficiente, 4) generar comando opcional de Make para crear carpeta y mover archivo. Devuelve solo JSON con keys: action, payload (igual que esquema principal), make_commands (lista de pasos idempotentes). Variables: [COMPANY_NAME], [DRIVE_ROOT_FOLDER_ID], [CONFIDENCE_THRESHOLD].

Cuando usar el modo avanzado en este tutorial: Útil cuando el volumen es alto y desea delegar decisiones operativas no críticas a la IA, reduciendo la intervención humana a los casos de baja confianza o sensibilidad legal.

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: Después de estabilizar el flujo, implemente dashboards en Data Studio conectados a la hoja de índice para KPIs: volúmenes por canal, tiempos de procesamiento, % revisiones humanas y ahorro estimado.

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