Gestión Documental Inteligente con Make

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

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

✓ Captura automática desde correo, WhatsApp y Slack
✓ Clasificación y renombrado automático con ChatGPT Business
✓ Almacenamiento centralizado en Google Drive con metadatos y reglas

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Cuenta Make con permisos para crear escenarios y usar módulos HTTP/Google Drive; acceso de administrador a la organización en Make si aplica.

Obligatorio Cuenta ChatGPT Business con clave API o integración habilitada para llamadas desde Make; credenciales administrativas de Google Workspace con permiso para crear carpetas y subir archivos.

Recomendado Cuenta de WhatsApp Business API (o proveedor como Twilio) para recibir mensajes y adjuntos de WhatsApp de forma programática.

Recomendado App de Slack con scope para leer archivos y mensajes en los canales relevantes; filtros predefinidos por canal o palabra clave.

Transferencia internacional de datos: Make 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.L., sector logística y distribución — el problema real

Los equipos reciben facturas, albaranes y comunicaciones por múltiples canales (correo, WhatsApp y Slack). Los documentos se pierden entre conversaciones y encarecen la reconciliación y auditoría fiscal.

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

Situacion real
Datos + contexto

→

Make
Prompt estructurado

→

Output ejecutivo
Listo para usar

Por que funciona: Make orquesta las integraciones y flujo sin código, permitiendo implementar conexiones seguras entre canales. ChatGPT Business aporta clasificación natural, extracción de campos y normalización de nombres. La combinación reduce intervención manual, errores de archivo y tiempos de localización.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
Recibes documentos críticos en canales no estructurados (WhatsApp, Slack, correo). Necesitas una solución rápida, auditada y controlable sin desarrollar backend propio. Requieres normalización de nombres y extracción de metadatos (fecha, proveedor, tipo de documento).	Toda la documentación ya está centralizada en un gestor documental corporativo con API y flujos existentes. La organización exige que todos los datos pasen por un ERP que no admite integraciones intermedias. Los documentos son imágenes con baja calidad donde la extracción automática no alcanzaría precisión mínima.

Paso 01

Preparar cuentas y permisos

Asegure las credenciales y permisos antes de diseñar el flujo. Sin accesos correctos, Make no podrá leer mensajería ni escribir en Google Drive, y ChatGPT Business no podrá procesar el contenido.

1
Conectar Google Workspace Configure y pruebe la conexión de Google Drive en Make con una cuenta que tenga permisos para crear carpetas y subir archivos en la estructura objetivo; valide subiendo un archivo de prueba.
2
Habilitar ChatGPT Business Obtenga la clave API o token de ChatGPT Business y registre la integración en Make. Pruebe una petición simple para verificar latencia y formato de respuesta.
3
Configurar fuentes de entrada Configure mecanismos para capturar mensajes: reenvío de correo a un mailbox dedicado o webhook IMAP, webhook de WhatsApp Business (o proveedor como Twilio) y app de Slack con permisos para eventos y archivos. Haga pruebas de envío desde cada canal.

Checkpoint: Las tres integraciones (Google Drive, ChatGPT Business y al menos una fuente de entrada) responden correctamente a peticiones de prueba.

Paso 02

Diseñar el escenario Make y módulos clave

Construya el escenario en Make que recibirá cada input, extraerá adjuntos, consultará a ChatGPT Business para clasificación y almacenará el resultado en Google Drive con metadatos.

1
Crear trigger por canal Añada módulos de trigger: webhook para correo, webhook o módulo de Twilio para WhatsApp y módulo de Slack para mensajes/archivos. Configure filtros básicos para evitar ruido (por ejemplo remitentes o palabras clave).
2
Normalizar y preparar payload Use módulos de parse/JSON para extraer adjuntos, texto del mensaje, remitente, fecha y contexto. Guarde estos campos en variables estandarizadas que enviará a ChatGPT Business.
3
Integrar llamada a ChatGPT Business Envía al modelo un prompt estructurado con el contenido y variables. Reciba clasificación, nombre sugerido, metadatos extraídos y una confianza estimada; mapea ese output a los campos que alimentarán la carpeta y el nombre en Google Drive.

Checkpoint: Escenario Make recibe un mensaje de prueba, ChatGPT devuelve clasificación y nombre, y Make crea un archivo en la carpeta de Google Drive de prueba con metadatos adjuntos.

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

[EMPRESA]Nombre de la empresa o unidad responsable (ej: Logística Norte S.L.)

[CARPETA_DRIVE]Ruta o ID de la carpeta base en Google Drive donde se centralizarán los archivos (ej: /Clientes/Facturas)

[CRITERIOS_CLASIFICACION]Reglas clave para clasificar documentos (ej: 'factura, albarán, contrato, comprobante de pago')

Prompt principal — Gestión Documental Inteligente Eres un asistente técnico-executivo. Ayúdanos a definir la lógica completa para un escenario Make que centralice documentos y mensajes desde tres fuentes —correo, WhatsApp y Slack— y los almacene en Google Drive con nombre estandarizado, metadatos y clasificación automatizada. Genera: 1) Resumen ejecutivo (3-4 líneas) orientado a la Dirección sobre beneficios y SLA operativo. 2) Especificación técnica para Make: lista de módulos necesarios (triggers, parse, HTTP, Google Drive), secuencia de ejecución, transformaciones de payload, control de errores y pseudocódigo de validación. 3) Prompt exacto que Make deberá enviar a ChatGPT Business para clasificación y extracción, con ejemplo de input y ejemplo de output JSON. 4) Esquema de metadatos y convenciones de nombres (incluya patrones con regex para fecha, RUT/NIF, número de documento y proveedor). 5) Reglas de enrutamiento: a qué carpeta guardar según clasificación, cómo aplicar etiquetas y permisos. 6) Casos de excepción y plan de escalado (por ejemplo: archivos sin texto, múltiples adjuntos, baja confianza del modelo). 7) Pruebas y criterios de aceptación (mínimo 6 pruebas automatizadas/manuales). 8) Checklist de seguridad y cumplimiento (encriptado en tránsito, control de accesos en Drive, retención y borrado seguro). Particulariza las salidas al contexto de la empresa [EMPRESA], responsable operativo [RESPONSABLE], carpeta destino base [CARPETA_DRIVE], fuentes configuradas: correo [FUENTES_CORREO], WhatsApp [WHATSAPP_NUMERO] y Slack [SLACK_CANAL]. Ajusta el tono a un receptor directivo: claro, conciso y con recomendaciones de prioridad. Proporciona además 3 ejemplos reales de nombres de archivo resultantes aplicando la convención y 2 reglas de deduplicación concretas. Devuelve todo en un formato estructurado: {ResumenEjecutivo, EspecificacionMake, PromptChatGPT, EsquemaMetadatos, ReglasEnrutamiento, Excepciones, Pruebas, Seguridad, EjemplosNombres}. Usa el idioma [IDIOMA].

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

Paso 04

Iterar, controlar calidad y desplegar

Tras la primera versión funcional, ajuste reglas, gestione excepciones y prepare el despliegue progresivo. Defina métricas y un plan de roll-out para minimizar riesgo en producción.

1
Monitorear rendimiento y errores Active registros en Make para identificar fallos de parsing o rechazos de API; ajuste prompts y límites de tamaño si aparecen errores por payload.
2
Añadir reglas de calidad y retención Implementa pasos adicionales como verificación humana para documentos con baja confianza, deduplicación por checksum y políticas de retención en Google Drive.

Checkpoint: Flujo desplegado en entorno productivo con alertas configuradas, tasa de acierto documentada y proceso de escalado para excepciones.

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. "Por favor, refina cada sección entregada añadiendo ejemplos concretos aplicables a [EMPRESA]. Para la EspecificacionMake, incluye nombres exactos de módulos y mapeo de campos entre trigger y Google Drive. Para PromptChatGPT, añade límite de tokens y ejemplo de payload real."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Ajusta el nivel de detalle: crea una versión 'Resumen Ejecutivo' de 6 frases y una 'Guía Técnica' ampliada con diagramas de flujo en texto y comandos exactos para Make. Prioriza pasos de implementación práctica."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reescribe el Resumen Ejecutivo en tono más formal y resumido para el Comité de Dirección (máximo 120 palabras), manteniendo recomendaciones de prioridad y riesgos clave."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Genera un informe ejecutivo de una página (máximo 300 palabras) con objetivos, beneficios cuantificables, coste estimado de implementación y plan de despliegue en 4 hitos. Incluye métricas para seguimiento."

Resultado

Que vas a obtener

Este es el tipo de output que genera Make 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.L., sector logística y distribución

Estructura del output

El prompt genera un documento estructurado en secciones: Resumen Ejecutivo, Especificación técnica para Make, Prompt para ChatGPT Business, Esquema de metadatos, Reglas de enrutamiento, Manejo de excepciones, Pruebas de aceptación y Checklist de seguridad. Cada sección debe incluir ejemplos y pasos accionables.

Senales de un buen output

Resumen ejecutivo claro y orientado a KPI
Especificación de Make con módulos y mapeos exactos
Prompt para ChatGPT con ejemplos de input/output JSON
Ejemplos de nombres y reglas regex aplicadas correctamente

Senal de que el output es bueno: La especificación incluye módulos Make exactos, PromptChatGPT listo para uso y ejemplos de archivos que coinciden con la convención solicitada.

Costes

Inversion y retorno

29$ Make Business / mes

1-3 min por ejecución típica Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: La automatización reduce el tiempo de clasificación y archivo manuales, liberando horas del equipo operativo y disminuyendo errores que generan costes de reconciliación. En 3-6 meses la eficiencia recupera la inversión inicial mediante reducción de horas hombre y menor riesgo de sanciones por incumplimiento documental.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
Make no recibe adjuntos desde WhatsApp	Webhook mal configurado o proveedor (Twilio) sin permisos para media	Verificar URL del webhook en Twilio/WhatsApp, comprobar certificados HTTPS y probar envío de media; revisar logs de Twilio para errores 4xx/5xx.
ChatGPT devuelve clasificación vacía o irrelevante	Prompt mal formado o límite de contexto superado por attachments muy grandes	Simplificar el prompt y enviar solo texto clave + enlace al archivo; aumentar temperatura a 0.2 y establecer máximo de tokens; probar con ejemplo mínimo.
Fallo al subir archivo a Google Drive	Permisos insuficientes o cuota de almacenamiento superada	Comprobar permisos de la cuenta usada en Make, validar cuota de Drive y probar subida manual; asignar role 'Editor' a la integración si necesario.
Archivos duplicados en Drive	Triggers que reenvían el mismo mensaje o ausencia de deduplicación por checksum	Implementar cálculo de hash (MD5/SHA256) en Make y comprobar existencia previa antes de crear; añadir marca temporal y origen para identificar duplicados.
Nombres de archivo inconsistentes	Regex o reglas de normalización insuficientes en el prompt	Refinar las expresiones regulares en el prompt, incluir ejemplos de entrada/salida y añadir una etapa en Make que aplique una regla final de limpieza (reemplazo de caracteres no permitidos).

Modo avanzado

Como hacer este tutorial con Make en modo avanzado

El modo agente en Make permite ejecutar escenarios que reaccionan y se autocorrigen mediante webhooks y módulos de control. Para este caso, el agente puede supervisar colas de documentos, reintentar fallos, y lanzar flujos de excepción automatizados cuando ChatGPT reporta baja confianza.

Modo avanzado

Flujo de trabajo avanzado

1
Configurar un escenario persistente que escuche webhooks y ponga eventos en una cola interna
2
Implementar lógica de reintento con backoff y notificaciones si un item supera X intentos
3
Agregar un módulo que evalúe la confianza devuelta por ChatGPT y derive a revisión humana si es baja
4
Registrar auditoría completa: ID del documento, origen, clasificación, nombre propuesto y usuario que validó

Actúa como operador-automático. Procesa una lista de eventos de entrada en lote, prioriza por fecha y tipo, y para cada evento: 1) extrae adjuntos y texto, 2) llama al prompt de clasificación (usando las mismas reglas de [EMPRESA]), 3) si confianza < 0.75 marca para revisión humana y notifica a [RESPONSABLE], 4) si falla la subida a Drive reintenta 3 veces con backoff y registra el error. Devuelve un informe final en JSON con estatísticas: procesados, errores, reenvíos, y tiempo medio por archivo.

Cuando usar el modo avanzado en este tutorial: Útil cuando el volumen es alto, la latencia debe optimizarse y se requiere supervisión continua y reintentos automáticos para mantener SLA operativos.

Siguiente paso

Que hacer ahora?

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

Tutorial relacionado · Make

Explorar mas tutoriales de Make

Descubre otros casos de uso de Make 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 del despliegue inicial, configure dashboards en Looker/Data Studio que muestren tasa de clasificación correcta, tiempos de procesamiento y volumen por canal; priorice ajustes de prompt basados en los 10% de casos con menor confianza.

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