Aprobación Inteligente de Gastos 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:

✓ Escenario Make que recibe solicitudes y aplica reglas
✓ Reglas de escalado automático y notificaciones a responsables
✓ Prompt de IA listo para auditar y justificar aprobaciones

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Cuenta activa en Make con permisos para crear escenarios y conexiones API.

Obligatorio Acceso al sistema de gestión de gastos o formulario que envíe solicitudes via webhook/HTTP.

Recomendado Cuenta en un proveedor de LLM (ej. GPT-5) con clave API para llamadas desde Make.

Recomendado Directorio de responsables (correo/ID) accesible vía API o hoja compartida.

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 Ágora S.A., sector transporte y logística — el problema real

El departamento financiero recibe cientos de solicitudes de gasto mensuales con reglas inconsistentes y retrasos en la aprobación. Los directivos no tienen trazabilidad clara ni justificaciones estandarizadas.

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 permite encadenar módulos API, lógica condicional y comunicación (correo, Slack, webhook) sin desarrollo pesado. Su capacidad de integrar llamadas a modelos y sistemas internos facilita auditar la decisión y escalar automáticamente según montos y políticas.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
Recibes solicitudes de gasto desde formularios o ERP sin lógica de escalado fiable Deseas reducir tiempos de ciclo y generar justificaciones estandarizadas para auditoría Quieres una solución configurable por no desarrolladores con integración a mensajería y correo	Las aprobaciones requieren juicio legal complejo sujeto a auditoría externa inmediata Necesitas soluciones embarcadas en sistemas legacy sin API accesible Buscas reemplazar un ERP completo de gestión financiera

Paso 01

Diseñar el flujo y reglas de negocio

Defina de forma ejecutiva las reglas de autorización, umbrales de escalado y responsables. Este paso evita rehacer integraciones y garantiza cumplimiento con la política interna.

1
Mapear origen de solicitudes Identifique si las solicitudes llegan por formulario, ERP o correo. Documente los campos obligatorios (importe, centro de costo, solicitante, propósito) para consumirlos desde Make.
2
Definir umbrales y responsables Establezca montos que desencadenan escalado (ej. hasta 1.000 [VARIABLE2]: jefe de área; 1.001–10.000: director financiero). Liste emails/IDs de cada responsable.
3
Especificar SLA y excepciones Determine tiempos máximos de respuesta por nivel y reglas para solicitudes urgentes o con documentación adjunta que requieran revisión manual.

Checkpoint: Documento con origen de datos, lista de campos obligatorios, umbrales, responsables y SLA aprobado por finanzas.

Paso 02

Construir el escenario Make básico

Cree el escenario que reciba el webhook/trigger y transforme los datos. Aquí se integran validaciones iniciales y la primera capa de lógica de escalado.

1
Crear webhook de recepción En Make, añada un módulo 'Webhook' que capture la solicitud. Pruebe enviando una muestra con los campos mínimos para asegurar el mapeo correcto.
2
Validar y normalizar datos Use módulos de transformación para asegurar formato de importe, usuario y centro de costo. Rechace solicitudes con datos faltantes y envíe respuesta inmediata al origen.
3
Aplicar reglas de escalado inicial Inserte módulos condicionales que dirijan la solicitud al responsable correspondiente según el importe y categoría.

Checkpoint: Escenario en Make que recibe solicitudes reales de prueba y dirige correctamente según umbrales configurados.

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 [VARIABLE1], [VARIABLE2], [VARIABLE3] 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 o en la llamada API desde Make 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]Nombre de la empresa (ej. 'Logística Ágora S.A.')

[VARIABLE2]Moneda operativa (ej. 'EUR' o 'USD')

[VARIABLE3]Reglas iniciales de escalado en texto (ej. 'Hasta 1.000 EUR: jefe de área; 1.001-10.000 EUR: director financiero; >10.000 EUR: CFO')

Prompt principal — Aprobación Inteligente de Gastos Eres un asistente ejecutivo especializado en automatización de aprobaciones de gasto. Tu tarea es generar un plan técnico y operativo, listo para implementar en Make, que permita: 1) recibir solicitudes de gasto via webhook; 2) aplicar reglas de escalado por importe y centro de costo; 3) invocar un modelo generativo para justificar aprobaciones y preparar comunicaciones; 4) registrar trazabilidad y métricas clave. Contexto: la empresa es [VARIABLE1]. La moneda operativa es [VARIABLE2]. Las reglas iniciales de escalado son: [VARIABLE3]. Entrega un output estructurado con las siguientes secciones claras y accionables: 1) Resumen ejecutivo (máx. 5 líneas) que explique el beneficio operativo y riesgo mitigado. 2) Diagrama lógico en texto con módulos Make necesarios (Webhook -> Validación -> Lógica condicional -> Llamada a LLM -> Notificación -> Registro), especificando parámetros de cada módulo y ejemplos de payload JSON. 3) Reglas de negocio derivadas y pseudo-código condicional que Make pueda traducir directamente (si importe <= X entonces A; si importe > X y < Y entonces B; si centro de costo == 'IT' entonces añadir revisión técnica). Use los umbrales provistos en [VARIABLE3] y proponga dos mejoras opcionales. 4) Prompt exacto para invocar el LLM desde Make (incluya headers, formato JSON de entrada y ejemplos de temperature y max_tokens), diseñado para generar una justificación ejecutiva de 2–4 párrafos y un resumen en una línea. 5) Plantillas de notificación por correo y Slack con variables entre corchetes para integración (asunto, cuerpo, botones de aprobar/rechazar con URL de respuesta). 6) Matriz de SLA y métricas (tiempo de primer respuesta, tiempo de aprobación total, % aprobaciones automáticas) y cómo calcularlas desde logs de Make. 7) Casos de prueba mínimos (5) con payloads de ejemplo y resultado esperado. 8) Riesgos y controles (errores comunes, validación de documentos, lista de auditoría). Cada sección debe ser concisa, práctica y contener ejemplos de payload JSON o pseudo-código donde aplique. Prioriza claridad para que un ingeniero/consultor pueda implementar el escenario en Make con mínima interpretación. Finaliza con una lista de 5 pasos inmediatos para despliegue en 48 horas.

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

Paso 04

Iterar, pruebas y despliegue

Refine las reglas y la integración con stakeholders mediante pruebas reales. Asegure monitoreo y registros para auditoría y mejora continua.

1
Ejecutar pruebas de extremo a extremo Genere casos de prueba que cubran umbrales, excepciones y documentación adjunta. Verifique que notificaciones y escalados se ejecuten según SLA.
2
Configurar alertas y logs Active registros en Make y alertas (correo/Slack) para errores o rechazos. Defina retenciones de logs y accesos para auditoría interna.

Checkpoint: Flujo desplegado en producción con pruebas completadas, alertas activas y registro de auditoría.

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. "Ajusta el plan anterior centrado en [VARIABLE1]. Proporciona ejemplos concretos de payload JSON para tres centros de costo (IT, Ventas, Compras) y define los campos obligatorios por centro. Mantén formato listo para importar en Make."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Reescribe la sección 'Diagrama lógico' en dos versiones: una técnica (detallada) con configuraciones de módulos Make y otra ejecutiva (resumen de una página)."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Convierte las plantillas de notificación y la justificación del LLM a un tono formal y conciso apropiado para el Comité de Dirección. Máximo 3 líneas por notificación."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Resume el plan en un brief de 6 líneas que incluya beneficios clave, ahorro estimado de tiempo, principal riesgo y decisión requerida por la dirección."

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 Ágora S.A., sector transporte y logística

Estructura del output

El prompt genera un documento con secciones numeradas: resumen ejecutivo, diagrama lógico, reglas y pseudo-código, prompt LLM, plantillas de comunicación, métricas y SLA, casos de prueba y riesgos. Cada sección incluye ejemplos y artefactos listos para implementar.

Senales de un buen output

El output incluye payload JSON concretos y válidos
Contiene un prompt LLM listo para copiar en Make
Ofrece plantillas de notificación con variables intercambiables
Incluye casos de prueba ejecutables con resultados esperados

Senal de que el output es bueno: La respuesta contiene payloads JSON, pseudo-código condicional y un prompt LLM que puede copiarse directamente a Make sin ajustes estructurales.

Costes

Inversion y retorno

20$ Make Business / mes

1-3 minutos por ejecución (dependiendo de llamadas a LLM) Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: La automatización reduce tiempos de aprobación y errores administrativos, liberando al equipo financiero y acelerando decisiones. Ahorros en horas hombre y menores retrasos suelen justificar la inversión en pocas semanas cuando el volumen de solicitudes es alto.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
El webhook no recibe datos desde el formulario	URL del webhook mal copiada o falta de método POST en el origen	Verifique y vuelva a copiar la URL pública del webhook en Make; confirme que el formulario envía POST y pruebe con payload de ejemplo.
Las condiciones de escalado no se disparan	El importe no fue normalizado como número o la moneda difiere	Asegure la normalización del campo importe con conversión a número; incluya lógica para normalizar moneda antes de evaluar condiciones.
La llamada al LLM devuelve error o timeout	Clave API inválida o límites de cuota excedidos	Compruebe credenciales y límites de uso del proveedor LLM; implemente reintentos exponenciales y registro de fallos.
Notificaciones sin botones de acción funcionan mal	URLs dinámicas mal formadas o parámetros faltantes	Genere URLs con parámetros codificados desde Make y pruebe cada enlace en casos de prueba; valide que el receptor interprete las respuestas.
Registros incompletos para auditoría	No se persisten todos los campos relevantes en la base de datos/log	Asegure que cada módulo de Make registre payloads completos (entrada, decisión, usuario, timestamp) en una tabla o almacenamiento centralizado.

Modo avanzado

Como hacer este tutorial con Make en modo avanzado

En modo agente, Make puede ejecutar un flujo autónomo que reenvía solicitudes, consulta el LLM y aplica correcciones iterativas. Se usa para manejar excepciones complejas y tomar decisiones con reglas aprendidas por retroalimentación.

Modo avanzado

Flujo de trabajo avanzado

1
Activar el módulo de escucha continuo (webhook) con reintentos y cola
2
Incluir módulo de evaluación por LLM que devuelva decisión y justificación
3
Agregar módulo de validación humana que solo reciba casos etiquetados como 'excepción'
4
Registrar decisión final y retroalimentar las reglas automáticas para aprendizaje

Eres un agente operativo integrado con Make. Recibirás solicitudes de gasto y deberás: 1) validar campos obligatorios; 2) aplicar reglas de escalado; 3) si la solicitud queda en 'excepción', invocar al LLM para proponer una decisión con justificación; 4) generar una acción propuesta (aprobar/rechazar/escalar) y una explicación en una línea plus 2–3 frases; 5) registrar resultado y recomendar si la regla debe actualizarse. Contexto: empresa [VARIABLE1], moneda [VARIABLE2], reglas actuales [VARIABLE3]. Devuelve JSON con claves: decision, justification, recommended_rule_update (true/false), notes.

Cuando usar el modo avanzado en este tutorial: Valioso cuando hay alto volumen de excepciones o cuando se desea reducir intervención humana manteniendo trazabilidad y retroalimentación para ajustar reglas.

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, extraiga métricas reales durante 30 días y programe una revisión quincenal con stakeholders para ajustar umbrales y plantillas de comunicación; mantenga un canal de reportes de incidencias para captura de casos atípicos.

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