Daily Report Automático de Operaciones con Make + ChatGPT API

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

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

✓ Flujo operativo en Make conectado al ERP y a la API de ChatGPT
✓ Informe diario con semáforo visual y análisis ejecutivo
✓ Distribución automática por email a la lista de responsables

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Acceso API al ERP con permisos de lectura sobre los KPIs operativos relevantes.

Obligatorio Cuenta de Make (Integromat) con conectores HTTP y módulo SMTP o integración con servicio de correo.

Recomendado Plantilla de KPIs y umbrales definidos por área (por ejemplo: OEE, OTIF, Backlog).

Recomendado Acceso a un buzón corporativo o servicio de correo transaccional (SendGrid, Mailgun) para remitente consistente.

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

LogiTrans Iberia S.A., sector logística y distribución — el problema real

El equipo de operaciones pierde 20-30 minutos cada mañana revisando múltiples dashboards para detectar desviaciones críticas. Falta un resumen consolidado que priorice problemas antes de empezar la jornada.

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: IA sintetiza y prioriza grandes volúmenes de datos rápidamente, detectando patrones y redactando acciones concretas. Integrado con Make permite automatizar extracción, transformación y distribución sin intervención manual.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
Necesitas un resumen diario consolidado de varios KPIs antes de las 08:30. Hay múltiples responsables que deben recibir un estado ejecutivo y señales de alerta. Deseas reducir reuniones matinales informativas y acelerar la gestión de excepciones.	Necesitas un análisis estadístico complejo para auditoría o cumplimiento normativo. Requieres acceso a datos sensibles cuya transferencia no está permitida por la política de datos de la empresa. Buscas previsiones de largo plazo o modelos avanzados de forecasting sin integración previa de datos.

Paso 01

Definir KPIs, umbrales y destinatarios

Antes de construir el flujo, defina claramente qué KPIs entrarían en el Daily Report, los umbrales para semáforo y la lista de destinatarios. Esto evita iteraciones posteriores y asegura relevancia para la dirección.

1
Listar KPIs prioritarios Identifique de 5 a 10 KPIs críticos (ej.: OEE, OTIF, Backlog, Tiempos medios de reparación) que impactan la operativa diaria. Para LogiTrans Iberia S.A., priorice OTIF y backlog por centro de distribución.
2
Establecer umbrales de semáforo Defina valores para verde/ambar/rojo para cada KPI. Por ejemplo, OTIF: verde ≥95%, ámbar 90–94.9%, rojo <90%. Documente estas reglas en una hoja compartida.
3
Determinar destinatarios y formato de envío Decida quién recibe el email (operaciones, logística, dirección) y si necesita versión ejecutiva + versión detallada adjunta en CSV o PDF.

Checkpoint: Listado validado de KPIs con umbrales y lista de emails definida; hoja de referencia disponible para el siguiente paso.

Paso 02

Configurar extracción de datos en Make desde el ERP

Cree un escenario en Make que consulte el ERP mediante su API, normalice los datos y genere un payload estructurado con los KPIs solicitados. Esto asegura consistencia en la entrada para ChatGPT.

1
Crear módulo HTTP para consulta Use el módulo HTTP en Make para llamar al endpoint del ERP [ERP_ENDPOINT] con la API key. Solicite datos agregados por unidad de negocio y periodo (últimas 24 horas o cierre diario).
2
Transformar y limpiar datos Normalice nombres de campos y convierta formatos de fecha/tiempo. Asegúrese de calcular ratios necesarios (por ejemplo OEE = disponibilidad * rendimiento * calidad) antes del envío al modelo.
3
Empaquetar payload JSON Construya un JSON con campos: company, report_date, kpis (lista con nombre, valor, objetivo y umbral). Este será el input estructurado que recibirá ChatGPT.

Checkpoint: Escenario en Make que devuelve un JSON de KPIs por [REPORT_DATE] con valores y metas listos para enviar a la API de ChatGPT.

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 la llamada a la API de ChatGPT o en el módulo de Make que llama al endpoint 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 de la empresa que aparece en el informe (ej.: LogiTrans Iberia S.A.)

[ERP_ENDPOINT]URL del endpoint del ERP o API desde donde Make extraerá los KPIs

[EMAIL_LIST]Lista de destinatarios separada por comas (ej.: operaciones@empresa.com, director@empresa.com)

Prompt principal — Daily Report Automático de Operaciones Eres un asistente ejecutivo que resume datos operativos y genera un informe diario listo para enviar por email. Recibirás un JSON con la siguiente estructura: {"company":"[COMPANY_NAME]","report_date":"[REPORT_DATE]","kpis":[{"name":"","value":,"target":,"unit":"","thresholds":{"green":,"amber":,"red":}},...]}. Tareas: 1) Genera un resumen ejecutivo (máx. 6 frases) que destaque 3 prioridades de acción. 2) Para cada KPI, calcula desviación porcentual respecto al objetivo y asigna un color de semáforo según los umbrales. 3) Produce una tabla compacta (CSV-friendly) con columnas: KPI, Valor, Objetivo, Desviación %, Semáforo, Acción recomendada. 4) Incluye un bloque 'Riesgos críticos' con 3 puntos si algún KPI está en rojo y propone un responsable y la acción inmediata. 5) Redacta asunto de email y cuerpo breve (2 párrafos) dirigido a [EMAIL_LIST], con un primer párrafo ejecutivo y un segundo con acciones y anexos disponibles (ej.: CSV). 6) Proporciona también una versión muy breve de 3 líneas para la dirección general. 7) Devuelve el output en dos formatos: a) JSON estructurado con campos {subject, body, executive_summary, kpis_table_csv, risks, short_for_ceo} y b) texto plano listo para copiar en el cuerpo del email separando secciones por líneas. Restricciones: no introduzcas datos no presentes en el JSON de entrada; si falta información, indícalo explícitamente en el campo 'notes'. Prioriza claridad y acción. Datos de ejemplo incluidos: [COMPANY_NAME], fecha [REPORT_DATE].

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

Paso 04

Validación, envío y automatización del calendario

Revise el primer informe enviado automáticamente, ajuste tonos y umbrales si hace falta, y programe el escenario para ejecución diaria antes del inicio de jornada.

1
Validar contenido y semáforos Compare el informe con los datos crudos del ERP. Corrija desajustes en la normalización de datos o en reglas de semáforo.
2
Programar ejecución y notificaciones En Make establezca un trigger horario (por ejemplo 06:30) que ejecute la extracción, llame a ChatGPT y envíe el email. Active logs y alertas en caso de fallo.

Checkpoint: Escenario programado y probado; primer envío automático recibido por los destinatarios con formato y semáforos correctos.

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 el informe enfocándote exclusivamente en estos KPIs: [KPIS_LIST]. Para cada KPI, añade una línea que explique la causa más probable de la desviación y una acción prioritaria con responsable asignado."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Reescribe el cuerpo del email en dos versiones: one-page executive (máx. 6 frases) y versión operativa ampliada (detallada por KPI, máx. 300 palabras). Mantén las recomendaciones de acción."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reformula el informe con tono estrictamente ejecutivo y directo para Comité de Dirección, eliminando tecnicismos operativos y destacando impacto en costes y cumplimiento de SLA."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Resume el informe en 3 bullets, cada uno con impacto en resultado y una acción prioritaria. Incluye una estimación breve del impacto económico si procede."

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 — LogiTrans Iberia S.A., sector logística y distribución

Estructura del output

El prompt genera primero un resumen ejecutivo, seguido de una tabla CSV de KPIs, un bloque de riesgos críticos y acciones recomendadas, y finalmente asunto y cuerpo del email. Entrega un JSON estructurado y una versión en texto plano lista para enviar.

Senales de un buen output

El informe incluye desviación porcentual y color de semáforo por cada KPI
El JSON contiene campos subject, body, executive_summary, kpis_table_csv, risks, short_for_ceo
Las acciones recomendadas tienen responsables asignados y prioridad definida
Se incluye una versión texto plano listable directamente en el módulo de correo

Senal de que el output es bueno: El JSON contiene el asunto, cuerpo de email, tabla CSV y acciones con responsables, sin asunciones no justificadas.

Costes

Inversion y retorno

40$ OpenAI API - consumo mensual estimado

1-3 minutos por ejecución Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: Automatizar el informe diario reduce 20-30 minutos por responsable cada mañana y evita intervenciones tardías ante incidencias; el ahorro de tiempo y la mejora en la detección temprana suelen justificar el coste mensual en semanas para equipos de operaciones medianos.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
El escenario de Make devuelve error 401 o datos vacíos	Credenciales API inválidas o permisos de lectura insuficientes en el ERP	Verifique la API key en [ERP_ENDPOINT], renueve credenciales si expiraron y confirme que el usuario tiene permisos para acceder a los endpoints solicitados.
El informe contiene valores nulos o campos faltantes	Campos del ERP no mapeados o transformación JSON incorrecta en Make	Revise el mapeo en el módulo de transformación; agregue validación previa que llene valores por defecto o genere una nota en el campo 'notes' cuando falte información.
Semáforos incorrectos o inconsistentes	Umbrales mal definidos o unidad de medida no homogénea (ej.: % vs. absolute)	Normalice las unidades antes de calcular umbrales y valide las reglas de color con ejemplos reales; actualice la hoja de umbrales compartida.
Emails no enviados o filtrados como spam	Configuración SMTP deficiente o falta de autenticación (SPF/DKIM/DMARC)	Use un servicio transaccional con autenticación configurada y remitente corporativo; revise logs de entrega y configure registros SPF/DKIM.
Respuesta del modelo vaga o con recomendaciones genéricas	Prompt insuficiente o input de KPIs sin contexto	Enriquezca el payload con contexto operativo (centro, turno, periodo) y utilice los prompts de iteración para pedir causas probables y responsables concretos.

Modo avanzado

Como hacer este tutorial con IA en modo avanzado

En modo agente, la IA puede ejecutar pasos secuenciales y tomar decisiones condicionadas: validar datos, solicitar más información y reenviar correos con diferentes formatos. Es útil cuando se requiere supervisión autónoma del flujo y respuestas condicionadas a umbrales.

Modo avanzado

Flujo de trabajo avanzado

1
Comprobar integridad del JSON de entrada y solicitar datos faltantes al ERP si detecta campos nulos
2
Calcular semáforos y, si detecta KPIs en rojo, generar automáticamente un borrador de ticket o incidente en el sistema de gestión
3
Enviar una primera notificación a un grupo reducido si hay incidencias críticas; si no hay incidencias, enviar el informe estándar
4
Registrar resultados y métricas de entrega en un log central para auditoría y trazabilidad

Actúa como agente operativo: 1) valida el JSON de entrada y solicita datos faltantes etiquetando el campo y razón; 2) calcula semáforos y, si cualquier KPI está en rojo, crea un borrador de incidencia con prioridad alta incluyendo KPI afectado, responsable propuesto y acción inmediata; 3) decide el público objetivo del email (lista reducida o general) según la gravedad; 4) envía el email con asunto, cuerpo y CSV adjunto. Devuelve un registro de acciones ejecutadas en formato JSON con timestamps.

Cuando usar el modo avanzado en este tutorial: Valioso cuando se requiere reacción automática ante incidencias fuera de horario o reducción del tiempo de intervención humana para casos críticos.

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: Una vez estabilizado el flujo, integre un dashboard ligero que muestre los últimos 7 días de semáforos y permita ajustar umbrales desde una hoja compartida conectada al mismo escenario en Make.

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