Gestionar una bandeja de entrada saturada de solicitudes de soporte consume horas valiosas de trabajo repetitivo. En este Make.com OpenAI tutorial, aprenderás a construir una arquitectura automatizada para capturar mensajes de soporte, analizarlos con inteligencia artificial bajo esquemas de datos estrictos y generar respuestas en borrador sin comprometer el control operativo.

Arquitectura del agente: Por qué separar clasificación de ejecución

Uno de los errores más frecuentes al crear flujos de trabajo con modelos de lenguaje es delegar en una sola instrucción la lectura, categorización y el envío inmediato del mensaje hacia el cliente final. Esta práctica incrementa el riesgo de incidencias ante alucinaciones o interpretaciones erróneas de consultas delicadas.

La arquitectura recomendada desacopla el proceso en tres fases independientes:

1. Extracción estructurada: El modelo de IA actúa exclusivamente como motor de análisis, extrayendo metadatos esenciales (intención, urgencia, departamento sugerido) y devolviendo un objeto JSON perfectamente tipado.
2. Enrutamiento determinista: La lógica de negocio corre enteramente por cuenta de Make.com mediante filtros matemáticos y de texto sobre variables predecibles.
3. Generación de borrador asistido: En lugar de disparar una respuesta definitiva, la plataforma genera un borrador para revisión humana antes de cualquier entrega exterior.

Paso 1: Configurar el trigger en Make (Gmail u Outlook Watch Emails)

Para inicializar el escenario, añadimos el módulo Watch Emails de Gmail o Microsoft 365 Outlook. Este disparador comprueba periódicamente si han llegado nuevos mensajes a través de un ciclo de polling.

Al configurarlo, es crucial aplicar los siguientes parámetros técnicos:

• Criterio de filtrado: Seleccionar únicamente correos no leídos o etiquetados bajo una carpeta específica (como “Soporte”).
• Marcar como leído: Activar la opción para marcar los correos como leídos una vez procesados; esto evita que se vuelvan a capturar en ejecuciones posteriores y previene bucles infinitos.
• Límite de procesamiento: Configurar el límite de correos por ciclo (configurable habitualmente entre 1 y 500 emails) según la capacidad de concurrencia requerida.

Paso 2: Conectar la API de OpenAI y diseñar el schema con Structured Outputs

A diferencia del modo JSON tradicional, la función de Structured Outputs de OpenAI (compatible con modelos como gpt-4o y gpt-4o-mini) garantiza al 100% que la respuesta coincidirá con la estructura de campos requerida gracias al parámetro response_format configurado con json_schema y la propiedad strict: true.

Dentro del módulo de OpenAI en Make, define un esquema estricto para estructurar la clasificación:

Paso 3: Configurar el enrutador condicional (Router) para separar categorías

Una vez que OpenAI devuelve el objeto JSON validado, el módulo nativo Router de Make permite derivar el flujo en múltiples caminos independientes. Cada ruta evaluará directamente la propiedad categoria.

Paso 4: Creación de borradores automáticos para revisión humana (Human-in-the-Loop)

Para preservar la fiabilidad operativa frente al usuario final, es una regla fundamental no utilizar módulos de envío directo (Send an Email) en el primer contacto automatizado. En su lugar, se recurre a los módulos Create a Draft de Gmail o Microsoft 365 Outlook.

Al seleccionar Create a Draft:

• Se introduce el Message ID o el hilo original para mantener la conversación agrupada.
• Se inyecta la variable borrador_respuesta en el cuerpo del correo.
• El equipo de atención al cliente puede abrir el correo, revisar la propuesta generada por la IA, editarla si es necesario y pulsar “Enviar” de forma manual.

Buenas prácticas de optimización de costes y tokens

El procesamiento continuo de bandejas de entrada puede incrementar los consumos de la API si no se aplican medidas de optimización de tokens:

• Elección de modelo: Emplear gpt-4o-mini como estándar de alta eficiencia costo-beneficio, reservando modelos más pesados únicamente si se requiere un razonamiento multi-paso extremadamente complejo.
• Recorte de hilos: Los correos electrónicos suelen arrastrar historiales previos con firmas, avisos legales y citas extensas. Recortar el texto antes de inyectarlo al prompt evita enviar tokens innecesarios a la API.
• Límites de salida: Definir el parámetro max_completion_tokens en el módulo de OpenAI para restringir la extensión máxima de la respuesta y evitar salidas excesivamente largas.