Cómo crear una integración de LLM: guía 2026

Integrar un modelo de lenguaje significa situarlo dentro de un proceso: recibir datos, aportar contexto, solicitar una respuesta, comprobarla y decidir qué hacer con ella. No exige eliminar la revisión humana. Esta guía adapta el patrón de clasificación de correos de la fuente de Make del 27 de mayo de 2026.

Elige la conexión y define la tarea

El recorrido utiliza Make AI Toolkit > Categorize Text. La documentación de AI Toolkit describe el proveedor de Make y las conexiones con proveedores externos, así como los módulos y sus campos actuales.

La disponibilidad comercial, los planes y las cuotas deben contrastarse con la página oficial de precios de Make. Puedes registrarte mediante nuestro enlace de afiliado. Podemos recibir una comisión si te registras a través de este enlace, sin coste adicional para ti.

No atribuyas a un modelo capacidades, tamaño de contexto o garantías de residencia de datos por el nombre del proveedor. Para una conexión externa, revisa la documentación del modelo y sus condiciones aplicables. Envía únicamente datos cuyo uso hayas autorizado.

1. Prepara el disparador

Escoge una entrada: un correo nuevo, una petición de webhook o una fila de hoja de cálculo. Son alternativas para escenarios distintos, no tres disparadores en el mismo escenario.

Con una muestra de prueba, localiza el texto que quieres clasificar y su identificador. Si necesitas contexto del CRM, recupéralo antes de la llamada al modelo. No añadas todo el historial del cliente cuando solo se necesita un dato.

2. Crea la conexión de AI Toolkit

Añade Categorize Text, abre Create a connection y sigue los campos que presenta la conexión elegida. La documentación actual incluye selección de modelo para el proveedor de Make; no debe afirmarse que siempre se hereda sin selección.

Las conexiones con proveedor externo requieren las credenciales correspondientes. Pon nombres que distingan prueba y producción, pero no supongas que renombrar una conexión separa por sí solo la facturación o los permisos.

3. Define categorías comprobables

En Text to Categorize, mapea el texto de entrada. En Categories, añade el nombre y la descripción de cada categoría. Por ejemplo:

El módulo documenta opciones para devolver una explicación y para Assign only one category. Si tu Router necesita un único destino, configura una sola categoría y comprueba la salida real.

No configures un supuesto campo de «confidence threshold»: la documentación de este módulo no lo presenta. Tampoco des por hecho que devuelve una puntuación numérica fiable para decidir acciones.

4. Valida antes de actuar

Comprueba que existe una categoría y que pertenece a tu lista. Si normalizas espacios o mayúsculas, conserva una correspondencia inequívoca con los valores que usan los filtros.

Si usas otro módulo que devuelve texto libre con apariencia de JSON, añade JSON > Parse JSON y comprueba los campos necesarios. Una expresión regular no valida por sí sola una estructura JSON completa. Una respuesta bien formada tampoco demuestra que la clasificación sea correcta.

5. Enruta el resultado

Añade rutas para facturación, soporte y consultas generales. Deja una ruta marcada como fallback para resultados no reconocidos, que registre el caso y avise a una persona.

La documentación de Router explica la ruta fallback y el procesamiento secuencial. Las condiciones deben ser mutuamente excluyentes si solo quieres una acción. No pongas antes del Router un filtro que descarte todas las respuestas inválidas si esperas recuperarlas en el fallback.

Puedes preparar un borrador de correo, enviar un aviso a Slack o crear un ticket. Como propuesta editorial, empieza por borradores revisados, no por respuestas enviadas automáticamente.

6. Prueba entradas difíciles

Con Run once, prueba un correo claro, otro ambiguo, uno vacío y uno con instrucciones incrustadas que no deban dirigir el proceso. Revisa el texto enviado al modelo, la categoría recibida y el destino elegido. No permitas que el contenido del correo altere por sí solo las reglas de acceso o las acciones autorizadas.

Prueba también el fallo de conexión y una respuesta que no cumpla tu contrato. Configura recuperación según Error handlers, Incomplete executions y Exponential backoff. Una salida de sustitución no equivale a repetir una llamada fallida.

Para entradas largas, consulta las restricciones de AI Toolkit y del modelo seleccionado. Divide o resume el texto con un criterio explícito cuando proceda; no extraigas límites de contexto de la página de precios de Make.

Coste y ampliaciones

El consumo depende del proveedor, modelo, volumen de texto y recorrido del escenario. Consulta la sección Credit usage de AI Toolkit para el mecanismo de consumo y la página oficial de precios para precios y cuotas de Make; revisa por separado las condiciones del proveedor externo. Si utilizas nuestro enlace de afiliado de Make, podemos recibir una comisión, sin coste adicional para ti.

Una vez validada la clasificación, puedes explorar recuperación documental o redacción asistida. Son ampliaciones con sus propias pruebas, no garantías añadidas por conectar un LLM. Las recomendaciones editoriales de esta guía no se presentan como pruebas realizadas por el sitio.

Fuente principal

Artículo oficial de Make. Las referencias técnicas específicas se enlazan en los pasos correspondientes.