Agente, escenario y plantilla: en qué se diferencian
Antes de avanzar, una aclaración necesaria: este artículo cubre la Librería de Agentes de Make, no el catálogo de plantillas de automatización prediseñadas. Son dos catálogos distintos dentro de la plataforma, y confundirlos lleva a expectativas equivocadas sobre lo que cada uno puede hacer.
Un escenario tradicional en Make ejecuta una secuencia fija de módulos: si pasa A, hacé B, después C. La lógica está totalmente predefinida por quien construye el escenario, y el flujo no cambia aunque los datos de entrada sean distintos a los previstos.
Una plantilla es, en esencia, un escenario ya armado por Make o por la comunidad, pensado para resolver un caso común sin partir de cero. Sigue siendo lógica fija: se puede adaptar, pero no razona ni decide nada por sí misma.
Un agente, en cambio, incorpora un modelo de lenguaje como "cerebro" que analiza el contexto, decide qué acción tomar y puede encadenar varios pasos sin que el usuario le indique cada uno. Puede reflexionar paso a paso, elegir entre distintas herramientas conectadas y adaptar su respuesta según el input recibido, algo que un escenario de lógica fija no puede hacer.
Make lo resume así: si la tarea solo necesita ejecutarse, conviene un escenario o una plantilla; si la tarea necesita juicio o razonamiento —sobre todo con datos no estructurados como texto libre, mensajes o documentos—, ahí es donde entra un agente. Cada agente se construye con cuatro componentes: un modelo de lenguaje que razona (el "cerebro"), instrucciones que definen su rol y reglas, memoria del contexto de la conversación, y herramientas —módulos, escenarios o servidores MCP— que le permiten ejecutar acciones reales en apps de terceros.
Esto no significa que los agentes reemplacen a los escenarios: Make los diseñó para trabajar juntos. Un agente puede activar un escenario determinista como una de sus herramientas, y un escenario puede invocar a un agente en un paso puntual donde haga falta criterio. La combinación —lógica fija para lo predecible, razonamiento del agente para lo ambiguo— suele ser más robusta que optar por uno solo de los dos enfoques en toda la automatización.
<<<Nueva generación de AI Agents en Make: automatizá a escala empresarial>>>
Las 7 categorías de la librería de agents
La Librería de Agentes organiza el catálogo por área de negocio, lo que facilita encontrar un punto de partida relevante en lugar de construir desde cero.
- Marketing. Agentes como el Content Draft Creator, que convierte un pedido en Slack en un borrador listo para editar en Google Docs, y el SEO Optimization Agent, que audita una página contra las palabras clave objetivo.
- Business Development. Incluye el Lead Qualification Agent, que investiga leads entrantes y los puntúa contra el perfil de cliente ideal, y el Personalized Outreach Agent, que redacta emails de prospección personalizados por empresa.
- Customer Support. Agentes como el Ticket Triage Agent, que ayuda a priorizar el backlog de tickets, y el Customer Order Management Agent, que permite consultar y actualizar el estado de un pedido directamente por chat.
- IT & Engineering. Cubre casos como el Product Release Automation Agent, que traduce tickets técnicos de Jira en comunicados claros para el resto de la empresa, y el Agent Firewall, pensado para filtrar mensajes de entrada según categorías de riesgo.
- Operations & Logistics. Agentes orientados a gestión de datos, como el Invoice Extractor Agent, que extrae información de facturas automáticamente, y el Inventory and Order Management Agent, que actualiza stock desde una conversación en Slack.
- HR & Recruiting. Incluye el Resume Analysis Agent, que puntúa currículums contra los criterios de contratación, y el HR Onboarding QnA Agent, que responde dudas de nuevos empleados sobre políticas internas.
- Productivity & Workspace. Agentes de uso diario como el Email Digest Agent, que resume el correo sin leer y lo organiza en un digest por categoría.
Cada agente de la librería se puede probar directamente con el botón "Try this agent" e importarlo al workspace propio para adaptarlo.
Beneficios de usar la Librería de Agentes
Partir de un agente de la librería en lugar de construir uno desde cero tiene ventajas concretas más allá del ahorro de tiempo inicial:
- Punto de partida probado. Make describe la librería como "una base probada" en lugar de un lienzo en blanco: cada agente ya resuelve un caso de negocio real, por lo que el trabajo pasa a ser de adaptación y no de diseño desde cero.
- Transparencia en cada decisión. El panel de Reasoning muestra el razonamiento paso a paso de cualquier agente, propio o importado de la librería, lo que facilita auditar por qué tomó determinada decisión antes de confiarle un proceso crítico.
- Reutilización entre workflows. Un agente configurado una vez puede invocarse desde múltiples escenarios, en lugar de duplicar la misma lógica de clasificación o redacción en cada automatización nueva.
- Libertad de proveedor de IA. Se puede usar el proveedor de IA propio de Make, sin necesidad de una cuenta externa, o conectar una clave propia de OpenAI, Gemini o Anthropic Claude según el modelo que la empresa ya tenga contratado.
- Convivencia con la lógica determinista existente. Un agente puede activar un escenario como una de sus herramientas y viceversa, así que adoptar agentes no implica rehacer las automatizaciones fijas que ya funcionan bien.
- Visibilidad de costos. Make muestra cómo corre cada agente y cuántos créditos consume, lo que ayuda a estimar el gasto antes de escalar el uso a más equipos.
<<<Make Grid: centraliza tu ecosistema de automatizaciones con gobernanza>>>
Cómo desplegar un agente paso a paso
- Explorá la librería por categoría. Filtrá por el área de negocio que te interesa o buscá por palabra clave para encontrar un agente cercano a tu caso de uso.
- Revisá la descripción y las apps que usa. Cada tarjeta muestra qué integraciones necesita el agente (Slack, Google Sheets, CRM, etc.), así sabés de antemano qué conexiones vas a tener que autorizar.
- Importá el agente a tu workspace. Con "Try this agent" se copia la configuración base a tu cuenta de Make, lista para adaptar.
- Configurá el proveedor de IA. Podés usar el proveedor de IA propio de Make, que no requiere cuenta con ningún proveedor externo, o conectar tu propia clave de OpenAI, Gemini o Anthropic Claude si preferís controlar el modelo específico.
- Conectá tus propias herramientas. Reemplazá las conexiones de ejemplo por tus cuentas reales (tu Slack, tu CRM, tu casilla de correo) para que el agente actúe sobre tus datos.
- Cargá conocimiento si el agente lo requiere. Algunos agentes usan archivos de referencia —FAQs, políticas internas, guías de marca— para ajustar sus respuestas a tu contexto específico.
- Probá el agente y revisá el panel de Reasoning. Este panel muestra el razonamiento paso a paso del agente, así podés confirmar que las decisiones tienen sentido antes de ponerlo en producción.
- Definí puntos de control. Podés agregar aprobaciones manuales en pasos sensibles, de forma que el agente no ejecute ciertas acciones sin validación humana.
Conclusión
La Librería de Agentes no reemplaza los escenarios ni las plantillas que ya usás en Make: les suma una capa de razonamiento para los casos donde la lógica fija no alcanza. La clave para adoptarla bien no es activar agentes en todos los flujos posibles, sino identificar primero qué procesos de tu operación dependen hoy de criterio humano repetitivo —clasificar, priorizar, redactar un primer borrador— y ahí evaluar si alguno de los agentes ya disponibles en las siete categorías resuelve ese cuello de botella sin partir de cero.
Empezar por un agente de la librería, en lugar de construir uno propio desde el primer día, reduce el riesgo de la adopción: podés probarlo, revisar su razonamiento en el panel de Reasoning y ajustarlo antes de confiarle un proceso crítico. A partir de ahí, la decisión de sumar más agentes —o de dejar ciertos flujos como escenarios de lógica fija— pasa a ser una cuestión de qué tan predecible es cada tarea, no una apuesta a ciegas por la automatización más nueva disponible.