4.2Llamar a ChatGPT, Claude, Gemini en un workflow
Lo esencial en 30 segundos
- La IA se convierte en un paso del workflow : se envía un prompt (instrucción + datos) y se recupera la respuesta para continuar.
- Prompt preciso + salida JSON : la calidad depende del prompt ; pedir JSON permite encadenar de forma limpia.
- Cada llamada se paga en tokens : filtrar antes de la llamada y limitar el tamaño enviado para controlar el coste.
Minicaso guiado — Lina clasifica las solicitudes del SAV
Lina recibe cada día decenas de mensajes del SAV en Orán : facturación, técnico, otro — clasificados a mano. Añade un paso de IA tras el desencadenante : el prompt pide una categoría en JSON a partir del texto del mensaje, y luego un enrutador dirige hacia el tratamiento adecuado. Primera prueba con mensajes reales, respuestas concisas exigidas, coste vigilado. Lina acaba de automatizar la « comprensión del lenguaje » sin programar.
Continuación del caso 4.1 — Lina pasa de la elección de la herramienta a su primer paso de IA.
1. La IA como paso
La automatización cambia de dimensión cuando se integra un modelo de IA. En un workflow (Make, n8n, Zapier), se añade una llamada a ChatGPT (OpenAI), Claude (Anthropic) o Gemini (Google) para tratar lenguaje : resumir un correo, clasificar un ticket, extraer información, generar una respuesta, traducir. Como en la clasificación del SAV de Lina, la IA se convierte en un paso entre el desencadenante y la acción final.
2. Prompt, formato, coste
Principio sencillo : se envía un prompt (instrucción + datos), el modelo devuelve un resultado de texto que se recupera para continuar (escribirlo en una base, enviarlo, usarlo en una condición). La calidad depende de la precisión del prompt : consigna clara, categorías cerradas, ejemplo del formato esperado.
Se gestionan el formato (pedir JSON para reutilizar de forma limpia) y el coste (cada llamada se factura en tokens, entrada + salida). Lina filtra antes, solo envía el texto útil y exige respuestas concisas : la IA delega en la máquina la « comprensión del lenguaje », a condición de dirigirla con sobriedad.
3. Cambiar de modelo sigue siendo sencillo
Los tres modelos cubren la mayoría de las necesidades habituales ; la elección depende de las tarifas, de los conectores disponibles y de tus pruebas con tus casos reales. Como la llamada pasa por una interfaz estándar (clave + módulo por sustituir), cambiar de modelo suele ser trivial : Lina prototipa con uno, compara con otro, y no optimiza en exceso esta elección al principio.
🔎 Ejemplo concreto — 🔎 Ejemplo concreto — Clasificar un ticket
El paso de IA de Lina, con un prompt que impone el formato :
Prompt : « Clasifica este ticket entre :
Facturación / Técnico / Otro.
Responde en JSON : {categoria}. »
Datos : {cuerpo del ticket}
→ respuesta JSON → enrutador según la categoría.Lectura : una tarea de « comprensión » automatizada en un paso.
Lección : pedir JSON para encadenar de forma limpia.
Vocabulario de la sección
- LLM (modelo de lenguaje)
- IA entrenada con texto (ChatGPT, Claude, Gemini) capaz de resumir, clasificar, extraer, generar, traducir.
Ejemplo sencillo: Lina lo utiliza para clasificar los mensajes del SAV en lugar de ordenarlos a mano.
Lo que no es: un motor de búsqueda o una base de datos.
Reflejo: reservar el LLM para las tareas de lenguaje, no para el almacenamiento.
- Prompt
- Instrucción enviada al modelo (consigna + datos) que determina la calidad y la forma de la respuesta.
Ejemplo sencillo: « Clasifica este ticket entre estas 3 categorías, responde en JSON » : consigna + datos.
Lo que no es: una palabra clave vaga lanzada sin consigna ni formato.
Reflejo: releer siempre el prompt : ¿consigna clara + formato impuesto ?
- Token
- Unidad de división del texto que sirve para facturar las llamadas a los modelos, entrada + salida.
Ejemplo sencillo: Cada mensaje del SAV de Lina + la respuesta consumen tokens.
Lo que no es: una operación de automatización facturada por el SaaS.
Reflejo: estimar entrada + salida antes de industrializar.
- Salida estructurada (JSON)
- Respuesta con formato pedida al modelo para reutilizarla de forma limpia en la continuación del workflow.
Ejemplo sencillo: El {categoria} devuelto por la IA alimenta directamente el enrutador de Lina.
Lo que no es: un párrafo libre que hay que reinterpretar a mano.
Reflejo: exigir el formato en el prompt, comprobar antes de encadenar.
- Paso de IA
- Módulo de llamada a un LLM insertado en un workflow, entre el desencadenante y la acción final.
Ejemplo sencillo: En casa de Lina : desencadenante mensaje → paso de IA clasificación → enrutador.
Lo que no es: un agente autónomo que decide solo sus acciones (ver 4.3).
Reflejo: colocar la IA como una función, no como un decisor.
En la práctica — En práctica — Integrar un LLM en un workflow
- En tu workflow, añade un módulo de llamada a IA tras el desencadenante, con tu clave de API guardada en un lugar seguro (ver 4.5).
- Redacta un prompt claro : « Resume este correo en 3 viñetas » o « Clasifica este ticket entre : Facturación / Técnico / Otro », formato JSON exigido.
- Inyecta solo los datos útiles del desencadenante (el cuerpo del texto, no las piezas enteras).
- Recupera la respuesta y utilízala : escríbela en tu base, envíala, o úsala en una condición (enrutador).
Guion listo para decir — enmarcar el envío de datos a la IA (30 s)
« Soy Lina : antes de conectar la IA a nuestros mensajes de clientes, minimizo lo que le enviamos — solo texto útil, nada de piezas sensibles — y hago validar el circuito por la DSI. Probamos con una muestra, vigilamos el coste en tokens y luego decidimos. »
Para decir antes de cualquier conexión con datos reales ; registrar lo que se envía al modelo.
Modelo para copiar-pegar — ficha paso de IA (ejemplo ficticio)
FICHA PASO DE IA — ejemplo ficticio para adaptar
DESENCADENANTE : _______________ (ej. nuevo mensaje del SAV)
DATOS ENVIADOS (solo texto útil) : _______________
PROMPT : « _______________ Responde en JSON : {_______________}. »
MODELO : _______________ (clave guardada en lugar seguro, ver 4.5)
SALIDA → CONTINUACIÓN : _______________ (escribir / enviar / enrutar)
FILTRO ANTIDESPILFARRO : llamar solo si _______________
COSTE VIGILADO EL : _______________Volúmenes pequeños, presupuesto ajustado
Filtrar drásticamente antes de la llamada (palabras clave, condiciones) : la IA solo trata los casos que de verdad lo merecen.
Mensajes con datos sensibles
Como Lina : minimizar, anonimizar si es posible, y hacer validar el circuito por la DSI/RSSI antes de los datos reales.
Necesidad multilingüe (árabe, francés)
Probar el mismo prompt en cada idioma con una muestra : la calidad varía, el formato JSON, en cambio, sigue siendo tu salvaguarda.
Equipo que empieza con la IA
Empezar por un caso acotado (clasificación en 3 categorías) en lugar de la generación libre : previsible, medible, más barato.
✓ Buenas prácticas
- Cuidar el prompt (consigna clara + datos útiles).
- Pedir JSON para reutilizar de forma limpia.
- Filtrar antes de la llamada, limitar el tamaño.
✗ Errores frecuentes
- Llamar a la IA en cada evento.
- Enviar piezas enteras en lugar del texto útil.
- Optimizar en exceso la elección del modelo.
Puntos clave
- Se integran ChatGPT/Claude/Gemini como paso de un workflow para tratar el lenguaje.
- Casos de uso : resumir, clasificar, extraer, generar, traducir, analizar un sentimiento.
- La calidad depende del prompt ; pedir JSON facilita la reutilización.
- Cada llamada se factura en tokens : cuidar prompt y volumen para controlar el coste.
Desafío 48h — aplica mañana
Añade 1 paso de IA a un workflow real (clasificación o resumen), con prompt que imponga el JSON y datos minimizados — y luego mide el coste en tokens.
- Puedo explicar prompt, token y salida estructurada.
- Sé encadenar una respuesta de IA hacia un enrutador.
- He conectado 1 paso de IA sobrio y medido su coste.
Preguntas frecuentes
¿Qué modelo elegir entre ChatGPT, Claude y Gemini ?
Los tres cubren la mayoría de las necesidades habituales. La elección depende de las tarifas, de los conectores disponibles y de tus pruebas con tus casos reales. Prototipa la misma tarea con dos modelos y compara calidad, coste y regularidad. Como la llamada pasa por una interfaz estándar, cambiar suele ser trivial : no optimices en exceso esta elección al principio.
¿Cómo controlar el coste de las llamadas a IA ?
Filtra antes para llamar solo cuando sea necesario, limita el tamaño enviado, elige un modelo adecuado (uno pequeño suele bastar para clasificar), exige respuestas concisas (la salida también se factura) y vigila el consumo. La sobriedad se diseña desde la construcción del workflow.
¿Cómo se integra una IA en un workflow ?