Optimizar escenarios en Make es la diferencia entre una automatización amateur y una lista para producción. Aquí descubrirás cómo reducir operaciones, tiempo de ejecución y transferencia de datos aplicando tres técnicas concretas: filtros inteligentes, inserción masiva con Aggregator y llamadas directas vía URL.

¿Por qué los filtros ahorran operaciones cuando trabajas con IA?

Cuando un escenario depende de inteligencia artificial, los resultados no siempre son predecibles. Los filtros actúan como una compuerta que valida la respuesta antes de continuar el flujo, evitando que operaciones costosas se ejecuten con datos basura.

Imagina un escenario que escucha tu bandeja de Gmail y usa Anthropic para clasificar correos como importantes o no importantes. La IA debería devolver una de dos etiquetas, pero a veces se desvía. Con un filtro que valide si la salida es igual a esta etiqueta o aquella, el flujo solo continúa cuando la respuesta es válida [01:05].

¿Para qué sirve un filtro en Make? Evalúa una condición antes de ejecutar el siguiente módulo. Si no se cumple, el flujo se detiene ahí y no consume operaciones adicionales.

El resultado: cada correo se etiqueta correctamente en tu bandeja y tú evitas pagar operaciones por respuestas inválidas de la IA.

¿Cómo reducir operaciones con inserción masiva y Aggregator?

Esta técnica es de las más poderosas y se nota desde la primera ejecución. Te muestro un caso con la API de actores de Harry Potter, donde el objetivo es volcar el listado en una hoja de cálculo de Google [02:15].

Versión sin optimizar: una fila por operación

El flujo clásico se ve así:

1. Llamada a la API que devuelve el listado de actores.
2. Módulo Iterator que recorre cada actor uno por uno.
3. Módulo de Google Sheets que inserta una fila por cada iteración.

El problema aparece en el contador: 19 inserciones individuales + 1 iterator + 1 llamada API = 21 operaciones, con un tiempo de ejecución de 4 segundos [03:20].

Versión optimizada con Aggregator e inserción masiva

El truco está en cambiar dos cosas. Primero, usar el módulo Array Aggregator después del Iterator para juntar todas las filas en una sola lista. Segundo, reemplazar la inserción fila por fila por la acción Bulk Add Rows de Google Sheets, que acepta un listado completo y cuenta como una sola operación, sin importar si son 20, 100 o 1.000 filas.

Dentro del Aggregator defines la fuente de datos (el Iterator) y la estructura, que en este caso es la hoja de Google. Make detecta automáticamente las columnas y tú mapeas cada atributo: columna uno con nombre, columna dos con especie, y así sucesivamente.

¿El resultado? De 21 operaciones a 4, y de 4 segundos a menos de 1 segundo de ejecución [05:40].

¿Qué hace el Aggregator en Make? Junta múltiples elementos individuales en una sola estructura. Es ideal para pasar de un flujo iterativo a una operación en lote.

¿Cómo reducir tiempo y transferencia de datos con Make an API call?

Muchos módulos de Make incluyen una opción al final llamada Make an API call, que te permite ejecutar acciones que no aparecen listadas en la interfaz. Para usarla bien, necesitas revisar la documentación oficial del servicio.

El ejemplo: un formulario de Tally recibe una imagen vía webhook. El flujo tradicional descarga la imagen con HTTP y luego la sube a Dropbox.

• Operaciones consumidas: 3.
• Tiempo de ejecución: 2 segundos.
• Transferencia de datos: casi 2 MB.

La versión optimizada elimina el paso de descarga. Revisando la documentación de Dropbox, existe un endpoint que permite subir un archivo pasando solo la URL pública, sin descargar el binario primero [07:30].

• Operaciones consumidas: 2.
• Tiempo de ejecución: menos de 1 segundo.
• Transferencia de datos: 1,5 KB en lugar de 2 MB.

La imagen viaja directamente desde Tally hacia Dropbox sin pasar por Make como archivo descargado. Ahorras créditos, ancho de banda y tiempo en una sola jugada.

Habilidades y conceptos clave para optimizar en Make

Estos son los elementos que conviene dominar después de ver estos tres escenarios:

• Filtros condicionales [01:05]: validan respuestas variables, especialmente útiles con módulos de IA como Anthropic.
• Iterator vs Aggregator [04:10]: el primero descompone listas, el segundo las recompone para enviarlas en lote.
• Bulk Add Rows en Google Sheets [04:50]: una operación, sin importar la cantidad de filas insertadas.
• Make an API call [07:00]: acceso a endpoints no listados en la interfaz, leyendo la documentación oficial.
• Webhook de Tally [06:45]: dispara el flujo en el instante en que se envía el formulario.
• Transferencia de datos: optimizar no es solo reducir operaciones, también el peso de lo que viaja entre módulos.

Tu reto ahora es tomar un escenario propio y bajar su consumo de operaciones al menos un 30 %. ¿Qué módulo vas a optimizar primero? Cuéntalo en los comentarios.