Los agentes de IA llegan al no-code: Make los integra en su lienzo

El 11 de febrero de 2026, Make anunció la nueva generación de sus “Make AI Agents”: agentes de inteligencia artificial que se construyen, se ejecutan y se depuran dentro del mismo lienzo que la plataforma ya usa para montar sus flujos de automatización (los llamados scenarios). La propuesta es que, sin escribir código, puedas crear “agentes” capaces de orquestar procesos a través de más de 3.000 aplicaciones, trabajar con archivos como PDF, imágenes y CSV, y mostrar en tiempo real cómo van razonando. Para quien trabaja como autónomo o en una micropyme, la noticia importa menos por la etiqueta “agente” y más por lo que abre: automatizaciones que no solo siguen pasos fijos, sino que deciden qué paso dar. Conviene entender qué cambia, qué no cambia y dónde poner el freno.

¿Qué es un agente de IA (y en qué se diferencia de un flujo)?

Un flujo clásico de automatización es, en esencia, una receta: cuando llega un correo, extrae el asunto; si contiene la palabra “factura”, guárdalo en tal carpeta. Los pasos están fijados de antemano y se ejecutan siempre igual. Es predecible y relativamente fácil de auditar, pero también rígido: si aparece un caso que no habías previsto, el flujo no sabe improvisar y, o bien falla, o bien hace algo que no encaja.

Un agente de IA parte de otra idea. En lugar de una ruta cerrada, recibe un objetivo —por ejemplo, “clasifica estos correos y prepara borradores de respuesta para los sencillos”— y decide por sí mismo qué herramientas usar y en qué orden para cumplirlo. Evalúa la situación, elige entre las acciones disponibles y encadena pasos hasta lograr (o intentar lograr) la meta. Dicho en llano: el flujo hace exactamente lo que le indicas; el agente intenta conseguir lo que le pides. Esa capacidad de decidir es su ventaja principal y, a la vez, la razón por la que exige más vigilancia: al elegir, también puede equivocarse de maneras que un flujo fijo, por su rigidez, nunca cometería.

Qué ha presentado Make

Según el anuncio de la compañía, la nueva generación de Make AI Agents reúne varias capacidades en un mismo entorno:

• Mismo lienzo que los flujos. Los agentes se construyen, se ejecutan y se depuran dentro del mismo canvas que ya se utiliza para los scenarios. No hay que aprender una herramienta aparte: quien ya monta automatizaciones en Make trabaja sobre una interfaz conocida.
• Orquestación a través de más de 3.000 aplicaciones. El agente puede coordinar procesos apoyándose en el catálogo de conectores de la plataforma.
• Trabajo con archivos (multimodal). Los agentes pueden aceptar, analizar y producir ficheros como PDF, imágenes y CSV, además de otros formatos. Es decir, no se limitan a texto plano.
• Panel de razonamiento (Reasoning Panel). Una vista en tiempo real que muestra cómo “piensa” el agente, qué herramientas invoca y por qué. Es la pieza pensada para dar visibilidad a un proceso que, de otro modo, sería una caja negra.
• Chat dentro del lienzo. Se puede conversar con el agente en el propio canvas para probar, ajustar y mejorar su comportamiento antes de ponerlo a funcionar.
• Biblioteca de agentes. Una colección de ejemplos listos para escenarios reales, como gestión de inventario, investigación, triaje o elaboración de informes, que sirven de punto de partida.

Por qué te importa si eres autónomo o micropyme

La consecuencia práctica es que se abarata montar “algo que decide” sobre tu trabajo diario sin depender de un perfil técnico. Hasta ahora, automatizar sin programar servía para tareas mecánicas y repetitivas; con un agente, la ambición sube: podría clasificar correos y decidir cuáles merecen respuesta, leer una factura en PDF y extraer sus datos, o preparar el borrador de un informe a partir de un CSV. Todo ello dentro de una herramienta que muchos negocios pequeños ya usan para tareas más simples.

El panel de razonamiento es, para este perfil de usuario, más relevante de lo que parece. Cuando delegas una decisión en un sistema, la pregunta inevitable es “¿por qué ha hecho esto?”. Poder ver qué herramientas ha invocado el agente y en qué orden aporta trazabilidad: te permite revisar su comportamiento antes de darle vía libre y detectar cuándo se desvía. No convierte al agente en infalible, pero sí lo hace auditable, que es justo lo que un autónomo necesita antes de dejar que algo actúe en su nombre.

Qué encaja hoy y qué conviene supervisar

Esta tabla es criterio editorial, no una recomendación de la plataforma: la idea es empezar por tareas donde un error se corrige fácil y reservar la supervisión estrecha para todo lo que tenga consecuencias reales.

Los límites

Un agente que decide necesita supervisión precisamente porque decide. La trazabilidad que ofrece el panel de razonamiento ayuda a entender qué ha pasado, pero ver el razonamiento no garantiza que el razonamiento sea correcto: trazabilidad no es lo mismo que infalibilidad. Antes de dejar que un agente actúe en producción conviene probar su comportamiento con casos reales y mantener a una persona en el bucle para las acciones con efectos.

Hay además un factor de coste que no debe pasarse por alto. Los agentes, al encadenar decisiones y llamadas a herramientas, consumen recursos (en el caso de Make, créditos de la plataforma), y un agente que se equivoca de estrategia puede gastar más de lo previsto. Merece la pena vigilar el consumo desde el principio y acotar qué puede hacer.

Por último, conviene mantener la perspectiva de mercado. Make es una opción, no la única: la categoría de “agentes en herramientas no-code” existe también en otras plataformas del sector, y la decisión sensata pasa por evaluar cuál encaja con tus herramientas y tus datos, sin casarse con un único proveedor solo porque haya anunciado la función antes o de forma más vistosa.

Qué puedes hacer ahora

Si te tienta la idea, la vía prudente es empezar pequeño. Un primer paso razonable es probar la biblioteca de agentes con un caso acotado —por ejemplo, un triaje sencillo de correos (ejemplo)— en lugar de intentar automatizar de golpe un proceso crítico. Antes de pasar nada a producción, usa el panel de razonamiento para revisar qué herramientas invoca el agente y comprobar que su forma de decidir se ajusta a lo que esperas. Y elige como primer proyecto una tarea de bajo riesgo, donde un fallo se corrija en minutos y no tenga impacto sobre clientes, cobros o datos sensibles. Con ese rodaje entenderás mejor dónde te ahorra tiempo de verdad y dónde conviene seguir haciendo las cosas a mano.

Si estás empezando en esto, apóyate primero en el contexto de fondo: qué es la IA aplicada a un negocio pequeño, cómo encajan los conectores no-code en tu operativa y qué riesgos y límites tener presentes antes de dar a un agente permiso para actuar.