Claude + Make: cómo montar automatizaciones con IA para tu startup por menos de 50€/mes

Tienes Make montado. Tienes acceso a la API de Claude. Y tienes una lista de cosas que tu equipo hace a mano cada semana que no deberían hacerse a mano.

El problema no es la tecnología. El problema es que nadie te ha dicho exactamente qué conectar con qué, para qué y a qué coste.

Este artículo va de eso.

Lo que vas a aprender en este artículo:

Por qué Claude y Make forman el combo más accesible para automatizar con IA en una startup early-stage
Tres casos de uso reales que puedes montar hoy: clasificación de leads, resumen semanal de métricas y respuestas de soporte
Cuánto cuesta de verdad: desglose de costes reales en euros
Qué errores cometen casi todas las startups al arrancar con automatizaciones de IA

Por qué Claude + Make y no otra combinación

Hay muchas formas de automatizar con un LLM (modelo de lenguaje grande). OpenAI, Gemini, Mistral, Claude. Cada uno tiene sus argumentos.

Claude, el modelo de Anthropic, destaca en una cosa que importa mucho para automatizaciones operativas: seguir instrucciones complejas sin inventarse cosas. En tareas de clasificación, resumen y redacción estructurada, Claude tiene un comportamiento más predecible que GPT-4 en condiciones de producción. Para una startup que automatiza procesos reales, la predictibilidad vale más que la creatividad.

Make, por su parte, es la plataforma de automatización visual que mejor se integra con Claude API sin necesidad de código. Si no conoces Make o todavía estás decidiendo si es la herramienta correcta para tu stack, te recomiendo leer primero la comparativa entre Make, Zapier y n8n para startups que publicamos hace unas semanas. La conclusión corta: Make gana en precio y flexibilidad para startups entre 5 y 30 personas.

La combinación Claude + Make te da tres ventajas concretas:

1. No necesitas ingeniería. Un founder técnico puede montar los tres casos que ves a continuación en un fin de semana. Un founder no técnico, con un poco más de tiempo o con ayuda puntual, también.

2. El coste es absurdamente bajo para lo que hace. Más adelante ves los números exactos.

3. Escala contigo. Lo que hoy procesa 50 leads al mes procesa 5.000 sin cambiar nada del flujo.

"Automatizar el caos solo te da caos más rápido. Primero el proceso. Después la automatización."

Esto aplica aquí directamente. Los tres casos que vienen a continuación solo funcionan si ya sabes, a mano, qué decisión tomas con cada input. Si no lo sabes, empieza por ahí.

Caso 1: clasificar leads entrantes automáticamente

Este es el caso de uso más común que montamos con startups en fase seed.

El escenario típico: tienes un formulario de contacto o una integración con HubSpot donde llegan leads. Alguien los revisa manualmente, decide si tienen pinta de cliente potencial, y los asigna. Ese "alguien" tiene otras quince cosas que hacer y los leads esperan 24-48 horas.

Con Claude + Make, el flujo queda así:

Trigger: nuevo lead entra en HubSpot (o Typeform, o Google Forms, lo que uses).

Make: recoge los campos relevantes del lead (nombre, empresa, mensaje, tamaño de equipo, sector).

Claude API: recibe esa información y devuelve una clasificación según los criterios que tú definas en el prompt. Por ejemplo: "Lead calificado — encaja con nuestro ICP", "Lead frío — sin presupuesto aparente", "Lead para nurturing — interesante pero no urgente". También puede generar un resumen de una línea sobre por qué lo ha clasificado así.

Make: actualiza el lead en HubSpot con la clasificación, lo manda al canal de Slack del equipo de ventas si es calificado, o lo mete en una secuencia de nurturing si no lo es.

El prompt que le das a Claude es la clave. Tiene que reflejar exactamente el criterio con el que tú clasificas leads a mano. Si ese criterio no está claro, la automatización va a clasificar con el criterio de Claude, que no es el tuyo.

Tiempo de implementación real: entre 3 y 6 horas para alguien con conocimientos básicos de Make. El módulo HTTP de Make llama a la API de Claude directamente.

Caso 2: resumen semanal de métricas en Slack

Cada semana, alguien en tu equipo consolida números de distintas fuentes y los envía por Slack o email. Ese alguien tarda entre 30 minutos y 2 horas. Ese tiempo es deuda operativa pura.

El flujo con Claude + Make:

Trigger: cada lunes a las 9:00 (Make tiene scheduler nativo).

Make: recoge datos de las fuentes que uses. Puede ser Google Sheets con tus métricas clave, Stripe para MRR y churn, HubSpot para pipeline, o una hoja manual que actualiza tu equipo cada semana. Make soporta conectores nativos para la mayoría de estas herramientas.

Claude API: recibe todos esos datos en crudo y genera un resumen estructurado. El prompt puede ser algo como: "Eres el analista operativo de una startup SaaS B2B. Recibes estos datos semanales. Genera un resumen en 5 puntos: qué ha mejorado, qué ha empeorado, qué merece atención esta semana. Tono directo, sin adornos."

Make: publica el resumen en el canal #métricas de Slack, formateado con los bloques correctos para que sea legible.

El resultado es que el equipo llega el lunes y tiene el contexto listo. No hay que pedírselo a nadie. No hay que esperar a que alguien tenga hueco.

Lo interesante de este caso es que Claude no solo copia datos: los interpreta. Si el MRR ha subido pero el churn también, puede señalarlo. Si el pipeline está vacío comparado con el mes anterior, puede marcarlo. Eso es lo que diferencia este tipo de automatización de un simple reporte automatizado.

Una advertencia: Claude trabaja con lo que le das. Si tus datos son inconsistentes o hay fuentes que no están integradas, el resumen va a ser incompleto o incorrecto. La automatización no arregla datos malos; los amplifica. Si quieres entender antes cómo integrar la IA en tus operaciones de forma que aporte valor real y no ruido, el artículo sobre cómo usar IA en las operaciones de tu startup sin que sea humo te da el marco de referencia.

Caso 3: respuesta automática a consultas de soporte

Este caso tiene más matices que los dos anteriores. Te lo cuento sin edulcorantes.

El escenario: recibes consultas de clientes por email, por formulario o por chat. Una parte de esas consultas son preguntas recurrentes que cualquier persona de tu equipo podría responder en 2 minutos con la información correcta. Otra parte requiere criterio humano.

La automatización con Claude no reemplaza el soporte. Gestiona la carga de lo repetitivo para que tu equipo pueda concentrarse en lo que requiere criterio.

El flujo:

Trigger: nueva consulta entra por email (Make tiene integración con Gmail y con Outlook) o por un formulario conectado.

Make: extrae el contenido de la consulta y lo envía a Claude API.

Claude API: con un prompt bien construido que incluye tu base de conocimiento (preguntas frecuentes, políticas, información del producto), Claude clasifica la consulta en dos categorías: "puedo responder" o "necesita humano". Si puede responder, genera el borrador de respuesta. Si no, lo escala.

Make: si Claude puede responder, envía el borrador al agente de soporte para revisión antes de enviarlo al cliente (o lo envía directamente si confías en el nivel de calidad que has validado). Si escala, crea un ticket en tu herramienta de soporte (Intercom, Freshdesk, o lo que uses) con la clasificación del problema.

La parte crítica: nunca configures esta automatización para enviar respuestas directamente al cliente sin revisión hasta que hayas validado en producción durante varias semanas que la calidad es consistente. Claude comete errores. No son frecuentes, pero cuando ocurren, afectan a la relación con el cliente.

Tiempo de implementación: más complejo que los dos anteriores. Entre medio día y un día completo, más el tiempo de construir y testear el prompt con casos reales.

Cuánto cuesta de verdad: los números en euros

Aquí está el desglose real, sin redondear hacia abajo para que suene mejor.

Make Pro: 16€/mes (hasta 10.000 operaciones). Para los tres casos descritos, con un volumen razonable de una startup seed (50-100 leads/mes, resumen semanal, 200 consultas de soporte/mes), estás lejos del límite. Si tu volumen crece, el plan Teams cuesta 29€/mes con operaciones ilimitadas.

Claude API (Anthropic): funciona por tokens consumidos. Claude 3.5 Sonnet, que es el modelo que recomendamos para estos casos de uso (buen equilibrio entre calidad y coste), cuesta aproximadamente 3 dólares por millón de tokens de entrada y 15 dólares por millón de tokens de salida. En euros, con el tipo de cambio actual, estás hablando de 2,75€ y 13,75€ respectivamente.

En la práctica, para los tres casos descritos con los volúmenes de una startup early-stage, el consumo mensual de API suele estar entre 15€ y 35€. Depende del volumen de consultas y de cuánto texto incluyes en cada prompt.

Total real: entre 31€ y 51€/mes.

Si estás en el límite alto, es porque tienes más volumen, lo que significa que la automatización te está ahorrando más horas de trabajo. El ratio sigue siendo muy favorable.

Para empezar a hacer pruebas, Anthropic da créditos iniciales al crear una cuenta. Make tiene un plan gratuito con 1.000 operaciones/mes, suficiente para testear antes de comprometerte.

"El stack perfecto no existe. Existe el stack que tu equipo usa de verdad."

Estos 50€/mes solo tienen sentido si los flujos que montas se ejecutan de verdad y tu equipo los adopta. Si las automatizaciones corren pero nadie las mira ni las mantiene, son 50€ tirados.

Errores comunes al arrancar con Claude + Make

Después de ver varios intentos de startups que se lanzan a esto solas, los patrones de fallo son bastante predecibles.

Prompt demasiado vago. "Clasifica este lead" no es un prompt. Un prompt operativo tiene contexto (quién eres, qué vendes, cuál es tu ICP), criterios explícitos (qué convierte a un lead en calificado, qué lo descarta) y formato de salida definido (qué quieres que devuelva Claude y en qué estructura). Un prompt mal construido produce resultados inconsistentes que generan más trabajo manual, no menos.

Automatizar antes de tener el proceso claro. Si no tienes claro cómo clasificas leads a mano, Claude tampoco va a saberlo. Define primero el proceso en papel. Aplícalo manualmente durante una semana. Cuando el proceso funcione de forma consistente, automatízalo.

No tener revisión humana en el arranque. Los primeros 30 días de cualquier automatización con IA son de validación, no de producción autónoma. Revisa los outputs de Claude antes de que tengan efecto real. Ajusta el prompt. Solo cuando la tasa de error es aceptable puedes reducir la supervisión.

Conectar demasiadas cosas desde el principio. Empieza con un solo caso de uso. Valídalo. Después añade el segundo. El error de montar los tres casos a la vez es que si algo falla, no sabes qué es lo que está fallando.

No medir el impacto. Si no sabes cuánto tiempo ahorras, no sabes si merece la pena mantenerlo. Antes de activar la automatización, anota cuántas horas semanales dedica tu equipo a esa tarea. Después de un mes, compara. Si el ahorro no es evidente, algo en la automatización no está funcionando bien.

Preguntas frecuentes

¿Necesito saber programar para conectar Claude con Make?

No. Make es una herramienta visual de automatización sin código. La conexión con Claude API se hace a través del módulo HTTP de Make, donde introduces la URL del endpoint de Anthropic, tu API key y el cuerpo de la petición en formato JSON. Hay plantillas disponibles y la documentación de Anthropic es clara. Dicho esto, si nunca has tocado Make, cuenta con dedicar unas horas a aprender la lógica de la plataforma antes de lanzarte con Claude.

¿Cuánto tarda en estar listo el primer flujo de Claude + Make?

Para alguien con conocimientos básicos de Make y que ya tiene claro el proceso que quiere automatizar, el caso de clasificación de leads puede estar funcional en 3-6 horas. El resumen de métricas en Slack puede tardar un día si tienes que integrar varias fuentes de datos. El flujo de soporte, incluyendo la construcción y validación del prompt, puede llevar 1-2 días de trabajo.

¿Claude es mejor que GPT-4 para automatizaciones operativas?

Depende del caso. Claude tiende a ser más predecible en tareas estructuradas (clasificación, resumen con formato definido, seguimiento de instrucciones complejas) y comete menos alucinaciones en contextos donde le das mucha información de referencia. GPT-4 tiene un ecosistema de integraciones más amplio. Para los tres casos descritos en este artículo, Claude es nuestra primera elección, pero si ya tienes GPT-4 integrado y funciona bien, no tiene sentido migrar solo por migrar.

¿Qué pasa cuando Claude comete un error en producción?

Pasa. No es frecuente, pero pasa. Por eso el diseño de cualquier automatización de IA debe incluir un mecanismo de revisión humana para los casos con mayor impacto (responder directamente a un cliente, por ejemplo). Make tiene funcionalidad de manejo de errores nativa que te permite redirigir los fallos a una cola de revisión manual en lugar de que el flujo simplemente falle sin aviso.

¿Puedo usar Claude + Make con el RGPD en vigor en España?

Sí, pero con condiciones. Si los datos que procesas incluyen información personal de clientes o usuarios (nombre, email, empresa), estás enviando datos personales a la API de Anthropic, que procesa en servidores fuera de la UE. Necesitas asegurarte de que tu política de privacidad y tus contratos con proveedores cubren ese tratamiento. Anthropic tiene un Data Processing Agreement (DPA) disponible. Antes de activar cualquier flujo que maneje datos personales, revisa esto con tu asesor legal o tu DPO.

¿Este combo funciona para startups muy pequeñas, de 3-5 personas?

Sí, y a veces es donde más impacto tiene. Con un equipo de 3 personas, cada hora que ahorras en tareas repetitivas tiene un peso enorme. El coste de 30-50€/mes es irrelevante si liberas 5-10 horas al mes de trabajo manual. Lo que cambia en equipos muy pequeños es que hay menos volumen de datos y el ROI del resumen de métricas puede ser menor que en un equipo más grande.

¿Cuándo deja de ser suficiente este setup y necesito algo más robusto?

Cuando el volumen de operaciones supera lo que Make Pro puede manejar de forma cómoda, cuando necesitas lógica condicional muy compleja que Make gestiona con dificultad, o cuando quieres montar agentes de IA con memoria y razonamiento de múltiples pasos. En ese punto, n8n (self-hosted) o una arquitectura con LangChain o agentes de Anthropic empieza a tener sentido. Para startups hasta 50 personas con los tres casos de uso descritos, Claude + Make cubre perfectamente.

Tu equipo hace cosas a mano esta semana que no deberían hacerse a mano. Probablemente lo sabes. La diferencia entre saberlo y arreglarlo son unas horas de implementación y menos de 50€ al mes.

Si quieres montar esto sin perder tiempo en pruebas y errores, en Ebägurin lo hacemos contigo: definimos el proceso, construimos el flujo, validamos en producción y lo dejamos funcionando. Consulta el plan de implementación guiada →