Make

O que é Make

Make é visual automation platform construída em scenarios: triggers, modules, routes, filters, iterators, data transformations e actions. AI Agents adicionam layer model-driven que escolhe entre approved modules, reusable scenarios e MCP tools. A mesma plataforma pode executar integration logic previsível e agentic loops mais flexíveis.

Isso não torna os dois modes intercambiáveis. Fixed scenario costuma ser melhor para invoicing rules, record synchronization, notifications e outros processos com caminho definível. Use Agent quando contexto variável realmente exigir interpretation ou tool selection. Mantenha side effects em scenario steps explícitos sempre que possível para continuarem testáveis e observáveis.

Agent tools e acesso mínimo

Make Agent combina model, instructions, context ou knowledge e tools. Tools podem expor business capability ampla. Calendar tool que retorna detalhes completos dos events é muito mais arriscada que uma que retorna apenas free/busy slots. CRM tool capaz de excluir ou bulk-update records tem blast radius diferente de read-only lookup.

O guia atual de Agent best practices do Make diz para presumir que pessoas possam acessar informação compartilhada com Agent, incluindo tool data e knowledge. Recomenda minimizar acesso e mapear apenas data necessária para uma tool. O guia também afirma que Agents podem ignorar ou interpretar mal guardrails explícitos. Isso é sinal importante de procurement: system prompt não é authorization layer.

Limite output tokens, execution steps, thread history, retries e tool count. History longa aumenta cost e unintended disclosure. Step limits ajudam a interromper loops, mas também podem deixar business transaction parcialmente concluída. Encaminhe resultados incompletos ou low-confidence a review queue, em vez de fingir sucesso.

Human review e recuperação

Make pode colocar human-review request em scenario route. Padrão útil permite que Agent classifique e produza draft, então pause antes de email, order, CRM write ou external publication. Reviewer deve ver original input, proposed payload, supporting data e exact target — não só generated summary.

Revise como state retoma após approval ou rejection. Approval expirado deve falhar de forma fechada. Retry não deve repetir side effects anteriores. Adicione unique transaction keys, error handlers e manual repair path. Teste revoked credentials, API rate limits, malformed tool output, prompt injection, duplicate webhooks e model que nunca alcança stopping condition.

Preços e credits

Na data da análise, a página de pricing do Make listava plano Free e precificava Core a US$ 12, Pro a US$ 21 e Teams a US$ 38 mensais para configuração de 10.000 credits. Enterprise usava custom pricing. Core adicionava active scenarios ilimitados e API access; Pro adicionava priority execution, custom variables e full-text log search; Teams adicionava team roles e shared templates. Currency, billing cycle, credit level e regional taxes podem mudar valores exibidos.

Credits não são o custo total. Module selecionado, data movement, AI Agent execution, external model connection, code e retries afetam consumo. Planos pagos podem usar custom AI provider connections, transferindo parte de model cost e data terms ao provider. Estime credits com run normal e run cheio de falhas; inclua tests, loops, human review e provider token charges.

Segurança, logs e rotas de dados

A página de security do Make informa audits SOC 2 Type II e SOC 3, encrypted credentials e storage, TLS para transport e cloud infrastructure em duas AWS availability zones. Diz que log data fica armazenado 30 dias por padrão, com extended storage disponível em Enterprise. Enterprise roda em AWS environment gerenciado separadamente de self-service cloud customers.

Execution logs podem conter mapped records, prompts, tool responses e error payloads. History menor reduz exposição, mas enfraquece incident investigation. Decida quais fields podem ser registrados, quem busca runs e para onde exports vão. Desconectar app não remove records já escritos em outros systems.

O privacy notice do Make afirma que Google Workspace API data não é usado para desenvolver, melhorar ou treinar generalized AI ou machine-learning models. Essa declaração é específica e não deve virar claim sem suporte sobre toda customer-data category ou external provider. Revise model connection, subprocessors, DPA, region e deletion process selecionados separadamente.

Quem deve escolher Make?

Make atende equipes que valorizam visual canvas e querem manter deterministic automation junto a decisões limitadas de Agent. Sua safety guidance oficial é incomumente direta sobre limitações, ajudando builders responsáveis e deixando clara a necessidade de architecture cuidadosa.

Compare Zapier AI para app automation ampla e Agents separados, n8n para self-hosting e code flexibility e Gumloop para AI-native credit model. A categoria de automação e agents com IA explica como testar permissions, approvals, traces e cost.