Clasificación de texto en Airtable: etiqueta registros automáticamente con una automatización Run a script y Jev

Las bases de Airtable suelen acumular texto libre que alguien ordena a mano: envíos de formularios, peticiones de clientes, feedback, solicitudes a un programa, ideas de contenido. Clasificar significa leer el texto de un campo de texto largo y rellenar una categoría de una lista corta y fija, para que vistas, filtros y la siguiente automatización funcionen sin que una persona lea antes cada fila. Una tabla práctica necesita cuatro campos: el texto de origen (Long text), Category (selección única con opciones idénticas a tus IDs de label, por ejemplo billing, bug, feature_request, other), Confidence (número con dos decimales) y Needs review (casilla). Mantén la lista corta y excluyente e incluye siempre other, para que el modelo tenga un destino honesto para el texto que no encaja. Si la urgencia también importa, pregúntala aparte como sí/no en lugar de añadir urgent a la lista; mezclarlas empeora ambas respuestas. Esta guía cubre una categoría por registro. Si un registro puede pertenecer a varias a la vez, usa un campo de selección múltiple y lee antes la guía multi-label.

Cinco pasos. 1) Crea los cuatro campos anteriores y añade cada ID de label como opción de selección única antes de la primera ejecución; el script escribe la opción por nombre, así que los nombres deben coincidir. 2) En Automations, crea una automatización con el trigger “When a record matches conditions” y dos condiciones: el campo de texto no está vacío y Category está vacío. Se dispara cuando un registro entra en ese estado, por ejemplo al llegar un envío de formulario, y escribir Category saca al registro de la condición, así que la automatización no entra en bucle con su propia actualización. 3) Añade la acción “Run a script”. En la barra lateral de variables de entrada, añade recordId asignado al ID de registro de Airtable del trigger y text asignado al campo de texto. 4) Crea una clave de API de JevModel en Console → API keys con una cuenta de email verificado y añádela en la pestaña Secrets del editor como JEVMODEL_API_KEY; el script la lee con input.secret("JEVMODEL_API_KEY"). Airtable limita la edición de scripts con secretos a quien puede acceder a ellos y oculta los secretos en la salida de consola. 5) Prueba la acción con un registro de ejemplo, revisa el historial y el registro de ejecución, y luego activa la automatización. Si falla la llamada a Jev, deja Category vacío y marca Needs review, para que un error temporal nunca etiquete mal un registro.

Del lado de Airtable, el centro de ayuda enumera los límites de la acción Run a script: un tiempo máximo de script documentado de 30 segundos (ampliado temporalmente a 120 segundos al escribir esto), 30 segundos por fetch, 12 segundos para llamadas a la API de scripting, 512 MB de memoria, 50 peticiones fetch y 30 consultas selectRecords por ejecución, y hasta 15 mutaciones por segundo, cada una de hasta 50 registros. La acción está disponible en todos los planes con distintas limitaciones, pero no durante una prueba del plan Team. Un registro por ejecución, como en el ejemplo, queda muy por debajo. Del lado de JevModel, la petición completa (state más questions) debe caber en 8.000 caracteres, así que recorta el texto largo antes de enviarlo; el ejemplo conserva los primeros 6.000. Una petición puede hacer de 1 a 8 preguntas; un Choice tiene de 2 a 12 opciones cuyos IDs empiezan por minúscula y solo usan minúsculas, dígitos y guiones bajos, y un Score tiene de 2 a 10 niveles ordenados. No hay campo model ni clave de idempotencia: si vuelves a ejecutar la automatización sobre un registro, es una petición nueva y se cobra otra vez. Las ejecuciones fallidas se reembolsan. Cada registro etiquetado es una petición normal a la API cobrada en tokens de tu saldo; las cuentas verificadas empiezan con 100.000 tokens gratis y los paquetes de pago están en la página de precios.

Las tres envían la misma pregunta Jev; cambia dónde vive la lógica y cómo vuelven los resultados a la base. La tabla compara la forma del flujo, no la precisión, y ninguna fila es un benchmark.

Pega el script en la acción Run a script y cambia la tabla, los campos y las definiciones de labels por los de tu base. La petición sigue el contrato documentado de JevModel: POST /api/v1/systemone con una clave Bearer de una cuenta verificada, un state y preguntas con nombre, aquí un Choice llamado category; una respuesta correcta trae code 0 y data.answers. No hay campo model porque el sitio siempre llama a typesafe/jev-1.13 vía OpenRouter; JevModel es independiente de TypeSafe AI, que desarrolla Jev. El script envía solo el texto, no nombres, emails ni otras columnas. Un valor de selección única se escribe como objeto con name, y esa opción ya debe existir en el campo. Los registros bajo el umbral de ejemplo, los etiquetados other y las llamadas fallidas reciben Needs review, así que una vista filtrada por esa casilla se convierte en la cola humana. 0,7 es un marcador; elige tu umbral con una muestra etiquetada.

// Illustrative only. Airtable automation → "Run a script" action.
// Input variables: recordId (Airtable record ID from the trigger), text (the long-text field).
// Secret: JEVMODEL_API_KEY (Secrets tab in the script editor).
// Fields: Category (single select), Confidence (number), Needs review (checkbox).
const { recordId, text } = input.config();
const table = base.getTable("Requests");

const res = await fetch("https://jevmodel.app/api/v1/systemone", {
  method: "POST",
  headers: {
    Authorization: "Bearer " + input.secret("JEVMODEL_API_KEY"),
    "Content-Type": "application/json",
  },
  body: JSON.stringify({
    // The whole request must stay within 8,000 characters.
    state: { text: String(text || "").slice(0, 6000) },
    questions: {
      category: {
        type: "choice",
        instructions: "Which team should handle this request submitted through our form?",
        criteria: {
          billing: "Invoices, payments, refunds, or plan changes.",
          bug: "Something is broken, shows an error, or behaves unexpectedly.",
          feature_request: "Asks for something the product does not do yet.",
          other: "Anything that fits none of the labels above.",
        },
      },
    },
  }),
});
const out = await res.json();

if (out.code !== 0) {
  // Leave Category empty and hand the record to a person.
  await table.updateRecordAsync(recordId, { "Needs review": true });
  console.log("Jev call failed: " + out.message);
} else {
  const { choice, probabilities } = out.data.answers.category;
  const p = probabilities ? probabilities[choice] : 0;
  await table.updateRecordAsync(recordId, {
    Category: { name: choice }, // the option must already exist in the field
    Confidence: p,
    "Needs review": p < 0.7 || choice === "other", // 0.7 is a placeholder
  });
}

Empieza con registros cuya categoría ya conoce una persona. Exporta unos cientos como CSV con el texto y el label humano, sube el texto a JevModel Console → Batch con la misma pregunta Choice y exporta las respuestas por fila. Luego compara ambas columnas por label en una hoja de cálculo; Batch no calcula la precisión por ti. Mira qué pares se confunden y cómo cambia la concordancia al subir el umbral de probabilidad, reescribe las definiciones vagas y repite con la misma muestra antes de activar la automatización. Esa misma vía CSV es la forma más sencilla de etiquetar lo acumulado: la automatización solo se dispara con registros que empiezan a cumplir sus condiciones, y un script que recorre muchos registros en una ejecución choca enseguida con el límite de 50 fetch. Tras el lanzamiento, mantén una vista filtrada por Needs review y ordenada por Confidence, y revisa cada semana la proporción de other; si crece, la lista de categorías ya no refleja lo que la gente envía. No dejes que un label borre, oculte ni envíe emails hasta medir cuánto se equivoca, y mantén editable el campo para que las personas lo corrijan.

Elige la acción Run a script cuando el trabajo ocurre en la base, puedes editar un script corto y tu plan incluye la acción. Elige una herramienta no-code si ya ejecuta tus otras automatizaciones o si el mismo texto también debe llegar a Slack, email o un CRM; las guías de Zapier, Make, n8n, Power Automate y Pipedream muestran la misma petición Jev en cada una. Elige CSV y Console → Batch para lo acumulado de una vez o para probar definiciones antes de que exista ninguna automatización. Si tus datos están en Google Sheets y no en Airtable, la guía de Google Sheets cubre el mismo patrón con Apps Script. Lista para cualquiera: 1) define labels con un other explícito; 2) deja la urgencia como pregunta sí/no aparte; 3) envía solo el texto y recórtalo por debajo del límite de 8.000 caracteres; 4) deja vacía la categoría y marca el registro si falla la llamada; 5) empieza con labels y una vista de revisión, y añade acciones posteriores solo tras medir la concordancia en una muestra etiquetada. JevModel es solo texto y no es de código abierto; adjuntos, imágenes y audio de Airtable no se clasifican con esta configuración.