Categorize Text en Make.com: AI Toolkit vs HTTP → Jev para labels tipados y umbrales

Según la página de Make AI Toolkit, Categorize Text toma texto y categorías (Name+Description), puede devolver explicación y asignar una sola o varias. Va tras el trigger y un retrieve opcional, luego Filters y Router. Make no almacena datos para entrenar; los límites de tokens dan RuntimeError; los logs siguen la retención del escenario (30 días en la doc). Es un clasificador en el lienzo, no un contrato API portable.

Brilla para enrutar dentro de Make: un bundle entra, N rutas salen. Name+Description guía mejor; la explicación ayuda en la banda media; el proveedor AI integrado sirve en todos los planes. Límites: (1) mismo contrato fuera de Make, (2) rúbricas Score/Noul, (3) abstención calibrada entre orquestadores, (4) API compartida con Zapier/n8n/backends. El 0.7 del guía es un ejemplo a calibrar, no un default universal.

Ninguna ruta sustituye evaluar con tus etiquetas. La tabla contrasta forma de escenario y contrato de decisión, no puntuaciones de marketing.

Quédate en Categorize Text si hay pocas categorías estables, un falso enrutado es barato, todo corre en Make y quieres Router visual más explicaciones. Describe bien Name+Description, usa una sola categoría para colas exclusivas, mantén ruta fallback y registra categoría + confianza + id de modelo. Prototipa con el proveedor integrado; custom solo si necesitas modelo o facturación concreta.

Patrón habitual: Trigger → retrieve opcional → HTTP POST a /api/v1/systemone con Choice (2–12) y Score/Noul → Filter → Router → efectos solo con alta confianza → cola humana si no. Claves en connections. Presupuesto: ~8000 caracteres tras validar, 1–8 preguntas, 5 éxitos/día UTC en cuentas gratis verificadas. JevModel hospeda typesafe/jev-1.13 vía OpenRouter; independiente de TypeSafe AI; no multimodal ni pesos descargables.

// Illustrative only - configure the HTTP module in Make; keep secrets in connections.
POST /api/v1/systemone
{
  "state": {"channel": "email", "body": "Invoice #992 is wrong - please credit us."},
  "questions": [
    {
      "id": "route",
      "type": "choice",
      "prompt": "Support category",
      "labels": ["billing", "technical", "general"]
    },
    {
      "id": "auto_ok",
      "type": "noul",
      "prompt": "Safe to auto-tag without a human?"
    }
  ]
}

La guía LLM de Make recomienda validar categoría y confianza tras Categorize Text, luego enrutar: banda alta a borradores auto, media a Slack/humanos, baja a escalar o log. El 0.7 es ilustrativo—mide precisión/recall en tu holdout antes de escrituras. Con Jev: Filter por Choice + Noul/Score, luego Router. Cablea medias/bajas antes de módulos destructivos.

1) Congela un diccionario con casos límite; evita un catch-all vago como único fallback. 2) Una vs varias. 3) Categorize Text vs API Jev según reuso y abstención. 4) Claves solo en connections. 5) Filters de validación y ruta fallback. 6) Mide holdout tras cada cambio. 7) Acciones destructivas detrás de umbrales y humanos. 8) No afirmes ganancias de ranking o precisión sin medirlas.