Clasificación de texto en Power Automate: modelos AI Builder vs HTTP → Jev

En Power Automate, clasificar suele ser un enrutado: tomas texto entrante, pides una categoría al modelo y ramificas con Condición/Switch antes de escribir en Dataverse, Service Bus o tickets. Dos vías AI Builder documentadas: (1) modelo personalizado entrenado; (2) clasificación por categorías prediseñada. La tercera es el conector HTTP hacia una API externa como JevModel. Ninguna sustituye un holdout etiquetado de tu propio tráfico.

Microsoft Learn documenta “Classify text into categories with one of your custom models”: eliges el modelo AI publicado, mapeas Text y Language, y obtienes Classification más Confidence 0–1. Fortalezas: datos en tu tenant; Condiciones en el portal. Límites: etiquetado, calidad y republicación son tuyos; la confianza no es un contrato Choice/Score/Noul portable; créditos de análisis avanzado (por 1k caracteres) y flujo premium. Calibra el score en tu muestra.

La acción prediseñada “with the standard model” pide Text y Language y devuelve la misma forma Classification + Confidence, sin publicar un modelo custom. Úsala en prototipos y enrutado grueso. Prefiere custom si la taxonomía es de dominio y un falso enrutado es caro. En ambos casos hay créditos por 1k caracteres y flujo premium. Fuera de Microsoft 365, compara Zapier, Make, n8n y Pipedream.

La tabla contrasta forma de flujo y contrato de decisión, no puntuaciones de marketing. Calibra cualquier confianza en tu muestra etiquetada.

Quédate en AI Builder si hay pocas etiquetas estables, un falso enrutado es barato, todo vive en Power Platform y quieres mapeo nativo más créditos Microsoft. Mantén rama Other, registra Classification y Confidence, recalibra tras cambios. Prediseñado para velocidad; custom si el entrenamiento debe quedarse en el tenant.

Patrón habitual: desencadenador → Compose/Parse a state → HTTP POST a /api/v1/systemone con Choice (2–12) y Score/Noul opcional → Condición → efectos solo con alta confianza → cola humana si no. Claves en Key Vault o referencia segura. Presupuesto: ~8000 caracteres tras validar, 1–8 preguntas, cuota diaria (5/día UTC) en cuentas gratuitas verificadas. JevModel hospeda typesafe/jev-1.13 vía OpenRouter; independiente de TypeSafe AI; no multimodal ni pesos descargables aquí. Para un patrón HTTP similar en flujos event-driven, véase pipedream-text-classification.

// Illustrative only — configure the HTTP action in Power Automate; keep secrets in Key Vault.
POST https://jevmodel.app/api/v1/systemone
Authorization: Bearer <API_KEY_FROM_CONSOLE>
Content-Type: application/json

{
  "state": "Customer asks for a refund on order #1842 after late delivery.",
  "questions": [
    {
      "id": "route",
      "type": "choice",
      "prompt": "Support route",
      "labels": ["billing", "shipping", "product", "other"]
    }
  ]
}

Calibra cualquier confianza—score AI Builder 0–1 o Score/Noul de Jev—antes de autoaplicar. Política: banda alta automática; media a humanos con sugerencias; bajo el suelo, revisión forzada. Cablea Condiciones medias/bajas antes de escrituras. La fórmula Choice de TypeSafe es (p − 1/n)/(1 − 1/n); no es accuracy calibrada.

1) Congela un diccionario de labels con casos límite. 2) Other vs descartar. 3) AI Builder custom, prediseñado o API Jev según reuso, tenant y abstención. 4) Claves solo en Key Vault. 5) Confirma créditos y flujo premium con tu admin. 6) Mide precisión/recall en holdout tras cada cambio. 7) Acciones destructivas detrás de umbrales y rama humana. 8) No afirmes ganancias de ranking o precisión sin medirlas.