Categorize Text sur Make.com : AI Toolkit vs HTTP → Jev pour labels typés et seuils

D’après la page Make AI Toolkit, Categorize Text prend un texte et des catégories (Name+Description), peut renvoyer une explication et n’en assigner qu’une ou plusieurs. Il suit le trigger et un retrieve optionnel, puis Filters et Router. Make ne stocke pas vos données pour l’entraînement ; les limites de tokens renvoient RuntimeError ; les logs suivent la rétention du scénario (30 jours dans la doc). Classifieur dans le canevas, pas un contrat API portable.

Il excelle pour router dans Make : un bundle entre, N routes sortent. Name+Description guide mieux ; l’explication aide en bande moyenne ; le fournisseur AI intégré marche sur tous les plans. Limites : (1) même contrat hors Make, (2) rubriques Score/Noul, (3) abstention calibrée entre orchestrateurs, (4) API partagée avec Zapier/n8n/backends. Le 0.7 du guide est un exemple à calibrer, pas un défaut universel.

Aucun chemin ne remplace l’évaluation sur vos labels. Le tableau oppose forme de scénario et contrat de décision, pas des scores marketing.

Gardez Categorize Text si peu de catégories stables, faux routage peu coûteux, tout dans Make, et besoin surtout de Router visuel plus explications. Descriptions Name+Description précises, une seule catégorie pour files exclusives, route fallback, journalisez catégorie + confiance + id modèle. Prototypage avec le fournisseur intégré ; custom seulement pour modèle ou facturation spécifiques.

Schéma courant : Trigger → retrieve optionnel → HTTP POST vers /api/v1/systemone avec Choice (2–12) et Score/Noul → Filter → Router → effets seulement si haute confiance → file humaine sinon. Clés dans connections. Budget : ~8000 caractères après validation, 1–8 questions, 5 succès/jour UTC en compte gratuit vérifié. JevModel héberge typesafe/jev-1.13 via OpenRouter ; indépendant de TypeSafe AI ; pas multimodal ni poids téléchargeables.

// 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?"
    }
  ]
}

Le guide LLM Make recommande de valider catégorie et confiance après Categorize Text, puis de router : bande haute vers brouillons auto, moyenne vers Slack/humains, basse vers escalade ou log. Le 0.7 est illustratif—mesurez précision/rappel sur votre holdout avant toute écriture. Avec Jev : Filter sur Choice + Noul/Score, puis Router. Branchez moyennes/basses avant modules destructifs.

1) Figez un dictionnaire avec cas limites ; évitez un catch-all vague comme seul fallback. 2) Une vs plusieurs. 3) Categorize Text vs API Jev selon réutilisation et abstention. 4) Clés uniquement dans connections. 5) Filters de validation et route fallback. 6) Mesurez le holdout après chaque changement. 7) Actions destructives derrière seuils et humains. 8) N’affirmez pas de gains non mesurés.