Make.com
Nem AI asszisztens, hanem vizuális workflow- és automation platform — ahol az AI csak egy komponens a trigger, logika, adatáramlás és végrehajtás között. A helyes kérdés nem az, hogy „mit válaszol az AI?", hanem hogy „milyen üzleti folyamatot tudsz megbízhatóan automatizálni".
Mi ez valójában?
A Make-re úgy érdemes gondolni, mint egy vizuális process engine-re. A központi objektum a scenario: futtatható workflow, amelyben modulok egymás után vagy elágazásokkal dolgoznak. A modulok triggereket figyelnek, keresnek, módosítanak, létrehoznak, vagy API-n keresztül kommunikálnak.
Ugyanaz a feladat megoldható sima chatként, AI-modulként, agentként vagy teljes automatizált workflowként — de ezek költségben, kontrollban, hibakockázatban és emberi review-igényben nagyon különböznek. A Make a workflow végén van: akkor erős, amikor már van folyamat, amit ismételhetővé és auditálhatóvá akarsz tenni.
A tipikus Make-metafora: email → AI elemzés → kategorizálás → CRM update → Slack értesítés → emberi jóváhagyás → archiválás. Ez nem „AI használat" — ez rendszerüzemeltetés.
Architektúra rétegek
A Make-ben minden workflow egy triggerrel indul. A két fő típus: polling trigger (időzítve ellenőrzi, van-e új adat) és instant trigger (webhook alapú, azonnal indul, amikor adat érkezik). Valós idejű reagálás esetén az instant trigger a helyes választás.
A trigger design nem opcionális lépés — rossz triggertípus felesleges futásokat, késést vagy kihagyott eseményeket okoz. Ez az alapja minden Make-scenariónak.
Tipikus workflow minták
Email triage
Input: Bejövő email vagy ticket
AI-rész: Összefoglalás, kategorizálás, prioritásbecslés, válaszvázlat
Output: Strukturált JSON + CRM update + Slack értesítés
Human review: Panasz, jogi, reputációs ügyek
Lead qualification
Input: Webform, CRM új lead, enrichment adatok
AI-rész: Cégleírás értelmezése, use case besorolás, scoring
Output: CRM mezőfrissítés, sales routing
Human review: Magas értékű leadek, hiányos adatok
Dokumentumfeldolgozás
Input: Feltöltött PDF, szerződés, meeting note
AI-rész: Kulcspontok kiemelése, mezők kinyerése, összefoglaló
Output: Strukturált rekord, feladatlista, belső brief
Human review: Szerződéses vagy pénzügyi adat
Belső tudásalap
Input: Kérdés + knowledge fájlok + belső policy
AI-rész: Releváns info kiválasztása, válaszgenerálás, tool-használat
Output: Belső válasz, javaslat, follow-up action
Human review: HR, legal, compliance, exec döntés
Mikor válaszd?
| Helyzet | Ítélet |
|---|---|
| Több rendszert kell összekötni | Make erős |
| Ismétlődő, strukturálható folyamat | Make erős |
| AI-t workflowba kell ágyazni | Make erős |
| Változó inputú, ítéletalkotó feladat | AI Agent (óvatosan) |
| Egyszeri gondolkodási feladat | Chat inkább |
| Komplex kódalapú agent framework | n8n / custom kód inkább |
Korlátok és tipikus hibák
A Make gyenge pontja nem az, hogy keveset tud, hanem hogy könnyű rosszul használni. A leggyakoribb hibák: promptba rejtett logika (nincs strukturált output), nincs fallback route, nincs error handling, nincs human checkpoint, és túl komplex scenario moduláris bontás nélkül.
Technikai korlátok: search modulok legfeljebb 3200 objektumot vagy 5 MB adatot kezelnek futásonként. Nagy adathalmaznál a 40 perces futási limit kockázatot jelent. Az AI Agents réteg open beta — a funkcionalitás és pricing változhat.
Amit soha ne bízz Make-ben futó AI-ra: jogi kötelezettségvállalás, stratégiai döntés, pénzügyi jóváhagyás, compliance-kritikus vagy magas kárkockázatú művelet. A workflow-ba épített AI nem lesz attól megbízhatóbb, hogy workflowba épült — csak jobban kontrollálható.
Kapcsolódó oldalak
Zapier
No-code automation + AI Agents + MCP
n8n
Self-hosted, developer-first workflow platform
Automatizáció
Curriculum lecke: mikor éri meg automatizálni
Agentek
Mi az agent és hogyan különbözik a workflowtól
MCP
Model Context Protocol — eszközréteg AI rendszerekhez
Workflow példák
Konkrét workflow minták iparágak szerint