Toda empresa tem tarefas que seguem o mesmo roteiro: um formulário chega, alguém lê, classifica, copia para o CRM e avisa o time. Cada passo leva poucos minutos. Somados ao longo do mês, viram dezenas de horas e uma fila de leads esfriando.
Ferramentas de automação sem código ligam esses passos por conta própria. Com um modelo de linguagem no meio, elas também passam a ler texto livre: entendem a intenção de uma mensagem, extraem dados de um e-mail, resumem cem avaliações. É a combinação que torna o assunto relevante agora.
Este guia compara n8n, Make e Zapier com base nas páginas oficiais de preço e documentação, descreve quatro receitas para marketing e e-commerce com a conta de custo por execução, e trata do que costuma ficar de fora: governança, LGPD, falhas e quando não usar low-code.
O que é automação de fluxo: gatilho, condição e ação
Um fluxo de automação (workflow) é uma sequência de passos que roda sozinha quando algo acontece. Três peças bastam para descrever qualquer um.
- Gatilho (trigger): o evento que inicia o fluxo. Exemplos: um formulário enviado, um pedido pago, uma linha nova em planilha, uma mensagem recebida.
- Condição: uma regra que decide o caminho. Exemplo: se o valor do pedido passar de R$ 500, avisar o time comercial; senão, apenas registrar.
- Ação: o que o fluxo faz em outro sistema. Exemplos: criar um contato no CRM, enviar um e-mail, postar um alerta no chat.
Onde a IA entra no fluxo
Na prática, a IA ocupa um passo específico do fluxo, e as regras ao redor continuam fixas. Cinco usos cobrem a maior parte dos casos em marketing e e-commerce.
| Uso | O que faz | Exemplo | Risco principal |
|---|---|---|---|
| Classificar | Atribui uma categoria a um texto | Mensagem de cliente: dúvida, reclamação, pedido de troca | Categoria errada manda o caso para a fila errada |
| Extrair | Transforma texto livre em campos | Nome, telefone e orçamento a partir de um e-mail | Campo inventado quando o dado não existe |
| Resumir | Condensa muito texto em poucas linhas | Resumo semanal de avaliações de produto | Omissão de um ponto crítico |
| Redigir | Escreve um rascunho | Resposta inicial ao cliente, descrição de produto | Tom ou promessa fora da política |
| Rotear | Escolhe o destino do item | Lead quente para vendedor, frio para nutrição | Roteamento enviesado por dado ruim |
Há ainda o agente: em vez de um passo fixo, o modelo decide quais ferramentas chamar e em que ordem. No n8n, por exemplo, o nó de agente com ferramentas escolhe a ferramenta conforme a tarefa e tem limite de iterações (o padrão é 10), além de opção de aprovação humana antes de ferramentas sensíveis, segundo a documentação do n8n sobre o Tools Agent. Para a diferença conceitual entre agente, chatbot e automação, veja Agentes de IA: o que são e a diferença para chatbot e automação. Para conectar modelos a ferramentas por um protocolo aberto, veja MCP: o que é e como usar no marketing.
n8n, Make e Zapier: comparação neutra
As três plataformas fazem o essencial. A diferença está em como cobram, onde rodam e quanto controle oferecem. As informações abaixo vêm das páginas oficiais de preço e documentação de cada fabricante; valores em moeda mudam, então a tabela compara a lógica de cobrança e os limites estruturais.
Modelo de cobrança
- n8n: a página de preços do n8n informa cobrança por execuções mensais de workflow, independentemente da complexidade. Uma rodada completa conta como uma execução, qualquer que seja o número de passos.
- Make: a página de preços do Make informa que o crédito é a unidade de cobrança. A maioria das ações custa 1 crédito, e módulos de tratamento de erro e o Router não consomem créditos. Recursos avançados que usam o provedor de IA do Make podem consumir mais de 1 crédito por ação.
- Zapier: a página de preços do Zapier informa que a unidade é a tarefa (task), contada quando um Zap conclui uma ação com sucesso. Gatilhos e a checagem de novos dados não contam, e ações que falham também não.
O Zapier detalha em um artigo oficial sobre tarefas que filtros, paths e ferramentas internas como Tables, Forms e Delay não contam, e que passos de IA usam multiplicadores: IA padrão 1x, avançada 3x e premium 5x, enquanto chamadas de MCP custam 2x.
Hospedagem, IA e limites
| Critério | n8n | Make | Zapier |
|---|---|---|---|
| Unidade de cobrança | Execução de workflow | Crédito (a maioria das ações = 1) | Tarefa (ação bem-sucedida) |
| Hospedagem | Nuvem do n8n ou própria. Edição Community gratuita para auto-hospedagem; Business exige licença | Nuvem do Make | Nuvem do Zapier |
| Passos extras no custo | Não alteram o número de execuções | Cada módulo conta, exceto Router e tratamento de erro | Cada ação conta; filtros e gatilhos não |
| IA nativa | Nós de IA com agente, modelos e memória | Recursos com provedor de IA do Make, que podem custar mais créditos | Passos de IA, Copilot, Agents e Chatbots, com planos próprios |
| Limites relevantes | Execuções simultâneas e duração máxima variam por plano; retenção de logs de 7 dias no Starter, segundo a página de preços | Franquia de transferência de dados e armazenamento proporcional aos créditos; ao acabar o crédito, cenários param | Intervalo de verificação por plano (15 min no Free, 2 min no Professional, 1 min no Team); sem pay-per-task, Zaps pausam ao estourar a cota |
| Curva de aprendizado | Maior; recompensa quem aceita editar dados e expressões | Intermediária; visual, com mapeamento detalhado | Menor para fluxos lineares |
Leia a tabela assim: o n8n favorece fluxos longos e quem precisa manter dados sob controle, o Zapier favorece fluxos curtos e rapidez de entrega, e o Make fica no meio, com forte apelo visual. Sobre auto-hospedagem, a documentação de hospedagem do n8n descreve instalação por Docker, e a edição sem chave de licença roda como Community.
Quatro receitas práticas para marketing e e-commerce
Cada receita segue o desenho do diagrama: gatilho, passo de IA, condição, ação. O passo a passo serve para as três ferramentas, trocando apenas os nomes dos módulos.
Receita 1: qualificar lead de formulário e criar no CRM
- Gatilho: envio do formulário do site (webhook ou integração nativa).
- Passo de IA: envie só a mensagem livre e peça um JSON com intenção (compra, dúvida, suporte, spam), urgência de 1 a 5 e produto citado.
- Condição: se o JSON for válido e a urgência for 4 ou mais, siga o caminho quente; se inválido, vá para a revisão humana.
- Ação: crie ou atualize o contato no CRM (use atualização por e-mail para não duplicar), com tag da intenção.
- Ação: avise o vendedor responsável por mensagem interna com o resumo de uma linha.
O ganho está na velocidade de resposta. Sobre o efeito do tempo de resposta na conversão, veja Speed-to-lead: como o tempo de resposta afeta a conversão.
Receita 2: resumir avaliações e SAC e enviar alerta
- Gatilho: agendamento semanal (por exemplo, segunda às 8h).
- Busque as avaliações e os tickets da semana na loja ou no sistema de atendimento.
- Passo de IA: classifique cada item por tema (entrega, qualidade, preço, atendimento) e sentimento. Faça em lotes para reduzir execuções.
- Passo de IA: gere um resumo de até 120 palavras com os três temas mais frequentes e dois exemplos citados.
- Ação: poste o resumo no canal do time. Condição: se um tema tiver aumento maior que 30% sobre a semana anterior, marque o responsável.
Receita 3: enriquecer cadastro de produto
- Gatilho: produto novo criado no painel da loja com status rascunho.
- Leia título, atributos e foto principal (se o modelo aceitar imagem).
- Passo de IA: sugira descrição curta, 5 atributos padronizados e categoria da taxonomia da loja, usando uma lista fechada de categorias no prompt.
- Condição: se a categoria sugerida não estiver na lista, mande para revisão.
- Ação: grave a sugestão em campos de rascunho, nunca no campo publicado. Uma pessoa aprova e publica.
Receita 4: classificar mensagens de WhatsApp
- Gatilho: mensagem recebida na API oficial do WhatsApp Business, via o provedor que você usa.
- Condição: ignore mensagens de status e de sistema antes de chamar a IA, para não gastar execução.
- Passo de IA: classifique em pedido de segunda via, dúvida de entrega, venda nova, reclamação ou outro, e devolva também o grau de confiança.
- Condição: confiança abaixo de 0,7 ou categoria reclamação vai para atendente humano.
- Ação: aplique a etiqueta no CRM e roteie para a fila certa. A IA não responde ao cliente nesta receita.

Se o fluxo termina em CRM, WhatsApp e atendimento, a Orakulo, plataforma da Analytikos de CRM, WhatsApp, e-mail e atendimento de vários canais no mesmo lugar, tem teste de 7 dias grátis. É uma opção para quem prefere concentrar contatos e conversas em um sistema só.
Custo por execução: a conta
Os números abaixo são ilustrativos e hipotéticos, para mostrar o método. Troque pelos valores do seu contrato e do seu provedor de modelo.
Cenário: receita 1, com 3.000 leads por mês. O fluxo tem webhook, passo de IA, criação no CRM e aviso interno. Contagem de unidades por rodada, segundo a lógica de cobrança de cada página oficial:
| Ferramenta | Unidades por lead | Conta mensal | Total |
|---|---|---|---|
| n8n | 1 execução (qualquer número de passos) | 3.000 × 1 | 3.000 execuções |
| Make | 4 créditos (webhook, IA, CRM, aviso) | 3.000 × 4 | 12.000 créditos |
| Zapier, IA padrão | 3 tarefas (IA, CRM, aviso; gatilho não conta) | 3.000 × 3 | 9.000 tarefas |
| Zapier, IA premium (5x) | 7 tarefas (5 + 1 + 1) | 3.000 × 7 | 21.000 tarefas |
Agora o custo do modelo de linguagem, que é separado da plataforma quando você usa sua própria chave. Suponha, de forma hipotética, 600 tokens de entrada e 100 de saída por lead, com preço de US$ 0,50 por milhão de tokens de entrada e US$ 2,00 por milhão de saída:
- Entrada: 600 × 0,50 ÷ 1.000.000 = US$ 0,0003.
- Saída: 100 × 2,00 ÷ 1.000.000 = US$ 0,0002.
- Por lead: US$ 0,0005. Em 3.000 leads: 3.000 × 0,0005 = US$ 1,50 por mês.
No exemplo, o modelo custa centavos e a plataforma domina a conta. Isso muda com textos longos (avaliações em lote, e-mails com anexos), em que os tokens crescem. Meça o consumo real de uma semana antes de projetar.
Compare com o tempo poupado: se cada lead consumia 2 minutos de triagem manual, 3.000 × 2 = 6.000 minutos, ou 100 horas por mês. Para o método completo de retorno, veja o guia de ROI de IA.
Governança: o que precisa existir antes de ligar o fluxo
Dados pessoais e LGPD
A Lei Geral de Proteção de Dados (LGPD, Lei 13.709) vale para qualquer fluxo que trate nome, telefone, e-mail ou histórico de compra. O texto está na página oficial da lei no Planalto. Três práticas derivam da lógica da lei: coletar só o necessário, ter base legal clara para cada uso e permitir que o titular peça revisão de decisões tomadas só por tratamento automatizado.
- Envie ao modelo apenas o campo de que ele precisa. Para classificar uma mensagem, não envie CPF nem endereço.
- Registre quais fluxos tratam dados pessoais, em inventário simples. A política de uso de IA da empresa deve citar essa lista.
Credenciais, logs e acesso
- Use o cofre de credenciais da própria ferramenta, nunca cole chave em campo de texto de um passo.
- Mantenha logs de execução e defina prazo de retenção. No n8n, a documentação de execuções descreve listas de execução e a ocultação de dados de entrada e saída, mantendo status e tempo.
Revisão humana, erros e retentativas
Defina por item quem revisa e em quanto tempo. A regra prática: tudo que o cliente lê ou que muda dinheiro passa por revisão até o erro medido ficar abaixo do limite que você aceita.
Para falhas técnicas, planeje retentativa com espera crescente e fila de itens incompletos. A documentação de tratadores de erro do Make descreve diretivas como Skip, Retry, Resume, Commit e Rollback; o princípio vale nas três ferramentas: decidir de antemão o que fazer quando um passo falha. Defina também um teto de tentativas, para um erro repetido não consumir execuções sem fim.
Prompt injection
Prompt injection ocorre quando um texto de entrada altera o comportamento do modelo. O projeto OWASP GenAI descreve a forma direta (digitada pelo usuário) e a indireta (escondida em páginas ou arquivos processados), e afirma que nenhum método a impede por completo. Como o texto de um formulário vem de fora, trate-o como não confiável.
- Limite o que o modelo pode fazer: ele classifica, não executa ações.
- Valide a saída com regra fixa (JSON no formato esperado, categoria dentro da lista).
- Separe o conteúdo do usuário das instruções no prompt.
- Exija aprovação humana para ações de alto risco, como reembolso ou envio externo.
Quando não usar low-code
- Volume muito alto e latência crítica: custo por execução e limites de simultaneidade pesam; um serviço próprio pode compensar.
- Dados sensíveis sem contrato adequado: saúde, crédito ou menores exigem avaliação formal antes.
- Decisão com efeito relevante sobre pessoas: crédito, contratação e punição não devem depender só de um passo de IA.
Para o caminho completo de adoção na empresa, veja como implementar IA na empresa.
Como medir: horas, erro e custo por execução
Sem medida, a automação vira crença. Defina a linha de base antes de ligar e acompanhe três números por fluxo.
| Métrica | Fórmula | Exemplo ilustrativo |
|---|---|---|
| Horas poupadas | Itens por mês × minutos manuais ÷ 60 | 3.000 × 2 ÷ 60 = 100 h |
| Taxa de erro | Itens corrigidos por humano ÷ itens amostrados | 12 ÷ 200 = 6% |
| Custo por execução | (Plataforma + modelo) ÷ execuções | Mensalidade ÷ 3.000 (use o valor do seu contrato) |
Erros comuns ao automatizar com IA
Erros de desenho
| Erro | Por que acontece | Efeito e correção |
|---|---|---|
| Automatizar um processo ainda mal definido | Pressa em usar a ferramenta antes de mapear o fluxo | Fluxo reproduz o caos e gera exceções. Desenhe o processo no papel e rode 20 casos à mão antes |
| Deixar o agente decidir tudo | Confundir agente com fluxo | Ações imprevisíveis. Comece com passo de IA em fluxo fixo e limite de iterações |
Erros de custo e escala
| Erro | Por que acontece | Efeito e correção |
|---|---|---|
| Comparar planos sem contar a unidade de cobrança | Cada ferramenta cobra diferente: execução, crédito ou tarefa | Fatura inesperada. Faça a conta da receita (como acima) para cada ferramenta |
| Ignorar multiplicadores de IA | Achar que um passo de IA custa uma unidade | No Zapier, IA premium vale 5x. Leia a regra do plano antes de escalar |
| Disparar o fluxo em eventos irrelevantes | Gatilho amplo demais | Execuções e tokens gastos à toa. Filtre no início, antes da IA |
| Sem teto de retentativas | Fluxo repete após falha | Loop consome cota. Defina máximo de tentativas e alerta |
Erros de dados e segurança
| Erro | Por que acontece | Efeito e correção |
|---|---|---|
| Enviar dados pessoais demais ao modelo | Passar o registro inteiro por comodidade | Exposição e risco de LGPD. Envie só o campo necessário e mascare identificadores |
| Confiar na saída da IA sem validar | O modelo responde com segurança, mesmo errado | Dado inventado no CRM. Valide formato e lista fechada, e use confiança mínima |
| Ignorar prompt injection | Tratar texto de formulário como confiável | Instrução oculta altera o fluxo. Separe entrada e instrução; dê permissão mínima |
| Não medir antes e depois | Sem linha de base | Impossível provar ganho. Registre horas, erro e custo por execução desde o piloto |
Checklist de piloto
- Um fluxo escolhido, com dono e objetivo numérico (horas ou tempo de resposta).
- Linha de base medida por duas semanas.
- Dados mapeados: quais pessoais, quais vão ao modelo, base legal registrada.
- Credenciais em cofre, com permissão mínima e ambiente de teste separado.
- Saída da IA validada por regra e com caminho de revisão humana.
- Limite de retentativas, alerta de falha e logs com retenção definida.
- Conta de custo por execução feita para a ferramenta escolhida.
- Critério de parada: taxa de erro acima do limite volta o fluxo para revisão total.
Perguntas frequentes
Qual é a diferença entre n8n, Make e Zapier?
As três automatizam fluxos entre aplicativos, mas cobram de formas diferentes: o n8n por execução de workflow, o Make por crédito e o Zapier por tarefa. O n8n também permite auto-hospedagem. A escolha depende de volume, controle de dados e perfil da equipe.
Como o custo por execução é calculado?
Conte as unidades de cobrança de uma rodada, conforme a regra da ferramenta, multiplique pelo volume mensal e some o custo do modelo de linguagem. A fórmula é (plataforma + modelo) ÷ execuções.
Posso enviar dados de clientes para um modelo de IA?
Pode, desde que haja base legal, necessidade e contrato adequado com o fornecedor. Envie o mínimo, mascare identificadores e documente o fluxo. Valide o caso com o encarregado de dados ou o jurídico.
O que é prompt injection e como me protejo?
É quando um texto de entrada altera o comportamento do modelo. Reduza o risco limitando o que o modelo pode fazer, validando a saída por regra e exigindo aprovação humana em ações de alto risco. Nenhum método elimina o risco por completo.
Quando devo manter a revisão humana?
Sempre que o cliente lê o texto ou que a ação muda dinheiro, até a taxa de erro medida ficar abaixo do limite que a empresa aceita. Reduza a revisão por amostragem, não por confiança.



