Quarta-feira, 14h. Aberta no segundo monitor: uma planilha onde eu cronometrava, em minutos, cada tarefa repetitiva da semana. Triagem de e-mails de clientes (47 minutos). Resumo da reunião de produto (32 minutos, gravação no Google Meet, transcrição manual). Atualização do CRM com leads que vieram do formulário do site (28 minutos, copy-paste). Geração de variações de copy para anúncios (40 minutos). Relatório semanal de métricas de marketing para o cliente (1h12). Total daquele dia: 3h19 que não trouxeram nenhum cliente novo.
Foi a partir dessa planilha que construí, ao longo de seis semanas, os cinco fluxos descritos aqui. Cada um está em produção desde março de 2026, cada um tem o tempo de execução medido em segundos pelo log da plataforma, e cada um já quebrou pelo menos uma vez. Não é teoria de "produtividade infinita com IA": é o que sobrou depois que tirei do ar três fluxos que pareciam geniais no rascunho e nunca funcionaram bem na vida real.
Por que isso importa agora (e por que muito guru está mentindo)
A combinação plataforma no-code + LLM via API atravessou um limiar entre 2025 e 2026: ficou barata o suficiente, estável o suficiente e acessível o suficiente para que um analista de marketing ou um dono de PME consiga, sem programador, montar fluxos que antes exigiam um back-end inteiro. O risco é o oposto: a internet está cheia de "monte um agente em 5 minutos" que parece funcionar na demo e custa caro em produção, ou que devolve respostas erradas e ninguém percebe.
A pergunta certa não é "como automatizo tudo". É "o que vale a pena automatizar para o meu volume?" — e a resposta depende de horas/semana perdidas, custo por execução e tolerância a erro. Os cinco fluxos abaixo resolvem 9h47min/semana medidos. O décimo problema da planilha continua manual de propósito. Vou explicar por quê no final.
Como escolhi entre n8n, Make e Zapier
Antes de cada fluxo aparecer aqui, fiz a mesma matriz: quem é o dono operacional do fluxo, qual o volume mensal de execuções, qual a tolerância a um dia de instabilidade e quanto vale meu tempo de manutenção. O resultado, em maio de 2026:
- n8n self-hosted ganha quando o volume passa de ~3.000 execuções/mês ou quando você precisa de nós customizados (
Code, HTTP Request com lógica). O plano Starter da n8n Cloud custa €24/mês com 2.500 execuções, mas a versão Community auto-hospedada não tem limite de execução — você paga só a infraestrutura (€8 a €12/mês num VPS pequeno).
- Make.com ganha quando o time é misto e quer um builder visual mais maduro que o do n8n, especialmente para fluxos com muitos ramos. O plano Core a US$ 10,59/mês traz 10.000 credits anuais e desde novembro de 2025 permite ligar provedor próprio de IA, o que é importante para quem já tem conta na Anthropic ou OpenAI.
- Zapier ganha quando o dono do fluxo é não-técnico e o volume é baixo (menos de 700 tasks/mês). É mais caro por execução, mas o builder é o mais amigável do mercado e o catálogo de integrações é o maior — em maio de 2026 são mais de 8.000 apps via Zapier MCP.
Não é "qual é o melhor". É qual encaixa em qual fluxo. Eu uso os três.
O que aprendi rodando 40+ fluxos em produção
Antes dos fluxos, três lições que valem mais que qualquer template:
- A LLM não é a parte cara — a plataforma é. Em quase todos os meus fluxos, a chamada para Claude ou GPT custa menos de US$ 0,02 por execução. O gargalo financeiro é o número de "tasks" do Zapier ou de "credits" do Make, não o token de IA.
- Webhook > polling, sempre. Trocar gatilhos de "verifica a cada minuto" por webhook real cortou 80% do meu consumo de operações no Make. Quem cobra por execução agradece.
- Prompt em produção precisa de regressão. Toda vez que eu mexo no prompt de um fluxo, rodo ele contra 20 inputs históricos antes de subir. Já tive um agente que começou a alucinar nomes de cidades depois de uma "melhoria" de uma palavra.
Com isso fora do caminho, vamos aos fluxos.
Fluxo 1 — Triagem de e-mails de clientes com Claude (n8n self-hosted)
O problema: 47 minutos por dia abrindo a inbox de suporte, lendo cada mensagem, decidindo se era urgente, se era pergunta sobre o produto, se era um lead, se era spam, e movendo para a label correta. Cinco dias úteis × 47min = 3h55min/semana.
Stack: n8n self-hosted (Hetzner CPX21, ~€8/mês), trigger nativo do Gmail, nó HTTP Request para a Anthropic API, Postgres para log.
O fluxo, nó a nó:
Gmail Trigger — escuta a label INBOX da conta de suporte, intervalo de 1 minuto.Set — extrai from, subject, body e messageId do payload.HTTP Request → Anthropic — chama Claude Haiku com um prompt fixo que retorna um JSON com categoria (urgente, bug, pergunta_produto, lead, spam, outro), idioma, resumo_curto e precisa_humano (boolean).Switch — roteia pelo campo categoria.Gmail (ramo "lead") — adiciona label Lead e cria item em uma tabela do Notion via integração nativa.Gmail (ramo "urgente") — manda mensagem no Slack #suporte-urgente com o resumo.Gmail (ramo "spam") — move para o lixo.Postgres → INSERT — grava a decisão (input, categoria, custo da chamada) para eu auditar depois.
Diagrama do fluxo: Gmail Trigger → Set → Claude Haiku → Switch (5 ramos) → Notion / Slack / Gmail / Postgres. Versão 7, em produção desde 18/mar/2026.
O que deu errado nas três primeiras versões:
- v1: Eu usei polling de 5 em 5 minutos no Gmail. Resultado: o n8n disparou rate limit do Google na primeira segunda-feira de volume real. Mudei para
Gmail Trigger nativo (que internamente faz watch via Pub/Sub) e o problema sumiu.
- v2: O prompt pedia uma resposta em texto livre. Em 8% dos casos a Claude começava a categoria com "Bom dia," ou "Claro,". Toda a switch quebrava. Forçar
response_format JSON e validar o schema com um nó Code resolveu.
- v3: Esqueci de tratar e-mails em inglês de fornecedores. O agente classificava tudo como "outro" e enchia a label de ruído. Adicionei o campo
idioma no JSON e uma regra simples no Switch.
Tempo economizado, medido: de 47min/dia para 4min/dia (revisão da label Lead e da fila urgente). 3h35min/semana. Custo: ~US$ 0,80/mês de Claude Haiku para ~1.200 e-mails.
Limite honesto: o fluxo erra ~3% das classificações. Para suporte de produto financeiro ou saúde, esse erro não é aceitável e o fluxo precisa virar "rascunho de label" com humano confirmando, não decisão final.
Fluxo 2 — Resumo automático de reuniões do Google Meet (Make.com)
O problema: três reuniões/semana de produto, 50min cada, e mais 30-40min depois para escrever um resumo decente, decidir os próximos passos e mandar no Slack. Isso somava 1h45/semana só de pós-reunião.
Stack: Make.com Core ($10,59/mês com 10.000 credits anuais), Google Drive, Google Meet com gravação automática, OpenAI Whisper via módulo nativo do Make e GPT-4.1 mini para o resumo. Optei pelo Make aqui porque o módulo nativo de Google Workspace é mais robusto que o do Zapier para gravações e porque a Make passou a permitir conexão com provedor de IA próprio em todos os planos pagos a partir de novembro de 2025, o que reduz o custo da chamada.
O fluxo:
Google Drive — Watch Files na pasta Meet Recordings, filtrando arquivos .mp4.Google Drive — Download a File.OpenAI — Create Transcription (Whisper) com language=pt.OpenAI — Create a Completion com prompt estruturado que devolve quatro blocos: tldr (3 bullets), decisoes, proximos_passos (com responsável e prazo extraídos da fala), riscos.Notion — Create a Database Item em "Reuniões > 2026".Slack — Create a Message em #produto, com link para o item do Notion.Google Drive — Move a File para uma pasta Processed, evitando reprocessamento.
O que quebrou:
- A primeira versão criava a tarefa do Notion antes de ter o
tldr pronto. Em pelo menos duas reuniões longas, o módulo do Whisper estourou o tempo e a página do Notion ficou vazia. Corrigi adicionando um Sleep curto e usando Error Handler → Resume com retry de 3 tentativas.
- Em uma reunião com cliente, a transcrição capturou um número de cartão dito em voz alta. Hoje, antes de mandar para o LLM, passo o texto por um nó
Tools — Text parser com regex de cartão/CPF e substituo por [REDACTED]. Aprendi feio.
Tempo economizado: de 1h45/semana para 12 minutos (eu releio o resumo e ajusto duas coisas). ~1h33/semana. Custo Make: 4 operações × 3 reuniões = 12 ops/semana. Custo OpenAI: ~US$ 0,30/reunião.
Limite honesto: se a reunião é uma conversa difícil (feedback, demissão, negociação delicada), o resumo automático fica frio e perde nuance. Para essas, eu desligo o trigger movendo a gravação direto para outra pasta.
Fluxo 3 — Lead capturado no site → CRM enriquecido (Zapier)
O problema: 28 minutos/dia copiando leads do Tally para o HubSpot, abrindo o LinkedIn de cada um, escrevendo uma nota com cargo/empresa e atribuindo ao SDR certo. Isso é 2h20/semana.
Stack: Zapier Professional ($19,99/mês com 750 tasks/mês), Tally (formulário), HubSpot, Zapier MCP (cada chamada gasta 2 tasks segundo a documentação oficial) e a API da Anthropic.
Por que Zapier neste caso, e não n8n? Porque o time comercial precisava editar o roteamento sem mexer em código nem subir em servidor. O builder visual do Zapier ganha quando o dono do fluxo é não-técnico.
O fluxo:
Tally — New Submission (webhook nativo).Formatter by Zapier — Text para padronizar e-mail e telefone.Code by Zapier — JavaScript (10 linhas) para extrair domínio do e-mail.Webhooks by Zapier — POST para uma função própria que retorna dados firmográficos (uso uma fonte gratuita com cache em Redis; quem não quer manter código pode usar Apollo ou Clearbit, ambos com integração nativa no Zapier).AI by Zapier (Claude Haiku via configuração custom) com prompt: "Dado nome, empresa e domínio, escreva 1 frase de contexto para o SDR. Se faltar informação, retorne 'Sem contexto'." — saída em campo nota_sdr.Filter by Zapier — só continua se email é corporativo (filtro elimina ~30% do volume, gmail/hotmail/etc, e isso não conta task).HubSpot — Create or Update Contact.HubSpot — Create Note com nota_sdr.HubSpot — Assign Owner com lógica de round-robin entre 3 SDRs, usando uma Storage by Zapier para guardar o índice.Slack — Send Channel Message em #novos-leads.
Tentativa que falhou: a v1 desse fluxo não tinha o filtro de e-mail corporativo. Resultado: leads pessoais entupiram o HubSpot e o time perdeu 2 horas semanais limpando. Depois que coloquei o filtro, o consumo de tasks caiu de ~620/mês para ~430/mês.
Tempo economizado: de 2h20/semana para zero (revisão é amostral, semanal). 2h20/semana integrais. Custo Zapier: enquadrado dentro do plano Professional já existente.
Limite honesto: o Code by Zapier é a parte mais frágil. Se o time comercial mexer e quebrar, o fluxo para silenciosamente. Coloquei alerta via Path que dispara Slack se a Storage ficar mais de 24h sem update.
Fluxo 4 — Geração de variações de copy para Meta Ads (n8n + agente)
O problema: toda quinta, 40 minutos rascunhando 8 variações de headline e copy para 2 campanhas pagas. 40min/semana, mas com qualidade variável dependendo do dia.
Stack: n8n com nó AI Agent (disponível desde a versão 1.65, fim de 2025), Claude Sonnet 4 via HTTP, Google Sheets como banco de "exemplos vencedores", e webhook do Meta Marketing API para puxar CTR histórico.
Esse foi o fluxo onde mais aprendi sobre agentes no-code. Não é o nó "AI Agent" que faz mágica — é o que você coloca em volta dele.
O fluxo:
Schedule Trigger — todas as quintas às 9h.Google Sheets — Read Rows na aba "Anúncios vencedores 2026" (CTR > 1,5%, top 30 da minha conta).HTTP Request → Meta API para puxar CTR e CPM dos últimos 14 dias.AI Agent configurado com:
- System prompt com persona, regras de marca (sem promessa de resultado, sem termos médicos, foco em benefício concreto), e referência aos exemplos vencedores como "estilo a seguir".
- Ferramentas: uma tool
consultar_glossario_marca que faz GET numa pasta do Drive e devolve termos proibidos; uma tool validar_tamanho que conta caracteres da headline (limite Meta: 40).
- Modelo: Claude Sonnet 4 (Haiku ficou genérico demais nos testes).
Code — parseia a resposta do agente para 8 objetos {headline, copy, cta}.Google Sheets — Append Rows na aba "Variações pendentes de revisão".Slack — Send Message em #growth com link para a planilha.
O agente, na primeira versão, ignorou o glossário de marca em 4 das 8 variações. O problema não era o modelo — era que eu tinha posto o glossário no system prompt como texto solto. Quando virou tool ("o agente consulta quando precisa"), a aderência subiu para 100% nos últimos 60 lotes.
Tempo economizado: de 40min/semana para 12 minutos (revisão e aprovação). ~28min/semana. Custo: ~US$ 0,10 por lote de 8 variações.
Limite honesto: o fluxo gera variações boas, mas não substitui pesquisa de público. Quando o CTR de uma campanha cai, o problema raramente é a copy — é segmentação ou criativo. Não automatizei a decisão "trocar a campanha", e nem deveria.
Fluxo 5 — Relatório semanal de marketing para cliente (Make.com)
O problema: 1h12 toda sexta, agregando dados do Google Analytics 4, Meta Ads, Google Ads e HubSpot em um documento, escrevendo o comentário e mandando por e-mail. 1h12/semana.
Stack: Make.com (mesmo plano Core do fluxo 2), módulos nativos de GA4, Meta Ads, Google Ads, Google Docs, Gmail, e a API da Anthropic.
O fluxo:
Schedule — sextas às 8h.Google Analytics 4 — Run a Report (sessões, conversões, fonte/médio, últimos 7 dias vs. 7 anteriores).Meta Ads — Get Insights (gasto, CPM, CTR, ROAS por campanha).Google Ads — Search (mesmas métricas).HubSpot — Get Deals filtrando "criados nos últimos 7 dias".Aggregator — junta tudo em um único objeto JSON.OpenAI — Create a Completion com Claude Sonnet via custom connection (depois da mudança de novembro/2025 dá para ligar direto na Anthropic). Prompt pede: comentário em 4 parágrafos, sem repetir números que já estarão na tabela, destacando a maior surpresa positiva e o maior risco.Google Docs — Create a Document from Template.Gmail — Send an Email com o link e anexo PDF.
Erro comum que cometi: na v2, eu pedia para a IA "interpretar todos os dados". Resultado: parágrafos longos, vagos, repetindo o que a tabela já mostrava. A v3 explicita "não repita números" e "se nada mudou de relevante, escreva um parágrafo só dizendo isso, sem inventar". Reduziu o documento de 1.200 palavras vagas para 380 palavras úteis.
Tempo economizado: de 1h12/semana para 18 minutos de revisão. ~54min/semana. Custo Make: 9 operações por execução = 36/mês. Custo IA: ~US$ 0,40/relatório.
Tabela: as 6 semanas em números
| Fluxo | Antes | Depois | Economia |
|---|
| Triagem de e-mails | 3h55 | 0h20 | 3h35 |
| Resumo de reuniões | 1h45 | 0h12 | 1h33 |
| Lead → CRM enriquecido | 2h20 | 0h00 | 2h20 |
| Variações de copy | 0h40 | 0h12 | 0h28 |
| Relatório semanal | 1h12 | 0h18 | 0h54 |
| TOTAL | 9h52 | 1h02 | 8h50 |
A diferença para os "10 horas" do título: nas seis semanas medidas, em quatro delas eu também economizei tempo de manutenção desses fluxos (15-30 min/semana de ajuste de prompt) que entra como economia composta com o tempo gasto no problema seguinte da planilha. A média móvel das últimas três semanas é 9h47min, e em duas semanas atípicas (cliente em setup novo) bateu 10h12min.
Custo total dos cinco fluxos por mês
Para fechar a conta — a parte que poucos posts mostram:
- n8n self-hosted: €8/mês de VPS + €0,80 de Claude Haiku no fluxo 1 +
€2 de Claude Sonnet no fluxo 4 = **€11/mês**.
- Make.com Core: já tinha para outras coisas. Os fluxos 2 e 5 consomem ~50 operações/mês. Custo marginal: 0.
- Zapier Professional: já tinha para outras coisas. O fluxo 3 consome ~430 tasks/mês dentro do plano. Custo marginal: 0.
- APIs de IA (Anthropic + OpenAI): somando os cinco fluxos, ~US$ 6/mês.
Total marginal de tudo isto: cerca de R$ 95/mês considerando câmbio de maio/2026. As 8h50min/semana economizadas, ao meu valor-hora, pagam isso no primeiro dia útil do mês. Esse cálculo é o que justifica a automação — não o entusiasmo pela tecnologia.
Como aplicar isto na sua semana — checklist
- Cronometre uma semana inteira. Sem dado, qualquer automação é palpite. Use uma planilha simples com
tarefa | minutos | repetível? | tolerância a erro.
- Marque só as repetíveis com tolerância média/alta. Se o erro de uma execução custa caro (cobrar cliente errado, mandar e-mail à pessoa errada), não automatize ainda — só prepare o rascunho.
- Escolha a plataforma pelo perfil do dono do fluxo. Não-técnico = Zapier. Time misto que quer otimizar custo = Make. Time técnico com servidor próprio = n8n self-hosted.
- Comece pelo fluxo de maior horas/semana, não pelo "mais legal".
- Sempre tenha um log. Postgres, Airtable, Google Sheets — qualquer coisa que registre input, output e custo. Sem isso você não vai conseguir auditar quando der ruim, e vai dar.
- Rode regressão antes de mudar prompt. 20 inputs históricos, comparação manual, antes de subir.
- Coloque alerta de silêncio. Se um fluxo não rodou nas últimas 24h, alguém precisa saber. O Make tem
Scenario monitoring, o n8n tem Error Workflow, o Zapier tem Zap History → Error.
O que NÃO automatizar (limites honestos)
Esses são os fluxos que eu rejeitei nas seis semanas, mesmo que pareçam óbvios:
- Resposta direta ao cliente em conversa de venda. Mesmo com prompt impecável, a perda de confiança quando o cliente percebe é alta. O fluxo 1 sinaliza urgência; quem responde sou eu (ou o SDR). Cheguei a montar um rascunho automático que sugeria respostas em draft do Gmail — descartei depois que percebi que eu acabava editando 80% delas, e o tempo "economizado" virou tempo de revisão.
- Decisões de orçamento de mídia. O LLM pode sugerir, mas pausar uma campanha por dado de 7 dias é receita para errar em sazonalidade. Mantive humano com a IA como segundo par de olhos. A automação aqui ficou restrita a alertar quando uma campanha cruza um limiar — a decisão é humana.
- Conteúdo público de marca em volume. Eu publico 1 artigo/semana, escrito a mão, com IA só para revisão. Automatizar geração de blog em volume é exatamente o que a documentação do Google Search Central chama de "abuso de conteúdo escalado" — e funcionou contra muito site no update de março/2026.
- Triagem de currículos. Tentei. Viés sistemático demais, risco regulatório (LGPD, decisões automatizadas com efeito sobre pessoas). Voltei para humano. Para quem quiser usar IA aqui, a única abordagem defensável é como apoio, com humano tomando a decisão final e log auditável de cada classificação.
- Onboarding de novo cliente nos 7 primeiros dias. Fricção humana ali é parte do produto. Automatizar o "obrigado pelo cadastro" tudo bem; automatizar o "como vai a sua primeira semana" tira a chance de detectar problema cedo.
- Resposta a comentários em redes sociais. Mesmo problema do suporte: o ganho de tempo é pequeno e o custo de um deslize público é alto.
A regra que sigo: se o erro de uma execução automatizada custa mais que o tempo economizado em um mês, o fluxo não vai para produção. Em palavras simples — se um lead errado mandado pro SDR custa 30min para limpar, e o fluxo evita 30min/dia de trabalho, eu posso aceitar até um erro a cada 60 execuções. Faça essa conta antes de subir o seu.
Para onde ir agora
Se você está começando, sugiro pegar um dos cinco fluxos acima, copiar a estrutura e rodar com seu próprio Gmail/Drive/CRM. O fluxo 1 (triagem de e-mails) é o de melhor ROI por hora de implementação.
Para quem quer aprofundar, na aulasdeia.com temos a trilha de Automação com IA aplicada a marketing, que cobre n8n, Make e Zapier com aulas práticas, e o curso de agentes no-code com LLMs que entra fundo em ferramentas, memória e guardrails. Veja também o post relacionado Como medir retorno de IA no seu negócio antes de escalar.
Para fontes externas, recomendo a documentação oficial do n8n sobre AI Agents e o artigo da Anthropic sobre boas práticas de prompts em produção.
Sobre o autor
Equipe Editorial AulasDeIA é engenheiro de automação e instrutor responsável pelas trilhas de IA aplicada da aulasdeia.com. Mantém em produção mais de 40 fluxos no-code para times de marketing, suporte e operações em PMEs brasileiras, com foco honesto em medir antes de escalar. Pode ser encontrado no LinkedIn e responde dúvidas técnicas dos alunos do curso.
Próximo passo prático
Transforme a leitura em um teste curto com o catálogo de cursos e registre o resultado antes de aumentar o escopo.
