Автоматизация Make часто ломается не из-за плохого инструмента, а из-за хаоса: агенту дают доступ ко всему, сценарий сразу трогает CRM, а ошибки видны только после жалобы клиента. Рабочий ответ проще: обычные модули Make делают предсказуемые шаги, Make AI Agent разбирает сложные входящие данные, MCP подключает нужные инструменты, а человек подтверждает рискованные действия. Ниже соберем такой workflow для бизнеса.
TL;DR / Быстрый инсайт: Автоматизация make должна начинаться не с «дайте агенту все права», а с одного понятного процесса. AI Agent нужен там, где надо понять текст, документ или намерение клиента, а обычные Make-сценарии лучше оставить для правил, фильтров и записей в таблицы. MCP, простыми словами, работает как безопасный переходник: через него ИИ видит только разрешенные инструменты, а не весь бизнес сразу.
MCP расшифровывается как Model Context Protocol. На пальцах это общий разъем для ИИ-инструментов: как USB-C для ноутбуков, только для программ. Через MCP внешний клиент вроде Cursor может вызвать Make-сценарий, а Make может обратиться к внешнему инструменту. Если MCP в Cursor еще не настроен, сначала пригодится инструкция как подключить MCP-серверы в Cursor.
Выберите процесс для Make AI Agent, а не «автоматизацию всего отдела»
Делайте первый пилот на одном повторяемом процессе: входящая заявка, тикет поддержки, разбор брифа, классификация лида, подготовка черновика ответа. Не начинайте с платежей, удаления данных, массовой рассылки или полного управления CRM. Там слишком много риска для первого запуска.
Хороший процесс имеет понятный вход, выход и частые повторы: заявка с сайта → тема → проверка данных → задача → черновик ответа. Если вход разный, а решение похоже, это место для Make AI Agent.
Рекомендация простая: если условие можно записать как «если поле равно X, отправь в ветку Y», оставьте обычный router или filter. Если нужно понять «клиент сердится или просто уточняет?», подключайте агента.
Разделите workflow на правила, агента, MCP и approval
До сборки нарисуйте схему на бумаге. Это звучит скучно, но экономит часы отладки. Рабочий скелет выглядит так:
Схема безопасного workflow: Trigger → Normalize data → Router → AI Agent → Tool/MCP call → Human approval → Action → Log + metric
Trigger – это старт: webhook, таблица, письмо или расписание. Normalize data приводит вход к аккуратному виду. Router отправляет простые случаи по готовым веткам. AI Agent получает только то, что требует понимания смысла. Approval нужен перед письмом клиенту, изменением CRM, публикацией, оплатой или удалением.
Соберите базовый сценарий Make.com до подключения агента
Сначала проверьте, что make сценарии работают без ИИ. Это как запускать конвейер без дорогого робота: если лента, датчики и коробки стоят криво, робот только ускорит беспорядок.
- Выберите один вход: webhook формы, Gmail, Google Sheets, Telegram или CRM.
- Создайте тестовый сценарий Make и включите Run once.
- Передайте 10-20 тестовых заявок, включая пустые поля и странные формулировки.
- Нормализуйте данные: разделите поля и приведите телефоны и email к одному виду.
- Добавьте router для очевидных случаев: спам, полный лид, неполная заявка, срочный тикет.
- Только после этого вставляйте AI Agent в точку, где обычных правил уже не хватает.
Не пропускайте этот этап. Визуальный отладчик Make показывает, где сломался пакет данных. AI-heavy workflow считайте по credits: ИИ и расширенные функции могут стоить дороже обычных действий.
Подключите Make AI Agent внутри canvas и задайте узкие инструкции
Make AI Agents встроены в тот же canvas, где строятся обычные сценарии. Агент становится частью проверяемого workflow, а в Reasoning panel видно, какие решения он принимал и какие инструменты вызывал.
В инструкции пишите должностную инструкцию, а не «будь полезным помощником». Пример: «Ты triage-агент продаж. Определи категорию и срочность. Не пиши клиенту. При сомнении верни needs_human_review: true».
Просите вернуть короткий JSON: category, priority, summary, recommended_action, needs_human_review, reason. JSON – это строгий формат данных, похожий на анкету с полями. Так router сможет читать ответ без гадания.
Сначала дайте агенту native tools: Call a scenario, Google Sheets, HTTP. Если модуля нет, в agent builder можно подключить external MCP server и смешать MCP tools с обычными модулями в одном run. Не подключайте сразу Gmail, CRM, календарь и публикацию.
Настройте Make MCP Server, если внешний ИИ должен вызывать Make
Make MCP Server нужен, когда внешний AI-клиент, например Cursor, Claude или ChatGPT, должен запускать Make-сценарии как инструменты. Аналогия простая: вы не пускаете помощника в весь офис, а выдаете список кнопок.
По официальной документации Make MCP Server превращает активные и on-demand сценарии в callable tools, то есть инструменты, которые ИИ может вызвать. Доступные tools зависят от scopes токена. Scope – это разрешение, вроде ключа только от одной комнаты.
Создайте отдельный on-demand scenario, задайте входы и выходы, протестируйте вручную, затем подключайте к MCP. Не вставляйте токены в публичные места. Если длинный сценарий ушел в timeout, проверьте executionId: выполнение может продолжиться.
Настройте Make MCP Client, если Make должен вызвать внешний инструмент
Make MCP Client работает в обратную сторону: Make-сценарий или агент обращается к удаленному MCP-серверу. Порядок: MCP Client module → server URL → tool → mapping inputs → тест. API – это «правила общения программ между собой».
Не смешивайте Server и Client. Server – Make показывает свои сценарии внешнему ИИ. Client – Make использует внешние инструменты. Если нужен self-hosted контроль, то есть размещение на своем сервере, посмотрите сравнение автоматизация n8n с AI Agents. Для быстрого визуального старта Make обычно проще.
Проверьте безопасность: scopes, токены, reasoning panel и human-in-the-loop
Главная ошибка – относиться к AI Agent как к сотруднику, которому «можно доверять». Агенту доверяют рамками. Токен – это цифровой ключ. Его нельзя отправлять в общий чат, хранить в открытой таблице или вставлять в публичный репозиторий.
- Выдавайте минимальные scopes только под нужный сценарий.
- Ставьте approval перед письмами, CRM-изменениями, публикациями, оплатами и удалением.
- Проверяйте Reasoning panel: почему агент выбрал tool, а не просто итоговый ответ.
- Ограничьте дневное число запусков и поставьте alert на 75% и 90% credits.
В fact-bank есть жесткий ориентир: автономные ИИ-системы закрывают менее 2.5% сложных неструктурированных задач без человека. Поэтому здоровая автоматизация процессов make – это human-in-the-loop, то есть человек в точке риска.
Запустите workflow по чек-листу и измеряйте результат
Перед боевым запуском пройдитесь по короткому чек-листу. Если хотя бы один пункт не готов, не включайте сценарий на весь поток.
- Проверьте 10-20 тестовых payloads, включая ошибки и пустые поля.
- Сравните ответы агента с ручной разметкой и исправьте instructions.
- Уберите лишние tools, если агент путается.
- Проверьте timeout, fallback и error route.
- Посчитайте credits per run и ожидаемое число запусков в день.
- Запишите метрики: время ответа, ошибки, ручные возвраты, стоимость.
Что делать дальше
После пилота расширяйте workflow по одному tool, ведите журнал ошибок и раз в неделю смотрите Reasoning panel. Готовые блюпринты Make AI Agents и разбор MCP – в курсе по Make.com.
Материал проверен: Артур Хорошев, CEO Maya AI, автор курса по Make.com.
Достоверность данных: факты сверены с research-notes B06, материалами Make и MCP, ключевые фразы проверены по Яндекс Вордстат на июнь 2026 года.
Частые вопросы
Чем Make AI Agents отличаются от обычных сценариев Make?
Обычный сценарий выполняет заранее заданные правила. Make AI Agent выбирает следующий шаг по instructions и контексту. Для простых условий дешевле и надежнее router, filter и обычные modules.
Как подключить MCP к Make?
Если внешний ИИ должен вызывать Make, используйте Make MCP Server. Если Make должен вызвать внешний инструмент, используйте Make MCP Client: server URL, выбор tool, mapping inputs и тест.
Можно ли подключить Make MCP к Cursor?
Да, Make MCP Server рассчитан на MCP-compatible clients, включая Cursor. Сначала настройте MCP в Cursor, затем подключайте Make-сценарии как tools с минимальными scopes.
Какие scopes выдавать MCP token в Make?
Выдавайте только те scopes, без которых tool не выполнит задачу. Для пилота не давайте управление всем аккаунтом, продакшен CRM и удаление данных. Расширяйте права после проверки логов.
Сколько credits съедает AI Agent и как не перерасходовать?
На Free-плане Make дает до 1 000 credits в месяц, Core – от $9 за 10 000. Большинство module actions стоят 1 credit, но AI Provider может списывать больше. Считайте credits per run, ставьте alert на 75% и 90% лимита и не давайте агенту лишние tools.
Почему Make-сценарий через MCP уходит в timeout?
Timeout endpoint (25-40 с) не всегда означает падение: сценарий может работать до 40 минут, а результат забрать по executionId при нужных scopes. Для длинных задач добавьте лог и повторную проверку статуса.
Когда лучше выбрать n8n вместо Make?
Выбирайте n8n, если нужен self-hosted контроль, своя инфраструктура и сложная агентная архитектура. Выбирайте Make, если важнее быстрый визуальный старт и отладка для команды без разработчиков.
