Make (Integromat) でAIワークフローを構築｜ノーコード開発の難易度レビュー

Make（旧Integromat）は、Zapierと並ぶノーコード自動化プラットフォームですが、より複雑なワークフローを構築できる反面、学習曲線が急です。特に、OpenAI、Claude、Stable Diffusionなどの生成AIを組み込んだワークフローは、設定の複雑さとエラー処理の難しさから、初心者が挫折しやすいポイントです。本記事では、5つのAIワークフローを実際に構築し、難易度、所要時間、つまずきポイント、Zapierとの比較を徹底レビューします。

Makeとは：Zapierとの違いとAI連携の仕組み

Makeは、チェコのIntegromatが開発した自動化プラットフォームで、2021年にMakeへブランド変更しました。Zapierとの最大の違いは、「ビジュアルワークフローエディタ」です。Zapierは直線的なステップ（トリガー→アクション1→アクション2…）ですが、Makeは複雑な分岐、ループ、並列処理を視覚的に設計できます。これにより、より高度な自動化が可能ですが、学習コストも高くなります。

Makeの基本概念は、シナリオ（Zapierの「Zap」に相当）、モジュール（アプリやサービスの機能、Zapierの「ステップ」に相当）、ルート（モジュール間の接続）、イテレータ（繰り返し処理）、アグリゲータ（データ集約）です。特に、イテレータとアグリゲータは、Zapierにはない強力な機能で、配列データの処理や複数データの統合に不可欠です。

AI連携の方法は、2024年時点で3つあります。1つ目は、公式アプリモジュール（OpenAI、Anthropic Claude、Hugging Faceなど主要AIサービスの公式モジュール）で、最も簡単で安定しています。2つ目は、HTTPモジュール（任意のAI APIをHTTPリクエストで呼び出し）で、柔軟性が高いですが、API仕様の理解が必要です。3つ目は、Webhooks（AI処理結果を受け取る）で、長時間処理や非同期処理に使用します。

[図解: MakeとZapierの構造比較 – Zapier: 直線的フロー vs Make: 分岐・ループ・並列処理可能なフロー]

料金体系は、無料プラン（月1000オペレーション、2シナリオ）、コアプラン（月額9ドル、10000オペレーション、無制限シナリオ）、プロプラン（月額16ドル、10000オペレーション、優先サポート）、チームプラン（月額29ドル〜、チーム機能）です。Zapierと比較して、同じ価格帯でより多くのタスクを実行できますが、オペレーション数の計算が複雑です（1つのモジュール実行 = 1オペレーション）。

ワークフロー1：OpenAIで画像説明文生成（難易度：低、所要時間30分）

最初のワークフローは、「Googleドライブに画像がアップロードされたら、OpenAI Vision APIで説明文を生成し、画像のメタデータとして保存する」というものです。このワークフローは、Makeの基本操作を学ぶのに適した入門レベルです。

構成は、トリガーモジュールはGoogleドライブ（Watch Files、新規ファイル監視）、モジュール2はOpenAI（Create a Completion、GPT-4 Visionで画像分析）、モジュール3はGoogleドライブ（Update a File、説明文をファイル説明欄に保存）です。

構築手順は、以下の通りです。1つ目は、Googleドライブモジュールの設定で、Watch Filesトリガーを選択し、監視フォルダを指定し、ファイルタイプを「image/*」に限定します。2つ目は、OpenAIモジュールの設定で、「Create a Completion」アクションを選択し、モデルを「gpt-4-vision-preview」に設定し、プロンプトを「この画像を詳しく説明してください。日本語で200字以内で回答してください。」とし、画像URLをGoogleドライブモジュールの出力（WebViewLink）にマッピングします。3つ目は、Googleドライブ更新モジュールで、「Update a File」アクションを選択し、ファイルIDをトリガーモジュールの出力にマッピングし、Description欄にOpenAIの出力をマッピングします。4つ目は、テストで、サンプル画像をアップロードして動作確認します。

所要時間は、初心者で30分、経験者で10分でした。つまずきポイントは、画像URLの取得方法（WebViewLinkとWebContentLinkの違い）、OpenAI APIキーの設定場所（Makeアカウント設定 → Connections）、プロンプトのマッピング（テキストボックスに直接入力ではなく、変数を挿入）でした。

難易度評価は、設定の複雑さ2/5（モジュールは3つのみ、分岐なし）、AI APIの理解3/5（Vision APIの画像URL仕様を理解する必要あり）、エラー対処2/5（エラーメッセージが比較的明確）、総合難易度2/5（初心者向け）でした。このワークフローは、Makeの基本操作とOpenAI連携の入門として最適です。

ワークフロー2：Claude APIで長文要約とNotion保存（難易度：中、所要時間60分）

2つ目のワークフローは、「Googleドキュメントに保存された長文記事をClaude APIで要約し、Notionデータベースに保存する」というものです。このワークフローは、複数のデータ変換とエラー処理を含むため、中級レベルです。

構成は、トリガーモジュールはGoogleドキュメント（Watch Documents）、モジュール2はHTTP（Make a Request、Claude API呼び出し）、モジュール3はJSON Parse（Claude APIレスポンスを解析）、モジュール4はNotion（Create a Database Item）です。

構築手順の詳細は、以下の通りです。1つ目は、Googleドキュメントモジュールで、Watch Documentsトリガーを設定し、特定フォルダを監視します。2つ目は、HTTPモジュールでClaude API呼び出しを行います。メソッドをPOSTに設定し、URLを「https://api.anthropic.com/v1/messages」に設定し、HeadersにAPI Key（x-api-key: YOUR_API_KEY）とContent-Type（application/json）を追加し、Bodyに以下のJSONを設定します。

{
  "model": "claude-3-5-sonnet-20241022",
  "max_tokens": 1024,
  "messages": [
    {
      "role": "user",
      "content": "以下の文章を3つの要点にまとめてください。各要点は100字以内で記述してください。\n\n{{1.content}}"
    }
  ]
}

ここで、{{1.content}}はGoogleドキュメントの本文です。3つ目は、JSON Parseモジュールで、HTTPモジュールの出力（Data）を解析し、要約テキストを抽出します（content[0].text）。4つ目は、Notionモジュールで、Create a Database Itemアクションを選択し、データベースIDを指定し、タイトル、要約、元ドキュメントURLなどのプロパティをマッピングします。

所要時間は、初心者で90分、経験者で40分でした。つまずきポイントは、HTTPモジュールのJSON設定（正しいJSON形式の記述、変数の埋め込み方法）、Claude APIのレスポンス構造理解（content[0].textのパス指定）、Notionデータベースのプロパティタイプ対応（Title型、Rich Text型、URL型の違い）、文字数制限エラー（Googleドキュメントが長すぎる場合、Claude APIの入力制限を超える）でした。

難易度評価は、設定の複雑さ4/5（HTTPモジュールとJSON処理が必要）、AI APIの理解4/5（Claude APIの仕様書を読む必要あり）、エラー対処4/5（JSON形式エラーのデバッグが難しい）、総合難易度4/5（中級〜上級者向け）でした。このワークフローは、公式モジュールがないAIサービス（ClaudeはMake公式モジュールなし）を連携する際の標準的な方法です。

[図解: HTTPモジュールでのAI API呼び出しフロー – リクエスト構築→API呼び出し→JSONレスポンス→Parse→データ抽出]

ワークフロー3：複数AIの連携処理（難易度：高、所要時間120分）

3つ目のワークフローは、「Googleフォームの回答から、OpenAI GPT-4でキーワード抽出→Stable Diffusion APIで画像生成→生成画像をSlackに投稿」という複数AI連携です。このワークフローは、データ受け渡しとエラー処理が複雑な上級レベルです。

構成は、トリガーモジュールはGoogleフォーム（Watch Responses）、モジュール2はOpenAI（Create a Completion、キーワード抽出）、モジュール3はHTTP（Stable Diffusion API呼び出し）、モジュール4はTools（Sleep、画像生成待機）、モジュール5はHTTP（画像URLダウンロード）、モジュール6はSlack（Upload a File）です。

構築手順は、以下の通りです。1つ目は、Googleフォームトリガーで、Watch Responsesを設定します。2つ目は、OpenAIモジュールで、フォーム回答から画像生成プロンプトを作成します。プロンプトは「以下の文章から、画像生成AIに適したキーワードを英語で5個抽出してください。カンマ区切りで出力してください。文章：{{1.response}}」とします。3つ目は、HTTPモジュールでStable Diffusion API（例：Stability AI）を呼び出します。メソッドをPOSTに設定し、URLを「https://api.stability.ai/v1/generation/stable-diffusion-xl-1024-v1-0/text-to-image」に設定し、Headersに「Authorization: Bearer YOUR_API_KEY」を追加し、Bodyに以下を設定します。

{
  "text_prompts": [{"text": "{{2.choices[0].message.content}}"}],
  "cfg_scale": 7,
  "height": 1024,
  "width": 1024,
  "samples": 1,
  "steps": 30
}

4つ目は、Sleepモジュールで30秒待機します（画像生成に時間がかかるため）。5つ目は、HTTPモジュールで生成画像をダウンロードします（Stability AIはbase64画像を返すため、デコードが必要）。6つ目は、Slackモジュールで画像をアップロードします。

所要時間は、初心者で180分以上、経験者で90分でした。つまずきポイントは、Stable Diffusion APIのレスポンス形式（base64エンコードされた画像データの処理）、非同期処理の扱い（画像生成完了を待つ方法、Sleep vs Webhook）、エラーハンドリング（APIレート制限、画像生成失敗時の対応）、コストの予測（Stable Diffusion APIは1画像あたり約0.02ドル、大量実行で高騰）でした。

難易度評価は、設定の複雑さ5/5（6モジュール、データ変換多数）、AI APIの理解5/5（2つの異なるAI APIの仕様理解）、エラー対処5/5（非同期処理とbase64デコードのデバッグ）、総合難易度5/5（上級者向け、初心者には非推奨）でした。このワークフローは、Makeの高度な機能（複数API連携、非同期処理）を駆使する必要があり、学習コストが非常に高いです。

ワークフロー4：データのループ処理とAI分析（難易度：高、所要時間90分）

4つ目のワークフローは、「Googleスプレッドシートの複数行データを1行ずつOpenAI GPT-4で分析し、結果を別のシートに書き込む」というループ処理です。このワークフローは、Makeの「Iterator」機能を使うため、中級〜上級レベルです。

構成は、トリガーモジュールはGoogleスプレッドシート（Search Rows、条件に合う行を全て取得）、モジュール2はIterator（配列データを1つずつ処理）、モジュール3はOpenAI（Create a Completion、各行を分析）、モジュール4はGoogleスプレッドシート（Add a Row、結果を書き込み）です。

構築手順は、以下の通りです。1つ目は、Googleスプレッドシートトリガーで、Search Rowsアクションを選択し、条件を「Status列が『未処理』」に設定し、全ての該当行を取得します。2つ目は、Iteratorモジュールで、トリガーモジュールの出力（配列）を指定し、1行ずつループ処理します。3つ目は、OpenAIモジュールで、各行のデータを分析します。プロンプトは「以下の顧客フィードバックを分析し、感情（ポジティブ/ネガティブ/中立）と主要トピックを判定してください。フィードバック：{{2.value.Feedback}}」とします。4つ目は、Googleスプレッドシート書き込みモジュールで、別のシートに分析結果を追加します。

所要時間は、初心者で120分、経験者で60分でした。つまずきポイントは、Iteratorの使い方（どのデータを「Array」として指定するか）、ループ内のデータアクセス（{{2.value.ColumnName}}の記法）、オペレーション数の急増（100行処理 = 400オペレーション以上、無料プランではすぐ上限）、実行時間の長さ（100行 × 5秒/行 = 8分以上、Makeのタイムアウト制限に注意）でした。

難易度評価は、設定の複雑さ4/5（Iteratorの理解が必須）、AI APIの理解3/5（OpenAI APIは標準的）、エラー対処4/5（ループ内エラーのデバッグが困難）、総合難易度4/5（中級〜上級者向け）でした。このワークフローは、大量データをAIで処理する際の標準パターンですが、コストと実行時間の管理が重要です。

[図解: Iteratorを使ったループ処理 – データ配列→Iterator→各要素をAI処理→結果を集約]

ワークフロー5：エラーハンドリングと条件分岐（難易度：中、所要時間45分）

5つ目のワークフローは、「Slackメッセージを受け取り、内容に応じてOpenAI GPT-4またはClaude APIを選択し、回答を生成する」という条件分岐です。このワークフローは、Makeの「Router」機能とエラーハンドリングを学ぶのに適しています。

構成は、トリガーモジュールはSlack（Watch Public Channel Messages）、モジュール2はRouter（条件分岐）、ルート1はOpenAI（短い質問用）、ルート2はHTTP（Claude API、長い質問用）、モジュール5はSlack（Send a Message、回答を投稿）、Error Handlerは全モジュールに設定（失敗時にSlackに通知）です。

構築手順は、以下の通りです。1つ目は、Slackトリガーで、Watch Public Channel Messagesを設定します。2つ目は、Routerモジュールで、2つのルートを作成します。ルート1の条件は「メッセージ長 ≤ 100文字」、ルート2の条件は「メッセージ長 > 100文字」です。3つ目は、OpenAIモジュール（ルート1）で、GPT-3.5 Turboを使用します（短文処理で高速・低コスト）。4つ目は、HTTPモジュール（ルート2）で、Claude APIを呼び出します（長文理解に優れる）。5つ目は、Slackモジュールで、AI回答を元のスレッドに投稿します。6つ目は、各モジュールにError Handlerを追加し、失敗時に管理者に通知します。

所要時間は、初心者で60分、経験者で30分でした。つまずきポイントは、Routerの条件設定（テキスト長の計算方法、length関数の使用）、Error Handlerの設定場所（各モジュールの右クリック→Add error handler）、ルート後の統合（2つのルートを再び1つにまとめる方法）でした。

難易度評価は、設定の複雑さ3/5（Routerは直感的だがエラー処理が追加）、AI APIの理解3/5（2つのAPIだが、どちらも標準的）、エラー対処3/5（Error Handlerで大部分をカバー）、総合難易度3/5（中級者向け）でした。このワークフローは、実務で必須のエラーハンドリングと条件分岐を学べる重要なパターンです。

Make vs Zapier比較：AIワークフローではどちらが優れているか

5つのワークフロー構築を通じて、MakeとZapierの違いが明確になりました。それぞれの強みと弱みを比較表で整理します。

総合的に、MakeはAIワークフローに向いています。理由は、HTTPモジュールで任意のAI APIを呼び出せる、Iteratorで大量データを効率的に処理できる、条件分岐で複数AIを使い分けられる、コスト効率が高い（同じ処理をZapierの半額以下で実行可能）です。一方、Zapierが向いているのは、シンプルな自動化（3ステップ以下）、初心者向けプロジェクト、公式アプリのみを使用する場合です。

推奨される使い分けは、初めてのノーコード自動化ならZapierから始める、Zapierで限界を感じたらMakeに移行する、AIを多用する複雑なワークフローは最初からMakeを選ぶ、というものです。

つまずきポイントと解決策：初心者が陥りやすい罠

5つのワークフロー構築で、初心者が頻繁につまずいたポイントと解決策をまとめます。

つまずきポイント1は、「変数のマッピング方法が分からない」です。Makeでは、前のモジュールの出力を次のモジュールに渡す際、{{モジュール番号.フィールド名}}という記法を使います。解決策は、入力欄をクリックすると表示される「変数ピッカー」を使うこと、公式ドキュメントの「Mapping」セクションを読むこと、サンプルシナリオをコピーして構造を学ぶことです。

つまずきポイント2は、「JSONの書き方が間違っている」です。HTTPモジュールでAI APIを呼び出す際、JSON形式を正確に記述する必要があります。解決策は、JSONフォーマッターツール（JSONLint.com）で検証すること、AI API公式ドキュメントのサンプルコードをコピーすること、Makeの「Parse JSON」モジュールでエラー箇所を特定することです。

つまずきポイント3は、「オペレーション数がすぐ上限に達する」です。Makeは1モジュール実行 = 1オペレーションとカウントするため、複雑なシナリオでは消費が激しいです。解決策は、不要なモジュールを削減すること（例：デバッグ用のSlack通知を本番では削除）、Aggregatorで複数データを1回で処理すること、有料プランにアップグレードすることです。

つまずきポイント4は、「エラーメッセージが理解できない」です。Makeのエラーメッセージは技術的で、初心者には難解です。解決策は、エラーメッセージをGoogle検索すること（多くの場合、Makeコミュニティフォーラムで解決策が見つかる）、Error Handlerを設定してエラー内容を記録すること、Makeサポートに問い合わせること（有料プランのみ）です。

[図解: 初心者向けトラブルシューティングフロー – エラー発生→エラーメッセージ確認→Google検索→フォーラム→サポート]

コスト最適化とベストプラクティス

MakeでのAIワークフローは、適切に設計すれば月額30〜50ドルで実用的ですが、設計ミスで200ドル以上に高騰することもあります。コスト最適化のベストプラクティスをまとめます。

ベストプラクティス1は、「適切なトリガーを選ぶ」ことです。Instant（即座に実行）トリガーは便利ですが、Polling（定期的にチェック）トリガーより高コストです。緊急性が低い処理は、Pollingトリガー（15分間隔など）を使うことでオペレーション数を削減できます。

ベストプラクティス2は、「Aggregatorで一括処理」することです。100件のデータを1件ずつ処理すると100オペレーションですが、Aggregatorで10件ずつまとめて処理すると10オペレーションに削減できます。ただし、AI APIの入力サイズ制限に注意が必要です。

ベストプラクティス3は、「キャッシュを活用する」ことです。同じデータを繰り返しAI処理する場合、Makeの「Data Store」モジュールで結果をキャッシュし、2回目以降はキャッシュから取得することで、AI API呼び出しを削減できます。

ベストプラクティス4は、「定期的な監視」です。Makeの「Operations」ダッシュボードで、各シナリオのオペレーション消費を週次確認し、異常な増加があれば原因を調査します。また、AI APIの使用量も、OpenAIやAnthropicのダッシュボードで確認します。

まとめ：MakeでのAIワークフロー構築は「誰に向いているか」

5つのワークフロー構築の結果、難易度と所要時間は大きく異なりました。画像説明文生成（難易度2/5、30分）、長文要約（難易度4/5、60分）、複数AI連携（難易度5/5、120分）、ループ処理（難易度4/5、90分）、条件分岐（難易度3/5、45分）でした。平均して、初心者が実用的なAIワークフローを構築するには、1つあたり60〜90分の学習時間が必要です。

Makeが向いている人は、プログラミング経験がある（変数、JSON、APIの基礎知識）、複雑なワークフローが必要（分岐、ループ、並列処理）、コスト効率を重視、学習時間を投資できる人です。Makeが向いていない人は、完全な初心者（ノーコードツール初体験）、シンプルな自動化のみ、すぐに結果が欲しい（学習時間を避けたい）人です。

総合的に、MakeはAIワークフローの構築において、Zapierより強力ですが、学習曲線が急です。初心者は、まず簡単なワークフロー（難易度2/5）から始め、徐々に複雑なワークフロー（難易度4〜5/5）に挑戦することを推奨します。また、公式ドキュメントとコミュニティフォーラムを活用し、他のユーザーが作成したテンプレートを参考にすることで、学習時間を大幅に短縮できます。適切に使いこなせば、MakeはAI自動化の最強ツールとなるでしょう。