Cómo crear agentes de IA con n8n: guía de automatización de flujos de trabajo para responsables de operaciones

Paso 1: conoce los componentes básicos antes de crear agentes de IA con n8n

Al crear agentes de IA con n8n, ensamblas cuatro componentes distintos. Piensa en la cocina de un restaurante: el modelo de chat es el chef, la memoria son sus apuntes de recetas y las herramientas son sus utensilios. El prompt de sistema, por su parte, es el pedido concreto del cliente.

n8n implementa los agentes de IA mediante un nodo AI Agent específico basado en el framework LangChain, así que debes configurar bien estos cuatro componentes. Entre los modelos de chat compatibles con n8n están OpenAI, Claude de Anthropic, Gemini de Google y modelos locales a través de Ollama. Los modelos actuales de 2026, como GPT-4o o Claude 3.5 Opus, aportan la capacidad de razonamiento.

Para las sesiones largas, la memoria de los agentes en n8n puede usar un búfer de ventana sencillo o bases de datos como Postgres y Redis.

Si no configuras la memoria, tu agente olvida lo que se ha hablado. Y si prescindes de las herramientas, solo puede conversar. No puede actuar.

Los prompts poco claros, la falta de un diseño del estado y las herramientas sin restricciones son causas habituales de fallos. Antes del despliegue, prueba la memoria, los permisos de las herramientas y la recuperación ante errores con casos representativos. Los prompts sin estructura y la falta de memoria provocaron el 40% de los fallos de los agentes.

Muchos responsables de operaciones dejan el prompt de sistema para el final, cuando en realidad establece las reglas estrictas que rigen el comportamiento del chef.

Así funciona un agente básico en n8n. Antes de desplegar el primero, te recomendamos seguir estrictamente esta lista de comprobación: - [ ] Elige un modelo de chat (OpenAI, Anthropic u Ollama) - [ ] Configura un nodo de memoria (Postgres o Window Buffer) - [ ] Escribe un prompt de sistema con reglas estrictas - [ ] Conecta al menos una herramienta para ejecutar acciones

Idea clave: La calidad de un agente de IA depende de su prompt y sus herramientas. Domina los cuatro componentes básicos antes de escalar.

¿En qué se diferencian n8n y LangGraph para el razonamiento complejo?

Usa n8n cuando las integraciones visuales y el enrutamiento rutinario cubran tus necesidades. Si el flujo requiere bifurcaciones complejas, recuperación ante errores o pruebas difíciles de representar en un grafo visual, usa un framework de código con gestión del estado. Valida la elección con el mismo flujo de trabajo representativo.

Esa es la diferencia en la práctica. Al crear agentes de IA con n8n, ganas velocidad de despliegue a cambio de un menor control mediante código.

Idea clave: No fuerces a n8n a gestionar razonamientos complejos que quedan fuera de sus capacidades. Úsalo como punto de entrada y deja el trabajo más exigente a Python.

Paso 2: configura un sistema RAG de producción con dos flujos de trabajo

Usa la herramienta adecuada para cada tarea. Un sistema RAG viable en producción con n8n tiene dos flujos de trabajo: uno para la ingesta y otro para las consultas. Quienes empiezan suelen intentar reunir ambos en un solo flujo, lo que provoca que se procesen documentos por duplicado y se dañen los índices vectoriales.

Debes separarlos. n8n admite almacenes vectoriales importantes, como Pinecone, Qdrant y Supabase, además de una opción en memoria para pruebas. No uses esta última en producción: se restablece cada vez que se reinicia el servidor.

Configuración del flujo de ingesta 1. Activa el flujo cuando llegue un archivo nuevo a tu almacenamiento (Google Drive o S3). 2. Extrae el texto con un nodo de carga de documentos. 3. Divide el texto en fragmentos con el nodo de división de texto. Procura que cada fragmento tenga unos 500 tokens. 4. Genera embeddings con un nodo de OpenAI o de un modelo local. 5. Guarda los vectores en Pinecone o Supabase.

Configuración del flujo de consulta 1. Usa un activador de chat o un webhook para recibir las preguntas de los usuarios. 2. Conecta una herramienta de recuperación de un almacén vectorial al nodo AI Agent. 3. Envía la consulta del usuario a la herramienta para que busque en la base de datos vectorial. 4. Devuelve el contexto recuperado al modelo de chat. 5. Genera la respuesta final. Este es un ejemplo de la respuesta de la herramienta de recuperación.

{
 "query": "What is our remote work policy?",
 "matches": [
 {
 "score": 0.92,
 "text": "Employees can work remotely 3 days a week."
 }
 ]
}

Sigue estos pasos para crear agentes de IA con n8n capaces de responder preguntas sobre tus datos propios. Al separar los flujos, la ingesta funciona de forma asíncrona y la latencia de las consultas se mantiene baja. Cuando un usuario hace una pregunta, el agente solo consulta la base de datos.

Idea clave: Separar los flujos de ingesta y consulta es fundamental para que un sistema RAG de producción siga siendo rápido y fácil de gestionar.

¿Cómo se coordina de verdad a varios agentes en n8n?

En n8n, coordinar varios agentes consiste en encadenar agentes de IA individuales en procesos secuenciales. Un agente puede delegar tareas a otro mediante AI Agent Tool. No se trata de un enjambre completamente autónomo que se organice por sí solo.

Muchos responsables de operaciones confunden ambas cosas. Esperan que los agentes negocien entre sí de forma dinámica, pero n8n no permite crear enjambres autónomos de forma nativa. Lo que ofrece es delegación estructurada: un agente principal recibe un prompt y utiliza AI Agent Tool para llamar a un agente secundario.

Entre los usos habituales de agentes en n8n están la atención al cliente, la cualificación de leads, RAG, la redacción de borradores de correo, el análisis de datos y el soporte interno. Por ejemplo, puedes crear un agente de cualificación de leads que delegue en un agente de análisis de datos el enriquecimiento de la información de contacto.

Antes de crear agentes de IA con n8n siguiendo este patrón, ten en cuenta estas limitaciones: - Pérdida de contexto: transmitir todo el estado entre agentes exige diseñar cuidadosamente los prompts. - Latencia: cada llamada a un agente añade tiempo de ida y vuelta al proveedor del LLM. - Gestión de errores: si el agente secundario falla, el principal a menudo inventa una respuesta.

Para desplegar este sistema de forma segura, define protocolos de transferencia estrictos. El agente principal solo debe enviar JSON estructurado al secundario. Este debe interpretar el JSON, realizar su tarea y devolver una respuesta JSON con un formato estricto.

{
  "task": "enrich_lead",
  "input_data": {
    "company_name": "Acme Corp",
    "domain": "acme.com"
  }
}

Sin esa estructura, los agentes no se entienden. Consumen tokens rápidamente sin terminar las tareas.

Idea clave: Ten expectativas realistas sobre los flujos con varios agentes. n8n destaca en la delegación secuencial, no en la colaboración autónoma y dinámica.

Paso 3: incorpora observabilidad de los LLM con Langfuse

Consumen tokens rápidamente sin terminar las tareas. La mayoría de los tutoriales para principiantes pasan por alto la observabilidad. Si no puedes ver el coste en tokens y la latencia, no sabes qué ocurre dentro de tu agente.

Debes controlar las entradas y salidas de los LLM con el mismo rigor que las tasas de éxito de los flujos de trabajo. El modelo de ejecución de n8n añade una sobrecarga que puede causar problemas de latencia inferiores a un segundo al escalar. Cada nodo añade milisegundos.

Entre el envío de la solicitud al LLM, la recepción de la respuesta y su procesamiento por los nodos visuales, el retraso puede llegar a ser inaceptable. Langfuse es una plataforma de código abierto para ingeniería de LLM.

Permite hacer seguimiento de las versiones de los prompts, el coste en tokens y la calidad de las respuestas. Puedes enviar los registros de ejecución de n8n a Langfuse configurando un nodo de solicitud HTTP personalizado que transmita los datos de seguimiento después de cada llamada al LLM. El AI Workflow Builder de n8n puede generar un agente inicial a partir de un prompt de texto, pero ese agente no incluye la observabilidad necesaria para producción.

Debes añadirla manualmente. No confíes en que un prompt de texto genere por sí solo toda tu infraestructura de producción.

Calcula el posible coste en tokens antes de escalar. Si creas agentes de IA con n8n, la observabilidad no es opcional.

Idea clave: Integra Langfuse desde el principio. Controlar las entradas y salidas de los LLM es esencial para diagnosticar la latencia y los sobrecostes en producción.

La visión contraria: por qué n8n no es la solución universal para los flujos de trabajo de IA complejos

Es tu seguro frente a facturas de API descontroladas y fallos que pasan inadvertidos. Los editores visuales no pueden gestionar todas las cargas de trabajo de IA. En 2026, se ha extendido la idea de que las plataformas sin código pueden sustituir por completo a los equipos de ingeniería, pero es un mito peligroso.

El modelo de ejecución visual de n8n añade una sobrecarga inevitable que provoca problemas de latencia a gran escala. Cada nodo representa una operación de JavaScript que se interpreta en tiempo de ejecución. Además, la plataforma tiene dificultades para gestionar estados con ramificaciones complejas.

Si tu agente debe volver sobre sus pasos cinco veces según una lógica matizada, el lienzo visual acaba convertido en una maraña.

Esta rigidez suele ser consecuencia de los editores visuales. Cuando la lógica supera las posibilidades del lienzo, llegas a un límite. Tienes que saber cuándo salir de n8n.

En sistemas de producción, n8n suele servir como capa de entrada y orquestación, mientras que LangGraph o un desarrollo personalizado en Python se encargan del razonamiento complejo. No obligues al lienzo visual a hacer lo que un script de Python hace mejor. ¿Cuándo deja de ser adecuado n8n?

- Flujos de datos de alto volumen: el intérprete de nodos no puede procesar miles de eventos simultáneos de forma eficiente. - Razonamiento cíclico: los bucles con salidas condicionales rompen la lógica del flujo visual. - Lógica matemática personalizada: existe un nodo de código, pero resulta poco práctico para transformar grandes volúmenes de datos.

Cuando crees agentes de IA con n8n, úsalo como un enrutador inteligente.

Idea clave: Hay que saber cuándo salir de n8n. Úsalo para recibir solicitudes y coordinar tareas básicas, pero deja el razonamiento complejo en manos de servicios personalizados en Python.

Cómo cumplir la Sustainable Use License si eres una agencia o consultor

Recibe la solicitud, comprueba la autenticación, registra el evento y envía los datos a un servicio de razonamiento especializado. n8n utiliza la Sustainable Use License, no una licencia estándar de código abierto reconocida por la OSI. Esta distinción es fundamental para quienes lo utilizan: la licencia restringe su oferta como servicio gestionado.

No puedes alojar n8n, ponerle una interfaz propia y venderlo como si fuera tu SaaS. Pero n8n es fair-code y se puede alojar en infraestructura propia.

Esto permite a las empresas ejecutar agentes en su propia infraestructura y mantener los datos dentro de la organización. Las agencias y los consultores también pueden crear y desplegar agentes para sus clientes de forma legal. Lo que no pueden hacer es ofrecer n8n como producto alojado.

Si quieres crear agentes de IA con n8n para tus clientes, te recomendamos seguir estas reglas: - Despliega n8n en la infraestructura del cliente (AWS, DigitalOcean o sus servidores locales). - Transfiere al cliente la titularidad de los flujos de trabajo. - No cobres a los clientes una cuota mensual por acceder a una instancia de n8n alojada por ti.

- Cobra por el desarrollo y el mantenimiento continuo de la instancia que aloja el cliente.

Idea clave: Cumplir la licencia no es opcional. Despliega n8n en la infraestructura del cliente y cobra por tu experiencia, no por alquilarle el software.

Paso 4: Haz crecer tu negocio con las integraciones SaaS de n8n

Evalúa si estás preparado para abordar estas cuestiones de licencia. n8n pone a disposición de los agentes sus más de 400 integraciones con aplicaciones en forma de herramientas. Así pueden consultar un CRM, enviar mensajes de Slack, consultar bases de datos o llamar directamente a las API.

Jahanzaib también señala que n8n tiene ~1,000 integraciones en total, Make ~1,500 y Zapier 8,000+. No te dejes impresionar por las cifras sin más. Zapier ofrece volumen; n8n, profundidad, sobre todo cuando creas agentes de IA con n8n y pones esas integraciones a disposición del LLM como funciones que puede llamar.

Zapier no permite poner de forma nativa todo su directorio de aplicaciones a disposición del agente como herramientas del mismo modo.

La tendencia apunta a que el futuro del software empresarial pasa por agentes de IA que interactúan con API, no por personas que hacen clic en interfaces». Así puedes conectar una herramienta de CRM a un agente de n8n. 1.

Añade una herramienta HTTP Request al nodo AI Agent. 2. Ponle el nombre «Fetch_HubSpot_Contact».

3. Escribe una descripción clara para el LLM: «Usa esta herramienta cuando el usuario pregunte por los datos de un contacto concreto». 4.

Configura el nodo HTTP para llamar a la API de HubSpot. 5. Pasa la entidad extraída de la solicitud del usuario (por ejemplo, un correo electrónico) como parámetro de consulta.

{
 "method": "GET",
 "url": "https://api.hubapi.com/crm/v3/objects/contacts",
 "authentication": "genericCredentialType",
 "genericAuthType": "httpHeaderAuth",
 "sendQuery": true,
 "queryParameters": {
 "parameters": [
 {
 "name": "email",
 "value": "={{ $json.email }}"
 }
 ]
 }
}

Esta es la configuración del nodo HTTP: ahora tu agente puede actuar. Puede consultar datos en tiempo real para fundamentar sus respuestas.

Idea clave: La estrategia de integración importa más que el número de integraciones. Pon las más de 400 herramientas de n8n a disposición de tus agentes para convertir flujos de trabajo estáticos en sistemas dinámicos.