Agentes de IA en n8n: cómo los configuré y qué cambió
Resumen rápido: Los agentes de IA en n8n superan los workflows lineales: combinan modelos de lenguaje, herramientas externas y datos de negocio para tomar decisiones autónomas. En este artículo explico cómo los configuré desde cero, qué arquitectura recomiendo y qué buenas prácticas apliqué antes de llevarlos a producción.
La automatización con agentes de IA en n8n fue el salto que cambió cómo estructuro mis proyectos de diseño y desarrollo web. Cuando empecé con n8n, creaba flujos sencillos con pasos predefinidos. El nodo AI Agent fue como pasar de seguir un guion a tener un colaborador que decide qué herramienta usar según el contexto.
n8n permite usar agentes de IA tanto dentro de un workflow complejo como en modo independiente. No hay que elegir entre lógica determinista y flexibilidad de IA: puedes combinar ambas en el mismo flujo.
En las siguientes secciones comparto todo lo aprendido: desde la diferencia real entre un workflow clásico y un agente, hasta cómo configurar la memoria persistente y qué guardianes aplicar antes de enviar el output a producción.
¿En qué se diferencia un workflow clásico de un agente de IA en n8n?
Un workflow clásico en n8n ejecuta pasos fijos en un orden predefinido. Un agente de IA en n8n, en cambio, recibe un objetivo y decide de forma autónoma qué herramientas usar, en qué orden y cuántas veces, hasta alcanzar ese objetivo o llegar a un límite de iteraciones.
La diferencia es, ante todo, de mentalidad. Con un workflow clásico sabes exactamente qué ocurrirá en cada ejecución. Con un agente de IA en n8n, defines el objetivo y los límites, y el modelo gestiona el camino. Esa autonomía da mucha flexibilidad, pero exige guardianes claros.
| Característica | Workflow clásico | Agente de IA |
|---|---|---|
| Toma de decisiones | Lógica fija (if/else, switch) | El modelo razona en cada ejecución |
| Herramientas disponibles | Nodos predefinidos en secuencia | El agente elige la herramienta adecuada |
| Manejo de variaciones | Requiere ramas explícitas | Se adapta sin cambiar el flujo |
| Mantenimiento | Cada caso nuevo requiere un cambio | El prompt absorbe muchos casos nuevos |
| Coste computacional | Bajo y predecible | Variable según el número de pasos |
| Trazabilidad | Total, paso a paso | Requiere logging explícito del razonamiento |
| Ideal para | Procesos repetibles y estructurados | Tareas ambiguas o que requieren criterio |
En la práctica, la mayoría de flujos de producción mezclan los dos enfoques: la parte estructurada se gestiona con nodos clásicos; la parte que requiere interpretación o criterio se delega al agente.
Cómo configurar un agente de IA en n8n desde cero: pasos y requisitos
Para crear un agente de IA en n8n se necesitan tres elementos básicos: un modelo de lenguaje conectado, un system prompt claro y al menos una herramienta que el agente pueda invocar. Sin esos tres elementos, el nodo AI Agent funciona pero no hace nada útil.
Estos son los pasos para una primera configuración funcional:
- Añade el nodo AI Agent desde la categoría «AI» del panel de nodos. Según la AI Agent, este nodo actúa como orquestador de todas las piezas del agente.
- Conecta un modelo de lenguaje como subnode. Las opciones disponibles incluyen OpenAI, Anthropic y Ollama. El modelo recibe el system prompt y el contexto de cada petición.
- Escribe el system prompt en el campo correspondiente. El system prompt debe describir el rol del agente, el tono, los límites de lo que puede y no puede hacer, y el formato esperado del output.
- Añade herramientas como subnodes adicionales. Cada herramienta es un nodo que el agente puede llamar: búsqueda web, consulta a base de datos, envío de email o llamada a API.
- Define el input del agente: puede venir del trigger del workflow, de un nodo anterior o directamente del chat integrado.
Un system prompt demasiado genérico hace que el agente se pierda entre las herramientas disponibles. Añadir instrucciones explícitas sobre cuándo usar cada herramienta reduce notablemente las ejecuciones fallidas.
La documentación de Build and manage agents de n8n detalla las opciones de configuración avanzada, incluyendo el control del número máximo de iteraciones y el manejo de errores del agente.
Qué disparadores usar para iniciar un agente de IA en n8n
El trigger determina cómo y cuándo arranca el agente en n8n. Los cuatro tipos más útiles en proyectos de diseño y desarrollo web son: webhook, chat trigger, schedule trigger y triggers de aplicaciones.
Webhook: el disparador más versátil. Permite que cualquier aplicación externa, formulario o script envíe datos al agente. Si una plataforma no tiene nodo nativo en n8n, el webhook la conecta igualmente.
Chat trigger: activa el agente cuando llega un mensaje de usuario. Es el punto de entrada natural para agentes de soporte o asistentes conversacionales. n8n incluye una interfaz de chat integrada que funciona sin infraestructura adicional.
Schedule trigger: lanza el agente en intervalos definidos. Útil para tareas de revisión periódica: auditorías de contenido, resúmenes de actividad, clasificación de tickets acumulados.
App triggers: nodos como Gmail, Slack, Notion o Airtable que arrancan el flujo cuando ocurre un evento concreto en esa aplicación. Muchos flujos de diseño web empiezan cuando llega un email con una solicitud de cliente.
Consejo: Antes de que el input llegue al agente, añade un nodo de validación que verifique el formato y la longitud del texto entrante. Los agentes fallan con más frecuencia cuando reciben datos mal formados que cuando el system prompt es imperfecto. Un simple nodo Code o Set que limpie el input ahorra muchos errores en producción.
OpenAI, Claude u Ollama en n8n: qué modelo elegir para agentes de IA
La elección del modelo de lenguaje en n8n afecta directamente al comportamiento del agente, al coste por ejecución y a los tiempos de respuesta. Para la automatización con agentes de IA en proyectos web, los tres proveedores más comunes son OpenAI, Anthropic y Ollama.
OpenAI (modelos GPT de gama alta): la opción con mayor cobertura de documentación y ejemplos en la comunidad de n8n. Los modelos de gama media de OpenAI son adecuados para agentes de clasificación o extracción de datos donde el volumen de ejecuciones es alto.
Anthropic (Claude): los modelos de Claude siguen instrucciones complejas en el system prompt con más fidelidad, especialmente cuando el agente tiene restricciones de formato estrictas. Es el modelo recomendado para agentes de redacción y revisión de contenido.
Ollama (modelos locales): la opción para proyectos donde los datos no pueden salir de la infraestructura propia. La latencia es mayor y la calidad depende del modelo local. Pero para clasificaciones simples o extracción de campos funciona bien sin coste por token.
Para conectar cualquiera de estos modelos en n8n, se añade el nodo del proveedor como subnode del AI Agent y se configuran las credenciales en la sección de credenciales del workspace. La página de Build Custom AI Agents de n8n muestra los proveedores soportados y sus opciones de configuración.
El modelo no es lo que hace al agente inteligente: son el system prompt y las herramientas disponibles. Agentes con modelos potentes pero instrucciones genéricas rinden peor que agentes con modelos medianos e instrucciones muy precisas.
Arquitectura recomendada para un flujo agentic en n8n: cinco fases
La arquitectura más efectiva para automatización con agentes de IA en n8n divide el flujo en cinco fases: ingesta, validación previa, ejecución del agente, verificación del output y acción final. Esta separación permite depurar cada fase por separado y añadir guardianes sin reescribir el flujo completo.
La fase de validación previa es la más omitida y la que más problemas evita: antes de que el input llegue al agente, conviene verificar que tiene el formato correcto, que no está vacío y que no contiene datos que no debería procesar el modelo.
La fase de verificación del output es igual de crítica. El agente puede devolver texto bien formado pero semánticamente incorrecto. Un nodo de validación posterior que compruebe la estructura del JSON de respuesta, o que verifique que ciertos campos existen, evita que datos erróneos lleguen a la base de datos o al cliente.
La guía de AI agentic workflows del blog de n8n explica cómo combinar la lógica determinista de n8n con la flexibilidad del agente. El principio recomendado: todo lo que pueda hacerse con lógica fija se hace con lógica fija; el agente solo gestiona lo que requiere criterio o interpretación.
Para la gestión de errores, un nodo de error handler que capture los fallos del agente y los registre en un log antes de notificar al equipo es imprescindible. Sin ese registro, depurar por qué un agente tomó una decisión incorrecta resulta muy difícil.
Cómo configurar la memoria persistente de un agente de IA en n8n
Por defecto, el nodo AI Agent en n8n no recuerda nada entre ejecuciones: cada llamada comienza desde cero. Para agentes conversacionales o de soporte, es necesario configurar una opción de memoria que mantenga el contexto de la conversación o del usuario concreto.
n8n ofrece cuatro opciones de memoria como subnodes del AI Agent:
- Window Buffer Memory: guarda los últimos N turnos de conversación en memoria volátil. Rápido y sencillo, pero se pierde al reiniciar el workflow.
- Redis Chat Memory: almacena el historial en Redis, lo que permite persistencia entre ejecuciones y escalado horizontal.
- Postgres Chat Memory: almacena el historial en base de datos relacional. Útil cuando ya se dispone de Postgres en la infraestructura y se quiere el historial consultable.
- Motorhead Memory: servicio especializado en memoria para agentes, con soporte para resumir contextos largos de forma automática.
El patrón recomendado para soporte web es Postgres Chat Memory con una clave de sesión basada en el ID del usuario o del ticket. Así, si un usuario retoma una conversación dos días después, el agente tiene acceso al historial completo.
Cuanto más contexto lleva el agente en cada llamada, mayor es el coste por token y la latencia. Para conversaciones largas, conviene añadir un nodo que resuma el historial antiguo antes de pasárselo al agente, en lugar de enviar todos los turnos completos.
Tres casos de uso reales de agentes de IA en n8n para diseño y desarrollo web
Los tres casos de agentes de IA en n8n más implementados en agencias y freelancers de diseño web son soporte al cliente, clasificación de solicitudes y generación de contenido.
Agente de soporte al cliente: el trigger es el chat o un webhook desde el formulario de contacto. El agente accede a una herramienta que consulta la base de conocimiento del cliente y a otra que crea tickets en el sistema de gestión. Clasifica la consulta, responde si la base de conocimiento contiene la respuesta y escala si no.
Clasificación de solicitudes de proyecto: el agente lee el email de solicitud entrante, extrae el tipo de proyecto, el presupuesto estimado y la urgencia, y actualiza el CRM con esos campos. Lo que antes requería varios minutos de trabajo manual, el agente lo procesa en segundos.
Generación y revisión de contenido web: el agente recibe una ficha de artículo (tema, palabras clave, tono) y genera un borrador estructurado. Un nodo posterior evalúa el output con un segundo modelo antes de guardarlo como borrador en WordPress. La plataforma de Advanced AI Workflow Automation de n8n incluye plantillas para este tipo de flujo.
En todos estos casos, los agentes con un objetivo acotado y herramientas específicas funcionan mejor que los agentes generalistas con muchas herramientas disponibles.
Buenas prácticas para llevar agentes de IA en n8n a producción
Llevar agentes de IA en n8n a producción requiere mayor rigor que los workflows clásicos, porque el comportamiento del agente no es completamente predecible. Las siete prácticas siguientes aplican antes de activar cualquier agente en un entorno real.
- Versiona tus system prompts: guarda cada versión del system prompt con fecha y descripción del cambio. Un cambio de prompt puede alterar el comportamiento del agente de formas inesperadas.
- Limita el número máximo de iteraciones: un valor entre 5 y 10 cubre la mayoría de tareas; auméntalo solo si el caso lo exige y tienes alertas de gasto activas. Sin ese tope, un agente en bucle puede agotar la cuota antes de que se detecte.
- Valida el output antes de actuar: comprueba que los campos obligatorios existen, que los valores están dentro de rangos aceptables y que el formato coincide con lo que espera la acción siguiente. Si algo falla, detén el flujo y registra el motivo concreto del rechazo, no solo que falló.
- Empieza con herramientas de solo lectura: en la fase de pruebas, proporciona al agente únicamente herramientas que lean datos. Una vez que el comportamiento es estable, añade herramientas que escriban o modifiquen datos.
- Registra todas las ejecuciones: guarda input, output y número de pasos en una tabla separada del log de errores. Revisar esa tabla con datos reales es la manera más directa de detectar instrucciones ambiguas y afinar el prompt antes de que los fallos lleguen al usuario.
- Añade aprobación humana para acciones irreversibles: para acciones como borrar registros, enviar emails masivos o publicar contenido, añade un paso de aprobación manual antes de que el agente ejecute la acción.
- Monitoriza el gasto por ejecución: configura alertas de gasto en el proveedor de modelo. Los agentes con muchas iteraciones pueden tener un coste por ejecución mucho más alto de lo esperado.
La automatización con agentes de IA en producción es un proceso iterativo. Y en los primeros días, revisar manualmente una muestra de ejecuciones permite afinar el system prompt y los guardianes hasta que el comportamiento sea estable.
Qué haría diferente al empezar con agentes de IA en n8n
El punto de partida más efectivo es un caso de uso muy acotado: un agente con una sola herramienta y un objetivo específico. Conectar muchas herramientas desde el principio dificulta la depuración cuando algo falla.
Dedicar más tiempo al system prompt antes de tocar la arquitectura del flujo ahorra muchos problemas. En la mayoría de casos, el problema no es el flujo sino que el agente carece de instrucciones claras sobre qué hacer cuando encuentra un caso que no esperaba.
La automatización con agentes de IA en n8n tiene una curva de aprendizaje real, pero una vez que el primer agente funciona en producción, el resto de implementaciones son mucho más rápidas. El patrón se repite: trigger, validación, agente, verificación, acción. Lo que cambia es el dominio y las herramientas.
Preguntas frecuentes
- ¿Qué es un agente de IA en n8n y en qué se diferencia de un workflow clásico?
- Un agente de IA en n8n es un nodo que combina un modelo de lenguaje con herramientas externas y decide de forma autónoma qué pasos seguir para completar un objetivo. A diferencia de un workflow clásico, donde la secuencia de pasos es fija, el agente razona en cada ejecución y adapta su comportamiento según el contexto recibido.
- ¿Cómo puedo empezar a automatizar tareas de negocio con agentes de IA en n8n?
- El punto de entrada más directo es el nodo AI Agent con un modelo de lenguaje conectado, un system prompt específico y una herramienta de solo lectura. Comienza con un caso de uso acotado, como clasificar emails entrantes o responder preguntas frecuentes con datos de una base de conocimiento, antes de ampliar las capacidades del agente.
- ¿Qué modelos de lenguaje son compatibles con los agentes de IA de n8n?
- n8n es compatible con OpenAI (modelos GPT de gama alta), Anthropic (Claude), Google (Gemini), Mistral, Cohere y modelos locales a través de Ollama, entre otros. La elección depende del tipo de tarea, el presupuesto por ejecución y los requisitos de privacidad de datos del proyecto.
- ¿Cómo conecto n8n con herramientas externas usando agentes de IA?
- Cada herramienta se añade como subnode del nodo AI Agent. n8n incluye herramientas nativas como búsqueda web, código personalizado y llamadas a workflows internos. Para aplicaciones externas, puedes usar nodos de herramientas HTTP, nodos de aplicaciones específicas como Gmail o Notion, o crear herramientas personalizadas con el nodo Code.
- ¿Qué buenas prácticas debo seguir para usar agentes de IA en producción con n8n?
- Las más críticas son: versionar los system prompts, limitar el número máximo de iteraciones del agente, validar el output antes de que llegue a la acción final, y registrar todas las ejecuciones con input, output y número de pasos. Para acciones irreversibles, añade siempre un paso de aprobación humana antes de que el agente ejecute la acción.
