n8n y Agentes IA: Cómo Crear Workflows de Automatización Inteligente

Un workflow clásico de automatización sigue instrucciones fijas: recibe datos, los transforma y los envía a otro sitio. Si algo se sale del guion, se rompe. Un agente IA, en cambio, recibe un objetivo, analiza el contexto y decide qué herramientas usar para resolverlo. La diferencia entre uno y otro es la misma que entre un GPS con una ruta predefinida y un conductor que sabe improvisar cuando hay obras en la carretera.

n8n agentes IA automatización es la combinación que está cambiando cómo se diseñan workflows en 2026. Y no estamos hablando de una moda pasajera: n8n ha integrado agentes IA directamente en su plataforma, apoyándose en LangChain, para que puedas construir flujos que toman decisiones, consultan bases de datos, llaman a APIs y se adaptan sobre la marcha — todo desde una interfaz visual y sin pagar licencias mensuales.

En este artículo vamos a ver qué es un agente IA, cómo funciona dentro de n8n, y vas a montar tres workflows con agentes que resuelven problemas reales. Nada de teoría hueca.

Qué es un agente IA (y qué no es)

Antes de tocar n8n, aclaremos conceptos. No todo lo que lleva “IA” en el nombre es un agente.

Un chatbot responde preguntas usando un modelo de lenguaje. Le preguntas algo, te contesta. Fin. No tiene capacidad de actuar sobre el mundo exterior.

Una cadena (chain) es una secuencia fija de pasos que usa un LLM en algún punto. Por ejemplo: recibir un texto → resumirlo con GPT → guardar el resumen en Google Sheets. Es útil, pero la secuencia no varía. Si el texto viene vacío o en un formato inesperado, la cadena no improvisa.

Un agente IA es otra cosa. Recibe un objetivo y tiene acceso a un conjunto de herramientas (tools). El agente decide cuáles usar, en qué orden, y puede iterar si el primer intento no funciona. Su ciclo es: pensar → actuar → observar → repetir hasta resolver el problema.

La diferencia clave: las cadenas siguen una receta, los agentes siguen un objetivo.

Componentes de un agente IA en n8n

Para construir un agente en n8n necesitas cuatro piezas:

1. Modelo de lenguaje (LLM): El cerebro. GPT-4o, Claude, Llama, Mistral… n8n soporta modelos de OpenAI, Anthropic, Google, Ollama (local) y cualquier proveedor compatible con la API de OpenAI.
2. Herramientas (Tools): Lo que el agente puede hacer. Buscar en Google, consultar una base de datos, llamar a una API, ejecutar código, enviar emails. Cada herramienta se configura como un sub-nodo.
3. Memoria: Opcional pero importante. Permite que el agente recuerde conversaciones anteriores o mantenga contexto entre iteraciones. n8n ofrece memoria en ventana (últimos N mensajes), buffer y almacenamiento en bases de datos.
4. Prompt del sistema: Las instrucciones que definen el comportamiento del agente. Quién es, qué puede hacer, qué restricciones tiene. Un buen system prompt es la diferencia entre un agente útil y uno que alucina sin control.

Agentes vs Cadenas en n8n: cuándo usar cada uno

No todo necesita un agente. Si tu workflow es predecible y lineal, una cadena es más eficiente, más barata (menos tokens) y más fácil de depurar.

Usa una cadena cuando:

• El flujo de datos es siempre el mismo
• No necesitas que el LLM tome decisiones sobre qué hacer
• El proceso tiene 2-3 pasos fijos
• Quieres minimizar el consumo de tokens

Usa un agente cuando:

• La tarea requiere razonamiento o decisiones variables
• El agente necesita elegir entre varias herramientas según el contexto
• Hay posibilidad de error y quieres que el sistema reintente con otra estrategia
• La entrada del usuario es impredecible (lenguaje natural, preguntas abiertas)

Un ejemplo concreto: si recibes facturas por email y siempre tienen el mismo formato, una cadena que extrae los datos con un prompt fijo y los mete en tu ERP funciona perfecto. Pero si las facturas vienen de 50 proveedores distintos, con formatos diferentes y a veces faltan datos, un agente que pueda decidir cómo extraer cada campo y pedir aclaraciones cuando algo no cuadra te va a ahorrar horas de reglas manuales.

Cómo configurar tu primer agente IA en n8n

Vamos a lo práctico. Este primer workflow crea un agente que responde preguntas consultando documentación técnica almacenada en una base de datos vectorial.

Paso 1: Crear el workflow base

Abre n8n y crea un nuevo workflow. Necesitas estos nodos:

1. Chat Trigger — El punto de entrada. Permite interactuar con el agente desde la interfaz de chat de n8n o desde un widget embebido en tu web.
2. AI Agent — El nodo central. Lo encuentras en la categoría “Advanced AI”. Este nodo orquesta todo: recibe el mensaje, decide qué herramientas usar y genera la respuesta.

Conecta el Chat Trigger al AI Agent. Ya tienes la estructura mínima.

Paso 2: Configurar el modelo de lenguaje

Haz clic en el nodo AI Agent y busca la conexión “Model”. Añade un sub-nodo de modelo. Las opciones más comunes:

• OpenAI GPT-4o: El más capaz para tareas complejas. Necesitas API key de OpenAI.
• Anthropic Claude 3.5 Sonnet: Excelente para razonamiento largo y análisis de documentos.
• Ollama (local): Si quieres ejecutar modelos como Llama 3 o Mistral en tu propio servidor, sin enviar datos a terceros. Ideal para entornos industriales donde la confidencialidad es crítica.

Para este ejemplo, usamos OpenAI. Configura tu API key en las credenciales de n8n (Menú → Credentials → Add New → OpenAI API) y selecciona el modelo gpt-4o.

Paso 3: Añadir herramientas al agente

Un agente sin herramientas es un chatbot caro. Vamos a darle dos herramientas:

Herramienta 1 — Vector Store Tool (búsqueda en documentación):

1. En el nodo AI Agent, busca la conexión “Tool” y añade un nodo Vector Store Tool.
2. Conecta un Retriever (por ejemplo, Supabase Vector Store o Pinecone) que apunte a tu base de datos con la documentación indexada.
3. Añade un nodo de Embeddings (OpenAI Embeddings o un modelo local con Ollama) para convertir las consultas en vectores.

Así, cuando alguien pregunte “¿Cómo configuro el protocolo Modbus?”, el agente buscará en tu documentación y responderá con información real, no con una alucinación genérica.

Herramienta 2 — Calculator:

Añade el nodo Calculator como herramienta del agente. Suena básico, pero evita errores matemáticos del LLM. Si alguien pregunta “¿Cuántas horas de producción se pierden con 3 paradas de 47 minutos?”, el agente usará la calculadora en lugar de intentar hacer aritmética con tokens.

Paso 4: Configurar el system prompt

En el nodo AI Agent, busca el campo “System Message” y escribe algo como:

Eres un asistente técnico especializado en automatización industrial.
Responde en español. Sé conciso y práctico.
Cuando te pregunten sobre documentación técnica, usa la herramienta de búsqueda.
Cuando necesites hacer cálculos, usa la calculadora.
Si no tienes información suficiente para responder, dilo claramente.
No inventes datos técnicos.

Un buen system prompt no es un ensayo. Es una lista clara de reglas que el agente pueda seguir sin ambigüedad.

Paso 5: Probar el agente

Pulsa “Chat” en la esquina inferior de n8n y escribe una pregunta. Observa en el panel de ejecución cómo el agente decide qué herramienta usar en cada paso. Esto es clave para depurar: si el agente elige la herramienta incorrecta, el problema suele estar en el system prompt o en la descripción de la herramienta.

Workflow práctico: agente de triaje de emails

Este segundo ejemplo es más útil para el día a día. Imagina que recibes 50 emails al día y necesitas clasificarlos, responder los urgentes y delegar el resto. Un agente IA puede hacer eso.

Arquitectura del workflow

Email Trigger → AI Agent → Switch
                  │            ├── Urgente → Slack + Draft respuesta
                  │            ├── Tarea → Todoist
                  │            └── Spam/irrelevante → Archivar
                  │
                  ├── Tool: Gmail (leer emails)
                  ├── Tool: Workflow (clasificar prioridad)
                  └── Memory: Window Buffer (contexto reciente)

Configuración paso a paso

1. Email Trigger (IMAP o Gmail Trigger): Configúralo para que se active con cada email nuevo.
2. AI Agent: Usa GPT-4o como modelo. En el system prompt:

Clasificas emails entrantes. Para cada email:
1. Determina si es urgente, una tarea asignable o irrelevante.
2. Si es urgente, redacta un borrador de respuesta profesional.
3. Si es una tarea, extrae el título y la fecha límite.
4. Si es spam o irrelevante, márcalo para archivar.
Devuelve un JSON con: {clasificacion, resumen, respuesta_borrador, tarea_titulo, tarea_fecha}

3. n8n Workflow Tool: Crea un sub-workflow que reciba el JSON y lo enrute: Slack para urgentes, Todoist para tareas, Gmail API para archivar.

El agente analiza el contenido del email, entiende la intención y genera una clasificación estructurada. No necesitas escribir 30 reglas de filtrado: el agente se adapta a emails que nunca has visto.

Workflow avanzado: agente con memoria para soporte técnico

El tercer workflow usa memoria para mantener conversaciones coherentes. Un cliente escribe “mi PLC no responde”, el agente pregunta qué modelo es, el cliente responde “un S7-1200” y el agente recuerda esa información para las siguientes preguntas.

Configuración de la memoria

En el nodo AI Agent, conecta un sub-nodo de memoria. n8n ofrece varias opciones:

• Window Buffer Memory: Guarda los últimos N mensajes. Simple y eficiente. Usa esto para conversaciones cortas.
• Postgres Chat Memory: Almacena toda la conversación en PostgreSQL. Ideal para soporte donde necesitas historial completo.
• Motorhead Memory: Memoria gestionada externamente con resúmenes automáticos. Útil para conversaciones muy largas.

Para soporte técnico, recomiendo Postgres Chat Memory porque puedes consultar conversaciones anteriores, generar métricas y no pierdes contexto si el usuario vuelve al día siguiente.

Herramientas del agente de soporte

Dale al agente estas herramientas:

• Vector Store Tool con la documentación técnica de tus productos indexada
• HTTP Request Tool para consultar el estado de equipos en tu SCADA o API de monitorización
• n8n Workflow Tool que llame a un sub-workflow para crear tickets en tu sistema de incidencias

Con estas tres herramientas, el agente puede: buscar soluciones en la documentación, verificar el estado real del equipo y escalar a un humano cuando no pueda resolver el problema. Todo sin que el cliente salga del chat.

Herramientas disponibles para agentes en n8n

n8n viene con herramientas integradas que puedes asignar a tus agentes. Estas son las más relevantes:

Herramienta	Qué hace	Caso de uso
Calculator	Operaciones matemáticas	Cálculos de producción, costes, conversiones
Code Tool	Ejecuta JavaScript/Python	Transformaciones de datos complejas
HTTP Request Tool	Llama a cualquier API REST	Consultar ERPs, SCADA, servicios externos
Vector Store Tool	Busca en bases vectoriales	RAG sobre documentación técnica
n8n Workflow Tool	Ejecuta otro workflow de n8n	Acciones complejas de múltiples pasos
Wikipedia Tool	Consulta Wikipedia	Contexto general para respuestas
SerpAPI Tool	Búsqueda en Google	Investigación en tiempo real

La más potente es n8n Workflow Tool. Te permite crear herramientas a medida: cualquier workflow de n8n se convierte en una herramienta que el agente puede invocar. ¿Necesitas que el agente consulte tu base de datos de inventario? Crea un workflow que haga esa consulta y conéctalo como herramienta. ¿Quieres que envíe un SMS de alerta? Otro workflow, otra herramienta.

Esto significa que la capacidad de tus agentes está limitada solo por lo que n8n pueda conectar — y n8n conecta con más de 400 servicios.

Modelos de lenguaje compatibles con n8n

No estás atado a OpenAI. n8n trabaja con estos proveedores de LLM:

• OpenAI: GPT-4o, GPT-4o-mini, o1-preview. El estándar de la industria.
• Anthropic: Claude 3.5 Sonnet, Claude 3 Opus. Excelente para tareas de análisis y razonamiento.
• Google: Gemini Pro, Gemini Ultra. Buena opción si ya usas Google Cloud.
• Ollama (local): Llama 3, Mistral, Phi-3, Qwen. Cero costes de API, datos 100% privados. Requiere GPU o servidor potente para modelos grandes.
• Groq: Inferencia ultrarrápida para Llama y Mixtral. Ideal para agentes que necesitan responder rápido.
• Azure OpenAI: Los mismos modelos de OpenAI pero gestionados por Azure. Cumplimiento normativo europeo.

¿Cuál elegir? Si no tienes restricciones de privacidad, GPT-4o es la opción más equilibrada entre capacidad y coste. Si tus datos no pueden salir de tu infraestructura — algo habitual en entornos industriales o sanitarios —, Ollama con Llama 3 o Mistral te da independencia total.

Buenas prácticas para agentes IA en n8n

Después de montar decenas de agentes, estas son las lecciones que más se repiten:

1. No le des herramientas que no necesita

Cada herramienta añade complejidad al razonamiento del agente. Si le das 15 herramientas, va a tardar más en decidir cuál usar y se equivocará con más frecuencia. Regla de oro: entre 2 y 5 herramientas por agente. Si necesitas más, crea varios agentes especializados.

2. Escribe descripciones claras para cada herramienta

El agente decide qué herramienta usar basándose en su descripción. Si la descripción dice “Busca cosas”, el agente no sabe cuándo usarla. Si dice “Busca documentación técnica sobre equipos industriales. Úsala cuando el usuario pregunte sobre especificaciones, manuales o procedimientos de mantenimiento”, el agente acierta mucho más.

3. Usa structured output cuando puedas

Configura el agente para devolver JSON estructurado en lugar de texto libre. Esto facilita conectar la salida del agente con el resto del workflow. En el system prompt, incluye el schema del JSON esperado.

4. Implementa fallbacks

Los agentes fallan. El LLM puede alucinar, una API puede no responder, la búsqueda vectorial puede devolver resultados irrelevantes. Añade nodos de verificación después del agente: si la salida no cumple ciertos criterios, envía el caso a un humano.

5. Monitoriza el consumo de tokens

Un agente con un ciclo de razonamiento largo puede gastar cientos de miles de tokens por ejecución. Configura límites de iteraciones en el nodo AI Agent (campo “Max Iterations”) y monitoriza los costes. En producción, un agente que entra en bucle puede dejarte una factura desagradable a final de mes.

6. Testa con casos reales, no con ejemplos inventados

El agente se va a comportar de forma diferente con datos reales que con el “Hola, ¿qué tal?” que usaste para probarlo. Aliméntalo con emails, documentos y preguntas reales de tu operativa antes de ponerlo en producción.

Casos de uso reales: agentes IA en industria y PYME

Los agentes de n8n no son un juguete para demos. Estos son escenarios donde ya están funcionando:

Triaje de alarmas industriales: Un agente recibe alarmas de un sistema SCADA, consulta el historial de incidencias y la documentación del equipo, y clasifica la alarma como crítica, advertencia o falso positivo. Las críticas generan un ticket y notificación inmediata. Las demás se loguean para revisión periódica. Resultado: los técnicos de guardia solo reciben alertas que merecen una llamada a las 3 de la mañana.

Asistente de compras para mantenimiento: Un técnico describe la pieza que necesita en lenguaje natural (“Necesito el relé de protección del motor de la línea 3”). El agente busca en el catálogo de repuestos, identifica la referencia exacta, verifica stock y genera la solicitud de compra. Lo que antes llevaba 20 minutos entre catálogos y formularios, ahora son 30 segundos.

Análisis de informes de producción: Un agente recibe los datos de producción del turno (OEE, paradas, defectos), los compara con los objetivos y genera un resumen ejecutivo con las desviaciones más relevantes. El jefe de planta lee un párrafo en lugar de 15 tablas.

Atención al cliente automatizada para PYMEs: Un agente conectado a WhatsApp Business responde preguntas frecuentes, consulta disponibilidad de productos y agenda citas. Cuando no puede resolver algo, transfiere al humano con todo el contexto de la conversación.

Cómo escalar: de un agente a un sistema multi-agente

Cuando un solo agente no basta, puedes crear un sistema donde varios agentes colaboran. n8n lo hace posible con el nodo Workflow Tool: un agente “orquestador” delega tareas a agentes especializados implementados como sub-workflows.

Ejemplo de arquitectura multi-agente:

Agente Orquestador
  ├── Agente de Documentación (busca manuales)
  ├── Agente de Datos (consulta bases de datos y APIs)
  ├── Agente de Redacción (genera informes y resúmenes)
  └── Agente de Acción (envía emails, crea tickets, notifica)

Cada agente tiene su propio LLM, sus propias herramientas y su propio system prompt. El orquestador recibe la petición, decide a quién delegarla y combina los resultados.

Esta arquitectura tiene dos ventajas enormes: cada agente es más simple y preciso (menos herramientas, prompt más enfocado), y puedes actualizar o reemplazar un agente sin tocar el resto del sistema.

Errores comunes (y cómo evitarlos)

El agente entra en bucle: Suele pasar cuando el prompt es ambiguo o las herramientas devuelven errores que el agente no sabe interpretar. Solución: limita las iteraciones máximas a 5-10 y añade instrucciones explícitas en el prompt sobre qué hacer cuando algo falla.

Respuestas inconsistentes: El mismo input genera respuestas diferentes cada vez. Solución: baja la temperatura del modelo a 0-0.2 para tareas deterministas. Reserva temperaturas altas (0.7+) para tareas creativas.

Coste descontrolado: Un agente con GPT-4o que hace 6 iteraciones por consulta puede costar 0,10-0,50€ por ejecución. Multiplica por 1.000 consultas al día y el CFO te llama. Solución: usa GPT-4o-mini para tareas simples y reserva GPT-4o para las que requieran razonamiento complejo. Ollama elimina el coste de API si tienes hardware.

El agente no usa las herramientas: Si el agente responde “de cabeza” ignorando las herramientas, revisa la descripción de cada tool. El agente necesita entender cuándo activarlas. A veces basta con añadir al system prompt: “SIEMPRE usa la herramienta de búsqueda antes de responder preguntas técnicas.”

Próximos pasos: monta tu primer agente hoy

No necesitas un máster en IA para empezar. Con n8n instalado (tienes nuestro tutorial de instalación paso a paso) y una API key de OpenAI o un servidor con Ollama, puedes tener un agente funcional en una hora.

Empieza simple: un agente con una sola herramienta que resuelva un problema real de tu día a día. Puede ser clasificar emails, responder preguntas sobre documentación o generar resúmenes de datos. Una vez que veas cómo funciona el ciclo pensar-actuar-observar, escalar es cuestión de añadir herramientas y refinar prompts.

Si quieres llevar los agentes IA al siguiente nivel en tu empresa — conectarlos con tu SCADA, tu ERP o tus sistemas de producción — contacta con nosotros. Implementamos soluciones de automatización inteligente con n8n para industria y PYMEs que necesitan resultados, no demos bonitas.