El salto de 2026: de automatización a orquestación de IA
Durante años, n8n fue una herramienta para conectar apps y automatizar tareas regladas. Eso no cambió. Lo que se sumó es una capa nueva: la posibilidad de integrar modelos de lenguaje (LLMs) directamente en el canvas, como si fueran otro nodo más.
La pieza central de ese cambio es el nodo AI Agent. No es un nodo que llama a una API de IA de forma simple —eso también existe y es útil— sino un nodo raíz (cluster node) que puede razonar, decidir qué herramientas usar y ejecutarlas por su cuenta, sin reglas fijas predefinidas.
Un workflow clásico sigue instrucciones. Un agente decide qué instrucciones seguir según el contexto. Esa diferencia cambia lo que podés automatizar.
El nodo AI Agent: un cerebro con herramientas
El AI Agent es un nodo especial al que le conectás sub-nodos que le dan capacidades. Sin esos sub-nodos es solo una caja vacía. Las tres categorías principales son:
Chat Model
El LLM que hace el razonamiento. Podés elegir OpenAI (GPT-4o, GPT-4o-mini), Anthropic Claude, Google Gemini, modelos locales via Ollama, y más. Es el "cerebro" del agente.
Memory
Permite que el agente recuerde el contexto de la conversación o del proceso. Sin memoria, cada ejecución arranca desde cero. Fundamental para chatbots y procesos con múltiples pasos.
Tools
Otros nodos o workflows que el agente puede decidir activar. Buscar en una base de datos, llamar una API, enviar un mail. El agente elige cuándo y cómo usarlos.
La integración es nativa con LangChain. En n8n 2.0 se sumó el nodo AI Agent Tool que permite orquestar múltiples agentes entre sí (arquitectura multi-agente): un agente orquestador que delega sub-tareas a agentes especializados.
Cómo se ve un agente en el canvas
Este es el esquema de un AI Agent con sus sub-nodos y la ramificación determinista que sigue a su decisión:
La decisión más importante: IA vs. lógica determinista
Este punto es clave y vale la pena dedicarle tiempo. No todo merece un LLM. La regla es simple: usá la herramienta correcta para cada tramo del proceso.
Workflow determinista
IF, Switch, reglas fijas. Hace lo mismo siempre. Predecible, barato, sin latencia de LLM, sin riesgo de alucinación. Es la base de todo proceso automatizado.
Usalo para: ruteo por campos exactos, transformaciones de datos, integraciones entre sistemas, notificaciones, cualquier cosa que se resuelva con una regla clara.
IA (AI Agent / LLM)
Se enchufa en los puntos donde el proceso requiere juicio: texto ambiguo, datos no estructurados, generación de contenido, clasificación semántica.
Usala para: clasificar un reclamo en lenguaje libre, extraer datos de un PDF sin formato fijo, redactar una respuesta personalizada, resumir un thread largo.
¿Podés resolverlo con un IF o un Switch? Hacelo así. No uses IA para lo que resuelve una condición simple. Un LLM que decide "¿el campo status es igual a 'urgente'?" es más caro, más lento y menos confiable que IF status == "urgente". La IA va donde un IF no llega.
Un ejemplo concreto: clasificación de mails de soporte
Es el caso más claro para entender el principio en acción.
Un mail de soporte llega. El texto puede decir "¿cuándo vence mi plan?" (consulta), "esto no funciona y perdí horas" (reclamo) o "quiero agregar 5 puestos más" (venta). No hay campo estructurado que lo diga: está en el lenguaje libre del mensaje.
Sin IA: tendrías que mantener una lista de palabras clave para cada categoría. Frágil, incompleta, imposible de escalar a 30 idiomas o a jerga particular de cada industria.
Con IA: el AI Agent lee el cuerpo del mail y devuelve una etiqueta: consulta, reclamo o venta. Con esa etiqueta, un Switch determinista enruta a Soporte, Atención al Cliente o Comercial. La IA decide; los nodos clásicos ejecutan.
# Pseudocódigo del workflow
CUANDO llega un mail nuevo:
texto = cuerpo del mail
# ← único punto de IA
intencion = AI_Agent(texto, prompt="clasificá en: consulta|reclamo|venta")
SWITCH intencion:
"consulta" → asignar a Soporte, responder plantilla A
"reclamo" → asignar a Atención, alta prioridad, notificar Slack
"venta" → asignar a Comercial, enviar lead a CRM
FINRuteo inteligente de modelos (2026)
Una optimización que se volvió práctica este año: no todas las consultas necesitan el mismo modelo. Podés usar el propio n8n para enrutar según complejidad:
Modelo liviano
GPT-4o-mini, Haiku, modelos locales. Responden rápido y cuestan una fracción. Clasificación, extracción de campos, preguntas frecuentes con contexto acotado.
Modelo grande
GPT-4o, Claude Sonnet/Opus, Gemini Pro. Para análisis profundo, razonamiento multi-paso, síntesis de documentos largos. Se usan menos, pero cuando importa.
El truco es agregar un nodo previo (un clasificador liviano o una regla simple) que evalúe la complejidad de la tarea y dirija al modelo adecuado. El ahorro de costo puede ser del 60–80 % en workflows de alto volumen.
Costo por uso: cada llamada a un LLM externo tiene un costo en tokens. En workflows de alto volumen, eso escala rápido. Medí el costo por ejecución antes de producción.
No determinismo: el mismo input puede dar outputs distintos. No es apto para decisiones que requieren reproducibilidad exacta (liquidaciones, cálculos reglamentarios).
Alucinaciones: un LLM puede inventar datos con total confianza. Nunca asumas que la salida es correcta sin validación. Usá guardrails: schemas de salida estructurados, validación posterior, revisión humana en decisiones sensibles.
El principio no cambia: la parte reglada del proceso va al workflow determinista; la parte que requiere juicio va a la IA o a una persona. No delegues más de lo necesario al modelo.
Guardrails básicos para producción
Output estructurado
Pedile al LLM que responda en JSON con un schema fijo. n8n tiene nodos para parsear y validar ese JSON antes de que siga el workflow.
Fallback determinista
Si la clasificación de la IA devuelve algo inesperado o fuera del set de etiquetas válidas, el workflow debe tener una rama de fallback que maneje el caso sin romper.
Revisión humana
Para decisiones de alto impacto (responder a un cliente molesto, cerrar un ticket de facturación), sumá un paso de aprobación humana antes de ejecutar la acción.
Aprendiste a pensar el proceso, a construirlo en n8n y a sumarle IA donde tiene sentido real. En la próxima sección cerramos con casos reales de automatización para que te vayas con algo concreto que implementar el lunes.