De la automatización rígida a la cadena de agentes

Hasta ahora has construido automatizaciones que recorren siempre el mismo camino. El disparador se activa, paso 1, paso 2, salida. Cada bifurcación la tienes que dejar clicada de antemano. Eso funciona mientras el mundo se ajuste a tu plan. Y rara vez lo hace.

Un correo entrante puede ser una factura, una candidatura, una queja o spam. Una cadena rígida trata los cuatro igual, porque solo sabe hacer lo que le has dejado clicado. Un agente lee el correo, decide qué es y elige él mismo el siguiente paso. Ese es el salto que miramos aquí, y es más pequeño de lo que crees.

La diferencia en una frase

Una automatización clásica conoce el camino. Un agente conoce el objetivo y se busca el camino.

En Zapier o en un workflow normal de n8n la lógica la fijas tú. "Si el asunto contiene X, entonces a Notion." Tú eres quien piensa, la herramienta es la mano. Con un agente le das un objetivo y unas cuantas herramientas, y el modelo decide en cada pasada qué herramienta necesita. Tú eres quien encarga, el agente es a la vez quien piensa y la mano.

Cuándo basta la cadena rígida

La respuesta honesta: más a menudo de lo que el mundo de la IA te quiere hacer creer. Si tu proceso es inequívoco, quédate con la cadena fija. Un cobro nuevo de Stripe dispara siempre el mismo correo de confirmación. Ahí no hay nada que decidir. Un agente sería aquí más caro, más lento y menos fiable, sin una sola ventaja.

Una regla práctica que me repito a mí mismo: si puedes escribir el árbol de decisión en tres frases, no necesitas un agente. Escríbelo y clícalo en n8n. Listo.

Cuándo necesitas de verdad un agente

En cuanto la reacción correcta depende del contenido y el contenido es imprevisible. Tres casos típicos.

Primero, clasificación con fronteras difusas. "¿Es urgente esta petición de soporte?" no se resuelve con un filtro de palabras clave, porque "mi tienda está parada" no contiene ni una sola palabra de urgencia y aun así tiene la máxima prioridad. Un modelo lo entiende, un nodo if no.

Segundo, varios pasos cuyo orden depende del resultado intermedio. El agente investiga, se da cuenta de que falta un dato, lo busca, y después continúa. Ese bucle no lo puedes prefabricar en una cadena fija, porque no sabes cuántas veces se va a repetir.

Tercero, lenguaje libre a la entrada, datos estructurados a la salida. Sacar de un correo informal la dirección de entrega, la fecha deseada y el número de artículo. Ahí brilla un agente y una expresión regular llora.

Cómo se ve esto en concreto en n8n

n8n tiene para esto una pieza propia, el nodo AI Agent. Lo encuentras entre los llamados cluster nodes. El principio: un nodo raíz, el AI Agent, y de él cuelgas subnodos más pequeños.

Al agente le conectas tres cosas. Un modelo de lenguaje, o sea OpenAI, Anthropic o un modelo local vía Ollama. Opcionalmente un nodo de memoria, para que el agente recuerde lo anterior dentro de la misma conversación. Y al menos una herramienta. Eso es obligatorio, sin herramienta no hay agente. En la documentación de n8n lo pone literalmente, tienes que conectar al menos un subnodo de herramienta.

Una herramienta no es aquí nada mágico. Es un nodo que el agente puede llamar cuando lo necesite. Una búsqueda en Google, una entrada en una hoja de cálculo, una llamada HTTP a cualquier API. O sea que al agente no le marcas el recorrido, le das la caja de herramientas. Qué herramienta y cuándo, lo decide él.

Desde la versión 1.82.0 n8n lo ha simplificado. Antes podías elegir entre distintos tipos de agente, eso ya no está. Ahora cada AI Agent trabaja como el llamado Tools Agent, justo el principio de la caja de herramientas. Una preocupación menos al montarlo.

El paso que los principiantes se saltan, y luego lamentan

Un agente que decide libremente también puede equivocarse libremente. Con una cadena rígida siempre sabes qué pasa. Con un agente tienes que recuperar el control de forma consciente.

n8n te permite exigir una aprobación humana antes de determinadas herramientas. El Tools Agent se puede configurar para que se pare antes de ejecutar un paso delicado y espere tu visto bueno. Justo lo que construiste en el capstone como human in the loop, solo que un nivel más arriba. Mi consejo urgente: monta esa parada antes de que el agente pueda hacer nada irreversible. Mandar un correo, lanzar un pago, borrar una entrada. Mejor preguntar una vez de más que enviar una vez de más.

Lo que te cuesta esto, con honestidad

Cada pasada del agente llama al modelo de lenguaje, a menudo varias veces por tarea porque piensa en bucles. Eso cuesta. Una cadena rígida con una única llamada al LLM es bastante más barata que un agente que se lo piensa cinco veces. Tenlo en la cabeza cuando valores si de verdad necesitas un agente. Muchas veces basta un solo prompt bien construido dentro de una cadena fija, y ahorras dinero y disgustos.

Qué puedes hacer ahora

Coge tu automatización del capstone de la lección anterior y pregúntate en exactamente un punto: ¿estoy tomando aquí una decisión que depende del contenido? Si la respuesta es sí, sustituye ese único nodo if a modo de prueba por un nodo AI Agent con una sola herramienta. No reconstruyas todo el workflow, solo ese punto. Así notas la diferencia sin liarte.

El siguiente nivel va justo de esto. A partir del nivel 4 se trata de memoria y de MCP, o sea de cómo un agente sabe más allá de una sola pasada lo que ya ha hecho y a qué herramientas puede acceder. El nodo AI Agent de aquí es el primer aperitivo de eso.

Source

• Nodo AI Agent de n8n, documentación oficial: https://docs.n8n.io/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.agent (herramienta obligatoria, Tools Agent desde la v1.82.0)
• Tools Agent de n8n, detalle incluida la aprobación humana: https://docs.n8n.io/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.agent/tools-agent
• LangChain en n8n, principio de cluster nodes: https://docs.n8n.io/advanced-ai/langchain/overview