Un agente de IA decide qué hacer; una automatización con n8n ejecuta lo que vos decidiste de antemano. Esa diferencia, que parece sutil, define cuál de los dos conviene según el problema. Acá está el marco para elegir sin gastar semanas en la opción equivocada.

La confusión es entendible: las dos cosas prometen "automatizar tu trabajo" y hoy conviven en las mismas herramientas. Pero resuelven problemas distintos, cuestan distinto y fallan de maneras distintas. Elegir mal significa, en el mejor de los casos, pagar tokens de más por algo que un flujo determinista resolvía gratis; en el peor, poner un sistema impredecible a cargo de un proceso que no tolera errores.

La diferencia real: quién decide el próximo paso

Una automatización es un grafo fijo. Vos definís: cuando pasa A, hacé B, después C, y si se cumple X hacé D. El camino está escrito. Si aparece un caso que no previste, el flujo se rompe o pasa de largo.

Un agente de IA recibe un objetivo y un conjunto de herramientas, y decide en cada iteración qué herramienta usar. El camino no está escrito: lo arma el modelo en tiempo de ejecución. Si aparece un caso nuevo, puede resolverlo; también puede inventarse una solución incorrecta.

La documentación de ingeniería de Anthropic sobre cómo construir agentes efectivos plantea esta misma distinción y llega a una recomendación clara: empezar siempre por la solución más simple, y sumar autonomía solo cuando el problema la exige.

Tabla de decisión rápida

Cuándo conviene una automatización con n8n

n8n es un orquestador open source que conecta servicios mediante nodos. Su valor está en la previsibilidad: el mismo input produce el mismo output, siempre.

Casos donde gana por knockout

• Sincronización entre sistemas. Cuando entra un lead al formulario, crear el contacto en el CRM, agregar una fila en la planilla y avisar por Slack. Cero ambigüedad.

• Procesos con reglas duras. Si el monto supera cierto umbral, derivar a aprobación. No hay nada que interpretar.

• Tareas programadas. Todos los lunes a las 8, generar el reporte y enviarlo.

• Alto volumen. Miles de ejecuciones por día donde cada llamada a un modelo sería un costo significativo.

Un punto clave a favor: cuando algo falla, sabés exactamente en qué nodo y por qué. La documentación oficial de n8n detalla el manejo de errores y reintentos, que es precisamente lo que hace confiable un flujo determinista en producción.

Si querés el recorrido completo de la herramienta, en esta guía completa de n8n está el paso a paso desde la instalación.

Cuándo conviene un agente de IA

Un agente tiene sentido cuando el camino no se puede escribir de antemano porque depende del contenido de cada caso.

Casos donde gana

• Clasificación y ruteo de texto libre. Correos de soporte que llegan sin estructura y hay que entender qué pide cada uno antes de derivarlo.

• Investigación con varias fuentes. Buscar información, evaluar si alcanza, buscar más si no, y recién ahí sintetizar. La cantidad de pasos depende de lo que vaya encontrando.

• Tareas donde el criterio importa más que la regla. Revisar si un texto cumple con una guía de estilo, por ejemplo, donde hay matices que no se codifican en un if.

• Procesos que cambian con frecuencia. Si cada mes hay que rehacer el flujo, un agente con buenas instrucciones aguanta mejor el cambio.

Lo que hay que aceptar

Un agente es no determinista: dos corridas con el mismo input pueden dar resultados distintos. Eso obliga a diseñar con validaciones, límites de iteraciones y puntos de control humano. Y el costo escala con la cantidad de llamadas al modelo, que es difícil de predecir cuando el agente decide cuántas hacer.

El informe State of AI de McKinsey refleja esta tensión: 23% de las organizaciones dice estar escalando algún sistema agéntico, pero la mayoría solo en una o dos funciones. La adopción existe, el despliegue amplio todavía no.

La respuesta más frecuente: los dos, en capas

En la práctica, la arquitectura que mejor funciona no elige: combina. El patrón se repite en casi todas las implementaciones que llegan a producción.

1. n8n como esqueleto. Maneja el disparador, las conexiones a sistemas, los reintentos y el registro de lo que pasó.

2. El modelo de IA como un nodo más, en el punto exacto donde hace falta criterio. Clasificar, extraer datos de un texto libre, redactar una respuesta.

3. Todo lo demás, determinista. Validaciones, escrituras en base de datos, envíos.

Así obtenés lo mejor de cada mundo: la flexibilidad del modelo donde se necesita, y la previsibilidad del flujo fijo en todo el resto. Es también la opción más barata, porque el modelo se invoca una vez por ejecución y no en un loop abierto.

Cómo elegir en tres preguntas

1. ¿Puedo dibujar el proceso completo en un diagrama de flujo sin que queden ramas indefinidas? Si sí, automatización. No necesitás un agente.

2. ¿Qué pasa si el resultado sale mal una de cada veinte veces? Si la respuesta es "un desastre", el agente necesita un humano validando antes de la acción final.

3. ¿El input viene estructurado o es texto libre? Estructurado, automatización. Texto libre, al menos un nodo de IA en el medio.

Si estás comparando herramientas específicas para armar agentes, en Flowise vs AgentBuilder hay un análisis de las dos plataformas visuales más usadas. Y antes de conectar cualquiera de las dos cosas a tus sistemas, vale leer sobre calidad de datos: es el problema que hace fracasar más proyectos de IA que la elección de arquitectura.

Cursos recomendados de Coderhouse

La ruta según desde dónde arranques:

• Curso de AI Automation — nivel inicial. Armás tus primeros flujos con n8n y aprendés dónde insertar un nodo de IA sin romper la previsibilidad del proceso.

• Curso de AI Agents — nivel intermedio. Diseño de agentes con herramientas, memoria y controles de seguridad, que es lo que separa un demo de algo que se puede poner en producción.

• Carrera de AI Automation — nivel avanzado. El recorrido completo, pensado para quien quiere dedicarse profesionalmente a implementar estos sistemas.

Si ya tenés flujos andando y querés profundizar en orquestación, el Curso de AI Automation Avanzado va directo a los patrones de arquitectura.

Preguntas frecuentes

¿Un agente de IA reemplaza a n8n?

No. Un agente necesita igual una capa que lo dispare, que maneje las credenciales de los sistemas externos, que registre lo que pasó y que reintente si algo falla. Eso es exactamente lo que hace un orquestador como n8n. En las arquitecturas reales el agente vive adentro del flujo, no en lugar de él.

¿Cuánto cuesta más caro un agente que una automatización?

Depende del diseño, pero el orden de magnitud es significativo. Una automatización determinista tiene un costo marginal casi nulo por ejecución. Un agente hace varias llamadas al modelo por tarea, y esa cantidad varía según la complejidad del caso. En procesos de alto volumen la diferencia puede ser de dos órdenes de magnitud, por eso conviene reservar el agente para donde realmente aporta criterio.

¿Se puede usar n8n sin saber programar?

Sí para la mayoría de los casos. La interfaz es visual y los nodos cubren la mayoría de las integraciones comunes. Ahora bien, en flujos medianamente complejos vas a necesitar manipular datos entre nodos, y ahí aparece JavaScript básico. No hace falta ser desarrollador, pero sí entender estructuras de datos: qué es un objeto, qué es un array, cómo acceder a un campo anidado.

¿Cómo controlo que un agente no haga algo indebido?

Con cuatro capas: límite máximo de iteraciones para que no entre en loop, lista acotada de herramientas a las que puede acceder, validación del output contra un esquema esperado antes de ejecutar cualquier acción, y aprobación humana obligatoria para las acciones irreversibles (enviar, pagar, borrar). Un agente con permiso de escritura sin supervisión es la forma más rápida de tener un problema.

¿Por dónde empiezo si nunca automaticé nada?

Por un proceso que hagas a mano al menos una vez por día y que puedas describir en cinco pasos sin dudar. Automatizalo con nodos deterministas, sin IA. Cuando eso funcione y confíes en el flujo, identificá el único paso donde tenés que leer algo y decidir, y reemplazá ese paso por una llamada a un modelo. Ese es el camino incremental que evita los proyectos que nunca llegan a producción.