Resumen ejecutivo

• Un portfolio de automatización con IA convence cuando muestra impacto medible: problema, flujo, métrica y stack — no una galería de nodos sueltos.

• Cuatro proyectos tipo cubren la demanda real en LATAM: lead routing, reporting, atención asistida y ops internas, con n8n, Make o agentes.

• La narrativa en entrevistas importa tanto como el workflow: tiempo ahorrado, errores reducidos y decisiones que el negocio pudo tomar gracias al sistema.

• Herramientas + prompts + manejo de errores + documentación sanitaria son la evidencia mínima; sin métrica, el proyecto no diferencia.

Si estás armando un portfolio de automatización con IA, el error más común es mostrar capturas de flujos sin explicar qué cambió en el negocio. El ángulo de este artículo es una estructura clara — problema → flujo → métrica → stack — y cuatro proyectos tipo que podés narrar en una entrevista o frente a un cliente. ¿Por qué ahora? Porque la demanda de perfiles que conectan herramientas, datos y modelos crece en LATAM, y los reportes de empleabilidad siguen marcando la brecha de habilidades como freno: el Future of Jobs Report del World Economic Forum insiste en upskilling urgente, y el Workplace Learning Report de LinkedIn pone al aprendizaje continuo y la movilidad interna como norma. En ese contexto, un portfolio con impacto medible es tu mejor CV.

La estructura que sí convence: problema → flujo → métrica → stack

Antes de elegir n8n o Make, definí el caso. Cada proyecto de tu portfolio debería responder, en una página o README, a estas cuatro piezas:

1. Problema: qué estaba roto o era lento (leads sin dueño, reportes manuales, tickets repetitivos, ops sin trazabilidad).

2. Flujo: disparador, transformaciones, decisiones (incluido dónde entra la IA) y salida. Nivel alto, no nodo por nodo.

3. Métrica: horas/semana ahorradas, % de errores evitados, tiempo de respuesta, leads calificados, tickets resueltos sin humano.

4. Stack: herramientas, APIs, modelo de IA, hosting y por qué elegiste esa combinación frente a alternativas.

La comunidad de automatización lo repite: los clientes y hiring managers miran outcomes, no la complejidad del canvas. Un case study claro supera una lista de workflows. Si todavía estás en la etapa de elegir herramientas no-code, sumá el artículo de herramientas no-code para automatizar tareas repetitivas como complemento de criterio.

Qué incluir como evidencia técnica

• Diagrama o screenshot del flujo (sanitizado: sin tokens ni datos personales).

• Export JSON o repo con README e instrucciones de corrida.

• Manejo de errores: reintentos, alertas, validación previa al LLM, idempotencia básica.

• Ejemplo de input/output y una métrica antes/después (aunque sea de un piloto personal o freelance).

Cuatro proyectos tipo para LATAM (con ángulo de impacto)

1. Lead routing con enriquecimiento y scoring

Problema: leads llegan por formulario, WhatsApp o ads y nadie los prioriza a tiempo. Flujo: webhook → limpieza → enriquecimiento (empresa, país, fuente) → scoring con reglas + clasificación con IA → asignación a CRM o Slack. Métrica: tiempo medio hasta primer contacto, % de leads contactados en <1 hora, tasa de descarte automático de basura. Stack típico: n8n o Make + CRM + hoja o DB + modelo para clasificar intención.

2. Reporting semanal que no depende de una persona

Problema: cada lunes alguien pega datos en slides. Flujo: extracción programada (Sheets, BigQuery, Ads, ecommerce) → transformaciones → resumen ejecutivo generado con IA (con números validados por código) → envío a Slack/email con link al dashboard. Métrica: horas liberadas/semana y consistencia (cero olvidos). Acá la IA no inventa KPIs: resume hallazgos ya calculados.

3. Atención asistida (no “reemplazo mágico”)

Problema: tickets repetitivos saturan al equipo. Flujo: ticket → clasificación → borrador de respuesta o FAQ → humano aprueba → cierre y tagging. Métrica: % de tickets con primer borrador útil, tiempo de resolución, CSAT si lo medís. Mostrá límites: qué nunca responde solo el bot y cómo escalás.

4. Ops internas (onboarding, finanzas ops, sync de herramientas)

Problema: procesos internos con copy-paste entre Notion, Drive, Slack y el ERP liviano. Flujo: evento (nuevo hire, factura, pedido) → checklist automatizado → notificaciones y registros. Métrica: pasos manuales eliminados y errores de carga. Estos proyectos venden muy bien en pymes porque el ROI es obvio.

Cómo narrar el impacto en entrevistas

En 2–3 minutos por proyecto, usá este guion:

• “El problema era X; el costo era Y (tiempo/errores/plata).”

• “Armé un flujo que hace A → B → C; la IA interviene en Z porque ahí hay lenguaje o clasificación, no en el cálculo duro.”

• “Medimos W: antes vs después.”

• “Elegí este stack porque…; el trade-off fue…”

• “Si lo llevara a producción, el siguiente paso sería monitoreo/reintentos/permisos.”

Eso demuestra juicio de negocio, no solo destreza con nodos. Para conectar automatización con productividad personal, también ayuda cómo usar inteligencia artificial para trabajar más rápido.

Checklist de calidad antes de publicar el portfolio

• ¿Cada proyecto tiene métrica explícita (aunque sea estimada y honestamente etiquetada)?

• ¿Hay al menos un flujo con error handling documentado?

• ¿Los secretos están fuera del repo (env vars)?

• ¿Podés demoear en vivo o con un video corto de 60–90 segundos?

• ¿Tu LinkedIn resume el impacto en una línea por proyecto?

Comparaciones serias de herramientas (n8n vs Make vs código) existen en la industria: por ejemplo, análisis prácticos como el de n8n vs Make vs custom code ayudan a justificar el stack en el README. Lo importante no es “ganar” la comparación, sino explicar tu criterio.

Plantilla de case study (copiá por proyecto)

Usá este esqueleto en Notion o README. Completarlo te obliga a pensar como consultor, no como hobbyista de nodos:

1. Contexto: industria, tamaño del equipo, herramientas previas.

2. Dolor cuantificado: horas/semana, error rate, leads perdidos.

3. Alcance: qué automatizaste y qué quedó afuera (y por qué).

4. Arquitectura: trigger → steps → IA → sistemas destino.

5. Controles: validaciones, retries, alertas, quién opera el flujo.

6. Resultados: métrica primaria + secundaria; período de medición.

7. Aprendizajes: qué romperías y reconstruirías.

Si no podés completar el punto 2 y el 6 con números (aunque sean estimaciones honestas), el proyecto todavía no está listo para el portfolio público.

Cursos recomendados de Coderhouse

Si querés estructurar estos proyectos con práctica guiada, el Curso de AI Automation te ordena flujos, herramientas y casos de uso. Para ir un paso más hacia sistemas que razonan y usan herramientas, sumá AI Agents. Y si todavía necesitás bases de modelos, prompts y límites, empezá por Introducción a la Inteligencia Artificial.

CTA: esta semana elegí un solo problema real (del trabajo o de un cliente chico), definí la métrica y publicá el case study v1. Si querés acelerar con mentoría y entregables, mirá AI Automation y AI Agents en Coderhouse y convertí esa práctica en evidencia de portfolio.

Preguntas frecuentes

¿Cuántos proyectos necesito en el portfolio? Con 3–4 case studies sólidos alcanza. Mejor tres con métrica y demo que diez capturas sin contexto.

¿Sirve un proyecto personal o tiene que ser de un cliente? Sirve si lo enmarcás como caso de negocio (problema, flujo, resultado). Un freelance chico o un proceso tuyo bien medido vale más que un tutorial clonado.

¿n8n o Make? Depende del dueño del proceso y de la complejidad. Make suele ganar en ownership no técnico; n8n en lógica custom, self-host y nodos de IA nativos. Documentá por qué elegiste.

¿La IA tiene que estar en todos los flujos? No. Usala donde aporta (clasificación, redacción asistida, extracción de texto). Forzar un LLM en un cálculo determinístico debilita tu narrativa técnica.