Crea tu primer agente de IA en n8n: un flujo completo para clasificar leads

Una de las funciones menos valoradas de n8n es el nodo AI Agent. Convierte un flujo estático («cuando ocurra X, haz Y») en algo más flexible: un flujo de trabajo en el que el modelo de IA decide qué acciones ejecutar en función de la situación.

En este artículo crearemos de principio a fin un agente real y funcional: un sistema que recibe leads nuevos, amplía sus datos, los puntúa, redacta una respuesta personalizada y los dirige al destino adecuado. Al terminar, comprenderás tanto el funcionamiento de los agentes de n8n como los patrones de diseño que distinguen un agente útil de una demostración frágil.

Partimos de que tienes n8n instalado —en un servidor propio o mediante n8n.cloud— y una clave de API válida para Claude u OpenAI. Si nunca has utilizado n8n, completa primero su tutorial básico.

No permitas que la primera versión envíe respuestas automáticas a leads reales. Dirige los borradores a revisión humana hasta disponer de registros, idempotencia, umbrales de puntuación y suficientes ejecuciones revisadas para saber cómo se comporta el flujo ante entradas desordenadas.

Qué vamos a crear

El flujo de trabajo:

1. Llega un nuevo lead mediante un webhook (desde un formulario, un evento, un CRM, etc.).
2. El agente amplía sus datos con información de la empresa (mediante una búsqueda web).
3. Le asigna una puntuación en tres dimensiones: ajuste, intención, urgencia.
4. Redacta una respuesta personalizada.
5. En función de la puntuación, ejecuta una de estas acciones:
   • Responde automáticamente y crea un registro en el CRM (para leads de alto ajuste y alta confianza),
   • Redacta una respuesta para revisión humana y envía una notificación a Slack (para leads de nivel medio),
   • O se limita a registrar y notificar, sin responder (para leads con poco encaje).

Este patrón puede generalizarse. Sustituye «clasificación de leads» por «clasificación de tickets de soporte», «evaluación de candidatos», «gestión de consultas de prensa» o «distribución de comentarios de clientes»: la estructura es la misma.

El esquema JSON enlazado desde este artículo define el payload de entrada. Utilízalo para validar los datos del webhook antes de que lleguen al nodo del agente.

Añade un control de validación antes del agente

El webhook no debe entregar directamente al agente datos arbitrarios procedentes del formulario. Coloca un paso de validación entre el desencadenante y el agente:

Este control protege el flujo frente a envíos mal formados, reintentos duplicados del webhook y contenido de inyección de prompts oculto en los campos del formulario. El agente puede seguir leyendo el mensaje, pero es el flujo de trabajo quien decide si el registro cumple las condiciones para procesarlo.

El modelo mental: agente = LLM + herramientas + bucle

Antes de empezar, veamos el concepto.

En 2026, un «agente» es un LLM capaz de utilizar herramientas. En lugar de producir una única respuesta, el modelo decide qué acciones —denominadas «herramientas»— debe invocar. Después de que cada herramienta devuelve un resultado, el modelo lo recibe y decide qué hacer a continuación: utilizar otra herramienta, ejecutar otro paso o entregar una respuesta final.

El nodo AI Agent de n8n implementa este bucle. Proporcionas al modelo:

• Un prompt del sistema (sus instrucciones y personalidad).
• Un prompt del usuario (la entrada para esta ejecución).
• Un conjunto de herramientas (otros nodos de n8n o subflujos que el modelo puede invocar).

El modelo decide qué herramientas invocar, en qué orden y con qué argumentos. Tras recibir el resultado de cada una, vuelve a evaluar la situación. Cuando determina que ha completado el trabajo, devuelve una respuesta final.

Esto difiere de forma fundamental de un flujo estático porque el orden de los pasos lo determina el modelo, no tú. Diseñar bien un agente exige:

1. Proporcionar al modelo las herramientas adecuadas (ni demasiado pocas ni demasiadas).
2. Redactar un prompt del sistema que delimite su comportamiento.
3. Añadir medidas de protección para que no se desvíe.
4. Diseñar la salida para que los nodos posteriores puedan utilizarla de forma fiable.

Paso 1: El desencadenante

Abre n8n y crea un flujo de trabajo. Configura el desencadenante:

• Nodo: Webhook
• Método HTTP: POST
• Response Mode: “When last node finishes”
• Ruta: algo como /lead-triage

Este webhook recibirá los envíos de leads. n8n proporciona una URL que puedes configurar como destino de los envíos del formulario o del webhook saliente de tu CRM.

Para probarlo, guarda el flujo una vez para activar la URL del webhook y prepara un payload de ejemplo. Un webhook de leads podría recibir este payload:

{
  "name": "Anna Lehtinen",
  "email": "anna@somecompany.fi",
  "company": "Some Company OÜ",
  "role": "Head of Marketing",
  "message": "Interested in your AI consulting services. We have a team of 10 and need help with prompt engineering training.",
  "source": "website-form",
  "timestamp": "2026-05-15T14:30:00Z"
}

Haz clic en “Test step” y envía el payload de prueba para observar el flujo de datos.

Paso 2: El nodo de agente de IA

Añade un nodo AI Agent después del webhook y configúralo:

• Agent Type: Conversational (o “Tools Agent” en versiones más recientes; elige la variante que admita llamadas a herramientas).
• Chat Model: Claude (Anthropic) u OpenAI. Para un flujo con agentes, Claude Sonnet 4.5 o GPT-5 son buenas opciones predeterminadas. Los modelos de razonamiento también funcionan, pero son más lentos en los bucles de agentes.
• Memory: None para una clasificación sin estado (cada lead es independiente). Para conversaciones de varios turnos, utiliza un nodo de memoria.
• System Message: aquí se define el comportamiento del agente. Utiliza la plantilla siguiente.
• User Message: extrae del webhook los datos del lead.

El mensaje del sistema:

You are a lead-triage agent for [Your Company Name], an AI consulting firm.

Your job is to process incoming leads and produce a structured triage decision.

For each lead, you must:

1. Use the `enrich_lead` tool to gather context about the company.
2. Score the lead on three dimensions:
   - Fit: does the lead match our ideal customer profile?
     - Companies of 10-200 people in B2B, manufacturing, or professional services.
     - Roles in marketing, operations, engineering leadership, or executive.
   - Intent: how serious is the inquiry?
     - "Just curious" vs "actively evaluating" vs "ready to buy."
   - Urgency: is there a stated or implied timeline?
3. Use the `score_lead` tool to record the scores.
4. Use the `draft_response` tool to produce a personalised reply.
5. Use the `route_lead` tool with one of: "auto_reply", "human_review", "log_only".

Routing rules:
- "auto_reply" if Fit >= 7/10 AND Intent >= 7/10. The reply will be sent automatically.
- "human_review" if Fit >= 5/10 OR Intent >= 5/10. A human will check before sending.
- "log_only" if Fit < 5/10 AND Intent < 5/10. We just track and move on.

Never invent information. If something is unclear, mark [unclear] in your scoring rationale.

Always end by returning a JSON object with:
{
  "fit_score": <1-10>,
  "intent_score": <1-10>,
  "urgency_score": <1-10>,
  "reasoning": "<2-3 sentences>",
  "drafted_response": "<the email body>",
  "routing": "<auto_reply|human_review|log_only>"
}

Observa la estructura. Incluye:

• Una definición clara de la tarea.
• Un proceso explícito (pasos 1-5).
• Criterios explícitos de puntuación.
• Lógica explícita de enrutamiento.
• Un formato de salida obligatorio.

El agente no siempre seguirá estas instrucciones a la perfección. Sin embargo, cuanto más concreto sea el mensaje del sistema, mayor será la fiabilidad con la que repetirá la misma estructura en cada ejecución.

El objeto JSON no basta por sí solo. Añade un paso de validación después del nodo del agente y rechaza las ejecuciones en las que falten puntuaciones, el valor de enrutamiento no pertenezca a la enumeración permitida o la respuesta redactada esté vacía.

Paso 3: Las herramientas

El agente necesita herramientas que pueda invocar. En n8n se configuran dentro del nodo del agente y pueden ser:

• Subflujos de trabajo.
• Solicitudes HTTP.
• Nodos de herramientas integrados.

Vamos a crear cuatro herramientas para el agente.

Herramienta 1: enrich_lead

Un subflujo de trabajo que:

1. Toma un nombre de empresa y un dominio de correo electrónico como entrada.
2. Utiliza un nodo HTTP para consultar una API de búsqueda web (Perplexity, Serper, Brave Search o Tavily) acerca de la empresa.
3. Devuelve un resumen de 3 frases: a qué se dedica la empresa, su tamaño aproximado y cualquier noticia reciente destacada.

La descripción de la herramienta (que el agente lee para decidir cuándo llamarla):

Amplía los datos de un lead buscando información sobre la empresa. Entrada: nombre de la empresa y dominio de correo electrónico. Salida: resumen breve de su actividad, su tamaño aproximado y cualquier contexto reciente destacado.

Herramienta 2: score_lead

Una herramienta sencilla que recibe las puntuaciones del agente y las guarda en algún lugar. Puede utilizar:

• Una fila en Google Sheets.
• Una inserción en una base de datos.
• Una llamada a una API de CRM.

Para las pruebas, lo más sencillo es añadir una fila a Google Sheets. Esta es la descripción de la herramienta:

Registra las puntuaciones del lead. Entrada: fit_score, intent_score, urgency_score, reasoning. Salida: confirmación.

Herramienta 3: draft_response

Un subflujo que recibe el contexto y las puntuaciones del lead y genera un borrador de correo personalizado. Internamente, llama a otro nodo de IA con un prompt de redacción específico:

Redacta una respuesta personalizada a una consulta B2B. Entradas: el mensaje original del lead, el resumen de enriquecimiento de la empresa, las puntuaciones de ajuste/intención/urgencia.

Voz: cálida y directa, sin lenguaje corporativo vacío. Reconoce la solicitud específica. Menciona un dato concreto del resumen sobre la empresa. Termina con un siguiente paso claro (por ejemplo, «¿te vendría bien una conversación de 15 minutos la próxima semana?»).

Longitud: 80-120 palabras.

La descripción de la herramienta:

Redacta una respuesta personalizada para el lead. Entrada: mensaje del lead, resumen de la empresa y puntuaciones. Salida: borrador de correo electrónico.

Herramienta 4: route_lead

Es la acción final de enrutamiento. En función del argumento recibido, la herramienta:

• Envía el correo + crea un registro en el CRM (auto_reply).
• Guarda el borrador + envía una notificación en Slack (human_review).
• Solo registra y crea un registro en el CRM (log_only).

Se implementa como un subflujo con un nodo Switch que dirige la ejecución a una de tres ramas según el argumento.

La descripción de la herramienta:

Dirige el lead según la decisión de clasificación. Entrada: decisión de enrutamiento (“auto_reply”, “human_review”, “log_only”) y respuesta redactada. Salida: confirmación.

Paso 4: Prueba el agente

Con el agente configurado y las cuatro herramientas conectadas, ejecuta una prueba con el payload de ejemplo.

Lo que deberías ver en la vista de ejecución de n8n:

1. El webhook recibe el payload.
2. Se inicia el agente de IA.
3. El agente llama a enrich_lead; verás que la herramienta se ejecuta y devuelve un resultado.
4. El agente selecciona el siguiente paso (puedes o no ver trazas intermedias según el modelo y la configuración).
5. El agente llama a score_lead.
6. El agente llama a draft_response.
7. El agente llama a route_lead con una de las tres opciones de enrutamiento.
8. El agente devuelve el JSON final.

Si algo sale mal, el panel de depuración de n8n te muestra los mensajes entre el agente y sus herramientas. Los problemas más comunes:

• La descripción de la herramienta no es lo suficientemente específica. El modelo no puede inferir cuándo la herramienta es adecuada. Haz más concretas las descripciones.
• El esquema de entrada y salida de la herramienta no coincide. El agente no puede enviar los argumentos correctos. Define el esquema de forma explícita.
• El agente entra en un bucle infinito. Sigue llamando a herramientas sin completar la tarea. Añade un límite máximo de iteraciones y revisa el mensaje del sistema.

Paso 5: Añade medidas de protección

Un agente sin controles no es seguro para producción. Añade estas seis medidas de protección antes de confiarle tráfico real:

1. Máximo de iteraciones. Establece un límite razonable (10-20). Evitará bucles descontrolados en los que el agente continúa invocando herramientas sin terminar.

2. Control de aprobación para auto_reply. Aunque el agente decida “auto_reply”, dirige el resultado a una cola de aprobación humana durante las primeras semanas. Comprueba que sus decisiones de respuesta automática sean adecuadas antes de permitir que lleguen a los clientes sin revisión.

3. Lista de permitidos para acciones salientes. Configura las herramientas de CRM y correo para que solo actúen sobre registros que coincidan con el patrón esperado. Así evitarás que el agente envíe mensajes a una dirección incorrecta o cree registros para entradas que no son leads.

4. Registro. Registra cada ejecución del agente: entrada, todas las llamadas a herramientas y salida final. Utiliza los registros de ejecución integrados de n8n o envíalos a un servicio específico. Cuando algo falle, estos datos permitirán depurarlo.

5. Límites de costes. Establece un presupuesto diario de tokens. Los agentes de IA pueden descontrolarse: un bucle mal configurado puede gastar $50 en llamadas a la API durante una sola ejecución defectuosa. n8n Cloud incluye este control; si utilizas alojamiento propio, supervisa el consumo de la clave de API.

6. Responsabilidad sobre la decisión. El modelo puede recomendar auto_reply, human_review o log_only, pero el flujo debe aplicar la regla definitiva. Mantén la enumeración de enrutamiento, los umbrales de puntuación y los requisitos de aprobación fuera del prompt para que sean visibles y comprobables.

Paso 6: Refuerzo para producción

Estas prácticas convierten un prototipo funcional en un sistema en el que puedes confiar:

Idempotencia. Asegúrate de que, si el mismo lead se procesa dos veces —por un reintento del webhook o una nueva ejecución manual—, no se cree un registro duplicado. Añade una comprobación al inicio del flujo: «¿se ha procesado este lead anteriormente?».

Gestión de errores. Añade tratamiento de errores a cada llamada a herramientas. Si la API de enriquecimiento no está disponible, el agente no debe detenerse: debe continuar con menos información y señalar los datos ausentes.

Observabilidad. Supervisa métricas clave: tiempo medio de ejecución, frecuencia de llamadas a herramientas y porcentaje dirigido a cada ruta. Las anomalías son señales importantes.

Revisión de ejecuciones. En los primeros 50 leads reales, compara cada ejecución con los datos originales. Registra los datos incorrectos de la empresa, las puntuaciones o rutas equivocadas, los plazos omitidos y los borradores deficientes. No reduzcas la revisión humana hasta que estos modos de fallo sean infrecuentes y estén bien comprendidos.

Un «interruptor de emergencia». Prepara una forma de desactivar el agente sin volver a desplegarlo: por ejemplo, una variable de entorno o un control del flujo que el agente compruebe primero. Resulta útil cuando detectas una decisión errónea en producción y necesitas detener la ejecución.

La decisión de diseño más importante: qué herramientas dar al agente

El conjunto de herramientas es el factor que más influye en la calidad del agente. Hay dos modos de fallo:

Muy pocas herramientas. El agente no puede cumplir su función e intenta suplir las capacidades ausentes, a menudo mediante alucinaciones.

Demasiadas herramientas. El agente puede confundirse, elegir la herramienta equivocada o desperdiciar iteraciones explorando opciones. La calidad disminuye.

Una buena regla: comienza con el conjunto de herramientas mínimo viable y solo añade herramientas cuando el agente las necesite claramente.

Para clasificar leads, las cuatro herramientas elegidas son un punto de partida razonable. Podrías añadir:

• Una herramienta “lookup_existing_customer” para comprobar si el lead ya es cliente.
• Una herramienta “schedule_meeting” integrada con tu calendario.
• Una herramienta “translate” si los leads llegan en varios idiomas.

Sin embargo, cada herramienta nueva añade una decisión que el agente debe tomar. Su utilidad debe justificar esa complejidad.

Patrones que se generalizan

El sistema de clasificación de leads puede adaptarse a muchos otros casos de uso:

Clasificación de tickets de soporte. Sustituye el enriquecimiento por “lookup_customer_history” y el enrutamiento por “auto_solve / escalate / categorise”.

Evaluación de candidatos para puestos de trabajo. Sustituye el enriquecimiento por “parse_cv”, la puntuación por criterios de adecuación al puesto y el enrutamiento por “interview / reject / flag for human review”.

Gestión de consultas de prensa. Sustituye el enriquecimiento por “lookup_publication” y utiliza un enrutamiento basado en la prioridad de respuesta.

Distribución de comentarios de clientes. Sustituye el enriquecimiento por un análisis de sentimiento y una categorización por producto.

Solicitudes de compras. Sustituye el enriquecimiento por búsquedas de proveedores, la puntuación por criterios de cumplimiento de políticas y el enrutamiento por flujos de aprobación.

El patrón subyacente siempre es el mismo: evento entrante → ampliar datos → puntuar o clasificar → redactar respuesta → dirigir. El agente toma las decisiones y las herramientas las ejecutan.

Cuándo NO usar un agente

Algunos flujos de trabajo no se benefician de un agente. Si la lógica es totalmente determinista —«haz siempre A, después B y luego C»—, un flujo convencional de n8n sin agente será más rápido, económico y fiable.

El agente merece su lugar cuando:

• Existe un gran número de rutas posibles.
• La ruta adecuada depende del criterio, no de reglas estrictas.
• Algunas decisiones requieren sintetizar información de múltiples fuentes.

Si tu árbol de decisión se reduce a unas pocas condiciones «if-then-else», utiliza nodos condicionales. Reserva el agente para los casos en los que esas condiciones se vuelvan inmanejables.

Constrúyelo una vez en un flujo de trabajo real

Un agente de IA en n8n es un flujo de trabajo en el que el modelo decide qué acciones ejecutar y en qué orden, a partir de un conjunto de herramientas. Si está bien diseñado, puede gestionar trabajo de varios pasos que exige criterio y que antes requería supervisión humana continua.

Crear el flujo de clasificación de leads descrito requiere unas dos horas para alguien que empieza a trabajar con agentes de n8n, además de varias semanas de ajuste con datos reales. El resultado: cada lead recibido se enriquece con nuevos datos, obtiene una puntuación, recibe un borrador y se dirige a su destino en cuestión de minutos, con revisión humana allí donde aporta valor.

Constrúyelo una vez en un flujo real que te importe. El diseño de agentes es una de las competencias con mayor capacidad de multiplicar resultados en el trabajo con IA de 2026.