1. Introducción: qué vas a construir en esta guía

Descripción

Al terminar esta lección vas a poder ubicar el proyecto final de esta guía como tu destino, nombrar los ocho módulos que te llevan hasta ahí y en qué orden se acomodan, verificar si cumples los tres requisitos para empezar, y explicar en una frase por qué el mercado paga distinto por un agente que por una automatización con IA.

Esto importa porque esa última frase no es un detalle de marketing: es lo que separa dos ofertas de trabajo que a primera vista se ven parecidas. Una pide "automatizar tareas repetitivas con IA" — un flujo que clasifica, resume o extrae dentro de un camino ya decidido de antemano. La otra pide "diseñar y operar flujos de agentes multi-paso" — un sistema que decide qué hacer, ejecuta acciones sobre sistemas reales, y solo pide ayuda humana cuando de verdad hace falta. La validación de mercado que sostiene esta guía encontró esa segunda frase, o una muy parecida, en 57% de las ofertas que mencionan IA aplicada a automatización. Si terminas esta guía sabiendo construir la primera clase de flujo pero no la segunda, calificas para menos de dos tercios del mercado que existe hoy.

Conexión con el módulo: esta es la primera lección del Módulo 1, y de toda la guía. Antes de tocar el nodo AI Agent (lección 4) o el bucle que lo hace funcionar por dentro (lección 3), necesitas dos cosas: saber hacia dónde vas, y saber si tienes lo necesario para arrancar. Eso es lo único que hace esta lección. La distinción técnica entre agente, chatbot e IA procedural —el corazón conceptual del módulo— la traza la lección 2, no esta.

Por qué empezar por el destino, no por el primer paso

Antes de que un GPS te dé la primera indicación —"gira a la derecha en 200 metros"— te pide el destino. Sin destino, cada indicación es un dato suelto: podría estar llevándote a cualquier parte, y no tienes forma de saber si vas bien encaminado hasta que ya es tarde para corregir. Con el destino fijo, cada giro tiene sentido, incluso los que todavía no entiendes del todo, porque confías en que existe una ruta completa detrás de cada uno.

Esta guía funciona igual. Podría empezar contándote qué es un system prompt o cómo se configura una Window Buffer Memory, y técnicamente no estaría mal — pero cada pieza sonaría a trámite aislado hasta que vieras para qué sirve el conjunto. Por eso esta lección hace lo contrario: te muestra el destino completo primero, con todo y lo que todavía no vas a entender del todo, para que el resto de la guía se sienta como llenar los huecos de un mapa que ya viste, no como memorizar piezas sueltas.

El destino es el proyecto del Módulo 8: un sistema de atención al cliente multicanal que un negocio real podría poner en producción mañana. No un demo de "el agente responde preguntas" — un sistema con:

• Más de un agente. Un triage_agent que clasifica lo que pide el cliente y decide a cuál especialista delegarlo — soporte, ventas o escalamiento — en vez de un solo agente que intenta saberlo todo.
• Tools sobre sistemas reales. El agente no solo conversa: consulta un CRM y una base de conocimiento, crea tickets, y puede escalar — acciones que cambian algo fuera de la conversación.
• Memoria persistente por cliente. Si el mismo cliente escribe de nuevo mañana, el sistema recuerda quién es y de qué hablaron, no arranca de cero.
• Dos canales, un mismo cerebro. El sistema atiende por chat web y por WhatsApp sin duplicar la lógica en cada canal.
• Guardrails y control de costo. Defensas contra que un mensaje malicioso secuestre al agente, un paso de aprobación humana antes de acciones sensibles (un reembolso, una cancelación), y un ojo puesto en cuánto cuesta cada conversación.

Ese es el nivel que las ofertas de "agentes reales en producción, no POCs" están pidiendo. La ruta hasta ahí tiene ocho paradas:

Módulo	Qué le agrega al agente
1 (aquí)	El marco conceptual: qué es un agente y el bucle que lo hace decidir
2	Un cerebro: modelo vigente + system prompt que define su rol y sus límites
3	Memoria: que recuerde la conversación, y que no se degrade en conversaciones largas
4	Tools: que actúe sobre sistemas reales, no solo hable
5	Delegación: varios agentes especializados coordinándose, no uno omnipotente
6	Canales: el mismo agente en chat web, WhatsApp, Telegram y voz
7	Seguridad: defensas contra injection, límites de confianza, verificación de salida
8	El proyecto integrador: todo lo anterior, en un solo sistema defendible

Cada módulo agrega exactamente una pieza al mismo sistema. Para cuando llegues al Módulo 8, no vas a estar aprendiendo algo nuevo de golpe — vas a estar ensamblando piezas que ya construiste por separado.

Ejemplo trabajado: un mensaje, de principio a fin

Veamos cómo se ve el sistema terminado resolviendo un caso real, para que el destino deje de ser una lista y se vuelva algo concreto.

Input. Un cliente escribe por WhatsApp: "hola, necesito saber el estado de mi pedido #4521, y si ya se demoró tanto quiero hablar con una persona".

Proceso, paso a paso:

1. El mensaje entra al sistema por el canal de WhatsApp (Módulo 6), pero llega al mismo triage_agent que atiende también el chat web — un cerebro, varias puertas de entrada.
2. El triage_agent lee el mensaje y reconoce dos cosas en un mismo turno: una consulta de estado de pedido, y una frase de posible escalamiento ("quiero hablar con una persona"). Decide delegar al agente especialista de soporte (Módulo 5), pero marca la conversación como candidata a escalamiento si la respuesta no resuelve el problema.
3. El agente especialista de soporte invoca una tool, lookup_order, que consulta el CRM real con el número de pedido #4521 (Módulo 4). El CRM responde: el pedido está en tránsito, con retraso de dos días por un problema logístico.
4. Antes de decidir si responde solo o escala, el sistema revisa la memoria persistente de este cliente (Módulo 3): es la primera vez que escribe sobre este pedido, así que no hay contexto previo de una queja repetida.
5. El agente redacta una respuesta con el estado real del pedido y una disculpa por el retraso, y evalúa si eso alcanza para no escalar. Como el cliente no volvió a insistir en hablar con una persona después de recibir la información, el sistema no dispara el guardrail de escalamiento (Módulo 7) — pero deja la conversación etiquetada, por si el cliente vuelve a escribir en los próximos días.
6. El sistema guarda en la memoria persistente del cliente: número de pedido, estado consultado, y que ya se le informó el retraso.

Output. El cliente recibe, por WhatsApp, una respuesta con el estado real de su pedido en menos de un minuto, sin que un humano haya tocado el caso. Si el mismo cliente escribe otra vez mañana preguntando "¿y mi pedido?", el sistema ya sabe de qué pedido habla sin que el cliente tenga que repetir el número.

Nota lo que NO pasó: nadie escribió a mano un IF que dijera "si el mensaje contiene la palabra 'pedido', busca en el CRM". El triage_agent decidió delegar, el especialista decidió qué tool usar y con qué datos, y el sistema decidió no escalar — tres decisiones que tomó el modelo de lenguaje, no un diagrama de flujo fijo que alguien dibujó de antemano. Esa diferencia —quién decide, el flujo o el modelo— es exactamente lo que la lección 2 va a definir con precisión. Aquí solo la señalamos para que la reconozcas cuando la veas.

Qué necesitas para empezar

Tres cosas, verificables ahora mismo:

1. Haber completado las Guías 1 a 6 de este path ("Automatización AI con n8n"), en particular la Guía 6 (AI Automation Basics). Esta guía es la número 7 de 10, y asume que ya sabes qué es un LLM, cómo funciona un prompt básico y cómo se ve un flujo de IA procedural (donde el flujo, no el modelo, decide el camino). No se vuelve a explicar aquí.
2. Una instancia de n8n corriendo, versión 2.x. Puede ser una instalación local self-hosted o una prueba en la nube — el criterio completo para decidir dónde correr esto en serio (y por qué el camino por defecto de esta guía no es el que asumirías) lo da la lección 7 de este mismo módulo. Por ahora, lo único que necesitas es poder abrir el editor de n8n y buscar el nodo AI Agent en el panel de nodos.
3. Al menos una API key activa de un proveedor de modelos: Anthropic, OpenAI o Google. Sin esto, el nodo AI Agent no tiene con qué pensar — es la pieza que conectas en el Módulo 2.

Si alguno de los tres te falta, resuélvelo antes de la lección 2. El resto de la guía asume que ya los tienes.

Errores comunes

Pensar que "agente" es solo una palabra nueva para "flujo con un nodo de IA" (conceptual). Qué pasa: alguien agrega un nodo de modelo de lenguaje a un flujo que ya tenía antes, con sus IF y sus Switch decidiendo el camino igual que siempre, y lo llama "agente" porque hay IA en algún punto del diagrama. Por qué pasa: la palabra "agente" se usa hoy como adjetivo de marketing para casi cualquier cosa que toque un LLM, y sin un criterio de decisión —¿quién elige el próximo paso, el flujo o el modelo?— es fácil confundir ambos. Cómo detectarlo: si puedes dibujar el diagrama de flujo completo, con cada rama y cada condición, antes de correrlo ni una vez, lo que tienes es IA procedural, no un agente — nadie le dio al modelo la decisión de qué camino tomar. Cómo corregirlo: no lo resuelvas todavía; la lección 2 te da la frontera exacta entre agente, chatbot e IA procedural, con el criterio preciso para no volver a confundirlos.

Empezar el mini-proyecto de la lección 8 sin cumplir los tres requisitos (práctico). Qué pasa: llegas a la parte técnica del módulo con la mejor intención, pero sin API key activa o sin una instancia de n8n corriendo, y te atoras a mitad de una lección por un problema de setup que nada tiene que ver con el concepto que estabas aprendiendo. Por qué pasa: los requisitos de esta sección se sienten como trámite y es tentador saltárselos para "llegar más rápido a lo interesante". Cómo detectarlo: si ahora mismo no puedes nombrar qué proveedor de modelo vas a usar en el Módulo 2, todavía no cumples el requisito 3. Cómo corregirlo: resuelve los tres puntos de la sección anterior antes de abrir la lección 2 — cinco minutos ahora ahorran una lección entera de fricción después.

Esperar que esta guía repita qué es un LLM o cómo escribir un prompt básico (práctico/expectativa). Qué pasa: llegas buscando un repaso de "qué es la temperatura" o "qué es un token", y en cambio la guía asume que ya lo sabes y avanza directo a system prompts orientados a rol y límites (Módulo 2). Por qué pasa: esos fundamentos son exactamente el contenido de la Guía 6 de este mismo path, y esta guía —la 7— construye sobre ellos en vez de repetirlos. Cómo detectarlo: si un término como "system prompt", "temperatura" o "tokens" te suena desconocido en la lección 2, es señal de que te falta la Guía 6, no de que esta lección esté mal explicada. Cómo corregirlo: pausa y completa la Guía 6 antes de seguir si notas ese hueco — no vas a perder tiempo, lo vas a ahorrar.

Ejercicios

Ejercicio 1 — Autodiagnóstico de requisitos. Responde con un sí o un no, ahora mismo, a estas tres preguntas: (a) ¿completaste la Guía 6 de este path o al menos sabes qué es un system prompt y qué es un token? (b) ¿tienes una instancia de n8n en versión 2.x que puedas abrir hoy? (c) ¿tienes una API key activa de Anthropic, OpenAI o Google? Si alguna respuesta es no, escribe qué vas a hacer para resolverla antes de la lección 2.

Ver solución

No hay una respuesta única — el ejercicio es el diagnóstico en sí. Lo que importa es la acción que sigue a cada "no": para (a), sería completar o repasar la Guía 6 antes de seguir; para (b), instalar n8n localmente (self-hosted) o crear una cuenta de prueba en la nube — la lección 7 te da el criterio completo para decidir cuál te conviene en serio, pero para empezar cualquiera de las dos sirve; para (c), crear una cuenta en al menos uno de los tres proveedores y generar una API key, que vas a conectar en el Módulo 2.

Por qué funciona: un diagnóstico honesto ahora cuesta cinco minutos. Descubrir el mismo hueco a mitad de una lección técnica cuesta la lección entera, como describe el segundo error común de esta lección.

Ejercicio 2 — Aplica el filtro a un caso propio. Piensa en una tarea repetitiva de tu trabajo (o de un negocio que conozcas) que hoy resuelves con reglas fijas: un flujo con IF/Switch que decide el camino según palabras clave o condiciones que alguien programó de antemano. Ahora responde: si un cliente escribe algo que el flujo no anticipó —una pregunta fuera del guion, una combinación rara de casos—, ¿qué pasa hoy? ¿El flujo falla, responde algo genérico, o simplemente no sabe qué hacer?

Ver solución

No hay una respuesta correcta única, porque el criterio completo para decidir "esto necesita un agente" lo da la lección 2, no esta. Pero como hipótesis de trabajo: si tu respuesta a "¿qué pasa cuando el flujo no anticipó el caso?" fue "se rompe", "responde algo que no aplica" o "hay que revisarlo a mano", tienes una señal de que ese caso podría beneficiarse de que el modelo decida el camino en vez de que lo decida un IF fijo — exactamente el tipo de caso que vas a poder nombrar con precisión después de la lección 2.

Por qué funciona: convertir un caso abstracto ("qué es un agente") en un caso concreto de tu propio trabajo es lo que hace que el criterio de la lección 2 se sienta aplicable desde el primer momento en que lo veas, en vez de quedarse como teoría.

Ejercicio 3 — Vuelve al ejemplo trabajado. En el caso del pedido #4521, ¿qué habría pasado si el sistema NO tuviera memoria persistente conectada, y el mismo cliente escribiera de nuevo dos días después preguntando "¿y mi pedido?"?

Ver solución

Sin memoria persistente, el sistema no tendría forma de saber a qué pedido se refiere el cliente ni que ya se le informó un retraso dos días antes — cada mensaje arrancaría de cero, como si fuera la primera vez que ese cliente escribe. El especialista de soporte tendría que volver a pedirle el número de pedido, y el cliente probablemente tendría que repetir que ya le habían dicho que estaba en tránsito. Eso rompe justo la promesa de "sistema real" que distingue al proyecto del Módulo 8 de un demo de una sola pregunta: sin memoria, lo que tienes es una serie de conversaciones aisladas que por casualidad comparten el mismo canal, no un sistema que atiende al cliente en el tiempo.

Por qué funciona: ver qué se rompe cuando quitas una pieza (memoria) del ejemplo trabajado deja más claro por qué esa pieza está en la ruta del Módulo 3, en vez de tratarla como un extra opcional.

Resumen y siguiente paso

Lo que viste en esta lección es el mapa completo antes del primer paso: el destino es el sistema de atención al cliente multicanal del Módulo 8 — multi-agente, con tools sobre sistemas reales, memoria persistente, dos canales y guardrails —, la ruta son los ocho módulos de esta guía, cada uno agregando exactamente una pieza al mismo sistema, y los tres requisitos (Guías 1-6 completas, una instancia de n8n 2.x, y una API key activa) son lo único que necesitas verificar antes de seguir. También viste, en el caso del pedido #4521, que la diferencia entre este sistema y un flujo tradicional no está en que "use IA" — está en quién decide el próximo paso.

Antes de avanzar a la lección 2 deberías poder: nombrar el proyecto del Módulo 8 en una frase, decir si cumples los tres requisitos de esta lección, y señalar en el ejemplo trabajado el momento exacto en que una decisión la tomó el modelo y no un IF programado de antemano.

Esa última habilidad —distinguir quién decidió, el flujo o el modelo— es exactamente lo que la próxima lección convierte en un criterio preciso: la frontera entre un agente, un chatbot de un solo turno, y la IA procedural que ya conoces de la Guía 6.

Recursos

• n8n Docs — What agents do — la definición oficial de n8n de qué hace un agente y cómo se diferencia de un flujo tradicional; vocabulario que vas a usar en toda la guía.
• n8n Docs — Agents vs chains — ejemplos concretos de cuándo un agente aporta (tools, memoria, decisiones) y cuándo un flujo más simple basta; útil para el Ejercicio 2 de esta lección.
• n8n Docs — AI Agent node — la referencia del nodo que vas a abrir por primera vez en la lección 4 de este módulo; una mirada anticipada no hace daño.
• n8n — Releases en GitHub — cómo verificar qué versión de n8n tienes corriendo; confirma que estás en la línea 2.x antes de seguir, como pide el requisito 2 de esta lección.
• n8n.io — la página oficial del producto; en su sección de IA agéntica puedes ver, con tus propios ojos, el mismo lenguaje de "agentes que puedes seguir y verificar" que sostiene el enfoque de esta guía.