n8n para principiantes: cinco automatizaciones prácticas para pymes

Quien en una pyme conoce las tareas manuales recurrentes — pasar a mano las consultas del formulario web a una tabla, teclear confirmaciones de cita, mantener entradas de calendario — sabe cuánto tiempo se pierde con ello. La plataforma de automatización n8n promete asumir precisamente ese tipo de tareas rutinarias conectando distintas aplicaciones entre sí. Un tutorial de iniciación detallado de Jono Catliff construye cinco workflows concretos. Resumimos con sobriedad los conceptos más importantes — sin el hype que suele acompañarlos, pero mirando qué de todo esto sirve realmente en el día a día de una pyme.

Qué es n8n en esencia

n8n es una plataforma de automatización que enlaza varias aplicaciones entre sí. El principio básico es sencillo: un evento dispara una cadena de pasos. Si alguien rellena un formulario, n8n puede a continuación enviar un mensaje en Slack, crear una fila en Google Sheets o mandar un correo. Se pueden conectar miles de aplicaciones.

Dos conceptos son centrales:

• Trigger (disparador): el primer paso, el que arranca un workflow — por ejemplo el envío de un formulario, un mensaje de chat entrante o una nueva fila en una tabla.
• Acciones: todo lo que ocurre después del disparo — enviar un correo, crear una entrada de calendario, pasar datos adelante.

Para situar el precio: según el tutorial, n8n empieza en torno a 20 libras al mes. La diferencia esencial frente a herramientas comparables como Zapier o Make.com está en el modelo de facturación — se paga por ejecución de workflow en lugar de por módulo individual. En procesos con muchos pasos eso suele ser más económico. Quien lo opera por su cuenta (self-hosting) usa la plataforma de forma gratuita.

Los cinco escenarios en resumen

El tutorial construye deliberadamente workflows con utilidad real, no juguetes de demostración:

1. Captación de leads desde un formulario web, incluida la cualificación automática
2. Un primer agente de IA como asistente personal para el calendario y las tareas
3. Un subworkflow que crea un informe diario de los leads no contactados
4. Webhooks y peticiones HTTP como interfaces hacia el exterior
5. Un sistema RAG: un agente de IA con base de conocimiento propia

Escenario 1: captar y cualificar leads automáticamente

Para las empresas orientadas a servicios, la gestión de leads suele ser crítica para el negocio. El primer workflow arranca con un trigger de formulario: en cuanto alguien rellena un formulario con nombre y apellidos, correo, presupuesto (como campo de selección) y mensaje, se pone en marcha la cadena.

Las acciones posteriores:

• Google Sheets: Los campos se asignan a las columnas de la tabla arrastrando y soltando. Mediante la función «Append or Update» se crea un registro o — si la dirección de correo ya existe como clave única — se actualiza.
• Fecha y lógica mediante expresión: Los campos pueden contener un texto fijo o una Expression, es decir, una variable modificable. Una pequeña función de JavaScript como {{ $now }} fija la marca de tiempo. Una función IF marca automáticamente como «rechazadas» las consultas por debajo de un umbral de presupuesto.
• Filter y Switch: Un filtro descarta las consultas por debajo de un umbral mínimo. Una función Switch encamina el resto por rutas distintas según el presupuesto — por ejemplo, para correos de respuesta redactados de forma diferente.
• Merge y notificación: Las rutas se vuelven a unir; el equipo recibe un aviso inmediato por Gmail (alternativamente Slack, SMS o CRM).

En el tutorial se menciona que una reacción rápida en menos de 60 segundos aumenta notablemente la tasa de conversión. Esa cifra procede del vídeo y debería revisarse críticamente antes de usarla uno mismo — el principio de «reaccionar rápido» sigue siendo razonable al margen de ello.

Un truco práctico: con datos de prueba fijados (pinned) se puede probar el workflow tantas veces como se quiera sin tener que rellenar el formulario cada vez.

Escenario 2: el primer agente de IA como asistente

El segundo workflow empieza con un trigger de chat y un bloque AI-Agent. Un agente de IA se compone de tres partes:

• Modelo de chat: el «cerebro» — en el ejemplo, OpenAI/ChatGPT a través de la API. Este es el único bloque de pago; se presupone un saldo de al menos 5 dólares estadounidenses.
• Memory (Window Buffer): la memoria a corto plazo, que conserva un número fijado de mensajes anteriores para que el agente conozca el contexto de la conversación.
• Tools: las herramientas con las que el agente actúa realmente — por ejemplo Google Calendar o Google Sheets.

En lugar de rellenar cada campo a mano, la función $fromAI() hace el trabajo: el agente extrae por sí mismo de la consulta la hora de inicio y de fin o el título de una cita. Así, en el ejemplo se pudo crear una entrada de calendario por chat, consultar las citas existentes y mantener una lista de tareas en Google Sheets.

Dos lecciones del tutorial son relevantes para la práctica:

• El modelo no conoce la fecha actual. Sin indicación, creó una cita en el año equivocado. Remedio: pasar la fecha de hoy como expresión en el system prompt.
• Unas reglas claras en el system prompt — por ejemplo un formato de fecha uniforme (MM/DD/AAAA) o la instrucción de buscar primero el registro adecuado antes de cada actualización — evitan interpretaciones erróneas. La IA quita trabajo, pero no sustituye a un modelo de datos bien pensado.

Escenario 3: informe diario de los leads no contactados

El tercer workflow es un subworkflow al que llama otro workflow (trigger: «Executed by another workflow»). Su propósito: que quien ha rellenado un formulario pero no ha recibido llamada de vuelta no se pierda por el camino.

El proceso busca en la tabla de leads las entradas del día de hoy, filtradas por «no rechazado» y «no llamado». Aquí es importante un detalle del escenario 1: quien usa $now en la marca de tiempo guarda horas, minutos y milisegundos — un filtro por «hoy» no encontrará entonces nada. La solución es guardar al crear el registro solo $today (la fecha del día sin más). Por experiencia, esas cuestiones de tipo de dato y formato son la fuente de error más frecuente al empezar con n8n.

Tipos de datos que conviene conocer

El tutorial subraya los tipos de datos más importantes en n8n:

• Texto (por ejemplo un nombre o un mensaje) y número (por ejemplo un presupuesto)
• Booleano — verdadero o falso, por ejemplo «¿presupuesto por encima de 1.000?»
• Fecha — fecha de envío o de seguimiento
• Datos binarios — archivos como un PDF o una imagen
• Array y Collection — las estructuras compuestas que forman la columna vertebral del traspaso de datos

En n8n los datos se pueden ver en tres vistas: como tabla, como JSON y como esquema. Se trata siempre de la misma información, solo representada de forma distinta — JSON es, además, el formato en el que los datos suelen viajar entre aplicaciones.

Escenario 4: webhooks y peticiones HTTP

El tutorial califica estos dos bloques como la funcionalidad más utilizada. De forma simplificada:

• Webhook: la entrada. A través de una URL facilitada, n8n recibe datos desde fuera — por ejemplo mediante el método POST desde otra aplicación.
• HTTP-Request: la salida. n8n envía datos a sistemas externos. En rigor, muchos bloques ya preparados como Google Sheets o Gmail son en el fondo también peticiones HTTP — solo que preconfiguradas.

El valor práctico: para aplicaciones sin integración ya lista se puede establecer igualmente una conexión mediante una petición HTTP — por ejemplo para crear un contacto nuevo en el CRM propio. Esa es justo la palanca relevante para las pymes con software especializado, al margen de las herramientas estándar habituales.

Escenario 5: un sistema RAG con base de conocimiento propia

El quinto escenario, el más avanzado, construye un agente de IA con una base de conocimiento propia — un sistema RAG (Retrieval-Augmented Generation). La idea: que el agente responda sobre los datos propios de la empresa, por ejemplo sobre precios o contenidos de los servicios.

Los componentes:

• Fuente: Se carga un archivo PDF desde Google Drive. La conexión con Google Drive fue el paso más engorroso del tutorial.
• Vector Store: La variante integrada en n8n se configura rápido; para mejores resultados se mencionan alternativas como Pinecone.
• Modelo de embedding: El texto se traduce a una representación numérica (vectores) — en el ejemplo con «text-embedding-3-small» de OpenAI. Importante: en ambos lados, al alimentar y al consultar, hay que usar el mismo modelo de embedding.
• Chunking: Los textos largos se dividen en unidades de sentido más pequeñas — por párrafo y, si hace falta, por frase — para que el significado se conserve al recuperarlos.

Como resultado, el agente puede responder a una pregunta como «¿cuánto cuesta vuestro servicio?» encontrando el pasaje adecuado en la base de conocimiento en lugar de adivinar. Para las pymes, ese es el enfoque para hacer buscables, por ejemplo, catálogos de productos o documentación interna.

Indicaciones prácticas para trabajar con n8n

• Editor y Executions: En el editor se construye; bajo «Executions» está el historial de ejecuciones. Ante errores merece la pena mirar los logs — ahí se ve qué valores ha procesado realmente un paso.
• Historial del workflow: Los cambios se pueden versionar y revertir.
• Etiquetas y proyectos: Los workflows se pueden ordenar por ventas, marketing o selección de personal y guardarse en proyectos personales o de empresa.
• Cuatro operaciones básicas: En casi cualquier integración se trata de lo mismo — buscar/consultar, crear, actualizar, borrar.

Conclusión

n8n ofrece a las pymes una vía pragmática para automatizar tareas recurrentes más allá de las fronteras entre aplicaciones — desde la captación de leads hasta un sistema de conocimiento consultable. El modelo de facturación por uso y la opción de self-hosting hacen la plataforma económicamente interesante, sobre todo frente a alternativas que facturan por paso.

Lo realista sigue siendo: empezar exige cuidado con los tipos de datos y los formatos, y los bloques de IA reducen el esfuerzo de configuración, pero no sustituyen a un modelo de datos limpio ni a unas reglas claras en el system prompt. Quien automatiza un primer proceso bien delimitado — por ejemplo la captación de leads — y lo prueba a fondo ha elegido el punto de entrada más útil. Las cifras mencionadas, como el efecto sobre la conversión de una reacción en menos de 60 segundos, deberían comprobarse antes de usarlas en la propia argumentación.

Fuente: Jono Catliff – «Master n8n in 2 Hours: Complete Beginner’s Guide for 2026» (YouTube)