En este artículo te voy a enseñar un caso real de un agente de IA que hemos implementado para un e-commerce, cómo funciona de maravilla para responder preguntas sobre horarios, stock y pedidos, y sobre todo, el error crítico que aparece cuando crece y cómo lo solucionamos.
Trabajo con una empresa llamada Denor Barber Super, una distribuidora de productos de peluquería que vende tanto a cliente final como a otros profesionales. Aparte de automatizar facturas y envíos, implementamos un agente de IA para el soporte. Y durante una demo en vivo, el agente colapsó. Te voy a contar por qué pasó y cómo lo arreglamos, porque es justo el error que todos cometen cuando intentan hacer algo así. Yo no soy programador, ¿vale? Soy más de diseño y de pegar piezas, así que este error fue un fallo de diseño mío, no de código.
El caso real: Un e-commerce que responde solo (hasta que falla)
¿Qué hace exactamente el agente?
Piensa en él como la primera capa de soporte de la tienda. Lo tenemos metido en un chat en la web, pero podría estar en WhatsApp, en el teléfono o donde quieras. Su trabajo es responder a las preguntas más comunes que llegan a un e-commerce, para que las personas que lo gestionan no tengan que estar pendientes de lo básico.
La demostración en vivo: horarios, stock y plazos de entrega
En la demo, lo primero que hice fue saludar. Le dije «Hola, buenas» y me respondió al momento, preguntándome en qué podía ayudarme. Le pregunté por el horario y me lo soltó perfectamente: de martes a viernes, sábados, domingos cerrados… y me recordó que la venta online está disponible 24/7. Luego le pregunté cuánto tardaría en llegarme un pedido a casa. Me dio el plazo de entrega estimado: 24, 48 o 72 horas, y añadió que si por alguna razón no podían cumplirlo, se pondrían en contacto conmigo.
Funcionaba de maravilla. ¿Por qué te digo esto? Pues porque es muy fácil ver un ejemplo pulido y pensar que es magia. Pero la magia se rompe cuando le pides que haga lo que realmente tiene que hacer.
El momento de la verdad: ‘Error in workflow’
El agente no solo tiene la base de conocimiento con los horarios y protocolos. Está conectado a la tienda online. Tiene acceso a todo el stock: precios, descripciones, características, imágenes… todo.
Así que en la demo, le pregunté: «¿tenéis laca para el pelo?». En teoría, debería buscar en el catálogo, listarme los productos y pasarme enlaces. Pero en vez de eso, apareció un mensaje claro en pantalla: «Error in workflow».
El flujo se rompió. Y ahí está la lección importante. No es que la herramienta sea mala o que la idea no funcione. Es que nos topamos con un límite técnico real, el mismo con el que te vas a encontrar tú si intentas hacer un agente complejo sin pensar en la arquitectura. Fue un error mío de diseño, no un bug del software.
Por qué colapsa un agente de IA aparentemente perfecto
Los 3 monstruos que ahogan a tu LLM: Base de conocimiento, Stock y Memoria
Cuando construyes un agente así, le das tres fuentes de información enormes. La primera es la base de conocimiento: todos los manuales, horarios, políticas de envío, información del equipo… todo lo que quieras que «sepa» la empresa.
La segunda es el stock de la tienda. En un e-commerce con cientos o miles de productos, cada uno con su descripción, variantes y precios, esto es una cantidad de datos bestial.
La tercera es la memoria del chat. Para que la conversación tenga contexto, el agente necesita recordar lo que se ha hablado antes. Si un cliente pregunta por una laca hoy y mañana vuelve a escribir «¿y esa que me dijiste?», el agente tiene que saber de qué está hablando. Eso significa guardar el historial de toda la conversación.
Tokens: la unidad de medida que nadie ve pero que todo lo limita
Aquí es donde entra el concepto clave. Los modelos de lenguaje como GPT-4 no procesan palabras, procesan tokens. Un token es el trozo mínimo de texto que procesa una inteligencia artificial. Puede ser una palabra corta, una sílaba o un signo de puntuación.
Y estos modelos tienen un límite de contexto máximo. Por ejemplo, GPT-4 tiene un límite de contexto de 128.000 tokens. Si intentas meter más información que esa en una sola consulta, el modelo se satura. No puede procesarlo. O da un error, o empieza a «olvidar» partes del principio del texto, o directamente devuelve una respuesta incompleta o sin sentido.
¿Qué pasa en nuestro agente? Que cada vez que un cliente escribe, el sistema intenta empaquetar para el modelo: la pregunta del cliente + toda la base de conocimiento + todo el catálogo de productos + toda la memoria de la conversación. Es una tonelada de tokens. Y llega un punto, como en nuestra demo, en el que supera el límite y todo colapsa. Aparece el «Error in workflow» porque el motor de IA no puede con la carga. Es como si le pidieras a un único empleado que memorizara todo el catálogo, el manual de la empresa y todas las conversaciones anteriores para contestar una simple pregunta. Se bloquea.
No es un bug, es un problema de arquitectura
Esto es lo más importante que tienes que entender. El error no es un fallo de programación ni un bug de N8N, que es la plataforma de automatización que usamos. Es un problema de diseño, y fue un fallo mío al no preverlo. Es como si intentaras que un único empleado gestionara el almacén, la atención al cliente y la contabilidad a la vez. Al final, se satura y no puede con todo.
La solución no está en buscar un modelo con más tokens (aunque ayuda), porque siempre habrá un límite. La solución está en rediseñar cómo trabaja el agente.
La solución: No un agente, sino un equipo de subagentes
Delegar es la clave: El agente principal como ‘jefe de proyecto’
La forma de solucionar el colapso es no tener un solo agente que lo haga todo. En su lugar, creas un agente principal que actúa como un jefe de proyecto o un director de orquesta. Su único trabajo es entender la pregunta del cliente y decidir a qué especialista delegarla.
Cómo estructurar los subagentes: Memoria, Tienda Online, Base de Conocimiento
En lugar de un monstruo que hace de todo, creas un equipo. En nuestro caso, identificamos tres subagentes lógicos:
- El subagente de Memoria. Su única responsabilidad es gestionar el historial de la conversación. Recibe la pregunta y el contexto previo, y se encarga de mantenerlo ordenado y relevante para la consulta actual.
- El subagente de Tienda Online. Este es el especialista en productos. Solo tiene acceso al catálogo, stock y precios. Cuando el agente principal detecta una pregunta del tipo «¿tenéis…?», «¿cuánto cuesta…?» o «¿qué características tiene…?», le pasa el trabajo a este subagente.
- El subagente de Base de Conocimiento. Es el experto en la empresa. Sabe los horarios, las políticas, la ubicación, los datos de contacto. Responde a las preguntas generales sobre el negocio.
El flujo cambia por completo. El agente principal recibe la pregunta, analiza de qué trata y, en vez de cargar con toda la información, le dice a uno (o a unos) de los subagentes: «oye, necesito que me busques esto». Cada subagente hace su trabajo con su propia fuente de datos, mucho más pequeña y manejable, y le devuelve la información precisa al agente principal. Este, finalmente, redacta la respuesta para el cliente.
El resultado: Menos tokens, más velocidad y cero colapsos
Con esta arquitectura, el modelo de IA nunca tiene que procesar las tres bases de datos a la vez. Solo trabaja con los datos relevantes para la pregunta concreta. El número de tokens por consulta se reduce drásticamente, la velocidad de respuesta aumenta y los errores por saturación desaparecen.
Es pasar de tener a un empleado agobiado a tener un equipo eficiente donde cada uno hace lo que mejor sabe. La tecnología es la misma, pero la forma de organizarla lo cambia todo.
Más allá del chat: WhatsApp, teléfono y email. Todo automatizable
El mismo agente, distintos canales: La potencia de N8N
Aquí es donde N8N brilla. No es solo una herramienta para hacer chatbots bonitos. Es una plataforma de automatización que puede conectar con prácticamente cualquier cosa. El núcleo de nuestro agente (el principal y sus subagentes) es independiente del canal.
- ¿Quieres que atienda el chat de la web? Conectas el trigger de entrada al widget de chat.
- ¿Quieres que responda mensajes de WhatsApp? Conectas un trigger desde la API de WhatsApp Business.
- ¿Quieres que gestione llamadas de voz? Usas un conector para un servicio de voz a texto, el agente procesa el texto y devuelve una respuesta que otro servicio convierte en voz.
- ¿Quieres que clasifique y responda emails? Lo mismo.
El cerebro es único, los canales son múltiples. Esto es un cambio de juego total.
Casos de uso reales: Desde soporte 24/7 hasta venta asistida
Esto no es solo para decir «hola» y «adiós». Con una arquitectura bien hecha, puedes crear agentes con perfiles distintos:
- Soporte 24/7: Resuelve el 80% de las consultas recurrentes (seguimiento de pedidos, cambios, devoluciones, horarios) a cualquier hora. El equipo humano solo interviene en los casos complejos.
- Venta asistida: Un agente que, además de responder, guíe al cliente. «¿Buscas una laca fuerte? Te recomiendo estos dos modelos, el A es más económico y el B da más fijación. ¿Quieres que te cuente más sobre el B?». Puede cerrar ventas directas.
- Recopilador de información: El agente puede extraer datos estructurados de las conversaciones y pasarlos a tu CRM. «El cliente X preguntó tres veces por máquinas de cortar pelo profesionales. Marca como lead caliente para el equipo comercial».
Por qué esto no es un chatbot ‘tonto’, es un empleado virtual de primera capa
La gran diferencia con los chatbots de menú que hemos visto durante años («pulsa 1 para…») es la comprensión del lenguaje natural. El cliente no tiene que aprender a usar tu sistema. Habla como lo haría con una persona.
Este agente actúa como ese empleado de primera línea que recibe todas las consultas, filtra lo sencillo y solo deriva lo complicado. La experiencia del cliente mejora porque recibe respuestas inmediatas y consistentes, y el negocio gana en eficiencia porque libera tiempo humano valioso para tareas donde realmente se necesita criterio y experiencia.
La cuenta de la vieja: ¿Cuánto ahorra realmente este agente?
El coste de un empleado de soporte vs. el coste de la automatización
Piensa en un e-commerce pequeño o mediano. Para dar un soporte básico, necesitas al menos una persona dedicada unas horas al día. No es solo responder preguntas, es estar pendiente. Incluso si es media jornada, estamos hablando de un coste fijo mensual en nómina, seguros sociales, etc. Fácilmente pueden ser más de 1.000-1.500 euros al mes, como mínimo.
La automatización con un agente como este tiene un coste fundamentalmente variable: la plataforma de automatización (N8N puede ser autohospedado o en cloud por unos euros), y el coste por uso del modelo de IA (los tokens que gastas). En un volumen normal de consultas, este coste mensual es una fracción de un salario.
Miles de euros al mes: No es una exageración, es matemática
Cuando digo que este agente le está ahorrando al propietario «miles de euros al mes», no es marketing. Es aritmética pura. Si el coste de tener a una persona haciendo esa primera línea de soporte es de X miles de euros, y el coste de la automatización es de Y cientos de euros, el ahorro neto son esos miles.
Y ojo, no es solo el ahorro directo. Es que ese empleado (o ese tiempo del dueño) ahora se puede dedicar a tareas que generan más valor: mejorar el catálogo, negociar con proveedores, crear campañas de marketing. La automatización no elimina puestos, reasigna el esfuerzo humano a donde más impacto tiene.
Eficiencia vs. Error humano: El valor de la consistencia
Hay otro ahorro que no se ve en la cuenta bancaria: la consistencia. Un agente de IA no tiene un mal día. No se equivoca al dar un horario. No se olvida de mencionar una política de envío importante. Da la misma información precisa las 24 horas del día, los 7 días de la semana.
Esto reduce errores, evita malentendidos con clientes y, en definitiva, protege la imagen de la marca. ¿Cuánto cuesta recuperar a un cliente que se fue porque le dieron información contradictoria? Ese coste también se ahorra.
Cómo empezar (y qué evitar) si quieres tu propio agente
No intentes hacerlo todo de golpe: Empieza por un módulo
El error más grande es querer construir el agente definitivo el primer día. No lo hagas. Empieza por un módulo pequeño y que funcione. Por ejemplo, crea un agente que solo responda preguntas sobre horarios y políticas de envío (solo Base de Conocimiento). O que solo busque productos por nombre (solo Tienda Online).
Hazlo funcionar bien en un canal, como el chat de la web. Cuando tengas eso rodando sin errores y veas el valor, entonces piensa en ampliar: añade otro módulo, o conéctalo a otro canal como WhatsApp.
Las herramientas que necesitas de verdad: N8N + LLM + Conexiones
El stack técnico no es complicado: 1. N8N: Es el cerebro de la operación. Es una plataforma de automatización de flujos de trabajo de código abierto donde vas a orquestar todo. Puedes instalarla en tu propio servidor. 2. Un modelo de lenguaje (LLM): Necesitas acceso a una API como la de OpenAI (GPT), Anthropic (Claude) o similares. Es el «motor de pensamiento» de tu agente. 3. Conexiones: Necesitarás conectar N8N con tu tienda online (vía su API, por ejemplo WooCommerce o Shopify), con el canal que elijas (Chat, WhatsApp API) y con una base de datos para la memoria (puede ser algo simple como SQLite o una tabla en Airtable).
No necesitas ser programador. N8N se usa arrastrando y soltando nodos, pero sí necesitas entender lógica y tener paciencia para configurar las conexiones. Yo no sé programar, pero con esto me apaño.
Mi recomendación: Enfócate en el problema de negocio, no en la tecnología
Lo último, y para mí lo más importante. No te obsesiones con la tecnología por la tecnología. No empieces diciendo «quiero un agente de IA». Empieza preguntándote: «¿Qué problema repetitivo de mi negocio me quita más tiempo y podría resolver una máquina?».
¿Es responder «¿a qué hora abrís?» cincuenta veces al día? ¿Es buscar productos en el catálogo para los clientes? ¿Es el seguimiento de pedidos? Identifica ese cuello de botella y construye tu primer automatismo para atacarlo específicamente.
La tecnología es solo el medio. El fin es liberar tu tiempo y el de tu equipo para hacer crecer el negocio. Si te pones a construir un agente complejo desde el día uno, te vas a frustrar y vas a tirar la toalla. Ve paso a paso, resuelve un problema pequeño, demuestra el valor y luego escala.
¿Te ha quedado claro el error de la saturación y cómo solucionarlo con subagentes? Si quieres ver más ejemplos prácticos de cómo aplico estas automatizaciones en negocios reales, te invito a que te suscribas a mi canal de YouTube. Allí no solo hablo de teoría, sino que enseño los flujos, los errores y las soluciones en directo, sin cortes.
Y si tienes un e-commerce y quieres explorar cómo podría ayudarte una automatización así, puedes contactarme. Pero recuerda mi recomendación: piensa primero en el problema concreto que quieres resolver.
Herramientas y recursos que menciono
Algunos de estos enlaces son de afiliado: si compras a través de ellos me llevo una pequeña comisión, sin coste extra para ti.
