Automatización con IA sin programar: 5 flujos reales para empezar
Cómo construir automatizaciones con IA usando Zapier, Make o n8n. Cinco flujos reales, tabla comparativa y framework para elegir tu primera automatización.
Colaboradores: Carlos Hernandez Prieto
Tengo un compañero que pasa cada lunes cuarenta minutos moviendo datos entre formularios de contacto y su CRM. A mano. Porque “hay cosas más urgentes”. En un año son más de treinta horas en una tarea que no requiere ningún criterio humano: solo conexiones entre herramientas y algo de lógica. Exactamente lo que los flujos de automatización con IA resuelven.
Lo interesante no es solo que estas herramientas conecten apps. Es que ahora pueden tomar decisiones en el medio: clasificar un email por intención, extraer entidades de un texto libre, evaluar si una mención de tu marca merece atención real. Cosas que antes requerían código y un LLM integrado a mano.
Trigger, pasos, IA: el esquema que se repite
Toda automatización, independientemente de la herramienta, funciona igual. Un trigger es el evento que arranca el flujo: un email nuevo, un formulario enviado, una hora del día, un archivo que aparece en una carpeta. Cuando ocurre, el flujo ejecuta una serie de pasos: obtener datos, transformarlos, llamar a servicios externos (una API es la puerta para hablar con otro servicio vía HTTP). En alguno de esos pasos puede haber una acción de IA: mandas texto al LLM con instrucciones concretas y usas su respuesta para continuar el flujo. El esquema siempre es el mismo: trigger → pasos → acción de IA → output.
La parte de IA no es especialmente complicada de integrar. Es un paso más: texto entra, texto sale. Lo que cambia es que ese texto puede ser una clasificación, un resumen, una respuesta redactada, o un análisis de sentimiento. El LLM procesa lenguaje natural mejor que cualquier regex o condición booleana que pudieras escribir a mano.
La pregunta que guía cuándo usarlo es simple: ¿hay interpretación de lenguaje natural en este paso? Si no, no lo necesitas.
Las tres herramientas
| Dimensión | Zapier | Make | n8n |
|---|---|---|---|
| Facilidad de uso | Muy alta (interfaz guiada, pocos conceptos) | Alta (curva inicial mayor, más visual) | Media (requiere comodidad técnica básica) |
| Flujos complejos | Limitado. Solo lógica lineal | Bueno. Routers, iteradores y condiciones | Excelente. Código JS en cualquier nodo |
| Integración con LLMs | Buena (OpenAI y Anthropic nativos) | Buena (OpenAI nativo, HTTP para el resto) | 70+ nodos de IA nativos: LangChain, RAG, LLMs |
| Precio de entrada | Gratis: 100 tareas/mes | Gratis: 1.000 operaciones/mes (plan gratuito: 2 escenarios activos simultáneos) | Gratis: self-hosted sin límite de ejecuciones |
| Para quién | Sin conocimientos técnicos, flujos sencillos | Flujos medianos con varias condiciones | Control total, perfil más técnico |
Para alguien que ya escribe APIs, n8n es la opción más interesante a medio plazo. Lo que veo que funciona mejor para empezar es Make: puedes validar la idea en una tarde sin instalar nada y tiene el equilibrio justo entre accesibilidad y potencia.
Un apunte que importa a largo plazo: con Zapier acumulas dependencia de su plataforma y la lógica avanzada se complica rápido. n8n da control total, pero implica gestionar actualizaciones, copias de seguridad y posibles caídas del servidor. No es un freno para empezar, pero conviene saberlo antes de construir algo crítico.
Los cinco flujos
Flujo 1 — Clasificador de emails
Herramienta: Make. Trigger: Email nuevo en una carpeta de Gmail u Outlook. Dificultad: Fácil. Tiempo: 30-45 minutos.
Los pasos son directos: leer el cuerpo del email, enviarlo al LLM con un prompt que define las categorías posibles (consulta técnica, reclamación, oportunidad comercial, soporte postventa), recibir la clasificación, y mover el email a la carpeta correcta o notificar en Slack.
El prompt puede ser tan simple como esto:
Clasifica este email en una de estas categorías: consulta técnica, reclamación, oportunidad comercial, soporte postventa.
Responde únicamente con el nombre de la categoría, sin explicación.
Email: {CUERPO_DEL_EMAIL}La IA añade valor aquí porque determinar la intención real de un mensaje no se puede hacer con reglas simples. “Estoy muy contento con vuestro servicio, pero hay algo que no funciona bien” es una reclamación. Un LLM lo clasifica bien; un filtro por palabras clave no. Es el flujo con el retorno más rápido y el mejor punto de partida si nunca has automatizado nada.
Flujo 2 — Procesador de formularios de contacto
Herramienta: Make. Trigger: Nuevo envío en Typeform, Tally, o cualquier formulario vía webhook (una URL que recibe datos automáticamente cuando ocurre algo). Dificultad: Medio. Tiempo: 1,5-2 horas.
El flujo recibe los datos del formulario, el LLM analiza el mensaje libre y extrae intenciones y categorías, el contacto se crea en el CRM con los tags correctos, y se envía una respuesta automática personalizada.
Sin LLM, la respuesta automática es genérica y el tag depende de un campo de selección que el usuario rellena. Con LLM, el tag surge del análisis del texto y la respuesta menciona exactamente lo que pidió esa persona. El tiempo de configuración se va sobre todo en redactar bien el prompt de extracción. Para sacarle partido, el post sobre prompt engineering para desarrolladores cubre los patrones concretos que funcionan aquí.
Flujo 3 — Resumen diario de noticias del sector
Herramienta: Make o n8n. Trigger: Schedule diario a las 7:00. Dificultad: Fácil. Tiempo: 45-60 minutos.
El flujo llama a una API de noticias o RSS feeds de las fuentes que defines, filtra artículos de las últimas 24 horas, manda los títulos y extractos al LLM con instrucciones de seleccionar los más relevantes para tu contexto, y envía el resumen a email o Slack.
La IA hace dos cosas: filtra el ruido y comprime. En vez de cuarenta titulares sin contexto, recibes seis párrafos útiles. El reto principal es definir bien los criterios de relevancia en el prompt, que básicamente es la descripción de tu perfil de interés.
Flujo 4 — Borradores desde notas o audio
Herramienta: n8n. Trigger: Nuevo archivo en Google Drive o nueva nota en Notion. Dificultad: Medio. Tiempo: 2-3 horas.
Si el archivo es audio, primero pasa por un servicio de transcripción. Luego el LLM recibe el contenido en bruto con instrucciones del formato destino: post de blog, email, hilo de Twitter. El borrador se guarda en Notion o Google Docs.
La IA convierte material en bruto en un primer borrador funcional. No elimina la revisión humana; elimina la página en blanco. n8n es la mejor opción aquí porque la lógica condicional (¿audio o texto?, ¿qué formato de salida?) es más limpia de modelar con sus nodos que en Zapier o Make.
Flujo 5 — Monitor de menciones con filtrado de relevancia
Herramienta: n8n. Trigger: Resultados de búsqueda vía API (Serper, Brandwatch, o búsquedas en Reddit) cada pocas horas. Dificultad: Avanzado. Tiempo: 3-4 horas. Requiere: acceso a al menos una API de búsqueda/monitorización configurada.
El flujo obtiene menciones nuevas, manda cada una al LLM para evaluar sentimiento y relevancia real (¿habla de tu producto o es una coincidencia de nombre?), filtra las que superan un umbral definido, y notifica con contexto.
Este flujo falla de dos formas predecibles: o notifica de todo porque el umbral es demasiado bajo, o no notifica nada útil porque es demasiado alto. La solución es incluir dentro del prompt dos o tres ejemplos reales de menciones que sí quieres recibir y otras que no. El LLM los usa como referencia antes de evaluar cada mención nueva, y la diferencia en precisión es notable. El tiempo estimado asume que las APIs externas ya están configuradas, que suele ser lo más lento de esta fase.
¿Cuál debería ser tu primera automatización?
Antes de abrir cualquier herramienta, responde estas preguntas sobre una tarea concreta de tu trabajo:
¿La haces más de tres veces a la semana? Si no, el tiempo de configuración no se recupera en semanas razonables.
¿Siempre sigues los mismos pasos? Si hay variaciones impredecibles frecuentes, la automatización necesita tantos casos especiales que deja de merecer la pena.
¿El resultado podría revisarlo un humano en lugar de generarlo? Automatizar la generación de un borrador es diferente a automatizar una decisión definitiva. En el primer caso, el humano revisa antes de que el output llegue a algún sitio. En el segundo, el humano desaparece del proceso. El segundo nivel necesita más atención y más cuidado. La revisión no es protocolo: los LLMs cometen errores de clasificación y generan texto incorrecto con total confianza; el checkpoint humano es lo que evita que esos errores lleguen al destino final.
Si las tres respuestas son sí, tienes un candidato real. Yo empezaría por el clasificador de emails: el beneficio es inmediato, el riesgo si falla es bajo, y con ese flujo funcionando ya tienes el esquema completo claro en la cabeza. Después de eso, el procesador de formularios es el paso natural.
Preguntas Frecuentes
¿Hace falta saber programar para usar estas herramientas?
No. Zapier y Make están diseñados para funcionar sin código. n8n tampoco requiere programar para la mayoría de flujos, aunque nociones básicas de JavaScript ayudan cuando necesitas transformar datos de formas que los nodos estándar no cubren.
¿Cuánto cuesta empezar?
Los tres tienen plan gratuito funcional. Zapier da 100 tareas al mes, aunque los flujos de este post con más de dos pasos (como el clasificador de emails) requieren plan de pago en Zapier. Make da 1.000 operaciones al mes. n8n es gratuito si lo alojas tú mismo, en un servidor propio o en un VPS económico (Hetzner, Fly.io).
El coste de la herramienta de automatización puede ser cero al inicio, pero cada llamada al LLM tiene un coste por token que acumula con el volumen. El orden de magnitud es de céntimos por llamada, pero suma si el flujo procesa cientos de emails al día. Además, los planes gratuitos de los LLMs tienen cuotas muy bajas o directamente no existen para uso real; para flujos en producción necesitarás créditos de pago desde el primer día.
¿Cuál es el primer flujo que debería montar alguien que no ha automatizado nada antes?
El clasificador de emails. Se configura en menos de una hora, el trigger es simple, el impacto se nota desde el primer día, y si algo falla no hay consecuencias graves. Es el flujo que mejor enseña el esquema completo de una vez.
¿Son seguros los datos que pasan por estas herramientas?
Zapier y Make son servicios cloud: los datos pasan por sus servidores y, si usas integración con OpenAI o Anthropic, también por los suyos. Para datos sensibles o regulados (RGPD, información médica, datos de clientes con restricciones contractuales), n8n self-hosted es la única opción con control total de la infraestructura de orquestación. Usar n8n self-hosted con una API de LLM comercial sigue enviando los datos al proveedor de IA; para control completo, considera modelos que puedas alojar tú mismo. Revisa los términos de cada plataforma antes de conectar datos sensibles. No es un detalle menor.