Cualquiera puede montar n8n. Casi nadie sabe decirte dónde se queda corto. Ese hueco es justo el trabajo. La automatización de verdad son tres capas, no una herramienta, y la capa que casi todo el mundo construye es la tercera, la fácil. Nosotros corremos las tres en producción, en nuestros propios sistemas y para clientes, y el valor nunca estuvo en la parte que todos ya tienen.
n8n tuvo un año raro. En octubre de 2025 la empresa levantó 180 millones de dólares y cruzó una valoración de 2.500 millones, partiendo de 300 millones cuatro meses antes. Hoy lo usan unas 230.000 personas, tres cuartas partes con los nodos de IA. Cada segundo post de automatización en LinkedIn es un canvas de n8n con un par de cajas y una flecha. La herramienta se ganó el hype. Es genuinamente buena, se puede auto-hospedar y se conecta a casi todo.
Y ahí es justo donde la mayoría de los proyectos de automatización se quedan, en silencio. Alguien monta n8n, cablea un webhook a un mensaje de Slack, lo llama estrategia de automatización y pasa a otra cosa. Funciona hasta que el workflow tiene que tomar una decisión de criterio, o hasta que tiene que sobrevivir cuatro días y un reinicio de servidor sin perder el hilo. Entonces el canvas visual se queda sin camino, y la gente que solo conoce el canvas se queda sin camino con él.
Lo que la automatización necesita de verdad#
Quita las herramientas y debajo de toda automatización seria hay tres trabajos. Son problemas distintos, y una herramienta que hace uno bien suele hacer los otros dos mal.
El primer trabajo es conectar cosas. Entra un registro, va un dato al CRM, sale un correo de bienvenida, aterriza una notificación en el móvil de alguien. No hace falta pensar, solo fontanería fiable entre sistemas que nunca se diseñaron para hablar entre ellos. Esto es el grueso de la automatización por volumen, y es el trabajo para el que se construyó n8n.
El segundo trabajo es tomar una decisión de criterio. El workflow tiene que leer algo ambiguo, decidir qué significa y elegir el siguiente paso a partir de esa decisión. Llega un correo y el sistema tiene que juzgar si es un lead real o ruido, y luego enrutar según eso. Se revisa un borrador y el sistema tiene que decidir si está lo bastante bien como para publicarse o si necesita otra pasada. Esto no es fontanería. Esto es razonar, y necesita otro tipo de herramienta.
El tercer trabajo es sobrevivir en el tiempo. Algunos workflows corren durante horas o días. Esperan a que una persona apruebe algo. Llaman a seis servicios externos, cualquiera de los cuales puede fallar, y un fallo a medias no debe corromper a los otros cinco. Si la máquina se reinicia en el paso cuatro de siete, el trabajo tiene que reanudarse desde el paso cuatro, no empezar de cero. Esto es durabilidad, y es el más difícil de los tres de fingir.
Estos tres trabajos son ortogonales. Una herramienta que intenta ser los tres a la vez acaba mediocre en cada uno. Un stack que elige al especialista correcto para cada capa le gana al todo-en-uno siempre. Nuestros tres especialistas son n8n, LangGraph y Temporal.
n8n: la capa que todo el mundo ya tiene#
n8n es la capa de conexión, y para ese trabajo es excelente. Más de 400 integraciones prefabricadas, un canvas visual que alguien que no es ingeniero puede leer de verdad, auto-hospedaje en menos de media hora. Lo corremos como el hub de automatización para el trabajo sin glamour que mantiene a un negocio en marcha. Un webhook de registro que crea un lead en el CRM y dispara un correo de bienvenida. Un post de blog nuevo que se reparte en borradores de posts sociales. Un health check programado que pinga una fila de servicios y avisa a un canal cuando uno se queda callado. Un correo entrante que se parsea por intención antes de que lo toque una persona.
Esto es valor real y quiero dejarlo claro. n8n no es un juguete y no es Zapier para power users. Es una plataforma de orquestación seria, con licencia justa, auto-hospedable, y para conectar sistemas suele ser la respuesta correcta más rápida. Si un cliente necesita que su equipo de operaciones edite un workflow sin un ciclo de despliegue, el canvas visual gana por méritos propios.
Los límites aparecen en estado, concurrencia y recuperación. Al unir ramas, comprueba qué datos están disponibles y cómo se gestionan errores; aquí no se establece una tasa general de fallos de Merge. n8n no es una plataforma de ejecución durable con replay determinista como Temporal. Reanudar una ejecución interrumpida depende del flujo y sus datos guardados, no de una afirmación universal sobre cualquier fallo. n8n también ofrece evaluaciones de IA según el plan. Los Code nodes propios necesitan pruebas y mantenimiento. El canvas es útil, pero no sustituye comprobar estas propiedades.
LangGraph: cuando el workflow tiene que pensar#
LangGraph modela la ejecución como grafo con estado y transiciones. Admite flujos fijos y flujos agénticos donde un modelo elige el siguiente paso. Lo utilizamos cuando ese control y transiciones comprobables encajan con la tarea.
Las dos características que le ganan su sitio son el estado y la pausa. Con un checkpointer configurado, LangGraph guarda el estado entre pasos. Recuperarse de un fallo del proceso requiere almacenamiento persistente; un checkpointer en memoria no basta. La pausa permite detener el flujo, esperar una aprobación o corrección humana y continuar con esa respuesta. Los requisitos están en la guía de persistencia.
Una forma concreta que corremos sobre él: un pipeline de agente multi-paso donde un paso redacta un plan, el siguiente construye contra él, un tercero revisa el resultado y un cuarto lo prueba, con una puerta de aprobación que pausa todo el asunto para una persona cada vez que la revisión vuelve con dudas. Eso es razonamiento más checkpoints más human-in-the-loop, una combinación que preferimos expresar en LangGraph. n8n también puede pausar con su nodo Wait, guardar los datos de ejecución en la base de datos y reanudar mediante un webhook o formulario, por ejemplo. Una aprobación no requiere trucos de polling.
El compromiso es real y vale la pena decirlo en voz alta. LangGraph es exagerado para un workflow que solo llama a un modelo y publica el resultado en algún sitio. Échale mano demasiado pronto y habrás escrito doscientas líneas de código de framework donde cincuenta líneas de lógica plana se habrían leído más claras. El framework de código abierto usa la licencia MIT. Revisamos por separado las condiciones de los servicios de alojamiento adicionales. La disciplina está en usarlo solo donde el razonamiento y la reanudación de verdad pagan el peso extra.
Temporal: cuando al workflow no se le puede permitir morir#
La tercera capa es la que casi nadie del mundillo de n8n ha oído siquiera, y es la que separa un montaje de hobby de la infraestructura. Temporal es un motor de durable execution. Graba cada paso de un workflow como un historial de eventos. Tras un fallo del worker, otro worker disponible puede asumir las tareas, reconstruir el estado mediante replay del historial y continuar. Temporal no inicia por sí mismo un proceso worker nuevo; hay que configurar el despliegue y disponer de workers. Los workflows pueden correr durante días o años. Es open source bajo licencia MIT, y se ha vuelto en silencio el estándar para la durable execution de agentes. OpenAI corre Codex sobre él en producción, para agentes que esperan días una aprobación humana y sobreviven a reinicios sin perder el hilo.
Lo que esto desbloquea es la clase de workflow que toca el mundo real y no se puede permitir quedar a medias. Un ciclo de facturación donde una suscripción se renueva, se cobra un pago, y un reembolso tiene que deshacer una cadena de efectos secundarios limpiamente si un paso falla. Un onboarding de cliente que corre durante varios días con temporizadores y esperas integrados. Un trabajo recurrente que agrega trabajo de muchas fuentes y tiene que completarse de forma fiable cada vez. Estas son sagas, transacciones de larga duración con compensación cuando algo se rompe, y son exactamente lo que un canvas visual nunca se pensó para sostener.
La necesidad de ejecución duradera depende de la recuperación, efectos secundarios, esperas y coste de los fallos. Una tarea breve de lectura puede funcionar sin un motor dedicado. Varias llamadas externas, esperas largas y pagos o borrados merecen una evaluación consciente; aquí no se demuestra un umbral obligatorio general de treinta segundos o tres llamadas. Las plantillas están en github.com/studiomeyer-io/temporal-memory-workflows. Temporal añade operación y reglas para código de workflow determinista.
Cómo encajan las tres capas#
Sus tareas difieren: n8n conecta sistemas, LangGraph controla decisiones del modelo y aprobaciones humanas, y Temporal facilita ejecución prolongada y recuperación. Juntas pueden formar un stack adecuado. Temporal no garantiza terminar con éxito: las actividades y workflows pueden fallar definitivamente. Los reintentos, tiempos límite, gestión de errores y acciones externas idempotentes o compensación deben encajar con la tarea. Un reinicio resulta más manejable; hay que comprobar la recuperación. La observabilidad muestra qué hizo cada capa.
Separar la lógica de negocio del framework facilita cambiar. Las reglas pueden vivir en código sencillo y probado al que llaman distintas herramientas. Aun así hay trabajo de estado, eventos, permisos y semántica de ejecución; migrar en un día no es una promesa general.
El montaje es un commodity. La arquitectura no.#
Aquí está la parte que el mercado entiende al revés. Montar n8n es un commodity ahora. Hay miles de personas que te dibujan un canvas, y el precio de ese trabajo está cayendo porque la herramienta lo hizo fácil, que era todo el punto. Si lo único que compras es el montaje de n8n, compraste la capa que ya era la más barata de construir.
El valor está en las dos decisiones que nadie te vende. Primera, saber cuál de las tres capas necesita de verdad un problema dado, y tener el criterio para resistir los dos modos de fallo: meter a presión un problema de razonamiento en un Code node de n8n hasta que se pudre, y sobre-ingeniar un trabajo de cincuenta líneas en un durable workflow que nunca necesitó. Segunda, construir la frontera tan limpia que la elección siga siendo barata de revisitar. Eso es arquitectura, y no aparece en una captura de pantalla de un canvas.
Hay una cosa más que vale la pena ser honesto al respecto. Lo que corre nuestros propios sistemas internos es deliberadamente pragmático, afinado para una operación que conoce sus propios bordes. Un encargo de cliente recibe la otra marcha por completo, las mismas tres capas pero con el endurecimiento, las puertas de gobernanza antes de las acciones de riesgo, la observability y el testing que un sistema del que depende otra persona necesita de verdad. Saber la diferencia entre lo que nos basta a nosotros y lo que es correcto para un cliente es en sí parte de dominar el stack. Cualquiera puede correr las herramientas. Saber hasta dónde llevarlas es el trabajo.
Así que la próxima vez que veas un pitch de automatización que empieza y termina con n8n, la pregunta a hacer no es si el canvas es bonito. Es qué pasa en los dos bordes que el canvas no muestra, cuando el workflow tiene que pensar y cuando tiene que sobrevivir. Si quieres ese stack entero diseñado como debe ser y no solo la tercera parte fácil, esa es la conversación que tenemos.
