Lo esencial
La automatización tradicional es como una vía de tren. El tren va estrictamente sobre ella. Si se desvía, hay accidente. La IA con agentes es como una cuadrilla de construcción que tiende esas vías por su cuenta. La diferencia no está en qué tan rápido va el tren, sino en quién construye el camino y cómo.
Conceptos clave
- Qué limita a la automatización tradicional (Zapier, n8n, Make)
- Dónde los workflows (flujos de trabajo) con agentes dan una ventaja real, y dónde no
- Un matiz importante: una vez desplegado (publicado en producción), lo que construyó el agente se vuelve determinista, y eso es bueno
- La mentalidad de médico vs. la de farmacéutico: por qué importa entender lo básico
Teoría
La automatización tradicional: fuerte, pero frágil
Zapier, n8n y Make.com son herramientas excelentes. Funcionan en producción (el entorno real de trabajo) en millones de empresas. No se puede decir que sean viejas o malas.
Pero tienen una limitación de fondo: tú escribes a mano cada paso, y el sistema sigue ese guion al pie de la letra.
Imagina que configuraste esta automatización: «Cuando llega un lead nuevo al CRM (Customer Relationship Management, el sistema de gestión de clientes) → enviar un correo de bienvenida → agregarlo a un canal de Slack → crear una tarea en Notion».
Todo funciona perfecto, hasta que aparece una excepción:
- El lead llenó el formulario dos veces (duplicado)
- En el campo «Nombre» escribió «Empresa LLC» (no el nombre de una persona)
- Llegó un lead de otro país y necesita otra plantilla de correo
La automatización tradicional se topa con estos casos y... falla. O manda el correo equivocado. O crea una tarea duplicada. Te llega un aviso de error y vas a corregirlo a mano.
El dolor principal: los edge cases (casos fuera de lo común) requieren intervención manual. Entre más complejo el proceso, más edge cases, y más trabajo manual.
Dónde ganan los workflows con agentes: la etapa de construcción
Esta es la idea clave que mucha gente pasa por alto:
La IA con agentes no gana en el runtime (cuando la automatización ya está corriendo), sino en la etapa de CONSTRUIR esa automatización.
Cuando le dices a Claude Code «constrúyeme una automatización para procesar los leads que llegan», el agente (un programa ejecutor autónomo):
- Hace preguntas para aclarar los casos fuera de lo común
- Escribe él mismo la lógica para manejar duplicados
- Agrega condiciones para distintos países
- Incorpora el manejo de errores
Todo esto lo hace durante la construcción, en la etapa de desarrollo. Actúa como un desarrollador con experiencia que prevé los edge cases desde antes, en lugar de esperar a que rompan el sistema en producción.
El enfoque tradicional: tú piensas en cada edge case, agregas condiciones a mano en Zapier, pruebas, descubres un edge case nuevo y vuelves a corregir. Toma mucho tiempo.
El enfoque con agentes: describes la tarea y su contexto (el contenido de la conversación que la IA ve), y el agente construye una solución más completa, más rápido.
Un matiz importante: al desplegarse, el resultado se vuelve determinista
Esto no se entiende de inmediato, pero es crucial para la calidad.
Después de que Claude Code construyó la automatización y la desplegaste en la nube (por ejemplo, en Cloudflare Workers o trigger.dev), el agente ya no participa en el proceso. En producción corre código normal: JavaScript (un lenguaje de programación), Python (otro lenguaje de programación) y llamadas a APIs (Application Programming Interface, la forma en que los programas hablan entre sí).
Esto es bueno, no malo. Por qué:
- Previsibilidad: cada lead se procesa igual y no depende del «humor» del LLM (Large Language Model, modelo de lenguaje grande)
- Velocidad: no hay llamadas de más a la IA, solo lógica de negocio limpia
- Costo: no pagas llamadas a la API en cada ejecución
- Confiabilidad: no hay «alucinaciones» (datos que la IA inventa) en producción
En el sistema desplegado, el LLM se usa solo donde de verdad hace falta, por ejemplo, para generar el texto personalizado de un correo. Pero la lógica general de «si es duplicado → saltarlo» corre como código normal.
En imagen: el agente es un arquitecto inteligente que diseña la casa. Pero quien vive en ella es el cliente, no el arquitecto. El arquitecto hizo la casa inteligente una sola vez.
⚠️ Una salvedad a octubre de 2026. También existen agentes que trabajan de forma permanente: por ejemplo, las rutinas (routines) de Claude Code se ejecutan en la nube según un horario, y ChatGPT tiene el modo Work para tareas largas. El principio de esta lección no cambia: entre menos llamadas al LLM haya en la parte repetitiva del proceso, más predecible, barato y rápido funciona el sistema. Conecta el modelo donde se necesite flexibilidad. Lo que está disponible en tu plan lo encuentras en la página Lo vigente.
La analogía: tender las vías tú mismo vs. una cuadrilla
Automatización tradicional (tú tiendes las vías): Tomas cada riel, lo mides, lo clavas. Tardas mucho. Cada bifurcación (edge case) hay que preverla desde antes y tenderle su propio camino. Si se te olvida, el tren (los datos) se descarrila.
Workflows con agentes (la cuadrilla tiende las vías): Le dices a la cuadrilla: «Necesito un camino del punto A al punto B; pasa por una montaña, hay que rodear un pantano y quiero poder ampliarlo después». La cuadrilla ya sabe cómo tender vías por montañas y pantanos. Tú controlas la dirección, no cada clavo.
Importante: la cuadrilla no viaja sobre las vías para siempre. Construyó y se fue. Después, el tren corre solo.
Mentalidad de médico vs. de farmacéutico: por qué importa entender lo básico
Existe la tentación de lanzarse directo a Claude Code y pedir «constrúyeme todo». Pero ahí aparece un problema.
El farmacéutico surte el medicamento según la receta. No diagnostica: ejecuta.
El médico primero entiende los síntomas, hace el diagnóstico y luego indica el tratamiento. Sabe por qué este medicamento y no otro.
Claude Code es un farmacéutico increíblemente inteligente. Construirá lo que le pidas. Pero si no entiendes qué es exactamente lo que hay que construir, obtendrás una solución bonita para un problema que no es el tuyo.
Quienes se saltan lo básico y se lanzan directo a Claude Code:
- No pueden evaluar la calidad de lo que construyó el agente
- No pueden dar una buena instrucción (un prompt, la solicitud de texto a la IA)
- No se dan cuenta cuando el agente se va por mal camino
- No pueden depurar cuando algo sale mal
Por eso en este curso no empezamos con «abre Claude Code y escribe tu primer prompt». Empezamos por entender el mercado, las herramientas y la estructura.
Una analogía práctica: si nunca has cocinado, ¿te sirve un robot de cocina? Sí, pero solo para platillos muy sencillos. Para los complicados necesitas por lo menos entender qué significa «dorar hasta que tenga costra» o no sabrás si quedó bien.
Dónde la automatización tradicional sigue siendo mejor
La honestidad importa: Zapier y n8n no están muertos. Son mejores que el enfoque con agentes cuando:
- La tarea es completamente estándar y nunca cambia
- No hay edge cases en absoluto (por ejemplo, «cada lunes a las 9:00 enviar un reporte»)
- Te importa la máxima transparencia visual (un esquema de arrastrar y soltar)
- Un equipo sin habilidades técnicas debe poder editar la automatización por su cuenta
El enfoque con agentes es mejor cuando:
- Hay muchos casos fuera de lo común
- El proceso cambia seguido
- Hay que procesar datos no estructurados (texto, correos, PDF)
- La velocidad para construir importa más que la máxima transparencia
Práctica
Tarea: arma un workflow a mano en Zapier y luego pídele lo mismo a Claude.
Paso 1 (15 min), Zapier:
- Regístrate en zapier.com (plan gratis: a octubre de 2026 son 100 tareas al mes y solo Zaps de dos pasos; para este ejercicio alcanza)
- Crea un Zap sencillo: «Fila nueva en Google Sheets → Enviar un correo con Gmail»
- Fíjate: cuántos pasos, cuántos clics, qué hay que configurar a mano
Paso 2 (10 min), compara:
- Abre un chat nuevo con Claude (todavía sin Claude Code)
- Escribe: «Quiero una automatización: cuando aparezca una fila nueva en Google Sheets, que se envíe un correo. ¿Qué tengo que configurar y qué edge cases debo considerar?»
- Compara la respuesta con lo que viste en Zapier
Lo que debería saltarte a la vista: Claude de inmediato preguntará o mencionará cosas que en Zapier tienes que resolver a mano (qué hacer con los duplicados, cómo manejar filas vacías, etc.)
Errores comunes
❌ Error: creer que Zapier y n8n ya no sirven y que todo hay que hacerlo con agentes (programas ejecutores autónomos). ✅ Lo correcto: para tareas estándar sin edge cases (un reporte semanal, un envío programado sencillo), la automatización tradicional es más simple y barata. El enfoque con agentes es más fuerte donde hay muchas situaciones fuera de lo común.
❌ Error: dejar llamadas al LLM en producción para cada acción (cada lead = una llamada a la IA). ✅ Lo correcto: el agente construye el sistema en la etapa de desarrollo. En el sistema desplegado corre código determinista normal. El LLM se usa solo donde de verdad hace falta generar algo (personalizar un texto, clasificar datos fuera de lo común).
❌ Error: saltarse la mentalidad de médico y pedirle a Claude de entrada «constrúyeme todo». ✅ Lo correcto: primero entiende el proceso de negocio que vas a automatizar. ¿Qué edge cases existen? ¿Qué significa «correcto» en este proceso? Solo después dale la tarea al agente.
Comparación de enfoques: referencia rápida
| Parámetro | Zapier / n8n / Make | IA con agentes (Claude Code) |
|---|---|---|
| Construcción | Arrastrar y soltar, a mano | Lo describes en lenguaje natural |
| Edge cases | Agregas reglas a mano | El agente los prevé al construir |
| Runtime | Código determinista | Código determinista (después del despliegue) |
| Costo del runtime | Bajo | Bajo (sin llamadas al LLM) |
| Datos complejos | Mal (texto, PDF, correo) | Bien (el LLM entiende el contexto) |
| Visibilidad | Alta (el esquema se ve) | Baja (código + Markdown, un lenguaje de marcado de texto) |
| Barrera de entrada | Baja (sin código) | Media (hay que saber escribir prompts) |
| Velocidad de cambios | Lenta (reconfiguración manual) | Rápida (vuelves a describir la tarea) |
Herramientas y recursos
- Zapier: para entender en la práctica la automatización tradicional (plan gratis)
- n8n: una alternativa a Zapier; la puedes instalar en tu propio servidor (la versión Community Edition es gratis) o usar un plan en la nube; los precios están en la página Lo vigente
- Make.com: otra plataforma visual de automatización (antes Integromat)
- Claude.ai: para la prueba comparativa de la práctica
- Documentación de Claude Code: documentación oficial
- trigger.dev: una plataforma moderna para workflows con agentes en producción
→ Mira la lección El mercado de los agentes: dónde estamos y por qué ahora → Mira la lección Default Shift: cómo reorganizar tu forma de pensar para el enfoque con agentes → Mira la lección El framework WAT: la arquitectura de los proyectos con agentes
Ideas clave
La automatización tradicional es frágil ante los edge cases: cada excepción requiere agregar una regla a mano.
La IA con agentes gana en la etapa de CONSTRUCCIÓN: el agente prevé los casos fuera de lo común durante el desarrollo.
Al desplegarse, lo que construyó el agente se vuelve código determinista normal: es predecible, rápido y barato de operar.
Mentalidad de médico: entiende qué construyes y por qué; si no, no podrás evaluar la calidad de lo que construyó el agente.
Siguiente lección
→ Default Shift: cómo cambiar tu forma de pensar para la era de la IA
La marca se guarda solo en este navegador y no se envía a ningún sitio. Mi progreso