Serie N8N (XIV): Inteligencia Artificial en N8N - analizar textos automáticamente

1. Cuando las automatizaciones empiezan a pensar

Hasta ahora, en esta serie sobre N8N, hemos aprendido a automatizar tareas. Hemos creado workflows capaces de ejecutarse por horario, reaccionar a eventos externos, mover datos entre herramientas, enviar notificaciones o guardar información automáticamente.

Todo eso ya es muy potente. Pero existe un siguiente nivel. Un momento en el que la automatización deja de limitarse a hacer cosas y empieza también a entender lo que está ocurriendo, y ahí es donde entra la Inteligencia Artificial.

Inteligencia Artificial en N8N

Con la integración de modelos como OpenAI dentro de N8N, un workflow ya no solo puede recibir datos y moverlos de un sitio a otro. También puede leer textos, resumir mensajes largos, detectar la intención de un cliente, clasificar solicitudes, priorizar, generar respuestas, extraer informacion clave.

Los workflows tradicionales siguen una lógica muy clara:

Si ocurre X → haz Y

Con IA añadimos una nueva capa:

Si llega texto → interprétalo → decide qué hacer

Cuando unes N8N con IA, dejas de construir solo automatizaciones… y empiezas a construir sistemas que entienden información y reaccionan con inteligencia.

2. Por qué integrar Inteligencia Artificial en N8N

Una vez que entendemos qué es N8N y cómo automatizar procesos, la siguiente pregunta natural es:

¿Qué aporta realmente la Inteligencia Artificial a un workflow?

La respuesta es sencilla: la IA permite automatizar tareas que antes requerían leer, interpretar o decidir.

Ese es el gran salto. Hasta ahora, muchos workflows tradicionales funcionaban muy bien con datos estructurados, pero en cuanto aparecía texto libre, la dificultad aumentaba muchísimo.

Un workflow clásico entiende muy bien esto:

estado = urgente

Pero le cuesta entender algo como:

Hola, llevo tres días esperando respuesta y esto empieza a ser frustrante.

Para una persona está claro que hay: urgencia, molestia y riesgo de insatisfacción. Para un sistema tradicional, no tanto.

Un modelo de lenguaje puede leer ese texto y extraer significado. Por ejemplo:

{
  "sentimiento": "negativo",
  "urgencia": "alta",
  "tema": "retraso respuesta",
  "prioridad": "alta"
}

Y eso ya sí puede usarlo N8N para actuar.

Uso de IA en N8N

Casos prácticos dentro de workflows

• Comercial: clasificar leads buenos o fríos, detectar objeciones de precio, resumir formularios largos.

• Soporte: identificar tickets urgentes, agrupar incidencias por tema, detectar tono de enfado

• RRHH: analizar candidaturas, resumir CVs, clasificar solicitudes internas

• Productividad personal: resumir emails largos, convertir notas en tareas, ordenar mensajes importantes

Hace unos años integrar IA en procesos era complejo y caro. Hoy puede hacerse en minutos mediante APIs y herramientas como N8N. Ahora una persona sola o una pequeña empresa puede construir flujos inteligentes sin desarrollar software complejo.

3. Qué vamos a construir en este artículo

En este capítulo vamos a crear una automatización completa donde N8N utilizará Inteligencia Artificial para analizar textos recibidos desde el exterior.

El flujo que construiremos realizará los siguientes pasos:

1. Recibirá un texto mediante un webhook.

2. Enviará ese texto a OpenAI para analizarlo.

3. Interpretará la respuesta de la IA.

4. Enviará un resumen automático por Telegram.

5. Responderá al sistema externo con JSON.

El workflow completo será este:

Webhook
   ↓
OpenAI Analysis
   ↓
Parse AI Output
   ↓
Telegram
   ↓
Respond to Webhook

Para que el ejemplo sea útil, simularemos un mensaje comercial o de contacto.

Ejemplo:

{  "texto": "Estoy interesado en vuestro servicio, pero el precio me parece alto"}

Este tipo de frase es muy habitual en formularios web, leads comerciales, emails de clientes, chats de ventas o

mensajes de soporte

La Inteligencia Artificial leerá ese texto y devolverá algo estructurado como esto:

{  "sentimiento": "mixto",
  "interes": "alto",
  "objecion_principal": "precio",
  "prioridad": "media",
  "resumen": "Cliente interesado con objeción económica."}

Es decir, detecta emoción, nivel de interés, encuentra el objetivo principal, propone prioridad y resume el caso.

El workflow nos enviará una alerta automática al telegram:

🧠 Nuevo análisis IA😊 Sentimiento: mixto🔥 Interés: alto⚠️ Objeción: precio📌 Prioridad: media📄 Cliente interesado con objeción económica.

Además, quien llamó al webhook recibirá confirmación:

{  "ok": true,
  "analizado": true}

4. Casos reales donde usar análisis automático de texto

Una de las mejores formas de entender el valor de la Inteligencia Artificial dentro de N8N es ver dónde puede aplicarse en situaciones reales. Muchas empresas y profesionales reciben cada día grandes cantidades de mensajes escritos (formularios web, emails, chat, incidencias, solicitudes). Leer todo manualmente, interpretarlo y priorizarlo consume tiempo. Ahí es donde la IA aporta muchísimo valor.

• Leads comerciales y formularios web:

  • uno de los casos más claros. Imagina que recibes mensajes como: estoy interesado en vuestro servicio. ¿Podemos hablar esta semana?, o sólo quería información general.

  • La IA puede detectar nivel de interés, urgencia, objeciones, intención de compra.

• Soporte al cliente:

  • Los equipos de soporte reciben mensajes muy variados: dudas simples, problemas técnicos...

  • La IA puede clasificar tono, urgencia, tema.

• Emails internos:

  • Muchas organizaciones reciben correos largos con demasiada información.

  • La IA puede resumir emails, extraer tareas pendientes, identificar responsables.

• RRHH y selección:

  • También puede utilizarse para analizar textos relacionados con personas como candidaturas, cartas de presentación, solicitudes internas

• Opiniones y reputación:

  • También sirve para analizar reseñas, comentarios de clientes, encuestas

  • La IA puede detectar sentimiento general y tendencias.

• Productividad personal:

  • También puede ayudarte a nivel individual resumiendo notas largas, clasificando ideas, convirtiendo mensajes en tareas, detectando prioridades diarias.

Análisis de texto

Siempre ocurre lo mismo:

Texto libre
    ↓
IA entiende contenido
    ↓
N8N automatiza acciones

5. Crear el workflow de automatización

Después de entender por qué la IA aporta tanto valor en los workflows, llega el momento de construir nuestro propio sistema dentro de N8N. En este artículo vamos a crear una automatización capaz de leer un texto, interpretarlo y reaccionar automáticamente.

El flujo que construiremos será este:

Webhook
   ↓
OpenAI Analysis
   ↓
Parse AI Output
   ↓
Telegram
   ↓
Respond to Webhook

Cada nodo tendrá una misión concreta:

• Webhook → recibe texto desde el exterior

• OpenAI Analysis → analiza el contenido

• Parse AI Output → convierte la respuesta en datos limpios

• Telegram → envía una alerta automática

• Respond to Webhook → devuelve confirmación JSON

Crear un nuevo workflow

Dentro de N8N pulsamos:

New Workflow

Y le damos un nombre , en nuestro caso

LK_n8n_wf_AI_Text_Analyzer_Telegram

6. Recibir texto mediante Webhook

Todo workflow inteligente necesita una forma de recibir información desde el exterior. En nuestro caso, queremos que N8N pueda analizar textos enviados por otros sistemas. Para ello utilizaremos el nodo Webhook, que ya vimos en el capítulo anterior de la serie.

Este nodo actuará como una puerta de entrada. Cualquier aplicación que envíe un texto a esa URL podrá activar automáticamente el workflow.

Dicho de forma sencilla: alguien envía un mensaje → N8N lo recibe → empieza el análisis IA.

Una explicación más detallada de este nodo la podemos encontrar en nuestro anterior artículo del blog: "Serie N8N (XIII): Recibir datos externos con Webhooks"

Añadir el nodo Webhook

Dentro del workflow añadimos el primer nodo:

Webhook

Lo colocamos al inicio del flujo, ya que será quien arranque todo el proceso.

Método HTTP:

En este caso configuraremos:

POST

¿Por qué POST? porque queremos recibir datos en el cuerpo de la petición, normalmente en formato JSON.

Es la opción más natural para enviar textos desde formularios, apps o APIs externas.

Definir el Path

Usaremos un nombre claro para la URL:

analyze-text

Eso generará una dirección similar a:

https://tu-n8n.com/webhook/analyze-text

Ese será nuestro endpoint público.

Test URL y Production URL

Como vimos en el artículo anterior, N8N suele ofrecer dos URLs:

• Test URL: para pruebas mientras construimos el workflow.

• Production URL: para uso real cuando el workflow esté activo.

Durante el desarrollo utilizaremos primero la versión de test.

Modo de respuesta

Configuraremos:

Response Mode: Using Respond to Webhook Node

Eso significa que responderemos al final del workflow, una vez completado el análisis. Muy útil porque primero analizamos… y luego confirmamos.

Nota: para las pruebas parciales del workflow, y hasta que no añadamos el nodo "Reespond to Webhool" pondremos este valor a "inmediately" para que no nos de errores

Qué datos recibiremos

Esperamos recibir un JSON sencillo como este:

{  
"texto": "Estoy interesado en vuestro servicio, pero el precio me parece alto"
}

El nodo Webhook capturará esa información dentro de:

body

Es decir:

$json.body.texto

Nodo Webhook

Con solo este nodo ya hemos creado algo muy potente:

una URL propia capaz de recibir lenguaje humano y activar IA automáticamente.

En el siguiente capítulo utilizaremos una petición real con curl para enviar texto al webhook y conectarlo con OpenAI.

7. Conectar OpenAI desde N8N

Ya tenemos el webhook preparado para recibir texto desde el exterior. El siguiente paso será conectar N8N con OpenAI para que ese mensaje pueda ser interpretado automáticamente por Inteligencia Artificial.

Cuando llegue un texto al webhook, N8N enviará ese contenido a OpenAI y solicitará un análisis estructurado.

El flujo será:

Webhook
   ↓
OpenAI Analysis

7.1 Por qué usamos HTTP Request

Aunque N8N dispone de nodos nativos de OpenAI, en este artículo utilizaremos:

HTTP Request

¿Por qué? Porque ofrece varias ventajas:

• máxima compatibilidad entre versiones

• entender cómo funciona la API real

• control total sobre petición y respuesta

• muy útil para aprender integraciones

Es una forma excelente de comprender qué ocurre “por debajo”.

7.2 Añadir el nodo HTTP Request

Después del nodo Webhook añadimos:

HTTP Request

Y le damos un nombre claro:

HTTP Request - OpenAI Analysis

Ahora vamos a configurar la conexión entre N8N y OpenAI. Si nunca has trabajado con APIs, no te preocupes. Vamos a explicarlo de forma sencilla. Lo que vamos a hacer es esto:

N8N enviará una petición por internet a OpenAI, le pasará un texto y recibirá una respuesta generada por IA.

Es decir, N8N actuará como un cliente que habla con el servicio de OpenAI.

Qué es una API: API significa:

Application Programming Interface

Pero en la práctica puedes imaginarlo como: "una puerta oficial para que programas se comuniquen entre sí.

Igual que una persona entra en una web desde un navegador, un software puede entrar en un servicio mediante una API.". En nuestro caso:

N8N → API de OpenAI → Respuesta IA

7.3 Qué configuraremos en el nodo HTTP Request

Para hablar con OpenAI necesitamos indicarle varias cosas:

• qué tipo de petición hacemos

• a qué dirección enviamos la solicitud

• quiénes somos

• en qué formato mandamos datos

• qué queremos analizar

A. Método

Usaremos:

POST

El método HTTP indica la acción que queremos realizar. En este caso POST significa enviar información al servidor. Tiene sentido porque vamos a enviar un texto a OpenAI para que lo procese.

B. URL

Usaremos:

https://api.openai.com/v1/responses

Esto es la dirección oficial del servicio de OpenAI que vamos a utilizar.

Qué significa cada parte

• https://

  • Conexión segura cifrada.

• api.openai.com

  • Servidor oficial de OpenAI para integraciones.

• /v1/

  • Versión de la API.

• /responses

  • Endpoint moderno para enviar prompts y recibir respuestas de modelos.

    
    

Esa es la puerta exacta donde N8N llamará para pedir análisis al modelo.

C. Headers

Los headers son información adicional que acompaña a la petición. Piensa en ellos como una especie de sobre o instrucciones adjuntas.

HTTP Request: Method, URL, Headers, Body

C1 Header 1: Authorization

Authorization: Bearer TU_API_KEY

(name Authorization, Value: Bearer TU_API_KEY)

Esto sirve para identificarte ante OpenAI. Es como enseñar una credencial.

Que significa: TU_API_KEY es una clave privada que obtienes en tu cuenta de OpenAI.

Ejemplo visual:

sk-xxxxxxxxxxxxxxxx

Nunca debes compartirla públicamente.

Qué significa: Bearer

Es la forma estándar de decir: "aquí envío mi token de acceso"

C2 Header 2: Content-Type

Content-Type: application/json

Esto le dice al servidor: "los datos que voy a enviar están en formato JSON." Muy importante para que OpenAI entienda correctamente la petición.

Imagínalo como enviar una carta:

Elemento	Equivalencia
URL	Dirección postal
API Key	Identificación
Headers	Instrucciones del envío
Body	Contenido de la carta
Respuesta	Carta de vuelta

Error típico de principiantes

Si falta alguno de estos elementos:

• API key incorrecta

• URL mal escrita

• Content-Type ausente

• JSON inválido

La llamada fallará.

D. Body

Además de indicar dónde llamar y quiénes somos, también debemos enviar qué queremos pedirle a OpenAI.

Eso se hace mediante el Body de la petición.

En el nodo HTTP Request activaremos:

Send Body = ON

Esto significa: además de conectarnos al servidor, vamos a enviar contenido dentro de la petición.

El Body es la parte principal del mensaje HTTP. Si la URL es la dirección postal, el Body sería: el contenido de la carta.

En nuestro caso, dentro del Body enviaremos:

• qué modelo usar

• instrucciones para la IA

• texto recibido desde el webhook

Formato elegido

Usaremos:

JSON

Porque es el formato estándar más común para APIs modernas.

Ejemplo simple

{
  "model": "gpt-5.4-mini",
  "input": "Analiza este texto..."
}

En nuestro workflow real

Enviaremos algo más completo:

{
  "model": "gpt-5.4-mini",
  "input": [
    {
      "role": "system",
      "content": "Eres un analista comercial..."
    },
    {
      "role": "user",
      "content": "{{$json.body.texto}}"
    }
  ]
}

Qué significa esto

• model

  • Qué modelo de IA queremos usar. En este caso hemos seleccionado gpt-4o-mini

• system

  • Las instrucciones del comportamiento.

Ejemplo:

Eres un analista comercial. Analiza el texto recibido y devuelve SOLO JSON válido con:
sentimiento: positivo / negativo / neutro / mixto 
interes: alto / medio / bajo
objecion_principalprioridad: alta / media / bajaresumen

• user

  • El texto real recibido desde el webhook.

OpenAI responderá algo parecido a esto:

{  "sentimiento": "mixto",  "interes": "alto",  "objecion_principal": "precio",  "prioridad": "media",  "resumen": "Cliente interesado con objeción económica."}

Nota: si no activas Send Body, OpenAI recibiría una llamada vacía.

Es decir:

Hola OpenAI... pero no te digo qué quiero.

Y fallaría.

El Body es donde realmente vive el prompt.

7.4 Cómo obtener tu API Key de OpenAI

Para que N8N pueda utilizar OpenAI necesitas una clave personal de acceso llamada API Key.

Esa clave permite autenticar tus peticiones y asociarlas a tu cuenta.

Es importante tener en cuenta que la API de OpenAI no funciona como la versión web tradicional, sino bajo un modelo de pago por uso. Esto significa que cada petición consume recursos y el coste depende principalmente de los tokens utilizados. Los tokens son fragmentos de texto que la IA procesa: tanto lo que tú envías (prompt) como lo que la IA responde.

En la práctica:

• mensajes cortos → coste muy bajo

• workflows frecuentes o textos largos → mayor consumo

Normalmente cargas saldo en tu cuenta y, a medida que utilizas la API, ese saldo se va consumiendo poco a poco. De esta forma, el gasto queda limitado al importe disponible y no se superará el dinero que tengas cargado en la cuenta. Puedes consultar los precios de la API en "https://openai.com/es-ES/api/pricing/"

Para este tipo de automatizaciones sencillas, usando modelos eficientes, el coste suele ser reducido, pero conviene revisar periódicamente el panel de uso y facturación de OpenAI, donde puedes ver el consumo que llevas por días, por modelo e incluso por API Key.

Crear API Key de OpenAI

Paso 1: Entrar en la plataforma de OpenAI

Accede a:

https://platform.openai.com/

Inicia sesión con tu cuenta.

Paso 2: Ir a API Keys

Dentro del panel busca:

API Keys

Paso 3: Crear nueva clave

Pulsa:

Create new secret key

OpenAI generará una clave similar a:

sk-xxxxxxxxxxxxxxxxxxxxxxxx

Paso 4: Guardarla bien

La clave suele mostrarse una sola vez. Guárdala en lugar seguro.

Paso 5: Usarla en N8N

En el nodo HTTP Request:

Authorization: Bearer TU_API_KEY

Sustituye TU_API_KEY por tu clave real.

7.5 Prueba rápida con curl

Nota: en el artículo anterior mostramos el funcionamiento del nodo Webhook y como probarlo usando curl: "Serie N8N (XIII): Recibir datos externos con Webhooks"

Si queremos probar todo el workflow hasta ahora, podemos enviar texto al webhook:

curl -X POST "http://localhost:5678/webhook-test/analyze-text" -H "Content-Type: application/json" -d "{\"texto\":\"Estoy interesado en vuestro servicio, pero el precio me parece alto\"}"

Eso activará el flujo y lanzará el análisis IA.

Webhook + HTTP Request (OpenAI Analysis)

8. Interpretar la respuesta con Parse AI Output

Ya hemos conseguido algo muy potente: N8N recibe un texto y OpenAI lo analiza automáticamente. Pero todavía nos falta un paso importante. La respuesta de la IA no siempre llega en el formato perfecto para usar directamente en otros nodos. En muchas ocasiones viene envuelta dentro de estructuras técnicas, bloques de texto o respuestas más complejas.

Por eso añadiremos un nodo intermedio llamado:

Code in Javascript - Parse AI Output

En nuestro caso será un nodo Code, cuyo trabajo consistirá en traducir la respuesta cruda de OpenAI a datos limpios y utilizables. Dicho de forma sencilla:

OpenAI responde → Parse AI Output ordena → el workflow entiende.

Por qué necesitamos este paso

La IA puede responder correctamente… pero no siempre de la forma más cómoda para automatizar.

Por ejemplo, la API puede devolver algo parecido a:

{
  "output": [
    {
      "content": [
        {
          "type": "output_text",
          "text": "{ \"sentimiento\":\"mixto\", \"interes\":\"alto\" }"
        }
      ]
    }
  ]
}

Es decir, hay arrays, campos internos, texto dentro de texto, estructura técnica. Eso funciona, pero no es ideal para Telegram o nodos posteriores.

Nota: el código JavaScript que hemos usado lo puedes ver en el workflow descargable al final de este artículo.

Nuestro nodo "Code in JavaScript - Parse AI Output" leerá esa respuesta y la convertirá en algo limpio:

{
  "texto_original": "Estoy interesado pero me parece caro",  
  "sentimiento": "mixto",
  "interes": "alto",
  "objecion_principal": "precio",
  "prioridad": "media",
  "resumen": "Cliente interesado con objeción económica."
}

Ahora sí es perfecto para trabajar.

Qué tipo de nodo usaremos

Usaremos:

Code - in JavaScript

Este nodo permite ejecutar JavaScript dentro de N8N. Es muy útil para transformar datos, limpiar respuestas, combinar campos, crear lógica personalizada, parsear JSON

Nuestro script realizará tareas como:

• Extraer el texto útil

  • Busca la respuesta generada por OpenAI.

• Limpiar formato extraño

  • Por ejemplo, si la IA devuelve:

```
json{ ... }
```

lo limpia.

• Convertir texto en JSON real

Usa:

JSON.parse()

• Preparar salida limpia

  • Genera campos fáciles de usar.

Nodo Code in JavaScript - Pare AI Output

Por qué no usamos solo Set

Podríamos usar Edit Fields (Set) para casos simples. Pero cuando trabajamos con respuestas IA necesitamos a veces limpiar texto impredecible, gestionar errores, interpretar estructuras complejas o convertir texto a objetos reales. Para esto el nodo Code es mejor opción.

Gracias a este nodo, el resto del workflow ya trabaja con datos claros.

IA compleja
   ↓
Parse AI Output
   ↓
Datos simples

Eso hace el sistema mucho más robusto.

9. Enviar el análisis por Telegram

Ya tenemos el texto analizado por OpenAI y la respuesta convertida en datos limpios gracias al nodo Parse AI Output. Ahora llega una de las partes más útiles del workflow: recibir automáticamente el resultado del análisis en tiempo real.

Para ello utilizaremos el nodo Telegram, que ya vimos en capítulos anteriores de la serie (Serie N8N (XI): Notificaciones automáticas con Telegram).

Esto convierte el flujo en algo muy práctico: no hace falta entrar en N8N para revisar resultados. La información nos llega directamente al móvil o al escritorio.

Añadir el nodo Telegram

Después de Code in Javascript - Parse AI Output añadimos:

Telegram

Credenciales del bot

Seleccionamos el bot que ya creamos anteriormente.

Ejemplo:

LozN8NBot

Si no lo tienes aún, basta con crearlo en Telegram mediante BotFather y conectar el token en N8N.

Chat ID

Indicamos el destino donde queremos recibir la alerta. Puede ser un chat privado contigo, un grupo de trabajo o un canal interno

Ejemplo:

123456789

Construir el mensaje inteligente (text)

Ahora aprovechamos los campos creados por Parse AI Output.

Ejemplo:

🧠 Nuevo análisis IA
📝 Texto:
{{$json.texto_original}}

😊 Sentimiento: {{$json.sentimiento}}
🔥 Interés: {{$json.interes}}
⚠️ Objeción: {{$json.objecion_principal}}
📌 Prioridad: {{$json.prioridad}}

📄 {{$json.resumen}}

Resultado esperado

Telegram mostrará algo parecido a esto:

🧠 Nuevo análisis IA
📝 Texto:
Estoy interesado en vuestro servicio, pero el precio me parece alto

😊 Sentimiento: mixto
🔥 Interés: alto
⚠️ Objeción: precio
📌 Prioridad: media

📄 Cliente interesado con objeción económica.

Con esto el workflow deja de ser algo oculto en segundo plano. Ahora la IA trabaja y además te informa en tiempo real. Eso permite reaccionar rápido sin revisar paneles ni hojas de cálculo.

Nodo Telegram

10. Responder al sistema externo

Ya hemos recibido el texto, lo hemos enviado a OpenAI, interpretado la respuesta y enviado una alerta por Telegram. Solo falta un último paso para cerrar correctamente el ciclo: responder al sistema que nos envió el mensaje.

Esto es muy importante en integraciones reales, porque quien llama a un webhook normalmente espera una confirmación. No basta con enviar datos. También quiere saber si todo fue bien, si el análisis se completó, si hubo error, que resultado obtuvo.

Estos sistemas que llaman al webhook (web, un CRM, una APP, un formulario on-line, otra automatización) suelen esperar una respuesta. Si no reciben nada, pueden interpretar fallo o timeout.

Para ello utilizaremos el nodo:

Respond to Webhook

Quedando el flujo completo:

Webhook
   ↓
OpenAI Analysis
   ↓
Parse AI Output
   ↓
Telegram
   ↓
Respond to Webhook

Tipo de respuesta

En este artículo utilizaremos:

Respond With: JSON

Podemos devolver algo como:

{
  "ok": true,
  "analizado": true,
  "message": "Texto procesado correctamente"
}

También podemos aprovechar el trabajo de la IA y devolver parte del análisis:

{
  "ok": true,
  "analizado": true,
  "sentimiento": "mixto",
  "prioridad": "media",
  "objecion_principal": "precio"
}

Nodo Respond to Webhook

Así que finalmente en nuestro caso, en el campo Response Body, hemos puesto lo siguiente: .

={{ {
  ok: true,
  analizado: true,
  sentimiento: $json.sentimiento,
  interes: $json.interes,
  objecion_principal: $json.objecion_principal,
  prioridad: $json.prioridad,
  resumen: $json.resumen,
  fecha: $json.fecha
} }}

Una vez añadido este nodo al workflow, en el nodo webhook del principio del flujo de trabajo, hay que acordarse de cambiar en el campo Respond de "Immediately" a "Using Respond to Webhook" node.

11. Activar el workflow y probarlo

Ya tenemos el workflow completo. Hemos conectado N8N con OpenAI, procesado la respuesta, enviado alertas por Telegram y preparado una respuesta JSON para el sistema externo. Ahora llega probar todo el sistema de principio a fin.

Workflow completo

Para nuestra prueba, dentro del nodo Webhook pulsamos:

Listen for test event

N8N quedará esperando una petición entrante en la Test URL.

Ejemplo:

https://tu-n8n.com/webhook-test/analyze-text

Una forma rápida de validar todo el flujo es usar curl.

curl -X POST "http://localhost:5678/webhook-test/analyze-text" -H "Content-Type: application/json" -d "{\"texto\":\"Estoy interesado en vuestro servicio, pero el precio me parece alto\"}"

Esto simula que otro sistema nos envía texto real.

Si todo ha ido bien, verás avanzar los nodos uno a uno, OpenAI analizará el mensaje y generará sentimiento, interés,..., Telegram enviará una oferta y "Respond to webhook" responderá.

Problemas habituales

Nodo	Posible error
Webhook	URL incorrecta
HTTP Request	API Key inválida
OpenAI	saldo agotado
Parse AI Output	JSON inesperado
Telegram	Chat ID incorrecto
Respond	Expression mal escrita

Cuando todo funcione, guardamos el workflow y lo pasamos a producción (activar o publicar). Usaremos la Production URL:

https://tu-n8n.com/webhook/analyze-text

Desde ese momento N8N escuchará 24/7, y cualquier sistema podrá enviar textos.

12. Variaciones sencillas para experimentar

El workflow que hemos construido en este artículo ya es muy potente. Con unas pocas piezas hemos creado un sistema capaz de recibir texto, interpretarlo con Inteligencia Artificial y actuar automáticamente.

Una vez entiendes esta arquitectura:… las posibilidades se multiplican.

Clasificar leads comerciales

En lugar de solo analizar interés y objeciones, podrías pedir a la IA:

• probabilidad de compra

• sector del cliente

• tamaño estimado de oportunidad

• urgencia comercial

Y después:

Lead caliente → Telegram ventas
Lead frío → CRM seguimiento

Detectar tickets urgentes

Si recibes mensajes de soporte, la IA puede clasificar:

• crítico

• normal

• consulta simple

Ejemplo:

No puedo acceder al sistema desde esta mañana

Resultado:

Prioridad alta

Y escalar automáticamente.

Resumir emails largos

Otro caso muy útil:

Webhook recibe email
   ↓
OpenAI resume
   ↓
Telegram envía resumen

Convertir mensajes en tareas

La IA puede leer un texto y extraer acciones pendientes.

Ejemplo:

Necesitamos revisar oferta, llamar al proveedor y actualizar planning.

Salida:

• revisar oferta

• llamar proveedor

• actualizar planning

Y después crear tareas automáticamente.

Clasificar formularios internos

También sirve para dentro una empresa:

• RRHH

• IT

• mantenimiento

• compras

• calidad

Cada solicitud puede enviarse automáticamente al área correcta.

Guardar histórico en Google Sheets

Podrías añadir después del Parse:

Google Sheets

Y almacenar el texto original, el sentimiento, la prioridad, la fecha y un resumen. Todo esto muy útil para reporting.

Combinar con IF

Una evolución muy potente:

Si prioridad = alta   ↓Telegram urgente
Si prioridad = baja   ↓Solo guardar

13. Conclusión: cuando N8N deja de automatizar y empieza a entender

Hasta ahora habíamos aprendido a automatizar tareas y todo eso sigue siendo valioso. Pero con la Inteligencia Artificial aparece una nueva dimensión:

ya no solo automatizamos acciones, también automatizamos parte de la interpretación.

Aunque el ejemplo parecía sencillo, hemos creado un sistema capaz de:

• recibir lenguaje humano

• analizar intención

• detectar tono

• identificar objeciones

• priorizar casos

• resumir contenido

• avisar automáticamente

• responder como API

Eso ya está muy cerca de soluciones reales usadas en empresas.

Antes:

Si ocurre X → haz Y

Ahora:

Si llega texto → entiéndelo → decide Y

A partir de aquí puedes construir workflows mucho más avanzados:

• asistentes internos

• triage automático de tickets

• copilotos comerciales

• lectura de emails inteligente

• PM dashboards narrativos

• clasificación documental

• agentes conectados a procesos

Si los capítulos anteriores enseñaban a automatizar tareas… este capítulo enseña a automatizar comprensión.

🌐 Recursos

📘 Documentación oficial

• Telegram Bots https://core.telegram.org/bots

• Documentación del nodo Telegram en N8N https://docs.n8n.io/integrations/builtin/app-nodes/n8n-nodes-base.telegram/

• Documentación de HTTP Request en N8N https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.httprequest/

  
  

💙 En Lozkorp, serie N8N

• Serie N8N (I): Automatiza tu mundo. Definición e instalación en local

• Serie N8N (II): Interfaz y Configuración – Comprende tu entorno de trabajo

• Serie N8N (III): Tu primer workflow real

• Serie N8N (IV): Triggers en N8N

• Serie N8N (V): Control de flujo – Condiciones, decisiones y ramificaciones

• Serie N8n (VI): Entender los datos – cómo fluye la información en un workflow

• Serie N8N (VII): Instalar N8N con Docker – del local al servidor sin miedo

• Serie N8N (VIII): Ejecutar workflows en Docker y resolver problemas de acceso a archivos

• Serie N8N (IX): Automatizar tareas programadas con Schedule Trigger

• Serie N8N (X): Enviar emails automáticos con N8N

• Serie N8N (XI): Notificaciones automáticas con Telegram

• Serie N8N (XII): Automatizar Google Sheets — guardar datos automáticamente

• Serie N8N (XIII): Recibir datos externos con Webhooks

  
  

📦 Descargar el workflow de este artículo: LK_n8n_wf_AI_Text_Analyzer_Telegram.json

LK_n8n_wf_AI_Text_Analyzer_Telegram.json

Descargar JSON • 7KB