La oportunidad oculta en la automatización del flujo de trabajo de IA con n8n para empresas de baja tecnología

En las redes sociales, alguien afirma que su “agente de IA” se encargará de todo su negocio mientras duerme.

Es como si pudieran implementar AGI en fábricas, equipos financieros y servicio al cliente utilizando su plantilla n8n “secreta”.

Mi realidad es que muchas empresas todavía están luchando por recopilar y armonizar datos para seguir métricas básicas de desempeño.

Director de Logística: "Ni siquiera sé cuántos pedidos se entregaron tarde, ¿qué crees que puede hacer tu agente de IA?"

Y estos flujos de trabajo de IA anunciados, que a menudo no están listos para la producción, lamentablemente no pueden hacer nada para ayudar con eso.

Por lo tanto, adopto un enfoque más pragmático para nuestros proyectos de cadena de suministro.

En lugar de prometer un AGI que se encargará de todas sus operaciones logísticas, comencemos con los problemas locales que perjudican un proceso específico.

Director de Logística: “Quiero que nuestros operadores se deshagan de papeles y bolígrafos para la preparación de pedidos y el conteo del ciclo de inventario”.

La mayoría de las veces, implica extracción de datos, entrada de datos repetitiva y trabajo administrativo pesado mediante procesos manuales que son ineficientes y carecen de trazabilidad.

Por ejemplo, un cliente estaba utilizando procesos basados ​​en papel para organizar los recuentos del ciclo de inventario en su almacén.

Imagine un controlador de inventario que imprime un archivo de Excel con una lista de las ubicaciones a verificar.

Luego camina por los callejones y registra manualmente la cantidad de cajas en cada ubicación en un formulario como el que se muestra a continuación.

En cada ubicación, el operador debe hacer una pausa para registrar la cantidad real y confirmar que el área ha sido revisada.

¡Podemos (y debemos) digitalizar este proceso fácilmente!

Esto es lo que hicimos con un Telegram Bot que usa n8n, conectado a un agente con tecnología GPT, que permite comandos de voz.

Nuestro operador ahora solo necesita seguir las instrucciones del bot y usar mensajes de audio para informar la cantidad de cajas contadas en cada ubicación.

Esta digitalización local se convierte en el primer paso concreto en la transformación digital de esta empresa de baja madurez de datos.

Incluso agregamos registro para mejorar la trazabilidad del proceso y reportar productividades.

En este artículo, utilizaré dos ejemplos operativos del mundo real para mostrar cómo n8n puede respaldar las transformaciones digitales de la cadena de suministro de las pymes.

La idea es utilizar esta plataforma de automatización para implementar flujos de trabajo de IA simples que tengan un impacto real en las operaciones.

Para cada ejemplo, proporcionaré un enlace a un tutorial completo (con un repositorio de GitHub que contiene una plantilla) que explica en detalle cómo implementar la solución en su instancia.

Vocalización de Procesos

En las operaciones de logística y cadena de suministro, siempre se trata de productividad y eficiencia.

Los diseñadores de soluciones de cadena de suministro analizan los procesos para estimar la productividad óptima analizando cada paso de una tarea.

Un gran avance fue la implementación de la selección de voz, también llamada vocalización.

La idea es que los operadores se comuniquen con el sistema por voz para recibir instrucciones y brindar retroalimentación con interacciones como esta:

Selección por voz: "Vaya a la ubicación A, elija cinco casillas". Operador: “Ubicación A, cinco cajas seleccionadas”. Selección por voz: "Vaya a la ubicación D, elija seis casillas". Operador: “Ubicación D, seis cajas seleccionadas”.

Esto aumenta la productividad de los operadores, ya que ahora sólo necesitan centrarse en seleccionar las cantidades correctas en los lugares adecuados.

Pero estas soluciones, normalmente proporcionadas por proveedores de sistemas de gestión de almacenes, pueden resultar demasiado caras para operaciones pequeñas.

Aquí es donde podemos usar n8n para construir una solución liviana impulsada por IA generativa multimodal.

Vocalización del recuento cíclico del inventario

Quiero volver al ejemplo inicial para mostrarles cómo utilicé Text-To-Speech (TTS) para digitalizar un proceso en papel.

Apoyamos al equipo de gestión de stock en un almacén minorista de moda de tamaño mediano.

Regularmente realizan lo que llamamos recuentos cíclicos de inventario:

Seleccionan aleatoriamente lugares de almacenamiento en el almacén. Extraen del sistema el nivel de inventario en cajas. Verifican en el lugar la cantidad real.

Para eso utilizan una hoja de cálculo como esta.

Su proceso actual es muy ineficiente porque el contador de existencias debe ingresar manualmente la cantidad real.

Podemos reemplazar las hojas impresas con teléfonos inteligentes usando bots de Telegram orquestados por n8n.

El operador comienza conectándose al bot e iniciando el proceso con el comando /start.

Nuestro robot tomará la primera ubicación no marcada e indicará al operador que vaya allí.

El operador llega al lugar, cuenta el número de cajas y emite un comando vocal para informar la cantidad.

Se registra la cantidad y la ubicación se marca como marcada.

Luego, el robot le pedirá automáticamente al operador que se mueva a la siguiente ubicación no marcada.

Si la respuesta vocal del operador contiene un error, el robot solicita una corrección.

El proceso continúa hasta llegar a la ubicación final.

¡El recuento cíclico se completa sin utilizar papel!

Esta solución liviana se implementó para 10 operadores con recuentos de ciclos orquestados mediante una simple hoja de cálculo.

¿Cómo logramos eso?

Echemos un vistazo al flujo de trabajo en detalle.

Vocalizar procesos logísticos con n8n

La mayoría de los nodos se utilizan para la orquestación de los diferentes pasos del conteo cíclico.

Primero, tenemos los nodos para generar las instrucciones:

(1) activa el flujo de trabajo cuando un operador envía un mensaje o un audio (6) guía al operador si pide ayuda o usa el comando incorrecto (7) y (8) mira la hoja de cálculo para encontrar la siguiente ubicación para verificar

Para eso, no necesitamos almacenar variables de estado ya que la lógica la maneja la hoja de cálculo con "X" y "V" en la columna marcada.

La parte clave de este flujo de trabajo está en la pegatina verde.

La vocalización se maneja aquí mientras recopilamos el archivo de audio en el nodo Collect Audio.

Este archivo se envía al nodo de transcripción de audio de OpenAI en n8n, que proporciona una transcripción escrita del comando vocal de nuestro operador.

Como no podemos garantizar que todos los operadores sigan el formato del mensaje, utilizamos este nodo de agente OpenAI para extraer la ubicación y la cantidad de la transcripción.

[AVISO DEL SISTEMA] Extraiga el código de ubicación de almacenamiento y la cantidad contada de esta breve transcripción del almacén (EN/FR). Devuelva SÓLO este JSON: {"location_id": "…", "quantity": "0"} – location_id: cadena o nulo (código de ubicación, por ejemplo, "A-01-03", "B2") – cantidad: cadena o nulo (convierta palabras en números, por ejemplo, "veintisiete" → 27) Si falta un valor o no está claro, configúrelo en nulo. Sin texto adicional, sin explicaciones. [ { "salida": { "ubicación_id": "A14", "cantidad": "10" } } ]

Gracias al Structured Output Parser obtenemos un JSON válido con la información requerida.

Esta salida es luego utilizada por los bloques (4) y 5)

(4) le pedirá al operador que repita si hay un error en la transcripción (5) está actualizando la hoja de cálculo con la cantidad informada por el operador si las ubicaciones y cantidades son válidas

Ahora hemos cubierto todos los escenarios potenciales con una solución sólida impulsada por IA.

Vocalización de procesos mediante TTS

Con este flujo de trabajo simple, mejoramos la productividad de los contadores de existencias, redujimos los errores y agregamos capacidades de registro.

No vendemos AGI con esta solución.

Resolvemos un problema simple con un enfoque que aprovecha las capacidades de conversión de texto a voz de los modelos de IA generativa.

Para obtener más detalles sobre esta solución (y cómo implementarla), puede consultar este tutorial (+ flujo de trabajo)

¿Qué pasa con el procesamiento de imágenes?

En el siguiente ejemplo, exploraremos cómo utilizar las capacidades de procesamiento de imágenes de los LLM para respaldar los procesos de recepción.

Automatizar los informes de daños en el almacén

En un almacén, recibir mercancías dañadas puede convertirse rápidamente en una pesadilla.

Debido a que la recepción puede convertirse en un cuello de botella para su equipo de distribución, los equipos de operaciones entrantes están bajo una presión significativa.

Necesitan recibir tantas cajas como sea posible para que el inventario se actualice en el sistema y las tiendas puedan realizar pedidos.

Cuando reciben mercancía dañada, toda la máquina tiene que detenerse para seguir un proceso específico:

Los daños deben informarse con información detallada. Los operadores deben adjuntar fotografías de las mercancías dañadas.

Para los operadores que tienen objetivos de productividad altos (cajas recibidas por hora), este cargo administrativo puede volverse rápidamente inmanejable.

Con suerte, podremos utilizar las capacidades de visión por computadora de los modelos generativos de IA para facilitar el proceso.

Proceso de informe de daños entrantes

Imaginemos que es un operador del equipo inbound de la misma empresa minorista de moda.

Recibiste este palet dañado.

Se supone que debes preparar un informe que envías por correo electrónico, con:

Resumen de daños: un resumen de una frase de los problemas a informar Daño observado: detalles del daño con ubicación y descripción Gravedad (superficial, moderada, grave) Acciones recomendadas: devolución de la mercancía o arreglos rápidos Información de la plataforma: SKU o número de código de barras

Afortunadamente, su equipo le dio acceso a un Telegram Bot recién implementado.

Inicias la conversación con un comando /start.

Sigues las instrucciones y empiezas subiendo la imagen del palet dañado.

Luego, el bot le pide que cargue el código de barras.

Unos segundos más tarde, recibe esta notificación.

Ahora puede transferir la plataforma al área de preparación.

¿Qué pasó?

El flujo de trabajo automatizado generó este correo electrónico que se le envió a usted y al equipo de calidad.

El informe incluye:

Resumen de daños por identificación de palés, daños observados y evaluación de la gravedad Acciones recomendadas

Esto se generó automáticamente justo después de cargar la foto y el código de barras.

¿Cómo funciona?

Detrás de este bot de Telegram, también tenemos un flujo de trabajo n8n.

Análisis de daños con visión por computadora usando n8n

Al igual que en el flujo de trabajo anterior, la mayoría de los nodos (en notas adhesivas rojas) se utilizan para la orquestación y recopilación de información.

El flujo de trabajo también se activa mediante mensajes recibidos del operador:

(1) y (2) garantizan que enviemos el mensaje de instrucción al operador si el mensaje no contiene una imagen (3) utiliza variables de estado para saber si esperamos tener una imagen de productos dañados o un código de barras

La salida se envía a bloques impulsados ​​por IA.

Si esperamos un código de barras, el archivo se envía a la sección (4); en caso contrario, se envía al apartado (5).

Para ambos, estamos utilizando los nodos Analizar imagen de n8n de OpenAI.

La imagen descargada se envía al nodo de análisis de imágenes con un mensaje sencillo.

Lea el código de barras, solo envíe el valor, nada más.

En este caso, elegí utilizar un modelo de IA generativa porque no podemos garantizar que los operadores siempre proporcionen imágenes claras de códigos de barras.

Para (5), el mensaje del sistema es un poco más avanzado para garantizar que el informe esté completo.

Eres un asistente de IA especializado en operaciones de almacén y notificación de mercancías dañadas. Analice la imagen proporcionada y genere un informe de daños limpio y estructurado. Sea objetivo y describa sólo lo que pueda ver. Su resultado DEBE seguir esta estructura exacta: Resumen de daños: – [Descripción de alto nivel de 1 a 2 oraciones] Daño observado: – Estado del embalaje: […] – Estado de la paleta: […] – Estado del producto: […] – Estabilidad: […] Gravedad: [Leve / Moderada / Grave] Acciones recomendadas: – […] – […] Directrices: – NO alucine información que no sea visible en la imagen. – Si algo no está claro, escriba: "No visible". – La gravedad debe ser una de: Menor, Moderada, Severa.

Este mensaje del sistema se redactó en consulta con el equipo de calidad, quien compartió sus expectativas para el informe.

Este informe se almacena en una variable de estado que será utilizada por (6) y (7) para generar el correo electrónico.

El informe incluye código JavaScript y una plantilla HTML que se completa con los datos del informe y el código de barras.

El resultado final es un informe conciso listo para ser enviado a nuestro equipo de calidad.

Si desea probar este flujo de trabajo en su instancia, puede seguir el tutorial detallado (+ plantilla compartida) en este video.

Todas estas soluciones se pueden implementar directamente en su instancia n8n.

¿Pero qué pasa si nunca has usado n8n?

Comience a aprender a automatizar con n8n

Para los principiantes, he preparado un tutorial completo de principio a fin en el que les muestro cómo:

Configure su instancia n8n Configure las credenciales para conectarse a Google Sheets, Gmail y Telegram Realice procesamiento de datos básico y cree su primer nodo de agente de IA

Al final de este tutorial, podrá ejecutar cualquiera de estos flujos de trabajo presentados anteriormente.

Una excelente manera de practicar es adaptarlos a sus propias operaciones.

¿Cómo mejorar este flujo de trabajo?

Los desafío a mejorar esta versión inicial utilizando las capacidades de conversión de texto a voz de los modelos de IA generativa.

Podemos, por ejemplo, pedirle al operador que proporcione contexto adicional a través de audio y hacer que un nodo de Agente de IA lo incorpore al informe.

Conclusión

Este no es mi primer proyecto que utiliza n8n para automatizar flujos de trabajo y crear automatizaciones impulsadas por IA.

Sin embargo, estos flujos de trabajo siempre estuvieron vinculados a productos analíticos complejos que realizaban optimización (asignación de presupuesto, planificación de producción) o previsión.

Estas capacidades avanzadas de análisis prescriptivo abordaron los desafíos que enfrentan las grandes empresas.

Para apoyar a las PYME menos maduras, tuve que adoptar un enfoque más pragmático y centrarme en resolver “problemas locales”.

Esto es lo que intenté demostrar aquí.

Espero que esto haya sido lo suficientemente convincente. No dude en probar los flujos de trabajo usted mismo utilizando mis tutoriales.

En el próximo artículo, exploraremos el uso de un servidor MCP para mejorar estos flujos de trabajo.

Conectémonos en LinkedIn y Twitter; Soy Ingeniero de Cadena de Suministro y utilizo análisis de datos para mejorar las operaciones logísticas y reducir costos.

Para consultoría o asesoramiento sobre análisis y transformación sostenible de la cadena de suministro, no dude en ponerse en contacto conmigo a través de Logigreen Consulting.

Samir Saci | Ciencia de datos y productividad
Un blog técnico centrado en ciencia de datos, productividad personal, automatización, investigación de operaciones y sostenibilidad… samirsaci.com