Mejor LLM para N8N y agentes (2026)
Para agentes en N8N o Hermes lo que importa no es solo "inteligencia": es tool calling fiable, multi-turno y costo por call. Ranking por capacidad agéntica medida en multi-turno real.
La respuesta corta
2 modelos empatan en calidad para esta tarea: la diferencia entre ellos es más chica que el margen de error de la medición. Cuando la calidad empata, la decisión es de precio.
Cálculo sobre 3.000 llamadas/mes (≈100 por día: una respuesta de agente o un borrador de texto por llamada). ¿Otro volumen, o te importa más la velocidad? Ajusta los pesos en la calculadora. Los modelos citados están en la tabla de abajo, marcados.
Ranking: Mejor LLM para N8N y agentes (2026)
| # | Modelo | Tarea real ejecutada | Coding | Contenido | Razon. | Agentes | $ in/out per M | Velocidad |
|---|---|---|---|---|---|---|---|---|
| 1 | Claude Sonnet 4.6 ← el caro | 9.4 | 8.2 | 8.6 | 7.6 | 7.5 | $3.00 / $15.00 | 47 tok/s |
| 2 | Gemma 4 31B ← la mejor compra | 9.4 | 9.8 | 8.8 | 8.1 | 7.6 | $0.10 / $0.34 | 47 tok/s |
| 3 | Claude Opus 4.8 | 9.3 | 9.1 | 8.9 | 8.5 | 7.7 | $5.00 / $25.00 | 60 tok/s |
| 4 | Claude Opus 4.7 | 9.3 | 9.2 | 8.6 | 8.3 | 7.8 | $5.00 / $25.00 | 57 tok/s |
| 5 | Qwen 3.7 Max | 9.3 | 8.6 | 8.7 | 8.1 | 7.8 | $1.48 / $4.42 | 56 tok/s |
| 6 | Kimi K2 | 9.3 | 9.0 | 8.3 | 8.0 | 7.5 | $0.57 / $2.30 | 33 tok/s |
| 7 | Gemini 3.7 Flash | 9.3 | 9.8 | 8.5 | 8.0 | 7.3 | $0.38 / $1.88 | 111 tok/s |
| 8 | MiMo-V2.5 Pro | 9.3 | 8.5 | 8.3 | 8.1 | 7.7 | $0.43 / $0.87 | 49 tok/s |
La misma capacidad, por lo que cuesta
| # | Modelo | Calidad×precio | Tarea real ejecutada | $/1.000 llamadas | Velocidad |
|---|---|---|---|---|---|
| 1 | Qwen 3.7 Flash | 9.27 | 9.0 | $0.20 | 114 tok/s |
| 2 | Ling 3.0 Flash | 9.24 | 8.9 | $0.10 | 279 tok/s |
| 3 | Gemma 4 31B | 9.19 | 9.4 | $0.54 | 47 tok/s |
| 4 | DeepSeek V4 Flash 0731 | 9.13 | 8.9 | $0.29 | 50 tok/s |
| 5 | DeepSeek V4 Flash (OpenRouter) | 9.03 | 9.0 | $0.46 | 62 tok/s |
| 6 | GPT-OSS 120B | 8.92 | 8.6 | $0.28 | 53 tok/s |
| 7 | KAT Coder Air v2.5 | 8.82 | 9.1 | $0.94 | 156 tok/s |
| 8 | Poolside Laguna S 2.1 | 8.82 | 8.5 | $0.30 | 87 tok/s |
Cómo interpretar este ranking de agentes y operaciones
Este ranking no mide "inteligencia general" ni el score global ponderado. Mide qué modelo rinde mejor para agentes y operaciones en casos reales: workflows de N8N, agentes Hermes, chatbots de soporte, orquestación multi-paso, extracción de datos con herramientas. El orden depende únicamente del score de esa tarea puntual, no del costo, la velocidad ni la latencia.
En esta dimensión hay empate técnico en la cima (todos rondan los 9.4/10): el mejor depende de tu prioridad. Eso no significa que sea el único válido: si tu prioridad es costo, velocidad o privacidad, el orden puede cambiar. El score global del benchmark pondera calidad 70% + costo 15% + velocidad 7,5% + latencia 7,5%, pero acá estamos mirando solo la calidad de la tarea. Ajusta esos pesos en la calculadora para tu caso.
Los modelos que aparecen tienen al menos 50 runs, lo que reduce el ruido de outlier con poca muestra.
Top 3 explicado: por qué están arriba
1. Claude Sonnet 4.6 — 9.4/10
Claude Sonnet 4.6 (openrouter, propietario) cuesta $3.00 / $15.00 por millón de tokens y rinde a 47 tok/s. Su score en Tarea real ejecutada es 9.4/10. Es la opción a vencer en esta dimensión. Es propietario, pero puede valer la pena si ya integraste su ecosistema.
2. Gemma 4 31B — 9.4/10
Gemma 4 31B (openrouter, open source) cuesta $0.10 / $0.34 por millón de tokens y rinde a 47 tok/s. Su score en Tarea real ejecutada es 9.4/10. Es la alternativa más sólida si el primero no encaja en tu stack. Tiene pesos abiertos, así que puedes correrlo en varios providers o local.
3. Claude Opus 4.8 — 9.3/10
Claude Opus 4.8 (openrouter, propietario) cuesta $5.00 / $25.00 por millón de tokens y rinde a 60 tok/s. Su score en Tarea real ejecutada es 9.3/10. Es una tercera opción competitiva, especialmente si valoras otro factor además de la calidad pura. Es propietario, pero puede valer la pena si ya integraste su ecosistema.
Por qué Claude Sonnet 4.6 lidera
Claude Sonnet 4.6 encabeza el ranking para agentes y operaciones (multi-turno largo, tool calling y flujos tipo N8N / Hermes) con 9.4/10, a $3.00 / $15.00 por millón de tokens (47 tok/s, openrouter). Recuerda que el score global v4.9.0 pondera calidad 70% + costo 15% + velocidad 7,5% + latencia 7,5% — no es solo "el más inteligente", sino el que mejor rinde en producción para este caso.
Cuándo conviene este modelo
- Si tu prioridad es agentes y operaciones y quieres el mejor score de esta dimensión.
- Si tu volumen es medio/bajo (cientos a miles de calls/mes) y el costo no domina.
- Si ya usas este provider o no te importa el lock-in.
Costo real para volumen
Estimación para 1.000 y 10.000 calls/mes (asumiendo 300 tokens de input y 1.500 de output por call, promedio del benchmark):
| Modelo | $ por M tokens | 1.000 calls/mes | 10.000 calls/mes |
|---|---|---|---|
| Claude Sonnet 4.6 | $3.00 / $15.00 | $23.40 | $234 |
| Gemma 4 31B | $0.10 / $0.34 | $0.54 | $5.40 |
| Claude Opus 4.8 | $5.00 / $25.00 | $39.00 | $390 |
¿Dónde quedan los modelos frontier?
Mucha gente llega buscando GPT-5.6, Claude Opus/Fable o Grok. Acá está dónde quedan en esta tarea concreta, ordenados por calidad — no por lo que cuestan:
- Claude Opus 4.8#3 · top 109.3/10$5.00 / $25.00 por millón
- Grok 4.5#159.2/10$2.00 / $6.00 por millón
- GPT-5.5#319.0/10$5.00 / $30.00 por millón
- Claude Fable 5#388.9/10$10.00 / $50.00 por millón
- GPT-5.6 Luna#558.5/10$0.10 / $0.60 por millón
- GPT-5.6 Terra#598.4/10$1.00 / $6.00 por millón
- GPT-5.6 Sol#618.4/10$5.00 / $30.00 por millón
Antes de migrar, haz esto
Ya tienes un candidato. No lo cambies a ciegas: toma los dos primeros de la tabla y pásales cinco prompts reales tuyos, de los que ya corres en producción. Un benchmark general te dice quién arranca adelante; tu caso decide quién gana. Son veinte minutos y te ahorran una migración equivocada.
Y una advertencia sobre este ranking: se recalcula con cada lote de modelos nuevos. Como el score de cada modelo es relativo a todos los demás, un modelo nuevo mueve a todos. Lo que hoy es el #1 puede no serlo el mes que viene.
Cada vez que corro un lote nuevo, publico el recálculo ahí — con los datos crudos y lo que cambió de lugar. Es también donde hay gente tomando esta misma decisión. Entrar es gratis.
¿Qué mide este benchmark?
No es un benchmark académico (para eso están MMLU, HumanEval o SWE-bench). Es un benchmark aplicado para emprendedores hispanohablantes: mide qué modelo conviene poner en producción para casos reales, con lo que los benchmarks oficiales no cubren — costo en provider real, velocidad, español neutro y agentes multi-turno.
Contamos con 207 modelos catalogados, 157 testeados y 65.000+ runs reales evaluados por un LLM-as-Judge local (Phi-4, de Microsoft — sin conflicto de interés), en 4 pilares:
- Coding — generar código, JSON estructurado y debugging en tareas reales (plugins WordPress, scripts, templates de N8N).
- Contenido y marketing — blogs, copy y textos largos en español neutro (no traducción del inglés).
- Razonamiento — matemáticas, lógica formal y planificación multi-paso.
- Agentes y operaciones — multi-turno largo, tool calling y flujos tipo N8N / Hermes.
Dos números distintos, no los confundas. Las tablas por tarea de esta página se ordenan por calidad en esa tarea: capacidad pura, sin mezclar precio. Es la respuesta a "¿quién lo hace mejor?".
El score global es otra cosa: una función ponderada (calidad 70% + costo 15% + velocidad 7,5% + latencia 7,5%) que responde "¿qué conviene poner en producción?". Ahí un modelo barato y rápido sí puede superar a uno más capaz pero caro. Los dos números sirven — para preguntas distintas.
Tool calling va como insignia aparte (no suma al score global): indica si el modelo soporta herramientas, no su calidad. Límite conocido: el juez es Phi-4 (14B) y varios modelos evaluados son más capaces que él — ordena bien, pero comprime las diferencias en la cima. Leé un empate como "el juez no los distingue", no como "son idénticos". Metodología y tests completos.
Comparaciones relacionadas
Preguntas frecuentes sobre agentes y operaciones
¿Cuál es el mejor LLM para agentes y operaciones hoy?
Según nuestro benchmark, Claude Sonnet 4.6 lidera en agentes y operaciones con 9.4/10, pero el ranking completo te deja elegir según tu presupuesto y prioridad. No hay un único 'mejor' universal.
¿Por qué un modelo barato gana en agentes y operaciones a modelos frontier?
Porque el score global pondera calidad, costo, velocidad y latencia. Un modelo más barato y rápido puede tener mejor valor de producción que uno caro y lento, aunque el frontier tenga más capacidad bruta en algunas tareas.
¿Para qué casos NO sirve el #1 de este ranking?
Si tu caso es muy distinto a agentes y operaciones —por ejemplo, necesitas razonamiento profundo, tool calling crítico o privacidad extrema— probablemente haya mejores opciones. Usa la calculadora para ajustar pesos por caso.
¿De dónde salen estos datos?
De un benchmark abierto con 65.000+ runs reales y LLM-as-Judge local (Phi-4, Microsoft, sin conflicto de interés). Código y resultados en GitHub.
¿Cada cuánto se actualiza?
Con cada lote de modelos nuevos. La fecha de actualización está al inicio. Filtra la versión más reciente en la calculadora.
Prueba la calculadora con tu caso real
Ajusta presupuesto, calidad mínima y tipo de tarea sobre 100+ modelos. En 30 segundos tienes tu ranking personalizado.
Ir a la calculadora →