Mejores modelos IA para agentes N8N: comparativa con benchmark real (Septiembre 2026)
Si construyes agentes en N8N o Hermes, elegir el modelo correcto importa más que casi cualquier otro factor: una decisión equivocada puede 10× tu factura mensual sin mejorar la calidad visible. Acá: 10 modelos comparados con tests reales de tool calling, JSON workflows y latencia.
⚠️ Nota: "agente N8N" no es una sola cosa. Difiere si tu workflow tiene 1 LLM call vs 20 encadenadas, si necesita parsing estructurado vs texto libre, si la latencia importa al usuario o es batch nocturno.
Top 10 modelos para N8N (priorizando tool calling + velocidad)
| # | Modelo | Tarea real en agente | $ in/out per M | Tok/s | License |
|---|---|---|---|---|---|
| 1 | Claude Sonnet 4.6 | 9.40 | $3.00 / $15.00 | 47 | Propietaria |
| 2 | Gemma 4 31B | 9.36 | $0.10 / $0.34 | 50 | Gemma Terms |
| 3 | Claude Opus 4.8 | 9.34 | $5.00 / $25.00 | 60 | Propietaria |
| 4 | Claude Opus 4.7 | 9.29 | $5.00 / $25.00 | 57 | Propietaria |
| 5 | Qwen 3.7 Max | 9.29 | $1.48 / $4.42 | 56 | Propietaria |
| 6 | Kimi K2 | 9.29 | $0.57 / $2.30 | 33 | Modified MIT |
| 7 | Gemini 3.7 Flash | 9.28 | $0.38 / $1.88 | 111 | Propietaria |
| 8 | MiMo-V2.5 Pro | 9.27 | $0.43 / $0.87 | 49 | Propietaria |
| 9 | Kimi K3 | 9.27 | $3.00 / $15.00 | 37 | Open source |
| 10 | GLM 5.2 | 9.26 | $0.49 / $1.54 | 53 | MIT |
¿Qué modelo elegir según tu agente N8N?
Si tu agente hace 100-500 calls/día con tool calling crítico
Qwen 3.7 Flash es la mejor combinación medida: 8,18 en tool calling
—el más alto del corte barato— con calidad 8,46 y $0,20 por cada 1.000 llamadas. El JSON output
es robusto, testeado en code_generation/n8n_workflow_json.
Si lo que te duele es la espera y no el costo, Llama 4 Scout 17B responde en 7,6 s contra los 28 s de Qwen, y paga por eso medio punto de tool calling (7,62) y $0,48. En un workflow de 5-10 llamadas encadenadas, esa diferencia son minutos por corrida.
Hasta el 16 de agosto de 2026 acá recomendábamos Llama 3.1 8B Instant en Groq, que respondía en 1,3 s gracias a su LPU. Groq lo apagó, junto con Llama 3.3 70B Versatile. Vale decir lo que se perdió: ningún modelo del ranking iguala esa latencia por otra ruta. Groq recomienda migrar a GPT-OSS, y ahí conviene mirar el número que su anuncio no menciona: GPT-OSS marca 6,4-6,5 en tool calling contra 8,0 del que reemplaza. Si tu agente solo redacta, es un buen cambio; si llama herramientas, es un retroceso.
Si construyes un SaaS con miles de calls/mes
Mistral Small 4 ($0.15/$0.60) o Ministral 14B ($0.20/$0.20) son los más eficientes. Para 10,000 calls/mes a 1,800 tokens promedio: Mistral ~$11/mes, Devstral ~$5/mes vs ~$162/mes con Claude Sonnet 4.6.
Si tu agente requiere razonamiento (no solo tool calling)
Hermes 4 70B tiene "hybrid reasoning" — combina respuestas rápidas con modo razonamiento profundo cuando lo amerita. DeepSeek R1 es backup sólido si necesitas reasoning puro.
Si quieres open-source para correr local + N8N self-hosted
Mistral Small 4 (Apache 2.0, 24B) cabe en hardware modesto y soporta tool calling OpenAI-compatible. Ministral 14B es alternativa también Apache 2.0. Para más detalles sobre setup local: modelos open-source local.
Si N8N corre en un servidor con poco budget
NVIDIA NIM ofrece 135+ modelos GRATIS con 40 RPM — más que suficiente para agentes con uso secuencial moderado. Modelos disponibles: Llama 3.3, Mistral Small, Nemotron Ultra.
Caso real: agente de Cristian para ecosistemastartup.com
Cristian Tala (autor del benchmark) usa N8N para automatizar la generación de contenido de su blog ecosistemastartup.com. El agente investiga noticias del ecosistema startup chileno/latinoamericano, sintetiza y genera borradores. Modelo en producción: Qwen 3.5 397B Cloud via Ollama Cloud (incluido en suscripción ~$30/mes, sin costo por call).
Por qué no eligió uno del top 5 del benchmark global: el caso de uso es contenido largo en español sobre actualidad, donde Qwen 3.5 supera en context preservation y tono natural. Lección: el ranking global es referencia, pero valida en tu caso real.
Preguntas frecuentes
¿Cómo configuro un modelo del benchmark en N8N?
N8N tiene nodo 'OpenAI Chat Model' — usa cualquier endpoint OpenAI-compatible. Configura: baseURL: https://openrouter.ai/api/v1 (o Groq, NVIDIA NIM, Ollama Cloud), tu API key y el model del benchmark. Ejemplo: mistralai/mistral-small-2603.
¿Qué pasa si el modelo open-source que elijo deja de funcionar?
Modelos open-source en OpenRouter pueden deprecar. Estrategia: tener un fallback configurado. N8N permite chains con if/error — primer modelo Mistral Small 4, fallback a Llama 3.3 Groq, fallback final a GPT-4.1.
¿Tool calling funciona igual en todos los modelos del benchmark?
No. Tool calling es OpenAI-compatible en mayoría pero la robustez varía. El benchmark mide esto como badge; los del top 10 de agentes tienen tool calling testado robusto.
¿Cuánto cuesta correr un agente N8N con 1000 calls/día?
Asumiendo 300 input + 1500 output tokens promedio (~30K calls/mes): Llama 3.3 Groq ~$25/mes, Mistral Small 4 ~$32/mes, Ministral 14B ~$15/mes, Claude Sonnet 4.6 ~$162/mes. El benchmark es la diferencia entre $15 y $162 por la misma calidad práctica.
¿Debería usar un modelo distinto por nodo en N8N?
Sí, es buena práctica. Routing/clasificación con Gemini Flash Lite (rápido, barato), generación con Llama 3.3 Groq, validación final con GPT-4.1 si es crítico. Stack híbrido suele superar al single-modelo en costo y calidad.
Prueba la calculadora con tu caso real
Filtra por presupuesto mensual, calidad mínima, velocidad requerida y tipo de tarea. En 30 segundos encuentras el mejor para ti.
Ir a la calculadora →