El stack 2026 para agentes IA: Vercel AI SDK, Claude, n8n y MCP
Arquitectura defendible para agentes IA empresariales en Chile y LATAM: por qué este stack, qué hace cada pieza, dónde rompe y cómo lo construimos en clientes reales.
Construir un agente de IA empresarial en 2026 sin atajos requiere cuatro piezas conversando entre sí: un orquestador para procesos de negocio (n8n), un modelo de razonamiento de frontera (Claude de Anthropic), un SDK que conecte ese modelo a tus sistemas con tipado estricto (Vercel AI SDK), y un protocolo abierto para hablar con tus herramientas internas sin reinventar adaptadores cada vez (MCP, Model Context Protocol). Este artículo cuenta la arquitectura que recomendamos en Cognitiva para PyMEs y empresas medianas en Chile y LATAM: por qué este stack y no otro, qué hace cada pieza, dónde rompe, y cómo lo construimos en clientes reales. Cero hype. Si quieres una versión sin código, salta al apartado "Decisión ejecutiva" al cierre.
Por qué este stack y no otro
A mediados de 2026 el ecosistema de agentes ha pasado por dos olas. La primera, durante 2023-2024, fue la era LangChain: abstracciones genéricas, mucha demostración en notebooks y poca producción real. La segunda, 2025-2026, es la era de los SDKs tipados específicos (Vercel AI SDK, Anthropic SDK, OpenAI SDK), de los modelos de frontera con tool calling nativo (Claude Opus 4.x, GPT-5.x, Gemini 3) y de los estándares abiertos que evitan reinventar adaptadores (MCP, donado a la Linux Foundation en diciembre de 2025).
El criterio para elegir un stack ya no es "qué framework usa la comunidad". Es:
- ¿Puedo iterar rápido sin pegamento custom entre piezas?
- ¿Puedo cambiar el modelo subyacente sin reescribir la lógica?
- ¿Puedo testear y observar el agente en producción?
- ¿Puedo entregarlo a un equipo no autor que lo mantenga?
- ¿Cumple con la regulación que viene (Ley 21.719 Chile, EU AI Act)?
Vercel AI SDK + Claude + n8n + MCP responde sí a las cinco preguntas con menos compromisos que las alternativas. Más adelante explico cuándo no es la respuesta correcta.
Las alternativas que descartamos (y por qué)
| Stack | Por qué lo descartamos para B2B chileno |
|---|---|
| LangChain + OpenAI + custom workers | Abstracciones que cambian cada 3 meses; debugging difícil; lock-in operativo. |
| Solo n8n (sin SDK) | Limitado para lógica conversacional rica; agentes no son su core. |
| Microsoft Copilot Studio + Power Platform | Excelente si la empresa ya es 100 % M365; lock-in fuerte; difícil cuando hay sistemas no-Microsoft. |
| OpenAI Assistants API directo | Lock-in a OpenAI; ventana de contexto y precios menos competitivos en 2026. |
| Make/Zapier + LLM | Buenos para automatizaciones simples; insuficiente para agentes con memoria y herramientas. |
Ninguno está "mal". Cada uno sirve a un caso distinto. Lo que sigue es la elección que hacemos para el caso típico que vemos: empresa con 50-500 empleados, sistemas heterogéneos (CRM + ERP + WhatsApp + planillas + base SQL), equipo TI chico, presupuesto exigente y deseo de no quedar atrapado en un proveedor.
Vercel AI SDK: el cerebro tipado del agente
Vercel AI SDK es la librería que conecta la aplicación TypeScript/JavaScript a uno o varios proveedores de LLM con una interfaz uniforme, tool calling tipado y streaming server-sent. En 2026 es el SDK más maduro para aplicaciones web en el ecosistema Node/Next.
Qué resuelve
- Adaptación multi-proveedor: el mismo código llama Claude, GPT, Gemini o un modelo open-source mediante providers. Si un modelo se vuelve caro, lento o se discontinúa, cambias un import.
- Tool calling tipado: las herramientas se declaran con esquemas Zod; el SDK valida los argumentos antes de pasárselos a tu código. Reduce alucinaciones que generaban llamadas con campos mal formateados.
- Streaming nativo: streamText y streamObject entregan tokens y campos parciales mientras el modelo razona.
- Memoria y agentes con varias vueltas: manejo de mensajes y herramientas iterativas con maxSteps.
- Observabilidad por hooks: onStepFinish y onFinish permiten loguear cada paso a tu observabilidad.
Ejemplo mínimo en TypeScript
import { anthropic } from '@ai-sdk/anthropic';
import { streamText, tool } from 'ai';
import { z } from 'zod';
const result = await streamText({
model: anthropic('claude-opus-4-7'),
system: 'Eres un agente de atención al cliente chileno. Tono ejecutivo, sin chilenismos marcados.',
messages,
maxSteps: 5,
tools: {
buscarPedido: tool({
description: 'Busca el estado de un pedido por número.',
parameters: z.object({ numero: z.string().min(1) }),
execute: async ({ numero }) => {
return await fetchPedidoDesdeERP(numero);
},
}),
agendarRetiro: tool({
description: 'Agenda un retiro en sucursal.',
parameters: z.object({
pedidoId: z.string(),
fecha: z.string().describe('Fecha ISO 8601'),
sucursal: z.enum(['providencia', 'vitacura', 'las-condes']),
}),
execute: async (input) => agendarEnSistema(input),
}),
},
});Dos cosas son críticas: las descripciones de las tools son parte del contrato con el modelo (pobre descripción, pobres llamadas), y el esquema Zod valida (si el modelo inventa un valor fuera del enum, el SDK lo rechaza antes de que tu código lo vea).
Cuándo no usar Vercel AI SDK
- Stack puramente Python: usar SDK oficiales de Anthropic, OpenAI o Google con un orquestador en código.
- Aplicación con cero JavaScript: ídem.
- Equipo con experiencia profunda en LangGraph y producción ya estable.
Claude: el modelo de frontera recomendado por defecto en enterprise
Anthropic lidera adopción enterprise en 2026. Distintos trackers reportan a Claude por delante de OpenAI en gasto B2B en software corporativo durante el primer semestre del año. La elección no es ideológica: es técnica y económica.
Por qué Claude para casos enterprise
- Calidad de razonamiento sostenida en tareas largas con muchas herramientas (el cuello de botella de los agentes reales).
- Seguimiento de instrucciones notablemente más obediente: cuando dices "responde solo en español de Chile, sin emojis", lo respeta.
- Tool calling robusto: menor tasa de invenciones de parámetros vs alternativas en nuestras pruebas internas con tools tipadas.
- Computer use y browser use disponibles vía API para agentes que automatizan workflows en aplicaciones sin API.
- Privacidad por contrato: Claude for Work y la API enterprise no usan los inputs para entrenamiento; DPA negociable con jurisdicción y retención. Importa para cumplimiento Ley 21.719.
Estrategia multi-modelo (no quedar atado)
Aunque recomendamos Claude por defecto, nunca lo dejamos como única opción en producción. La arquitectura incluye un router que puede caer a GPT, Gemini o un modelo open-source si hay degradación del proveedor primario, si un caso específico rinde mejor en otro modelo, o si cambian materialmente las condiciones comerciales.
El switch idealmente se hace cambiando una línea de `model:` en la llamada al SDK. Esto requiere disciplina al diseñar prompts: lo que es Claude-specific (formato XML para herramientas, ciertos role tags) hay que mantenerlo aislado.
Costo realista en CLP
Para una empresa chilena que opera un agente WhatsApp con tráfico moderado (10-20 mil conversaciones mensuales), la cuenta típica con Claude Opus 4.x se mueve entre USD 200 y USD 800 al mes según largo de conversación y uso de tools. En CLP referencial (CLP/USD ≈ 950 en jun-2026): aproximadamente CLP 190.000 a CLP 760.000 mensuales solo en inferencia. Sumar costo de infraestructura (Vercel, base de datos vectorial si aplica), proveedor WhatsApp BSP y mantenimiento. Cualquier proveedor que prometa "agente WhatsApp con IA todo incluido por CLP 50.000 al mes" o está usando un modelo enano o no incluye los costos reales.
n8n: el orquestador para procesos no triviales
n8n se transformó durante 2025-2026 de "automation tool" a "AI workflow platform". Hoy es nuestro orquestador por defecto cuando el caso de uso pasa de "agente conversacional" a "agente conversacional + procesos de negocio".
Por qué n8n y no Make/Zapier
- Self-hostable (open-source con licencia fair-code). No quedas atado a la nube de la herramienta.
- Soporta lógica con código (nodos JavaScript/Python) cuando el flujo lo necesita.
- Catálogo amplio de conectores oficiales (más de 400 nodos) y comunidad activa.
- Modo agente nativo desde 2026: puedes orquestar agentes IA directamente como nodos.
- Costo predecible en self-hosted: paga infraestructura, no por ejecución.
Make y Zapier siguen siendo mejores para usuarios no técnicos y para automatizaciones extremadamente simples. n8n requiere comodidad con APIs y un mínimo de TI; a cambio escala mucho mejor en complejidad.
Patrón de uso típico
El reparto que hacemos por capa:
| Capa | Responsabilidad | Tecnología |
|---|---|---|
| Conversación | Recibir mensaje, decidir intención, generar respuesta, llamar tools. | Vercel AI SDK + Claude (corre en Vercel Functions o Next.js) |
| Procesos de negocio | Enviar facturas, actualizar CRM, mover archivos, sincronizar inventarios. | n8n (self-hosted o cloud) |
| Datos | Persistencia, memoria, embeddings. | Postgres + pgvector |
| Integración | Hablar con sistemas heterogéneos. | MCP servers + n8n nodes |
n8n no reemplaza al agente. Lo complementa cuando hay procesos largos, asíncronos o multi-paso con dependencias entre sistemas. El agente conversacional invoca workflows n8n vía webhook o vía un MCP server expuesto sobre n8n.
Self-hosted vs Cloud
| Dimensión | Self-hosted | n8n Cloud |
|---|---|---|
| Costo inicial | Bajo (VPS pequeño) | Suscripción mensual desde unas decenas de USD |
| Mantenimiento | Tu equipo o tu proveedor | n8n se encarga |
| Datos en tu jurisdicción | Sí (relevante para Ley 21.719) | Configurable según plan |
| Escalabilidad | Manual: tú gestionas | Automática |
| Tiempo a producción | 1-3 días | Horas |
Para PyMEs chilenas, recomendamos self-hosted en Chile o cloud de Vercel/AWS según volumen y tolerancia a operar infraestructura.
MCP: el "USB-C" que cambia cómo conectamos sistemas
Model Context Protocol (MCP) es un estándar abierto que define cómo un LLM se conecta a herramientas, datos y aplicaciones. Anthropic lo introdujo en 2024, abrió la especificación, y en diciembre de 2025 lo donó a la Linux Foundation que fundó la Agentic AI Foundation con OpenAI, Anthropic, Block, Bloomberg, Cloudflare, Google, Microsoft y AWS. En 2026 ya tiene el momentum que JSON tuvo a mediados de los 2000.
Qué resuelve
Antes de MCP, cada integración entre un agente y un sistema requería un adaptador a medida: para Notion uno, para Salesforce otro, para tu base SQL otro. Cada framework de agentes (LangChain, AutoGen, custom) implementaba conectores con su propia interfaz. MCP estandariza:
- Cómo expones recursos (archivos, registros, bases de datos) a un agente.
- Cómo expones herramientas (funciones invocables).
- Cómo expones prompts (plantillas reutilizables).
- Cómo el agente descubre lo que el servidor ofrece.
Un servidor MCP que escribiste para Claude funciona idéntico con cualquier cliente MCP: Cursor, Claude Code, futuros frameworks. Cero re-trabajo.
Servidores MCP que vemos en clientes chilenos
- MCP para SII (envío y consulta de DTE).
- MCP para Defontana, Softland y Bsale (ERPs locales).
- MCP para Transbank y Webpay (pagos).
- MCP para HubSpot, Salesforce y Pipedrive (CRMs).
- MCP para Google Workspace (calendar, drive, gmail).
- MCP para n8n (disparar workflows desde el agente).
- MCP para Slack y WhatsApp Business (mensajería).
Algunos existen oficiales (Anthropic mantiene un directorio); otros los construimos a medida. Construir un MCP server simple toma de un día a una semana según la API destino.
Gobernanza MCP — el detalle que importa
MCP es poderoso, pero un servidor MCP con permisos amplios es un riesgo. Las recomendaciones que aplicamos:
- Autenticación robusta (no compartir tokens del agente con clientes humanos).
- Permisos por scope (que el agente lea pero no borre, salvo aprobación).
- Audit log de cada invocación.
- Modo "human-in-the-loop" para operaciones destructivas.
Arquitectura de referencia
El diagrama lógico que armamos en cliente típico:
+-----------------------------+
| Canales del cliente final |
| WhatsApp · Web · Email |
+--------------+--------------+
|
v
+--------------+--------------+
| Capa de orquestación |
| Vercel AI SDK + Claude |
| (Next.js + Vercel Functions)|
+--------------+---------------+
| | |
v v v
+----------+ +-------+ +-----------+
| n8n | | MCP | | Postgres |
| workflows| | servers| | + pgvector|
+----------+ +-------+ +-----------+
| |
v v
+--------------+--------------+
| Sistemas de negocio |
| ERP · CRM · SII · WhatsApp |
+------------------------------+Flujo típico de una conversación
- Cliente escribe a WhatsApp Business.
- Proveedor BSP (Twilio, 360dialog, Gupshup) reenvía el mensaje a un webhook en Vercel.
- La función serverless en Next.js recibe el mensaje, recupera el contexto del usuario desde Postgres y llama al agente con Vercel AI SDK + Claude.
- El modelo razona y decide qué herramienta invocar: buscar producto en ERP, agendar reunión, derivar a humano.
- Las herramientas son funciones tipadas que internamente pueden llamar a un servidor MCP (ej. MCP-Bsale para consultar stock), disparar un workflow n8n (ej. enviar correo con plantilla) o acceder directo a Postgres/pgvector (búsqueda semántica de FAQ).
- La respuesta se envía vía el BSP de vuelta al cliente.
- La interacción se loggea para evals y auditoría.
Persistencia y memoria
Postgres + pgvector es nuestra elección por defecto. Razones: si la empresa ya tiene Postgres no agregas un servicio nuevo, pgvector cubre la mayoría de los casos de RAG sin necesidad de Pinecone/Qdrant/Weaviate, backups y RBAC y auditoría ya vienen con Postgres. Cuando supera decenas de millones de embeddings o requiere features especializadas (HNSW tuneado, sharding), migrar a Qdrant o Pinecone es una decisión informada, no un default.
Trade-offs honestos: cuándo NO usar este stack
Repetir este stack para todo es un error. Casos donde recomendamos otra cosa:
Pura automatización sin componente conversacional
Si lo que necesitas es "cuando llega un pago en Transbank, crea factura en SII y notifica al cliente por email", no necesitas un agente. Necesitas n8n a secas, sin Vercel AI SDK ni Claude. Agregar un LLM a algo determinista es desperdicio de inferencia y nueva superficie de error.
Empresa 100 % Microsoft
Si toda la operación corre en M365, Teams, SharePoint, Dynamics, el ROI de migrar a un stack heterogéneo es bajo. Copilot Studio + Power Automate cubre la mayoría de los casos con menos overhead. Considerar el stack heterogéneo solo si hay un dolor específico no resuelto.
Aplicación crítica con latencia sub-200 ms
Los LLMs frontera tienen latencia de cientos de milisegundos a varios segundos. Para tareas donde la latencia humana percibida es crítica (trading, control de procesos físicos, gaming), un LLM no es la respuesta. Modelos especializados pequeños, on-device o reglas.
Equipo TI inexistente
Este stack asume al menos una persona que pueda mantener Vercel, Postgres y n8n. Si la empresa no tiene esa capacidad, recomendamos outsourcing a Cognitiva u otro implementador, o un SaaS conversacional cerrado (Yalo, Aivo, Cliengo) que asume la operación con menos control y costos predecibles.
Decisión ejecutiva (versión sin código)
Si llegaste hasta acá sin querer revisar el código, este es el resumen.
- Stack: Vercel AI SDK + Claude + n8n + MCP + Postgres con pgvector.
- Tiempo a primer agente productivo: 6-8 semanas en un proyecto típico.
- Costo mensual referencial: USD 300-1.500 para PyME, según tráfico (inferencia + BSP WhatsApp + hosting).
- Lo que evita: lock-in fuerte a un solo proveedor, abstracciones inestables, dependencia de un solo modelo.
- Lo que requiere: equipo TI mínimo o partner de implementación, disciplina al cambiar modelos, observabilidad activa.
- Cuándo no: automatización sin componente conversacional, ecosistema 100 % Microsoft, latencia crítica sub-200 ms, equipo TI cero.
Si quieres una sesión de 60 minutos para revisar si este stack tiene sentido para tu caso, agenda con nosotros o escríbenos por WhatsApp.
Repositorio público de referencia en preparación en github.com/cognitiva-ai-agency con la arquitectura base (Next.js + Vercel AI SDK + Claude + integración n8n + pgvector). Disponible una vez completado el proceso de saneamiento de credenciales y abstracción de detalles de cliente.
Método Cognitiva — del diagnóstico al go-live en 8 semanas
Cinco fases que aplicamos en cada proyecto de stack de agentes IA: diagnóstico, MVP, workflows n8n, observabilidad y go-live.
- Semana 1
Diagnóstico
Inventario de sistemas, casos de uso priorizados, dimensionamiento del tráfico esperado, decisión sobre BSP de WhatsApp y proveedor de hosting.
- Levantar inventario de sistemas y volúmenes esperados
- Priorizar casos de uso por impacto y esfuerzo
- Decidir BSP de WhatsApp y proveedor de hosting
- Semanas 2-3
MVP del agente
Implementación de un agente acotado, con 3-5 herramientas, integrado a 1-2 sistemas críticos. Sin n8n todavía: foco en validar la conversación y el tool calling.
- Implementar agente con Vercel AI SDK + Claude
- Definir 3-5 tools tipadas con Zod
- Integrar 1-2 sistemas críticos via MCP o función directa
- Semanas 4-5
Workflows n8n
Mover los flujos asíncronos al orquestador. Disparar desde el agente vía webhook o MCP.
- Modelar workflows asíncronos en n8n
- Exponer al agente vía webhook firmado o MCP
- Semana 6
Observabilidad y evals
Logging completo, dashboards en Honeycomb o equivalente, eval suite con 30-50 casos golden en español chileno para detectar regresiones cuando se actualiza modelo o prompt.
- Configurar logging y dashboards
- Definir 30-50 casos golden de evaluación
- Automatizar evals en CI antes de promover cambios
- Semana 7+
Go-live y operación
Lanzamiento controlado, monitoreo activo, iteración. Mantenimiento mensual estructurado: cada cambio significativo pasa por el eval suite antes de producción.
- Lanzamiento gradual con rollout controlado
- Operación mensual: monitoreo, ajustes, upgrades de modelo
Preguntas frecuentes
Da el siguiente paso
Hablemos
Cuéntanos sobre tu negocio. Respondemos en 24 horas.
Otros canales
Escríbenos por WhatsApp o agenda una llamada de 30 minutos.