El enfoque más confiable no consiste en usar un solo chatbot autónomo. Conviene crear un sistema de workflows con un LLM en el centro: n8n administra la orquestación, Ollama ejecuta el modelo y el código determinista controla a quién contactar, cuándo hacerlo y si está permitido enviar un mensaje. Esta última parte importa tanto como la propia IA. Un agente de ventas autohospedado que omite las verificaciones de cumplimiento y las listas de supresión representa un riesgo, no un activo.
Por qué conviene usar un sistema de workflows y no un agente totalmente autónomo
Puede parecer atractivo plantearlo como «crear una IA que haga outreach por ti», pero conviene delimitar mejor sus funciones: la IA investiga y redacta, mientras que el código determinista, no el modelo, decide a quién contactar, cuándo hacerlo y si un mensaje puede enviarse. Es la división adecuada del trabajo. Los modelos de lenguaje sintetizan bien la investigación y redactan mensajes personalizados, pero no deberían controlar acciones irreversibles, como enviar un correo a una persona real. Exigir la aprobación de una persona antes de cualquier envío marca la diferencia entre una herramienta útil y un posible incumplimiento.
Arquitectura de referencia
Un pipeline práctico funciona así: los leads llegan desde una exportación del CRM, un formulario o un CSV. Después se normalizan, se eliminan los duplicados y se envían a un agente de investigación. Este recopila información sobre la empresa y el puesto, además de detectar posibles problemas. La investigación se guarda en una base de datos de leads en PostgreSQL, que alimenta a un agente de personalización encargado de redactar el enfoque y el mensaje de outreach. Antes del envío, una capa de políticas y QA comprueba las bajas, los duplicados y los umbrales de confianza. Solo entonces una persona recibe el mensaje para aprobarlo. Cada etapa es un paso independiente que puedes inspeccionar, no una caja negra.
El stack: n8n, Ollama y PostgreSQL
n8n administra la orquestación de workflows. Cuenta con soporte documentado para agentes autohospedados, integración nativa con PostgreSQL y un conector para Ollama. Su Self-Hosted AI Starter Kit agrupa n8n, Ollama, Qdrant y PostgreSQL en una plantilla de Docker Compose lista para ejecutarse. Ollama sirve el modelo de lenguaje. Puedes ejecutar localmente un modelo pequeño para mantener el control de los datos o configurarlo para llamar a una API externa si prefieres no administrar la inferencia local. PostgreSQL almacena la base de datos de leads y el estado del pipeline. Qdrant, o pgvector, se encarga de la búsqueda vectorial si quieres que el agente consulte tu propia base de conocimientos y no dependa solo de la web abierta. Para comenzar, todo puede ejecutarse con Docker Compose en un solo VPS.
La capa de cumplimiento que muchos tutoriales omiten
Se trata de un requisito de arquitectura, no de una nota al pie. En Estados Unidos, CAN-SPAM se aplica al correo comercial, incluido el outreach B2B. Exige información correcta en los encabezados, asuntos que no engañen, una dirección postal física, un mecanismo funcional para darse de baja y la atención oportuna de esas solicitudes. Si contactas a personas en Reino Unido o la UE, las reglas cambian de forma considerable. La normativa PECR de Reino Unido suele restringir los mensajes de marketing dirigidos a personas sin consentimiento o sin un soft opt-in válido, además de aplicar un tratamiento distinto a los suscriptores corporativos. La base de interés legítimo del GDPR también impone sus propias condiciones al contacto comercial B2B. La solución práctica consiste en crear una tabla de supresión en la base de datos que registre el correo, el dominio, el motivo, la fuente y la fecha de alta. Debe consultarse automáticamente antes de permitir cualquier envío, en vez de depender de un paso manual que alguien podría olvidar. Esta información es general y no constituye asesoría legal. Confirma los requisitos vigentes para tu jurisdicción y caso de uso antes de enviar mensajes reales.
Recursos del VPS para este stack
Elegir entre un LLM basado en API y un modelo local autohospedado cambia las especificaciones del VPS, los requisitos de GPU y la residencia de datos de todo el pipeline:
| Opción | Especificaciones mínimas | Plan en Contabo | Notas |
|---|---|---|---|
| LLM basado en API (Claude, GPT, Gemini) | 4 vCPU / 8 GB RAM / 100 GB SSD | Cloud VPS 4 (€5.24/mes) | Las llamadas al modelo se envían a la API del proveedor; tu VPS solo ejecuta n8n, PostgreSQL y la orquestación |
| Modelo local mediante Ollama (7-13B, CPU) | 8 vCPU / 24 GB RAM / 300 GB SSD | Cloud VPS 8 (€13.33/mes) | La inferencia solo con CPU funciona para investigar leads y redactar mensajes con un volumen moderado, pero no para responder a la velocidad de un chat en tiempo real |
| Modelo local mediante Ollama (acelerado por GPU) | GPU + 8 GB+ VRAM según el tamaño del modelo | Contabo GPU Cloud (verifica el precio vigente) | Se necesita si la latencia de respuesta o el tamaño del modelo hacen que la inferencia con CPU sea demasiado lenta para tu volumen |
Comienza con la opción basada en API, salvo que tus requisitos de residencia de datos exijan inferencia local. Es más sencilla de operar y, con la mayoría de los volúmenes de leads, la diferencia en el costo del VPS es pequeña en comparación con el costo de los tokens de la API.
Cuándo conviene usar un framework prediseñado
Todo lo anterior parte de que tú mismo montarás el pipeline con n8n, Ollama y PostgreSQL. Es una buena opción si quieres controlar cada etapa y puedes mantener un workflow personalizado. Si prefieres comenzar con una arquitectura de referencia que ya incluya un framework de agentes, memoria y conexión con el CRM, consulta nuestra guía para crear un Hermes AI SDR autohospedado. Cubre las mismas consideraciones de cumplimiento y recursos del VPS, pero las integra en un stack de agentes listo para usar, en lugar de uno que debas montar nodo por nodo.
Preguntas frecuentes sobre agentes de ventas con IA autohospedados
¿Cómo puedo crear en mi propio servidor un agente de ventas con IA autohospedado que automatice la investigación de leads y el outreach?
Constrúyelo como un sistema de workflows y no como un solo agente autónomo: usa n8n para la orquestación, Ollama para servir el modelo y PostgreSQL para la base de datos de leads. Agrega una capa de políticas determinista que compruebe las bajas y los umbrales de confianza antes de cualquier envío. El Self-Hosted AI Starter Kit de n8n agrupa los componentes principales y sirve como punto de partida.
¿Es mejor n8n o un framework dedicado de agentes de IA para un agente de ventas autohospedado?
n8n es el mejor punto de partida si quieres ver y controlar cada paso. La normalización de leads, la investigación, la redacción y las comprobaciones de cumplimiento permanecen en nodos separados que puedes inspeccionar. Un framework dedicado puede ponerse en marcha más rápido, pero ofrece menos control detallado sobre cuándo y cómo se aprueba el envío de un mensaje. Para el outreach, ese control importa más que en muchas otras tareas de automatización.
¿Qué reglas de cumplimiento se aplican al outreach en frío asistido por IA?
En Estados Unidos, CAN-SPAM se aplica al correo comercial, incluido el outreach B2B, y exige encabezados correctos, una dirección postal real y un mecanismo funcional para darse de baja. Los contactos de Reino Unido y la UE están sujetos a PECR y GDPR, respectivamente, cuyas restricciones sobre el contacto comercial sin consentimiento o sin un interés válido son mayores. Crea una lista de supresión que se compruebe automáticamente antes de enviar mensajes y considera el cumplimiento una cuestión legal específica de tu situación. Esta información es general y no constituye asesoría legal.
¿Qué especificaciones de VPS necesito para ejecutar este stack?
Para una configuración con un LLM basado en API, 4 vCPU / 8 GB RAM permiten ejecutar n8n, PostgreSQL y la orquestación sin problemas. Si ejecutas un modelo local mediante Ollama, considera 8 vCPU / 24 GB RAM para inferencia solo con CPU y un volumen moderado. Usa una instancia con GPU si la velocidad de respuesta o el tamaño del modelo hacen que la inferencia con CPU sea demasiado lenta.
Aviso: Las especificaciones, funciones y precios de los productos mencionados en este artículo pueden cambiar y variar según la región, el periodo de facturación y las promociones activas. Este artículo ofrece información general y no constituye asesoría legal. Consulta a un profesional calificado para recibir orientación sobre tus obligaciones de cumplimiento. Revisa el sitio web oficial de cada proveedor o marca para conocer las cifras y los precios vigentes.
