Registro de decisiones de agentes de IA: ¿por qué lo hizo el agente?
En resumen
Un agente de IA pide 72 huevos y no sabe explicar por qué. El problema no es el pedido, sino la falta de un registro. Así montas en n8n un registro de decisiones que hace trazable cada acción del agente.
Martes por la mañana en la oficina: un cliente llama porque tu agente le envió un presupuesto con un descuento que nunca existió. Le preguntas al agente por qué lo hizo. Responde con amabilidad, con lógica y con tres motivos. Ninguno aparece en ningún registro. Ahora no sabes si el agente se equivocó, si alguien lo desvió con un correo o si la respuesta simplemente suena bien.
En este artículo verás por qué la explicación de un agente no es un registro, qué siete campos contiene un registro de decisiones útil, cómo montarlo en n8n con unos pocos nodos y cómo empezar en una semana.
Índice
- El caso de los 72 huevos
- Por qué la respuesta del agente no es un registro
- Los siete campos de un registro de decisiones
- Montar el registro en n8n
- Conservación, protección de datos y regulación
- Implantación en una semana
- Conclusión
El caso de los 72 huevos
Esta semana el medio alemán t3n recogió una historia que empieza con gracia y acaba siendo sorprendentemente instructiva. El analista Matt Smith dejó que su agente de IA hiciera la compra semanal. El agente pidió cuatro cajas de 18 huevos, 72 en total. Smith preguntó por qué. Según la captura que compartió, el agente respondió que no tenía una buena respuesta y que no encontraba ninguna nota que explicara por qué había elegido cuatro cajas.
Lo interesante viene después. El agente buscó explicaciones posibles y supuso que había leído mal la línea de los huevos en la foto de la lista. Pero en la lista no había ninguna línea de huevos. Su conclusión: los había añadido sin motivo.
No es un caso aislado. En el mismo artículo, t3n recuerda a la investigadora de Meta Summer Yue, cuyo agente empezó a borrar todos los correos mientras ordenaba su bandeja de entrada y no reaccionó a las órdenes repetidas de parar. Las historias se diferencian en el daño, pero no en el patrón: después un humano pregunta “¿por qué?” y nadie puede demostrar nada.
La política se mueve en la misma dirección. Según heise, la semana pasada 18 países, diez empresas (entre ellas Anthropic, Microsoft y OpenAI) y once organizaciones no gubernamentales firmaron el “Paris Call for AI safety and security”. Los firmantes señalan como prioridad común resultados inmediatos en transparencia, notificación de incidentes y gestión de riesgos. Es una declaración de intenciones y no una ley, pero la dirección está clara: quien usa agentes debe poder explicar los incidentes.
Los proveedores también se mueven. Según su propio comunicado del 9 de noviembre, Cisco anunció nuevas funciones de observabilidad de agentes. El 2 de noviembre, IBM comunicó que figura como Leader en un nuevo Gartner Magic Quadrant para AI Agent Management Platforms. Cuando nace una categoría de mercado para gestionar agentes, el tema ya ha llegado al día a día de las empresas.
Por qué la respuesta del agente no es un registro
El reflejo es comprensible: cuando algo sale mal, le preguntas al agente. Con una persona funciona, porque recuerda sus motivos. Con un modelo de lenguaje es distinto. Cuando preguntas, solo tiene delante el texto que forma parte de la conversación. No lee lo que ocurrió internamente, sino que redacta una explicación que encaje con ese texto.
De ahí se derivan dos consecuencias. Primera: la explicación puede sonar convincente y ser falsa. En el caso de los huevos, el agente fue lo bastante honesto como para decir que no había ninguna nota. Otro modelo con otra configuración quizá habría dado tres motivos con total seguridad. Segunda: la explicación cambia cuando cambia el contexto. Si preguntas mañana otra vez, puede que obtengas otra respuesta a la misma pregunta.
La frase del agente “no encuentro ninguna nota” es en realidad la pista clave. El problema no estaba en el agente, sino en el sistema que lo rodea. No había ningún lugar donde se anotaran las decisiones en el momento en que se tomaban. Eso es exactamente un registro: un apunte creado en el momento de la acción que después ya no depende del estado de ánimo de un modelo.
La diferencia cabe en una frase. La explicación del agente es una afirmación, el registro es la prueba. Las dos sirven, pero solo el registro se sostiene cuando hablas con un cliente, una aseguradora o tu asesor fiscal.
Si ya has aprendido a detectar fallos silenciosos en n8n, conoces el principio: la monitorización te dice que algo no va bien. El registro de decisiones te dice por qué.
Los siete campos de un registro de decisiones
Un registro que nadie puede leer no vale nada, y uno que guarda demasiado se convierte en un problema de protección de datos. Estos siete campos han demostrado ser el mínimo práctico:
- ID de ejecución y marca de tiempo. Un número único por ejecución para poder unir acción, entrada y resultado.
- Disparador. Qué inició la ejecución: un correo, un formulario, una programación, otro agente. Sin esta entrada nunca sabrás si alguien dirigió al agente desde fuera.
- Entrada resumida. La tarea y los datos usados; en contenidos sensibles, como referencia o suma de verificación en lugar de texto completo.
- Modelo y versión del prompt. Qué modelo se ejecutó con qué instrucción. Sin ello, tras una actualización no puedes saber si el comportamiento ha cambiado.
- Pasos intermedios. Cada llamada a una herramienta con sus parámetros y su resultado. Es la parte más valiosa: ahí ves qué consultó el agente y en qué se apoyó.
- Acción final. Lo que ocurrió de verdad al final: correo enviado, registro modificado, pedido lanzado. Con el sistema de destino y el resultado.
- Aprobación. ¿Aprobó una persona, quién y cuándo? ¿O la acción se ejecutó automáticamente, y según qué regla?
A esto se suma un octavo campo opcional que muchos olvidan: la justificación del agente antes de la acción. En la instrucción exiges que, antes de cada acción de escritura, el agente anote en un campo fijo y en una frase qué quiere hacer y por qué. Este campo sigue siendo una afirmación del modelo y no una prueba. Pero tiene un valor que la explicación posterior nunca tiene: se crea antes de la acción y después ya no se puede reescribir. Más adelante puedes comparar la justificación con los pasos intermedios reales. Si no coinciden, tienes un hallazgo.
Montar el registro en n8n
En n8n no necesitas ninguna plataforma adicional para esto. Las piezas ya existen, solo hay que activarlas de forma deliberada.
Paso 1: Hacer visibles los pasos intermedios. El nodo AI Agent tiene entre sus opciones “Return Intermediate Steps”. Si está activa, la salida del agente incluye además una lista de sus llamadas a herramientas con entrada y resultado. Es la materia prima del campo 5.
Paso 2: Conservar los datos de ejecución. En los ajustes del workflow decides si se guardan las ejecuciones correctas y las fallidas. Importante en n8n autoalojado: el borrado automático de ejecuciones antiguas está activado por defecto y, según la documentación de n8n, la conservación predeterminada es de 336 horas, es decir, 14 días (variables de entorno EXECUTIONS_DATA_PRUNE y EXECUTIONS_DATA_MAX_AGE). La lista de ejecuciones por sí sola es, por tanto, demasiado efímera para un registro de decisiones. Ayuda a depurar, pero no es un archivo.
Paso 3: Construir la fila de registro. Justo después del agente, añade un nodo Code que ponga los siete campos en una estructura fija. Un ejemplo:
// Nodo Code "Construir fila de registro", se ejecuta justo después del nodo AI Agent
const agent = $input.first().json;
const trigger = $('Trigger').first().json;
const steps = (agent.intermediateSteps || []).map(s => ({
tool: s.action?.tool,
input: s.action?.toolInput,
result: String(s.observation ?? '').slice(0, 500),
}));
return [{
json: {
run_id: $execution.id,
workflow: $workflow.name,
created_at: new Date().toISOString(),
trigger_summary: JSON.stringify(trigger).slice(0, 300),
model: 'escribe-aqui-el-modelo',
prompt_version: 'v3',
agent_rationale: agent.rationale ?? null,
steps,
final_output: String(agent.output ?? '').slice(0, 1000),
approved_by: null,
},
}];
Qué hace el código: toma la salida del agente, recorta los contenidos largos y devuelve una fila uniforme. Adaptas el nombre del nodo disparador y el campo rationale a tu workflow. La estructura de los pasos intermedios puede variar algo entre versiones de n8n, de ahí los accesos cuidadosos con signo de interrogación.
Paso 4: Escribir en una tabla. La fila va a un almacenamiento al que no afecta el borrado de ejecuciones: una n8n Data Table, una tabla de Postgres u otra base de datos que ya uses. Lo decisivo es que el propio agente no tenga permiso de escritura en esa tabla. El registro lo escribe el workflow, no el modelo. Si no, es solo otro texto que el modelo puede influir.
Paso 5: Registrar antes de las acciones de escritura. En las herramientas que cambian algo (enviar correo, modificar un registro, lanzar un pedido), escribes la fila de registro antes de la acción y añades el resultado después. Esto se llama write-ahead log: aunque la acción falle, existe la entrada con la intención. Lo más sencillo es llevarlo a un subworkflow “Registrar acción” al que llame cada herramienta de escritura.
Paso 6: Recoger también los fallos. Un error workflow con el nodo Error Trigger asegura que también las ejecuciones interrumpidas tengan una entrada, con los últimos pasos intermedios conocidos. Justamente esos casos son los que querrás poder explicar después.
Consejo práctico: Escribe la fila de registro antes de la acción y no después, porque las ejecuciones que fallan o se desvían son justo aquellas en las que más adelante necesitarás una prueba.
Si encadenas varios agentes, pasa el ID de ejecución por todas las etapas. Cómo se ve eso en equipos de agentes lo describimos en el artículo sobre orquestación multiagente en n8n.
Conservación, protección de datos y regulación
Un registro de decisiones casi siempre contiene datos personales: nombres en correos, números de cliente, contenido de consultas. Por eso hay tres reglas que deben estar desde el principio.
Minimización de datos. Guarda las entradas como resumen o como referencia al registro, no como texto completo. En el contenido de correos suele bastar el ID del mensaje más una suma de verificación, con la que luego puedes demostrar que el contenido no ha cambiado.
Un plazo de conservación fijo. Define de antemano cuánto tiempo se guardan los registros y bórralos automáticamente después. Qué plazo te conviene depende del caso de uso; en operaciones relevantes para el negocio suele venir marcado por la normativa mercantil y fiscal. Acláralo con tu asesor fiscal o tu delegado de protección de datos.
Acceso limitado. Quién puede leer los registros es una decisión aparte. El registro de decisiones es una herramienta de control y no debe estar en manos de cualquiera que tenga acceso a n8n.
Sobre la regulación: para los sistemas de alto riesgo, la Ley de IA de la UE exige en su artículo 12 un registro automático de eventos y, en los artículos siguientes, conservar los registros al menos seis meses. La mayoría de los agentes en las pymes no son sistemas de alto riesgo, pero el principio es el mismo que necesitas de todos modos. Quien construya un registro ahora no tendrá que rehacerlo después. Qué más conviene documentar se explica en el artículo Ley de IA de la UE para pymes. Esto no es asesoramiento jurídico; para obligaciones concretas, consulta a un abogado.
Implantación en una semana
No tienes que reconstruir todos los agentes a la vez. Empieza por el agente con más impacto externo, es decir, el que envía correos, hace promesas a clientes o modifica registros.
Día 1: Elegir el agente y definir los campos. Decide qué agente registras primero y crea la estructura de la tabla con los siete campos. Una hora de trabajo.
Día 2: Activar los pasos intermedios. Activa “Return Intermediate Steps” y comprueba cómo queda la salida en tu n8n. Prueba con dos o tres ejecuciones de ejemplo.
Día 3: Fila de registro y tabla. Incorpora el nodo Code, adáptalo y escribe la fila en la tabla. Comprueba que el agente no tiene acceso de escritura a la tabla.
Día 4: Write-ahead en herramientas de escritura. Construye el subworkflow “Registrar acción” y colócalo antes de cada acción de escritura.
Día 5: Muestreo. Elige tres ejecuciones cualesquiera de los últimos días e intenta explicar lo ocurrido usando solo el registro. Si te falta algo, añade el campo antes de pasar al siguiente agente.
Después, el registro es la base de todo lo que de todos modos viene: probar y evaluar agentes trabaja con los mismos datos, y para una emergencia necesitas ambas cosas, registro e interruptor de emergencia. Para una visión general de qué tareas encajan con agentes, consulta nuestra guía agentes de IA para negocios.
Conclusión
El caso de los huevos es inofensivo, porque al final solo se llenó una nevera. Pero muestra con claridad dónde está el verdadero hueco: el agente no respondió de memoria, buscó una nota y no había ninguna. Quien opera agentes con acceso a correo, datos de clientes o pagos necesita esa nota de antemano y no cuando alguien pregunta “¿por qué?”.
Un registro de decisiones consta de pocos campos bien definidos, lo escribe el workflow y no el modelo, y vive en un lugar que dura más que la lista de ejecuciones. Cuesta una jornada de trabajo por agente y ahorra, en caso de disputa, las horas que perderías adivinando si la culpa fue del agente, de un atacante o de tu propio prompt.
El primer paso es pequeño: activa hoy “Return Intermediate Steps” en tu agente más importante y decide dónde se escribirá la fila de registro. Cómo combinamos registro, aprobaciones e interruptor de emergencia en un solo sistema lo ves en la página del sistema de IA B.R.A.I.N.. Para construir con n8n, nuestros servicios te cubren.
Sobre MadeByBrain: Construimos automatización con IA para pymes: agentes de IA propios, workflows de n8n y estrategias GEO, en producción real. Desde la primera idea hasta la automatización productiva.
Artículos relacionados
Construir agentes de IA que funcionan: 5 lecciones del primer jefe de IA del mundo
Un agente de IA ha despedido por primera vez a un empleado humano, pero solo después de que las personas le recordaran sus propias reglas. Esto es lo que significa para las empresas que quieren construir sus propios agentes de IA.
Deriva de agentes de IA: por qué tu agente trabaja distinto tras unas semanas
Un agente de IA lleva meses funcionando, nadie tocó el prompt y aun así trabaja distinto que el primer día. Qué mostraron esta semana tres experimentos sobre la deriva de agentes y cómo medirla en una semana.
EU AI Act para pymes: qué debes documentar cuando un agente de IA trabaja
Las obligaciones de transparencia del artículo 50 se aplican desde agosto de 2026 y la supervisión ya empezó. Qué debe documentar una pyme cuando un agente de IA atiende a clientes, y qué aplazó el Ómnibus Digital.

