n8n AI agent: come costruire il tuo primo agente intelligente senza scrivere codice

Cos’è un n8n AI agent e perché è diverso da un’automazione normale

Un’automazione classica esegue una sequenza fissa: se A, allora B. Un n8n AI agent ragiona tra input e output. Riceve una richiesta, decide quali strumenti usare, li chiama nell’ordine che ritiene necessario e restituisce un risultato. La sequenza non è scritta nel flusso: la decide il modello ogni volta.

La differenza pratica è enorme. Con un flusso normale puoi automatizzare «manda questa email quando arriva questo webhook». Con un agente puoi automatizzare «analizza questa richiesta, cerca le informazioni necessarie, scrivi la risposta appropriata e aggiornami su Telegram». Il flusso non sa in anticipo quanti passi servono. L’agente li calcola al volo.

Per costruirlo in n8n servono quattro pezzi: un trigger che avvia il flusso, un nodo AI Agent che coordina tutto, un modello linguistico che funziona da cervello (OpenAI, Anthropic, Google), e almeno uno strumento che l’agente può chiamare. La memoria è opzionale sul primo giro, ma senza diventa un agente smemorato: risponde bene, ma non ricorda nulla di ciò che è successo prima.

La struttura base di un n8n AI agent: i quattro nodi che contano

Il trigger

L’agente parte da qualcosa. Un webhook che arriva da un form, un messaggio su Telegram, un’email in arrivo, una riga nuova su un foglio Google. Il trigger non è un dettaglio: definisce il contesto iniziale che l’agente riceve. Un trigger scarno passa poco contesto; un trigger che porta nome, storia e richiesta dell’utente dà all’agente molto più margine per rispondere bene.

Il nodo AI Agent

È il coordinatore. Ha tre campi che contano davvero: il system prompt, il modello collegato e gli strumenti disponibili. Il system prompt è l’istruzione fissa — cosa deve fare l’agente, come deve comportarsi, cosa non deve mai fare. Il modello è il cervello. Gli strumenti sono le azioni che l’agente può eseguire durante l’elaborazione.

Il modello linguistico

In n8n si collega come sotto-nodo dell’AI Agent. Puoi usare OpenAI (GPT-4o è la scelta più affidabile per agenti complessi), Anthropic Claude, o i modelli Google. Ogni modello ha un context window diverso, che determina quante informazioni l’agente riesce a tenere in testa in una singola elaborazione. Per la maggior parte degli use case di un infobusiness, GPT-4o mini costa meno e regge benissimo.

Gli strumenti

Sono i nodi che l’agente può chiamare a sua discrezione. Ogni strumento è un nodo n8n collegato all’AI Agent: una ricerca web, una query su un database, una chiamata HTTP a un’API esterna, l’aggiornamento di un CRM, l’invio di un messaggio. L’agente legge il nome e la descrizione di ogni strumento e decide se e quando usarlo. La descrizione che scrivi per ogni strumento è importante quanto il codice: se è vaga, l’agente sceglie male.

Il system prompt: dove si decide se l’agente funziona o va a caso

La maggior parte degli agenti mal costruiti ha un system prompt di due righe. «Sei un assistente utile che aiuta i clienti.» Con quella premessa l’agente improvvisa tutto, e improvvisa male.

Un system prompt che funziona risponde a queste domande: chi è l’agente, cosa deve fare, in quale ordine deve ragionare, cosa succede se non trova le informazioni, in quale formato deve restituire l’output. Non è copywriting: è progettazione di processo.

Un esempio concreto per un agente di supporto a un’academy:

Sei l'assistente di supporto di [Nome Academy]. 
Il tuo compito è rispondere alle domande degli studenti sullo stato del loro corso.
Per ogni domanda:
1. Cerca il profilo dello studente nel database usando l'email fornita.
2. Controlla lo stato di accesso al modulo richiesto.
3. Se lo studente ha accesso, fornisci il link diretto.
4. Se non ha accesso, spiega il motivo e indica il passo successivo.
Non inventare mai informazioni che non trovi nel database.
Rispondi sempre in italiano, in modo diretto, senza premesse lunghe.

Ogni riga di quel prompt è una guardia. Senza di essa, l’agente inventa, divaga, risponde in inglese, genera link inesistenti.

Come aggiungere la memoria a un n8n AI agent

Senza memoria, ogni esecuzione dell’agente parte da zero. L’utente manda il secondo messaggio e l’agente non ricorda il primo. Per la maggior parte degli agenti di supporto o di ricerca, questo è un limite serio.

In n8n esistono due approcci principali. Il primo usa la memoria a finestra (Window Buffer Memory): conserva gli ultimi N messaggi della conversazione nel contesto. Costa poco, è semplice da configurare, ma si azzera a ogni nuova sessione. Il secondo approccio usa un database esterno — Postgres, Supabase, un foglio strutturato — dove l’agente scrive e legge informazioni persistenti tra sessioni diverse.

La memoria a lungo termine è quella che trasforma un agente da strumento di sessione a sistema che impara. Se costruisci un agente che interagisce con gli stessi utenti nel tempo, vale la pena impostarlo subito: aggiungere la memoria a posteriori significa riscrivere metà del flusso.

Il nodo di memoria si collega all’AI Agent esattamente come il modello: come sotto-nodo. n8n gestisce da solo il caricamento del contesto prima dell’elaborazione e il salvataggio dopo. Non devi scrivere query: colleghi, configuri la chiave di sessione (di solito l’ID utente o l’ID conversazione) e il gioco è fatto.

Tre use case concreti per iniziare con n8n AI agent

Agente di ricerca

Riceve una domanda, usa uno strumento di ricerca web (Perplexity AI funziona bene come tool in n8n), elabora i risultati e restituisce una sintesi strutturata. Tempo di setup: meno di un’ora. Utilizzo pratico: ricerca concorrenti, monitoraggio notizie di settore, brief automatici per il team.

Agente di supporto studenti

Integrato con Telegram o un webhook da un chatbot sul sito, riceve domande degli studenti, consulta un database (Airtable, Notion, Google Sheets) con i dati di accesso, e risponde con le informazioni corrette. Ogni risposta viene anche loggata su un foglio per il controllo qualità. L’agente non sostituisce il supporto umano sui casi complessi: li intercetta, li classifica e smista quelli semplici in autonomia.

Agente analista

Riceve in input un ticker o il nome di un’azienda, chiama uno strumento che recupera dati finanziari o di mercato, passa tutto al modello per l’analisi e invia il report su un canale Slack o Telegram. Il flusso esegue ogni mattina alle 7:00 via un nodo Schedule Trigger. Nessun umano lo avvia: gira e consegna.

Gli errori che rompono un n8n AI agent in silenzio

Il problema più comune non è l’agente che crasha: è l’agente che risponde sempre, ma risponde male. Senza un layer di validazione sull’output, non te ne accorgi finché qualcuno si lamenta.

Il primo errore è non loggare le esecuzioni. Ogni volta che l’agente risponde, quella risposta deve andare da qualche parte — un foglio, un database, un canale Slack di monitoring. Non per controllare tutto, ma per avere il dato quando serve.

Il secondo errore è non mettere un timeout o un limite di iterazioni. Un agente in loop consuma token e tempo finché qualcosa di esterno non lo ferma. n8n permette di impostare un numero massimo di iterazioni nell’AI Agent: usalo sempre.

Il terzo errore è descrivere gli strumenti in modo vago. Se chiami uno strumento «cerca informazioni», l’agente lo chiama ogni volta che non sa cosa fare. Se lo chiami «cerca nel database clienti usando l’email come chiave», l’agente lo chiama solo quando ha un’email. La descrizione è il contratto.

Il quarto errore è non gestire il caso in cui l’agente non trova le informazioni. Senza istruzioni esplicite, inventa. Il system prompt deve dire esplicitamente cosa fare quando i dati non ci sono: rispondere che non ha trovato nulla, escalare all’umano, chiedere informazioni aggiuntive. Il silenzio dell’agente su questo punto non è neutralità: è licenza di allucinare.

Per approfondire come evitare questi pattern su n8n in generale, questa guida copre la struttura complessiva della piattaforma: n8n: la guida completa in italiano. Se invece stai valutando i costi prima di mettere mano al primo flusso, la pagina sui piani e prezzi di n8n risponde alle domande giuste. E se vuoi capire dove gli agenti AI si inseriscono in una strategia più larga, questa guida sugli agenti AI per aziende va oltre l’hype e parla di casi reali.

Per la documentazione ufficiale sui nodi agente, il punto di riferimento è la sezione AI di n8n docs. Per i modelli OpenAI collegabili come cervello dell’agente, la documentazione OpenAI è il riferimento per capire limiti di contesto e costi per token.

Come strutturare il primo n8n AI agent: il percorso minimo

Il percorso più corto per avere un agente funzionante in produzione ha cinque passi.

Primo: definisci il problema in linguaggio umano. Cosa deve fare l’agente, chi lo usa, quando si attiva, cosa fa con l’output. Se non riesci a scriverlo su un foglio in tre paragrafi, non sei pronto a costruirlo.

Secondo: identifica gli strumenti. Cosa deve consultare l’agente per rispondere? Un database, un’API, un foglio, una ricerca web? Ogni fonte di dati è uno strumento. Elencali prima di aprire n8n.

Terzo: costruisci il flusso minimo. Trigger → AI Agent (con modello e un solo strumento) → output. Nessuna logica condizionale ancora, nessuna memoria, nessun webhook di notifica. Solo il percorso principale.

Quarto: scrivi il system prompt in dettaglio. Usa il flusso minimo per testarlo: manda venti input diversi, inclusi quelli rotti e ambigui. Il prompt va bene quando l’agente gestisce i casi limite senza inventare.

Quinto: aggiungi le guardie. Logging delle esecuzioni, limite di iterazioni, gestione degli errori sugli strumenti, notifica quando qualcosa va fuori dai parametri attesi. Solo dopo questo passo l’agente è pronto per girare senza supervisione.

Se stai costruendo questo sistema in un’agenzia o in un infobusiness, il modello è lo stesso che uso per automatizzare processi di scala: prima il processo su carta, poi il ferro. L’agente è lo strumento, non la soluzione. La soluzione è il processo che hai progettato prima di aprire il canvas.

Domande frequenti

Quanto costa usare un n8n AI agent con OpenAI?

Dipende dal modello e dal volume. GPT-4o mini costa circa 0,15 dollari ogni milione di token in input. Un agente di supporto che gestisce cento richieste al giorno con prompt medi rimane ampiamente sotto i dieci dollari al mese. GPT-4o costa circa venti volte di più: ha senso solo per task di analisi complessa.

È necessario saper programmare per costruire un n8n AI agent?

No. La configurazione base è interamente visiva: colleghi nodi, compili campi, scrivi il system prompt in linguaggio naturale. Il codice diventa utile solo per trasformazioni dati particolari nel nodo Function, ma non è necessario per far girare un agente funzionante.

Qual è la differenza tra un AI agent e un semplice flusso con ChatGPT in n8n?

Un flusso con ChatGPT esegue una chiamata fissa al modello e restituisce il risultato. Un AI agent può chiamare strumenti multipli, decidere l’ordine in autonomia, iterare fino a quando ha le informazioni necessarie. La sequenza è dinamica, non predefinita.

Posso connettere un n8n AI agent a GoHighLevel?

Sì. GoHighLevel espone API REST e webhook: entrambi sono strumenti collegabili all’agente. Puoi creare un agente che consulta i contatti GHL, aggiorna lo stato di un deal o invia un SMS in risposta a una trigger condition, tutto senza uscire da n8n.

Trasparenza: in questo articolo c’è un link di affiliazione. Se ti iscrivi da lì io ricevo una commissione, per te non cambia niente. Linko solo strumenti che uso in produzione.