Cómo transformar tu SaaS en la era del AI-Native: qué herramienta según lo que quieres construir

Añadir inteligencia artificial a un SaaS no es elegir "la mejor herramienta". Es identificar en qué capa quieres trabajar: automatizar procesos internos, construir un agente a medida, conectar conocimiento privado, poner un copiloto en la pantalla o meter capacidades de IA dentro del producto que pagan tus clientes. n8n, Make, LangGraph, Mastra, LlamaIndex, Pinecone, Vercel AI SDK, Dify, Codex, Claude Code y Devic no compiten en la misma categoría. Resuelven problemas distintos y se combinan en equipos reales.

La pregunta útil no es "¿n8n o LangGraph?". Es "¿qué quiero que haga la IA en mi empresa y quién la va a usar?". Si el objetivo es que marketing reciba un aviso en Slack cuando entra un lead clasificado, probablemente no necesitas un marco de trabajo para agentes. Si el objetivo es que cada cliente de tu SaaS tenga un asistente que actúe sobre sus datos, con permisos y un registro, un flujo sin código no basta. Este artículo organiza las opciones por categoría, no por ranking. No sustituye construir o comprar ni el mapa de capas. Te da el mapa de herramientas antes de entrar en esas decisiones.

Qué capa estás comprando

Antes de comparar logos conviene separar cuatro mundos que en las demos se mezclan.

Automatización por flujos. Conectas sistemas (el CRM, el correo, las bases de datos) y encadenas pasos. El modelo clasifica, resume o redacta dentro del flujo. Aquí encajan n8n, Make y Dify. Quien usa tu SaaS no ve ese flujo. Lo usa tu equipo o quien opera el negocio.

Marcos y kits para programar agentes. Escribes código que controla el estado, la memoria, las acciones, el momento en que interviene una persona y el despliegue. Tú mantienes la infraestructura, la visibilidad y los límites por cliente. Es la ruta de máximo control y de máximo coste de ingeniería.

Plataformas y capas de producto. Empaquetan el programa que ejecuta al agente, la búsqueda en documentos, las integraciones, la ventana del asistente o las APIs, para que la IA viva dentro de tu aplicación sin reconstruir toda la fontanería. Aquí entra Devic y, en otro sentido, la librería de Vercel para la experiencia de chat en la pantalla.

Editores y agentes para quien programa (Codex, Claude Code). Ayudan a tu equipo a escribir y mantener el código del SaaS. No son la función que el cliente compra. Son quien acelera construirla.

Confundir capas es el error típico: montar n8n y creer que ya tienes un producto con IA en el centro, o elegir LangGraph para un flujo que solo movía datos entre HubSpot y Slack.

Mapa por categoría

Automatización y flujos (n8n, Make, Dify). Sirven para conectar herramientas y automatizar procesos. n8n y Make son el territorio clásico: integraciones, poder instalarlo en vuestros servidores (n8n) y velocidad de montaje (Make). Dify está más cerca de ellos de lo que parece: entiende los agentes como un flujo visual, casi un "n8n para empresas" con una capa de IA. Encaja en procesos relativamente simples y en pruebas internas. No está pensado para separar las cuentas de cada cliente ni para convertir tu SaaS en un producto con IA en el centro. No resuelve permisos por cliente, el gobierno de cada tarea ni la operación que exige un agente embebido en producción.

Marcos de agentes (LangGraph, Mastra). Para equipos técnicos que quieren controlar en código la arquitectura, el estado, la memoria y las acciones. LangGraph en Python. Mastra en TypeScript y Node. Máxima flexibilidad, y máximo coste de construcción y de mantenimiento. Tiene sentido sobre todo en empresas grandes con necesidades muy a medida, no como punto de partida de una pyme de software.

Kits del proveedor (OpenAI Agents SDK, Claude Agent SDK). Un SDK es un kit de piezas para programar. Estos reducen el trabajo repetido de montar el bucle del agente sobre el sistema de OpenAI o de Anthropic. Útiles para la productividad de una persona, o para agentes en segundo plano mientras desarrollas. Para meter agentes en el producto suelen exigir muchos rodeos y te atan mucho al proveedor. OpenAI y Anthropic no están apostando fuerte por estas vías: créditos limitados y poco mantenimiento, frente a sus modelos principales.

Datos, búsqueda en documentos y vectores (LlamaIndex, Pinecone, Devic). Cuando el problema central es que la IA responda bien sobre documentos, tickets o datos privados. Buscar así, por significado y no solo por la palabra exacta, es lo que se llama RAG: el sistema recupera trozos relevantes y el modelo responde con ellos. No son productos equivalentes. Son capas distintas de la misma arquitectura. Pinecone cubre la infraestructura de esa búsqueda. LlamaIndex construye y organiza los conductos de datos. Devic incorpora esa búsqueda dentro de una infraestructura más amplia para agentes en el producto.

Experiencia de IA en la pantalla (Vercel AI SDK). Chats, respuesta en directo y llamadas a acciones en React y Next.js. Es la capa de interfaz cuando ya tienes el sistema de detrás. No sustituye permisos, colas ni la visibilidad del servidor.

Editores para desarrollo (Codex, Claude Code). Entornos para programar con ayuda de IA, sobre el repositorio. Aceleran escribir código. No son agentes que use el cliente de tu SaaS.

Plataforma de IA dentro del producto (Devic). Cuando la IA es parte de lo que vendes: agentes y asistentes embebidos, convertir vuestro sistema en acciones, el enchufe común MCP, ventanas, aprobación de una persona y ejecución gestionada por cliente. Es la capa para no montar toda la fontanería desde cero.

Automatizar procesos internos: n8n, Make y Dify

n8n es automatización con poco código y una orientación fuerte a integraciones, con la opción de instalarlo en vuestros servidores. Encaja cuando quieres flujos repetibles entre herramientas (el CRM, hojas, APIs) y meter un modelo en un paso: clasificar un lead, resumir una transcripción, redactar un borrador. Los nodos de agente y las llamadas a modelos han madurado, pero el centro sigue siendo el flujo, no un programa que ejecute un agente distinto por cada cliente de tu producto.

Ventajas: muchas integraciones, flexibilidad para equipos que no quieren desplegar servicios pequeños, y la opción de tenerlo en casa cuando los datos son sensibles. Límites: cuando la IA pasa a ser el núcleo del producto (cada cliente con su agente, permisos finos, un registro por cuenta), el modelo de flujo lineal se queda corto.

Make compite en el mismo territorio, con más énfasis en no escribir código y en la velocidad de montaje. Para automatizaciones relativamente sencillas, donde importa que operaciones o marketing publiquen sin pasar por ingeniería, suele bastar.

Dify comparte el ADN de flujo con n8n, con más peso en nodos de IA y en una búsqueda visual sobre documentos. Sirve para prototipos, chats internos o automatizaciones con un modelo, sin escribir un marco de trabajo. No sustituye una plataforma que separe las cuentas de tu producto. La lógica sigue siendo "un escenario por escenario", no "cada cliente de tu SaaS con su agente gobernado". Para procesos simples y equipos que ya piensan en flujos, puede bastar. Para un producto con acuerdos de servicio, auditoría e identidad por cliente, choca con los mismos límites que cualquier orquestador visual.

Caso ideal (n8n o Make): "Cuando entra un lead, investigar la empresa, clasificar con IA, actualizar HubSpot y avisar en Slack." Cuándo no: el agente es la interfaz principal de tu SaaS y debe actuar con las mismas reglas de negocio que tu sistema.

Agentes a medida: LangGraph, Mastra y los kits del proveedor

LangGraph (ecosistema Python, LangChain) modela agentes como un grafo con estado, ramas, memoria que persiste y un punto donde interviene una persona. Es la opción habitual cuando un equipo técnico quiere controlar cada transición, los reintentos y la memoria a largo plazo. El nivel técnico es alto: tú despliegas, observas, limitas el coste y defines las acciones sobre tu negocio.

Mastra apunta al mismo problema desde TypeScript: agentes, flujos, memoria, MCP e integración con aplicaciones Node. Si tu producto ya está en TypeScript o Next y quieres la lógica del agente en el mismo lenguaje que la pantalla y el servidor, compite con LangGraph por comodidad, no por filosofía.

OpenAI Agents SDK y Claude Agent SDK ofrecen el bucle del agente, las acciones, los traspasos entre agentes, las sesiones y el registro, sobre el sistema del proveedor. Reducen el trabajo repetido frente a montarlo todo desde cero, pero la frontera entre "el kit" y "la infraestructura que sigues manteniendo" es fina. Cuando quieres llevarlo al producto aparecen capas que el kit no resuelve: separar clientes, permisos, autenticación, límites de consumo, costes por cuenta, la integración con tu aplicación, el despliegue, el mantenimiento de acciones y de conectores MCP, el recinto donde corre el código y las pruebas en producción. Esa distinción ayuda a ver la diferencia entre tener un kit para construir agentes y tener una infraestructura lista para meterlos en un SaaS.

Ventajas comunes: flexibilidad máxima, sin límite de personalización. Límites comunes: se convierte en un segundo producto interno. Si a los seis meses nadie es responsable de esa plataforma, el agente queda desatendido y no se convierte en una herramienta útil para la empresa. En una demo no es un agente en producción contamos por qué ocurre.

Datos y conocimiento: LlamaIndex, Pinecone y Devic

Cuando el problema central es "la IA tiene que responder bien sobre nuestros documentos, tickets, manuales o datos de cliente", el foco se desplaza del grafo a la búsqueda. LlamaIndex, Pinecone y Devic no compiten en la misma capa. Cada uno cubre una pieza distinta.

Pinecone está sobre todo en la infraestructura de búsqueda: una base de vectores gestionada (números que representan el significado de un texto), el almacén de esos vectores, la búsqueda por significado y el crecimiento del índice. Encaja cuando ya tienes el conducto que mete los documentos y necesitas la capa de búsqueda en producción, sin operar tú esa infraestructura. No construye conductos ni agentes. Almacena y consulta.

LlamaIndex ayuda a construir y organizar esos conductos de datos y de búsqueda: entrada de documentos, índices, consulta sobre fuentes privadas y agentes sobre ese conocimiento. Muy fuerte en Python. Te da las piezas para montar el sistema de conocimiento. No te da, por sí solo, el producto embebido en tu SaaS ni la operación con varias cuentas de cliente.

Devic incorpora esa búsqueda dentro de una infraestructura más amplia para agentes y asistentes en el producto: la ejecución, los conectores MCP, convertir APIs en acciones, la aprobación de una persona, las ventanas y la gestión por cliente, con permisos y límites propios del negocio. Tiene sentido cuando la IA es lo que el cliente paga y no quieres ensamblar el índice, el programa, el acceso y la pantalla por separado.

Experiencia de IA en la pantalla: la librería de Vercel

Vercel AI SDK ayuda a construir chats, respuesta en directo, llamadas a acciones y pantallas generadas en React, Next.js y TypeScript. Es la capa de experiencia: la persona ve el copiloto, recibe el texto a medida que se genera y la pantalla organiza la conversación con tu servidor.

Encaja cuando ya tienes la API del agente (propia o de terceros) y necesitas la interfaz bien resuelta. No cubre por sí solo los permisos por cliente, las colas, las pruebas, los límites de coste ni el catálogo de acciones en el servidor. Es un complemento, no un sustituto de una plataforma o de un marco completo.

Editores y kits de agentes no son lo mismo

Aquí conviene separar dos familias que en las demos se mezclan.

Codex y Claude Code: editores con ayuda de IA

OpenAI Codex y Claude Code son entornos para programar, pensados para equipos de ingeniería. Trabajan sobre el repositorio: implementar funciones, reordenar código, depurar, tests y migraciones. Sirven para escribir código más rápido y con mejor contexto. No compiten con n8n ni con Devic en lo que el cliente usa dentro del producto.

Úsalos cuando el cuello de botella es la velocidad de desarrollo y la revisión humana del código. Tener Codex en el equipo no equivale a tener agentes en producción para quien usa el producto. Esa distinción también aparece en construir o comprar.

Los kits de OpenAI y de Anthropic: crear agentes, no el SaaS

Claude Agent SDK y OpenAI Agents SDK sirven para construir agentes con el bucle, las acciones, MCP y la gestión de contexto del proveedor. Se sitúan junto a LangGraph o Mastra en espíritu, no junto a Codex.

En la práctica exigen muchos rodeos para meter agentes dentro de un producto SaaS. El kit te da el bucle. Tú sigues resolviendo la separación entre clientes, los permisos, la autenticación, los límites de consumo, los costes por cuenta, la integración con tu aplicación y la operación de acciones y de conectores. Te atan mucho al proveedor y encajan mejor en la productividad de una persona (agentes pequeños en segundo plano mientras desarrollas) que como base de un producto que vendes.

OpenAI y Anthropic no están apostando fuerte por estas capas de agentes, frente a los modelos y a los editores: créditos más ajustados, poco mantenimiento y más incertidumbre si el núcleo de tu producto depende de ellas. Como señal externa, Matt Pocock lo documenta aquí: un cambio en el crédito mensual que Anthropic dedicaba a agentes supuso, en la práctica, un recorte importante de uso.

Producto con IA en el centro: plataforma, marco o híbrido

Cuando la IA pasa a formar parte de la experiencia que tus clientes usan dentro del SaaS, la decisión deja de ser solo qué modelo utilizar. Pasa a ser qué infraestructura quieres construir, mantener o delegar.

Desarrollo propio (LangGraph, Mastra o los kits, más tu API, tu pantalla, la visibilidad y los costes). Máximo control. Máximo coste total de equipo y de operación. El coste no termina cuando el agente funciona. El mantenimiento, las migraciones, la visibilidad, las evaluaciones, la seguridad, la adaptación continua a modelos y proveedores nuevos, y la deuda técnica siguen consumiendo equipo. En IA la depreciación tecnológica es especialmente rápida: una infraestructura que hoy pide meses de desarrollo puede convertirse en algo estándar, o quedar resuelta en parte por un proveedor, en poco tiempo. Construir dentro implica un coste inicial alto y un activo que necesita inversión continua y puede perder valor deprisa. Suele implicar perder el foco respecto al núcleo del negocio. Recomendamos esta vía solo si eres una empresa grande (más de 500 personas) con necesidades muy a medida.

Plataforma (Devic). Menos código de fontanería y más foco en las acciones de vuestro negocio, los casos de uso y las métricas. Devic pone el acento en el SaaS embebido: varios modelos, integraciones, MCP, ventanas y una ejecución gestionada para que el agente viva donde ya está la persona.

Híbrido frecuente: una plataforma para el programa que usa el cliente, más n8n o Make para procesos internos, más la librería de Vercel para la capa de chat, más Codex o Claude Code para el equipo de ingeniería. Lo incoherente es elegir una sola herramienta y forzar todos los casos ahí.

Cómo elegir sin dogma

Recorre este orden antes de fijar el conjunto de herramientas.

1. ¿Quién usa la IA? ¿Tu equipo o el cliente del SaaS?

2. ¿Es un cambio de producto o un atajo interno? Para una pyme de software, construir desde cero toda la infraestructura de agentes rara vez compensa: el mantenimiento, el tiempo hasta salir y el foco perdido suelen comerse el beneficio. Reserva los marcos (LangGraph, Mastra) a empresas grandes con equipos dedicados. Si la IA es el núcleo del producto, mira una plataforma. Si es un atajo operativo, n8n o Make.

3. ¿El problema es el conocimiento, la pantalla o una acción en tu API? Conocimiento: LlamaIndex más Pinecone, o la búsqueda dentro de una plataforma. Pantalla: la librería de Vercel más tu servidor. Acción: acciones, MCP o un comando acotado sobre tu negocio.

4. ¿Cuánto quieres mantener a los 12 meses? La honestidad aquí evita reescribir en el mes 9.

No hay una herramienta ganadora en absoluto. Hay combinaciones que encajan con tu primer caso de uso y con lo que ya decidiste sobre producción, coste y gobierno en el resto del blog.

Si quieres probar la capa de producto sin montar todo el conjunto: prueba Devic. Si prefieres código abierto y MCP: open source. Los artículos siguientes profundizarán en parejas concretas (n8n frente a Make, LangGraph frente a Devic, n8n frente a Dify) para no inflar este mapa en una sola URL.