O uso de automação inteligente nunca esteve tão acessível para empresas de todos os portes. Entre as ferramentas que mais se destacam nesse cenário está o n8n, uma plataforma flexível e poderosa de automação de workflows. Quando unimos o n8n com Inteligência Artificial (IA) e Modelos de Linguagem de Grande Escala (LLMs), abre-se um mundo de possibilidades para otimizar processos, reduzir custos e acelerar decisões estratégicas.
Nesse artigo vamos explorar alguns projetos que são úteis para automatizar problemas modernos do mundo real e que podem ser implementados em empresas e negócios.
- Automação de relatórios com planilhas na nuvem (análises e extração automática de insights)
- Agente de IA para acesso a dados externos em tempo real (APIs, feeds de notícias, etc.)
- Chatbot para responder perguntas frequentes (com base em documentos sobre a empresa ou serviço)
- Análise de sentimentos em feedbacks de clientes
- Atendente virtual inteligente e automatizado integrado ao WhatsApp
Mas antes de falar sobre esses projetos, vamos entender rapidamente o que é o n8n e como ele se conecta com a IA generativa.
O que é n8n?
O n8n é uma ferramenta de automação de fluxos de trabalho (workflows) que permite integrar diferentes aplicativos e serviços sem precisar programar do zero. Basicamente, ele funciona a partir de nós (nodes), que representam ações ou serviços (como Google Sheets, Gmail, Redes Sociais, APIs externas), e gatilhos (triggers), que disparam o fluxo quando um evento ocorre.
Com o n8n, você pode criar automações visuais e inteligentes que conectam dados de diferentes fontes e executam tarefas de forma totalmente automatizada.
O que é IA, LLM e IA Generativa?
A Inteligência Artificial (IA) é a área da tecnologia que cria sistemas capazes de executar tarefas que normalmente exigiriam raciocínio humano, como análise de dados, reconhecimento de padrões ou geração de conteúdo.
Os LLMs (Large Language Models) são um tipo de IA treinada em grandes volumes de texto, capazes de compreender e gerar linguagem natural. Quando falamos de IA generativa, nos referimos à capacidade desses modelos de criar novos conteúdos, como relatórios, resumos ou até mesmo código, a partir de instruções (prompts).
Essa combinação n8n + IA generativa é a base para os projetos práticos que vamos apresentar a seguir.
Aviso: abaixo apresentamos apenas uma visão geral de cada projeto e sua implementação, já que explicar cada passo detalhadamente fugiria do escopo pois cada projeto envolve muitas configurações específicas e detalhes. Se quiser aprender com detalhes todos os fundamentos do n8n e também como construir todos esses projetos passo a passo, nosso curso Automação com n8n e Agentes de Inteligência Artificial está disponível para todos que assinarem qualquer um dos planos da plataforma. Clique aqui para conhecer os planos.
Projeto 1: Automação de Relatórios com planilhas na nuvem e IA
Empresas de qualquer setor precisam de relatórios claros e ágeis para apoiar decisões. Com o n8n, é possível automatizar todo esse processo.
Vantagem para a empresa: relatórios automáticos e inteligentes, prontos para a diretoria, sem retrabalho manual e com insights de alto nível para decisões mais rápidas.
Um exemplo de fluxo:
- Um gatilho mensal (trigger schedule) aciona a leitura de uma planilha no Google Sheets.
- A IA processa os dados, gera uma análise estratégica completa e extrai os principais insights.
- O relatório detalhado é salvo automaticamente em um Google Docs, no Google Drive.
- Uma versão resumida é enviada por e-mail, já incluindo o link direto para o documento completo.
Esse fluxo pode começar com dados de acompanhamento de atividades, mas também ser adaptado para análises financeiras, controle de tarefas ou outros cenários corporativos.
Aqui, o papel da engenharia de prompt é crucial: por exemplo, podemos usar role prompting (“Você é um analista estratégico…”) para personalizar a saída da IA. Assim, um único fluxo pode se adaptar a diferentes áreas ou setores da empresa apenas ajustando o prompt.
Para implementar isso no n8n, usamos o nó Basic LLM Chain, que conecta diretamente com o modelo (LLM) escolhido. Como alternativa, poderíamos usar o nó AI Agent (comentaremos no próximo projeto).
E quanto ao modelo, escolhemos o Google Gemini devido à sua ampla janela de contexto, sendo capaz de processar milhões de tokens. Isso garante que mesmo relatórios extensos possam ser analisados em segundos. Você pode optar por outros modelos ou provedores que preferir, como o ChatGPT da OpenAI ou modelos do provedor Groq por exemplo (que oferece uma quota gratuita para várias LLMs modernas). Todos esses possuem integração pronta e direta com o n8n.
Além disso, podemos aplicar expressões de filtragem no nó Set, como:
{{$today.minus({month:1}).startOf('month').toFormat('yyyy-MM-dd')}}Isso garante que apenas os dados do último mês sejam analisados, sem necessidade de ajustes manuais.
Ao final, o nosso fluxo ficou assim no n8n:
Projeto 2: Agente de IA para Acesso a Notícias em Tempo Real
Para esse projeto criamos um bot conectado a um feed de notícias, permitindo que ele busque notícias recentes na internet e responda no idioma solicitado. Mas podemos adaptá-lo para consultar dados de outros tipos de fontes também.
Vantagem para a empresa: acesso a informações atualizadas em tempo real e integração direta com sistemas internos, transformando o atendimento e a tomada de decisões em processos mais ágeis e inteligentes.
Nem sempre um fluxo fixo de automação é suficiente. Em alguns casos, é preciso ter um sistema capaz de raciocinar sozinho e decidir os próximos passos. É aí que entram os Agentes de Inteligência Artificial.
O que são agentes de IA?
Enquanto o nó básico de LLM (como no projeto anterior) apenas responde a um prompt, os agentes são projetados para agir de forma autônoma.
- Automação tradicional: segue caminhos estáticos (A → B → C).
- Agente de IA: consegue perceber, planejar, agir e observar. Ele raciocina sobre qual ferramenta usar, executa a ação e volta a avaliar o resultado antes de decidir o próximo passo.
Componentes de um agente
- LLM (o cérebro pensante): interpreta o objetivo e planeja as ações. Ex.: ChatGPT (OpenAI), Gemini (Google), Llama (Meta) ou DeepSeek.
- Memória: guarda o histórico da interação, permitindo continuidade e decisões mais inteligentes.
- Ferramentas (tools): executam ações reais, como enviar e-mails, buscar em bancos de dados ou acessar a internet.
Nosso projeto na prática
No n8n, adicionamos o nó AI Agent. Ele permite conectar os componentes mencionados acima (LLM, memória e tools). Conectamos a ele primeiramente o modelo e depois a memória (opcional). E em Tools adicionamos o nó RSS Read Tool.
Nas configurações desse nó responsável pelo feed RSS, é muito importante definir uma descrição para a tool. Nesse exemplo, definimos “Use essa tool quando o usuário pedir por notícias ou novidades.”. Sempre escreva de forma clara o que a ferramenta faz, isso ajuda o agente a escolher corretamente quando deve usá-la.
E para a URL precisamos colocar a URL do feed RSS, por exemplo escolhemos da TechCrunch: https://techcrunch.com/feed/
Agora, basta ligar o agente a um Chat Trigger (nó que cria uma interface de chat no n8n) e enviar por exemplo “O que há de novo?”. O agente identifica a intenção, aciona apenas a tool necessária e retorna o resultado.
Esse mesmo fluxo pode ser ampliado para um sistema multiagente, onde diferentes agentes especializados cuidam de funções distintas. Por exemplo:
- Um agente acessa notícias em tempo real.
- Outro consulta valores de moedas (ex: Bitcoin).
- Outro manipula planilhas no Google Sheets.
Embora seja tentador conectar tudo em um único agente, na prática isso pode gerar problemas. Em cenários complexos, um prompt gigante descrevendo todas as regras a serem seguidas acaba sendo pouco eficiente e aumenta a chance do agente se perder no raciocínio. Por isso, separar em agentes especializados costuma gerar resultados mais confiáveis.
Também é possível criar tools personalizadas que direcionam as ações: por exemplo, “se a dúvida for técnica, registre na planilha; se for feedback, envie para outro canal”. Esse tipo de lógica dá ao agente autonomia real para lidar com diferentes tipos de interação.
Projeto 3: Chatbot de Perguntas Frequentes com RAG
Um dos casos mais poderosos do n8n aliado à Inteligência Artificial é a criação de chatbots baseados em documentos, capazes de responder dúvidas de forma precisa e personalizada. Para isso, utilizamos o RAG (Retrieval-Augmented Generation), que combina LLMs com recuperação de informações externas.
Com esse fluxo, é possível ter um suporte inteligente 24/7, alimentado por documentos internos. Isso reduz o tempo de atendimento, garante respostas consistentes e ainda libera a equipe para atividades estratégicas. Além disso, como os dados são armazenados no banco vetorial da própria empresa, o controle sobre a informação é total.
O que é RAG?
O RAG permite que o modelo de linguagem acesse dados externos em tempo real, sem depender apenas do seu treinamento prévio. Isso garante muitas vantas, como:
- Respostas mais precisas e contextualizadas.
- Confidencialidade, ao usar dados internos ou restritos da empresa.
- Suporte a consultas complexas, com conhecimento sempre atualizado.
Como funciona (pipeline)
Na prática, uma aplicação RAG é geralmente composta por dois processos principais:
- Indexação (Indexing): os documentos são convertidos em embeddings (representações numéricas de seu significado) e armazenados em um banco de dados vetorial.
- Recuperação e geração (Retrieval + Generation): quando o usuário faz uma pergunta, ela também é transformada em embedding. O sistema busca os trechos mais relevantes no banco e passa como contexto para a LLM gerar a resposta.
Implementação do Pipeline de Indexação
No n8n, começamos criando um fluxo para indexar documentos:
Escolhemos para a base de dados o Supabase, que combina PostgreSQL com a extensão pgvector, ideal para armazenar embeddings. Podemos utilizá-lo gratuitamente: Basta criar conta no Supabase, confirmar o e-mail e criar a organização (plano Free), e então criar uma nova tabela com os comandos SQL fornecidos na documentação oficial.
Para conectar o n8n com sua conta Supabase, é necessário adicionar o nó “Supabase”, cadastrar as credenciais e selecionar a tabela criada. Conectado a esse nó precisamos fornecer um modelo de embedding (aqui escolhemos o gemini-embedding-001) e também conectar o Default Data Loader, que fará a leitura dos documentos e será responsável pela etapa de divisão de texto (chunking).
Em seguida, enviamos a esse fluxo um documento (usamos o nó do Google Drive, que permite baixar o arquivo pro n8n diretamente de lá). Nesse exemplo enviamos um PDF de apresentação institucional com respostas a perguntas frequentes, mas esse mesmo fluxo pode indexar manuais de produtos, políticas internas ou guias técnicos.
E depois disso, você pode aprimorar o fluxo com funções adicionais, como evitar que informações de um documento fiquem duplicados na base (caso o mesmo arquivo seja enviado mais de uma vez nesse fluxo de indexação). Isso pode ser feito, por exemplo, usando a função “Delete a row” para remover do Supabase todos os registros cujo ID corresponda ao arquivo que está sendo enviado no momento. Assim, a cada nova indexação, você garante que o mesmo documento não apareça duplicado e ainda assegura que o conteúdo seja atualizado caso o arquivo tenha sofrido alterações.
Ao final temos esse fluxo:
Implementação do Pipeline de Recuperação e Geração
Nessa parte é construído o segundo fluxo, que será o chatbot em si. Primeiro adicionamos um Chat Trigger, para capturar a mensagem do usuário – e conectamos ele ao nó AI Agent.
Dentro do agente:
- Chat Model: configuramos o Gemini, aqui escolhido por ter compatibilidade melhor com embeddings usados para a etapa de indexação.
- Memory: Usamos o Postgres (o que dá para ser feito pelo próprio Supabase, apenas criamos uma nova tabela para armazenar essas conversas lá)
- Tool: adicionamos o nó Supabase Vector Store, apontando para a tabela criada anteriormente. Na descrição da tool, incluímos algo como: “Use esta ferramenta quando o usuário fizer perguntas sobre a empresa.”
- É essencial configurar nessa tool também o modelo de embedding, já que a pergunta do usuário precisa ser convertida em vetor antes da busca.
Por fim, temos um chatbot que ao receber uma pergunta identifica os trechos mais relevantes no banco vetorial e responde com base no conteúdo real da empresa, garantindo resultados muito mais confiáveis e sem depender apenas do treinamento da LLM (lembre-se: se o modelo não tiver acesso a esse contexto que contém informações sobre a empresa ou serviço então ele não vai responder, ou irá inventar informações).
Projeto 4: Análise de Sentimentos em Feedbacks de Clientes
Saber o que os clientes pensam sobre sua marca ou serviço é essencial para qualquer negócio. Mas ler e categorizar manualmente cada comentário (e registrar em uma outra base de dados) pode ser inviável. Com o n8n e a IA, podemos automatizar esse processo e transformar opiniões em dados estruturados, prontos para análise.
Por que análise de sentimento é importante?
Esse tipo de solução permite:
- Medir a percepção geral da marca em tempo real.
- Identificar elogios e pontos fortes valorizados pelos clientes.
- Detectar problemas recorrentes no atendimento ou em produtos.
- Monitorar sinais precoces de uma crise de imagem antes que se torne um problema maior.
Isso possibilita para a empresa enxergar tendências, tomar decisões rápidas e melhorar continuamente a experiência oferecida.
Implementação no n8n
Primeiro, é necessário a preparação da base dados. Neste exemplo, os registros de feedback estão em uma planilha no Google Sheets dentro do Google Drive. Mas o mesmo fluxo poderia integrar dados de Google Forms ou outros sistemas de coleta. Para ler esses dados no n8n usamos um nó Google Sheets (ação: On Row Added), o que vai “escutar” novos feedbacks. A frequência de verificação é definida em Mode (ex.: a cada minuto).
Para o processamento, usamos um Loop para garantir que cada registro seja tratado individualmente, o que garante mais controle, como a possibilidade de usar um nó Wait para evitar possível excesso de requisições (uma boa prática é conferir os limites de requisições do modelo, especialmente se estiver usando modelos gratuitos).
Para a classificação de sentimentos com IA aplicamos o nó Sentiment Analysis, categorizando os comentários como Positivo, Neutro ou Negativo. O nó permite customizar as categorias (por exemplo definir emoções, como Animado, Irritado, Decepcionado…). Também permite ajustes no prompt de sistema. Como alternativa a esse nó, pode-se usar Basic LLM Chain ou AI Agent, nesse caso é necessário definir manualmente o prompt, pedindo para a IA realizar essa classificação.
E quanto ao armazenamento no Supabase: Após o node de IA que faz análise, adicionamos um nó Supabase (Create a row) para salvar os resultados em uma tabela. Além disso, antes da análise um Get a row verifica se o comentário já existe (checando name, comment, date). Se não existir, passa pelo fluxo de IA e o resultado é salvo com o nó Create a row. Um nó IF controla esse desvio. Assim, cada comentário é processado uma única vez e armazenado em um banco de dados confiável.
Projeto 5: Atendente Virtual Inteligente no WhatsApp
Um atendente virtual inteligente integrado ao WhatsApp é sem dúvidas um dos projetos com maior impacto prático atualmente. Embora aqui usemos o WhatsApp, a mesma lógica pode ser aplicada em outros canais como Telegram.
A ideia é montar um fluxo que receba mensagens de clientes e utilize IA para respondê-las de forma autônoma.
Por que isso é útil para negócios?
- Disponibilidade 24/7: nenhum cliente fica sem resposta inicial.
- Atendimento imediato: respostas instantâneas sem tempo de espera.
- Escalabilidade: atende dezenas de conversas simultaneamente.
- Equipe mais eficiente: o bot cuida das perguntas repetitivas e o time humano foca nos casos complexos.
- Flexibilidade: pode ser expandido com integrações (ex.: salvar contatos em planilha, RAG para FAQs, análise de sentimentos, registro automático de pedidos, etc.).
- Human in the loop: pode ser configurado para ceder controle ao atendimento humano em casos específicos.
Sobre as APIs possíveis para WhatsApp
A API oficial do WhatsApp – oferecida pela Meta – geralmente garante maior segurança e estabilidade, com menor risco de banimento, mas exige uso de templates aprovados e possui cobrança por mensagem, que pode ser variável conforme o tipo de conversa.
Já as APIs não oficiais, como Evolution API ou WAHA, não têm vínculo direto com a Meta e podem ser pagas (com suporte e facilidade de uso) ou open-source (gratuitas e flexíveis, sem restrição de templates), mas exigem mais cuidado para evitar bloqueios e precisam rodar em um servidor se quiser oferecer um serviço 24/7.
Nós escolhemos a Evolution API, uma opção bastante popular e usada profissionalmente. Ela é open-source e nos permite criar sem custos adicionais por mensagem. Mais informações sobre: https://github.com/EvolutionAPI/evolution-api
Implementação no n8n
Antes de criar o workflow é necessário instalar o nó Evolution API, que não é nativo do n8n. Isso pode ser feito acessando a opção Community Nodes e instalando o n8n-nodes-evolution-api.
Em seguida, no painel da Evolution, é preciso criar uma nova instância, prosseguir para conectá-la ao WhatsApp (lendo o QR Code com o seu celular) e associando a URL de webhook do n8n (que pode ser obtida ao adicionar um nó Webhook e clicar para abri-lo).
Quanto ao agente/atendente, usamos o nó AI Agent. Aqui definimos no prompt a personalidade e as regras do negócio (educado, simpático, objetivo, sem respostas longas). Também fornecemos o contexto do negócio e as limitações do que ele pode ou não responder.
Antes dele, adicionamos um nó set, que filtra os dados vindos do Webhook (o trigger que inicia esse fluxo e que recebe as mensagens). Nesse Set definimos para manter somente campos úteis em nosso fluxo, como o número da pessoa que enviou a mensagem, mensagem enviada, tipo da mensagem, etc.
Para memória, usamos o Redis Chat Memory, ideal para sessões rápidas e temporárias, embora também seja possível usar o Postgres para memória persistente.
E para enviar a resposta (gerada pelo Agente) de volta à mesma pessoa, usamos o nó Evolution API com a ação de enviar mensagem.
Nesse exemplo nós criamos um atendente para uma cafeteria, portanto foi interessante conectar uma tool no Google Sheets, que contém o cardápio e valores. Dessa forma, quando o cliente perguntar sobre produtos, o atendente consulta a planilha antes de responder, garantindo que a informação seja sempre correta (você pode muito bem usar RAG para isso, assim como mostrado no terceiro projeto, mas resolvemos manter um pouco mais simples esse exemplo).
Aqui também aproveitamos para adicionamos uma tool que será responsável por registrar automaticamente novos pedidos em uma outra planilha (que além do pedido vai conter mais informações, como o número e nome dessa pessoa). Para isso é necessário apenas mudar a operação (de read para append) e alterar a descrição dessa tool para que ela reflita a sua função nesse fluxo.
Dicas extras para melhorar sua aplicação
Se notar respostas imprecisas ou se simplesmente achar que os resultados podem ser melhorados, experimente:
- Testar com outras LLMs. As vezes um modelo diferente se adapta melhor ao seu caso de uso.
- Tornar o prompt mais específico. Experimente técnicas de prompting, como role prompting (“aja como um…”) ou few-shot (adicionando exemplos de como ele deve ou não deve responder).
- Melhorar descrições das tools. Lembre-se que a IA decide qual ferramenta usar com base nessa descrição, portanto deixá-la clara é fundamental.
- Criar agentes especialistas (ex: um para Pedidos, outro para Suporte) coordenados por um agente principal, que orquestra e delega tarefas.
Aqui mostramos a visão geral de cada projeto, mas existe muito mais por trás: detalhes técnicos, boas práticas e formas avançadas de personalizar os fluxos. Para ver tudo isso e aprender o passo a passo para criar cada automação, confira o nosso curso Automação com n8n e Agentes de Inteligência Artificial.
