n8n en Raspberry Pi: qué funciona y qué no

n8n funciona en la Raspberry Pi, aunque con límites claros. Para automatizaciones sencillas como disparadores de webhook, movimientos de archivos o notificaciones, una Raspberry Pi 4 o 5 con suficiente RAM suele ser suficiente, porque n8n construye su imagen Docker oficial, según Docker Hub, tanto para linux/amd64 como para linux/arm64. En cuanto se añaden workflows de IA con modelos de lenguaje ejecutados localmente, el pequeño hardware alcanza rápidamente sus límites de RAM y potencia de cálculo. Este artículo muestra para qué es realmente suficiente una Pi y dónde conviene cambiar a hardware más potente. Fecha: julio de 2026.

Compatibilidad ARM: qué admite la imagen Docker oficial

n8n publica su imagen Docker oficial como una compilación multiarquitectura. En Docker Hub el comando de compilación está documentado con las plataformas de destino "linux/amd64,linux/arm64", por lo que la imagen está construida de forma nativa para procesadores ARM64 y no solo es ejecutable mediante emulación. Para la Raspberry Pi esto significa: con un sistema operativo de 64 bits, por ejemplo Raspberry Pi OS (64-bit), n8n se puede instalar mediante Docker siguiendo la guía de instalación oficial sin rodeos ni soluciones improvisadas. Lo importante aquí es el término "64 bits": si en la Pi todavía se ejecuta un sistema de 32 bits (armhf), la imagen oficial no encajará, y sería necesario reinstalar antes el sistema operativo. La instalación en sí no se diferencia entonces de la de un servidor x86, incluyendo un volumen persistente para los datos de n8n y las variables de entorno habituales para la zona horaria y las credenciales.

Para qué es realmente suficiente una Raspberry Pi

• Workflows programados y basados en eventos: Las consultas de datos programadas, los reenvíos entre servicios o el procesamiento sencillo de webhooks funcionan de forma estable incluso con poca potencia de cálculo.
• Volúmenes de datos pequeños: Mientras los workflows no muevan respuestas JSON grandes o archivos binarios, la necesidad de memoria se mantiene baja.
• Entornos personales o de prueba: Para particulares que están conociendo n8n o creando automatizaciones privadas, una Pi es una solución permanente económica.

En un hilo del foro de n8n un usuario informa haber ejecutado n8n "comfortably" en una Raspberry Pi 3. Sin embargo, un miembro del equipo de n8n añade allí que incluso una Raspberry Pi Zero arranca en principio, pero que se termina "at some point run into issues with the RAM and also CPU", asociado a ejecuciones notablemente más lentas. Para el funcionamiento productivo continuo, una Pi 4 o 5 con más RAM es, por tanto, la opción más práctica frente a modelos más antiguos o más pequeños.

Dónde están los límites: workflows de IA y recursos

Según la documentación oficial sobre problemas de memoria, n8n en sí no limita el consumo de recursos por nodo: el software no restringe la cantidad de datos que un nodo puede obtener, ni reserva memoria automáticamente. Conjuntos de datos grandes, muchos nodos en un workflow o el nodo Code elevan en consecuencia la necesidad de memoria, y eso afecta a una Pi con típicamente entre 4 y 8 GB de RAM más rápido que a un servidor con 16 GB o más. En los workflows de agentes de IA se añade que un modelo de lenguaje ejecutado localmente en la Pi, por ejemplo mediante Ollama, tiene que compartir con n8n la memoria ya escasa y la limitada potencia de CPU. Los informes de la comunidad sobre llamadas a modelos locales mediante la integración de Ollama en n8n describen tiempos de respuesta notablemente más largos frente a las API en la nube, tanto en hardware más potente como, sobre todo, en una Pi sin aceleración gráfica dedicada. Para agentes de IA productivos, varias ejecuciones paralelas o modelos más grandes, una Raspberry Pi es, honestamente, la plataforma equivocada.

Consejos prácticos para la operación

• Planificar una reserva de memoria: No calcule con el mínimo, sino con un margen para el historial de ejecuciones, los registros y los workflows simultáneos.
• Modelos de IA externos en lugar de inferencia local: Los nodos que llaman a una API en la nube alivian notablemente a la Pi frente a los modelos alojados localmente.
• PostgreSQL en lugar de SQLite con varios usuarios: Para un funcionamiento estable con varios usuarios, se recomienda una base de datos externa en lugar del archivo SQLite predeterminado.
• Limitar los volúmenes de datos en los workflows: Lotes más pequeños en lugar de grandes consultas individuales mantienen la necesidad de memoria dentro de lo que una Pi puede manejar.

Si n8n debe soportar de forma permanente varios workflows productivos o agentes de IA en su caso, normalmente conviene cambiar a un pequeño servidor en lugar de un proyecto casero con una Pi. En NordFlux configuramos entornos de n8n a precio fijo y cuidamos la soberanía de datos alemana; más información al respecto en automatización n8n.

Preguntas frecuentes sobre n8n en Raspberry Pi

¿Funciona n8n en todos los modelos de Raspberry Pi?

Técnicamente, n8n se puede instalar en la mayoría de los modelos con sistema operativo de 64 bits, pero para un uso práctico en funcionamiento continuo, son sobre todo la Pi 4 y la Pi 5 con suficiente RAM las que resultan utilizables. Los modelos más antiguos o muy pequeños, como la Pi Zero, alcanzan rápidamente sus límites de RAM y CPU, según informes del foro de n8n.

¿Necesito obligatoriamente un sistema operativo de 64 bits?

Sí. La imagen Docker oficial de n8n está construida para linux/arm64, no para la arquitectura de 32 bits más antigua. En una Pi con Raspberry Pi OS de 32 bits, la imagen no se puede usar directamente; aquí es necesario cambiar a la versión de 64 bits del sistema operativo.

¿Puedo ejecutar agentes de IA con modelos de lenguaje locales en la Pi?

En principio sí, pero en la práctica solo de forma limitada. Los modelos locales a través de Ollama comparten la RAM y la potencia de cálculo con n8n; sin aceleración gráfica dedicada, los tiempos de respuesta son, según la experiencia de la comunidad, notablemente más largos que con las API en la nube. Esto es suficiente para pruebas ocasionales, pero normalmente no para agentes de IA productivos.

¿Cuándo debería pasar de la Pi a un servidor real?

En cuanto varios workflows se ejecutan en paralelo, se procesan volúmenes de datos más grandes o los agentes de IA deben usarse de forma productiva regularmente, un pequeño servidor o VPS con más RAM y potencia de cálculo se convierte en la mejor opción. La Pi sigue siendo entonces una buena solución para entornos de prueba y aprendizaje.