Sommaire
- Ce qu'est vraiment un agent IA (avant de toucher Make)
- Structure d'un agent IA Make : les blocs de base
- Comment créer un agent IA avec Make : guide pas à pas
- Comparatif : Make vs d'autres outils pour construire un agent IA
- Cas concrets : 3 agents Make qui tournent en production
- Les erreurs qui font planter les agents Make
- Quand Make suffit et quand il faut passer à autre chose
- Questions fréquentes
- Conclusion
- Un agent IA avec Make, c'est un scénario qui observe, décide et agit sans intervention humaine, pas juste un webhook qui envoie un email.
- La brique centrale : le module OpenAI (ou Claude) + un routeur conditionnel pour simuler la prise de décision.
- 3 exemples concrets : qualification de leads, tri de support client, veille concurrentielle automatique.
- Les erreurs classiques qui font planter les agents Make dès la deuxième semaine.
- Quand bricoler soi-même atteint ses limites et ce que ça coûte vraiment en temps.
Tu as entendu parler des agents IA partout en 2026, tu as un compte Make actif, et tu te demandes comment connecter les deux sans passer 3 semaines sur YouTube. C'est exactement ce que couvre cet article.
Un agent IA avec Make, ce n'est pas la même chose qu'une automatisation classique. Dans un scénario standard, tu définis chaque étape à l'avance. Un agent, lui, reçoit une situation, raisonne et choisit quelle action déclencher. La nuance est énorme en pratique.
Je vais te montrer comment créer un agent IA avec Make pas à pas, avec des exemples qui tournent chez des freelances et des équipes de 5 à 20 personnes aujourd'hui. Et je vais aussi te dire quand Make est le bon outil, et quand tu perds ton temps.
Ce qu'est vraiment un agent IA (avant de toucher Make)
Beaucoup de gens construisent un "agent IA" qui n'est en réalité qu'un appel API avec une belle interface. Un vrai agent a trois caractéristiques :
- Il perçoit : il reçoit des données du monde réel (email entrant, formulaire rempli, ligne ajoutée dans un Google Sheet).
- Il décide : il appelle un LLM (GPT-4o, Claude 3.5) pour analyser la situation et choisir une action parmi plusieurs.
- Il agit : il exécute l'action choisie (répondre, créer une tâche, mettre à jour un CRM, alerter une équipe).
Make est un outil de workflow visuel. Il ne "pense" pas nativement. Mais avec les bons modules, tu peux lui greffer un cerveau. Le module OpenAI (ou HTTP vers l'API Anthropic) devient le point de décision central, et les routeurs conditionnels traduisent cette décision en action concrète.
Avant de construire, liste exactement les 3 à 5 actions que ton agent peut prendre. Un agent qui peut tout faire ne fait rien bien. Commence petit.
Structure d'un agent IA Make : les blocs de base
Le déclencheur (trigger)
Ton agent démarre quelque part. Les triggers les plus utiles en pratique :
- Webhook : ton agent se déclenche dès qu'une source externe envoie des données (Typeform, Calendly, ton site).
- Email (Gmail / Outlook) : chaque nouvel email dans une boîte dédiée lance le scénario.
- Google Sheets : une nouvelle ligne ajoutée déclenche l'analyse.
- Planificateur : l'agent tourne toutes les heures, tous les jours, à heure fixe.
Le module de décision (le cerveau)
C'est ici que Make devient un agent. Tu ajoutes le module OpenAI > Create a Completion (ou un module HTTP vers l'API Claude d'Anthropic). Dans le prompt système, tu définis le rôle de l'agent et les actions disponibles.
Exemple de prompt système simple :
"Tu es un assistant de qualification de leads. Analyse le message reçu et réponds UNIQUEMENT par l'un de ces mots : CHAUD, TIEDE, FROID. CHAUD = besoin exprimé + budget mentionné. TIEDE = besoin exprimé sans budget. FROID = aucun besoin identifiable."
Le LLM retourne un mot. Make lit ce mot et route vers la bonne action via un module Router avec des filtres. C'est la mécanique de base de tout agent Make.
Le routeur conditionnel
Après le module IA, tu branches un Router. Chaque route correspond à une valeur possible retournée par le LLM. Route 1 : si la réponse contient "CHAUD", envoyer un email de suivi prioritaire + notifier Slack + créer une opportunité dans le CRM. Route 2 : si "TIEDE", ajouter à une séquence de nurturing. Route 3 : si "FROID", archiver.
Force toujours le LLM à répondre dans un format contrôlé (un mot, un JSON, une liste numérotée). Un agent Make est aussi robuste que la prévisibilité de son output IA. Si le modèle répond en prose, ton routeur plante.
Comment créer un agent IA avec Make : guide pas à pas
crée un nouveau scénario Make
Dans Make, clique sur "Create a new scenario". Commence par ton trigger. Si tu testes, utilise un webhook : Make te génère une URL, tu envoies une requête POST dessus depuis Postman ou depuis ton navigateur avec un plugin, et le scénario reçoit les données.
prépare et nettoie les données entrantes
Avant d'appeler le LLM, formate tes données. Un module Text Parser ou un simple Set Variable te permet de construire le texte que tu vas envoyer au modèle. Ne fourre pas tout le payload JSON brut dans le prompt : extrait les champs utiles, concatène-les en un paragraphe lisible.
appelle le LLM
Ajoute le module OpenAI (ou HTTP si tu préfères Claude). Configure ton prompt système une fois pour toutes dans le champ "System". Dans "User", passe le texte que tu as préparé à l'étape précédente. Choisis le modèle adapté à ton budget et ta précision requise : GPT-4o mini pour les tâches de classification simples, GPT-4o ou Claude 3.5 Sonnet pour les analyses plus complexes.
parse la réponse du LLM
La réponse arrive dans result.choices[0].message.content. Utilise un module Text Parser avec une regex ou un simple filtre de texte pour extraire la valeur qui t'intéresse. Si tu as forcé une réponse JSON, utilise le module JSON > Parse JSON.
branche le routeur et configure les actions
Ajoute ton Router. Crée autant de routes que de valeurs possibles. Dans chaque route, configure tes actions : email, CRM, Slack, Google Sheets, Notion, peu importe ton stack. Teste chaque route indépendamment avant de valider le scénario complet.
gestion des erreurs
Obligatoire. Ajoute un Error Handler sur le module LLM. Si l'API est down ou retourne une réponse inattendue, ton agent doit soit retenter, soit alerter un humain, pas planter silencieusement. Un Google Sheet "erreurs agent" avec date, input et message d'erreur te sauvera la mise dès la première semaine.
Active l'option "Store incomplete executions" dans les paramètres de ton scénario Make. Tu pourras relancer manuellement les runs qui ont échoué sans reperdre les données d'entrée.
Gagne du temps avec l'IA, sans la théorie.
Just Use AI te donne les ressources, modules et templates pour automatiser ton quotidien.
Comparatif : Make vs d'autres outils pour construire un agent IA
| Critère | Make | n8n | Zapier | LangChain (code) | Voiceflow |
|---|---|---|---|---|---|
| Courbe d'apprentissage | Moyenne | Moyenne-haute | Basse | Haute (dev) | Basse-moyenne |
| Flexibilité logique | Haute | Très haute | Faible | Maximale | Moyenne |
| Intégrations natives | 1 500+ | 400+ | 5 000+ | Via code | Limitées |
| Gestion d'état (mémoire) | Basique (Datastore) | Bonne | Très limitée | Complète | Moyenne |
| Prix pour 10k opérations/mois | ~10-16€ | Self-hosted gratuit | ~49€ | Coût infra seul | Sur devis |
| Boucles / itérations | Oui (Iterator) | Oui | Non natif | Oui | Non |
| Adapté TPE/PME sans dev | Oui | Oui (avec support) | Oui mais coûteux | Non | Partiel |
Si tu hésites entre Make et n8n pour ton entreprise, l'article sur n8n vs Make pour PME détaille les critères de choix selon ta taille d'équipe et ton budget. Pour aller plus loin sur les fondamentaux no-code, le guide sur l'automatisation no-code pose toutes les bases.
Cas concrets : 3 agents Make qui tournent en production
qualification de leads entrants (consultant indépendant)
Marc, consultant en stratégie digitale, recevait 15 à 20 demandes de contact par semaine via son site. Il passait 2 heures à trier, répondre aux curieux et identifier les prospects sérieux.
Son agent Make : un webhook reçoit les soumissions du formulaire Tally. Le LLM analyse le message et classe le lead en 3 catégories. Les leads "chauds" reçoivent un email personnalisé avec un lien Calendly dans les 5 minutes. Les "tièdes" partent dans une séquence ActiveCampaign. Les "froids" sont archivés avec une réponse type. Résultat : 1h45 économisées par semaine, et les leads chauds reçoivent une réponse 10x plus rapide.
tri et réponse automatique au support client (SaaS 8 personnes)
Une équipe SaaS recevait 40 à 60 tickets support par semaine. 60% étaient des questions FAQ répondables en 30 secondes par n'importe qui dans l'équipe, mais elles encombrent la boîte et créent du stress.
Leur agent Make surveille la boîte support Gmail. Pour chaque email entrant, le LLM identifie s'il s'agit d'une question FAQ (mot de passe oublié, facturation, onboarding basique) ou d'un bug réel. Les FAQ reçoivent une réponse automatique dans les 2 minutes avec la solution. Les bugs sont enrichis d'un résumé structuré et créés automatiquement comme tickets Jira avec priorité suggérée. L'équipe ne traite plus que les 40% de tickets qui nécessitent vraiment une réflexion humaine.
veille concurrentielle hebdomadaire (agence marketing 12 personnes)
Chaque lundi matin, le directeur de cette agence voulait un brief sur ce que faisaient ses 5 concurrents principaux : nouvelles pages publiées, changements de pricing, nouveaux cas clients. Avant, c'était 3 heures de travail manuel pour une stagiaire.
L'agent Make tourne chaque dimanche soir. Il scrape les sitemaps des concurrents via HTTP, compare avec les URLs stockées en Datastore Make, extrait le contenu des nouvelles pages, et demande au LLM de produire un résumé en 5 bullets par concurrent. Le brief arrive dans Notion le lundi à 8h. La stagiaire a été repositionnée sur des tâches stratégiques. Le brief est plus fiable et plus rapide.
Si tu veux aller plus loin sur l'automatisation de la prospection, l'article sur l'automatisation LinkedIn avec Make en 2026 est une lecture directement complémentaire.
Les erreurs qui font planter les agents Make
J'en vois systématiquement les mêmes.
Ne pas contrôler l'output du LLM. Si ton prompt ne force pas un format précis, le modèle va un jour répondre "Je pense que c'est CHAUD car..." au lieu de juste "CHAUD". Ton routeur ne reconnaît rien, le scénario plante, tu ne sais pas pourquoi.
Ignorer la mémoire. Make est stateless par défaut. Chaque exécution repart de zéro. Si ton agent a besoin de se souvenir des interactions précédentes (chatbot, suivi de dossier), tu dois gérer l'état manuellement via le Datastore Make ou un Google Sheet. Oublier ça, c'est construire un agent qui répond toujours comme si c'était la première fois.
Ne pas monitorer les coûts API. Un scénario Make qui tourne 500 fois par jour avec GPT-4o peut générer une facture OpenAI surprenante à la fin du mois. Surveille tes tokens, utilise GPT-4o mini pour les tâches simples, et mets des limites dans les paramètres du scénario.
Construire trop complexe dès le début. Un agent à 15 modules avec 8 routes différentes, ça prend 2 semaines à debugger. Commence avec 3 actions possibles, valide que ça marche en prod 2 semaines, puis ajoute de la complexité.
Crée un scénario Make séparé dédié aux logs. À chaque exécution de ton agent, envoie les données clés (input, output LLM, route choisie, timestamp) vers une feuille Google Sheets. Tu auras une visibilité totale sur ce que fait ton agent, et déboguer devient trivial.
Pour les équipes qui veulent aller plus loin avec des agents plus autonomes, l'article créer un agent IA avec Claude API montre comment sortir du no-code quand Make atteint ses limites.
Quand Make suffit et quand il faut passer à autre chose
Make est excellent pour les agents avec des workflows bien définis, un nombre limité d'actions possibles et des données structurées. Si ton agent doit choisir parmi 3 à 6 actions, qu'il travaille sur des données textuelles propres et qu'il n'a pas besoin de mémoire longue terme, Make est parfait.
Make devient limitant quand ton agent a besoin de boucles récursives complexes, d'une vraie mémoire conversationnelle sur plusieurs semaines, ou de décisions multi-niveaux (l'agent appelle lui-même d'autres agents). Dans ce cas, soit n8n avec plus de flexibilité, soit une solution custom via API, sera plus adapté.
Si tu te demandes comment choisir entre ces options selon ta situation, le guide pour automatiser avec l'IA fait le tour des approches et des critères de choix. Et pour avoir une lecture de ta situation spécifique, les équipes de Just Use AI font régulièrement des points de cadrage qui permettent de ne pas se lancer dans la mauvaise direction.
Les coachs business et consultants qui veulent automatiser leur prospection trouveront aussi des cas très proches dans l'article sur l'IA pour coach business et prospection.
Questions fréquentes
Non. Make est entièrement visuel. Tu as besoin de comprendre la logique conditionnelle (si/alors) et de savoir formater un prompt LLM. Quelqu'un à l'aise avec Excel peut construire un agent fonctionnel en quelques heures.
Make a un module natif pour OpenAI, donc GPT-4o et GPT-4o mini sont les plus simples à brancher. Pour Claude d'Anthropic, tu passes par un module HTTP avec l'API key. En pratique, GPT-4o mini couvre 80% des cas d'usage de classification et de génération simple à moindre coût. Garde GPT-4o ou Claude 3.5 Sonnet pour les analyses complexes qui justifient le prix.
L'abonnement Make Core (10 000 opérations/mois) coûte autour de 10 à 16€ selon le cycle de facturation. À ça s'ajoutent les coûts API OpenAI, qui dépendent du volume de tokens traités. Pour un agent qui tourne 50 fois par jour avec des prompts courts, compte 5 à 20€/mois de coûts API en plus. Un agent bien conçu reste très accessible.
Oui, mais tu dois la gérer manuellement. Le Datastore Make est la solution native pour stocker des paires clé/valeur entre exécutions. Pour une mémoire conversationnelle riche (historique de plusieurs échanges), un Google Sheet ou Airtable stockant les messages précédents que tu réinjectes dans le prompt à chaque exécution est l'approche la plus courante.
Un scénario classique exécute des étapes prédéfinies dans un ordre fixe. Un agent IA décide lui-même quelle étape exécuter en fonction du contexte analysé par un LLM. La différence est la présence d'un module de raisonnement qui agit comme un aiguilleur intelligent, plutôt qu'un chemin tracé à l'avance.
Pas nativement de façon fluide. Tu peux chaîner des scénarios via des webhooks (un scénario appelle un autre scénario). C'est faisable pour 2 ou 3 agents qui se passent le relais, mais au-delà, la maintenance devient compliquée. Pour des architectures multi-agents vraiment robustes, une solution custom est plus adaptée.
Ça dépend des données que tu envoies au LLM. Si tu transmets des données personnelles identifiables à OpenAI ou Anthropic, tu dois t'assurer d'avoir une base légale (contrat, consentement) et vérifier les conditions DPA de ces fournisseurs. Make lui-même est hébergé en UE en option. L'article sur l'automatisation IA, le RGPD et l'AI Act en 2026 détaille la checklist complète.
Conclusion
Créer un agent IA avec Make est à la portée de n'importe quel freelance ou manager qui veut reprendre du temps sur les tâches répétitives. La mécanique de base, trigger + LLM + routeur conditionnel + actions, couvre déjà 80% des cas d'usage réels.
Le vrai enjeu, c'est de bien poser le problème avant d'ouvrir Make. Quel est exactement le flux que tu veux automatiser ? Quelles sont les 3 à 5 décisions que ton agent doit prendre ? Si tu as ces réponses, la construction va vite.
Si tu veux un regard extérieur sur ton process avant de construire, ou si ton projet est plus complexe qu'un scénario Make solo, l'audit IA gratuit de Just Use AI te permet de cartographier ce qui vaut vraiment la peine d'être automatisé dans ton activité, sans engagement.