Créez votre premier agent d'IA dans n8n : qualification des prospects de bout en bout

La fonctionnalité la plus sous-estimée de n8n est le nœud AI Agent. Il transforme un flux statique — « lorsque X se produit, faites Y » — en un système plus souple dans lequel le modèle décide des actions à entreprendre selon la situation.

Dans cet article, nous créerons de bout en bout un véritable agent d’IA : un système qui reçoit de nouveaux prospects, enrichit leurs données, les note, rédige une réponse personnalisée et les oriente vers la bonne destination. Vous comprendrez ainsi le fonctionnement des agents d’IA dans n8n et les principes qui distinguent un agent utile d’une démonstration fragile.

Nous supposons que vous avez n8n installé (auto-hébergé sur un serveur ou via n8n.cloud) et une clé API valide pour Claude ou OpenAI. Si vous êtes nouveau dans n8n, commencez par suivre leur tutoriel de base.

N’autorisez pas la première version à répondre automatiquement à de vrais prospects. Orientez les brouillons vers une vérification humaine jusqu’à disposer de journaux, d’un mécanisme d’idempotence, de seuils de notation et d’un nombre suffisant d’exécutions contrôlées pour confirmer que le flux se comporte correctement avec des entrées imparfaites.

Ce que nous construisons

Le flux de travail :

1. Un nouveau prospect arrive par un webhook (formulaire, événement, CRM, etc.).
2. L’agent enrichit ses données avec des informations sur l’entreprise obtenues par une recherche Web.
3. Il note le prospect selon trois dimensions : adéquation, intention et urgence.
4. Il rédige une réponse personnalisée.
5. En fonction de la note, il effectue l’une des actions suivantes :
   • répond automatiquement et crée une fiche dans le CRM pour les prospects très prometteurs lorsque la décision présente un degré de confiance élevé ;
   • prépare une réponse soumise à vérification humaine et envoie une notification Slack pour les prospects intermédiaires ;
   • journalise et notifie sans répondre pour les prospects peu adaptés.

Ce modèle s’applique à d’autres cas. Remplacez la qualification des prospects par le tri des tickets d’assistance, l’évaluation des candidats, la gestion des demandes de presse ou l’orientation des retours clients : la structure reste identique.

Le schéma JSON lié à cet article définit la charge utile d’entrée. Utilisez-le pour valider l’entrée du webhook avant que le nœud de l’agent ne la voie.

Ajoutez une étape de validation avant l’agent

Le webhook ne doit pas transmettre directement les données du formulaire à l’agent. Placez une étape de validation entre le déclencheur et l’agent :

Cette étape protège le flux contre les soumissions malformées, les doublons provoqués par de nouvelles tentatives du webhook et les injections de prompt cachées dans les champs du formulaire. L’agent peut toujours lire le message, mais le flux décide si l’enregistrement est suffisamment valide pour être traité.

Le modèle mental : agent = LLM + outils + boucle

Avant de construire, le concept.

En 2026, un « agent » désigne un grand modèle de langage capable d’utiliser des outils. Au lieu de produire une réponse unique, le modèle choisit les actions — appelées « outils » — à exécuter. Après chaque retour, il examine le résultat et décide d’appeler un autre outil, de passer à une autre étape ou de produire la réponse finale.

Le nœud de l’agent d’IA de n8n implémente cette boucle. Vous donnez au modèle :

• Un prompt système (ses instructions et sa personnalité).
• Un prompt utilisateur (l’entrée pour cette exécution).
• Un ensemble d’outils (d’autres nœuds n8n ou sous-flux de travail que le modèle peut appeler).

Le modèle décide quels outils appeler, dans quel ordre et avec quels arguments. Après chaque résultat, il réévalue la situation. Lorsqu’il estime la tâche terminée, il renvoie une réponse finale.

Cela diffère fondamentalement d’un flux de travail statique car l’ordre des étapes est déterminé par le modèle, pas par vous. La compétence de conception d’agent réside dans :

1. Donner au modèle les bons outils (pas trop peu, pas trop nombreux).
2. Rédiger un prompt système qui encadre son comportement.
3. Ajouter des garde-fous pour qu’il reste dans le cadre prévu.
4. Structurer le résultat pour que les nœuds suivants puissent l’exploiter de manière fiable.

Étape 1 : Le déclencheur

Ouvrez n8n et créez un nouveau flux de travail. Le déclencheur :

• Nœud : Webhook
• Méthode HTTP : POST
• Mode de réponse : “Quand le dernier nœud se termine”
• Chemin : quelque chose comme /lead-triage

Ce webhook recevra les données des prospects. n8n fournit une URL à configurer comme destination du formulaire ou du webhook sortant de votre CRM.

Pour les tests, enregistrez une fois le flux de travail afin que l’URL du webhook devienne active, et préparez une charge utile de test. Une charge utile typique d’un webhook de lead pourrait être :

{
  "name": "Anna Lehtinen",
  "email": "anna@somecompany.fi",
  "company": "Some Company OÜ",
  "role": "Head of Marketing",
  "message": "Interested in your AI consulting services. We have a team of 10 and need help with prompt engineering training.",
  "source": "website-form",
  "timestamp": "2026-05-15T14:30:00Z"
}

Cliquez sur “Test step” et soumettez la charge utile de test pour voir les données entrantes.

Étape 2 : Le nœud de l’agent d’IA

Ajoutez un nœud d’agent d’IA après le webhook. Configurez-le :

• Type d’agent : Conversational (ou “Tools Agent” dans les versions plus récentes — choisissez la variante qui prend en charge l’appel d’outils).
• Modèle de chat : Claude (Anthropic) ou OpenAI. Pour un flux de travail d’agent, Claude Sonnet 4.5 ou GPT-5 sont de bons choix par défaut. Les modèles de raisonnement fonctionnent mais sont plus lents pour les boucles d’agents.
• Mémoire : Aucune pour une qualification sans état, car chaque prospect est indépendant. Pour les conversations en plusieurs tours, utilisez un nœud de mémoire.
• Message système : C’est là que réside le comportement de l’agent. Utilisez le modèle ci-dessous.
• Message utilisateur : Extrayez les données du prospect à partir du webhook.

Le message système :

You are a lead-triage agent for [Your Company Name], an AI consulting firm.

Your job is to process incoming leads and produce a structured triage decision.

For each lead, you must:

1. Use the `enrich_lead` tool to gather context about the company.
2. Score the lead on three dimensions:
   - Fit: does the lead match our ideal customer profile?
     - Companies of 10-200 people in B2B, manufacturing, or professional services.
     - Roles in marketing, operations, engineering leadership, or executive.
   - Intent: how serious is the inquiry?
     - "Just curious" vs "actively evaluating" vs "ready to buy."
   - Urgency: is there a stated or implied timeline?
3. Use the `score_lead` tool to record the scores.
4. Use the `draft_response` tool to produce a personalised reply.
5. Use the `route_lead` tool with one of: "auto_reply", "human_review", "log_only".

Routing rules:
- "auto_reply" if Fit >= 7/10 AND Intent >= 7/10. The reply will be sent automatically.
- "human_review" if Fit >= 5/10 OR Intent >= 5/10. A human will check before sending.
- "log_only" if Fit < 5/10 AND Intent < 5/10. We just track and move on.

Never invent information. If something is unclear, mark [unclear] in your scoring rationale.

Always end by returning a JSON object with:
{
  "fit_score": <1-10>,
  "intent_score": <1-10>,
  "urgency_score": <1-10>,
  "reasoning": "<2-3 sentences>",
  "drafted_response": "<the email body>",
  "routing": "<auto_reply|human_review|log_only>"
}

Remarquez la structure. Nous avons :

• Une déclaration claire de la tâche.
• Un processus explicite (étapes 1-5).
• Des critères de notation explicites.
• Une logique de routage explicite.
• Un format de sortie requis.

L’agent ne suivra pas toujours cela parfaitement. Mais plus le message système est concret, plus il exécutera le même format chaque fois de manière fiable.

L’objet JSON ne suffit pas. Ajoutez une étape de validation après le nœud de l’agent et rejetez les exécutions dont les notes sont absentes, dont l’orientation ne figure pas dans l’énumération autorisée ou dont la réponse rédigée est vide.

Étape 3 : Les outils

L’agent a besoin d’outils à appeler. Dans n8n, les outils sont configurés sous le nœud de l’agent et peuvent être :

• Des sous-flux de travail.
• Des requêtes HTTP.
• Des nœuds d’outils intégrés.

Construisons quatre outils pour notre agent.

Outil 1 : enrich_lead

Un sous-flux de travail qui :

1. Prend le nom de l’entreprise et le domaine de l’e-mail en entrée.
2. Utilise un nœud HTTP pour appeler une API de recherche web (Perplexity, Serper, Brave Search, Tavily) pour l’entreprise.
3. Retourne un résumé de trois phrases : ce que fait l’entreprise, sa taille approximative, toute nouvelle notable récente.

La description de l’outil (que l’agent lit pour décider quand l’appeler) :

Enrichit les données d’un prospect en recherchant son entreprise. Entrée : nom de l’entreprise et domaine de l’adresse e-mail. Résultat : bref résumé de l’activité, taille approximative et actualité récente notable.

Outil 2 : score_lead

Un outil simple qui prend les notes de l’agent et les enregistre quelque part. Cela pourrait être :

• Une ligne dans Google Sheets.
• Une insertion dans une base de données.
• Un appel à l’API d’un CRM.

Pour les tests, une insertion dans Google Sheets est la plus facile. La description de l’outil :

Enregistre les notes du prospect. Entrée : fit_score, intent_score, urgency_score, reasoning. Résultat : confirmation.

Outil 3 : draft_response

Un sous-flux qui reçoit le contexte du prospect et les notes afin de produire un brouillon d’e-mail personnalisé. Il appelle en interne un autre nœud d’IA avec un prompt de rédaction dédié :

Rédigez une réponse personnalisée à une demande B2B. Entrées : le message original du lead, le résumé de l’enrichissement de l’entreprise, les notes d’adéquation/intention/urgence.

Ton : chaleureux, direct, sans jargon d’entreprise superflu. Prenez en compte la demande précise. Mentionnez un élément concret issu de l’enrichissement des données de l’entreprise. Terminez par une prochaine étape concrète, par exemple : « Auriez-vous 15 minutes la semaine prochaine ? »

Longueur : 80 à 120 mots.

La description de l’outil :

Rédige une réponse personnalisée à l’e-mail du prospect. Entrée : message du prospect, résumé de l’enrichissement et notes. Résultat : brouillon d’e-mail.

Outil 4 : route_lead

L’action finale de routage. Selon l’argument de routage, cet outil :

• Envoie l’e-mail et crée un enregistrement dans le CRM (auto_reply).
• Sauvegarde le brouillon et envoie une notification Slack (human_review).
• Ne fait que journaliser et créer un enregistrement dans le CRM (log_only).

Cette logique est mise en œuvre dans un sous-flux doté d’un nœud Switch qui dirige l’exécution vers l’une des trois branches selon l’argument reçu.

La description de l’outil :

Oriente le prospect selon la décision de qualification. Entrée : décision d’orientation (« auto_reply », « human_review », « log_only ») et réponse rédigée. Résultat : confirmation.

Étape 4 : Tester l’agent

Avec l’agent configuré et les quatre outils attachés, exécutez un test en utilisant la charge utile d’exemple.

Ce que vous devriez voir dans la vue d’exécution de n8n :

1. Le webhook reçoit la charge utile.
2. L’agent d’IA démarre.
3. L’agent appelle enrich_lead — vous voyez l’outil s’exécuter et renvoyer son résultat.
4. L’agent sélectionne l’étape suivante (vous pouvez ou non voir des traces intermédiaires selon le modèle et les paramètres).
5. L’agent appelle score_lead.
6. L’agent appelle draft_response.
7. L’agent appelle route_lead avec l’une des trois options de routage.
8. L’agent renvoie le JSON final.

Si quelque chose se passe mal, le panneau de débogage de n8n vous montre les messages entre l’agent et ses outils. Les problèmes les plus courants :

• Description de l’outil pas assez spécifique. Le modèle ne peut pas déduire quand l’outil est approprié. Rendez les descriptions plus concrètes.
• Mauvaise correspondance entre les schémas d’entrée et de sortie de l’outil. L’agent ne peut pas transmettre les bons arguments. Décrivez explicitement le schéma.
• Boucle de l’agent infinie. Il continue d’appeler des outils sans résoudre. Ajoutez une limite de nombre maximum d’itérations et réexaminez votre message système.

Étape 5 : Ajouter des garde-fous

Un agent nu est dangereux en production. Six garde-fous à ajouter avant de le faire fonctionner avec du trafic réel :

1. Nombre maximum d’itérations. Fixez le nombre maximum d’itérations de l’agent à un nombre raisonnable (10 à 20). Cela empêche les boucles infinies où l’agent continue d’appeler des outils sans terminer.

2. Étape de validation pour auto_reply. Même si l’agent choisit « auto_reply », faites passer le message par une file de validation humaine pendant les premières semaines. Vérifiez la qualité des décisions avant tout envoi sans contrôle à des clients.

3. Liste d’autorisation pour les actions sortantes. Configurez le CRM et l’outil d’e-mail pour qu’ils n’agissent que sur des enregistrements conformes au schéma attendu. Vous éviterez ainsi l’envoi à une mauvaise adresse ou la création de fiches pour des éléments qui ne sont pas des prospects.

4. Journalisation. Consignez chaque exécution de l’agent : entrée, tous les appels d’outils et résultat final. Utilisez les journaux intégrés de n8n ou transmettez-les à un service spécialisé. Ils sont indispensables au diagnostic des incidents.

5. Limites de coût. Fixez un budget quotidien en jetons. Les coûts d’un agent peuvent s’emballer : une boucle mal configurée peut consommer 50 $ d’appels d’API en une seule exécution. n8n Cloud intègre cette fonction ; en auto-hébergement, surveillez l’utilisation de votre clé d’API.

6. Propriété de la décision. Le modèle peut recommander auto_reply, human_review ou log_only, mais le flux de travail doit appliquer la règle finale. Gardez l’énumération de routage, les seuils de note et les exigences d’approbation en dehors du prompt pour qu’ils soient testables et visibles.

Étape 6 : Renforcement en production

Quelques modèles qui transforment un prototype fonctionnel en quelque chose sur lequel vous pouvez compter :

Idempotence. Si le même prospect est traité deux fois — nouvelle tentative du webhook ou relance manuelle —, aucun enregistrement ne doit être créé en double. Ajoutez au début du flux une vérification du traitement antérieur de ce prospect.

Gestion des erreurs. Ajoutez un traitement d’erreur autour de chaque appel d’outil. Si l’API d’enrichissement est indisponible, l’agent ne doit pas échouer brutalement : il doit poursuivre avec moins d’informations et signaler les données manquantes.

Observabilité. Suivez des métriques clés : temps moyen d’exécution, fréquence des appels d’outils, pourcentage routé vers chaque chemin. Les anomalies sont des signaux.

Revue des exécutions. Pour les 50 premiers prospects réels, comparez chaque exécution aux données d’origine. Suivez les erreurs de recherche sur l’entreprise, les notes ou orientations incorrectes, les échéances omises et la qualité rédactionnelle. Ne réduisez pas le contrôle humain avant que ces modes d’échec soient rares et compris.

Un « interrupteur de sécurité ». Prévoyez un moyen de désactiver l’agent sans le redéployer, par exemple une variable d’environnement ou un commutateur vérifié au début du flux. Il permet de suspendre rapidement l’agent après la détection d’une mauvaise décision en production.

La décision de conception la plus importante : quels outils donner à l’agent

Le déterminant le plus important de la qualité de l’agent est l’ensemble d’outils. Deux modes d’échec :

Trop peu d’outils. L’agent ne peut pas faire son travail. Il tente de contourner les lacunes de ses capacités, souvent en hallucinant.

Trop d’outils. L’agent s’y perd, choisit le mauvais outil ou gaspille des itérations à explorer. La qualité se dégrade.

Une bonne règle : commencez avec l’ensemble d’outils minimal viable, et ajoutez des outils uniquement lorsque l’agent en a clairement besoin.

Pour la qualification des prospects, les quatre outils choisis constituent un bon point de départ. Vous pourriez ajouter :

• Un outil “lookup_existing_customer” pour vérifier si le lead est déjà un client.
• Un outil “schedule_meeting” qui s’intègre à votre calendrier.
• Un outil “translate” si les leads arrivent en plusieurs langues.

Mais chaque nouvel outil ajoute une décision que l’agent doit prendre. Chacun doit réellement mériter sa place.

Modèles généralisables

Ce que vous avez construit pour le triage des leads fonctionne pour de nombreux autres cas d’utilisation :

Triage des tickets de support. Remplacez l’enrichissement par “lookup_customer_history”, et le routage par “auto_solve / escalate / categorise.”

Évaluation des candidats pour des emplois. Remplacez l’enrichissement par “parse_cv”, la notation par des critères d’adéquation au rôle, et le routage par “interview / reject / flag for human review.”

Gestion des demandes de presse. Remplacez l’enrichissement par “lookup_publication”, et le routage par une réponse basée sur la priorité.

Routage des retours clients. Remplacez l’enrichissement par une analyse de sentiment et une catégorisation du produit.

Demandes d’approvisionnement. Remplacez l’enrichissement par des recherches de fournisseurs, la notation par la conformité aux politiques, et le routage par des flux d’approbation.

Le modèle sous-jacent reste identique : événement entrant → enrichissement → notation ou classement → rédaction d’une réponse → orientation. L’agent prend les décisions ; les outils les exécutent.

Quand NE PAS utiliser un agent

Certains flux de travail ne bénéficient pas d’un agent. Si la logique est entièrement déterministe — « toujours faire A, puis B, puis C » — un flux de travail n8n normal sans agent est plus rapide, moins coûteux et plus fiable.

L’agent mérite sa place lorsque :

• Le nombre de chemins possibles est grand.
• Le bon chemin dépend de jugement, pas de règles strictes.
• Certaines décisions nécessitent la synthèse d’informations provenant de plusieurs sources.

Si votre arbre de décision se résume à quelques conditions, utilisez simplement des nœuds If. Réservez l’agent aux cas où ces conditions deviennent ingérables.

Construisez-le une fois sur un flux de travail réel

Dans n8n, un agent d’IA est un flux dans lequel le modèle décide, à partir d’un ensemble d’outils, quelles actions entreprendre et dans quel ordre. Bien conçu, il prend en charge des tâches en plusieurs étapes qui exigent du jugement et nécessitaient auparavant une intervention humaine.

Le flux de qualification créé ici demande environ deux heures à une personne qui découvre les agents n8n, puis quelques semaines d’ajustement sur des données réelles. En contrepartie, chaque prospect est enrichi, noté, traité et orienté en quelques minutes, avec une vérification humaine uniquement là où elle apporte une réelle valeur.

Construisez-le une première fois sur un flux de travail réel qui compte pour vous. La conception d’agents est l’une des compétences les plus valorisées dans le domaine de l’IA en 2026.