Créez votre premier agent d’IA dans n8n : un flux de qualification des prospects de bout en bout

Le nœud AI Agent de n8n permet à un modèle de choisir parmi les outils configurés. Cette souplesse ajoute une part de non-déterminisme et élargit la surface de défaillance. N’utilisez donc un agent qu’une fois qu’un routage déterministe plus simple s’est révélé insuffisant.

Cet article décrit un système de qualification qui reçoit un prospect, récupère le contexte autorisé, propose des scores et un brouillon, valide le résultat, puis le soumet à une personne. Il ne fournit pas de flux de travail importable et ne rend pas compte d’une exécution réelle. Les tests d’acceptation ci-dessous définissent ce qu’il reste à faire avant que le système fonctionne de bout en bout.

Nous supposons que vous avez installé n8n (auto-hébergé sur un serveur ou via n8n Cloud) et qu’une clé API fonctionnelle est disponible pour Claude ou OpenAI. Si vous débutez avec n8n, suivez d’abord leur tutoriel de base.

La conception tient aussi compte de la mise en garde de l’OWASP contre l’autonomie excessive : réduire au minimum les autorisations des outils et l’autonomie, puis imposer, dans le flux de travail, une approbation pour les actions lourdes de conséquences. Si les données des prospects proviennent d’un tiers ou doivent servir à la prospection, vérifiez la source, les mentions d’information, la base légale, les listes d’opposition et les règles propres à chaque canal avant toute ingestion ou prise de contact. La Commission européenne explique que les données reçues de tiers ne sont pas automatiquement réutilisables à des fins de marketing.

Ne laissez pas la première version envoyer automatiquement des réponses à de vrais prospects. Soumettez les brouillons à une revue humaine jusqu’à ce que vous disposiez de journaux, d’un fonctionnement idempotent, de seuils de score et d’un nombre suffisant d’exécutions examinées pour comprendre le comportement du flux de travail face à des entrées imparfaites.

Ce que nous construisons

Le flux de travail :

1. Un nouveau prospect arrive par le biais d’un webhook (provenant d’un formulaire, d’un événement, d’un CRM, etc.).
2. L’agent enrichit le prospect avec des informations sur l’entreprise (à l’aide d’une recherche Web).
3. Il évalue le prospect selon trois critères : l’adéquation, l’intention et l’urgence.
4. Il rédige une réponse personnalisée.
5. En fonction du score, il va soit :
   • Mettre en file d’attente une réponse et une proposition CRM pour approbation (pour les prospects à haute confiance et forte adéquation),
   • Rédiger une réponse à relire par un humain et envoyer une notification Slack (pour les prospects de niveau intermédiaire),
   • Ou simplement consigner et notifier sans répondre (pour les prospects peu pertinents).

Certains éléments de ce modèle peuvent s’appliquer à d’autres opérations de tri à faibles conséquences, mais chaque nouveau domaine exige sa propre analyse des données, des erreurs, de l’équité et des validations professionnelles. Ne réutilisez pas un système de notation commerciale pour prendre des décisions dans les domaines de l’emploi, de la santé, du droit, de la finance, de la sécurité des enfants ou de la construction.

Le schéma JSON associé à cet article définit la charge utile reçue. Utilisez-le pour valider les données du webhook avant qu’elles n’atteignent le nœud de l’agent.

Ajoutez une étape de validation avant l’agent

Le webhook ne doit pas transmettre directement des données de formulaire arbitraires à l’agent. Insérez une étape de validation entre le déclencheur et l’agent :

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

Le modèle conceptuel : agent = LLM + outils + boucle

Avant de construire, le concept.

En 2026, un « agent » désigne un LLM capable d’utiliser des outils. Au lieu de produire une seule réponse, le modèle décide quelles actions, appelées « outils », il doit exécuter. Après chaque retour d’outil, il examine le résultat et choisit la suite : appeler un autre outil, passer à une autre étape ou fournir une réponse finale.

Le nœud AI Agent de n8n implémente cette boucle. Vous fournissez au modèle :

• Un prompt système (ses instructions et son ton).
• Un prompt utilisateur (l’entrée pour cette exécution).
• Un ensemble d’outils (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 retour d’outil, le modèle réévalue la situation. Lorsqu’il estime en avoir fait assez, il renvoie une réponse finale.

Ce fonctionnement diffère fondamentalement d’un flux de travail statique, car le modèle, et non vous, détermine l’ordre des étapes. Bien concevoir un agent consiste à :

1. Fournir au modèle les bons outils (ni trop peu, ni trop nombreux).
2. Rédiger un prompt système qui définit le périmètre de son comportement.
3. Ajouter des garde-fous pour éviter les dérives.
4. Concevoir la sortie de manière à ce que les nœuds en aval puissent l’utiliser de façon fiable.

Étape 1 : Le déclencheur

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

• Node : Webhook
• HTTP Method : POST
• Response Mode : « When last node finishes »
• Path : par exemple /lead-triage

Ce webhook recevra les soumissions de prospects. n8n vous fournit une URL que vous pouvez configurer comme destination pour vos soumissions de formulaires ou le 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 un exemple de charge utile. Une charge utile typique d’un webhook de prospect 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 arriver.

Étape 2 : Le nœud AI Agent

Ajoutez un nœud AI Agent après le webhook. Configurez-le :

• Agent / Tools Agent : les versions 1.82+ du nœud AI Agent de n8n n’affichent plus de menu Agent Type ; elles fonctionnent comme un Tools Agent. Connectez un modèle de chat et les outils décrits ci-dessous. Dans les anciens modèles de flux de travail qui affichent encore Agent Type, choisissez Tools Agent. Le type Conversational et les autres types historiques ont été supprimés.
• Chat Model : Claude (Anthropic) ou OpenAI. Commencez par le modèle généraliste actuel de votre fournisseur, puis passez à un niveau plus rapide ou plus performant uniquement lorsque vos évaluations le justifient. Les modes de raisonnement peuvent augmenter la latence et le coût à chaque étape de l’agent.
• Memory : aucune pour une qualification sans état, puisque chaque prospect est indépendant. Pour les conversations d’agent en plusieurs tours, utilisez un nœud de mémoire.
• System Message : c’est ici que réside le comportement de l’agent. Utilisez le modèle ci-dessous.
• User Message : récupérez les données du prospect depuis le webhook.

Le message système :

Vous êtes un agent de qualification des prospects pour [Your Company Name], un cabinet de conseil en IA.

Votre mission est de traiter les prospects entrants et de produire une décision de tri structurée.

Pour chaque prospect, vous devez :

1. Utiliser l'outil `enrich_lead` pour recueillir le contexte concernant l'entreprise.
2. Évaluer le prospect selon trois dimensions :
   - Adéquation (Fit) : le prospect correspond-il à notre profil client idéal ?
     - Entreprises de 10-200 personnes dans les secteurs B2B, manufacturier ou des services professionnels.
     - Rôles en marketing, opérations, direction de l’ingénierie ou exécutif.
   - Intention : quel est le sérieux de la demande ?
     - « juste curieux » vs « évaluation active » vs « prêt à acheter ».
   - Urgence : y a-t-il un calendrier déclaré ou implicite ?
3. Utiliser l'outil `score_lead` pour enregistrer les scores.
4. Utiliser l'outil `draft_response` pour produire une réponse personnalisée.
5. Utiliser l'outil `propose_route` avec l'une des valeurs suivantes : « review_priority », « human_review » ou « log_only ».

Règles d'acheminement (évaluez dans cet ordre ; la première correspondance l’emporte) :
- « review_priority » si Fit >= 7/10 ET Intent >= 7/10. La réponse reçoit un examen prioritaire par un humain.
- « human_review » si Fit >= 5/10 OU Intent >= 5/10. Un humain vérifiera avant l'envoi.
- « log_only » sinon (Fit < 5/10 ET Intent < 5/10). Nous effectuons simplement le suivi et passons à la suite.

N'inventez jamais d'informations. Si quelque chose est peu clair, indiquez [unclear] dans votre justification du score.

Terminez toujours en renvoyant un objet JSON avec :
{
  "fit_score": <1-10>,
  "intent_score": <1-10>,
  "urgency_score": <1-10>,
  "reasoning": "<2-3 phrases>",
  "drafted_response": "<the email body>",
  "routing": "<review_priority|human_review|log_only>"
}

Remarquez la structure. Nous avons :

• Une mission clairement définie.
• 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 prompt système est concret, plus il exécutera de manière fiable la même structure à chaque fois.

L’objet JSON n’est pas suffisant en soi. Ajoutez une étape de validation après le nœud d’agent et rejetez les exécutions où les scores sont manquants, si l’acheminement est hors de l’énumération autorisée ou si 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 :

• Sous-flux de travail.
• Requêtes HTTP.
• Nœuds d’outils intégrés.

Créons quatre outils pour notre agent.

Outil 1 : enrich_lead

Un sous-flux qui :

1. Reçoit en entrée le nom d’une entreprise et un domaine de messagerie électronique.
2. Utilise une API de recherche ou de données d’entreprise approuvée, dont les conditions autorisent cet usage.
3. Renvoie des affirmations structurées accompagnées des URL canoniques des sources et des dates de consultation ; si la taille ou l’identité restent inconnues, elles restent inconnues.

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

Récupère le contexte public autorisé pour l’entreprise d’un prospect. Entrée : nom de l’entreprise et domaine de messagerie. Sortie : affirmations vérifiées avec URL de la source et date de consultation, ainsi que les ambiguïtés ou erreurs. Ne pas déduire l’identité, la taille ou des informations d’actualité sans source.

Outil 2 : score_lead

Un outil de validation déterministe qui :

• Accepte les propositions de notation et vérifie le type, la plage, la justification requise et les libellés autorisés.
• Renvoie des erreurs de validation ou un objet de score normalisé.
• Ne dispose d’aucun identifiant donnant accès en écriture à une base de données, une feuille de calcul, un CRM, une messagerie ou un autre système.

N’enregistrez les données qu’après avoir validé la sortie finale de l’agent au moyen du même schéma côté serveur.

La description de l’outil :

Valide les scores de prospect proposés sans les persister. Entrée : fit_score, intent_score, urgency_score et rationale. Sortie : {valid, errors, normalized_scores}. Cet outil ne peut pas écrire d’enregistrements ni envoyer de messages.

Outil 3 : draft_response

Un sous-flux de travail qui reçoit le contexte du prospect et les scores, puis produit un brouillon d’e-mail personnalisé. Il appelle en interne un autre nœud d’IA avec un prompt de rédaction précis :

Rédigez une réponse personnalisée à une demande commerciale B2B. Entrées : le message initial du prospect, le résumé de l’enrichissement des données entreprise, les scores d’adéquation/d’intention/d’urgence.

Ton : chaleureux, direct, sans jargon d’entreprise superflu. Accusez réception de la demande précise. Ne mentionnez les informations d’enrichissement que si elles sont pertinentes et étayées par une source ; sinon, omettez-les. Terminez par une proposition de prochaine étape à soumettre à une personne.

Longueur : 80-120 mots.

La description de l’outil :

Rédige une réponse par e-mail personnalisée au prospect. Entrées : le message du prospect, la synthèse d’enrichissement et les scores. Sortie : un brouillon d’e-mail.

Outil 4 : propose_route

Cet outil enregistre l’un des trois acheminements proposés ; il n’envoie pas d’e-mail et n’écrit rien dans le CRM :

• review_priority : placer le brouillon dans la file de revue humaine prioritaire.
• human_review : placer le brouillon dans la file de revue humaine standard.
• log_only : enregistrer le résultat de la qualification sans préparer d’action sortante.

Après la validation du schéma, un nœud Switch déterministe impose les seules valeurs autorisées et place review_priority et human_review dans une file d’approbation. Seul un sous-flux distinct, protégé par une étape d’approbation, détient les droits nécessaires aux écritures visibles par le client.

Implémentez cet outil comme un sous-flux sans effet secondaire qui renvoie un objet de proposition. Une fois le nœud AI Agent terminé, un nœud déterministe de validation du schéma et un nœud Switch décident quelle branche peut enregistrer cette proposition. Aucune de ces branches ne doit pouvoir atteindre un nœud d’envoi sans passer par le flux d’approbation distinct.

La description de l’outil :

Propose un acheminement. Entrée : décision de routage (review_priority, human_review ou log_only), scores, justification et brouillon. Sortie : objet de proposition en mémoire destiné à une validation déterministe du schéma. Cet outil ne peut ni enregistrer de données, ni envoyer d’e-mail, ni mettre à jour le CRM.

Étape 4 : Tester l’agent

Une fois l’agent configuré et les quatre outils attachés, exécutez un test à l’aide de 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. Le nœud AI Agent démarre.
3. L’agent appelle enrich_lead — vous voyez l’outil s’exécuter et retourner le résultat.
4. L’agent sélectionne l’étape suivante (vous pouvez ou non voir les traces intermédiaires selon le modèle et les paramètres).
5. L’agent appelle score_lead.
6. L’agent appelle draft_response.
7. L’agent appelle propose_route 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 affiche les échanges entre l’agent et ses outils. Les problèmes les plus courants :

• La description de l’outil n’est pas assez précise. Le modèle ne peut pas déduire quand il est approprié d’utiliser cet outil. Rendez les descriptions plus concrètes.
• Le schéma d’entrée et de sortie de l’outil ne correspond pas. L’agent ne peut pas transmettre les bons arguments. Décrivez précisément le schéma.
• L’agent boucle indéfiniment. Il continue d’appeler des outils sans jamais aboutir. Ajoutez une limite maximale d’itérations et réexaminez votre prompt système.

Étape 5 : Ajouter des garde-fous

Un agent dépourvu de protections n’est pas sûr en production. Ajoutez ces six garde-fous avant de lui confier du trafic réel :

1. Nombre maximal d’itérations. Définissez une limite finie à partir du nombre minimal requis par vos cas d’évaluation réussis. Vérifiez que le dépassement de cette limite redirige vers un humain et ne laisse aucun effet secondaire partiel.

2. Approbation obligatoire pour chaque réponse proposée. review_priority modifie l’ordre de la file d’attente ; cette valeur n’autorise pas l’envoi. Soumettez les communications destinées aux clients à l’approbation authentifiée d’une personne jusqu’à ce qu’une politique distincte, elle-même approuvée, en décide autrement. Ne déduisez jamais qu’un système est sûr simplement parce que plusieurs semaines se sont écoulées.

3. Liste d’autorisation pour les actions sortantes. Configurez vos outils de CRM et de messagerie pour qu’ils n’agissent que sur les enregistrements correspondant au modèle attendu. Vous évitez ainsi que l’agent envoie un e-mail à la mauvaise adresse ou crée des enregistrements pour des contacts qui ne sont pas des prospects.

4. Journalisation. Produisez, pour chaque exécution, les métadonnées approuvées : référence stable de l’exécution et du prospect, versions du flux de travail et du modèle, noms et résultats des outils, résultat de la validation, acheminement, personne ayant donné son approbation, nouvelles tentatives et erreurs. Les données brutes du prospect, les résultats d’enrichissement, les brouillons et les arguments des outils contiennent des données à caractère personnel ou des informations confidentielles. Leur finalité, leur caviardage, leur accès et leur durée de conservation doivent faire l’objet d’une décision distincte.

5. Limites de coût. Fixez un nombre maximal d’itérations pour l’agent et des délais d’expiration pour le flux de travail. Configurez ensuite des alertes ou des plafonds de dépenses ou de débit auprès du fournisseur du modèle. Les limites des offres n8n sont décrites dans les conditions relatives aux exécutions et aux fonctionnalités ; ne supposez pas que n8n Cloud impose un budget quotidien à une clé fournie par l’utilisateur. Surveillez l’utilisation chez le fournisseur et testez l’interrupteur d’arrêt.

6. Responsabilité de la décision. Le modèle peut recommander review_priority, human_review ou log_only ; le flux de travail applique la règle finale. Conservez les valeurs de routage autorisées, les seuils de score et les exigences d’approbation en dehors du prompt afin de pouvoir les voir et les tester.

Étape 6 : Renforcer la version de production

Voici quelques pratiques qui transforment un prototype fonctionnel en système digne de confiance :

Idempotence. Assurez-vous que le traitement répété d’un même prospect, à la suite d’une nouvelle tentative du webhook ou d’une relance manuelle, ne puisse pas créer de doublons dans les enregistrements ou les messages. Une vérification qui consiste à lire puis à écrire est exposée aux conditions de concurrence. Réservez de manière atomique une clé unique dans la base de données et utilisez cette même clé pour chaque écriture en aval. Suivez le modèle de réservation atomique, de bail, de jeton d’approbation et de boîte d’envoi.

Gestion des erreurs. Entourez chaque appel d’outil de gestion des erreurs. Si l’enrichissement n’est pas disponible ou si l’identité de l’entreprise est ambiguë, le flux de travail doit signaler les données manquantes et rediriger vers un examen humain ; il ne doit en aucun cas inventer des faits personnalisés simplement pour compléter la rédaction.

Observabilité. Suivez les indicateurs clés : durée moyenne d’exécution, fréquence des appels aux outils et pourcentage acheminé vers chaque chemin. Les anomalies sont des signaux.

Revue du pilote. Dans le cadre d’un pilote consenti et limité, comparez chaque exécution aux données originales du prospect. Dimensionnez le pilote pour couvrir les différents types de sources, les langues, les champs manquants, les entreprises ambiguës, les tentatives d’injection de prompt et les catégories de priorité. Relevez les erreurs d’enrichissement, de score, d’acheminement, de délai et de rédaction. Un nombre fixe de 50 cas ne suffit pas à établir un niveau de fiabilité.

Un interrupteur d’arrêt réellement contraignant. Placez le contrôle de l’exécution et tous les déclencheurs d’effets secondaires hors du modèle. Un opérateur autorisé doit pouvoir suspendre les nouvelles exécutions et celles qui reprennent, sans nouveau déploiement. Vérifiez que l’état désactivé bloque les envois en file d’attente comme ceux en cours. Une instruction ou une valeur de prompt que seul l’agent « consulte » ne constitue pas un interrupteur d’arrêt.

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

Le choix des outils est le principal déterminant de la qualité d’un agent. Deux modes de défaillance sont possibles :

Trop peu d’outils. L’agent ne peut pas accomplir sa tâche. Il tente de compenser les capacités manquantes en inventant, ce qui conduit souvent à des hallucinations.

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

Une bonne règle : commencez par l’ensemble d’outils minimal viable et n’ajoutez des outils que lorsque l’agent en a démontré le besoin.

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

• Un outil « lookup_existing_customer » pour vérifier si le prospect est déjà un client.
• Un outil « schedule_meeting » qui s’intègre à votre calendrier.
• Un outil « translate » si les prospects arrivent dans plusieurs langues.

Mais chaque nouvel outil est une nouvelle décision que l’agent doit prendre. Chacun d’eux doit véritablement mériter sa place.

Les modèles réutilisables

Les mêmes principes de contrôle peuvent servir dans d’autres flux de tri, mais les libellés et les actions ci-dessous ne sont pas transposables sans examen par un spécialiste du domaine :

Tri des demandes d’assistance. Récupérez l’historique client autorisé et proposez une catégorie et une priorité. Les actions relatives au compte, à la sécurité, aux remboursements, aux droits d’accès et aux messages destinés au client doivent rester soumises aux règles et aux validations humaines.

Flux de travail liés à l’emploi. N’adaptez pas ce score commercial pour automatiser une convocation à un entretien ou un rejet de candidature. Les décisions d’emploi peuvent présenter des risques juridiques et discriminatoires. Elles exigent l’examen de spécialistes des ressources humaines et du droit, des contrôles d’accessibilité, une évaluation des biais, de la transparence envers le personnel et les candidats, ainsi qu’une véritable décision humaine.

Gestion des demandes de presse. Remplacez l’enrichissement par « lookup_publication » et le routage par une réponse fondée sur la priorité.

Routage des retours clients. Remplacez l’enrichissement par l’analyse du sentiment et la catégorisation des produits.

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

Un modèle réutilisable pour les tâches à faibles conséquences consiste à : valider un événement entrant → récupérer le minimum de contexte autorisé → demander une proposition structurée → la valider de manière déterministe → laisser les règles et les personnes autorisées décider → exécuter l’action à l’aide d’outils idempotents et contrôlés. Le modèle propose ; il ne prend pas la décision lourde de conséquences.

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 classique sans agent sera plus rapide, moins coûteux et plus fiable.

L’agent gagne sa place lorsque :

• Le nombre de chemins possibles est élevé.
• Le bon choix dépend du jugement et non de règles rigides.
• Certaines décisions nécessitent de synthétiser des informations provenant de plusieurs sources.

Si votre arbre de décision se résume à quelques instructions if-then-else, utilisez simplement des nœuds if-then-else. Réservez l’agent aux cas où la logique if-then-else devient ingérable.

Construisez-le une seule fois sur des cas d’usage réels

Dans n8n, un agent d’IA est un flux de travail où un modèle peut choisir parmi des outils configurés. En production, la conception doit limiter ce choix et laisser les décisions lourdes de conséquences aux personnes responsables et aux règles déterministes.

La conception n’est complète qu’après un test de livraison en double, un test de sortie invalide, un test de délai d’attente du fournisseur, un test de rejet de l’approbation et une vérification selon laquelle le nœud d’envoi est inaccessible sans approbation. Mesurez le temps de construction, la latence, le taux de correction et le coût sur votre propre instance ; cet article ne promet ni un délai d’installation ni un résultat en production.

Construisez-le et testez-le d’abord avec des données synthétiques ou des données hors production utilisées avec consentement. Réutilisez le modèle de contrôle — outils restreints, schémas, idempotence, règles d’arrêt et étapes de validation — mais recommencez l’analyse du domaine et des risques pour chaque nouveau flux de travail.