N8N a intégré les agents IA directement dans son éditeur visuel depuis la version 1.x. Le résultat : des agents capables de raisonner, de consulter des outils, de mémoriser des échanges passés et de prendre des décisions — le tout sans écrire une ligne de code Python. Ce tutoriel vous guide de la configuration initiale jusqu’à un exemple complet d’agent commercial qui qualifie automatiquement vos leads entrants.
Le nœud AI Agent de N8N implémente une boucle ReAct (Reasoning + Acting) : le modèle de langage analyse la demande, décide quel outil appeler, exécute l’outil, observe le résultat, puis itère jusqu’à atteindre un objectif ou épuiser ses tentatives.
Concrètement, cela signifie qu’un agent N8N peut :
Bon à savoir : Le nœud AI Agent diffère du nœud Chat Model simple. Un Chat Model répond à une question en une passe. Un AI Agent peut effectuer plusieurs actions séquentielles — c’est la différence entre un assistant qui répond et un agent qui agit.
Un agent N8N se compose de quatre éléments configurables :
Dans N8N, ajoutez un nœud OpenAI Chat Model et connectez-le à votre nœud AI Agent via le point d’ancrage “Chat Model” :
Credentials : OpenAI API Key (stockée dans N8N Credentials)
Model : gpt-4o ou gpt-4o-mini
Temperature : 0.2 (faible pour des agents déterministes)
Max Tokens : 4096Le modèle gpt-4o-mini est 15x moins cher que gpt-4o pour des tâches de qualification et de classification — privilégiez-le pour les volumes importants.
Le nœud Anthropic Chat Model connecte Claude à votre agent :
Credentials : Anthropic API Key
Model : claude-sonnet-4-5 ou claude-haiku-3-5
Max Tokens : 8192Claude excelle dans les tâches nécessitant du raisonnement structuré et le respect de consignes précises — particulièrement adapté pour les agents de qualification qui doivent suivre un script commercial rigoureux.
Pour les PME soumises à des contraintes RGPD strictes ou souhaitant un modèle d’IA française, Mistral s’intègre via le nœud Mistral Cloud Chat Model :
Credentials : Mistral API Key
Model : mistral-large-latest ou mistral-small-latestPour un déploiement 100% on-premise sans envoi de données hors UE, Ollama avec Mistral 7B ou Llama 3.1 s’intègre via le nœud Ollama Chat Model — votre modèle tourne entièrement sur votre infrastructure.
Astuce AutomateIA : Pour un agent commercial en production, nous recommandons une architecture hybride : Claude Haiku pour la classification rapide des leads entrants (coût faible, latence < 1s), et GPT-4o ou Claude Sonnet uniquement pour les leads qualifiés nécessitant une analyse approfondie. Cela réduit le coût LLM de 60 à 80 % par rapport à un modèle unique premium.
Le nœud Window Buffer Memory maintient un historique des N derniers messages de la conversation en mémoire vive. Configurez Context Window Length selon la taille de votre contexte LLM :
10 messages : suffisant pour un agent de qualification en une session20 messages : adapté à des agents de support client avec des échanges longs50 messages : pour des agents qui gèrent des workflows complexes multi-étapesLa mémoire window buffer est volatile : elle se réinitialise à chaque nouvelle exécution du workflow. C’est le comportement souhaité pour des agents traitement de leads — chaque lead repart d’une ardoise vierge.
Pour des agents qui doivent se souvenir des interactions passées avec un même contact (chatbot client, agent de suivi commercial), N8N propose le nœud Postgres Chat Memory :
Credentials : connexion PostgreSQL
Session ID : {{$json.contact_email}} (identifiant unique du contact)
Table Name : n8n_chat_history
Context Window Length : 20N8N crée automatiquement la table si elle n’existe pas. Chaque échange est horodaté et associé au Session ID — l’agent retrouve le contexte de la conversation précédente à chaque nouvelle interaction.
L’outil le plus polyvalent : permet à l’agent d’appeler n’importe quelle API REST. Configurez-le comme “Tool” en cochant Is Tool dans les paramètres du nœud :
Name : search_company_info
Description : Recherche les informations d'une entreprise par son nom ou son SIREN
URL : https://api.pappers.fr/v2/entreprise?q={{$fromAI('company_name')}}
Method : GET
Headers : Authorization: Bearer {{$env.PAPPERS_API_KEY}}La syntaxe $fromAI('company_name') indique à N8N que le LLM doit fournir la valeur de ce paramètre — c’est le mécanisme central qui permet à l’agent de décider dynamiquement comment appeler l’outil.
Pour interroger votre CRM ou base de données interne, le nœud Postgres Tool ou MySQL Tool expose une interface naturelle à l’agent :
-- L'agent peut générer des requêtes comme :
SELECT * FROM contacts
WHERE email = '{{$fromAI("email")}}'
LIMIT 1;Attention : Ne donnez jamais à un agent des droits d’écriture en base de données sans validation humaine intermédiaire. Nos recommandations : créer un utilisateur PostgreSQL dédié avec droits SELECT uniquement pour les outils de lecture, et des droits INSERT/UPDATE restreints aux tables non critiques pour les outils d’écriture.
Pour des logiques métier spécifiques, le nœud Code Tool permet d’écrire du JavaScript exécuté par l’agent :
// Outil : calculer_score_lead
// L'agent appelle cet outil avec les paramètres du lead
const { budget, company_size, timeline, decision_maker } = $input.params;
let score = 0;
if (budget > 5000) score += 30;
if (company_size > 20) score += 25;
if (timeline === 'immediate') score += 25;
if (decision_maker === true) score += 20;
return {
score,
qualification: score >= 60 ? 'Hot' : score >= 30 ? 'Warm' : 'Cold',
priority: score >= 80 ? 'HIGH' : 'STANDARD'
};Nos experts N8N conçoivent et déploient des agents IA adaptés à vos processus métier — qualification de leads, support client, reporting automatique. L’audit initial est gratuit et identifie les cas d’usage les plus rentables pour votre activité.
🤖 Obtenir mon audit gratuit
Voici l’architecture complète d’un agent que nos équipes ont déployé pour une PME SaaS B2B. L’agent traite les leads entrants (formulaire web ou webhook CRM) et produit une fiche de qualification structurée en moins de 30 secondes.
Le workflow démarre sur un Webhook Trigger recevant les données du formulaire de contact :
{
"email": "contact@entreprise.fr",
"company": "Entreprise SAS",
"message": "Nous cherchons à automatiser notre process de facturation pour 35 personnes",
"phone": "06XXXXXXXX"
}System Prompt de l’agent :
Tu es un expert en qualification de leads B2B pour AutomateIA, spécialiste en automatisation IA pour PME françaises.
Ton objectif : analyser les informations d'un lead entrant et produire une fiche de qualification structurée.
Pour chaque lead, tu dois :
1. Rechercher des informations sur l'entreprise via search_company_info
2. Évaluer le budget implicite dans le message
3. Identifier le décideur probable
4. Calculer un score de qualification via calculer_score_lead
5. Rédiger un résumé de 3 lignes pour le commercial
Retourne UNIQUEMENT un JSON valide avec les champs : company_info, budget_estimate, decision_maker_likely, score, qualification, commercial_summary, recommended_action.Outils connectés :
search_company_info (HTTP Request → API Pappers ou Societe.com)calculer_score_lead (Code Tool avec la logique de scoring)check_existing_contact (PostgreSQL Tool — vérifier si le lead est déjà en base)Après l’exécution de l’agent, un nœud JSON Parse extrait les champs structurés, suivi d’un nœud Switch qui route selon la qualification :
Switch (qualification)
├── Hot → HubSpot Create Deal + Slack Alert + SMS
├── Warm → HubSpot Create Contact + Email Sequence
└── Cold → Mailchimp List AddRésultats mesurés après 3 mois de déploiement : le temps de traitement d’un lead est passé de 8 minutes (qualification manuelle) à 28 secondes (agent IA). Le taux de leads traités dans les 5 minutes a progressé de 40 % à 97 %. L’équipe commerciale se concentre uniquement sur les leads Hot, avec un contexte complet disponible avant chaque appel.
Max Iterations dans le nœud AI Agent) pour éviter les boucles infinies coûteuses — 5 à 10 itérations suffisent pour la plupart des cas d’usage.Hallucinations : un agent peut inventer des informations si ses outils ne retournent pas de données. Validez toujours les outputs critiques (scores, décisions financières) avec une règle métier déterministe en aval.
Coût LLM variable : contrairement à un nœud classique, le coût d’un agent varie selon le nombre d’itérations. Mettez en place un monitoring du coût par exécution dès le départ — les APIs OpenAI et Anthropic exposent les tokens consommés dans chaque réponse.
Latence : une boucle ReAct avec 3-4 appels d’outils prend typiquement 5 à 15 secondes. Pour des workflows temps-réel (réponse à un chat en direct), préférez un agent avec 1-2 outils maximum ou un pipeline RAG sans boucle.
Déterminisme : avec une température LLM > 0, deux appels identiques peuvent produire des résultats différents. Pour les workflows de production critiques, utilisez temperature: 0 et structurez les outputs via des formats JSON stricts.
Non. Le nœud AI Agent est disponible dans toutes les versions de N8N, y compris la version self-hosted gratuite. Vous payez uniquement les appels aux APIs LLM (OpenAI, Anthropic, Mistral) selon votre usage réel — généralement quelques centimes par exécution d’agent.
Le nœud OpenAI fait un appel unique au LLM et retourne la réponse. Le nœud AI Agent implémente une boucle : le LLM peut appeler des outils, observer les résultats, et réitérer — c’est un raisonnement multi-étapes versus une réponse en une passe.
Structurez toujours les outputs via un schéma JSON strict dans le system prompt. Si un champ ne peut pas être rempli avec certitude, l’agent doit retourner null ou "inconnu" — jamais inventer une valeur. Validez ensuite les champs critiques avec un nœud IF avant d’écrire en CRM.
En self-hosted avec Ollama (modèle local), aucune donnée ne quitte votre infrastructure. Avec OpenAI ou Anthropic, les données transitent par leurs APIs — configurez N8N_BLOCK_FILE_UPLOAD_TO_S3=true et anonymisez les données personnelles avant envoi au LLM. La CNIL recommande de documenter chaque flux de données personnelles traitées par des IA dans votre registre des traitements.
Oui. N8N supporte l’architecture multi-agents : un agent orchestrateur décompose une tâche complexe et délègue à des agents spécialisés (un agent recherche, un agent rédaction, un agent validation). Connectez la sortie d’un nœud AI Agent à l’entrée d’un autre via des nœuds intermédiaires de transformation.
Le nœud AI Agent de N8N représente une avancée majeure pour les PME : il permet de déployer des agents IA opérationnels en quelques heures, sans infrastructure complexe ni développement Python. La connexion aux modèles OpenAI, Claude et Mistral est native, la gestion de la mémoire est intégrée, et les outils personnalisables couvrent 95 % des cas d’usage métier courants.
L’exemple de l’agent commercial présenté ici — qualification automatique de leads en 28 secondes avec enrichissement CRM — est représentatif de ce que nos experts N8N déploient régulièrement pour des PME B2B françaises. Si vous souhaitez identifier les processus de votre entreprise qui bénéficieraient d’un agent IA, demandez votre audit gratuit — sans engagement, résultats concrets sous 48h.
🚀
Faites découvrir nos conseils experts à votre réseau
💡 Partagez nos conseils d'experts avec votre réseau professionnel
Passez à l'action
Audit gratuit en 48h — ROI estimé, plan d'action personnalisé, sans engagement.
