Les modules IA disponibles dans Make en 2026
Make propose une palette complète de modules IA natifs qui s'intègrent directement dans vos scénarios. Voici un panorama des principaux disponibles en 2026 :
| Module | Fournisseur | Cas d'usage principal | Coût indicatif |
|---|---|---|---|
| Create a Chat Completion | OpenAI | Génération texte, classification, extraction | Très faible (API) |
| Create a Message (Claude) | Anthropic | Rédaction longue, analyse documentaire | Très faible (API) |
| Create an Image (DALL-E) | OpenAI | Génération d'images à la demande | ~0,04$ par image |
| Text Classification | Hugging Face | Classification sans appel GPT | Très faible |
| Create Transcription | OpenAI (Whisper) | Transcription audio → texte | 0,006$/minute audio |
| Create Translation | OpenAI | Traduction automatique de fichiers audio | 0,006$/minute audio |
| Create Embeddings | OpenAI | Vectorisation pour recherche sémantique | Très faible |
| HTTP (module universel) | N'importe quelle API | Mistral, Groq, modèles custom | Variable |
Bon à savoir : Les modules IA de Make sont des interfaces visuelles vers des APIs tierces. Vous payez Make pour l'opération (1 opération par exécution de module) ET le fournisseur IA selon votre consommation de tokens ou d'images. Ces deux facturations sont totalement séparées.
Quelle stratégie adopter pour choisir son module IA ?
Pour 95% des besoins PME, les modules OpenAI et Anthropic couvrent tout. Commencez par OpenAI GPT-4o mini pour les tâches simples (classification, résumé court, extraction de données structurées) et Anthropic Claude Sonnet pour les tâches complexes (analyse longue, rédaction de qualité, respect strict d'instructions). N'ajoutez d'autres fournisseurs que si vous avez un besoin spécifique non couvert.
Configurer le module OpenAI pas à pas
Avant d'utiliser le module OpenAI dans Make, vous devez créer votre compte sur platform.openai.com et générer une clé API. Voici la procédure complète :
Étape 1 : Obtenir votre clé API OpenAI
- Connectez-vous sur platform.openai.com
- Allez dans Settings > API Keys
- Cliquez sur Create new secret key
- Nommez-la (exemple : "Make Production") et copiez-la immédiatement — elle ne s'affichera qu'une seule fois
- Définissez un budget mensuel dans Settings > Billing > Usage limits pour éviter les surprises
Attention : Ne partagez jamais votre clé API OpenAI. Ne la mettez jamais dans un code public (GitHub, etc.). Dans Make, elle est stockée de façon sécurisée dans vos Connexions et n'est jamais exposée dans les scénarios.
Étape 2 : Ajouter la connexion dans Make
Dans Make, allez dans Connections > Add connection > OpenAI. Collez votre clé API et sauvegardez. La connexion apparaît maintenant dans toutes vos Connexions et peut être réutilisée dans tous vos scénarios.
Étape 3 : Configurer le module dans un scénario
Dans votre scénario, ajoutez le module OpenAI > Create a Chat Completion. Les paramètres clés à configurer :
| Paramètre | Rôle | Valeur recommandée débutant |
|---|---|---|
| Model | Le modèle GPT à utiliser | gpt-4o-mini (rapide et économique) |
| Messages - Role: system | Instructions permanentes données à l'IA | Définit le comportement et le format de sortie |
| Messages - Role: user | Le contenu à traiter (données dynamiques) | Variables mappées depuis modules précédents |
| Temperature | Créativité vs déterminisme (0 = fixe, 2 = créatif) | 0 pour classification, 0.7 pour rédaction |
| Max tokens | Longueur maximale de la réponse | 200 pour classification, 1000 pour rédaction |
Astuce AutomateIA : Limitez toujours le Max Tokens au strict nécessaire. Une classification ne nécessite pas plus de 50 tokens en sortie. Cette bonne pratique réduit vos coûts et accélère les exécutions.
Génération de texte : emails, descriptions, résumés
La génération de texte est le cas d'usage IA le plus courant dans Make. Voici trois applications concrètes avec les prompts correspondants.
Cas 1 : Email de relance personnalisé
Vous avez un scénario qui détecte les devis non répondus depuis 7 jours dans votre CRM. Make récupère le nom du prospect, le montant du devis et le nom du commercial. Le module OpenAI génère un email de relance personnalisé.
PROMPT SYSTÈME
Tu es un assistant commercial pour une PME française. Tu rédiges des emails de relance professionnels, chaleureux et non intrusifs. Tes emails font toujours entre 80 et 120 mots. Tu utilises le tutoiement uniquement si la variable [tutoiement] = true, sinon le vouvoiement. Tu termines toujours par une question ouverte. Ne commence jamais par "Je vous contacte".
MESSAGE UTILISATEUR (avec variables Make)
Rédige un email de relance pour [nom_prospect] concernant notre devis de [montant]€ envoyé il y a 7 jours par [nom_commercial]. L'objet de l'email doit tenir en moins de 50 caractères.
Cas 2 : Description produit e-commerce
Votre scénario Make récupère les nouvelles fiches produits d'un Google Sheets (nom, caractéristiques techniques) et génère automatiquement des descriptions optimisées pour votre boutique WooCommerce.
Cas 3 : Résumé de documents
Un client envoie un document long (contrat, rapport, email commercial) via un formulaire. Make extrait le texte et demande à GPT un résumé en 5 points clés, que l'équipe reçoit instantanément dans Slack pour préparer un rendez-vous.
Bon à savoir : Pour les documents longs, le module OpenAI peut traiter jusqu'à 128 000 tokens (environ 100 000 mots) avec GPT-4o. Pour les PDF, utilisez d'abord un module de lecture PDF (comme Adobe PDF Services ou un parser tiers) pour extraire le texte avant de l'envoyer au module IA.
Classification et extraction avec GPT
La classification automatique est l'un des cas d'usage les plus rentables de l'IA dans Make. Vous fournissez du texte libre (email entrant, commentaire, formulaire) et l'IA retourne une étiquette structurée que Make peut utiliser pour router le traitement.
Forcer une sortie JSON pour la classification
La clé pour utiliser les sorties IA dans les modules suivants est de forcer un format JSON dans votre prompt. Make peut ensuite parser ce JSON avec le module natif et mapper chaque champ.
PROMPT SYSTÈME — CLASSIFICATION EMAIL
Tu es un classificateur d'emails pour une PME. Analyse l'email fourni et retourne UNIQUEMENT un objet JSON valide avec ces champs : {"categorie": "commercial|support|partenariat|spam|autre", "urgence": "haute|normale|faible", "resume": "une phrase de 20 mots max", "action_requise": true|false}. Ne retourne rien d'autre que le JSON.
Après ce module OpenAI, ajoutez dans Make un module JSON > Parse JSON. Mappez la sortie du module OpenAI (champ "choices[].message.content") vers l'entrée du parser. Make transforme alors le JSON en variables mappables : categorie, urgence, resume, action_requise. Vous pouvez ensuite utiliser un Routeur basé sur la variable categorie.
Extraction d'informations structurées
L'extraction consiste à identifier et isoler des informations précises dans du texte libre. Exemples : extraire le numéro de commande et la date de livraison d'un email client, extraire le montant et la devise d'une facture photographiée, extraire les compétences d'un CV reçu par email.
Astuce AutomateIA : Pour l'extraction, utilisez toujours le paramètre Temperature = 0 dans le module OpenAI. L'extraction doit être déterministe : vous ne voulez pas que l'IA "invente" des informations manquantes. Avec Temperature = 0, le modèle retourne toujours null plutôt qu'une valeur inventée pour un champ absent.
Analyse de sentiment sur les avis clients
L'analyse de sentiment est un cas d'usage très concret pour les PME qui reçoivent des avis Google, des retours clients par email, ou des réponses à des enquêtes de satisfaction. Make + OpenAI permet d'analyser chaque retour et d'agir automatiquement selon le sentiment détecté.
Architecture typique du scénario
- Trigger : Nouvel avis Google Business reçu (webhook via un outil tiers) ou nouvelle ligne dans un Google Sheets d'enquête de satisfaction
- Module OpenAI : Analyse du sentiment + extraction du problème principal
- Routeur : Branche 1 si sentiment négatif, Branche 2 si neutre, Branche 3 si positif
- Branche négative : Alerte Slack urgente + création d'une tâche dans votre outil de suivi + email au responsable
- Branche positive : Enregistrement dans Notion pour réutilisation commerciale + email de remerciement automatique
PROMPT SYSTÈME — ANALYSE AVIS
Analyse cet avis client et retourne UNIQUEMENT ce JSON : {"sentiment": "positif|negatif|neutre", "score": 1-5, "probleme_principal": "string ou null", "point_positif": "string ou null", "reponse_suggeree": "brouillon de réponse professionnelle en 2 phrases"}.
Le champ reponse_suggeree est particulièrement utile : Make peut envoyer ce brouillon directement dans votre boîte de réception ou dans votre CRM, vous n'avez plus qu'à le relire et l'envoyer. Le temps de traitement d'un avis passe de 10 minutes à 30 secondes.
Génération d'images avec DALL-E dans Make
Le module OpenAI > Create an Image intègre DALL-E 3 directement dans vos scénarios Make. Chaque image générée coûte environ 0,04$ (qualité standard, 1024×1024). Voici les cas d'usage réalistes pour une PME :
Cas d'usage viables
- Visuels réseaux sociaux : Générer automatiquement une image abstraite pour chaque nouvel article de blog publié
- Thumbnails de contenu : Créer des visuels cohérents pour une série de newsletters ou de rapports
- Personnalisation marketing : Générer des visuels d'ambiance adaptés au secteur d'activité de chaque prospect
Configuration du module DALL-E
Les paramètres clés du module Create an Image :
| Paramètre | Options disponibles | Recommandation |
|---|---|---|
| Model | dall-e-3, dall-e-2 | dall-e-3 (meilleure qualité) |
| Prompt | Texte libre jusqu'à 4000 caractères | Précis, descriptif, style défini |
| Size | 1024×1024, 1792×1024, 1024×1792 | 1024×1024 pour réseaux sociaux |
| Quality | standard, hd | standard (HD = double prix) |
| Style | vivid, natural | natural pour B2B, vivid pour social |
La sortie du module est une URL temporaire vers l'image générée. Cette URL expire après quelques heures : téléchargez immédiatement l'image avec le module HTTP > Get a file et sauvegardez-la dans Google Drive ou votre hébergement avant d'utiliser l'URL dans des emails ou publications.
Module Claude (Anthropic) : avantages et différences
Make propose un module Anthropic natif qui permet d'utiliser les modèles Claude dans vos scénarios. La configuration est similaire à OpenAI : vous créez une connexion avec votre API key Anthropic (récupérée sur console.anthropic.com), puis vous utilisez le module Anthropic > Create a Message.
OpenAI vs Claude dans Make : quand choisir quoi ?
| Critère | OpenAI GPT-4o | Anthropic Claude 3.5 Sonnet |
|---|---|---|
| Rédaction longue | Bonne | Excellente (style plus fluide) |
| Respect des instructions | Bon | Très bon (suit mieux le format demandé) |
| Classification / extraction | Excellent (GPT-4o mini) | Très bon (Claude 3 Haiku) |
| Analyse de documents longs | Bon (128k tokens) | Excellent (200k tokens) |
| Génération de code | Excellent | Excellent |
| Tarif économique | GPT-4o mini : très faible | Claude 3 Haiku : comparable |
| Multimodal (images en entrée) | Oui (GPT-4o) | Oui (Claude 3+) |
Dans la pratique, de nombreuses équipes utilisent les deux : GPT-4o mini pour la classification et les tâches à haut volume (économique), et Claude Sonnet pour les tâches de rédaction et d'analyse qui exigent une qualité maximale.
Astuce AutomateIA : La structure des messages Anthropic dans Make est légèrement différente d'OpenAI : pas de champ "system" séparé dans les versions récentes — le message système passe dans le paramètre "System" dédié du module, tandis que les messages conversationnels vont dans "Messages". Vérifiez bien la documentation du module Make Anthropic pour éviter les erreurs de configuration.
Chaîner plusieurs appels IA dans un seul scénario
Les scénarios Make les plus puissants combinent plusieurs appels IA successifs, chacun transformant les données avant de les passer au suivant. Cette approche "pipeline IA" permet d'accomplir des tâches qu'un seul prompt ne pourrait pas réaliser de façon fiable.
Exemple : Pipeline de qualification de leads avancée
Voici un scénario réel avec 3 appels IA enchaînés :
- Appel IA n°1 — Extraction : Le module OpenAI extrait les informations structurées du message libre du formulaire (secteur, taille entreprise, problème exprimé, budget évoqué). Sortie : JSON avec 5 champs.
- Appel IA n°2 — Scoring : Un second module OpenAI reçoit le JSON extrait + les critères ICP (Ideal Customer Profile) de l'entreprise, et attribue un score de 1 à 10 avec une justification. Sortie : score + raison.
- Appel IA n°3 — Personnalisation : Un troisième module génère un email de réponse ultra-personnalisé en s'appuyant sur les informations extraites et le score. Si score < 4, l'email oriente vers des ressources gratuites. Si score ≥ 7, l'email propose directement un rendez-vous avec le calendrier.
Ce pipeline transforme un formulaire de contact générique en une machine de qualification et de réponse personnalisée sans intervention humaine. Le coût total : moins de 0,02$ par lead traité.
Attention : Chaque module IA dans la chaîne consomme des opérations Make ET des tokens API. Avant de déployer un pipeline multi-IA en production, estimez le coût unitaire par exécution complète. Un pipeline de 3 appels GPT-4o peut coûter 0,02 à 0,05$ par exécution — acceptable pour un lead qualifié, mais à surveiller si votre volume est élevé.
Maîtriser les coûts API IA dans vos scénarios Make
L'un des freins les plus cités à l'adoption de l'IA dans les automatisations est la crainte des coûts imprévisibles. Bonne nouvelle : avec les bonnes pratiques, les coûts sont maîtrisables et généralement très faibles par rapport à la valeur créée.
Comprendre la tarification des tokens
Les API IA facturent selon le nombre de tokens traités. Un token équivaut approximativement à 4 caractères en anglais, légèrement moins en français (qui utilise plus de caractères par mot). Quelques repères :
- Un email de 150 mots ≈ 200 tokens
- Une page A4 de texte ≈ 700 tokens
- Un article de blog de 1 500 mots ≈ 2 000 tokens
- Un contrat de 10 pages ≈ 6 000-8 000 tokens
Tableau de coûts comparatif (2026)
| Modèle | Tokens input (1M) | Tokens output (1M) | Idéal pour |
|---|---|---|---|
| GPT-4o mini | ~0,15$ | ~0,60$ | Classification, extraction (haut volume) |
| GPT-4o | ~2,50$ | ~10$ | Rédaction complexe, analyse fine |
| Claude 3 Haiku | ~0,25$ | ~1,25$ | Tâches rapides, classification |
| Claude 3.5 Sonnet | ~3$ | ~15$ | Rédaction, analyse longue |
| DALL-E 3 (image) | ~0,04$/image | — | Visuels à la demande |
5 bonnes pratiques pour réduire les coûts
- Choisir le bon modèle : GPT-4o mini est 17x moins cher que GPT-4o. Pour la classification, il donne des résultats comparables à un coût marginal.
- Limiter le Max Tokens : Fixez une limite stricte sur la longueur de la réponse. Une classification n'a pas besoin de plus de 100 tokens en sortie.
- Optimiser les prompts : Des prompts courts et précis coûtent moins cher. Supprimez les phrases inutiles dans vos prompts système.
- Filtrer en amont : N'envoyez à l'API IA que les bundles qui en ont réellement besoin. Un filtre Make avant le module IA évite de facturer des traitements inutiles.
- Surveiller avec les dashboards : OpenAI et Anthropic proposent des dashboards de consommation détaillés. Définissez des alertes de coût et des limites budgétaires mensuelles.
Prompt engineering dans les scénarios Make
La qualité de vos automatisations IA dépend à 80% de la qualité de vos prompts. Dans Make, le prompt engineering a des contraintes supplémentaires par rapport à un usage conversationnel : les sorties doivent être prévisibles, formatées et exploitables par les modules suivants.
Les 4 règles du prompt Make efficace
Règle 1 — Définir un rôle précis dans le prompt système
Commencez toujours par "Tu es [rôle] pour [entreprise/contexte]. Ta tâche est de [action précise]." Un rôle défini réduit la variabilité et améliore la cohérence des sorties.
Règle 2 — Forcer le format JSON pour les données structurées
Dès que vous avez besoin d'extraire plusieurs informations ou que la sortie doit alimenter plusieurs champs dans l'étape suivante, imposez JSON. Terminez votre prompt par "Retourne UNIQUEMENT un objet JSON valide, sans texte avant ni après."
Règle 3 — Donner des exemples (few-shot prompting)
Pour les tâches complexes, donnez 2-3 exemples concrets d'entrée et de sortie attendue dans votre prompt système. Le modèle généralise le pattern beaucoup plus fiablement qu'avec des instructions abstraites.
Règle 4 — Tester avec des cas limites
Testez votre prompt avec des données inhabituelles : texte très court, texte dans une autre langue, données manquantes, champs vides. Ajoutez des instructions pour ces cas dans votre prompt système (exemple : "Si l'information est absente, retourne null pour ce champ, jamais une valeur inventée").
Besoin d'aide pour vos scénarios Make + IA ?
Nos experts conçoivent et déploient vos pipelines IA dans Make : prompt engineering, gestion des coûts, intégration avec vos outils existants. Audit gratuit, résultats mesurables.
Obtenir mon audit gratuitRGPD et sécurité des données avec les API IA
Envoyer des données personnelles à une API IA (OpenAI, Anthropic) soulève des questions légitimes de conformité RGPD. Voici un cadre pratique pour les PME françaises.
Ce que dit le RGPD pour les API IA
Dès que vous envoyez à une API IA des données permettant d'identifier une personne (nom, email, adresse, numéro de commande associé à un client), vous êtes en situation de sous-traitance de traitement de données personnelles. Cela implique :
- Signer un DPA (Data Processing Agreement) avec OpenAI et/ou Anthropic — ces documents sont disponibles sur leurs sites respectifs pour les comptes Business/API
- Mentionner ce traitement dans votre registre de traitements RGPD
- Informer vos clients dans votre politique de confidentialité que leurs données peuvent être traitées par des sous-traitants IA
Les garanties des fournisseurs IA
OpenAI API : Les données envoyées via API ne sont pas utilisées pour entraîner les modèles (contrairement à ChatGPT gratuit). OpenAI propose des clauses contractuelles types (SCCs) pour le transfert de données hors UE. L'infrastructure de traitement est majoritairement aux États-Unis.
Anthropic API : Mêmes garanties que OpenAI : pas d'utilisation pour l'entraînement, DPA disponible, SCCs pour les transferts internationaux.
Stratégies de minimisation des risques
| Niveau de sensibilité | Stratégie recommandée | Exemple |
|---|---|---|
| Données publiques ou peu sensibles | API cloud directe (OpenAI/Anthropic) avec DPA | Catégorisation d'avis publics, génération de descriptions produit |
| Données clients B2B classiques | API cloud + DPA signé + pseudonymisation si possible | Classification d'emails prospects, scoring de leads |
| Données sensibles (santé, juridique, financier) | Modèle open-source self-hosted (Mistral, Llama) via N8N | Analyse de dossiers médicaux, contrats juridiques |
| Données très confidentielles | Pas d'API cloud — traitement local uniquement | Données couvertes par le secret professionnel |
Astuce AutomateIA : Une technique simple pour réduire l'exposition des données personnelles : avant d'envoyer à l'API IA, remplacez les données directement identifiantes (nom, email, téléphone) par des identifiants anonymes avec un module de transformation Make. L'IA traite le contenu sans voir les données personnelles. Vous ré-associez l'identifiant aux données réelles dans Make après le traitement.
Bon à savoir : La CNIL a publié des recommandations sur l'utilisation des systèmes d'IA dans les entreprises. Elle ne prohibe pas l'utilisation d'API IA pour des traitements de données personnelles, mais exige les mesures de conformité décrites ci-dessus. En cas de doute, consultez un juriste spécialisé RGPD avant de déployer un scénario traitant des données sensibles.