← Tous les modules
05Intermédiaire

Automatisation & Outils IA

Connectez n8n et Make aux LLMs, et supprimez le travail que personne ne devrait faire à la main.

Chaque organisation a quelqu’un qui passe son lundi matin à recopier des lignes d’un outil vers un autre. Ce n’est pas un problème d’effectif, c’est un workflow qu’on n’a pas construit — et jusqu’à récemment l’automatiser exigeait un développeur et un budget. Ce n’est plus le cas. Ce module traite n8n et Make pour ce qu’ils sont : un environnement de programmation avec des boîtes à la place de la syntaxe, ce qui supprime la frappe mais rien de la réflexion. Il faut toujours gérer une API qui renvoie une erreur à 2 h du matin, une étape LLM qui coûte de l’argent à chaque exécution, et un doublon qui déclenche votre workflow deux fois. C’est là que meurent la plupart des automatisations, et c’est là qu’on passe le temps. L’opinion assumée : ne mettez pas de modèle dans la boucle tant que vous n’avez pas prouvé qu’une étape déterministe n’y suffit pas. Les modèles servent au milieu flou — classer un message, extraire un champ d’un texte non structuré, rédiger un brouillon de réponse. Tout autour doit être ennuyeux, testable et bon marché. Vous automatiserez votre vrai travail, pas une démo : un workflow qui survit à votre propre boîte mail est la seule preuve qui compte.

NiveauIntermédiaire
Durée6 semaines
Séances5
Prix1,200 DH

Prérequis

  • Aucune programmation requise — mais à l’aise avec la logique, les conditions et les données
  • Une vraie tâche répétitive que vous voulez automatiser
  • Accès aux outils que vous utilisez quotidiennement (email, tableur, CRM)
  • Comprendre grossièrement ce qu’est une API

Ce que vous saurez faire après

  • Construire des workflows multi-étapes dans n8n et savoir quand Make convient mieux
  • Connecter apps et APIs, y compris sans intégration toute faite
  • Placer une étape LLM uniquement là où une étape déterministe ne suffit pas
  • Gérer erreurs, réessais, doublons et limites de débit en professionnel
  • Garder le coût d’exécution d’un workflow prévisible et défendable
  • Transmettre une automatisation à un collègue qui ne l’a pas construite

Séances

Cartographier le travail avant de l’automatiser

L’automatisation la plus coûteuse est celle qui encode parfaitement un processus cassé. Avant de toucher un outil, vous cartographiez la tâche telle qu’elle se déroule vraiment — exceptions comprises, celles que tout le monde gère de mémoire et que personne n’a écrites. La moitié des tâches qu’on nous apporte devraient être supprimées, pas automatisées.

Au programme

Écrire un processus tel qu’il est, pas tel qu’on le décritTrouver les exceptions que personne n’a documentéesDécider quoi supprimer avant de décider quoi automatiserDéclencheurs : planification, webhook ou événementDonnées en entrée, données en sortie : définir le contratEstimer les heures réellement rendues par un workflow

n8n comme environnement de programmation

Des boîtes à la place de la syntaxe, mais la même discipline. Vous construirez de vrais flux multi-étapes : branchements, itérations sur les items, transformations de données d’une forme à l’autre, et ce node code qu’on dégaine quand la voie visuelle devient absurde. Savoir basculer vers du code est une compétence, pas un aveu d’échec.

Au programme

Nodes, items, et comment les données circulent entre les étapesBranchements, filtres et boucles sans faire des spaghettisTransformer et fusionner des formes de donnéesExpressions, variables et le node coden8n vs Make : hébergement, tarification, et quand chacun gagneVersionner un workflow et le tester avant la mise en service

Tout connecter : apps, APIs, et celles sans intégration

Les quatre cents connecteurs tout faits couvrent la moitié facile. Le travail intéressant commence avec l’outil que votre entreprise utilise vraiment, qui a une API et aucun node. Vous vous y authentifierez à la main, lirez sa documentation, et le brancherez — après quoi plus aucun outil n’est hors de portée.

Au programme

Requêtes HTTP, headers et payloads sans appréhensionAuthentification : clés, OAuth, et où vivent les identifiantsLire une documentation d’API jamais vueWebhooks dans les deux sensPagination et gros volumes de résultatsLimites de débit et backoff

Où le modèle a sa place — et où il ne l’a pas

Une étape LLM est la boîte la plus chère, la plus lente et la moins prévisible de votre flux. Elle ne mérite sa place que dans le milieu flou : classer, extraire d’un texte non structuré, rédiger un brouillon. Vous construirez des étapes agentiques qui appellent vos propres outils — et vous supprimerez aussi quelques appels au modèle qu’une regex gérait mieux.

Au programme

Classification, extraction, rédaction : les tâches qui méritent un modèleForcer une sortie structurée sur laquelle une étape suivante peut compterÉtapes agentiques qui appellent vos propres outilsCoût par exécution, et pourquoi une boucle nocturne le multiplieQue se passe-t-il quand le modèle renvoie n’importe quoi en plein fluxDécider quand une regex, une table de correspondance ou une règle l’emporte

L’exploiter en production sans le materner

Un workflow que vous seul savez réparer est un passif, pas un actif. Cette session porte sur la moitié peu glamour : ce qui se passe quand une API tombe, quand le même événement se déclenche deux fois, quand un collègue hérite de votre flux. Ici, les erreurs ne sont pas des cas limites — c’est le régime normal.

Au programme

Branches d’erreur et réessais qui n’aggravent pas la situationIdempotence : survivre au même événement deux foisAlerter un humain, et choisir ce qui mérite une alerteLogger assez pour déboguer une exécution de mardi dernierDocumenter un flux pour que quelqu’un d’autre puisse le reprendreRéexaminer coût et heures gagnées après un mois d’exécution
Ce que vous repartez avec

Construisez et déployez une automatisation IA de niveau production : un workflow qui tourne sur un déclencheur réel, sur votre propre travail, avec gestion des erreurs, idempotence, coût par exécution mesuré, une documentation qu’un collègue peut suivre, et un décompte avant/après des heures rendues.

Proposé dans

Questions

Faut-il savoir coder ?

Non, et c’est vrai ici, ce n’est pas un argument marketing. Mais « no-code » ne veut pas dire « sans réflexion » : vous manipulerez des conditions, des formes de données, des boucles et de la gestion d’erreurs — c’est de la programmation, avec des boîtes à la place de la syntaxe. Ceux qui sont à l’aise avec la logique s’en sortent très bien, quel que soit leur parcours. On montre quand même le node code, parce qu’il y a toujours une étape où douze boîtes visuelles se résument à trois lignes, et savoir que cette issue existe fait partie du métier.

n8n ou Make — lequel apprendre ?

Les deux, parce que le choix dépend du contexte et que les concepts sont identiques. Make démarre plus vite et son coût est prévisible ; n8n peut être auto-hébergé — ce qui compte quand les données ne peuvent pas quitter votre infrastructure — et il va plus loin quand un flux se complexifie. Une fois compris les déclencheurs, les formes de données et la gestion d’erreurs, passer de l’un à l’autre prend un après-midi. L’outil n’est pas la compétence.

Une automatisation fait-elle vraiment gagner les heures promises ?

Parfois — et c’est précisément pour être honnête là-dessus que ce module insiste sur la mesure. Un workflow que vous mettez trois semaines à construire pour économiser vingt minutes par mois est une perte qu’on peut déguiser en progrès. Les gains sont réels quand la tâche est fréquente, régie par des règles et ennuyeuse : routage de factures, qualification de leads, assemblage de rapports. Ils sont illusoires quand la tâche est rare ou pleine de jugement, car on finit par entretenir un flux fragile là où un humain s’en sortait très bien. Votre capstone rapporte un décompte avant/après exactement pour cette raison : une automatisation incapable de montrer ses heures ne mérite pas de continuer à tourner.

Autres modules