Comment créer un agent IA : le guide étape par étape (no-code et code)

Un agent IA qui tourne en production en moins d’une journée, sans recruter un développeur. Ce guide détaille chaque étape, avec les noms exacts des nœuds, un prompt système annoté et les coûts réels en euros.

Un agent IA n’est pas un chatbot amélioré. C’est un programme qui comprend une demande, décide des actions à effectuer, puis les exécute en se connectant à d’autres logiciels, de façon autonome.

La plupart des articles sur le sujet listent les mêmes 4 composants et 7 étapes déjà présents dans l’AI Overview de Google. Ce guide va plus loin : vous repartez avec un workflow n8n nommé et reproductible, un prompt système complet et commenté, et un tableau de coûts chiffrés pour décider avant d’ouvrir votre carte bancaire.

Avant d’ouvrir n8n, vous devez avoir trois choses en tête : à qui sert cet agent, quelle tâche précise il remplace, et quel budget vous allouez chaque mois à l’API. Le reste découle de ces trois décisions.

Qu’est-ce qu’un agent IA (et en quoi il diffère d’un chatbot)

Un agent IA est un programme capable de comprendre une demande, de décider seul des actions à effectuer, puis de les exécuter en se connectant à d’autres logiciels. Un chatbot répond par du texte ; un agent, lui, agit.

La différence est opérationnelle, pas philosophique. Quand vous demandez à ChatGPT de rédiger un email, il vous fournit du texte que vous envoyez manuellement. Quand vous demandez à un agent de relancer vos leads inactifs, il lit votre CRM, choisit les contacts éligibles, rédige un email personnalisé et l’envoie, sans intervention humaine.

Si vous voulez approfondir la distinction avant de construire, notre article sur la différence entre agent IA et automatisation classique pose la ligne technique clairement.

Les composants clés d’un agent IA

Créer un agent IA repose sur 4 composants indissociables. Chaque composant manquant réduit l’agent à un chatbot ou à un simple script.

• LLM (Large Language Model) : le cerveau. Il comprend le langage naturel, raisonne sur la demande et décide quelles actions enchaîner. Les modèles d’OpenAI (GPT), d’Anthropic (Claude) et de Google (Gemini) sont les trois choix courants en PME.
• Prompt système : les instructions permanentes. C’est le texte que l’agent lit avant chaque conversation pour savoir qui il est, ce qu’il fait et ce qu’il ne fait pas. Un prompt vague donne un agent imprévisible.
• Mémoire : le contexte conservé entre les échanges. Sans mémoire, l’agent repart de zéro à chaque requête. En n8n, c’est le nœud Window Buffer Memory qui stocke les N derniers messages.
• Outils (tools) : les connexions aux logiciels externes. Chaque outil est une fonction que le LLM peut appeler : lire un flux RSS, écrire dans Airtable, envoyer un email via Gmail. Sans outils, l’agent ne fait rien d’autre que parler.

No-code ou code : quel outil choisir pour créer un agent IA

Le choix de l’outil conditionne le budget, le temps de mise en place et la complexité que vous pouvez atteindre. Voici les 4 options qui concentrent 90 % des déploiements en PME.

• n8n (no-code) : open source, auto-hébergeable à 5-10 €/mois sur VPS ou cloud à 20 $/mois. Setup en 1 à 3 heures. Idéal pour des agents avec plusieurs outils connectés. Recommandé dans ce tutoriel.
• Make (no-code) : 9 à 29 €/mois selon le volume d’opérations. Interface plus guidée que n8n, mais moins flexible pour les boucles agentiques complexes. Bon point d’entrée si vous démarrez sans aucune base technique.
• LangChain (code Python) : gratuit en open source, mais setup entre 8 et 20 heures si vous ne codez pas. Puissant pour les architectures RAG ou multi-agents. Hors scope si vous n’avez pas de développeur disponible.
• CrewAI (code Python) : gratuit, spécialisé dans les agents collaboratifs (plusieurs agents qui se délèguent des tâches). Courbe d’apprentissage comparable à LangChain. À considérer pour des workflows en équipe d’agents.

Pour aller plus loin sur la comparaison n8n, Make et Zapier sur critères chiffrés, notre comparatif n8n vs Make vs Zapier selon votre profil détaille les seuils de rentabilité de chaque outil.

Comment créer un agent IA étape par étape avec n8n

Ce workflow s’appelle «Competitive Watch Agent». Il surveille 5 concurrents via leurs flux RSS, analyse chaque nouveau contenu avec un modèle léger d’OpenAI et envoie un résumé structuré chaque matin à 8h. Vous trouverez ci-dessous chaque nœud avec son nom exact dans n8n.

1

Définir le cas d’usage en une phrase

Avant d’ouvrir n8n

Écrivez la phrase suivante avant d’ouvrir le moindre outil : «Mon agent [fait quoi] pour [qui] en lisant [quelle source] et en agissant sur [quel outil].»

Si vous ne pouvez pas remplir cette phrase, l’agent ne fonctionnera pas. Un agent sans périmètre précis hallucine, boucle ou fait n’importe quoi sur vos données.

2

Déclencher le workflow avec Schedule Trigger

Nœud Schedule Trigger

Dans n8n, créez un nouveau workflow. Ajoutez un nœud Schedule Trigger et configurez-le sur Every Day à 08:00. C’est ce nœud qui réveille l’agent chaque matin sans intervention manuelle.

3

Connecter le LLM via le nœud AI Agent

Nœud AI Agent + OpenAI Chat Model

Ajoutez un nœud AI Agent (disponible nativement depuis la mise à jour agents de n8n). Sous ce nœud, créez un sous-nœud OpenAI Chat Model, sélectionnez le modèle mini ou nano le plus récent et collez votre clé API OpenAI dans le champ API Key.

Un modèle léger comme GPT-5.6 Luna coûte 0,20 $ par million de tokens en entrée et 1,20 $ en sortie (tarif OpenAI de septembre 2026). Pour 5 concurrents analysés quotidiennement, comptez quelques dollars par mois d’API seul.

4

Rédiger le prompt système dans le champ System Message

Champ System Message du nœud AI Agent

Dans le nœud AI Agent, ouvrez le champ System Message. Voici le prompt utilisé pour ce workflow, commenté ligne par ligne :

Tu es un analyste de veille concurrentielle pour une PME française. // Rôle précis : pas un assistant généraliste.
Tu reçois chaque matin une liste d'articles publiés par 5 concurrents. // Contexte de la tâche entrante.
Pour chaque article, identifie : le sujet principal, le public cible visé et si cet article représente un risque ou une opportunité pour notre positionnement. // Tâche décomposée en 3 points, pas vague.
Réponds toujours en français, en bullet points, maximum 3 bullets par article. // Contrainte de format impérative.
Si un article ne contient pas assez d'information pour être analysé, dis-le explicitement plutôt que d'improviser. // Règle de fallback : évite les hallucinations.
Ne dépasse jamais 5 itérations d'analyse par session. // Limite de tours : protège contre les boucles infinies.

La dernière ligne est la plus importante. Sans limite de tours explicite, un agent peut boucler sur lui-même jusqu’à épuiser votre quota API en quelques minutes.

5

Ajouter la mémoire avec Window Buffer Memory

Sous-nœud Window Buffer Memory

Sous le nœud AI Agent, ajoutez un sous-nœud Window Buffer Memory. Configurez Context Window Length à 10 : l’agent conserve les 10 derniers échanges en mémoire courte.

Pour un agent de veille qui tourne une fois par jour, cette fenêtre est suffisante. Si vous créez un agent conversationnel, augmentez à 20-50 selon le budget token que vous vous accordez.

6

Connecter les outils RSS Feed et Gmail

Nœuds RSS Feed Read + Gmail

Ajoutez un nœud RSS Feed Read par concurrent (5 nœuds au total). Dans chaque nœud, collez l’URL du flux RSS du concurrent dans le champ URL et filtrez sur Max Items = 5 pour limiter à 5 articles récents par source.

Connectez ensuite un nœud Gmail en sortie du nœud AI Agent. Dans Operation, sélectionnez Send. Le champ Message reçoit l’expression {{ $json.output }}, qui contient le résumé produit par l’agent.

7

Tester et déployer en production

Bouton Test Workflow + Activate

Cliquez sur Test Workflow en bas à gauche. Vérifiez les données dans chaque nœud en cliquant dessus : le nœud RSS Feed Read doit retourner des articles, le nœud AI Agent doit retourner un champ output non vide, le nœud Gmail doit afficher Status: sent.

Si le test est concluant, cliquez sur Activate (toggle en haut à droite). Le workflow est en production. Surveillez l’onglet Executions pendant les 3 premiers jours pour détecter toute anomalie.

Les erreurs fréquentes quand on crée son premier agent IA

Ces 5 erreurs reviennent systématiquement sur les premiers déploiements. Elles ne sont pas dans l’AI Overview de Google, elles viennent du terrain.

• Prompt sans limite de tours : l’agent boucle sur lui-même indéfiniment. Résultat : facture API de 50 à 200 € en quelques heures. Correction : toujours écrire «Ne dépasse jamais N itérations par session» dans le prompt système, et plafonner les dépenses dans le dashboard OpenAI.
• Prompt trop vague : «Tu es un assistant marketing utile» ne suffit pas. L’agent improvise un rôle à chaque requête. Correction : décrire le rôle, la tâche, le format de sortie, la règle de fallback, tout dans le prompt système.
• Pas de fallback humain : l’agent envoie des emails erronés ou prend des décisions sur des données incomplètes sans alerte. Correction : ajouter un nœud If qui vérifie si le champ output de l’agent est vide ou trop court, et envoie une alerte Slack si c’est le cas.
• Tester en production directement : le premier test modifie des données réelles dans votre CRM ou envoie de vrais emails à vos contacts. Correction : créer un environnement de test avec des données fictives (un Airtable de test, un alias Gmail dédié) avant d’activer le workflow.
• Connecter trop d’outils dès le départ : un agent avec 10 outils disponibles choisit souvent le mauvais. La surface d’erreur explose. Correction : commencer avec 2 outils maximum, valider le comportement, puis ajouter un outil à la fois.

ChatGPT, Claude, Gemini ou Mistral : quel LLM choisir pour créer son agent IA

Le LLM n’est pas le composant qui fait le plus de différence sur un premier agent. C’est le prompt système. Cela dit, le choix du modèle impacte le coût et la qualité du raisonnement sur des tâches multi-étapes.

• Modèle léger d’OpenAI (ex. GPT-5.6 Luna) : 0,20 $/M tokens en entrée. Meilleur rapport coût/performance pour un premier agent. Supporte nativement le function calling, indispensable pour connecter des outils.
• Claude Sonnet 5 (Anthropic) : 2 $/M tokens en entrée. Meilleur sur les tâches de rédaction longue et d’analyse de documents. À privilégier si votre agent traite des rapports PDF ou des briefs complexes.
• Gemini 3.5 Flash-Lite (Google) : tier gratuit limité, puis 0,30 $/M tokens en entrée. Intégration native dans Google Workspace. Pertinent si vos outils sont Sheets, Docs ou Gmail natif Google.
• Mistral Small (Mistral AI) : 0,10 $/M tokens, modèle européen avec données hébergées en France. Option à considérer si votre RGPD est une contrainte forte et que vous voulez réduire la dépendance aux fournisseurs américains.

Pour une analyse complète des modèles en contexte marketing, notre article sur ce que GPT-5.5, Claude Opus 4.7 et Gemini 3.1 changent pour votre marketing compare les versions actuelles sur des cas d’usage PME concrets.

Sur la question du budget total, notre décryptage sur le coût réel d’un agent IA pour une PME détaille les trois paliers Build + Run avec le TCO sur 3 ans.

Le résultat concret après déploiement du Competitive Watch Agent

Voici ce que vous obtenez concrètement en suivant ce tutoriel de bout en bout.

Questions fréquentes