Agent IA : c’est quoi, et comment en créer un sans coder

Un agent IA est un assistant relié à un modèle de langage (un LLM), doté d’une mémoire et d’outils, qui choisit lui-même l’outil à employer selon la demande reçue. Pour votre client, ce qui le distingue d’une automatisation basique, c’est la fiabilité : l’automatisation répète toujours la même tâche, l’agent s’adapte mais peut se tromper. Je l’illustre par 3 exemples concrets, de l’automatisation rigide jusqu’à l’agent, puis je conçois un premier agent dans n8n, sans écrire une seule ligne de code.

31:54

Agent IA : c’est quoi ? Les 4 pièces d’un agent

Démontez un agent IA, vous trouvez quatre pièces :

1. Un cerveau : le LLM (le modèle derrière ChatGPT, Claude ou Gemini), qui comprend la demande et choisit quoi faire.
2. Des instructions : le prompt, un texte qui lui dit comment se comporter.
3. Une mémoire : ce qui lui permet de se souvenir des échanges précédents.
4. Des outils : un agenda, une messagerie, un CRM, un tableur, sur lesquels il agit.

Les deux premières existaient déjà avec ChatGPT. Les deux dernières font l’agent. Et c’est lui qui décide, à chaque demande, s’il appelle un outil, lequel, et avec quelles valeurs.

Conséquence directe : le résultat n’est pas déterministe. Posez deux fois la même question, vous n’obtiendrez pas forcément les mêmes actions. On parle aussi d’IA agentique pour désigner ces systèmes qui agissent seuls vers un objectif.

Agent IA ou automatisation : les 3 niveaux

Pour comprendre l’agent, il faut repartir de l’automatisation. L’histoire tient en quelques dates : Excel en 1985, Gmail en 2004 (l’email hébergé sur le web), Zapier en 2011, qui met l’automatisation à la portée d’une petite entreprise, puis les nœuds d’IA ajoutés aux outils comme n8n à partir de 2023. Les agents IA, eux, ont pris toute la place en 2025.

Niveau 1 : l’automatisation classique

Une automatisation suit des étapes, de gauche à droite. Elle commence par une entrée, le déclencheur :

• un horaire (toutes les 15 minutes, chaque heure) ;
• un événement dans une application, comme un email qui arrive dans Gmail ;
• un formulaire rempli ;
• un appel externe, ou un humain qui la lance.

Puis un ou plusieurs outils font leur tâche, et la sortie est un texte, un fichier ou une action dans un autre outil (envoyer un email, par exemple).

C’est encore ce qu’on trouve le plus en entreprise, et pour une bonne raison : le résultat est déterministe. On sait à l’avance ce qui se passera pour chaque entrée. Le revers, c’est la rigidité. Face à un cas qu’elle ne prévoit pas, l’automatisation s’arrête ou sort une erreur.

Pensez au pilote automatique d’un avion : vous êtes bien content qu’il ne demande pas son chemin à une IA.

Niveau 2 : l’automatisation avec IA

Un LLM seul, comme ChatGPT, reçoit un prompt (avec un fichier, un audio ou une image) et rend du texte ou un fichier. Il ne touche pas au monde extérieur : il travaille en vase clos.

L’automatisation IA place ce LLM comme une étape parmi d’autres. Un email arrive, et le LLM répond à une seule question : « cet email contient-il une facture ? ». Si oui, une branche se lance ; sinon, une autre.

Le gain : l’automatisation accepte enfin des données imprévues, puisque le LLM sait interpréter un texte libre. Mais c’est toujours l’automatisation qui appelle les outils, jamais le LLM. Le résultat reste à peu près prévisible.

Niveau 3 : l’agent IA

L’agent garde un déclencheur et une sortie, comme une automatisation. Ce qui change, ce sont la mémoire, les outils, et le fait qu’il décide lui-même quand s’en servir, d’après la demande reçue.

Ce sont les deux bouts d’un même curseur, de la rigidité à la flexibilité. Aucun n’est meilleur dans l’absolu : on ne met pas des agents partout, ni des automatisations rigides partout. Le bon niveau dépend de la tâche du client, pas de la mode.

3 exemples réels, du plus rigide au plus libre

Sans IA : l’inscription à la newsletter

Quand quelqu’un télécharge une de mes ressources gratuites sur Gumroad, on lui propose ma newsletter. S’il accepte, une automatisation Make l’ajoute dans MailerLite, mon outil d’emailing. S’il a payé quelque chose (ce n’est pas obligatoire, mais certains le font), elle lui ajoute un tag.

Deux branches, aucune surprise. De l’IA ici n’apporterait rien, et Make suffit largement pour ce genre de cas (voir Make ou n8n : les 4 questions pour choisir).

Avec IA : la proposition commerciale

Dans ma masterclass n8n, j’ai construit une automatisation qui rédige une proposition commerciale. Elle lit les données d’un fichier Excel, les passe à ChatGPT avec trois sortes de prompts (système, utilisateur, et des exemples de réponse), puis place le texte rendu dans un document final.

Il y a un LLM, mais aucun outil à sa disposition : c’est une automatisation avec IA, pas un agent. Ce que ce document doit contenir pour signer, je le détaille dans la propale envoyée le jour du rendez-vous.

Un agent : l’assistant qui remplit l’agenda

Le troisième cas, on le construit dans la section suivante : un agent qui crée des rendez-vous dans Google Agenda quand on le lui demande dans un chat.

Créer un agent IA dans n8n, étape par étape

J’ai fait la démo dans n8n, l’outil que je recommande pour créer des agents IA. Si vous débutez dessus, commencez par votre premier workflow n8n.

1. Ouvrir n8n

Deux options, à jour d’octobre 2026 :

• n8n Cloud : 14 jours d’essai (1 000 exécutions), puis l’offre Starter à partir de 20 € par mois en paiement annuel ;
• la Community Edition, installée sur votre propre serveur : le logiciel est gratuit, vous payez l’hébergement.

2. Poser un déclencheur de chat

Cliquez sur le grand + au milieu du canevas et ajoutez le déclencheur de chat (When chat message received).

Pourquoi un chat ? Parce qu’un agent n’est pas déterministe. Sa place naturelle, c’est l’échange en direct avec un humain : la personne demande, l’agent répond selon la demande. Ce n’est pas le seul usage, mais c’est le plus courant.

3. Ajouter le nœud AI Agent et son modèle

Juste après le chat, ajoutez le nœud AI Agent. Vous retrouvez le schéma de tout à l’heure : sous le nœud, trois branchements pour le modèle, la mémoire et les outils.

Pour le modèle, j’ai pris OpenAI. Un piège à connaître : ChatGPT et l’API d’OpenAI sont deux produits distincts, facturés séparément. L’abonnement ChatGPT sert à discuter sur le site. L’API, celle que n8n appelle, se paie à l’usage : vous chargez un crédit (5 $ au minimum), et chaque appel le consomme, quelques centimes ou moins selon le modèle. Aucun abonnement.

4. Lui donner une mémoire

Ajoutez la mémoire la plus simple : Simple Memory. Son réglage Context Window Length fixe le nombre d’échanges précédents que l’agent garde en tête. Avec 10, il se souvient des 10 derniers échanges.

Il existe bien d’autres mémoires, courtes ou longues, mais celle-ci suffit pour comprendre. Une réserve pour un projet client : la documentation de n8n déconseille Simple Memory en production sur une instance en mode file d’attente (queue mode). Pour un agent livré, prenez une mémoire stockée en base, comme Postgres Chat Memory.

5. Brancher un outil : Google Agenda

À côté de la mémoire, ajoutez l’outil Google Calendar et connectez votre compte Google. n8n vous demande simplement de vous identifier ; renommez la connexion avec votre email pour la retrouver.

Réglez ensuite :

• la ressource : un événement (Event) ;
• l’opération : créer (Create) ;
• le calendrier : le principal ;
• le début et la fin : videz les valeurs proposées et cliquez sur le petit bouton Let the model define this parameter. n8n remplace le champ par une expression $fromAI() : c’est le modèle qui remplira l’heure, d’après la demande ;
• les rappels : ceux de l’agenda, par défaut.

6. Tester dans le chat

Cliquez sur Open chat et écrivez : « Est-ce que tu peux créer un événement dans mon agenda demain, 4 août, de 15 h à 16 h, heure de Paris ? »

L’agent appelle OpenAI, consulte sa mémoire (vide au premier message), puis va dans Google Agenda. Dans mon agenda, l’événement est bien là, le 4 août de 15 h à 16 h. Sans titre, puisque je n’en avais pas demandé.

C’est l’agent qui a décidé, seul, d’utiliser l’outil.

Les 2 réglages qui font marcher l’agent

Dans ma première demande, j’ai précisé la date et le fuseau horaire exprès.

Lui donner la date du jour

Un LLM ne connaît pas la date du jour. Sans elle, « demain » ne veut rien dire pour lui, et l’heure peut glisser d’un fuseau à l’autre.

Dans le nœud AI Agent, ajoutez l’option System Message, passez le champ en mode Expression, et écrivez par exemple :

Aujourd’hui, nous sommes le {{ $now.toISODate() }}. Mon fuseau horaire est Europe/Paris.

$now donne la date et l’heure au moment de l’appel. Avec cette instruction, « crée-moi un événement demain de 10 h à 11 h » suffit : l’événement tombe au bon jour, à la bonne heure.

Lui laisser remplir le titre

Deuxième essai : je demande un événement nommé « montage vidéo ». Il est créé à la bonne heure, mais toujours sans nom. Le champ du titre n’était pas ouvert au modèle.

Dans l’outil Google Calendar, ajoutez le champ Summary (le titre de l’événement) et confiez-le, lui aussi, au modèle. Troisième essai, de 9 h à 10 h : l’événement s’appelle bien « montage vidéo ».

La leçon : l’agent ne remplit que les champs que vous lui ouvrez, et il ne sait que ce que vous lui dites.

L’erreur de débutant : trop d’outils

On peut brancher autant d’outils qu’on veut sur un agent. Mais plus il en a, plus le LLM se trompe : face à trop d’actions possibles, il choisit le mauvais outil ou invente des valeurs. C’est ce qu’on appelle une hallucination.

Les agents montrés sur YouTube avec une palanquée d’outils dessous sont faits pour la démo. En entreprise, ils ne tiennent pas.

Dans la vidéo, je parlais d’une dizaine d’outils au maximum. La consigne d’OpenAI, en octobre 2026, est un peu plus large : viser moins de 20 fonctions disponibles à la fois, une simple suggestion à vérifier sur vos propres tests. Pour les gros catalogues d’outils, OpenAI propose désormais une recherche d’outils (tool search), qui ne charge un outil qu’au moment où il sert.

Ma règle pour un client ne change pas : quelques outils par agent, chacun avec un rôle clair. Si la liste s’allonge, découpez en plusieurs agents spécialisés.

Agent IA et MCP : ce qui a changé depuis août 2025

MCP (Model Context Protocol) est une norme ouverte pour brancher un agent sur les outils d’une application d’un seul coup. Plutôt que d’ajouter trois outils séparés pour Google Agenda (créer un événement, vérifier une disponibilité, lister les événements), vous branchez le serveur MCP de l’application, qui expose ce qu’elle sait faire de façon normalisée.

Une précision par rapport à la vidéo : MCP normalise le branchement, il ne réduit pas à lui seul le nombre d’outils que voit le modèle. Un serveur qui expose 30 actions présente 30 outils au LLM. Dans n8n, le nœud MCP Client Tool règle ce point avec son option Tools to Include : choisissez Selected et ne gardez que les actions utiles.

En août 2025, je disais aussi qu’il était trop tôt pour bâtir un agent d’entreprise sur MCP : peu d’applications en proposaient, tout était encore en test. Ça a bougé. Le 9 décembre 2025, Anthropic a confié MCP à l’Agentic AI Foundation, un fonds de la Linux Foundation cofondé avec OpenAI et Block. Anthropic comptait alors plus de 10 000 serveurs MCP publics actifs, et la norme était déjà intégrée à ChatGPT, Gemini, Microsoft Copilot, Cursor et VS Code.

La prudence qui reste : un serveur MCP donne beaucoup de pouvoir d’un coup à l’agent. Chez un client, n’ouvrez que les actions nécessaires, et testez avant de brancher quoi que ce soit qui écrit dans ses outils.

Dernier changement, côté n8n : depuis août 2026, l’outil propose aussi des Agents à part entière, encore en aperçu (Preview). On les définit une fois, dans leur propre onglet, puis on les appelle depuis un workflow, un chat, Slack, Telegram ou un planning. Le nœud AI Agent de la démo reste supporté, et tout ce qui précède s’y applique.

Créer un agent IA gratuit : ce qui coûte vraiment

Avant de promettre « gratuit » à qui que ce soit, regardez trois postes :

• l’outil : n8n est gratuit en Community Edition sur votre serveur, payant sur n8n Cloud après l’essai ;
• le modèle : l’API se paie à l’usage, même si chaque appel coûte peu ;
• le temps : la démo se monte en quelques minutes, les réglages (instructions, champs, tests) prennent le reste.