n8n, de débutant à pro : la masterclass complète
n8n est une plateforme d’automatisation open source : vous reliez vos applications par des nœuds, avec du JavaScript, de l’IA et des agents quand il le faut. Pour votre client, c’est une proposition commerciale prête une minute après le rendez-vous, ou ses dépenses du mois classées et comparées au budget, sans que personne ne touche au tableur. Voici la masterclass de 5 h 30 résumée partie par partie, avec ce qui a changé depuis son tournage en mai 2025.
n8n en 5 minutes : des nœuds, du code et plus de 500 intégrations
Le nom se prononce « n-eight-n ». Le N vient de node (nœud) : un workflow n8n est une chaîne de nœuds, chacun reçoit des données en entrée et en rend en sortie. L’outil a été lancé en 2019 par Jan Oberhauser, un développeur allemand, et sort de nouvelles versions presque chaque semaine.
Ce qui le distingue :
- C’est du low-code. L’interface est visuelle, mais un nœud Code accepte du JavaScript (et du Python). Pas besoin de savoir coder pour autant : ChatGPT ou Claude écrit ce code à votre place, je le montre plus bas.
- Il s’héberge de deux façons : n8n Cloud, sur abonnement, ou la version open source sur un serveur à vous.
- Il a plus de 500 intégrations (Google Sheets, Google Docs, Notion, Slack…), et le nœud HTTP Request couvre toutes les autres API.
- L’IA se branche dans le workflow : agents, classification, extraction, résumé, avec le modèle que vous voulez.
J’applique ici le 80/20 : les 20 % des fonctionnalités qui servent dans 80 % des cas, pour votre business ou pour celui de vos clients.
Make ou n8n : les 4 questions qui tranchent
Zapier, je ne le recommande plus. Entre Make et n8n, je ne choisis jamais par habitude : je pose 4 questions, chez moi comme chez un client.
- Faut-il un agent IA autonome, qui utilise des outils pour rendre un résultat ?
- Faut-il un humain dans la boucle, qui relit et renvoie l’IA corriger ?
- Y a-t-il beaucoup de calculs ou de manipulations de données ?
- Le client a-t-il une contrainte de sécurité ou réglementaire sur l’hébergement de ses données ?
Un seul oui, et je pars sur n8n. Quatre non, et je prends Make, plus simple et plus rapide à mettre en place. Le prix ne fait pas partie des questions : quelques dizaines d’euros par mois pèsent peu face à la valeur qu’une automatisation rapporte. J’ai détaillé la comparaison Make vs n8n, avec les prix de 2025 confrontés à ceux d’aujourd’hui.
L’interface et le premier workflow
L’inscription à n8n Cloud est immédiate : un nom de compte, qui devient l’adresse de votre instance, et un essai gratuit. L’écran d’accueil liste vos workflows, vos accès (les credentials) et vos exécutions, avec le taux d’erreur et le temps moyen d’exécution (10 secondes pour les miens).
Trois écrans vous serviront vraiment : l’Overview, vos projets pour ranger les workflows par client, et l’Admin Panel, où vous passez de temps en temps à la dernière version stable (jamais la bêta). Les variables, réservées au plan Pro, je ne m’en sers jamais : une donnée se range dans le système du client, pas dans n8n.
Un workflow commence toujours par un déclencheur (un clic, un horaire, une ligne ajoutée dans Google Sheets, un webhook, un formulaire, un message de chat), suivi de nœuds d’action. Le pas-à-pas complet, avec les réglages qui comptent pour un client, est dans l’article sur le workflow n8n.
Cas pratique 1 : la proposition commerciale générée depuis Google Sheets
Le premier cas sert toute agence et tout freelance : après un rendez-vous de 30 minutes à 1 heure, il faut rédiger une proposition. C’est long, et répondre vite fait gagner des clients. La méthode commerciale qui va avec est dans la propale le jour du rendez-vous.
Le workflow, construit en direct sans préparation :
- Google Sheets lit la ligne du prospect : nom, entreprise, secteur, budget, service demandé, délai, objectifs, points particuliers.
- Un Basic LLM Chain avec GPT-4.1 mini (température 0,7) rédige la proposition. Ce nœud a un avantage : vous changez de modèle, pour Claude par exemple, sans réécrire le prompt.
- Le Structured Output Parser force une réponse en JSON, avec un exemple : introduction, compréhension, approche, services, processus, planning, investissement, conclusion.
- Google Drive copie un modèle de document, et Google Docs remplace chaque
{{variable}}par le texte généré. - Split Out, Edit Fields et Summarize transforment la liste des services en un seul bloc de texte.
Résultat sur le cas de test : 3 services (site web, identité visuelle, stratégie réseaux sociaux) et un planning de 60 jours découpé par phase.
Je garde deux réflexes de cette partie. D’abord, épingler les données d’un nœud (touche P) : vos tests repartent toujours des mêmes données, sans recréer un document à chaque essai. Ensuite, écrire trois sortes de prompts : le prompt système dit qui est le modèle, le prompt utilisateur ce qu’il doit faire, et un couple utilisateur et assistant lui donne un exemple de bonne réponse à imiter.
La connexion à Google Docs demande de passer par la Google Cloud Console : un projet, les API Docs et Drive activées, un écran de consentement, un identifiant OAuth avec l’URL de redirection donnée par n8n. Une manipulation à faire une seule fois : le même identifiant sert ensuite pour Google Drive.
JSON, items, tableaux et objets : ce qui circule entre deux nœuds
Tout ce qui passe d’un nœud à l’autre est du JSON. Trois notions suffisent :
- L’item est l’unité qui circule. Un nœud qui lit 2 lignes de Google Sheets rend 2 items, et un nœud qui n’en rend aucun arrête le workflow.
- L’objet s’écrit entre accolades : des paires clé et valeur, sans ordre (
"age": 30). - Le tableau s’écrit entre crochets : des éléments ordonnés, sans clé. Le premier porte l’indice 0.
Les valeurs sont du texte entre guillemets doubles, des nombres (avec un point pour les décimales), true ou false, ou null. Une fois cela compris, vous lisez n’importe quelle sortie de nœud, et n’importe quelle réponse d’API.
Cas pratique 2 : les dépenses d’une PME classées et comparées au budget
Le deuxième cas simule ce qu’envoie un logiciel de comptabilité : le budget mensuel par catégorie (marketing 3 000 €, outils SaaS 1 500 €, déplacements 2 000 €…) et 14 transactions du mois. Le client veut savoir où il en est, catégorie par catégorie.
- Split Out éclate les 14 transactions, Loop Over Items les traite une par une.
- Text Classifier range chaque transaction dans une catégorie. Ce qui ne colle nulle part file dans une branche « autre ». L’abonnement ChatGPT atterrit bien en outil SaaS.
- Un Basic LLM Chain range ensuite les fournisseurs : LinkedIn, Google et Meta en marketing ; OpenAI, Zoom, Notion, Adobe et Midjourney en outils.
- Merge réunit transactions et catégories, et un nœud Code fait les totaux.
Ce code, je ne l’ai pas écrit : Claude l’a produit à partir des JSON d’entrée. Il a fallu plusieurs allers-retours, en lui recollant chaque message d’erreur et même un résultat faux (des dépenses à zéro), avant d’avoir un calcul juste : 877,50 € dépensés en marketing sur 3 000 €, 1 300 € de matériel pour 500 € prévus, environ 4 000 € au total. Quand les calculs se compliquent comme ici, je pars sur n8n plutôt que sur Make.
La suite de cette partie fait le tour des fonctions d’expression, à garder sous la main :
| Type | Fonctions les plus utiles |
|---|---|
| Texte | extractDomain(), extractEmail(), replaceAll(), removeTags(), split(), trim(), isEmail(), toTitleCase() |
| Nombre | round(), ceil(), floor(), format('fr-FR') pour la virgule et l’espace des milliers |
| Date | toDateTime(), startOf(), endOf(), plus(), minus(), diffToNow(), isWeekend() |
| Tableau | append(), chunk(), compact(), find(), join(), difference() |
| Objet | keys(), values(), hasField(), removeField(), toJsonString() |
isWeekend(), par exemple, évite qu’un workflow de prospection n’écrive à un prospect un samedi.
Cas pratique 3 : la propale qui part de la transcription du rendez-vous
Plutôt que de remplir un tableur après chaque rendez-vous, la version 2 du premier cas part de ce qui existe déjà : la transcription du rendez-vous, enregistrée par Fathom.
- Un formulaire Youform (nom, email, entreprise, transcription) envoie ses réponses à un Webhook n8n, en POST. Le webhook a deux adresses : une de test, une de production.
- Le prompt reçoit la transcription brute au lieu des colonnes du tableur, et le reste du workflow est copié-collé du premier.
Sur la transcription d’un ancien rendez-vous, le modèle a proposé 3 services, un découpage par phase et un investissement estimé entre 15 000 et 25 000 €, puis le document s’est rempli tout seul dans Google Drive.
Deux nœuds complètent cette partie. Respond to Webhook renvoie une réponse à l’application qui vous appelle : avec lui, un workflow devient votre propre API. HTTP Request, lui, appelle n’importe quelle API absente des intégrations : collez la commande cURL de la documentation (ici Tavily, un moteur de recherche par API, 1 000 recherches gratuites par mois puis 0,008 $ la recherche), n8n remplit l’en-tête et le corps tout seul.
L’humain dans la boucle : valider avant d’envoyer
C’est la partie qui fait accepter l’IA aux entreprises qui en ont peur. Le nœud Gmail « Send and Wait for Response » envoie un message et met le workflow en pause jusqu’à la réponse. Trois formats : un bouton Approuver ou Refuser, un texte libre, ou un formulaire sur mesure.
Avec le texte libre, la réponse de la personne repart dans un second modèle, qui corrige le contenu. Pour une boîte de support, cela donne : l’IA rédige la réponse selon les règles du client, un humain la valide ou demande une reprise, et l’email ne part qu’après son accord. Slack, Teams, Telegram ou WhatsApp font la même chose que Gmail.
Agents IA, RAG et MCP : ce que n8n sait faire de plus
Un agent IA, c’est un modèle avec une mémoire et des outils, qui décide seul quand s’en servir. Dans la démonstration, l’agent reçoit une mémoire des 5 derniers messages et un seul outil, la recherche Tavily. À la question « l’inventeur du JSON est-il toujours en vie ? », il lance la recherche de lui-même et répond : Douglas Crockford, toujours en vie.
Un agent peut aussi appeler un autre workflow n8n, du code, une base de connaissances (le RAG, dans un vector store comme Supabase) ou un serveur MCP. La limite est connue : au-delà de 10 à 15 outils branchés sur un agent, les erreurs montent, et un client ne garde pas une automatisation qui se trompe.
Le MCP, proposé par Anthropic fin 2024, regroupe les opérations d’un service derrière un seul outil : Google Calendar compte 5 opérations, donc 5 outils à brancher, contre un seul serveur MCP. Au tournage, le nœud MCP de n8n Cloud n’accédait encore qu’à peu de serveurs.
Ce qui a changé depuis le tournage
La vidéo date de mai 2025. Ce qui a bougé, vérifié en octobre 2026 :
- Dans n8n 2.0, l’interrupteur Inactive/Active est devenu le bouton Publish. La production tourne sur la version publiée, et vos modifications restent en brouillon jusque-là.
- La vidéo parle de 5 workflows actifs au plus sur le plan Starter. Il affiche aujourd’hui des workflows actifs illimités, 2 500 exécutions et 20 € par mois en facturation annuelle.
- n8n a maintenant son propre serveur MCP. Claude Code peut y créer des workflows à partir d’une description, et les modifier depuis la version 2.13.
Le reste de la masterclass tient toujours : déclencheurs, items, expressions, prompts, webhooks, humain dans la boucle.
Ce que vous pouvez vendre avec ça
À qui : une agence de communication, un cabinet de conseil ou une ESN comptant de 3 à 20 collaborateurs, qui multiplie les rendez-vous découverte et conçoit chaque proposition manuellement. La demande existe : d’après le rapport Malt Tech Trends 2026, les missions Malt qui portent sur des outils low-code comme n8n ont été multipliées par 14, et pèsent désormais autant que Java.
Vous livrez le workflow du cas 3 dans le compte n8n du client. La transcription du rendez-vous entre, une proposition sort dans son propre modèle Google Docs, et un associé la valide par email avant qu’elle ne parte. Environ dix nœuds, connectés aux accès du client, et un paramètre « temps gagné par exécution » qui nourrit son tableau de bord. Le cas 2 se vend de la même façon au dirigeant de PME qui veut voir chaque mois ses dépenses par catégorie face au budget.
Comment le présenter : « Après chaque rendez-vous, vous recevez la proposition rédigée dans votre modèle, vous la relisez, et elle part le jour même. » Puis montrez le chiffre que n8n calcule pour lui. Par exemple, 8 propositions par mois à 2 heures de rédaction chacune, ce sont 16 heures rendues chaque mois. Fixez votre prix à partir de ces heures et de votre TJM.
