Créer un agent IA avec n8n, le tutoriel complet en français

Créer un agent IA avec n8n prend une dizaine de minutes pour la première version. Vous posez un déclencheur, vous ajoutez le nœud AI Agent, vous branchez un modèle de langage, un ou plusieurs outils et des instructions, puis vous testez dans le chat intégré. La difficulté n'est pas là. Elle se situe entre la démo qui fonctionne au premier essai et l'agent qui tourne tous les jours sans surveillance, et ce guide traite les deux.

Tandem construit ces agents chez des PME et des ETI, de Santiane à Nomination en passant par KparK, et le constat est régulier. Les équipes montent leur premier agent sans aide, puis butent sur la mémoire, les boucles infinies et les droits d'écriture. Ce tutoriel déroule les six étapes de construction, puis les six garde-fous qui manquent presque toujours. Si vous découvrez la plateforme, commencez plutôt par notre guide complet sur n8n, qui explique les nœuds, les exécutions et les cas d'usage avant d'attaquer les agents.

Un agent IA sur n8n, qu'est-ce que c'est exactement ?

Un agent IA sur n8n est un nœud unique, appelé AI Agent, qui reçoit une demande, choisit tout seul les outils à appeler pour y répondre et enchaîne les appels jusqu'à obtenir un résultat. Le modèle d'intelligence artificielle placé derrière ce nœud porte la décision, et c'est ce qui le distingue d'un workflow classique. Dans un workflow, vous décidez de l'ordre des étapes à l'avance. Dans un agent, vous décrivez l'objectif et les outils disponibles, et le modèle décide de l'ordre au moment de l'exécution.

Trois sous-nœuds viennent se brancher sous le nœud AI Agent. Le Chat Model porte le raisonnement et reste obligatoire. Les Tools définissent ce que l'agent a le droit de faire, et il en faut au moins un. La Memory garde le fil de la conversation, elle est optionnelle. Depuis la version 1.82.0 de n8n, tous les nœuds AI Agent fonctionnent en mode Tools Agent, les autres types d'agent ayant été retirés de l'interface, comme l'indique la documentation officielle.

Ce qu'il faut avant de commencer

Trois prérequis suffisent pour monter un premier agent. Il vous faut une instance n8n accessible, une clé d'API chez un fournisseur de modèle, et les accès aux outils que l'agent devra manipuler. Aucune compétence de développement n'est nécessaire pour cette première version.

• Une instance n8n, au choix un compte cloud pour démarrer en deux minutes, ou une installation auto-hébergée sur votre serveur si vos données ne doivent pas sortir. Le détail des coûts figure dans notre article sur les prix de n8n.
• Une clé d'API de modèle, chez OpenAI, Anthropic, Mistral ou Google. Comptez quelques euros de crédit pour toute la phase de tests, le volume d'appels d'un agent en construction reste faible.
• Les accès aux outils métier, un compte Google Workspace, un CRM, une base Notion ou Airtable. Créez un compte de service dédié à l'agent plutôt que d'utiliser le vôtre, vous vous en féliciterez au moment de couper les droits.
• Un cas d'usage écrit en une phrase, du type « répondre aux demandes de disponibilité en consultant l'agenda et en proposant trois créneaux ». Un agent sans objectif écrit devient un chatbot coûteux.

Sur le choix de la plateforme elle-même, notre comparatif n8n, Make et Zapier détaille les unités de facturation et les contraintes de données. n8n reste le seul des trois à s'auto-héberger, ce qui pèse lourd quand l'agent manipule des données clients.

Étape 1 : poser le squelette de l'agent

Ouvrez un workflow vide et ajoutez le nœud AI Agent depuis le panneau de droite. n8n place automatiquement un déclencheur de chat devant lui, ce qui permet de tester l'agent dans la fenêtre de conversation intégrée dès la première minute. Ce déclencheur se remplace ensuite par ce que vous voulez, un webhook, une réception d'email, une planification quotidienne ou un bouton dans votre outil interne.

Le canevas affiche alors le nœud AI Agent avec trois emplacements vides sous lui. C'est la structure complète, et elle ne changera plus. Tout le travail qui suit consiste à remplir ces trois emplacements, puis à écrire les instructions.

Étape 2 : choisir le modèle qui fait tourner l'agent

Cliquez sur l'emplacement Chat Model et sélectionnez votre fournisseur. n8n accepte les modèles d'OpenAI, d'Anthropic, de Mistral, de Google, d'Azure et de Groq, ainsi que des modèles ouverts servis en local via Ollama. Collez votre clé d'API dans le credential, choisissez un modèle et l'agent devient fonctionnel.

Le réflexe utile consiste à démarrer avec un modèle rapide et bon marché pendant toute la construction, puis à monter en gamme uniquement si la qualité des décisions coince. Un agent qui se trompe d'outil se corrige plus souvent par de meilleures instructions que par un modèle plus puissant. Si vos données doivent rester en Europe, vérifiez la localisation de l'API avant de choisir le fournisseur, c'est un critère qui se traite au début et non après la mise en production.

Étape 3 : brancher les outils, et laisser l'agent remplir les champs

L'emplacement Tool accepte tout ce que l'agent aura le droit de faire, envoyer un email, créer une ligne dans une base, interroger une API, lancer un autre workflow n8n ou appeler un serveur MCP. La page d'intégration officielle du nœud AI Agent annonce 422 applications et services branchables, chiffre relevé le 10 août 2026. Chaque outil ajouté doit porter une description claire, car c'est elle que le modèle lit pour décider s'il l'appelle.

Le vrai déblocage tient dans une fonction, $fromAI. Chaque champ d'un outil connecté à l'agent porte un bouton qui remplace la valeur par une expression laissant le modèle décider du contenu au moment de l'exécution. Vous décrivez ce que le champ attend, l'agent le remplit. La documentation n8n détaille cette fonction et précise ses limites, elle ne fonctionne ni avec le nœud Code, ni avec les sous-nœuds qui ne sont pas des outils.

Louis Graffeuil résumait le changement dans sa newsletter Optimia de mars 2025, puis dans un post LinkedIn qui a réuni 180 réactions. Avant cette fonction, brancher un outil supposait de mapper chaque paramètre à la main et de formater les valeurs pour satisfaire l'API. Depuis, l'exemple qu'il donne tient en une phrase. Vous demandez l'envoi d'un email en HTML, vous le précisez dans la description du champ, et l'agent produit le corps au bon format sans mapping technique.

Étape 4 : écrire les instructions de l'agent

Le champ System Message porte les instructions permanentes de l'agent. C'est le paramètre qui détermine la qualité du résultat, bien plus que le choix du modèle. Une instruction utile décrit le rôle, l'objectif, les outils disponibles avec leur usage, les données accessibles, le ton attendu et les cas où l'agent doit s'arrêter et rendre la main.

1. Le rôle et le périmètre, en une ou deux phrases. « Vous êtes l'assistant de planification du cabinet, vous traitez uniquement les demandes de rendez-vous. »
2. La liste des outils, avec pour chacun ce qu'il fait et dans quelle situation l'appeler. Le modèle lit cette liste avant chaque décision.
3. Les données de référence, horaires d'ouverture, règles métier, formats attendus. Tout ce que l'agent ne peut pas deviner doit être écrit.
4. Les conditions d'arrêt, les situations où l'agent transmet à un humain plutôt que d'improviser. C'est la partie la plus souvent oubliée et la plus rentable.

Le conseil de Louis Graffeuil sur ce point vaut d'être repris. Faites rédiger la première version des instructions par un modèle de langage, à partir de votre description du process, puis corrigez. Vous gagnez une heure et vous obtenez une structure propre dès le départ.

Étape 5 : ajouter la mémoire, et comprendre sa limite

Sans mémoire, chaque appel repart de zéro. L'agent ne se souvient pas de la question précédente, ce qui convient à une tâche unitaire déclenchée par un webhook, mais casse toute conversation. L'emplacement Memory se remplit avec le nœud Simple Memory pour démarrer, qui stocke les échanges directement dans l'instance n8n.

Simple Memory suffit en test et pose un vrai problème en production. La documentation n8n indique que ce nœud ne fonctionne pas dans un workflow actif quand n8n tourne en mode queue, parce que rien ne garantit que deux appels successifs atteignent le même worker. Dès que votre agent sert plusieurs utilisateurs ou tourne sur une instance répartie, remplacez-le par une mémoire persistante adossée à Postgres ou à Redis. Le paramètre Context Window Length décide du nombre d'échanges repris à chaque tour, et un réglage trop élevé fait grimper le coût sans améliorer les réponses.

Étape 6 : tester, puis durcir avant la production

La fenêtre de chat intégrée permet de tester l'agent sans quitter le canevas. Chaque exécution s'affiche nœud par nœud, avec les entrées et les sorties, ce qui rend le débogage lisible. L'option Return Intermediate Steps ajoute le détail des décisions de l'agent, c'est le premier réflexe quand un appel d'outil part de travers.

Le paramètre Max Iterations mérite une mention à part. Il plafonne le nombre de tours que l'agent s'autorise avant d'abandonner, et vaut 10 par défaut dans le Tools Agent. Un agent qui tourne en rond sur un outil défaillant consomme des tokens à chaque itération, et c'est la facture la plus désagréable à découvrir. Fixez ce plafond en connaissance de cause plutôt que de le laisser par défaut.

Un seul agent ou plusieurs sous-agents ?

Plus vous équipez un agent d'outils, plus il se disperse. C'est la limite que Louis Graffeuil pointait dès mars 2025, et elle n'a pas bougé. Un agent avec vingt outils choisit moins bien qu'un agent avec cinq outils, parce que chaque description supplémentaire dilue la décision. La réponse consiste à découper les tâches et à donner à un agent principal des sous-agents spécialisés, chacun avec son périmètre restreint.

Le conseil qui accompagne ce découpage compte autant que le découpage lui-même. Commencez petit. Un agent, trois outils, un cas d'usage. Vous vérifiez que l'automatisation apporte vraiment de la valeur avant de bâtir une architecture à étages. Notre article sur les agents IA face aux workflows IA détaille où se situe la frontière entre les deux, et pourquoi la majorité des gains en entreprise viennent encore des workflows.

Faire construire l'agent par Claude Code

Une variante intéressante a émergé début 2026. Plutôt que de configurer l'agent à la main sur le canevas, vous décrivez le besoin métier à un agent de développement comme Claude Code, connecté à votre compte n8n via un serveur MCP. Il propose une architecture, puis crée le workflow directement dans votre instance.

Le point que Louis Graffeuil souligne dans ce post mérite d'être répété, parce qu'il va à l'encontre de l'attente générale. Le levier n'est pas le prompt. Ce sont la configuration MCP et les Skills, autrement dit les outils que vous donnez à l'agent de développement et les procédures que vous lui apprenez. L'humain garde le dernier kilomètre, la relecture du workflow avant activation. Cette approche accélère la construction, elle ne dispense pas de comprendre ce qui a été construit.

Combien de temps et combien coûte un agent n8n ?

La première version tourne en une dizaine de minutes, la vidéo ci-dessus le montre de bout en bout. Un agent utile en interne, testé et documenté, demande plutôt deux à trois jours. Un agent en production avec les six garde-fous, des droits propres et un suivi se compte en semaines, pas en heures. Côté licence, n8n reste gratuit en auto-hébergement et le détail des plans cloud figure dans notre article sur le prix réel de n8n.

Le coût variable vient des modèles, pas de la plateforme. Un agent qui traite cent demandes par jour avec un modèle rapide reste dans les quelques dizaines d'euros mensuels. Le même agent branché sur un modèle haut de gamme, avec une fenêtre de mémoire large et des itérations non plafonnées, peut coûter dix fois plus pour un gain de qualité marginal. C'est le premier poste à surveiller après la mise en service.

Faut-il créer votre agent IA n8n vous-même ?

Oui pour le premier, sans hésitation. Monter un agent simple avec le nœud AI Agent, un modèle et trois outils est à la portée d'une personne non technique en une matinée, et cette expérience vaut toutes les formations. Vous comprenez ce que l'agent sait faire, ce qu'il rate, et où se situe la valeur réelle dans vos process.

La bascule se produit au moment de la production. Un agent qui écrit dans le CRM, traite des données clients ou déclenche des actions financières demande des droits restreints, une validation humaine sur les actions irréversibles et un journal exploitable. C'est là que Tandem intervient, sur le cadrage puis sur le durcissement. Notre offre autopilote couvre ce passage, et notre équipe n8n prend la main sur la construction quand le sujet dépasse le cadre d'une expérimentation interne.

Une démonstration impressionne. Un agent tient parce qu'il a des garde-fous.