n8n pour débutants : cinq automatisations concrètes pour les PME

Toute personne qui connaît les gestes répétitifs dans une PME – reporter à la main les demandes du formulaire web dans un tableau, taper des confirmations de rendez-vous, tenir à jour les entrées d’agenda – sait combien de temps s’y perd. La plateforme d’automatisation n8n promet de prendre en charge exactement ce type de tâches de routine, en reliant différentes applications entre elles. Un tutoriel détaillé pour débutants de Jono Catliff construit cinq workflows concrets. Nous en résumons sobrement les concepts principaux – sans le battage qui accompagne souvent le sujet, mais en regardant ce qui, dans le quotidien d’une PME, sert réellement.

Ce qu’est n8n, au fond

n8n est une plateforme d’automatisation qui relie plusieurs applications entre elles. Le principe de base est simple : un événement déclenche une chaîne d’étapes. Si quelqu’un remplit un formulaire, n8n peut ensuite envoyer un message dans Slack, créer une ligne dans Google Sheets ou expédier un e-mail. Des milliers d’applications peuvent être raccordées.

Deux notions sont centrales :

• Trigger (déclencheur) : la première étape, celle qui démarre un workflow – par exemple l’envoi d’un formulaire, un message de chat entrant ou une nouvelle ligne dans un tableau.
• Actions : tout ce qui se passe après le déclenchement – envoyer un e-mail, créer une entrée d’agenda, transmettre des données.

Pour situer le prix : selon le tutoriel, n8n démarre autour de 20 livres par mois. La différence essentielle avec des outils comparables comme Zapier ou Make.com tient au modèle de facturation – on paie par exécution de workflow plutôt que par module individuel. Pour les processus comportant beaucoup d’étapes, c’est souvent plus économique. Qui l’exploite lui-même (auto-hébergement) utilise la plateforme gratuitement.

Les cinq scénarios en aperçu

Le tutoriel construit délibérément des workflows à utilité réelle, pas des gadgets de démonstration :

1. Collecte de leads à partir d’un formulaire web, qualification automatique incluse
2. Un premier agent IA comme assistant personnel pour l’agenda et les tâches
3. Un sous-workflow qui établit un rapport quotidien des leads non contactés
4. Webhooks et requêtes HTTP comme interfaces vers l’extérieur
5. Un système RAG – un agent IA doté de sa propre base de connaissances

Scénario 1 : collecter et qualifier automatiquement les leads

Pour les entreprises de services, le traitement des leads est souvent critique pour l’activité. Le premier workflow démarre avec un trigger de formulaire : dès que quelqu’un remplit un formulaire avec prénom et nom, e-mail, budget (sous forme de liste de choix) et message, la chaîne se met en marche.

Les actions en aval :

• Google Sheets : Les champs sont affectés aux colonnes du tableau par glisser-déposer. Via la fonction « Append or Update », un enregistrement est créé ou – si l’adresse e-mail existe déjà comme clé unique – mis à jour.
• Date et logique par expression : Les champs peuvent contenir un texte fixe ou une Expression, c’est-à-dire une variable modifiable. Une petite fonction JavaScript comme {{ $now }} fixe l’horodatage. Une fonction IF marque automatiquement comme « refusées » les demandes en dessous d’un seuil de budget.
• Filter et Switch : Un filtre écarte les demandes sous un seuil minimal. Une fonction Switch oriente les autres vers différents chemins selon le budget – par exemple pour des e-mails de réponse formulés différemment.
• Merge et notification : Les chemins sont ensuite réunis ; l’équipe reçoit une notification immédiate par Gmail (ou bien Slack, SMS ou CRM).

Le tutoriel mentionne qu’une réaction rapide, dans les 60 secondes, augmente nettement le taux de conversion. Ce chiffre provient de la vidéo et devrait être vérifié de façon critique avant d’être repris à son compte – le principe « réagir vite » reste utile indépendamment de cela.

Une astuce pratique : avec des données de test épinglées, le workflow peut être testé autant de fois qu’on le souhaite, sans avoir à remplir le formulaire à chaque fois.

Scénario 2 : le premier agent IA comme assistant

Le deuxième workflow commence par un trigger de chat et une brique AI-Agent. Un agent IA se compose de trois parties :

• Modèle de chat : le « cerveau » – dans l’exemple, OpenAI/ChatGPT via l’API. C’est la seule brique payante ; un crédit d’au moins 5 dollars US est requis.
• Memory (Window Buffer) : la mémoire à court terme, qui conserve un nombre défini de messages précédents afin que l’agent connaisse le contexte de la conversation.
• Tools : les outils avec lesquels l’agent agit effectivement – par exemple Google Calendar ou Google Sheets.

Au lieu de remplir chaque champ à la main, la fonction $fromAI() fait le travail : l’agent extrait lui-même de la demande l’heure de début et de fin ou le titre d’un rendez-vous. Ainsi, dans l’exemple, il a été possible de créer une entrée d’agenda par chat, de consulter les rendez-vous existants et de tenir une liste de tâches dans Google Sheets.

Deux enseignements du tutoriel sont pertinents pour la pratique :

• Le modèle ne connaît pas la date du jour. Sans indication, il a créé un rendez-vous dans la mauvaise année. Remède : passer la date du jour comme expression dans le system prompt.
• Des règles claires dans le system prompt – par exemple un format de date uniforme (MM/JJ/AAAA) ou la consigne de chercher d’abord l’enregistrement correspondant avant toute mise à jour – évitent les mauvaises interprétations. L’IA décharge du travail, mais ne remplace pas un modèle de données réfléchi.

Scénario 3 : rapport quotidien sur les leads non contactés

Le troisième workflow est un sous-workflow, appelé par un autre workflow (trigger : « Executed by another workflow »). Son but : celui qui a rempli un formulaire mais n’a pas été rappelé ne doit pas passer à la trappe.

Le déroulement parcourt le tableau des leads à la recherche des entrées du jour, filtrées sur « non refusé » et « non appelé ». Un détail du scénario 1 est important ici : qui utilise $now pour l’horodatage enregistre heures, minutes et millisecondes – un filtre sur « aujourd’hui » ne trouve alors rien. La solution consiste à n’enregistrer, à la création, que $today (la seule date du jour). D’expérience, ces questions de types de données et de formats sont la source d’erreurs la plus fréquente quand on débute avec n8n.

Les types de données à connaître

Le tutoriel insiste sur les principaux types de données dans n8n :

• Texte (par exemple un nom ou un message) et Nombre (par exemple un budget)
• Boolean – vrai ou faux, par exemple « budget supérieur à 1.000 ? »
• Date – date de soumission ou de relance
• Données binaires – des fichiers comme un PDF ou une image
• Array et Collection – les structures composées qui forment l’ossature du passage de données

Dans n8n, les données peuvent être examinées selon trois vues : sous forme de tableau, en JSON et en schéma. Il s’agit chaque fois de la même information, seulement présentée autrement – JSON étant le format dans lequel les données circulent habituellement entre applications.

Scénario 4 : webhooks et requêtes HTTP

Le tutoriel désigne ces deux briques comme la fonctionnalité la plus utilisée. En simplifiant :

• Webhook : l’entrée. Via une URL mise à disposition, n8n reçoit des données de l’extérieur – par exemple en méthode POST depuis une autre application.
• HTTP-Request : la sortie. n8n envoie des données vers des systèmes externes. À strictement parler, beaucoup de briques toutes faites comme Google Sheets ou Gmail sont elles aussi, au fond, des requêtes HTTP – simplement préconfigurées.

L’intérêt pratique : pour les applications sans intégration toute faite, une connexion reste tout de même possible via une requête HTTP – par exemple pour créer un nouveau contact dans son propre CRM. C’est précisément le levier qui est pertinent pour les PME dotées de logiciels spécialisés, en dehors des outils standard courants.

Scénario 5 : un système RAG avec sa propre base de connaissances

Le cinquième scénario, le plus avancé, construit un agent IA doté d’une base de connaissances propre – un système RAG (Retrieval-Augmented Generation). L’idée : l’agent doit répondre à partir des données de l’entreprise, par exemple sur les prix ou le contenu des prestations.

Les briques :

• Source : Un fichier PDF est chargé depuis Google Drive. Le raccordement de Google Drive a été l’étape la plus fastidieuse du tutoriel.
• Vector Store : La variante intégrée à n8n est vite mise en place ; pour de meilleurs résultats, des alternatives comme Pinecone sont citées.
• Modèle d’embedding : Le texte est traduit en une représentation numérique (vecteurs) – dans l’exemple avec « text-embedding-3-small » d’OpenAI. Important : des deux côtés, à l’alimentation comme à l’interrogation, le même modèle d’embedding doit être utilisé.
• Chunking : Les textes longs sont découpés en unités de sens plus petites – par paragraphe, au besoin par phrase – afin que le sens soit préservé lors de la récupération.

Au final, l’agent peut répondre à une question comme « Combien coûte votre prestation ? » en trouvant le passage adéquat dans la base de connaissances, au lieu de deviner. Pour les PME, c’est l’approche qui permet de rendre consultables des catalogues produits ou de la documentation interne.

Conseils pratiques pour travailler avec n8n

• Editor et Executions : On construit dans l’éditeur, l’historique d’exécution se trouve sous « Executions ». En cas d’erreur, un coup d’œil aux logs est utile – on y voit quelles valeurs une étape a réellement traitées.
• Historique du workflow : Les modifications peuvent être versionnées et annulées.
• Tags et projets : Les workflows peuvent être classés par vente, marketing ou recrutement et rangés dans des projets personnels ou d’entreprise.
• Quatre opérations de base : Dans presque toutes les intégrations, il s’agit de la même chose – chercher/récupérer, créer, mettre à jour, supprimer.

Conclusion

n8n offre aux PME une voie pragmatique pour automatiser des tâches récurrentes par-delà les frontières entre applications – de la collecte de leads jusqu’à un système de connaissances consultable. Le modèle de facturation à l’usage et l’option d’auto-hébergement rendent la plateforme économiquement intéressante, en particulier face aux alternatives facturées à l’étape.

Il faut rester réaliste : le démarrage exige du soin dans les types de données et les formats, et si les briques IA réduisent l’effort de configuration, elles ne remplacent ni un modèle de données propre ni des règles claires dans le system prompt. Qui automatise un premier processus clairement délimité – la collecte de leads, par exemple – et le teste soigneusement a choisi le point d’entrée le plus utile. Les chiffres cités, comme l’effet sur la conversion d’une réaction en moins de 60 secondes, devraient être vérifiés avant d’être repris dans sa propre argumentation.

Source : Jono Catliff – « Master n8n in 2 Hours: Complete Beginner’s Guide for 2026 » (YouTube)