Workflows n8n & agents IA en production.

Pourquoi n8n plutôt que Zapier/Make

Si votre marque a moins de 20 workflows simples, restez sur Zapier ou Make. Le passage à n8n se justifie dans trois cas :

• Le coût Zapier/Make explose — au-delà de 5 000 exécutions par mois, n8n self-hosted devient économiquement supérieur.
• Vous avez besoin de code custom — Function nodes en JavaScript/TypeScript, HTTP Request avec auth complexe, transformations qui ne tiennent pas dans un GUI no-code.
• Vous voulez la maîtrise de la donnée — pas de tiers entre vous et l'exécution, hébergement souverain, observabilité maison, audit logs.

Comparatif complet n8n vs Make vs Zapier pour aider à trancher.

Ce que je livre concrètement

Orchestration ERP × CMS × marketplaces

Synchronisation de données entre Odoo, Shopify, marketplaces (Veepee, Pourdebon, Mirakl, Octopia, ChannelEngine), outils CRM (Klaviyo, Brevo). Token bucket pour respecter les rate limits, retry/backoff intelligent, dead-letter queue pour les erreurs, observabilité native.

Workflows logistiques et notification client

Écoute des webhooks transporteurs (Chronopost, Colissimo, Mondial Relay, Chronofresh), mise à jour automatique des statuts Shopify, déclenchement des notifications client (transactionnel via Brevo, push web via Push Owl, email lifecycle via Klaviyo). Vu chez Lobstter sur 3 marques food en parallèle.

Génération de contenu IA (avec validation humaine)

Fiches produits, descriptions, méta-titles, balises FAQ. Prompts structurés par template, validation cross-LLM (génération chez OpenAI, contrôle factuel chez Claude), draft systématique en \"pending review\" — jamais de publication directe sans humain. Coûts maîtrisés via cache et model routing (Haiku pour les tâches simples, Sonnet pour les tâches structurantes).

Service client semi-automatique

Triage des tickets entrants par intent (commande, livraison, retour, technique, commercial), routage automatique vers le bon agent, réponse pré-rédigée à valider, escalade automatique sur sujets sensibles. Connexion native avec Zendesk, Front, Crisp, Intercom selon la stack en place.

RAG documentaire

Assistant Q&A sur votre base de connaissance interne (Notion, Drive, Confluence, FAQ produit). Embedding via OpenAI ou modèle open source, vector DB Qdrant self-hosted, chunking adapté au type de doc, reranking, garde-fous anti-hallucination. Utilisé en interne (équipe support) ou en externe (chatbot factuel sur fiche produit). Construire un agent factuel avec n8n + Claude.

Reporting automatisé

Dashboards quotidiens/hebdo/mensuels poussés vers Slack, Notion, ou e-mail. KPI business (CA, marge, conversion, panier moyen), KPI ops (taux d'erreur sync, temps de traitement, anomalies stock), KPI IA (coût LLM, qualité des outputs, taux de validation humaine). Pas de PowerBI lourd quand un message Slack à 8h fait le travail.

Stack n8n détaillée

• Déploiement : n8n self-hosted Docker (recommandé), queue mode avec worker dédié pour les volumes > 10 K exécutions/mois
• Infra : reverse proxy Caddy ou Traefik, Postgres pour la persistance, Redis pour la queue, backups automatiques
• LLM : OpenAI (GPT-4o, GPT-4o-mini, text-embedding-3), Anthropic (Claude Opus 4.7, Sonnet 4.6, Haiku 4.5), Mistral (Large, Codestral)
• Open source LLM : LLaMA, Mistral, Hugging Face (via Ollama ou vLLM pour le self-hosting)
• Vector DB : Qdrant (recommandé, self-hosted), Weaviate, Postgres + pgvector (pour les petits volumes)
• Intégrations standard : Shopify (Admin GraphQL), Odoo (XML-RPC, JSON-RPC), Klaviyo, Brevo, Slack, Notion, Google Workspace, Microsoft 365
• Custom code : Function nodes en TS, HTTP Request avec OAuth 2.0/JWT, webhooks signés HMAC, Zod pour valider les payloads
• Observabilité : logs structurés JSON, alertes Slack/email sur erreurs, dashboards d'exécution, audit trail complet

Agents IA : ce qui marche, ce qui ne marche pas

Trop de marques dépensent en \"IA agentique\" sans cadre clair. Voici la grille de décision que j'applique :

Ce qui marche (mesurable, ROI vérifiable) :

• Génération de contenu à fort volume avec validation humaine (fiches produits, descriptions, FAQ)
• Classification / catégorisation / déduplication de données
• RAG documentaire pour assistance interne ou Q&A factuel client
• Triage service client + draft de réponse à valider
• Synthèse de longs documents (briefs, contrats, rapports)
• Enrichissement de leads (clean-up emails, classification entreprise, enrichissement firmographique)

Ce qui ne marche PAS en mode autonome :

• Décisions financières non bornées (réductions, remboursements, négociation prix)
• Génération de contenu critique sans validation (légal, médical, conseils financiers)
• Modification directe de la prod sans review (mise à jour de stock, prix, statuts commande)
• Interaction client en autonomie totale sur sujets sensibles (litige, réclamation, churn)

La règle simple : LLM en assistant, jamais en décideur final. Toute décision irréversible passe par un humain.

Coûts indicatifs

• Setup n8n self-hosted initial (Docker + reverse proxy + Postgres + Redis + backups + monitoring) : 2-4 K€
• Workflow simple (3-5 nodes, intégration unique, pas d'IA) : 800-2 500 €
• Workflow moyen (10-25 nodes, multi-source, transformations, conditions) : 2 500-5 000 €
• Workflow IA / RAG (LLM + vector DB + validation humaine + observabilité) : 5-12 K€
• Stack RAG complète (Qdrant + ingestion docs + interface) : 8-25 K€
• Maintenance n8n (optionnel post-livraison, hébergement + supervision) : 600-1 800 €/mois

FAQ n8n & IA

n8n vs Make vs Zapier — quel choix ?

Zapier : pertinent jusqu'à ~20 zaps simples, devient cher et opaque au-delà. Make : meilleur ratio fonctionnalités/prix, mais reste fermé et limité côté code custom. n8n self-hosted : open source, code Function/Code/HTTP custom, déploiement Docker, observabilité native, coût flat. Pour toute marque qui dépasse 50 workflows ou 5 000 exécutions/mois, n8n self-hosted devient le meilleur choix économique et technique. Comparatif détaillé n8n vs Make vs Zapier.

Agents IA — qu'est-ce qui marche vraiment en prod ?

Ce qui marche : génération de fiches produits avec validation humaine, triage de service client avec routage conditionnel, RAG documentaire (Q&A sur base de connaissance interne), reporting auto basé sur prompts structurés, enrichissement de données (catégorisation, déduplication, classification). Ce qui ne marche PAS en mode autonome : décisions financières sans contrôle, négociation client autonome, génération de contenu critique sans validation. La règle : LLM en assistant, pas en décideur final. Construire un agent IA avec n8n + Claude.

Vous hébergez n8n chez moi ou chez vous ?

Les deux marchent. Hébergement client (Docker sur VPS, AWS, OVH, ou on-prem) : vous gardez la donnée, je livre l'image + la config. Hébergement Nareh : VPS managé pendant la durée de la mission, transféré chez vous à la livraison. n8n Cloud (managed par n8n) : possible mais cher dès que les volumes montent.

Combien coûte un workflow n8n ?

Workflow simple (3-5 nodes, intégration unique, pas d'IA) : 800-2 500 €. Workflow moyen (10-25 nodes, multi-source, transformations, branches conditionnelles) : 2 500-5 000 €. Workflow complexe (intégration LLM, RAG, validation humaine, observabilité, retry/idempotence) : 5 000-12 000 €. Setup n8n self-hosted initial : 2-4 K€ (Docker + reverse proxy + backups + monitoring + queue worker).

Vous faites du RAG (Retrieval-Augmented Generation) ?

Oui — stack rodée. Embedding via OpenAI text-embedding-3 ou modèles open-source (BGE, Nomic), vector DB (Qdrant self-hosted, Weaviate, ou Postgres + pgvector pour les petits volumes), chunking adapté au type de doc, reranking optionnel. Application typique : assistant interne sur la base de connaissance produit/SAV/commercial. Pas un RAG "bullshit" mais avec mesure de la pertinence des résultats et garde-fous anti-hallucination.

Prochaine étape

Audit gratuit sous 24 h ouvrées. On regarde vos process actuels, on identifie les 2-3 workflows à plus fort ROI, on chiffre. Pas de \"transformation IA\" floue, des actions précises avec un coût et un impact mesurés.

→ Réserver un audit n8n / IA gratuit