Une brève introduction à n8n

Qu'est-ce que n8n ?

n8n est un outil d'automatisation qui permet de relier entre eux des services — email, agenda, bases de données, gestionnaires de tâches, etc. — sous forme de workflows visuels : "quand il se passe X, je déclenche Y".

Son code est en grande partie public et librement consultable, mais l'éditeur reste une entreprise qui vend certaines fonctionnalités avancées (hébergement clé en main, gestion d'équipe...) : c'est ce qu'on appelle un modèle "open core", à mi-chemin entre le logiciel entièrement gratuit et le logiciel purement propriétaire.

n8n est donc utilisé de 3 manière différente:

• gratuitement avec la version communautaire et son propre serveur
• avec un abonnement mensuel sur leur cloud n8n.io
• avec une licence entreprise donnant accès à toutes les fonctionnalités sur le cloud ou en auto-hébergé

Ces dernières années, l'IA s'y est intégrée nativement, avec deux idées fortes :

• Indépendance vis-à-vis du fournisseur de modèle : on branche Anthropic, OpenAI, Mistral ou un modèle local, et on peut changer de fournisseur en quelques clics, y compris en cours de route.
• Deux façons d'utiliser l'IA : soit un agent IA inséré dans un processus déjà automatisé (ce que montre la démo ci-dessous), soit un agent autonome exposé comme outil

Pas besoin d'être développeur pour l'utiliser, mais une base technique aide à aller plus loin.

Côté entreprise : n8n a été fondée en 2019 à Berlin par Jan Oberhauser. Elle compte aujourd'hui environ 400 salariés, a levé plus de 250 millions de dollars, et a été valorisée autour de 5 milliards de dollars mi-2026.

Côté tarifs : la version auto-hébergée (Community Edition) est gratuite, open source, sans limite de workflows ni d'exécutions — seul coût réel, le serveur sur lequel on la fait tourner. Les licences payantes se basent sur un nombre d'exécution déclenchées automatiquement (par un événement extérieur ou un déclencheur temporal) indépendamment de ce que fait le workflow.

Un exemple : extraction de tâches depuis une réunion

Objectif : à partir d'une transcription de réunion, identifier automatiquement les tâches à faire et les envoyer dans un gestionnaire de tâches — sans ressaisie manuelle.

Le workflow, étape par étape :

1. Déclencheur — un webhook reçoit la transcription (titre, tags, date, texte).
2. Contexte — le workflow va chercher les tâches déjà existantes dans le gestionnaire, pour ne pas créer de doublons.
3. Agent IA (Claude) — lit la transcription et les tâches existantes, et en déduit une liste de tâches concrètes (qui, quoi, échéance), en filtrant le bruit : discussions sans action, décisions déjà actées, sujets qui ne concernent pas la personne qui doit agir.
4. Décision automatique — pour chaque tâche identifiée, le workflow décide seul s'il faut créer une nouvelle tâche ou mettre à jour une tâche existante.
5. Évaluation — un petit jeu de cas de test permet de vérifier régulièrement que l'agent extrait les bonnes tâches, avant de faire évoluer le prompt ou de changer de modèle.

Exemple de workflow interactif (cliquez sur les étapes pour voir leur configuration)

Exemple d'agent

Le workflow ci-dessus est déterministe : chaque étape est fixée à l'avance, l'agent IA n'intervient que sur une tâche précise (extraire des tâches d'une transcription). Voici ici l'autre approche, celle de l'Agent Harness : un agent autonome et réutilisable, pas enfermé dans un workflow. Ici, un "Project management agent" branché sur Slack, avec accès à l'historique Slack, à Google Calendar et à une feuille de suivi de tâches sur Google Sheets. Quand quelqu'un lui demande de mettre à jour le suivi, il croise lui-même les trois sources — cherche dans Slack, vérifie le calendrier, relit l'état actuel de la tâche — avant de décider quoi changer, et il demande confirmation s'il détecte une contradiction entre les sources plutôt que de trancher seul. C'est lui qui choisit les étapes à suivre, pas un graphe de nodes pré-câblé.

Il peut aussi utiliser des skill, déléguer des tâches à des sous-agents, faire appel à une base de connaissance (local ou externe) et choisir le modèle à utiliser en fonction de la complexité de la tâche.