Bonjour ! Dans notre dernière leçon, nous avons perfectionné nos workflows en y intégrant des notifications Slack. Nous avons créé des automatisations qui, bien qu'efficaces, suivent un chemin rigide et prédéterminé : un événement se produit, une action A est exécutée, puis une action B, et ainsi de suite.
Aujourd'hui, nous allons aborder une nouvelle philosophie de l'automatisation. Nous allons passer des workflows linéaires que nous dirigeons à chaque étape, à un paradigme où l'IA prend les commandes : les agents IA. L'objectif de cette leçon est de vous faire comprendre, à travers des concepts et des exemples pratiques, la différence fondamentale entre un simple appel à un modèle de langage (LLM), que nous avons beaucoup utilisé, et un véritable agent IA capable de raisonner et d'agir de manière autonome.
1. Du Prompt à l'Agent : Une Évolution en Trois Niveaux
Jusqu'à présent, nous avons interagi avec l'IA de deux manières principales : en lui posant directement des questions (comme dans l'interface de ChatGPT) ou en insérant un appel à un LLM comme une étape dans nos workflows n8n. Ces deux approches ont une limite : c'est nous qui décidons de tout. Un agent IA représente le niveau supérieur, où nous déléguons la prise de décision à l'IA elle-même.
Pour bien saisir cette progression, je vous propose de regarder une courte vidéo qui explique clairement ces trois niveaux d'interaction avec l'IA.
Comprendre les Agents IA en 10 minutes
Cette vidéo de la chaîne "theyo" intitulée "Comprendre les Agents IA en 10 minutes" offre une excellente introduction.
Regardez attentivement le segment démystifiant les concepts. L'auteur y distingue : Le prompt simple (Niveau 1) : Interaction question-réponse directe. L'automatisation IA (Niveau 2) : L'IA exécute une tâche dans une séquence que vous avez définie. C'est exactement ce que nous avons fait jusqu'à présent dans n8n. L'agent IA (Niveau 3) : L'IA reçoit un objectif et décide elle-même des étapes et du chemin à suivre pour l'atteindre. Focalisez-vous sur cette différence cruciale : dans une automatisation, vous contrôlez le processus ; avec un agent, vous déléguez le processus.
2. Formaliser la Distinction : Workflows Agentiques vs. Agents IA
La vidéo nous a donné une intuition. Formalisons maintenant cela avec une terminologie plus technique, souvent utilisée dans le domaine. Le blog d'OCTO Technology, une référence en ingénierie, propose une taxonomie très claire.
On peut voir l'évolution vers les agents comme une série d'étapes :
- Le LLM simple : Un appel API direct.
- Le LLM augmenté : Un LLM connecté à des sources de données externes (comme avec le RAG) ou à des outils via une technique appelée "function calling".
- L'Agentic Workflow : Un pipeline où nous orchestrons plusieurs appels à des LLM et des outils selon un parcours défini et contrôlé. C'est une description précise de nos workflows n8n les plus complexes.
- L'Agent IA : Un système autonome qui raisonne, planifie et interagit avec son environnement pour atteindre un objectif.
Agents IA : tout ce qu'il faut savoir
Cet article du blog d'OCTO Technology est une excellente ressource pour approfondir votre compréhension théorique.
Je vous invite à lire trois parties spécifiques : Commencez par l'introduction qui présente les quatre étapes d'évolution. Lisez ensuite la section définissant l'agentic workflow. Vous devriez y reconnaître la description de ce que nous avons bâti dans les leçons précédentes. Enfin, lisez la section qui définit l'agent IA et faites particulièrement attention à la définition proposée : "un système autonome, piloté par un modèle d’intelligence artificielle (souvent un LLM), capable de raisonner, planifier et interagir avec son environnement pour atteindre un objectif donné."
La différence clé est donc l'autonomie. Un workflow exécute une recette que vous avez écrite ; un agent crée sa propre recette pour atteindre le but que vous lui fixez.
3. L'Agent IA en pratique dans n8n
Maintenant, voyons comment cette distinction se matérialise dans n8n. Un agent n'est pas juste un nœud OpenAI ou Mistral. C'est une structure plus complexe.

Un agent IA dans n8n est construit autour du nœud AI Agent et de ses trois connexions fondamentales :
- Chat Model : Le LLM (GPT, Claude, Mistral...) qui sert de "cerveau" à l'agent. C'est lui qui raisonne et planifie.
- Memory : Permet à l'agent de se souvenir des échanges précédents dans une conversation. Un simple appel LLM est sans état ("stateless"), alors qu'un agent peut maintenir un contexte.
- Tool (Outil) : C'est la capacité de l'agent à agir. Un outil peut être une API, une base de données, ou même un autre workflow n8n. C'est la différence la plus spectaculaire : au lieu de simplement générer du texte, l'agent peut utiliser des outils pour accomplir des tâches.
La vidéo suivante est un guide pratique complet qui illustre parfaitement la mise en place de ces trois composants.
Créer ton 1er Agent IA ! (Guide complet pour débutants )
Cette vidéo d'Elliott Pierret, "Créer ton 1er Agent IA !", est un tutoriel très concret.
Nous allons la regarder en plusieurs parties pour construire notre compréhension : Confirmation de la théorie (section théorique) : L'auteur réitère la distinction fondamentale entre une automatisation (résultat connu) et un agent (résultat imprédictible car autonome). Cerveau et Mémoire (partie configuration) : Regardez comment l'agent est initialisé. On lui connecte d'abord un modèle (le cerveau), puis une mémoire. L'exemple de la suite logique (1, 2, 3...) est très parlant : sans mémoire, l'IA ne peut pas poursuivre la conversation ; avec la mémoire, elle comprend le contexte. C'est déjà une différence majeure avec un simple appel LLM. L'action : Les Outils (section sur les outils) : C'est la partie la plus importante. L'auteur donne à l'agent un outil : la capacité de lire des données dans une base Airtable. Lorsque l'utilisateur demande "y a-t-il une référence presque en rupture de stock ?", l'agent ne se contente pas d'halluciner une réponse. Il décide d'utiliser l'outil Airtable, d'interroger la base de données, d'analyser le résultat, et de formuler une réponse basée sur des données réelles. C'est l'autonomie en action.
Voici un exemple plus complexe qui illustre bien ce concept de "boîte à outils". L'agent a accès à plusieurs actions sur Google Calendar et peut décider laquelle utiliser en fonction de la demande de l'utilisateur.

Tableau Comparatif : Appel LLM vs. Agent IA
Pour résumer, voici un tableau qui met en évidence les différences clés basées sur ce que nous avons vu :
| Caractéristique | Appel LLM simple (dans un workflow) | Agent IA |
|---|---|---|
| Rôle | Exécutant d'une tâche unique et définie | Chef d'orchestre autonome |
| Contrôle | Totalement contrôlé par le développeur (workflow) | Délègue la prise de décision à l'IA |
| Chemin d'exécution | Linéaire et prédéterminé | Dynamique, non déterministe, choisi par l'agent |
| Contexte | Sans état (stateless) par défaut | Maintient le contexte grâce à une mémoire |
| Capacités | Génère du texte, des données, du code | Génère du texte ET utilise des outils pour agir |
| Exemple n8n | Un nœud OpenAI dans un workflow |
Un nœud AI Agent avec des modèles, de la mémoire et des outils connectés |
| Analogie | Une fonction dans un script | Un programme qui écrit et exécute son propre script |
Conclusion
Aujourd'hui, nous avons franchi une étape conceptuelle majeure. Vous comprenez maintenant qu'un agent IA n'est pas simplement une IA "plus intelligente", mais une architecture différente qui lui confère l'autonomie. La clé de cette autonomie réside dans sa capacité à raisonner, à planifier et, surtout, à utiliser des outils pour interagir avec son environnement et atteindre un objectif.
Les points à retenir sont :
- Les workflows que nous avons construits sont des "agentic workflows" : des séquences d'actions définies où l'IA est un simple exécutant.
- Les agents IA sont des systèmes autonomes qui choisissent eux-mêmes leurs actions en utilisant une "boîte à outils" que nous leur fournissons.
- Dans n8n, cette différence se matérialise par le nœud AI Agent et ses connexions vitales : le modèle (cerveau), la mémoire (contexte) et les outils (actions).
Dans la prochaine leçon, nous allons nous pencher sur le mécanisme technique qui rend tout cela possible. Nous allons explorer en détail le concept de "function calling" (ou "tool use"), qui est la manière dont un LLM communique son intention d'utiliser un outil à un système externe comme n8n.