Agents IA Make.com : ce que j'ai testé, livré et appris sur le terrain

Il y a des outils qu'on utilise depuis longtemps, et puis un jour ils changent de nature. C'est ce qui se passe avec Make.com en ce moment.

J'utilise Make depuis un moment pour automatiser des workflows — relances, collectes de données, synchronisations entre outils. Des scénarios bien huilés, mais linéaires : si ça, alors ça. Utile. Prévisible. Limité.

Avec les agents IA intégrés à Make, la logique bascule. Le scénario ne suit plus un chemin tracé d'avance — il raisonne, choisit ses outils, gère des cas imprévus. Et ça, ça change vraiment quelque chose pour les petites structures qui n'ont ni DSI ni budget pour du développement sur mesure.

Voici ce que j'ai testé concrètement : trois scénarios agents, dont un sorti directement d'un workshop Make.com auquel j'ai participé, et deux livrés pour des clients entrepreneurs.

Station F, 23 avril 2026 — le 1er workshop Make.com en France

J'ai eu la chance de participer au tout premier workshop Make.com organisé à Station F le 23 avril dernier. Un événement fondateur pour la communauté française d'utilisateurs Make — et une occasion rare de voir l'équipe produit présenter en live les nouvelles capacités agents.

Le format était hands-on : on construisait pendant qu'on expliquait. Et l'exercice proposé était aussi simple qu'éclairant.

Exemple 1 — Un bot Telegram agent d'agenda

L'exercice du workshop : créer un bot Telegram capable de gérer ton agenda en langage naturel. On lui parle, il comprend, il agit.

Le prompt système donné à l'agent posait les règles métier directement dans l'instruction :

You are an event agent that handle events for me.

EVENTS HANDLING
- if there is no end time or duration, set the duration to 1h.
- if an event has to be deleted, always ask for confirmation.
- Ignore all events I refused.
- Defaults timezone is Europe/Paris, always convert to this timezone unless instructed differently.

Sobre. Précis. Et remarquablement efficace.

Ce qui m'a frappée, c'est la façon dont les règles métier deviennent du langage. Pas de branchements conditionnels, pas de modules Router imbriqués pour gérer chaque cas. On décrit le comportement attendu comme on le ferait à un collaborateur — et l'agent l'applique.

L'agent était connecté à Google Calendar via un outil Make natif. Il recevait un message Telegram du type "Ajoute une réunion avec Julien vendredi prochain à 14h", identifiait l'intention, résolvait l'ambiguïté (pas de durée précisée → 1h par défaut, timezone convertie automatiquement), et créait l'événement. Si on lui demandait de supprimer quelque chose, il demandait confirmation avant d'agir.

Résultat : un assistant d'agenda personnel, sans application tierce, sans abonnement supplémentaire. Juste Make, un modèle IA et Telegram.

Exemple 2 — Un agent ticketing pour une équipe commerciale

Ce scénario, je l'ai construit pour un client dont l'équipe commerciale noyait dans les emails de support client mal routés, les tickets en doublon et les escalades oubliées.

Architecture du scénario agent

Modèle : OpenAI GPT-4o — fiable sur la classification d'intention et le raisonnement court.

Base de connaissance : un document statique (règles de traitement, niveaux de priorité) complété par une Google Sheet live avec l'historique des tickets clients — l'agent vérifie les antécédents avant de répondre.

Outils : récupération des tickets via Google Sheets, et un scénario Make existant "Escalade via Slack" appelé directement quand un ticket dépasse le seuil de criticité. Pas besoin de tout reconstruire — l'agent orchestre ce qui existe déjà.

Modules avant / après : Notion en entrée pour charger la fiche client, puis JSON transform et Jira / Gmail en sortie. L'agent est le cerveau — les modules Make font le reste.

Exemple 3 — Un agent générateur de devis pour TPE

Deuxième livraison client : un entrepreneur à la tête d'une petite structure de services, fatigué de passer 45 minutes à construire chaque devis à la main en jonglant entre son CRM, sa grille tarifaire et son template Word.

Ce que fait l'agent

L'agent reçoit une demande en langage naturel — "Fais un devis pour Martine Dupont, prestation conseil 2 jours + formation équipe demi-journée" — et prend en charge toute la chaîne :

1. Interrogation du CRM (outil Make connecté à Airtable) pour récupérer les informations client : raison sociale, adresse, interlocuteur, conditions tarifaires spécifiques si elles existent.
2. Consultation de la base de données prix (Google Sheets) pour identifier les lignes tarifaires correspondantes, avec gestion des variantes (tarif jour, demi-journée, forfait, remise accordée).
3. Raisonnement et assemblage : l'agent calcule les montants, applique les conditions, structure les lignes du devis.
4. Génération du document via un module de templating connecté au template de devis de la TPE — format PDF, en-tête personnalisé, numérotation automatique.
5. Envoi pour validation : le devis est déposé dans un dossier Drive partagé et une notification Slack est envoyée à l'entrepreneur pour relecture avant envoi client.

Ce scénario ne remplace pas le jugement de l'entrepreneur — il lui retire la partie mécanique et répétitive pour qu'il ne reste que la décision.

Le blueprint de ce scénario est disponible en téléchargement : make-blueprint-agent-devis.json. Importez-le directement dans Make, reconnectez vos modules (Airtable, Google Sheets, OpenAI, Slack) et adaptez les IDs à votre configuration.

Ce que les agents changent vraiment

La différence entre un scénario Make classique et un scénario agent, c'est la capacité à gérer l'imprévu.

Un scénario classique suit un arbre de décision que vous avez entièrement anticipé. Si une situation sort du chemin tracé, le scénario échoue ou passe à côté. Les agents, eux, raisonnent sur la situation telle qu'elle se présente, choisissent parmi les outils disponibles, et peuvent demander une clarification si le contexte est ambigu.

Pour une petite structure, ça se traduit concrètement par :

• Moins de cas d'exception à gérer à la main — l'agent absorbe une partie de la variabilité.
• Des workflows en langage naturel — plus besoin de tout modéliser en branches conditionnelles.
• Une autonomie réelle — l'agent agit, pas seulement exécute.

Ce n'est pas de la magie. C'est de l'ingénierie de prompt et une bonne conception des outils mis à disposition de l'agent. Mais le résultat, pour un entrepreneur qui n'a pas d'équipe tech, c'est un gain de temps réel sur des tâches à faible valeur ajoutée.

Vous avez un cas d'usage en tête ?

Ces trois scénarios sont des exemples parmi des dizaines de configurations possibles. Ce qui les rend efficaces, c'est moins la technologie que la clarté du besoin en amont : quelles données, quelles règles, quels outils, quel niveau d'autonomie.

Si vous êtes entrepreneur et que vous avez un processus répétitif qui vous prend du temps — facturation, relances, qualification, reporting — il y a probablement un agent Make qui peut en prendre une bonne partie en charge.

On en discute ?

→ Réserver un appel de 30 min → audrey@age-innovation.com → LinkedIn — Audrey Gestel → Profil Malt

En résumé

Make.com avec les agents IA, c'est l'automatisation qui passe du mode "exécution" au mode "raisonnement". J'ai pu le vérifier au workshop Station F et en livraison client. Si vous voulez voir ce que ça donne sur votre cas concret, je suis disponible pour un premier échange.