Chapitre 10/12 • 20 min de lecture

AI Agents Make.com : agent IA autonome dans vos scénarios

Make a lancé en 2025 sa fonctionnalité AI Agents : un module qui transforme un scénario en agent capable de raisonner, choisir parmi plusieurs outils, et boucler jusqu'à atteindre un objectif. Retours terrain, cas concrets, limites réelles.

⏱️ En bref : Les AI Agents Make.com sont des modules qui appellent un LLM (Claude, GPT, Gemini) avec une boîte à outils définie par vous (autres modules Make), puis laissent le modèle choisir lesquels utiliser et dans quel ordre. C'est l'équivalent simplifié de ce qu'on faisait avant avec du code custom Anthropic Tools API. Très puissant pour les tâches semi-structurées (qualification de leads, routage de tickets, traitement de documents). Chez Lab0, on déploie ce module en production depuis 2025 — voici les retours bruts.

Qu'est-ce qu'un AI Agent dans Make

Avant les AI Agents, automatiser une tâche dans Make signifiait écrire un workflow déterministe : "si X arrive, fais Y, puis Z". Ça marche très bien pour les tâches répétitives. Ça ne marche pas pour les tâches où la décision dépend du contexte ("ce lead doit-il aller en commercial ou en service client ?").

Le module AI Agent change la donne. Vous lui donnez :

Le modèle reçoit la demande, choisit lui-même quels outils appeler, dans quel ordre, examine les résultats, recommence si nécessaire, et restitue une réponse structurée. C'est exactement l'équivalent visuel de ce qu'on faisait avant avec du code Python qui appelait l'API Anthropic Tools — sauf qu'ici tout se fait dans l'interface Make.

💡 Différence avec un scénario Make classique

Un scénario classique : vous définissez la séquence. Le module exécute. C'est déterministe.

Un scénario avec AI Agent : vous définissez le but et les outils dispos. Le modèle définit la séquence à la volée selon le contexte de chaque exécution. C'est adaptatif.

Quand utiliser un AI Agent (et quand ne pas)

L'erreur classique qu'on voit chez les clients : ils découvrent les AI Agents et veulent les utiliser partout. Mauvaise idée. Voici la grille de décision qu'on applique chez Lab0 :

✅ Cas où l'AI Agent apporte vraiment de la valeur

❌ Cas où l'AI Agent est sur-dimensionné (et coûteux)

⚠️ Le piège classique du débutant

Vouloir remplacer un scénario qui fonctionne déjà très bien par un AI Agent. Si votre process est stable et la logique connue, l'AI Agent n'apporte rien et coûte plus cher. La règle : l'AI Agent est pour le non-déterministe. Si vous pouvez écrire la logique en if/else clairs, ne mettez pas d'IA dedans.

Configuration pas à pas

Voici comment configurer un AI Agent qui qualifie automatiquement les leads entrants — c'est l'un des cas que l'on déploie le plus souvent chez nos clients PME B2B.

Étape 1 : créer le scénario de base

Dans Make, créez un nouveau scénario avec un trigger (par exemple : "Nouvelle ligne dans Google Sheets" ou "Email Gmail reçu"). Connectez ensuite un module AI Agent en deuxième position.

Étape 2 : configurer le modèle

Choisissez votre LLM. Notre recommandation chez Lab0 :

Étape 3 : définir les outils disponibles

C'est l'étape critique. Pour notre cas "qualifier un lead entrant", on donne typiquement à l'agent :

Chaque outil doit avoir une description claire de quand l'utiliser. C'est ce qui permet au modèle de choisir intelligemment.

Étape 4 : rédiger le prompt système

Le prompt système est ce qui donne le contexte global. Notre template Lab0 pour la qualification de leads :

Tu es un assistant commercial pour [nom client], une entreprise B2B
qui vend [produit/service]. Notre ICP : [PME 5-50 personnes, secteurs X/Y/Z].

Ton rôle : qualifier les leads entrants en suivant ces étapes :
1. Recherche si le contact existe déjà dans Pipedrive
2. Si non, enrichis l'entreprise via Société.com
3. Détermine si le lead correspond à notre ICP
4. Crée le deal Pipedrive avec le bon pipeline et le bon stage
5. Si lead chaud (signaux d'achat évidents), notifie l'équipe sur Slack

Ne JAMAIS halluciner d'informations. Si tu manques de données pour
décider, marque le deal en "à qualifier manuellement" sans deviner.

Étape 5 : limites de sécurité

Retours terrain : 3 cas Lab0 en production

Cas 1 : qualification de leads entrants — cabinet de conseil B2B

Avant les AI Agents : 1 lead entrant prenait 8 minutes au commercial pour décider du routage. Avec un volume de 40 leads/semaine, ça représentait ~5h hebdo de tri pur.

Après mise en place AI Agent : la qualification automatique prend 12 secondes par lead. Précision mesurée : 87% (vs ~92% pour un humain qui prend son temps). Les 13% d'erreurs sont rattrapés par une revue hebdomadaire de 30 minutes.

ROI réel : ~4h/semaine économisées, qualité comparable, coût IA ~50€/mois.

Cas 2 : routage de tickets support — éditeur SaaS B2B

Tickets entrants par email + formulaire web = 200/jour. Avant : un agent de niveau 1 triait pour router vers les bonnes équipes (technique, billing, succès client, commercial).

Après AI Agent : le tri se fait en 5s, avec une précision de 91% sur les 4 catégories. L'agent N1 a été redéployé sur du traitement direct (gain équivalent à +0.5 ETP).

Limite rencontrée : 9% de mauvais routages au début (cas ambigus). On a ajouté un module qui demande à l'agent un score de confiance, et les tickets sous 70% de confiance sont escaladés à un humain.

Cas 3 : génération de comptes-rendus de RDV — agence marketing B2B

Les commerciaux notaient leurs RDV à la main dans Pipedrive (~10 min/RDV pour bien faire). Avec 8 RDV/semaine par commercial, c'était lourd.

Mise en place : enregistrement audio uploadé via formulaire → transcription Whisper → AI Agent qui structure en 5 sections (besoin client, contraintes, prochaines étapes, objections, deal info à mettre à jour) → mise à jour automatique Pipedrive.

Résultat : 10 min → 2 min par RDV (validation rapide). Les CRM sont enfin à jour, ce qui a un effet domino sur tout le reporting commercial.

Le coût réel d'un AI Agent

Sujet souvent oublié : combien ça coûte vraiment ? Voici les ordres de grandeur sur nos déploiements 2025-2026 (chiffres réels, en euros, pour Claude Sonnet 4) :

Sur un volume typique PME B2B (500-2000 exécutions/mois), le coût mensuel se situe entre 30€ et 300€/mois. À comparer aux heures économisées : le ROI est généralement très positif passé le premier mois.

💡 Astuce optimisation coûts

Sur les volumes élevés, on déploie un router en amont de l'agent : les cas simples (90% du volume) passent par un workflow déterministe Make classique, et l'agent n'est appelé que sur les cas complexes (10% restants). Économie typique : 70% du coût IA.

Limites réelles à connaître

L'AI Agent n'est pas magique. Voici les pièges qu'on a vus en production :

AI Agent Make vs alternatives

Quand utiliser AI Agent Make vs autres approches ?

Pour 80% des cas PME B2B, AI Agent Make est le bon compromis effort / valeur.

À retenir

Ce chapitre est tiré de nos retours sur des déploiements réels Lab0 en 2025-2026. Les chiffres sont issus de cas clients anonymisés mais réels. Si vous voulez en savoir plus sur ce que l'AI Agent peut faire pour votre PME, l'audit gratuit Lab0 est l'endroit pour en parler.