Chapitre 11/12 • 15 min de lecture

AI Modules : intégrer Claude, GPT, Gemini dans vos scénarios Make

Au-delà des AI Agents, Make propose des AI Modules dédiés : appel direct à un LLM dans un scénario, sans logique d'agent. Parfait pour ajouter de l'IA ponctuelle (résumé, traduction, enrichissement) sans complexité.

⏱️ En bref : Les AI Modules Make sont des modules natifs qui appellent Claude, GPT, Gemini, ou DeepSeek pour une tâche unique : résumer un texte, classer un document, traduire, extraire des données structurées. Différents des AI Agents (qui bouclent et utilisent des outils), les AI Modules sont des appels one-shot. Plus simples, moins chers, idéaux pour 70% des cas IA en PME B2B.

AI Modules vs AI Agents : la différence claire

Beaucoup confondent AI Modules et AI Agents. Ce sont deux choses très différentes dans Make :

💡 Quand utiliser quoi ?

AI Module si la tâche se résume à : "voici une donnée, fais-en quelque chose, renvoie le résultat". Exemple : "résume cet email en 3 lignes".

AI Agent si la tâche nécessite plusieurs étapes décidées par l'IA. Exemple : "qualifie ce lead en allant chercher des infos dans Pipedrive et Société.com".

Les modèles disponibles dans Make

En 2026, Make propose des modules natifs pour les principaux LLM. Voici notre grille comparative basée sur l'usage réel chez Lab0 :

Anthropic Claude

  • ✅ Excellent en français B2B
  • ✅ Très bon sur les tâches longues (analyse de documents)
  • ✅ Suit bien les instructions précises
  • ⚠️ Coût plus élevé qu'OpenAI sur les petits prompts

Notre choix par défaut chez Lab0 pour les tâches B2B nuancées.

OpenAI GPT

  • ✅ Très bon rapport qualité-prix
  • ✅ Énorme écosystème de prompts pré-faits
  • ⚠️ Parfois moins précis sur les nuances françaises
  • ⚠️ Sorties plus verbeuses par défaut

Choix raisonnable pour les volumes élevés à coût optimisé.

Google Gemini

  • ✅ Multimodal natif (image, vidéo)
  • ✅ Coût compétitif
  • ⚠️ Qualité française inégale en l'état (2026)
  • ⚠️ Suivi d'instructions moins fiable

À éviter sur le B2B français pour l'instant. À surveiller pour le multimodal.

DeepSeek / Mistral

  • ✅ Très économique
  • ✅ Mistral hébergé en Europe (RGPD-friendly)
  • ⚠️ Qualité inférieure aux 3 leaders sur le raisonnement complexe

Bonne option si contrainte RGPD forte ou volume très élevé.

Cas d'usage typiques d'un AI Module

Voici les 8 cas d'usage qu'on déploie le plus souvent chez nos clients PME B2B en intégrant un AI Module dans un scénario Make :

1. Résumé d'emails entrants

Un commercial reçoit 80 emails/jour. AI Module appelé sur chaque email : "résume en 2 lignes le besoin du prospect et l'urgence". Résultat injecté dans Pipedrive comme note. Gain : ~1h/jour de lecture.

2. Classification de documents

Documents arrivant dans une boîte mail "factures@". AI Module : "ce document est-il une facture client, fournisseur, devis, ou autre ?". Routage automatique vers les bons dossiers Drive et logiciels comptables.

3. Extraction de données structurées

Bons de commande PDF reçus en pièce jointe. AI Module : "extrais les champs : numéro de commande, montant HT, TVA, total TTC, date, nom client" en JSON. Création automatique dans Pipedrive ou ERP.

4. Traduction contextuelle

Réponses clients internationaux à traduire depuis l'anglais/espagnol/allemand. AI Module fait une traduction qui garde le ton commercial approprié. Bien meilleur que Google Translate sur le B2B.

5. Génération d'emails personnalisés

Email de relance qui prend en compte l'historique du deal Pipedrive. AI Module reçoit le contexte (nom contact, étape, dernier échange, valeur deal) et génère un email pertinent. Validé par l'humain avant envoi.

6. Scoring qualitatif de leads

Leads de formulaire web. AI Module reçoit le commentaire libre du prospect + le profil entreprise et donne un score 1-10 + une justification. Plus fin qu'un scoring déterministe par règles.

7. Réécriture / amélioration de contenu

Commercial écrit un brief rapide, AI Module le transforme en proposition commerciale propre. Ou : descriptifs produits e-commerce générés à partir de spec techniques.

8. Analyse de sentiment

Avis clients ou réponses NPS. AI Module : "ce commentaire est positif/neutre/négatif, et identifie 1-3 thèmes principaux". Tableau de bord automatique du sentiment client.

Configuration d'un AI Module : exemple complet

Prenons le cas le plus utile chez nos clients : résumé d'email entrant avec injection automatique en note Pipedrive. Voici la configuration complète.

Étape 1 : trigger

Module Gmail : Watch Emails, filtrant sur le label "leads" ou la boîte commerciale.

Étape 2 : AI Module Anthropic Claude

Configuration recommandée :

Étape 3 : prompt structuré

Tu es un assistant commercial pour [nom client].

Voici un email reçu :
---
De : {{1.from}}
Sujet : {{1.subject}}
Corps : {{1.text_plain}}
---

Renvoie un JSON strict avec ces champs :
{
  "resume": "2 lignes max décrivant le besoin",
  "urgence": "haute|moyenne|basse",
  "type_demande": "devis|info|support|partenariat|autre",
  "contact_info": "infos extraites (entreprise, fonction si présent)"
}

Si l'email n'est pas exploitable (spam, désabonnement, etc.),
renvoie {"resume": "non exploitable", "urgence": "basse"}.

Ne JAMAIS inventer d'informations absentes de l'email.

Étape 4 : parser le JSON

Module JSON : Parse JSON avec le schéma défini ci-dessus, pour pouvoir réutiliser les champs séparément.

Étape 5 : route conditionnel + Pipedrive

⚠️ Toujours forcer une sortie JSON structurée

Demandez explicitement du JSON dans le prompt et utilisez le mode response_format: json_object si disponible. Sans ça, vous aurez du markdown, des préambules ("Voici le résumé : ...") et du parsing fragile.

Comment écrire un bon prompt pour AI Module

Le prompt fait 80% de la qualité de sortie. Voici nos règles Lab0 après 200+ scénarios IA en production :

1. Donnez du contexte business

Mauvais : "résume cet email". Bon : "tu es un assistant commercial pour [entreprise], spécialiste [secteur]. Résume cet email du point de vue [profil utilisateur]".

2. Définissez le format de sortie strictement

Toujours JSON pour les sorties machines, structure claire pour les sorties humaines (markdown avec sections fixes).

3. Donnez des exemples (few-shot)

Sur les tâches subtiles (scoring, classification fine), ajoutez 2-3 exemples concrets dans le prompt. Améliore drastiquement la consistance.

4. Anticipez les cas dégradés

Que doit faire le modèle si l'input est vide, en dehors du périmètre, ou ambigu ? Le prompt doit le dire explicitement.

5. Interdisez l'hallucination

Phrase que l'on met systématiquement : "Ne JAMAIS inventer d'informations absentes des données fournies. Si tu manques d'infos, dis-le explicitement."

6. Limitez la longueur

max_tokens bas force le modèle à être concis. Et économise des coûts.

7. Itérez sur 20+ cas réels

Avant de mettre en prod, testez votre prompt sur 20 inputs réels et anonymisés. Vous verrez les cas où ça plante.

Coûts et optimisation

Pour un AI Module en production typique (résumé / classification / extraction), voici les ordres de grandeur :

Sur 1 000 emails/mois traités par AI Module, le coût se situe entre 5€ et 30€/mois. À comparer aux 30+ heures de lecture économisées.

💡 Optimisation : choisir le bon modèle pour la tâche

Erreur classique : tout faire avec Sonnet ou Opus par habitude. Sur les tâches simples (classification binaire, extraction de champ unique), Haiku est 5-10x moins cher pour une qualité quasi-identique. Toujours commencer par tester avec Haiku, n'upgrader vers Sonnet/Opus que si les résultats sont insuffisants.

Limites et erreurs fréquentes

À retenir

Pour aller plus loin, voir le chapitre 10 sur les AI Agents (quand vous avez besoin de boucles et d'outils) et le chapitre 12 sur MCP et Make Apps (quand vous avez besoin d'aller plus loin que les modules natifs).