4.2Appeler ChatGPT / Claude / Gemini dans un workflow
L'automatisation change de dimension quand on y intègre un modèle d'IA. Dans un workflow (Make, n8n, Zapier), on ajoute un appel à ChatGPT (OpenAI), Claude (Anthropic) ou Gemini (Google) pour traiter du langage : résumer un mail entrant, classer un ticket par catégorie, extraire des informations d'un texte, générer une réponse ou un brouillon, traduire, analyser un sentiment. L'IA devient une étape parmi d'autres, entre le déclencheur et l'action finale.
Le principe est simple : on envoie au modèle un prompt (l'instruction + les données à traiter), il renvoie un résultat texte qu'on récupère pour la suite (l'écrire dans une base, l'envoyer par mail, l'utiliser dans une condition). La qualité dépend surtout de la précision du prompt. On gère aussi le format de sortie (demander du JSON pour réexploiter proprement la réponse) et le coût (chaque appel se facture aux tokens). Brancher l'IA dans ses automatisations, c'est déléguer à la machine les tâches de « compréhension du langage » qui bloquaient jusqu'ici l'automatisation complète.
Vocabulaire de la section
- LLM (modèle de langage)
- IA entraînée sur le texte (ChatGPT, Claude, Gemini) capable de résumer, classer, extraire, générer, traduire.
- Prompt
- Instruction envoyée au modèle (consigne + données) qui détermine la qualité et la forme de la réponse.
- Token
- Unité de découpage du texte servant à facturer les appels aux modèles (entrée + sortie).
- Sortie structurée (JSON)
- Réponse formatée (ex. JSON) demandée au modèle pour être réexploitée proprement dans le workflow.
- Étape IA
- Module d'appel à un LLM inséré dans un workflow, entre le déclencheur et l'action finale.
Comment intègre-t-on une IA (ChatGPT/Claude/Gemini) dans un workflow ?
En pratique — Intégrer un LLM dans un workflow
- Dans votre workflow, ajoutez un module d'appel IA (OpenAI/Anthropic/Google) après le déclencheur, avec votre clé d'API.
- Rédigez un prompt clair : « Résume ce mail en 3 puces » ou « Classe ce ticket parmi : Facturation / Technique / Autre ».
- Injectez les données du déclencheur (le corps du mail, le texte du ticket) dans le prompt.
- Récupérez la réponse et utilisez-la : écrivez-la dans Airtable, envoyez-la, ou servez-vous-en dans une condition (routeur).
Points clés à retenir
- On intègre ChatGPT/Claude/Gemini comme étape d'un workflow pour traiter le langage.
- Cas d'usage : résumer, classer, extraire, générer, traduire, analyser un sentiment.
- La qualité dépend du prompt ; demander du JSON facilite la réexploitation de la réponse.
- Chaque appel se facture aux tokens : soigner prompt et volume pour maîtriser le coût.
Questions fréquentes
Quel modèle choisir entre ChatGPT, Claude et Gemini pour mes workflows ?
Les trois sont excellents et couvrent la plupart des besoins courants (résumé, classification, extraction, rédaction). Le choix dépend souvent d'autres critères que la « puissance » brute : tarifs et quotas, écosystème/connecteur disponible dans votre outil, préférences de confidentialité, et vos tests sur vos cas réels. Le plus pragmatique : prototypez la même tâche avec deux modèles et comparez la qualité, le coût et la régularité des réponses sur vos données. Comme l'appel se fait via une API standard, changer de modèle est souvent trivial (une clé et un module à remplacer) : ne sur-optimisez pas ce choix au départ, il n'est pas irréversible.
Comment maîtriser le coût des appels IA dans une automatisation ?
Plusieurs leviers : 1) filtrer en amont pour n'appeler l'IA que quand c'est nécessaire (pas sur chaque événement) ; 2) limiter la taille des données envoyées (n'envoyez que le texte utile, pas des pièces entières) ; 3) choisir un modèle adapté à la tâche (un petit modèle suffit souvent pour classer, inutile de sortir l'artillerie) ; 4) demander des réponses concises (la sortie est facturée aussi) ; 5) surveiller la consommation. L'IA facturée aux tokens peut vite coûter si on l'appelle aveuglément sur de gros volumes — la sobriété se conçoit, là encore, dès la construction du workflow.