Make (ex-Integromat) : guide pratique des automatisations IA

Make a connu en 2025 et 2026 une transformation majeure. La plateforme tchèque, longtemps deuxième du marché derrière Zapier sur l’automatisation classique, a basculé en moins de 18 mois vers une stratégie agentique assumée avec deux atouts uniques : son canvas visuel rendu intelligent par Maia, l’assistant IA conversationnel qui génère les scénarios à votre place, et ses AI Agents next-generation qui s’exécutent directement sur le canvas avec visibilité totale sur le raisonnement. Ce guide vous accompagne pour comprendre quand Make est le bon choix, comment construire vos premiers scénarios agentiques, et quelles erreurs éviter en production.

Cet article complète notre comparatif des plateformes no-code agents IA et vient compléter notre tutoriel n8n avec une autre approche du no-code agent IA.

En bref

• Make a lancé ses AI Agents en avril 2025 et la next generation en février 2026 avec exécution sur canvas, agents partagés et support multi-modal natif (PDF, images, CSV).
• Maia est l’assistant conversationnel IA de Make qui génère vos scénarios depuis le langage naturel, avec une approche itérative qui pose des questions de clarification au lieu de produire un résultat unique.
• Plus de 3 000 apps connectées et 30 000+ actions disponibles, avec une Library of Agents qui propose des templates prêts à l’emploi (inventaire, recherche, triage, reporting).
• Pricing à partir de 9 dollars par mois (plan Core, 10 000 opérations) jusqu’à l’Enterprise sur mesure.
• Make brille sur le pattern « visual orchestration » : voir et contrôler le raisonnement de l’agent dans le même canvas que les automatisations classiques.
• Pour structurer le déploiement en entreprise, Proactive Academy propose une formation aux automatisations IA et agents Make en entreprise.

Pourquoi Make a basculé dans l’agentique en 2025-2026

Avant d’aborder le pratique, comprenons ce qui a changé. Pendant dix ans, Make (sous son ancien nom Integromat puis sous sa marque actuelle) a perfectionné les workflows trigger-action et les scenario builders drag-and-drop. En 2025, la plateforme a opéré un virage stratégique majeur en se repositionnant comme plateforme d’agents IA.

Trois jalons l’illustrent :

Avril 2025 : lancement des Make AI Agents en beta. Annoncé par Sebastian Kotek, Head of Applied AI chez Make, les premiers agents permettaient de connecter 2 000+ apps dans des workflows agentiques avec un visual builder dédié.

Octobre 2025 : annonce à Waves ’25. La conférence annuelle de Make a dévoilé Maia (assistant conversationnel pour générer des scénarios), Make Code (JavaScript et Python in-canvas), Make Grid (carte visuelle de toutes les automatisations en temps réel), et la roadmap des AI Agents next-generation.

Février 2026 : lancement de la next generation des Make AI Agents. Selon le blog officiel Make, « les agents sont construits, exécutés et débuggés dans le même canvas que vos scénarios. Cela signifie que vous pouvez créer des agents qui interprètent les inputs, choisissent les bons outils et s’adaptent dans vos workflows. Comme les agents existent au sein du canvas d’automatisation, chaque décision est visible, réviseur et contrôlable au moment exact où vous construisez et exécutez vos workflows. Rien ne tourne en coulisses ».

Cette philosophie de « visual orchestration » distingue Make de ses concurrents. Là où Zapier sépare ses Agents dans une interface dédiée et où n8n traite l’AI Agent comme un nœud parmi d’autres, Make fait des agents un citoyen de première classe sur le canvas principal.

Selon Automation Atlas (avril 2026), « Maia s’est sentie différente de Copilot d’une manière difficile à capturer dans une comparaison de fonctionnalités. Avec Copilot, vous décrivez l’état final et obtenez un résultat. Avec Maia, le processus est itératif ; elle pose des questions de clarification (« Devrais-je gérer le cas où l’adresse email est manquante ? »), propose des alternatives (« Je pourrais aussi router cela vers Slack au lieu de Trello »), et le scénario prend forme collaborativement ». Cette approche conversationnelle a une vraie valeur pour les utilisateurs intimidés par le canvas vide.

Comment fonctionne un agent Make : la logique déclarative

Là où n8n hérite de LangChain et de son pattern ReAct, Make a développé sa propre approche : la logique déclarative.

Selon Nocode Factory (avril 2025), « avant : vous deviez créer une branche par cas (si A alors B, si C alors D…). Maintenant : vous décrivez le besoin dans un prompt structuré et complet, vous connectez des outils qui sont en réalité des scénarios, et l’agent choisit quoi faire et comment ».

Concrètement, un agent Make repose sur quatre éléments :

Un système prompt qui définit la mission, le ton et les règles de décision. C’est le « cerveau » de l’agent, comparable au system message de n8n mais avec un focus plus marqué sur les règles métier.

Un modèle LLM au choix : OpenAI (GPT-5.5-mini, GPT-5), Anthropic (Claude Sonnet 4.6), ou tout modèle compatible OpenAI. Make supporte aussi son propre AI Provider intégré pour ne pas avoir à gérer des clés API tierces sur les premiers tests.

Des outils qui sont des scénarios Make en mode « On-Demand ». C’est la spécificité forte : chaque outil que peut appeler l’agent est lui-même un scénario Make construit par vous, avec ses propres modules d’intégration. Cette modularité change la donne pour les organisations qui ont déjà des dizaines de scénarios Make en production : ils deviennent automatiquement des outils mobilisables par les agents.

Une mémoire conversationnelle automatique pendant chaque interaction (pas entre les exécutions séparées sauf configuration spécifique).

Voici l’architecture :

C’est cette modularité qui fait la force de Make pour les organisations déjà équipées. Vos scénarios existants deviennent automatiquement des outils pour vos agents, sans tout reconstruire.

Make vs n8n : comment choisir entre les deux

Les deux plateformes se ressemblent en surface (canvas visuel, agents IA, intégrations multiples) mais s’adressent à des profils différents.

Selon Automation Atlas (avril 2026), « Make et n8n représentent deux philosophies du no-code agentique. Make mise sur la facilité d’usage et l’expérience guidée par Maia, idéale pour les équipes métier non-techniques. n8n mise sur la profondeur technique et le self-hosting, idéal pour les équipes ops et les éditeurs SaaS qui veulent du contrôle ».

Voici les critères de différenciation concrets :

Critère	Make	n8n
Facilité de prise en main	⭐⭐⭐⭐⭐ Maia onboarding conversationnel	⭐⭐⭐ Courbe technique plus marquée
Profondeur technique	⭐⭐⭐ Make Code permet JS/Python	⭐⭐⭐⭐⭐ LangChain natif, 70+ nœuds IA
Self-hosting	❌ Cloud uniquement	✅ Self-hosted gratuit possible
Souveraineté données	⚠️ SaaS US (mais SOC 2 Type II)	✅ Self-host UE possible
Pricing entrée	9 $/mois (Core)	20 $/mois (Cloud) ou gratuit en self-host
Apps connectées	3 000+	400+ connecteurs natifs
Library d’agents prêts	✅ Library of Agents officielle	⚠️ Templates communauté
Multi-modal natif	✅ PDF, images, CSV en input/output	⚠️ Requis nœuds dédiés
Profil idéal	Équipes marketing, ventes, RH, support sans ops dédiée	Équipes ops, IT internes, éditeurs SaaS

Quand choisir Make : si vos utilisateurs cibles sont des équipes métier non-techniques qui veulent voir et comprendre leurs automatisations, et que vous n’avez pas de contrainte forte de souveraineté ou de self-hosting. La courbe d’apprentissage avec Maia est la plus douce du marché en 2026.

Quand choisir n8n : si vous avez une équipe technique capable de gérer un déploiement self-hosted, des contraintes RGPD strictes qui rendent le SaaS US problématique, ou si vous embarquez les agents dans un produit logiciel commercial avec besoin de contrôle granulaire.

Quand utiliser les deux en parallèle : c’est le pattern qui fonctionne dans certaines ETI. Make pour les workflows métier construits par les équipes business, n8n pour les workflows techniques internes gérés par l’IT. La gouvernance est plus complexe mais le total est efficace.

Construire votre premier agent Make en 8 étapes

Pour vous donner une vue concrète, voici les étapes d’un agent Make standard, illustrées par l’agent Inventory Assistant documenté officiellement par Make.

Étape 1 : Créer l’agent. Make navigation panel > AI Agents > Create agent. Donnez un nom explicite (« Inventory Assistant », « Service Client Tier 1 », « Lead Qualifier »). Choisissez votre LLM provider (OpenAI, Anthropic, ou Make AI Provider).

Étape 2 : Rédiger le system prompt. C’est le « cerveau » de l’agent. Selon Make officiel, un bon system prompt suit la structure : « Vous aidez à gérer l’inventaire du magasin. Vous pouvez vérifier les niveaux de stock ou passer des commandes de réassort en utilisant les outils fournis. Ne répondez que sur la base des sorties d’outils et des données disponibles ». Ajoutez les limites métier : « Ne commandez jamais plus de 100 unités », « Demandez clarification si quelque chose n’est pas clair ».

Étape 3 : Créer les scénarios qui deviendront les outils. En mode « On-Demand ». Pour l’agent inventaire : un scénario « Check Stock Level » qui interroge Airtable, un scénario « Place Order » qui crée une commande dans le système ERP, un scénario « Notify Manager » qui envoie un Slack au gestionnaire si le stock descend sous un seuil.

Étape 4 : Connecter les outils à l’agent avec des descriptions précises. C’est le facteur n°1 de fiabilité. L’agent lit la description pour décider quand utiliser l’outil. « Vérifie le niveau de stock d’un produit. Utiliser cet outil quand l’utilisateur demande l’état d’un produit ou avant de passer une commande de réassort ». Pas de description vague.

Étape 5 : Configurer le trigger d’entrée. Slack pour un agent conversationnel, Tally ou Typeform pour un formulaire web, Webhook pour intégration avec un système custom, Schedule pour un agent autonome qui se déclenche tous les matins.

Étape 6 : Tester sur le canvas. Make affiche en temps réel le raisonnement de l’agent : quel outil il a choisi, pourquoi, quels paramètres il a passés, quelle réponse il a obtenue. C’est ce que Make appelle la « visual orchestration » et c’est un avantage de debug réel.

Étape 7 : Affiner. L’erreur fréquente : un agent qui ne choisit jamais le bon outil parce que les descriptions sont ambiguës ou le system prompt trop vague. Itérez sur ces deux éléments en testant 5 à 10 cas d’usage typiques. Maia peut vous aider à reformuler les descriptions.

Étape 8 : Déployer en production. Activez le scénario qui héberge l’agent. Configurez Make Grid pour visualiser l’agent dans votre cartographie globale d’automatisations. Définissez les alertes d’erreur (Slack ou email) pour être notifié si l’agent échoue.

Trois cas d’usage Make AI Agents qui fonctionnent en 2026

Selon NocodeFinder (novembre 2025), trois patterns dominent les déploiements production en ETI française :

Pattern 1 : Agent de qualification de leads multi-canal. Trigger formulaire Tally, agent qui qualifie selon vos critères (taille entreprise, secteur, urgence), routage vers Airtable avec scoring, notification Slack à l’équipe commerciale si lead chaud, séquence email automatique sinon. Avantage Make : la vue temps réel sur le canvas permet aux équipes commerciales de comprendre pourquoi tel lead a été classé tel score.

Pattern 2 : Agent de support tier 1. Trigger Slack, agent avec accès à Notion (knowledge base) et CRM (historique client), réponse directe au ticket si simple, escalade vers humain via Slack avec contexte préparé si complexe. Avantage Make : la Library of Agents propose des templates triage déjà construits qui font gagner plusieurs jours de mise en place.

Pattern 3 : Agent de reporting hebdomadaire. Schedule Trigger qui se déclenche tous les vendredis à 17h, agent qui interroge plusieurs sources (Google Analytics, HubSpot, base de données interne), génère un rapport structuré multi-modal (PDF avec graphiques, CSV de données détaillées, message Slack résumé). Avantage Make : le support multi-modal natif depuis février 2026 permet de produire des PDF et images sans tooling externe.

Pour aller plus loin avec un cas pratique francophone, voici une vidéo récente qui détaille la construction pas à pas d’un premier agent autonome avec Make :

Vidéo tierce — Tutoriel français pour construire un premier agent IA autonome avec Make.

Les pièges à éviter en production

Trois erreurs reviennent systématiquement chez les organisations qui démarrent.

System prompts trop verbeux. Selon NocodeFinder, « gardez les instructions claires et concises. Les prompts verbeux peuvent confondre l’agent et mener à des comportements incohérents ». Visez 200 à 400 mots maximum, structurés en sections claires (mission, ton, règles, limites).

Documentation insuffisante des outils. L’agent décide quel outil appeler en lisant la description. Une description floue produit des choix flous. Investissez 10 minutes par outil pour rédiger une description précise, c’est ce qui distingue un agent fiable d’un agent erratique.

Coûts non monitorés. Les Make AI Agents consomment des opérations Make ET des tokens LLM. Un agent qui boucle 20 fois sur le même problème peut épuiser votre quota mensuel en quelques heures. Configurez les Max Iterations, surveillez les coûts via le dashboard Make, et utilisez GPT-5.5-mini ou Claude Haiku pour les tâches simples plutôt que les modèles premium.

Au-delà de ces erreurs techniques, une difficulté plus stratégique guette les organisations : la prolifération anarchique d’agents construits par différentes équipes sans coordination. Un agent commercial, un agent RH, un agent support, un agent finance, qui se découvrent six mois plus tard avec des règles métier contradictoires. La gouvernance multi-équipes est ce qui fait la différence entre un déploiement Make qui scale et un déploiement qui s’enlise. Voir notre comparatif des plateformes no-code pour la grille de gouvernance applicable.

Comment former vos équipes à Make et ses agents IA

Make a structuré sa formation officielle autour de deux niveaux.

Le citizen developer métier (équipes marketing, ventes, RH, support) doit maîtriser le canvas visuel, l’usage de Maia pour générer des scénarios, la création d’agents simples avec un ou deux outils, le debug visuel via la vue temps réel. Comptez 1 à 2 jours sur la plateforme + pratique encadrée sur un cas réel de son métier. Make Academy propose des cours gratuits qui couvrent les fondations.

Le tech lead ou architecte solutions doit comprendre les patterns multi-agents, l’usage de Make Code pour les transformations avancées, l’intégration MCP avec d’autres systèmes IA, la gouvernance multi-équipes via Make Grid, le monitoring des coûts à l’échelle. Comptez 3 à 4 jours + accompagnement sur les premiers déploiements production.

L’investissement formation est souvent sous-estimé sur Make parce que la plateforme paraît simple. C’est précisément le piège : la facilité de création initiale masque la complexité de gouvernance à l’échelle. Une organisation qui forme bien ses équipes sur les fondations construit des bases solides ; une organisation qui laisse chaque équipe se débrouiller voit ses scénarios devenir un magma incohérent en six mois.

C’est typiquement le périmètre que nous structurons dans notre parcours formation aux automatisations IA et plateformes no-code en entreprise, avec adaptation à votre contexte sectoriel et à votre maturité actuelle.

FAQ : Make AI Agents en entreprise

Make a réussi en 18 mois sa transition d’outil d’automatisation classique vers plateforme d’agents IA visuels. La combinaison de Maia pour l’onboarding conversationnel, des AI Agents next-generation exécutés directement sur le canvas, du support multi-modal natif et de la Library of Agents en fait un choix bien adapté pour les équipes métier qui veulent voir et contrôler leurs automatisations sans dépendre de la DSI. Le piège n’est pas dans l’outil mais dans la gouvernance : sans cadre clair sur qui construit quoi et selon quelles règles, la prolifération d’agents finit par produire l’inverse de l’effet recherché. Pour structurer cette adoption à l’échelle dans votre organisation, se former aux automatisations IA et agents Make en entreprise avec Proactive Academy reste le moyen le plus direct de transformer votre intention stratégique en déploiement qui tient