Le 25 septembre 2026, n8n a dévoilé un nouveau type d’Agent capable de recevoir un objectif, choisir les outils à utiliser et déterminer lui-même les étapes nécessaires pour accomplir une tâche.
L’annonce pourrait sembler être une fonctionnalité IA supplémentaire. Elle marque en réalité une évolution plus profonde : la frontière entre workflow déterministe et agent autonome devient beaucoup plus fine.
La vraie question n’est donc plus seulement :
« Que peut-on automatiser ? »
Mais :
« Quelle partie du processus doit rester déterministe, et quelle partie peut désormais être confiée à un agent ? »
Ce que n8n vient réellement de changer
Historiquement, n8n est avant tout une plateforme d’orchestration.
Pour automatiser un processus, on définit :
un déclencheur → une suite d’étapes → des conditions → des actions.
Le modèle est très puissant parce qu’il est prévisible.
Si un lead entre dans un formulaire :
- il est enrichi ;
- il est scoré ;
- une règle décide de sa destination ;
- le CRM est mis à jour ;
- une notification peut être envoyée.
Le processus a été conçu à l’avance.
Avec les nouveaux n8n Agents, la logique change.
n8n permet désormais de décrire en langage naturel ce que l’agent doit accomplir, puis de lui associer :
- un modèle IA ;
- des instructions ;
- des outils ;
- des workflows ;
- des canaux ;
- des connaissances ;
- de la mémoire ;
- et éventuellement d’autres agents.
L’agent détermine ensuite les étapes nécessaires selon la situation.
Workflow ou Agent : la différence fondamentale
Prenons un processus commercial.
Un workflow peut exécuter :
Nouveau lead → enrichissement → scoring → attribution → CRM.
C’est idéal lorsque les données sont connues, les règles définies, les étapes prévisibles et le résultat attendu structuré.
Mais imaginons maintenant cette demande :
« Analyse cette entreprise et dis-moi si elle constitue une cible commerciale intéressante pour nous. »
Pour répondre correctement, il peut être nécessaire de :
- chercher le secteur ;
- comprendre l’activité ;
- identifier la taille ;
- retrouver certaines technologies utilisées ;
- déterminer si l’entreprise correspond aux critères ;
- chercher éventuellement des interlocuteurs ;
- puis produire une synthèse.
Toutes les étapes ne sont pas nécessairement nécessaires à chaque fois.
C’est précisément le type de tâche pour lequel un agent devient intéressant.
Lorsqu’une séquence est fixe, le workflow reste adapté. Lorsque l’étape suivante dépend de ce qui vient d’être découvert, l’agent apporte davantage de souplesse.
La vraie nouveauté : Agents ET Workflows
L’intérêt de l’annonce n’est pas simplement que n8n sait désormais construire un agent.
La plateforme permet surtout de faire travailler Agents et Workflows ensemble.
C’est probablement la partie la plus importante pour les entreprises.
Un Agent peut appeler un workflow existant comme un outil.
Le raisonnement peut donc rester flexible tandis que l’action critique reste parfaitement déterministe.
Prenons un agent chargé de gérer des demandes clients.
Il peut décider :
- de rechercher un compte ;
- d’analyser l’historique ;
- de résumer la situation ;
- d’évaluer le niveau d’urgence.
Mais lorsqu’il faut réellement modifier le CRM, il appelle un workflow précis :
« Ajouter une note au compte »
Ce workflow n’a qu’un seul droit et qu’une seule fonction.
L’agent n’obtient donc pas forcément un accès général au CRM.
C’est une distinction importante entre :
autonomie de décision
et
autonomie d’exécution.
L’agent décide, le workflow sécurise
Cette architecture hybride pourrait devenir l’un des modèles les plus intéressants pour industrialiser l’IA agentique.
Cela évite deux extrêmes.
D’un côté : tout coder sous forme de workflows, ce qui rend les processus ouverts difficiles à maintenir.
De l’autre : donner tous les droits à un agent, ce qui augmente considérablement le risque.
La valeur se situe probablement entre les deux.
Un exemple concret : qualification commerciale
Imaginons un agent destiné à qualifier les leads entrants.
Son objectif :
« Analyse chaque nouveau prospect et identifie ceux qui correspondent réellement à notre cible commerciale. »
L’agent peut recevoir :
- les informations du formulaire ;
- un accès à un outil de recherche ;
- un workflow d’enrichissement ;
- un workflow de lecture CRM ;
- un workflow permettant de créer une opportunité ;
- des critères de qualification.
Un prospect A est immédiatement identifiable. L’agent utilise le workflow CRM pour vérifier qu’il n’existe pas déjà, puis produit son analyse.
Pour le prospect B, certaines informations manquent. Il lance une recherche supplémentaire.
Pour le prospect C, l’entreprise semble intéressante, mais le secteur est ambigu. Il croise plusieurs informations avant de prendre sa décision.
Le processus s’adapte donc à chaque situation.
Mais lorsque l’agent décide de créer une opportunité, il appelle toujours le même workflow contrôlé.
C’est exactement ce qui distingue l’approche agentique d’une simple automatisation augmentée par un LLM.
Des agents peuvent aussi devenir accessibles directement aux équipes
Les nouveaux Agents ne sont pas uniquement des composants techniques intégrés dans un workflow.
n8n permet également de les exposer dans différents canaux : Slack, Telegram, Linear, Discord ou via un planning.
Le même agent peut ainsi être interrogé directement par les collaborateurs, lancé automatiquement ou appelé depuis un autre workflow.
Un responsable commercial pourrait écrire dans Slack :
« Pourquoi le pipeline a-t-il baissé cette semaine ? »
L’agent pourrait :
- consulter le CRM ;
- comparer les périodes ;
- analyser les opportunités ;
- identifier les pertes ;
- puis revenir avec une synthèse.
La question suivante :
« Et sur le segment Industrie uniquement ? »
peut bénéficier du contexte de la conversation grâce à la mémoire de l’agent.
Nous sortons donc progressivement du modèle :
application → écran → fonction
pour aller vers :
conversation → objectif → outils → résultat.
Des agents spécialisés peuvent appeler d’autres agents
n8n permet également à un Agent d’utiliser des sub-agents.
Cela ouvre la voie à des architectures spécialisées.
Par exemple :
Agent commercial
peut appeler :
- Agent recherche entreprise ;
- Agent analyse CRM ;
- Agent préparation rendez-vous.
Plutôt qu’un agent universel disposant de tous les droits et de toutes les instructions, chaque agent peut avoir un périmètre précis.
Cette spécialisation peut améliorer :
- la compréhension du rôle ;
- la maîtrise des outils ;
- la gouvernance ;
- la maintenance ;
- et potentiellement la qualité des réponses.
Mais elle ajoute également de la complexité.
Le multi-agent n’est donc pas nécessairement une finalité. Il doit répondre à un besoin réel de séparation des responsabilités.
Un nouvel outil n’efface pas le problème de la fiabilité
C’est probablement le point à ne pas oublier.
Construire un agent devient plus simple.
Le mettre en production reste difficile.
Un système en production doit être capable de :
- contrôler les actions autorisées ;
- tracer les exécutions ;
- tester les changements ;
- mesurer la qualité ;
- suivre les coûts ;
- surveiller les dérives.
Les changements de prompts, d’outils ou de modèles doivent être testés systématiquement.
Les incidents réels doivent également devenir des cas de test destinés à éviter les régressions.
Nous retrouvons finalement des pratiques proches du développement logiciel classique :
Build → Test → Observe → Correct → Deploy
Mais appliquées à un système dont certaines décisions ne sont plus totalement déterministes.
Human in the Loop : quand doit-on conserver une validation humaine ?
n8n permet de marquer certains outils comme sensibles.
Lorsque l’agent souhaite les utiliser, il peut être obligé de demander :
Approve / Reject
avant de poursuivre.
Cette fonction est fondamentale.
Toutes les actions ne présentent pas le même risque.
Lire une documentation n’a pas le même impact que :
- envoyer un email ;
- modifier un CRM ;
- supprimer un fichier ;
- valider un paiement ;
- modifier une commande.
La question n’est donc pas :
« Faut-il une validation humaine ? »
mais :
« Sur quelles actions devons-nous maintenir une validation humaine ? »
Le bon niveau dépend :
- du coût d’une erreur ;
- de sa réversibilité ;
- de la sensibilité de la donnée ;
- du contexte réglementaire ;
- de la confiance acquise dans le système.
Les quatre niveaux d’autonomie à distinguer
Une entreprise pourrait utilement penser l’agentification comme une montée progressive en autonomie.
Niveau 1 — Assistance
L’IA analyse et recommande.
L’humain agit.
Niveau 2 — Préparation
L’IA prépare l’action.
L’humain valide.
Niveau 3 — Exécution encadrée
L’IA exécute certaines actions prédéfinies et demande une validation pour les opérations sensibles.
Niveau 4 — Autonomie
L’agent prend et exécute les décisions dans un périmètre défini.
L’objectif n’est pas nécessairement d’atteindre le niveau 4.
Pour beaucoup de processus, le niveau 2 ou 3 peut offrir l’essentiel du gain avec beaucoup moins de risque.
Quels cas d’usage sont les plus adaptés ?
Les meilleurs candidats ne sont probablement pas les processus entièrement répétitifs.
Un workflow classique sait déjà très bien les traiter.
L’intérêt de l’agent apparaît davantage lorsque :
- les entrées varient ;
- une analyse est nécessaire ;
- plusieurs outils peuvent être utilisés ;
- l’ordre des actions dépend du contexte ;
- une conversation peut être nécessaire.
Quelques exemples :
Commercial
Qualification et recherche de prospects, préparation de rendez-vous, analyse d’un portefeuille.
Support
Analyse d’un ticket, recherche de contexte, préparation de réponse, escalade.
RH
Présélection documentaire, onboarding, support interne.
IT
Diagnostic, qualification d’incidents, recherche documentaire, orchestration de tâches.
Marketing
Analyse de campagnes, recherche concurrentielle, préparation de contenus et coordination de workflows.
Comment mesurer le ROI d’un agent ?
L’erreur serait de mesurer uniquement :
« Combien de minutes l’agent économise-t-il ? »
Un agent peut aussi améliorer :
- la vitesse de traitement ;
- la couverture d’un processus ;
- la qualité des informations ;
- la disponibilité du service ;
- la réactivité commerciale.
Mais il génère également de nouveaux coûts :
- modèles IA ;
- exécutions ;
- APIs ;
- supervision ;
- maintenance ;
- contrôle humain.
Il faut donc mesurer plusieurs dimensions :
- coût par traitement ;
- temps humain économisé ;
- taux de succès ;
- taux d’erreur ;
- nombre de validations humaines ;
- valeur business créée.
Une approche de production doit donc combiner :
exécution + qualité + efficacité + sécurité.
n8n Agents est encore en Preview
Il faut également garder une certaine prudence.
Au lancement du 25 septembre, n8n indique que les Agents sont disponibles sur n8n Cloud pour les utilisateurs de la dernière version stable et possibles en self-hosted avec une configuration supplémentaire.
L’entreprise précise cependant explicitement que la fonctionnalité reste en preview.
Il serait donc prématuré de remplacer immédiatement des processus critiques par des Agents autonomes.
La phase actuelle est surtout idéale pour :
tester, mesurer et identifier les bons niveaux d’autonomie.
Ce qui change réellement avec n8n Agents
La nouveauté n’est finalement pas simplement une nouvelle interface permettant de créer un chatbot.
Elle matérialise une évolution de l’automatisation.
Nous avions :
Automatiser un processus.
Nous pouvons désormais commencer à :
Déléguer un objectif.
Et cette différence est fondamentale.
Un workflow exécute ce que nous avons conçu.
Un agent doit décider comment atteindre le résultat demandé.
Le rôle de l’entreprise se déplace donc progressivement :
de la conception de chaque étape
vers :
la définition de l’objectif, des outils disponibles, des limites et des contrôles.
Conclusion : automatiser moins de chemins, gouverner davantage d’autonomie
n8n Agents illustre assez bien la prochaine étape de l’automatisation.
Les workflows ne disparaissent pas.
Au contraire, ils pourraient devenir encore plus importants parce qu’ils offrent aux agents des actions fiables, limitées et auditées.
Le modèle le plus robuste pourrait donc être hybride :
l’IA pour décider quand le contexte varie ;
les workflows pour exécuter lorsque la rigueur est nécessaire ;
l’humain pour valider lorsque le risque devient significatif.
La question à poser avant de créer un agent n’est donc probablement pas :
« Que pourrait faire l’IA à notre place ? »
mais :
« Où avons-nous aujourd’hui des processus suffisamment variables pour nécessiter du raisonnement, mais suffisamment cadrés pour pouvoir déléguer une partie de la décision ? »
C’est à cet endroit que l’agentification peut réellement produire de la valeur — au-delà de l’effet de nouveauté.