Créer avec n8n un agent IA de veille qui trie, résume et envoie l’essentiel

Face à l’abondance des publications en ligne, le problème n’est plus seulement d’accéder à l’information, mais d’identifier rapidement ce qui mérite réellement d’être lu. Une veille manuelle reste utile pour garder son jugement, mais elle devient difficile à tenir lorsque les sources se multiplient. Avec n8n, il est possible de construire un système qui relève les nouveautés, les évalue avec une intelligence artificielle et adresse un récapitulatif quotidien prêt à consulter.

L’objectif n’est pas de confier aveuglément ses décisions à une IA. Il s’agit d’automatiser les tâches répétitives de la veille, collecte, premier tri, mise en forme et envoi, afin de réserver l’attention humaine aux articles retenus. Le montage présenté ici repose sur deux workflows complémentaires : le premier collecte et analyse les contenus, le second les transforme en email de synthèse.

Ce qu’est un agent de veille dans n8n

n8n est une plateforme d’automatisation composée de blocs appelés « nœuds ». Chaque nœud accomplit une action précise, par exemple attendre une heure donnée, lire un flux RSS, interroger un modèle d’IA, écrire une ligne dans une feuille de calcul ou envoyer un message. En les reliant, on forme un workflow, c’est-à-dire une succession d’étapes exécutées automatiquement.

Dans ce cadre, l’expression « agent intelligent » désigne un dispositif configuré pour appliquer des consignes à des informations entrantes. Il ne remplace pas une équipe de veille ni une expertise métier. Sa valeur dépend directement de trois éléments : la qualité des sources sélectionnées, la précision des instructions données au modèle et le contrôle du résultat produit.

Le flux RSS est un bon point de départ. Ce format permet à un site de diffuser ses nouvelles publications sous une forme structurée, généralement avec un titre, une date, un lien et un extrait. Pour une veille sur l’intelligence artificielle, un flux de la rubrique spécialisée du Journal du Net peut par exemple servir de source initiale. Commencer avec une seule source facilite les essais, avant d’élargir progressivement le périmètre.

Premier workflow : collecter, centraliser et qualifier les articles

Le premier workflow alimente la base de travail de l’agent. Il peut être déclenché à intervalle régulier, afin que les contenus soient examinés au fil de la journée plutôt qu’en une seule fois. Sa logique est simple : détecter les nouveaux articles, demander une première analyse à Gemini, puis conserver les résultats qui serviront au rapport quotidien.

Programmer la collecte avec Schedule Trigger

Le nœud Schedule Trigger constitue le point de départ. Il permet de définir quand le workflow doit s’exécuter. Le choix de la fréquence est important : une cadence trop rapprochée augmente le nombre d’appels aux services connectés, tandis qu’une cadence trop espacée peut retarder la détection de sujets urgents. Pour commencer, il est préférable de retenir un rythme cohérent avec le volume habituel de votre source.

Ce nœud est relié à RSS Read, chargé de récupérer les contenus du flux choisi. Avec une seule source, l’architecture reste lisible et les résultats sont plus faciles à vérifier. Lorsque la méthode est validée, plusieurs nœuds RSS Read peuvent être ajoutés pour suivre des publications différentes.

Dans ce second cas, tous les flux peuvent être reliés à un nœud Merge. Son rôle est de rassembler les contenus en une sortie unique avant l’étape d’analyse. Cette centralisation évite de dupliquer tout le reste du scénario pour chaque site surveillé.

Ajouter Gemini pour effectuer le premier tri

Le nœud d’intelligence artificielle intervient après la collecte. Dans le montage décrit, il utilise Gemini 1.5 Flash pour lire les contenus récupérés et décider de leur intérêt au regard des consignes données. L’accès au modèle suppose de créer une clé API depuis Google AI Studio ou Google Cloud Console, puis de l’associer à n8n.

La clé API mérite une attention particulière. Elle identifie le compte utilisé pour effectuer les requêtes. Il faut donc la conserver hors des documents partagés, limiter son usage au projet concerné et suivre les dépenses associées. Utiliser une clé dédiée à la veille aide aussi à distinguer ce poste de consommation d’autres expérimentations menées avec l’IA.

Le modèle ne choisit pas spontanément ce qui compte pour vous. Il applique les critères explicités dans le prompt. Un article sur une annonce de produit peut être décisif pour une équipe qui suit les outils professionnels, mais secondaire pour une veille centrée sur la recherche, la réglementation ou un secteur métier précis.

Le prompt détermine la qualité du filtrage

Le prompt est le cahier des charges transmis à l’IA. Il doit dire clairement ce que le modèle doit produire, à partir de quelles informations et sous quelle forme. Dans ce projet, la consigne peut demander trois actions : rédiger un résumé concis, attribuer une note de pertinence entre 1 et 5, puis préparer une réponse exploitable par le workflow selon le score obtenu.

Plus les critères sont opérationnels, plus le tri est contrôlable. Plutôt que de demander si un article est « intéressant », il vaut mieux préciser le périmètre de la veille : technologies visées, zone géographique si elle compte, métiers concernés, thèmes à privilégier et thèmes à écarter. Il faut aussi préciser le sens de l’échelle de notation, par exemple en indiquant qu’une note de 5 correspond à une information prioritaire.

Un format de sortie stable facilite ensuite l’enregistrement dans Google Sheets et la préparation de l’email. Les champs utiles sont notamment le titre de l’article, son lien, un court résumé, la note obtenue et, si nécessaire, le motif de cette note. Cette structure rend le résultat vérifiable : un score élevé doit toujours pouvoir être confronté au contenu réellement publié.

Deuxième workflow : transformer les données en briefing quotidien

Le second workflow ne collecte pas de nouvelles informations. Il récupère celles qui ont déjà été retenues et stockées dans la feuille de calcul, puis les convertit en une synthèse lisible. Là encore, un nœud Schedule Trigger lance le processus à l’heure voulue, par exemple en fin de journée.

Le nœud Get row(s) in Sheet lit alors les lignes disponibles dans Google Sheets. Cette feuille joue le rôle de mémoire intermédiaire entre les deux workflows. Le premier y inscrit les contenus analysés à mesure qu’ils arrivent, le second y puise pour préparer le récapitulatif. Séparer les deux opérations offre une organisation claire : la collecte peut tourner régulièrement, tandis que l’envoi ne se fait qu’une fois par jour.

Les données récupérées sont ensuite transmises à un nœud Code. Sa fonction est de passer d’une liste brute de titres, liens, notes et résumés à un email HTML structuré. Le code peut notamment classer les articles selon leur score, limiter la sélection aux dix contenus les plus pertinents et organiser chaque entrée de façon homogène.

L’email final comprend le titre de l’article, son lien et un extrait de l’analyse. Un récapitulatif en bas de message indique le nombre total d’articles examinés. Cette donnée distingue utilement le volume traité de la sélection réellement proposée à la lecture : recevoir cinq liens ne signifie pas que seuls cinq contenus ont été détectés.

Enfin, le nœud Gmail Send a message envoie le briefing aux destinataires choisis. Après cette étape, un nœud Clear Sheet peut effacer les lignes de la feuille. Ce nettoyage évite que les mêmes articles soient repris dans le récapitulatif suivant.

Coûts, volume et points de vigilance

L’automatisation promet un gain de temps, mais elle n’est pas dépourvue de coûts ni de réglages. Le guide indique que n8n propose un essai gratuit de quatorze jours, puis un tarif de 24 euros par mois. Cette somme ne résume pas nécessairement le budget total du projet : les appels à l’API du modèle d’IA doivent aussi être suivis en fonction du volume de contenus soumis à l’analyse.

Le choix du modèle fait donc partie de l’architecture. Le montage s’appuie sur Gemini 1.5 Flash, tout en rappelant qu’une alternative telle que GPT-3.5-turbo peut être comparée selon les tarifs et les services proposés. Il ne suffit pas de comparer les prix affichés : la fréquence de collecte, le nombre de flux, la longueur des textes transmis et le nombre de destinataires déterminent également l’usage réel.

Mettre en place un plafond de dépenses et des alertes est une précaution utile. Des notifications lorsque 50 %, 75 % ou 90 % d’une limite mensuelle sont atteints permettent de détecter rapidement une consommation inattendue. Une boucle mal paramétrée ou l’ajout soudain de nombreuses sources peut autrement augmenter le nombre de requêtes sans que cela soit immédiatement visible.

Il faut aussi vérifier régulièrement les flux RSS. Une source peut changer son format, publier des contenus incomplets ou cesser d’être actualisée. Une veille sérieuse gagne à diversifier progressivement ses sources, tout en évitant de multiplier des publications qui répètent la même information.

Ce qu’il faut surveiller avant d’élargir l’automatisation

Une fois les deux workflows fonctionnels, la priorité est d’évaluer leur qualité sur plusieurs jours. Les articles notés 4 ou 5 sont-ils vraiment ceux qu’un lecteur aurait voulu recevoir ? Les résumés conservent-ils le sens des annonces ? Les contenus moins pertinents ont-ils été écartés pour de bonnes raisons ? Ces contrôles permettent d’ajuster le prompt, les seuils de score et les sources suivies.

L’enjeu est moins de bâtir un système complexe que de disposer d’un briefing fiable et régulier. Commencer avec un flux, une feuille et un destinataire aide à repérer les erreurs de paramétrage. On peut ensuite ajouter des sources, affiner les critères ou adapter la présentation de l’email à différents besoins. Avec cette méthode, n8n devient une chaîne de travail concrète pour réduire le bruit informationnel, sans renoncer à la validation humaine des informations importantes.