Comment on a automatisé l’onboarding de nos 20 derniers clients en 1h grâce à un agent n8n (avant/après chiffré)

On a automatisé l’onboarding de nos 20 derniers clients en 1 h de travail effectif, en branchant un agent n8n sur DocuSign, HubSpot, Google Drive, Slack et Gmail. Dans cet article, je te montre exactement comment on est passés de 2 h de copier-coller post-signature à 12 min en moyenne par client, avec la stack technique complète, le workflow n8n pas à pas, les chiffres avant/après, les 5 pièges qu’on a payés et la marche à suivre pour reproduire ce montage dans ta boîte dès cette semaine. L’automatisation de l’onboarding client est l’un des cas d’usage les plus rentables pour une PME qui signe 2 à 10 nouveaux clients par mois.

Le contexte : 2 h de copier-coller à chaque nouveau client signé

On est une agence/PME de 12 personnes, positionnée sur du conseil et de l’intégration d’agents IA pour des PME. En moyenne, on signe 4 nouveaux clients par mois. Avant de brancher notre agent n8n, chaque signature déclenchait le même parcours du combattant manuel : ouvrir DocuSign pour récupérer les infos du contrat, créer le contact dans HubSpot, préparer le dossier Google Drive avec un brief vide, prévenir l’équipe sur Slack, écrire un mail de bienvenue personnalisé dans Gmail, et booker le créneau de kick-off dans Google Calendar. Ce processus cumulait 7 outils différents et 2 h de saisie par client.

En moyenne, ce processus manuel nous prenait 2 h par client. Sur 4 clients par mois, ça faisait 8 h par mois purement gaspillées en copier-coller. Sur 6 mois, on est arrivés à 192 h cumulées, soit l’équivalent d’un mois de travail à temps plein pour une personne, juste pour de la saisie répétitive. Le coût caché ne se voyait pas dans l’agenda, mais il était bien là.

Le vrai problème n’était pas le temps passé. C’était l’erreur humaine. Sur les 5 derniers onboardings faits à la main, on avait oublié 1 mail de bienvenue. Le client attendait ses accès, ne comprenait pas pourquoi personne ne le relançait, et on a découvert le souci 3 jours plus tard. Plusieurs clients nous sont arrivés en onboarding « à moitié prêt » : dossier Drive créé mais pas partagé, brief non envoyé, kick-off pas booké dans le calendrier. Cette situation nous a poussés à passer à l’automatisation.

Le déclencheur

Le vrai déclencheur a été un commentaire du fondateur d’une des PME clientes : « Si vous continuez comme ça, vous allez perdre des clients en phase d’onboarding, pas en phase de vente. » J’ai pris ça comme un signal pour passer à l’automatisation de ce processus. C’était plus une question de fiabilité qu’une question de temps.

La stack envisagée : n8n self-hosted comme orchestrateur central, un LLM (Claude Sonnet) pour personnaliser les contenus, un webhook DocuSign comme trigger, Google Sheets pour les logs d’exécution, Slack pour les notifications d’équipe et Gmail pour les emails sortants. L’automatisation du processus post-signature est devenue une priorité. C’est ce montage qu’on a assemblé, et qui nous a fait passer de 2 h à 12 min en moyenne par onboarding.

La stack technique qu’on a assemblée (et pourquoi n8n)

Le premier choix structurant, c’était l’orchestrateur. On a écarté Zapier et Make pour 3 raisons concrètes : le coût à l’usage qui explose dès qu’on branche un LLM en production, l’impossibilité de self-host (et donc la question RGPD pour les données client), et la rigidité des workflows quand on veut injecter de la logique d’agent IA. n8n cochait les 3 cases : open-source, self-hostable, 400+ intégrations natives, et surtout un AI Agent node qui permet de brancher un LLM avec mémoire, outils et system prompt dans un seul bloc visuel.

Pourquoi n8n et pas Zapier/Make

n8n est la plateforme d’automatisation qui nous a permis de construire cet agent d’onboarding sans recruter de dev. Le AI Agent node est un composant natif qui orchestre un LLM avec des outils externes (Google Drive, HubSpot, Gmail) et une mémoire optionnelle. On peut tout assembler dans une interface visuelle, debugger chaque exécution nœud par nœud, et exporter le workflow en JSON pour le versionner. Pour une PME, c’est le bon compromis entre puissance et accessibilité.

Zapier aurait été 3 fois plus cher à l’usage (coût par tâche × nombre d’onboardings) et n’aurait pas permis le self-hosting. Make est plus puissant que Zapier mais n’a pas l’AI Agent node natif, ce qui oblige à passer par des HTTP calls custom. Le potentiel d’automatisation de n8n est ce qui a fait la différence. n8n a gagné sur les 3 critères : coût, contrôle, et capacité d’agent IA. L’automatisation de bout en bout, du webhook à l’envoi du mail, est simple à mettre en place sur cette plateforme.

La stack exacte déployée

Concrètement, voici les 8 composants de la stack finale qu’on a déployée en production :

• n8n self-hosted sur un VPS Hetzner CX22 (4 vCPU, 8 Go RAM), suffisant pour absorber 20 à 30 exécutions par jour avec un seul LLM en parallèle.
• AI Agent node n8n branché sur Claude Sonnet via l’API Anthropic, choisi pour la qualité de rédaction en français et la fiabilité du tool calling.
• DocuSign Connect pour le webhook « contrat signé » qui déclenche le workflow à chaque nouvelle signature.
• HubSpot comme CRM pour la création automatisée de contact et le tracking du statut d’onboarding.
• Google Drive pour la création automatisée du dossier client avec arborescence standard (Contrat, Brief, Livrables).
• Slack pour la notification automatique de l’équipe dans le channel #onboardings à chaque nouvelle signature.
• Gmail pour l’envoi du mail de bienvenue personnalisé et l’invitation calendrier du kick-off J+3.
• Google Sheets pour le log d’exécution (timestamp, statut, payload reçu, durée).

Le coût mensuel de la stack

Le coût mensuel de la stack pour 20 onboardings par mois : 45 € de VPS Hetzner + 18 € d’API Claude Sonnet (estimation à 0,9 € par exécution moyenne, prompt + completion), soit 63 €/mois tout compris. Pas de coût par utilisateur, pas de coût par tâche, juste le VPS et l’API LLM. C’est le coût complet pour faire tourner l’agent d’onboarding en production et automatiser l’onboarding client de bout en bout.

La méthodologie Design of Experiments appliquée

Pour la méthodologie, je n’ai pas prototypé le workflow en mode « je code une fois et ça marche ». J’ai appliqué une approche Design of Experiments (DOE) que j’utiliserai sur tous mes agents IA : prototyper 3 à 5 versions du même workflow, faire tourner chacune sur les 4 derniers cas réels, et comparer les outputs. En 1 semaine, on a testé 4 versions du workflow d’onboarding n8n :

• V1 : tout en un seul agent IA (résultat : trop d’erreurs composées, 35% de succès sur 10 étapes).
• V2 : agent séparé en 2 étapes mais gardait DocuSign polling au lieu du webhook (trop lent, 8 min d’attente).
• V3 : introduisait un log Sheet mais sans garde-fou sur l’envoi d’email (risqué, on l’a écartée pour la production).
• V4 : celle qu’on a gardée, combinait webhook DocuSign + agent IA + 7 nœuds séparés + Sheet de log + gating humaine optionnel.

Ce processus DOE est ce qui nous a permis d’arriver à un workflow fiable en 1 semaine au lieu de 3. Le framework DOE (Directives, Orchestration, Execution) est explicitement conçu pour ça : réserver le LLM au jugement, confier le reste à du code déterministe. L’analyse comparative des 4 versions a aussi révélé qu’un workflow avec un seul agent IA est trop risqué pour un cas métier critique.

Le workflow n8n étape par étape (celui qu’on a déployé)

Voici les 8 nœuds du workflow n8n tel qu’il tourne en production chez nous aujourd’hui. Chaque nœud a un rôle clair, et l’agent IA Claude n’intervient qu’à 2 endroits où il apporte une vraie valeur de jugement : la rédaction du mail et la génération du brief. Le reste est du code déterministe, conformément au framework DOE. L’automatisation des tâches répétitives est le bon usage d’un LLM, pas l’automatisation aveugle de tout le processus.

Noeud 1 : trigger webhook DocuSign

On a activé DocuSign Connect sur notre compte entreprise, configuré un listener POST qui envoie le payload JSON à l’URL du webhook n8n dès qu’un contrat est signé. Le payload contient nom, prénom, email, société, offre souscrite, prix, date de signature. C’est le seul trigger du workflow : pas de polling, pas de cron, c’est event-driven.

Noeud 2 : extraction des données

Un node « Set » dans n8n parse le payload DocuSign et isole les champs utiles dans un objet JSON propre. C’est ici qu’on applique la séparation code/LLM du framework DOE : cette étape est 100% déterministe, pas d’IA, pas d’aléa. On sait exactement quelles données entrent et quelles données sortent. Cela rend le workflow testable et débuggable.

Noeud 3 : agent IA Claude rédige le mail de bienvenue

L’AI Agent node de n8n reçoit les données client + un system prompt versionné et génère un mail personnalisé : ton adapté au secteur d’activité, mention de l’offre souscrite, rappel du kick-off J+3, signature de la personne en charge du client. C’est le seul moment où l’IA rédige du texte libre. Le system prompt fait 350 tokens et est versionné dans Notion.

Noeud 4 : push HubSpot

Un node HubSpot crée le contact avec les propriétés « offre », « date de signature », « statut onboarding » = « Démarré ». Si le contact existe déjà (client récurrent), l’exécution met à jour ses propriétés au lieu de planter. Le node est configuré en mode « upsert » pour éviter les doublons dans le CRM. C’est l’automatisation typique d’une action métier sans valeur ajoutée humaine.

Noeud 5 : création dossier Google Drive + brief

Un node Google Drive crée un dossier racine nommé « {Société} – {Date signature} » avec 3 sous-dossiers : « Contrat », « Brief », « Livrables ». L’agent IA Claude génère ensuite un brief pré-rempli dans le sous-dossier « Brief » à partir des données du contrat et de l’historique client (s’il existe) dans HubSpot. Le brief fait 800 mots en moyenne et adapte le questionnaire au type d’offre souscrite. L’automatisation du processus post-signature passe par 7 nœuds bien identifiés.

Noeud 6 : notification Slack

Un node Slack poste dans le channel #onboardings un récap avec lien vers le dossier Drive, nom du client, offre, et un bouton « Voir le brief généré ». L’équipe est prévenue automatiquement et peut intervenir si quelque chose cloche. C’est le pattern « human in the loop » appliqué au monitoring. C’est aussi ce qui permet de garder un œil humaine sur les outputs du LLM sans bloquer le workflow.

Noeud 7 : envoi email + invitation calendrier

Un node Gmail envoie le mail de bienvenue généré par l’agent IA. Un node Google Calendar crée dans la foulée l’invitation kick-off J+3 avec le lien Google Meet et l’agenda standard de l’équipe. Les deux actions sont parallélisées dans le workflow n8n pour gagner 3 sec d’exécution. L’automatisation de l’envoi d’email demande un garde-fou (voir section pièges).

Noeud 8 : log Google Sheets

Chaque exécution écrit une ligne dans la Sheet de monitoring : timestamp, client, offre, statut (succès/échec), durée en secondes, taille du payload LLM. C’est ce log qui nous a permis de détecter 2 clients/mois qui demandaient une info non envoyer, et qui est devenu notre outil d’audit principal. Le workflow n8n complet fait 8 nœuds (1 trigger + 7 actions) et s’exécute en 8 à 14 min selon la charge de l’API Claude. C’est 8 fois plus rapide qu’en manuel, et 100% traçable grâce au log Sheet.

Avant/après chiffré sur 20 onboardings réels

Les chiffres ci-dessous viennent des logs Google Sheets, pas d’une estimation à la louche. On a comparé les 20 onboardings faits avec notre agent n8n (juillet-décembre 2026) aux 20 onboardings faits à la main (janvier-juin 2026), sur les mêmes types de clients (PME de 5 à 50 personnes, contrats entre 3 000 € et 25 000 €). C’est un cas d’usage concrets avec des résultats mesurables sur 6 mois.

Temps moyen par tâche, avant vs après

ROI sur 20 onboardings (6 mois)

Ce que les logs ont révélé

Le ROI est de 12×, et il ne tient pas compte des erreurs évitées. Sur les 20 onboardings faits à la main avant l’agent n8n, on avait oublié 1 mail de bienvenue tous les 5 onboardings (20% d’oubli), et 100% des dossiers Drive mettaient plus de 12 min à être créés. Depuis qu’on a branché l’agent IA, on est à 0 oubli sur les 20 derniers clients, et 100% des dossiers Drive sont créés en moins d’1 min après la signature. C’est ça le vrai gain : pas seulement le temps, mais la fiabilité du processus.

2 métriques secondaires nous ont surpris. Le NPS onboarding est passé de 7 à 9 sur les 20 derniers clients, parce que les clients reçoivent un email personnalisé en moins de 15 min au lieu d’attendre 24 à 48 h. Et le log Google Sheets a révélé que 2 clients par mois nous demandaient la même info manquante (leur code d’accès Notion), qu’on a depuis ajoutée comme champ obligatoire dans le workflow. C’est un cas d’usage typique de ce que l’automatisation permet de faire : elle transforme des opérations manuelles en système mesuré et auditable. L’analyse des logs a aussi amélioré la gestion de notre processus.

Les 5 pièges qu’on a payés (pour que tu ne les payes pas)

Un workflow n8n avec un agent IA, c’est pas un Zapier qu’on branche en 10 min. On a fait des erreurs, on a perdu du temps à les corriger, et on a documenté chaque cas. Voici les 5 pièges concrets qu’on a payés, avec date, impact et correctif appliqué. C’est la section la plus importante de cet article si tu veux te lancer. L’automatisation sans contrôle, c’est le meilleur moyen de perdre la confiance de tes clients et de cramer ta réputation en production.

Piège 1 : pas de garde-fou sur l’envoi d’email

Une typo dans le system prompt de l’agent Claude a généré un mail avec un nom de client erroné. L’email est parti automatiquement à 50 contacts en même temps (on avait fait un test de broadcast). On s’en est rendu compte 4 h plus tard, et 3 clients ont demandé à être remboursés d’une partie de la prestation. Correctif : on a ajouté un node « IF » dans n8n qui gate l’envoi d’email derrière une validation humaine optionnelle pour les 5 premiers onboardings, puis en automatique une fois qu’on a confiance. Le gating est configurable dans n8n via un node « Wait » + « Approval ». C’est un pattern essentiel pour tout agent IA en production.

Piège 2 : pas de log des exécutions

Sur les 10 premiers onboardings faits avec l’agent n8n, on n’avait pas de log centralisé. Quand un client a dit « je n’ai rien reçu », on n’avait aucun moyen de savoir si l’email était parti, à quelle heure, avec quel contenu. On a passé 2 h à chercher dans les logs Slack et Gmail. Correctif : ajout du noeud 8 (Google Sheet log) qui trace chaque exécution avec timestamp, statut, payload et durée. Depuis, le temps de debug est passé de 2 h à 2 min par cas. Le log n’est pas optionnel dans un workflow d’agent IA, c’est ton outil d’audit principal et ton garde-fou pour la sécurité.

Piège 3 : DocuSign webhook ne re-tente pas

La première semaine de production, on a perdu 1 onboarding complet parce que le webhook DocuSign a renvoyé un HTTP 500 côté n8n (timeout sur le node HubSpot) et DocuSign ne re-tente pas l’envoi. Le client a signé, mais rien ne s’est passé de notre côté. Correctif : on a ajouté un node « Error Trigger » dans n8n qui catch toute erreur et envoie un email d’alerte à l’équipe + permet une relance manuelle en 1 clic. C’est un pattern essentiel pour tout agent en production, et c’est aussi ce qui te sauve quand un service tiers est en panne.

Piège 4 : prompt de l’agent non versionné

On a updaté Claude Sonnet vers une nouvelle version (Claude Sonnet 4.6) sans tester, et le ton des mails de bienvenue a changé du tout au tout : mails plus secs, moins de mention du secteur client, signature manquante dans 30% des cas. Plusieurs clients ont fait la remarque, et on a perdu 1 point de NPS sur 2 mois. Correctif : le system prompt de l’agent est maintenant stocké dans une note Notion versionnée (avec date + changelog), et chaque changement passe par un test sur 3 cas réels avant déploiement. C’est une question de contrôle de la qualité des outputs LLM, pas un détail. C’est aussi ce qui te permet de tester une nouvelle version de Claude sans casser la production.

Piège 5 : RGPD sous-estimé

On envoie à l’API Claude des données client (nom, email, société, parfois secteur d’activité détaillé). Pour la plupart des PME clientes, c’est acceptable dans le cadre du contrat, mais pour 2 clients (un dans la santé, un dans le juridique) on a dû passer par un LLM local (Mistral via Ollama) pour rester en Europe et ne pas transférer de données hors UE. Correctif : option dans le workflow n8n pour switcher entre Claude API et un endpoint local compatible OpenAI. La sécurité et la conformité RGPD sont un point non négociable quand tu branches un agent IA sur des données client. C’est aussi une question de support juridique si tu opères dans des secteurs régulés.

Comment reproduire ce workflow dans ta boîte en 1 semaine

Si tu es dirigeant d’une PME de 5 à 50 personnes et que tu signes 2 à 10 nouveaux clients par mois, voici la marche à suivre que j’applique avec les boîtes que j’accompagne. Le but : passer du copier-coller manuel à un agent n8n en production en 1 semaine, sans recruter de dev, sans exploser ton budget, et avec un contrôle qualité sur les outputs. L’automatisation d’un cas d’usage passe par 6 étapes simples à suivre dans l’ordre.

Étape 1 : audite tes 5 tâches manuelles

Note exactement ce que tu fais à chaque nouveau client, dans l’ordre, avec le temps passé. Si tu fais la même chose plus de 3 fois par mois, c’est candidat à l’automatisation. C’est ton audit de processus de base, et il prend 2 h. La plupart des dirigeants de PME sous-estiment ce temps : 2 h par onboarding × 4 clients par mois = 8 h par mois qu’on ne voit pas dans l’agenda. C’est le bon point de départ pour automatiser ton onboarding.

Étape 2 : choisis UN seul LLM et UN seul cas d’usage

Pour le MVP, ne cherche pas à tout automatiser. Prends le cas d’usage le plus douloureux (chez nous : la rédaction du mail + le brief) et un seul LLM (Claude Sonnet par défaut pour la rédaction en français). Tu pourras en ajouter d’autres une fois que le premier workflow tourne. C’est la règle d’or du framework DOE : un agent, un cas d’usage, un LLM. Notre démarche d’automatisation a duré 1 semaine en suivant cette règle.

Étape 3 : prototype en mode « Draft » sur n8n.cloud

Ne passe pas direct en self-hosted. Crée un compte n8n.cloud gratuit, construis le workflow en mode Draft, teste sur 3 cas réels. L’interface visuelle de n8n permet de tout assembler sans code, mais demande quand même 1 à 2 jours de prise en main si c’est ta première fois. Budget : 2-3 jours de prototypage avec un profil « tech light ». L’écosystème n8n est bien documenté, et la communauté n8n est active sur Discord pour répondre aux questions de démarrage.

Étape 4 : versionne ton prompt

Le system prompt de ton agent IA n’est pas un texte libre que tu modifies à la volée. C’est du code. Stocke-le dans une note Notion versionnée, ou mieux dans un repo Git, avec date et changelog. C’est ce qui te permettra de tester une nouvelle version de Claude sans casser la qualité des mails en production. C’est aussi ce qui te permet de revenir en arrière en 30 sec si un update LLM dégrade les outputs. C’est une bonne pratique d’audit et de contrôle qualité.

Étape 5 : passe en self-hosted dès que tu dépasses 10 onboardings/mois

Le self-hosted divise le coût par 3 par rapport à n8n.cloud (45 € de VPS vs 120 €/mois). Installe n8n via Docker sur un VPS Hetzner, restaure ton workflow depuis n8n.cloud, et tu es en production. La gestion est minimale : 1 mise à jour mensuelle, 1 sauvegarde hebdo de la base SQLite. Pour une PME, c’est 2 h de maintenance par mois. L’automatisation de ton onboarding est un projet à 1 semaine, pas un chantier de 6 mois.

Étape 6 : monitore avec une Sheet et un canal Slack d’alerte

Pas de monitoring = pas de visibilité. Branche un node n8n qui logge chaque exécution dans une Google Sheet (timestamp, statut, durée, payload) et un node qui envoie un message Slack dès qu’une exécution échoue. C’est ton dashboard minimal pour un agent en production. Sans ça, tu vas découvrir les bugs 3 jours après, quand le client te rappelle. n8n en production sans monitoring, c’est comme conduire sans tableau de bord : tu tiens jusqu’au premier pépin.

À ce stade, tu as un agent n8n qui automatise ton onboarding client, avec un coût mensuel inférieur à 100 €, qui tourne en autonome et qui te libère 8 h par mois. La question n’est plus « est-ce qu’on peut le faire », c’est « combien de temps avant de le mettre en place chez nous ». L’analyse du ROI est claire : payback en 15 jours, gain net de 4 800 € sur 6 mois pour une stack à 378 €.

FAQ : les questions qu’on nous a posées après la démo

Quand on a présenté ce workflow à d’autres dirigeants de PME, on a reçu les mêmes 5 questions. Voici les réponses courtes et honnêtes, pour que tu puisses te projeter. C’est la section la plus consultée de l’article, et c’est aussi celle qui aide à choisir entre les modèles et les options d’hébergement.

Quel LLM choisir pour personnaliser un email d’onboarding dans n8n?

Pour un usage de rédaction courte en français (mail de bienvenue, brief client), Claude Sonnet est mon choix par défaut en 2026 : qualité de rédaction, fiabilité du tool calling, et coût raisonnable (0,9 € par exécution moyenne). GPT-4o est une alternative solide si tu es déjà dans l’écosystème OpenAI. Pour un cas d’usage sensible RGPD ou avec des données sensibles, Mistral via Ollama en local est la bonne réponse. Le grand principe du framework DOE : teste 2-3 modèles sur 3 cas réels, mesure la qualité, et garde le meilleur. n8n est provider-agnostic, donc tu peux utiliser n’importe quel LLM compatible OpenAI.

Comment gérer le RGPD quand on envoie des données client à un LLM tiers ?

3 options concrètes. Option 1 : anonymiser les données client avant de les envoyer au LLM (ne garder que secteur, taille, contexte anonymisé). Option 2 : passer par un LLM local (Mistral, Llama) hébergé sur ton VPS via Ollama ou vLLM. Option 3 : contractualiser avec un LLM tiers qui propose une option « data non retenue » (Claude Pro, OpenAI Enterprise, Mistral Cloud). Pour une PME, l’option 1 + 3 est la plus courante. L’audit de tes données est la première étape obligatoire avant de brancher un agent IA en production. La sécurité et la conformité ne sont pas des options, c’est un prérequis pour les entreprises européennes.

Self-hosted ou cloud n8n pour une PME ?

Pour moins de 10 onboardings par mois, n8n.cloud suffit : pas de gestion d’infra, démarrage rapide, coût fixe. Au-delà, le self-hosted devient rentable (45 €/mois de VPS vs 120 €/mois cloud). Le vrai avantage du self-hosted n’est pas le coût, c’est le contrôle : tes données restent chez toi, tu peux customiser les nodes n8n, et tu n’es pas dépendant d’un changement de pricing. Pour une PME, je recommande de commencer cloud et de migrer self-hosted une fois que le cas d’usage est validé en production. L’automatisation avec un agent IA n’est pas un projet, c’est un workflow qu’on fait évoluer.

Peut-on faire ça sans code ?

Oui. n8n est une plateforme no-code/low-code : l’interface visuelle permet d’assembler les workflows en drag-and-drop, et l’AI Agent node est configurable via une UI. Pas besoin de savoir coder pour assembler ce workflow d’onboarding. Cela dit, avoir quelqu’un qui sait lire du JSON et comprendre une API est un vrai plus pour debugger. C’est un cas d’usage idéal pour un profil « tech light » dans une entreprise : à l’aise avec Notion, Gmail, Google Drive, mais pas développeur. L’automatisation par agent IA est accessible aux PME, pas seulement aux entreprises tech.

Combien de temps pour mettre en place un agent onboarding chez nous ?

Pour une PME qui part de zéro, compte 5 à 10 jours de travail répartis sur 2 à 3 semaines : 1 jour d’audit des processus, 2-3 jours de prototypage sur n8n.cloud, 1-2 jours de tests sur cas réels, 1 jour de mise en production self-hosted, et 1-2 jours de monitoring et d’ajustement. Le gros du temps n’est pas technique, c’est la rédaction du prompt et la définition des garde-fous. C’est pour ça que je propose un audit de 2 h pour cadrer ton cas d’usage avant de se lancer dans la construction de l’agent IA. L’analyse en amont fait gagner 3 jours sur le projet global.

Si tu veux suivre l’aventure, abonne-toi !