Accueil › n8n › n8n + ChatGPT

n8n + ChatGPT : le guide complet pour automatiser vos workflows avec l’IA d’OpenAI

n8n intègre nativement les modèles OpenAI (GPT-5.4, GPT-4o, o3, o4-mini) via un node dédié et un node AI Agent basé sur LangChain, permettant de créer des workflows d’automatisation intelligents qui analysent, résument, classifient et génèrent du contenu sans écrire une ligne de code.

Pourquoi connecter ChatGPT à n8n ?

ChatGPT excelle dans le traitement du langage naturel : résumé, rédaction, classification, traduction, extraction de données. n8n excelle dans l’orchestration : connecter des centaines d’applications, déclencher des actions sur événement, transformer des données entre systèmes. La combinaison des deux transforme vos automatisations passives (déplacer des données d’un point A à un point B) en automatisations intelligentes qui comprennent, décident et agissent.

Concrètement, au lieu d’un simple transfert Gmail → Google Sheets, vous obtenez un pipeline Gmail → ChatGPT (analyse le contenu, classifie par urgence, rédige un brouillon de réponse) → Google Sheets (log structuré) → Slack (notification ciblée). L’IA ne remplace pas l’automatisation classique, elle l’enrichit à chaque étape.

Trois raisons principales de choisir n8n plutôt qu’un concurrent comme Make ou Zapier pour cette intégration :

La première est le contrôle total sur les prompts et les paramètres du modèle (température, tokens max, format de sortie JSON). La deuxième est la possibilité d’auto-héberger n8n, ce qui signifie que vos données ne transitent jamais par un tiers, uniquement entre votre serveur et l’API OpenAI. La troisième est le coût : n8n facture à l’exécution de workflow entier, pas à l’opération unitaire, ce qui rend les workflows multi-étapes avec IA considérablement moins chers.

Les nodes OpenAI dans n8n : architecture et options

n8n propose deux approches distinctes pour intégrer les modèles OpenAI. Le choix entre les deux dépend de la complexité de votre cas d’usage.

Le node OpenAI (appel direct)

C’est le node le plus simple. Il envoie un prompt à un modèle OpenAI et retourne la réponse. Depuis la version 1.117.0 de n8n, ce node existe en V2 et supporte deux endpoints distincts.

Le premier est Generate a Chat Completion (Chat Completions API). C’est l’endpoint classique : vous envoyez une liste de messages (system, user, assistant) et recevez une réponse. Vous gérez l’état de la conversation manuellement. C’est adapté aux tâches simples et isolées : résumer un texte, classifier un email, extraire des entités.

Le second est Generate a Model Response (Responses API). C’est l’endpoint moderne recommandé par OpenAI pour les nouveaux projets. Il supporte une boucle agentique : le modèle peut appeler plusieurs outils intégrés (web search, file search, code interpreter, serveurs MCP) au sein d’une seule requête API. Il gère aussi les conversations persistantes via un conversation_id.

Le node OpenAI V2 supporte également la génération d’images (DALL·E), la transcription audio (Whisper), le téléversement de fichiers et la modération de contenu. Vous pouvez envoyer des messages texte, des images, et des fichiers PDF directement dans vos requêtes.

Le node AI Agent (agent autonome)

Le node AI Agent, introduit dans n8n 1.19.0, va beaucoup plus loin. Il implémente le framework ReAct (Reasoning and Acting) : le modèle reçoit une liste d’outils, raisonne sur la tâche, choisit quel outil appeler, observe le résultat, puis itère jusqu’à produire une réponse finale.

Pour l’utiliser avec ChatGPT, vous connectez un sous-node OpenAI Chat Model au node AI Agent. Ce sous-node charge dynamiquement les modèles disponibles sur votre compte OpenAI, vous permettant de sélectionner GPT-5.4, GPT-4o, o4-mini ou tout autre modèle accessible via votre clé API.

Le node AI Agent supporte plusieurs types d’outils intégrés : HTTP Request (appeler n’importe quelle API externe), Code (exécuter du JavaScript ou Python), Wikipedia, Wolfram Alpha, et surtout les outils natifs de la Responses API (web search, file search, code interpreter) lorsque vous activez le toggle « Use Responses API » dans le sous-node OpenAI Chat Model.

Configuration pas à pas : connecter ChatGPT à n8n

Étape 1 : obtenir votre clé API OpenAI

Rendez-vous sur platform.openai.com. Connectez-vous (ou créez un compte). Allez dans la section « API Keys » et cliquez sur « Create new secret key ». Copiez la clé immédiatement : elle ne sera plus jamais affichée en entier après cette première apparition. Ajoutez un moyen de paiement dans « Billing » si ce n’est pas déjà fait, car l’API est facturée à l’usage.

Étape 2 : configurer les credentials dans n8n

Dans votre instance n8n, allez dans « Credentials » dans la barre latérale gauche. Cliquez sur « + New Credential ». Recherchez « OpenAI » et sélectionnez-le. Collez votre clé API dans le champ prévu. Nommez le credential de façon descriptive (par exemple « OpenAI Production » ou « OpenAI Dev »). Cliquez sur « Save ». Ce credential sera réutilisable dans tous vos workflows sans réexposer la clé.

Étape 3 : créer votre premier workflow

Cliquez sur « Add workflow » dans l’onglet Workflows. Ajoutez un trigger (Manual Trigger pour tester, ou Gmail Trigger, Webhook, Schedule, etc. pour la production). Ajoutez un node OpenAI. Sélectionnez votre credential. Choisissez la ressource « Text » et l’opération « Generate a Chat Completion » ou « Generate a Model Response ». Sélectionnez votre modèle (GPT-5.4 pour la meilleure qualité, GPT-4o pour un bon rapport qualité/prix, o4-mini pour les tâches simples à faible coût). Rédigez votre prompt dans le champ Messages.

Testez en cliquant sur « Test Workflow ». Le résultat de ChatGPT apparaît dans le panneau de sortie du node. Vous pouvez ensuite connecter cette sortie à n’importe quel autre node : Slack, Google Sheets, email, base de données, CRM.

Quel modèle OpenAI choisir dans n8n ?

n8n charge dynamiquement la liste des modèles disponibles sur votre compte OpenAI. Le choix du modèle impacte directement la qualité, la vitesse et le coût de vos automatisations.

10 workflows concrets n8n + ChatGPT

Voici les automatisations les plus courantes et les plus impactantes. Chaque workflow est réalisable en moins d’une heure avec n8n.

1. Tri et réponse automatique aux emails

Déclencheur : Gmail Trigger (nouvel email reçu).

Pipeline : Le contenu de l’email est envoyé à GPT-5.4 avec un prompt système qui lui demande de classifier l’email (urgent / normal / spam / commercial), d’extraire les points clés, et de rédiger un brouillon de réponse adapté au ton professionnel de votre entreprise.

Sortie : La classification est enregistrée dans Google Sheets. Le brouillon est enregistré dans Gmail (dossier brouillons). Si l’email est classé « urgent », une notification Slack est envoyée au canal approprié.

Modèle recommandé : GPT-4o pour le meilleur rapport qualité/coût. o4-mini si le volume est très élevé (plus de 500 emails/jour).

2. Qualification automatique de leads

Déclencheur : Webhook depuis votre CRM (nouveau contact créé).

Pipeline : n8n récupère les données du lead (nom, entreprise, email, source). ChatGPT analyse le profil et attribue un score (hot / warm / cold) en se basant sur des critères que vous définissez dans le prompt système (taille d’entreprise, secteur, source d’acquisition, etc.).

Sortie : Le lead est automatiquement déplacé dans le bon pipeline de votre CRM. Un message personnalisé est envoyé au commercial assigné.

3. Génération de contenu marketing

Déclencheur : Schedule (tous les lundis à 9h) ou Airtable (nouvelle ligne ajoutée dans une base de sujets).

Pipeline : ChatGPT reçoit un brief (sujet, audience cible, ton, longueur souhaitée) et génère un brouillon d’article, un post LinkedIn, ou une série de tweets. Un second appel ChatGPT peut relire et améliorer le premier brouillon (technique du « prompt chaining »).

Sortie : Le contenu est envoyé dans Notion, Google Docs, ou directement dans votre outil de publication pour review humaine.

4. Chatbot de support client

Déclencheur : Chat Trigger (n8n intégré) ou Webhook depuis Telegram/Slack/votre site web.

Pipeline : Le node AI Agent avec OpenAI Chat Model reçoit la question du client. Il a accès à des outils : recherche dans votre base de connaissances (via une base vectorielle), consultation de votre API de tickets, vérification du statut de commande. L’agent raisonne, utilise les outils pertinents, et formule une réponse contextualisée.

Sortie : Réponse envoyée au client. Si le cas est trop complexe, escalade automatique vers un humain avec le contexte complet.

5. Résumé automatique de documents

Déclencheur : Google Drive Trigger (nouveau fichier dans un dossier spécifique).

Pipeline : n8n détecte l’arrivée d’un PDF ou document. Le contenu est extrait et envoyé à ChatGPT via la Responses API (qui accepte les PDF directement). Le modèle produit un résumé structuré : points clés, décisions requises, actions à suivre.

Sortie : Résumé envoyé par email ou posté dans un canal Slack dédié.

6. Traitement de factures

Déclencheur : Email avec pièce jointe détectée.

Pipeline : n8n extrait la pièce jointe. ChatGPT analyse le document et extrait les champs structurés : fournisseur, montant HT, TVA, date d’échéance, numéro de facture. Le format de sortie JSON est imposé via le paramètre « Output Format: JSON Schema » du node.

Sortie : Les données extraites alimentent directement votre logiciel comptable ou un Google Sheet de suivi.

7. Veille concurrentielle automatisée

Déclencheur : RSS Trigger (flux des blogs concurrents) ou Schedule (scraping périodique).

Pipeline : Les nouveaux articles sont récupérés via HTTP Request. ChatGPT analyse chaque article : sujet principal, positionnement, nouveautés produit, tarifs mentionnés. L’agent peut utiliser l’outil Web Search de la Responses API pour enrichir l’analyse avec des données complémentaires.

Sortie : Rapport de veille hebdomadaire envoyé dans Notion ou par email, avec scoring d’importance.

8. Traduction et localisation de contenu

Déclencheur : Webhook ou Airtable (nouveau contenu à traduire).

Pipeline : Le contenu source est envoyé à GPT-5.4 avec des instructions de traduction qui précisent le registre de langue, les termes techniques à conserver, et les adaptations culturelles souhaitées.

Sortie : Contenu traduit injecté dans votre CMS ou retourné dans Airtable avec le statut « à relire ».

9. Analyse de sentiment sur les réseaux sociaux

Déclencheur : HTTP Request planifié (API X/Twitter, Instagram, etc.).

Pipeline : Les mentions de votre marque sont collectées. ChatGPT classe chaque mention : positif, négatif, neutre. Il identifie les sujets récurrents et les plaintes potentielles.

Sortie : Dashboard mis à jour dans Google Sheets. Alertes immédiates pour les mentions négatives à fort engagement.

10. Pré-screening de candidatures

Déclencheur : Email ou Webhook depuis votre ATS (nouveau CV reçu).

Pipeline : Le CV est envoyé à ChatGPT qui extrait les compétences clés, l’expérience, les formations. Il compare avec la fiche de poste et attribue un score d’adéquation. Pour les meilleurs profils, il rédige un email de prise de contact personnalisé.

Sortie : Candidats classés dans votre ATS avec notes et recommandations.

Prompt engineering pour n8n : les bonnes pratiques

La qualité de vos automatisations dépend directement de la qualité de vos prompts. Voici les techniques qui fonctionnent le mieux dans un contexte d’automatisation.

Utilisez un prompt système précis

Le message « system » définit le comportement global du modèle. Dans n8n, c’est le premier message de votre liste. Soyez explicite sur le rôle (« Vous êtes un assistant de classification d’emails pour une entreprise SaaS B2B »), le format de sortie attendu (JSON, liste à puces, paragraphe), et les règles métier (« Ne jamais classifier comme spam un email contenant le mot « facture » »).

Enchaînez les prompts (prompt chaining)

Un seul prompt massif donne souvent de moins bons résultats que deux ou trois prompts spécialisés enchaînés. Dans n8n, connectez simplement plusieurs nodes OpenAI en série : le premier classifie, le second analyse en détail, le troisième rédige. Chaque étape peut utiliser un modèle différent selon la complexité.

Forcez la sortie JSON

Pour toute automatisation qui doit alimenter un système en aval (CRM, base de données, Google Sheets), utilisez le paramètre « Output Format: JSON Schema » ou « JSON Object ». Cela garantit que la réponse de ChatGPT est parsable par les nodes suivants sans erreur. Définissez un schéma JSON précis avec les champs attendus, leurs types, et des descriptions.

Ajustez la température selon la tâche

Pour la classification et l’extraction de données : température à 0 ou 0.1 (réponses déterministes). Pour la rédaction créative : température entre 0.7 et 1.0. Pour les agents qui doivent raisonner : température entre 0.3 et 0.5. Dans n8n, ce paramètre est accessible dans les options avancées de chaque node OpenAI.

Construire un agent IA complet avec n8n et ChatGPT

Les agents IA représentent l’usage le plus avancé de l’intégration n8n + ChatGPT. Contrairement à un simple appel LLM, un agent raisonne, utilise des outils, et boucle jusqu’à atteindre son objectif.

Architecture type d’un agent

Un agent n8n se compose de quatre éléments. Le Chat Model (OpenAI Chat Model, connecté au node AI Agent) fournit l’intelligence. La mémoire (Simple Memory pour l’historique de conversation, ou une base vectorielle pour le contexte long terme) permet la continuité. Les outils (HTTP Request, Code, outils Responses API) donnent à l’agent des capacités d’action. Le prompt système définit les règles, le périmètre et les objectifs.

Les outils de la Responses API dans n8n

Quand vous activez « Use Responses API » dans le sous-node OpenAI Chat Model (combiné avec le node AI Agent), vous accédez aux outils intégrés d’OpenAI :

Web Search : Le modèle peut chercher des informations en temps réel sur le web avant de répondre. Parfait pour les agents de veille ou de recherche.

File Search : Le modèle peut fouiller dans des fichiers que vous avez préalablement uploadés via l’API OpenAI. Utile pour les agents de support qui doivent consulter une documentation.

Code Interpreter : Le modèle peut écrire et exécuter du code Python dans un environnement sandboxé. Idéal pour les analyses de données, les graphiques, les calculs complexes.

Serveurs MCP : Le modèle peut se connecter à des serveurs MCP distants pour accéder à des outils externes. C’est la porte ouverte vers n’importe quel service compatible.

Gestion de la mémoire

Par défaut, les workflows n8n sont stateless : chaque exécution est indépendante. Pour un agent conversationnel, vous devez ajouter un sous-node de mémoire. La « Simple Memory » stocke l’historique en mémoire n8n (perdu entre les exécutions si non persisté). Pour une mémoire persistante, utilisez une base PostgreSQL, Redis, ou un système de stockage vectoriel comme Pinecone ou Qdrant.

Avec la Responses API, vous pouvez aussi utiliser le conversation_id natif d’OpenAI pour maintenir le contexte côté serveur OpenAI, simplifiant considérablement la gestion de la mémoire.

Coûts réels : combien coûte un workflow n8n + ChatGPT ?

Le coût total se décompose en deux postes : l’hébergement n8n et la consommation API OpenAI.

Coût n8n

Coût API OpenAI

Pour estimer votre facture OpenAI, calculez le nombre moyen de tokens par requête. Un email typique fait environ 200 à 500 tokens. La réponse de ChatGPT ajoute 100 à 300 tokens. Pour un workflow de classification email avec GPT-4o (~2,50 $/1M input, ~10 $/1M output), traiter 1 000 emails par mois coûte entre 0,50 $ et 2 $ en API.

Avec GPT-5.4 (~2,50 $/1M input, ~15 $/1M output), le coût pour le même volume reste sous les 3 $. Pour un agent plus complexe qui fait 5 appels d’outils par requête et produit des réponses détaillées de 500 mots, comptez entre 0,05 $ et 0,10 $ par exécution.

Sécurité et confidentialité des données

C’est un point critique. Quand vous envoyez des données à l’API OpenAI, elles transitent par les serveurs d’OpenAI. OpenAI s’engage à ne pas utiliser les données API pour entraîner ses modèles (contrairement à l’usage gratuit de ChatGPT), mais les données traversent quand même leur infrastructure.

Option self-hosted : contrôle maximal

En auto-hébergeant n8n, vous contrôlez la première moitié du pipeline : vos données restent sur votre serveur jusqu’au moment de l’appel API. Combiné avec une politique de rétention courte côté OpenAI (option « zero data retention » disponible sur les plans Enterprise OpenAI), vous minimisez l’exposition.

Alternative : modèles locaux via Ollama

Pour les données les plus sensibles, n8n supporte aussi les modèles locaux via Ollama. Vous pouvez faire tourner un LLM sur votre propre serveur, sans aucune donnée envoyée à l’extérieur. La qualité sera inférieure à GPT-5.4 sur la plupart des tâches, mais c’est un compromis valable pour les cas où la confidentialité prime sur la performance.

Bonnes pratiques de sécurité

Stockez vos clés API uniquement dans le système de credentials n8n (chiffré). Ne jamais hardcoder une clé dans un workflow. Activez le 2FA sur votre compte OpenAI et votre instance n8n. Utilisez des clés API dédiées par environnement (dev, staging, production). Surveillez votre consommation API pour détecter les anomalies. Anonymisez les données sensibles avant de les envoyer à ChatGPT (remplacez les noms, emails, numéros par des placeholders, puis réinjectez les vraies valeurs après).

Erreurs courantes et dépannage

Voici les problèmes les plus fréquents rencontrés lors de l’intégration n8n + ChatGPT, et comment les résoudre.

Rate limits et erreurs 429

Les comptes OpenAI ont des limites de requêtes par minute (RPM) et de tokens par minute (TPM). Un compte gratuit est limité à environ 3 RPM. Les comptes payants ont des limites plus élevées qui dépendent de votre historique de consommation. Dans n8n, gérez cela avec un node « Wait » entre les appels pour espacer les requêtes, ou configurez le paramètre « Max Retries » dans le node OpenAI pour gérer les retries automatiquement.

Expressions n8n et données JSON

Une erreur classique : envoyer {{ $json }} comme texte brut au lieu d’extraire le champ spécifique. Si votre node précédent produit {"email_body": "Bonjour..."}, votre prompt doit référencer {{ $json.email_body }}, pas {{ $json }}. Utilisez le panneau de données de n8n pour vérifier la structure exacte des données à chaque étape.

Timeouts sur les réponses longues

Les requêtes avec GPT-5.4 Pro ou les agents multi-outils peuvent prendre plus de 30 secondes. Augmentez le paramètre « Timeout » dans les options du node OpenAI. Pour les tâches très longues, utilisez l’option « Background » de la Responses API qui permet une exécution asynchrone.

Dépassement de fenêtre de contexte

Si vous envoyez un document trop long à ChatGPT, vous dépasserez la fenêtre de contexte du modèle. GPT-5.4 supporte environ 1,05M tokens via l’API, mais les coûts augmentent significativement au-delà de 272K tokens (surcoût 2x sur l’input, 1,5x sur l’output). Découpez les documents longs en chunks avant de les envoyer, ou utilisez la Responses API avec File Search pour laisser OpenAI gérer le découpage.

n8n + ChatGPT vs alternatives

Verdict : n8n est objectivement la plateforme la plus complète pour les workflows IA avec ChatGPT. Le support natif de la Responses API, le node AI Agent basé sur LangChain, la possibilité d’auto-héberger, et la facturation par exécution (pas par opération) en font le choix évident pour les équipes techniques. Make reste plus accessible pour les débutants non techniques. Zapier est le plus simple mais le plus coûteux et le moins flexible pour les usages IA avancés.

Et n8n + Claude ?

n8n intègre aussi nativement Anthropic Claude via un node dédié. Claude Opus 4.6 offre une fenêtre de contexte de 1M tokens sans surcoût (contrairement à GPT-5.4 qui applique un surcoût au-delà de 272K tokens). Pour les workflows qui manipulent de longs documents, Claude peut être plus économique. Pour les agents nécessitant le web search et le code interpreter intégrés, l’écosystème d’outils de la Responses API d’OpenAI reste plus mature côté n8n.

La bonne nouvelle : n8n vous permet de basculer d’un fournisseur à l’autre en changeant simplement le sous-node de Chat Model. Vous pouvez même router dynamiquement vers ChatGPT ou Claude selon la tâche.