Intégrer ChatGPT et Claude dans Make

Section 10.6.3 : Intégrer ChatGPT et Claude dans Make

🎯 Objectif pédagogique

Maîtriser les modules IA dans Make — OpenAI, Anthropic (Claude), et les appels API personnalisés — pour créer des automatisations intelligentes avancées. Vous saurez choisir le bon modèle pour chaque tâche, configurer les paramètres clés, et construire des patterns d'automatisation réutilisables.

Le module OpenAI dans Make : guide complet

Make dispose d'un module OpenAI natif avec plusieurs actions. Voici le détail de chacune :

Le plus utilisé : "Create a Chat Completion", c'est ce que vous utiliserez dans 90% des cas.

Maîtriser les paramètres avancés d'OpenAI

Chaque paramètre influence directement la qualité, la cohérence, et le coût de vos automatisations :

Temperature (0 à 2) — contrôle la "créativité" :

• →0 : déterministe et reproductible. Le même input produit TOUJOURS le même output. → Catégorisation, extraction de données, parsing, classification
• →0.3 : légèrement varié mais cohérent → Résumé, rédaction professionnelle, reformulation
• →0.7 : créativité modérée → Rédaction marketing, brainstorming structuré, storytelling
• →1.0-1.5 : très créatif, résultats surprenants → Écriture créative, génération d'idées originales
• →> 1.5 : quasi-aléatoire, souvent incohérent → ❌ À éviter en production

Max Tokens — limite la longueur de la réponse :

• →100 tokens ≈ 75 mots → suffisant pour une catégorisation JSON
• →500 tokens ≈ 375 mots → suffisant pour un paragraphe de réponse
• →2000 tokens ≈ 1500 mots → suffisant pour un article court
• →Impact coût : vous payez les tokens réellement générés, pas le max. Mais un max trop élevé peut produire des réponses inutilement longues.

Response Format — force le format de sortie :

{ "type": "json_object" }

Active le "JSON mode" : le modèle retourne TOUJOURS du JSON valide. Indispensable pour l'automatisation, car un JSON malformé ferait planter tout le scénario. Sans cette option, le modèle peut ajouter du texte avant/après le JSON ("Voici le résultat : ...json...").

Top P (0 à 1) — alternative à temperature :

• →1.0 : considère tout le vocabulaire (défaut)
• →0.1 : ne considère que les 10% de tokens les plus probables → plus déterministe
• →Règle : ajustez soit temperature soit top_p, pas les deux en même temps.

Guide de choix des modèles pour Make

Intégrer Claude via l'API HTTP

Claude (Anthropic) n'a pas de module Make natif en mars 2026. Utilisez le module HTTP > Make a Request. Voici la configuration pas à pas :

Configuration du module HTTP :

1. →URL : https://api.anthropic.com/v1/messages
2. →Method : POST
3. →Headers (ajoutez-les un par un) :

4. →Body type : Raw → JSON
5. →Request content :

{
  "model": "claude-sonnet-4-20250514",
  "max_tokens": 1024,
  "system": "Tu es un assistant d'analyse. Retourne toujours du JSON valide.",
  "messages": [
    {
      "role": "user",
      "content": "Analyse ce feedback client et retourne {sentiment, themes[], score_satisfaction (1-10), action_recommandee}:\n\n{{1.feedback_text}}"
    }
  ]
}

6. →Parse response : Yes
7. →La réponse sera dans le champ data.content[0].text du module HTTP (référencé par son numéro N dans Make)

Quand utiliser Claude plutôt qu'OpenAI dans Make ?

• →Analyse de documents longs : Claude a une fenêtre de contexte de 200K tokens (vs 128K pour GPT-5) — idéal pour analyser des contrats, rapports, ou documents entiers
• →Instructions complexes : Claude excelle dans le suivi d'instructions longues et nuancées
• →Tâches nécessitant de la prudence : Claude est naturellement plus conservateur (utile pour la modération de contenu, la compliance)
• →Considérations de diversité fournisseur : ne pas dépendre d'un seul provider (résilience)

Intégrer d'autres APIs IA via HTTP

Le module HTTP de Make vous permet d'appeler N'IMPORTE QUELLE API IA. Voici 3 exemples utiles :

Mistral AI (modèle européen, RGPD-friendly) :

POST https://api.mistral.ai/v1/chat/completions
Headers: Authorization: Bearer {API_KEY}
Body: {
  "model": "mistral-large-latest",
  "messages": [{"role": "user", "content": "..."}]
}

Perplexity (recherche web enrichie) :

POST https://api.perplexity.ai/chat/completions
Headers: Authorization: Bearer {API_KEY}
Body: {
  "model": "sonar",
  "messages": [{"role": "user", "content": "Quelles sont les dernières actualités sur [sujet] ?"}]
}

Replicate (modèles open-source : Llama 4, Stable Diffusion, etc) :

POST https://api.replicate.com/v1/predictions
Headers: Authorization: Token {API_KEY}
Body: {
  "version": "{model_version_id}",
  "input": {"prompt": "..."}
}

Patterns d'automatisation IA avancés

Voici 4 patterns réutilisables que vous pouvez adapter à vos besoins :

Pattern 1 : Enrichissement de données (ETL intelligent)

Google Sheets (nouvelle ligne) 
→ OpenAI (enrichir : résumé + catégorie + sentiment + tags)
→ Google Sheets (mettre à jour la ligne avec les données IA)

Cas d'usage concret : une liste de prospects avec juste le nom de l'entreprise → l'IA enrichit avec le secteur d'activité, la taille estimée, un score d'intérêt, et une proposition d'approche commerciale personnalisée.

System prompt pour l'enrichissement :

Tu reçois le nom d'une entreprise et son site web.
Retourne un JSON avec :
- secteur: le secteur d'activité principal
- taille: "TPE" | "PME" | "ETI" | "Grande entreprise"  
- score_interet: 1-10 (basé sur la pertinence pour nos services de [votre domaine])
- approche_suggérée: 2 phrases pour le premier email commercial

Pattern 2 : Content Pipeline automatisé

RSS Feed (nouveau article concurrent) ou Schedule (quotidien 8h)
→ HTTP (Perplexity API : "actualités de [votre secteur] des dernières 24h")
→ OpenAI (résumer + identifier les 5 angles les plus intéressants)
→ OpenAI (rédiger un post LinkedIn à partir du meilleur angle)
→ OpenAI (rédiger un thread Twitter de 5 tweets)
→ Google Docs (créer un document avec les brouillons)
→ Slack (notifier l'équipe content avec les liens)

Pattern 3 : Support client intelligent multi-niveaux

Email entrant (support@) ou Zendesk (nouveau ticket)
→ OpenAI (catégoriser + urgence + résolution suggérée + FAQ match)
→ Router :
  Route 1 (FAQ simple + urgence basse) : 
    → Réponse automatique avec lien FAQ + solution
    → Statut "Résolu automatiquement"
  Route 2 (urgence haute OU réclamation) :
    → Slack #urgences-support → notification immédiate
    → Email empathique accusant réception ("un agent vous contacte sous 1h")
    → Zendesk → assignation prioritaire
  Route 3 (technique complexe) :
    → Zendesk → assignation à l'équipe technique
    → Email "notre équipe technique analyse votre demande"
→ Toutes les routes → Google Sheets (logging)
→ Hebdomadaire : Aggregator → Rapport (volume, catégories, temps de résolution, satisfaction)

Pattern 4 : Veille concurrentielle automatisée

Schedule (quotidien 8h)
→ HTTP (Google News API / Perplexity : "[concurrent 1] OR [concurrent 2] OR [votre secteur]")
→ Iterator (pour chaque article/résultat)
→ OpenAI (résumé + pertinence 1-10 + impact sur notre business + action suggérée)
→ Filter (pertinence > 7)
→ Aggregator (compiler en newsletter structurée)
→ OpenAI (rédiger un executive summary des tendances de la semaine)
→ Gmail (envoyer le digest au comité de direction)
→ Notion (archiver pour référence)

Optimiser les coûts API dans Make

Exemple de batch : au lieu de 10 appels séparés pour catégoriser 10 emails, envoyez les 10 en un seul appel :

Catégorise les 10 emails suivants. Retourne un JSON array :
1. {{email_1}}
2. {{email_2}}
...
10. {{email_10}}