Section 11.3.9 : Make — Intégrer les APIs LLM

🎯 Objectif pédagogique

Connecter des LLMs (OpenAI, Anthropic) dans vos workflows Make pour ajouter de l'intelligence aux automatisations. Vous serez capable de créer des workflows qui analysent du texte, génèrent du contenu, et prennent des décisions intelligentes.

L'IA dans les workflows — Le game changer

Marc a des automatisations qui déplacent des données. Mais elles ne comprennent rien. Ajouter un LLM dans le workflow transforme une simple copie de données en analyse intelligente : classer un email, résumer une offre d'emploi, générer une lettre de motivation personnalisée.

Scénario : Analyser les emails de recruteurs avec l'IA

[📧 Gmail : Watch Emails (Label: Recrutement)]
    ↓
[🤖 OpenAI : Create a Completion]
    → Prompt: "Analyse cet email de recruteur et extrais :
       - Entreprise
       - Poste proposé
       - Salaire mentionné (ou 'non mentionné')
       - Action requise (répondre, postuler, RDV)
       - Niveau d'intérêt (1-5)
       Réponds en JSON.
       
       Email : \{\{email.body\}\}"
    ↓
[🔧 JSON : Parse]
    → Extraire les champs du JSON retourné
    ↓
[🔀 Router]
    ├── Intérêt >= 4 → [Google Sheets : Add Row (Prioritaires)]
    │                 → [Slack : "🌟 Opportunité intéressante : \{company\}"]
    └── Intérêt < 4  → [Google Sheets : Add Row (Autres)]

Configuration du module OpenAI dans Make

→Ajoutez le module : Search "OpenAI" → "Create a Completion (Chat)"
→Connexion : Ajoutez votre clé API OpenAI
→
Paramètres :
- →Model: gpt-4o-mini (bon rapport qualité/prix)
- →System prompt: "Tu es un assistant d'analyse d'emails de recrutement."
- →User prompt: Mappez les données de l'email
- →Temperature: 0.3 (réponse factuelle)
- →Max tokens: 500

Scénario : Génération de lettres de motivation

[Google Sheets : Watch New Rows]
    → Nouvelle candidature ajoutée
    ↓
[HTTP : GET \{company_website\}]
    → Récupérer la page "À propos" de l'entreprise
    ↓
[🤖 OpenAI : Create Completion]
    → "Génère une lettre de motivation personnalisée pour :
       - Poste : \{\{position\}\}
       - Entreprise : \{\{company\}\}
       - Infos entreprise : \{\{about_page_text\}\}
       - Profil Marc : Ex-analyste financier, reconversion tech/IA,
         compétences Python, data, prompt engineering.
       Ton : professionnel mais authentique. 250 mots max."
    ↓
[Google Docs : Create Document]
    → Titre: "LM — \{\{company\}\} — \{\{position\}\}"
    → Contenu: réponse OpenAI
    ↓
[Gmail : Create Draft]
    → Brouillon prêt à envoyer avec la lettre en pièce jointe

Scénario : Classification automatique des offres

[Schedule : Toutes les 6h]
    ↓
[HTTP : GET API offres d'emploi]
    ↓
[Iterator : Pour chaque offre]
    ↓
[🤖 OpenAI : Classify]
    → "Classe cette offre d'emploi dans une catégorie :
       - MATCH_PARFAIT : correspond au profil (Python, data, IA)
       - MATCH_PARTIEL : 50%+ des compétences matchent
       - PAS_PERTINENT : hors profil
       
       Offre : \{\{job.title\}\} chez \{\{job.company\}\}
       Description : \{\{job.description\}\}
       
       Réponds avec UNIQUEMENT la catégorie."
    ↓
[Router]
    ├── MATCH_PARFAIT → Notification prioritaire + Sheet "Top"
    ├── MATCH_PARTIEL → Sheet "À considérer"
    └── PAS_PERTINENT → Ignorer (pas de stockage)

Optimiser les coûts LLM dans Make

Stratégie	Impact
Utiliser gpt-4o-mini au lieu de gpt-4o	15x moins cher
Limiter les tokens (max_tokens: 300)	Maîtriser les coûts
Filtrer avant l'IA (n'envoyer que les emails pertinents)	Moins d'appels
Cacher les résultats (ne pas re-analyser le même email)	Éviter les doublons
Batch processing (1 appel pour 5 emails au lieu de 5 appels)	Économiser les requêtes

Le bon modèle pour le bon usage

→Classification simple (oui/non/catégorie) → gpt-4o-mini (0.15$/M tokens)
→Analyse complexe (résumé, extraction) → gpt-4o-mini suffit souvent
→Génération créative (lettres, contenus) → gpt-4o si qualité critique
→Claude (Anthropic) → meilleur pour les longs documents et l'analyse nuancée

🏋️ Exercice pratique (25 minutes)

Construisez le scénario "Email Analyzer" dans Make :

→Gmail Watch → filtrer les emails avec le label "Recrutement"
→OpenAI → analyser et extraire les infos en JSON
→JSON Parse → structurer la réponse
→Google Sheets → ajouter une ligne avec les infos extraites
→Testez avec un email de test

Vérification rapide

Pourquoi utiliser gpt-4o-mini plutôt que gpt-4o dans la plupart des workflows Make ?

Vérification rapide

Dans le scénario d'analyse d'emails, pourquoi demander au LLM de répondre en JSON ?

Make — Intégrer les APIs LLM