Pendant dix ans, automatiser une tâche voulait dire la configurer : relier deux applications, poser des conditions, tester, corriger. En ce mois de juin 2026, un basculement s'opère sur les grandes plateformes no-code : on ne configure plus le workflow, on le décrit — et une IA le construit. ElevenLabs vient de lancer Flows Agent, Make a refondu ses AI Agents, Zapier pousse son Copilot. Pour une PME, ce n'est pas un gadget de plus : c'est le métier d'« intégrateur » qui change de nature.
ElevenLabs Flows Agent : on décrit, l'IA assemble
Mi-juin 2026, ElevenLabs a présenté Flows, un canevas visuel à base de nœuds qui réunit génération d'images, vidéo, synthèse vocale, lip-sync, musique et effets sonores dans un même espace de travail. La vraie nouveauté, c'est le Flows Agent qui l'accompagne.
Le principe est limpide : vous déposez un brief, un script ou une image de référence dans une fenêtre de conversation, et l'agent construit le workflow tout seul. Vous voulez modifier une étape ? Vous le dites en langage naturel, sans rien reconstruire à la main. La fonction est disponible sur tous les forfaits, facturée à l'usage selon les tokens consommés.
On reste ici sur un cas créatif (production de contenu multimédia), mais le signal est clair : l'interface d'automatisation devient une conversation. C'est exactement la direction que prennent les plateformes généralistes.
Make, Zapier, n8n : l'agent n'est plus un module, c'est le moteur
Chez Make, la nouvelle génération d'AI Agents fait des agents des « citoyens de première classe » directement dans le Scenario Builder visuel. On peut désormais générer un scénario à partir d'une description en langage naturel, et une bibliothèque d'agents prêts à l'emploi couvre des cas très concrets : gestion de stock, veille, tri de demandes, reporting. Chaque appel d'outil et chaque raisonnement de l'agent sont affichés étape par étape — un point essentiel pour garder le contrôle.
Zapier, de son côté, a ajouté Copilot (un constructeur de Zap en langage naturel), des Zapier Agents capables de lire des e-mails et de déclencher des actions, et un serveur MCP qui expose plus de 30 000 actions à des modèles externes. Quant à n8n, sa version 2.0 sortie en janvier 2026 embarque une intégration LangChain native et près de 70 nœuds d'IA, dont un nœud « AI Agent » qui place un modèle au centre du flux : c'est lui qui décide quels outils appeler et enchaîne les actions jusqu'à résoudre la tâche.
Le glissement est profond. Hier, ces outils connectaient des applications selon des règles figées. Aujourd'hui, ils orchestrent des agents qui raisonnent sur des entrées variables. Là où il fallait dix branches conditionnelles pour gérer les cas particuliers, l'agent s'adapte.
Ce que ça change vraiment pour une PME
Le premier effet est une baisse de la barrière à l'entrée. Décrire « quand je reçois une facture par e-mail, extrais le montant, range le PDF et préviens la compta » devient accessible à un collaborateur motivé, sans développeur. Pour une structure aux ressources techniques limitées, c'est décisif.
Le marché le confirme. Selon Gartner, 40 % des applications d'entreprise intégreront des agents IA spécialisés d'ici fin 2026, contre moins de 5 % en 2025. Ce n'est pas une projection lointaine : c'est le basculement en cours.
Mais soyons honnêtes sur la réalité française. L'agent pleinement autonome reste, en PME, l'exception plutôt que la règle. La grande majorité des gains viennent de workflows où l'IA enchaîne quelques étapes — extraire, raisonner, générer, vérifier — sous supervision humaine. C'est moins spectaculaire que la promesse marketing de l'« employé IA », mais c'est là que se trouve le retour sur investissement réel et mesurable.
Le revers : tokens, gouvernance et dépendance
Cette facilité a un prix, au sens propre. La facturation à l'usage (les tokens) rend les coûts variables et parfois imprévisibles : un agent mal cadré qui boucle ou traite trop de données peut faire grimper l'addition sans prévenir. Avant de déployer, il faut plafonner, mesurer et surveiller.
Vient ensuite la gouvernance. Quand n'importe qui peut créer un agent en une phrase, qui sait combien d'agents tournent, ce qu'ils touchent et qui en est responsable ? L'inventaire et la propriété des agents deviennent un vrai sujet — un agent oublié qui accède à des données clients est un risque, pas une optimisation.
Enfin, la dépendance. Confier la logique de ses processus à une plateforme propriétaire, c'est accepter sa tarification, ses limites et ses changements de cap. C'est précisément ce qui fait la force de l'alternative open-source auto-hébergée comme n8n pour qui veut garder la main.
Mon analyse : l'automatisation passe de la configuration à l'intention
Ce qui se joue dépasse chaque produit pris isolément. On quitte une logique où il fallait traduire une intention métier en suite d'étapes techniques, pour entrer dans une logique où l'on exprime l'intention et où la machine se charge de la traduction. C'est un changement de niveau d'abstraction comparable au passage de l'assembleur aux langages de haut niveau.
Mon conseil aux dirigeants de PME : ne vous laissez pas hypnotiser par la démo de l'agent autonome qui fait tout. Commencez par un processus pénible, répétitif et bien délimité, automatisez-le avec supervision, mesurez le temps gagné, puis élargissez. La valeur n'est pas dans la sophistication de l'agent, mais dans la régularité du gain.
Une chose est sûre : savoir décrire précisément ce que l'on veut devient une compétence aussi stratégique que savoir coder l'a été. Les outils, eux, sont déjà prêts. J'ai détaillé les plateformes, les fonctionnalités et les pièges à éviter dans mon analyse complète sur TECH ACTU — le lien est en commentaire.
