RAG, agent ou simple automatisation n8n : l'arbre de décision pour une PME

Quand une PME veut automatiser une tâche avec l’IA, la question « rag ou agent ou automatisation » arrive presque toujours avant la description du besoin. La réponse tient en une règle simple : si la tâche est un enchaînement d’étapes connu à l’avance, une automatisation n8n suffit ; s’il faut répondre à partir de documents internes, un RAG est l’outil adapté ; s’il faut décider, enchaîner des actions et s’adapter à un contexte qui change, il faut un agent IA. Choisir la brique la plus simple qui couvre le besoin reste la décision la plus rentable.

La demande autour des automatisations n8n progresse fortement en 2026 (étude Malt Tech Trends 2026), et elle est légitime : beaucoup de tâches répétitives se règlent avec un workflow, sans modèle sophistiqué ni agent. Mais l’outil le plus visible n’est pas toujours celui qui convient. Un besoin documentaire mal identifié, confié à un agent, coûte plus cher et se maintient moins bien qu’un RAG bien cadré.

Cet article propose un arbre de décision concret. Il part de la nature de la tâche, compare les trois options sur ce qu’elles font réellement, et donne les critères qui tranchent, budget compris.

Qu’est-ce qui distingue un RAG, un agent IA et une automatisation n8n ?

Les trois répondent à des besoins différents. Le RAG (retrieval augmented generation) interroge vos documents et répond en citant ses sources. Un agent IA raisonne, choisit des actions et appelle vos outils. Une automatisation n8n exécute un chemin d’étapes défini à l’avance. Confondre les trois, c’est le premier motif de projet IA qui ne tient pas en production.

Option	Ce qu’elle fait	Quand la choisir
Automatisation n8n	Exécute un flux d’étapes fixe, avec de l’IA à quelques endroits	La suite d’actions est connue d’avance
RAG	Répond à partir de vos documents, en citant ses sources	La valeur est dans le contenu documentaire
Agent IA	Décide, boucle, appelle des outils	Le chemin dépend du contexte

Prenons une tâche documentaire : « retrouver la clause de résiliation dans nos contrats ». Un RAG y répond en quelques semaines, avec LlamaIndex pour l’indexation et pgvector ou Qdrant pour le stockage vectoriel. La même tâche confiée à un agent qui doit décider seul de la marche à suivre ajoute de la complexité sans gain. À l’inverse, « classer une demande entrante et l’orienter vers la bonne personne » est un flux, pas une question documentaire : n8n le fait très bien. Ce sont les mêmes arbitrages que dans agent IA ou workflow : quelle différence, lequel choisir.

Comment choisir en partant de la tâche, pas de l’outil ?

La bonne méthode consiste à décrire la tâche en une phrase, puis à regarder sa forme. Est-ce que je connais à l’avance toutes les étapes ? Si oui, c’est un workflow. Est-ce que la réponse se trouve dans des documents ? Si oui, c’est un RAG. Est-ce qu’il faut décider selon un contexte qui varie ? Alors seulement, on regarde l’agent.

Cette discipline évite le surdimensionnement. Un agent qui « fait tout » demande un état explicite, des boucles, des reprises après validation humaine et des tests sur chaque chemin. Ces exigences ont un coût, en développement comme en exploitation. Un flux n8n, lui, se lit dans l’interface, se modifie sans casser le reste et se maintient par une personne qui n’est pas développeuse. Quand un workflow suffit, le résultat est livré plus vite et coûte moins cher à faire tourner.

Pour un RAG, la qualité dépend surtout des sources et des jeux de test, avant même le choix du modèle. On détaille ces arbitrages dans choisir son stack RAG : le comparatif. Pour un agent, LangGraph modélise la logique comme un graphe d’états, et CrewAI organise plusieurs rôles autour d’une même tâche : ces outils servent dès que la décision devient le cœur du besoin, pas avant.

L’arbre de décision en quatre questions

Voici la séquence qu’on applique, dans cet ordre.

1. La tâche est-elle un enchaînement d’étapes connu ? Si oui, automatisation n8n, Make ou Zapier. Le workflow n8n reste le plus souple dès qu’il faut intégrer de l’IA, par exemple une étape où Claude ou Mistral classe ou résume un texte.
2. La réponse est-elle dans des documents ? Si oui, RAG. On indexe les sources, on cite les passages, on met à jour la base quand les documents évoluent.
3. Faut-il décider, boucler, revenir en arrière ? Si oui, agent IA, construit le plus souvent avec LangGraph, et exposé à vos outils via MCP (Model Context Protocol), le standard qui donne à l’agent un accès encadré à vos systèmes.
4. Que se passe-t-il en cas d’erreur ? Si une mauvaise action coûte cher, l’agent propose et un humain confirme. Un remboursement, un email envoyé ou une commande modifiée restent validés par une personne.

Cette dernière question est celle qu’on pose le moins souvent, alors qu’elle détermine la conception. Un agent qui suggère une réponse dans Zendesk n’a pas les mêmes garde-fous qu’un agent qui agit seul dans HubSpot. Quand la fiabilité n’est pas au rendez-vous, il vaut mieux revenir à un flux ou à un RAG bien cadré : on situe ce seuil dans quand un agent IA vaut le coup.

Combien coûte chaque option d’automatisation IA ?

Le coût suit la complexité. Un agent qui répond sur vos documents et consulte vos outils commence à 1 500 €, en production en deux semaines, sources citées et évaluations comprises. Un agent qui agit dans vos outils est chiffré au cadrage, selon la profondeur de l’intégration. Ces écarts correspondent au travail réel : un workflow se dessine en quelques heures, un RAG demande une préparation documentaire et un jeu de test, un agent demande des garde-fous et des évaluations suivies.

Le bon réflexe n’est donc pas de viser l’option la plus ambitieuse, mais de faire croître le périmètre. Beaucoup de projets commencent par un workflow, constatent qu’une part des demandes relève de la documentation, puis ajoutent un RAG. L’agent métier arrive en dernier, quand le besoin de décision est avéré. Cette progression limite le risque et étale la dépense.

Par où commencer sans surdimensionner

La première étape n’est pas technique. Prenez les cinq tâches qui vous prennent le plus de temps cette semaine, et notez pour chacune sa forme : flux, question documentaire ou décision. Ce classement vous donne votre arbre de décision, sans écrire une ligne de code.

Si plusieurs tâches relèvent de la documentation interne, un chatbot RAG est souvent le meilleur premier chantier : un assistant qui répond à partir de vos documents, avec sources citées, se mesure et s’améliore progressivement. Le cadrage est offert pour un nouveau besoin : on analyse les cas d’usage, les données et les outils, puis vous recevez une proposition chiffrée ferme sous 5 jours. Commencez par la brique la plus simple, vous ajouterez le reste quand le besoin sera démontré.