Make, la puissance professionnelle pour l’automatisation IA
Make (anciennement Integromat) est une plateforme d’automatisation plus puissante que Zapier pour les workflows complexes, avec un modèle tarifaire souvent plus avantageux pour les volumes importants. Son interface visuelle, ses fonctions de transformation de données et ses scénarios en parallèle en font l’outil de choix pour les cas avancés utilisant Claude.
Avantages de Make vs Zapier
- Modules conditionnels et itérateurs natifs
- Transformation avancée des données (regex, dates, JSON)
- Scénarios en parallèle avec agrégation
- Tarification par opération (souvent 2 à 5 fois moins cher sur volume)
- Routes conditionnelles visuelles
Cas 1 : chaîne d’analyse de feedback client
Scénario un nouveau feedback arrive via formulaire Typeform, Google Forms, ou emails. Étapes Claude analyse sentiment, thèmes, urgence et renvoie JSON. Router conditionnel si sentiment très négatif, création ticket Zendesk priorité haute avec notification Slack au responsable. Si sentiment positif, création note CRM pour exploitation commerciale. Dans tous les cas, ajout dans Airtable de tracking feedback pour analyse périodique. Dashboard Power BI ou Looker Studio se met à jour automatiquement.
Cas 2 : agent commercial de nurturing
Scénario nouveau prospect inscrit à une newsletter. Étapes enrichissement via Clearbit pour obtenir entreprise, poste, secteur. Claude détermine le segment (SMB, mid-market, enterprise) et le pain probable. Personnalisation email séquence J+0, J+3, J+7 avec des contenus adaptés au segment. Envoi via Brevo, Klaviyo ou Mailjet. Score de comportement, si engagement fort après J+7, alerte commerciale pour contact humain.
Cas 3 : extraction de factures fournisseurs
Scénario nouveau PDF dans dossier Google Drive surveillé. Étapes OCR via Google Vision ou Claude Vision. Claude extrait les champs structurés fournisseur, numéro, date, montant HT, TVA, TTC, échéance. Validation croisée somme TVA cohérente avec taux 18 pour cent. Si écart détecté, notification humaine via email. Si OK, création automatique écriture comptable dans Sage, Pennylane ou Odoo. Archivage PDF dans dossier mois correspondant.
Cas 4 : génération de rapports hebdomadaires multi-sources
Scénario tous les lundis matin 7h. Étapes récupération des KPI depuis Google Analytics, Shopify API, Facebook Ads, HubSpot, Stripe. Claude consolide les chiffres, compare à la semaine précédente, identifie les tendances notables, rédige un rapport narratif en français. Envoi email à la direction avec graphiques (générés via QuickChart ou Chart.io). Archivage dans Notion.
Cas 5 : traitement de candidatures par vague
Scénario formulaire Typeform avec CV reçoit 50 candidatures en 48h. Étapes batch processing toutes les heures. Chaque CV traité Claude extrait compétences, expérience, formation. Claude compare à la fiche de poste et score. Tri automatique, les 20 pour cent meilleurs vers les recruteurs, les autres en réserve. Email de réception personnalisé envoyé à chaque candidat.
Modèles de conception
Itération sur collection module Iterator traite chaque élément d’un tableau. Clé pour traiter N items avec Claude individuellement.
Aggregator récupère les résultats de l’itération et les fusionne. Claude peut être appelé pour synthèse finale sur tous les résultats.
Router avec conditions chemin différent selon le résultat Claude (sentiment, catégorie, score).
Error handler try/catch natif chaque module peut avoir un handler qui capture les erreurs et déclenche un chemin alternatif.
Optimisation coûts
Make facture par opération, Claude par token. Pour minimiser batching demandes similaires en un appel Claude, caching des résultats identiques dans un data store Make, filtrage en amont pour ne traiter que ce qui le mérite.
Debug et monitoring
Make trace chaque exécution étape par étape, visible dans l’historique. Utile pour comprendre où un workflow échoue. Notifications email ou Slack en cas d’échec avec contexte complet.
Déploiement en équipe
Scénarios partagés entre membres d’un workspace. Environnements dev et production séparés. Versioning manuel via export/import de scénarios.
Limites de Make
- Courbe d’apprentissage plus raide que Zapier
- Temps d’exécution limité sur les plans bas
- Stockage de données internes (data stores) limité
Conclusion
Make + Claude constitue un duo redoutable pour automatiser des processus métier complexes sans embaucher un développeur full-time. Investissement en temps pour maîtriser l’outil (quelques semaines), retour sur investissement sur des années.
Architecture d’un workflow Claude + Make multi-etapes
Un workflow multi-etapes Claude + Make repose sur trois couches : un declencheur (webhook, planificateur, nouvelle ligne Google Sheets), un ou plusieurs appels HTTP vers l’API Anthropic, et des modules de transformation/persistance (Data Store, Google Drive, Notion, Airtable). Cette decomposition vous permet d’isoler chaque responsabilite, de tester un module a la fois, et de reprendre l’execution la ou elle a echoue grace au mecanisme d’erreurs Make.
Pour un editeur a Dakar qui automatise la production de fiches produits, l’enchainement type est : Webhook entrant -> module HTTP « Make a request » vers https://api.anthropic.com/v1/messages -> parser JSON -> Data Store pour deduplication -> Google Drive pour archive -> Slack pour notification. Chaque module recoit le resultat du precedent via les bulles de mapping.
Etape 1 : configurer la connexion HTTP vers l’API Anthropic
Make ne propose pas encore de module natif Anthropic stable, vous passez donc par le module « HTTP – Make a request ». L’URL cible est https://api.anthropic.com/v1/messages, methode POST, type de corps « Raw » et content-type « JSON (application/json) ».
Headers :
x-api-key: sk-ant-...
anthropic-version: 2023-06-01
content-type: application/json
Body :
{
"model": "claude-sonnet-4-5",
"max_tokens": 1024,
"messages": [
{"role": "user", "content": "{{1.prompt}}"}
]
}Le placeholder {{1.prompt}} fait reference au champ prompt issu du module 1 (le webhook). Quand le scenario s’execute, Make remplace cette bulle par la valeur reelle. Si vous voyez une reponse 401, votre cle est invalide ou expiree ; une reponse 400 avec le champ « error.message » indique generalement un probleme de format de messages.
Etape 2 : parser la reponse et router selon le contenu
La reponse Anthropic arrive sous forme JSON avec content[0].text qui contient la sortie du modele. Ajoutez un module « Set variable » pour extraire ce texte : variable name = « claude_text », value = {{2.content[0].text}}. Ce nommage explicite simplifie le mapping en aval.
Pour router selon le verdict du modele (ex : « OK_PUBLIER » vs « A_REVOIR »), inserez un Routeur avec deux branches et une condition de filtre : sur la branche 1, claude_text contient « OK_PUBLIER » ; sur la branche 2, sinon. Make execute uniquement les branches dont le filtre est valide.
Etape 3 : enrichir avec un second appel Claude (chainage)
Beaucoup de cas reels demandent deux passes : une premiere pour generer un brouillon, une seconde pour le reviser ou le traduire. Dupliquez le module HTTP, en mappant {{4.claude_text}} dans le body du second appel comme contexte utilisateur. Vous tenez alors une mini-pipeline RAG sans librairie externe.
Astuce de couts : utilisez claude-haiku-4-5 pour la premiere passe (classification, extraction), puis claude-sonnet-4-5 pour la passe finale (redaction longue). Sur 1000 executions par mois a Abidjan ou Douala, l’economie atteint frequemment 60 % par rapport a un Sonnet sur les deux passes.
Etape 4 : deduplication via Data Store
Pour eviter de regenerer une fiche deja produite, creez un Data Store Make avec une cle « hash_input » (SHA-256 du prompt). Avant l’appel HTTP, ajoutez un module « Search records » sur cette cle ; si un enregistrement existe, court-circuitez avec un Router conditionnel et reutilisez la sortie stockee. Apres l’appel reussi, « Add/Replace a record » insere la nouvelle reponse.
Ce pattern est essentiel quand votre webhook recoit des doublons (formulaire WordPress qui retransmet, retry Zapier, etc.). Sans deduplication, chaque doublon coute un appel Anthropic facture.
Etape 5 : gestion d’erreurs et reprise automatique
Cliquez droit sur le module HTTP -> « Add error handler » -> choisissez « Break ». Configurez 3 tentatives avec un intervalle exponentiel (1, 5, 25 minutes). Make stocke alors l’execution dans la file « Incomplete executions » ou vous pouvez reprendre manuellement apres correction. Pour une 502 transitoire de l’API, les retries automatiques resolvent la majorite des cas.
Ajoutez un module final Slack ou Email qui notifie l’admin uniquement quand le scenario atteint le 3eme echec : filtre sur {{error.statusCode}} >= 500.
Etape 6 : tester en mode « Run once » puis activer le scheduler
Avant d’activer, lancez « Run once » et envoyez une requete de test depuis un client HTTP type httpie : http POST https://hook.make.com/abc prompt= »Genere une fiche produit pour un casque audio a 25 000 FCFA ». Verifiez que chaque module passe au vert et que la sortie finale arrive bien dans Google Drive ou Notion.
Une fois valide, basculez le toggle « Scheduling » sur ON. Pour des declencheurs ponctuels (webhook), il suffit que le scenario soit Active. Pour un cron (toutes les heures), reglez l’intervalle dans le module declencheur.
Bonnes pratiques de production
- Stockez la cle API Anthropic dans un module « Connections » ou via « Environment variables » (plan Pro+), jamais en clair dans le body.
- Limitez max_tokens au strict necessaire (1024 pour une fiche, 4096 pour un article long).
- Activez le prompt caching cote API en envoyant les instructions systeme repetees avec cache_control « ephemeral » pour reduire les couts d’au moins 50 % sur les prompts longs reutilises.
- Versionnez vos scenarios via l’export « Blueprint » Make : un fichier JSON que vous archivez dans Git.
Sur le même thème sur l’automatisation, consultez notre comparatif n8n vs Make et notre guide du prompt caching Anthropic.
Etape 7 : surveiller les couts et les quotas
L’API Anthropic facture par tokens entrants et sortants. Sur le tableau de bord console.anthropic.com, definissez un « Spending limit » mensuel ferme (ex : 50 USD pour un projet pilote a Lome). Make ne propose pas de hard cap natif sur les modules HTTP ; vous compensez en ajoutant un module « Increment a counter » dans un Data Store qui s’incremente a chaque appel et un Router qui interrompt le scenario si counter > seuil.
Reinitialisez ce compteur via un scenario distinct planifie le 1er du mois a 00:00. Cette ceinture-bretelles vous protege d’une boucle accidentelle qui consommerait 500 USD en une nuit.
Etape 8 : structurer les prompts avec balises XML
Claude obeit mieux a des prompts structures. Plutot que de concatener instructions et contexte en texte plat, utilisez des balises XML : <instructions>, <contexte>, <exemple>, <format_attendu>. Make injecte les bulles a l’interieur de ces balises, ce qui isole la donnee dynamique du systeme stable.
{
"model": "claude-sonnet-4-5",
"max_tokens": 2048,
"system": "Tu es un redacteur fiches produits e-commerce francais Afrique de l'Ouest.",
"messages": [
{"role": "user", "content": "<contexte>{{1.product_data}}</contexte>\n<format_attendu>HTML brut, 200 mots</format_attendu>"}
]
}Quand le modele renvoie un format inattendu, ajoutez un exemple positif et un exemple negatif dans la section system. Cette technique « few-shot » stabilise la sortie sur des centaines d’executions.
Etape 9 : journaliser pour debugger en production
Make conserve les logs d’execution 7 a 90 jours selon le plan. Pour un audit complet, dupliquez les sorties critiques vers un Google Sheets : timestamp, prompt, claude_text, tokens_in, tokens_out, cout estime. Ce journal devient votre source de verite quand un client signale un probleme deux semaines plus tard.
Le module « Google Sheets – Add a row » mappe directement les bulles {{2.usage.input_tokens}} et {{2.usage.output_tokens}} retournes par l’API. Multipliez par les tarifs publics pour le cout : Sonnet 4.5 facture 3 USD le million de tokens entrants et 15 USD le million de tokens sortants au moment de la redaction.
Etape 10 : deployer en plusieurs environnements
Pour separer dev et prod, dupliquez le scenario via « Clone » et changez deux choses : la cle API (cle de test vs cle prod) et l’URL du webhook entrant. Vous testez sur le clone sans risquer la production. Une fois valide, exportez le Blueprint du clone et importez-le en ecrasant le scenario prod.
Cette discipline evite les « modifs vendredi soir » qui cassent un automate critique pendant le weekend.
Cas d’usage concrets en Afrique francophone
- Generation de fiches produits Jumia/Glovo : un Google Sheets de 500 lignes declenche un scenario qui produit 500 fiches en 30 minutes pour environ 2 USD.
- Reponse automatique aux emails clients d’un cabinet a Cotonou : tri Gmail, classification Claude (urgent/standard/spam), reponse standard generee, brouillon stocke dans Gmail pour validation humaine.
- Veille reglementaire UEMOA : RSS BCEAO -> Claude resume et tagge -> Notion -> Slack canal #compliance.
- Transcription resumee de notes vocales WhatsApp Business : Twilio -> S3 -> Whisper -> Claude resume -> CRM HubSpot.
Ces workflows tournent en moins de 30 minutes de configuration une fois le pattern maitrise. Pour les volumes superieurs a 10 000 executions par mois, evaluez un passage a n8n self-hosted sur un VPS Hetzner ou Scaleway pour reduire le cout fixe de Make.
Pieges courants et comment les eviter
Premier piege : oublier le header anthropic-version. L’API renvoie alors une erreur 400 cryptique. Toujours fixer « anthropic-version: 2023-06-01 » meme si vous utilisez les modeles les plus recents. Deuxieme piege : envoyer un body avec un champ « prompt » au lieu de « messages » (ancien format Completions deprecated). Troisieme piege : dupliquer un scenario sans changer le webhook entrant, ce qui provoque des executions parallèles concurrentes sur la meme URL.
Quatrieme piege : laisser un module Sleep de 30 secondes dans une boucle de 1000 iterations, qui consomme votre quota d’operations Make en une seule execution. Privilegiez les Iterators avec parallelisme limite via « Sequential processing » desactive et « Maximum number of cycles » plafonne a 100.
Securiser le webhook entrant
Un webhook Make est public par defaut. Pour eviter qu’un tiers ne declenche votre scenario (et ne consomme votre cle Anthropic), ajoutez une verification de signature : le client emet une signature HMAC-SHA256 du body avec un secret partage, et le premier module de votre scenario recompose la signature et compare. En cas de mismatch, « Stop scenario » avec un code 401.
Cette protection prend 5 minutes a installer et bloque 99 % des sondages opportunistes detectes sur les webhooks publics.