Chapitre 12.3 — La stack technique

⏱️ TL;DR — Tu n’as pas besoin de tout connaître. La stack qui livre 90 % des cas d’usage tient en quatre briques : un orchestrateur (n8n, ou Make) qui pilote les enchaînements, des APIs LLM (Claude, OpenAI) pour le raisonnement, des intégrations (CRM, email, Google Sheets, Slack) pour brancher l’existant, et du RAG (base vectorielle) quand il faut répondre sur les données internes du client. La bonne stratégie n’est pas de tout survoler : maîtrise UNE plateforme (n8n) à fond, et construis 3 démos concrètes qui résolvent de vrais problèmes de ta niche. Ces 3 démos, c’est ton portfolio.

🎯 Objectifs

• Connaître les 4 briques de la stack et le rôle de chacune.
• Comprendre pourquoi maîtriser une plateforme bat le fait d’en survoler dix.
• Savoir ce qu’est le RAG et quand il devient nécessaire.
• Repartir avec un plan : 3 démos qui deviennent ton portfolio.

Les 4 briques (et rien de plus)

La bonne nouvelle : la stack qui vend en 2026 est simple et stable. Quatre briques suffisent pour livrer l’immense majorité des cas d’usage du chapitre précédent.

1. L’orchestrateur : n8n (ou Make)

C’est le chef d’orchestre. Il déclenche les workflows (un nouveau lead arrive, un email tombe, il est 9h), enchaîne les étapes, gère les conditions et les erreurs, et relie toutes les autres briques. n8n est le choix recommandé : open-source, auto-hébergeable (donc coûts d’exploitation faibles et données maîtrisées), et assez souple pour que ton profil de dev y soit à l’aise. Make est l’alternative plus grand public, no-code, un peu moins flexible.

Pourquoi un orchestrateur plutôt que du code brut ? Parce que le client doit pouvoir voir le workflow, que la maintenance est plus rapide, et que tu livres en semaines au lieu de mois. Ta valeur n’est pas d’écrire du plombing à la main — c’est de concevoir le bon enchaînement.

2. Les APIs LLM : Claude, OpenAI

Le cerveau. C’est ce qui lit, comprend, rédige, classe, décide. Tu appelles une API LLM (Claude d’Anthropic, ou OpenAI) depuis ton orchestrateur pour les étapes qui demandent du « raisonnement » : qualifier un lead, résumer, générer une réponse, extraire des infos d’un texte libre. Tu n’as pas à entraîner de modèle — tu consommes un modèle via API, et c’est ça qui rend le métier accessible à un dev web.

3. Les intégrations : CRM, email, Sheets, Slack

Les bras et les jambes. Une automatisation sans intégration ne sert à rien : elle doit lire et écrire dans les outils que le client utilise déjà. Les incontournables : CRM (HubSpot, Pipedrive…), email (Gmail, Outlook), Google Sheets (le CRM déguisé de la moitié des PME), Slack (ou Teams) pour les notifications. n8n a des connecteurs prêts pour tout ça ; ton job est de les câbler proprement et de gérer les cas d’erreur.

4. Le RAG : base vectorielle pour les données internes

La brique « avancée ». Le RAG (Retrieval-Augmented Generation, ou récupération augmentée) permet à un LLM de répondre en s’appuyant sur les données propres du client — sa doc, ses procédures, son historique — plutôt que sur ses connaissances générales. On découpe les documents, on les stocke dans une base vectorielle, et à chaque question on récupère les passages pertinents qu’on injecte dans le prompt.

C’est la brique qui débloque le cas d’usage « support + données internes », et c’est là que ton niveau technique te démarque : bien fait, un RAG répond juste et cite ses sources ; mal fait, il invente. Tu n’en as pas besoin pour tes premières offres — mais c’est ta montée en gamme.

Le pipeline d’un agent, en schéma

Voici à quoi ressemble, de haut, un agent de qualification de leads : le motif se réplique pour la plupart des cas d’usage.

Lis-le comme un enchaînement : un déclencheur réveille l’orchestrateur, qui enrichit la donnée, la fait analyser par le LLM, puis agit selon le résultat (écriture CRM, alerte). C’est du « doing », pas du « chatting » — le système fait le travail jusqu’au bout.

Ne survole pas dix outils : maîtrise-en un

L’erreur du débutant, c’est de vouloir « connaître tous les outils IA ». Il en sort dix mois plus tard en sachant vaguement tout et rien à fond, incapable de livrer un projet qui tient.

La stratégie qui paie est l’inverse : choisis n8n et deviens vraiment bon. Comprends ses déclencheurs, sa gestion d’erreurs, ses appels d’API, sa manière de traiter les données. Une plateforme maîtrisée te laisse livrer n’importe quel cas d’usage en 4 à 8 semaines ; dix plateformes survolées ne te laissent en livrer aucun avec confiance. La profondeur bat l’étendue — surtout quand un client compte sur toi pour que ça marche en prod.

💡 Réflexe — Quand un nouvel outil IA « révolutionnaire » sort et que tu ressens la FOMO, demande-toi : « est-ce que je maîtrise déjà n8n assez pour livrer un projet payant demain ? » Si non, c’est là qu’est ton heure d’apprentissage — pas dans le dixième outil. On te paie pour livrer, pas pour collectionner.

Tes 3 démos = ton portfolio

Tu n’as ni cas client ni témoignage au départ. Ta preuve, ce seront 3 démos concrètes qui résolvent de vrais problèmes de ta niche (pas des démos génériques « voici un chatbot »).

• Chaque démo attaque une douleur réelle et reconnaissable de ton vertical.
• Chaque démo est montrable en 2 minutes : le client voit le problème et le résultat.
• Ensemble, elles disent « je sais faire, voici la preuve » sans que tu aies eu besoin d’un premier client payant.

Ces 3 démos font double emploi : elles te forment (tu apprends n8n en les construisant) et elles constituent ton portfolio de vente. C’est l’atelier du chapitre 12.5.

🚀 Sur ton plan 12 mois — La compétence technique de notre dev est déjà là ; ce qui lui manque, c’est la maîtrise profonde de n8n et une preuve montrable. Sa feuille de route est donc simple : consacrer quelques week-ends à monter en puissance sur une seule plateforme, et en sortir 3 démos ancrées dans sa niche. Ces 3 démos ne sont pas un exercice d’école — ce sont, littéralement, le portfolio qui décrochera son premier contrat IA. Pas besoin d’attendre d’être « expert » : trois démos qui marchent suffisent.

Ce que tu automatises pour toi, tu le vends

Il y a un raccourci évident vers ta première offre : tes propres automatisations. Tout ce que tu as branché pour gagner du temps sur ton activité — trier tes leads, décliner ton contenu, relancer tes prospects — est déjà un produit vendable. Tu l’as testé sur le client le plus exigeant (toi), tu en connais le ROI, et tu peux le démontrer en live.

📚 Aller plus loin — La Partie 11 — L’IA comme levier traite d’automatiser ton travail. Relis-la avec la casquette « prestation » : chaque automatisation que tu construis pour toi est une démo, une offre et une preuve de ROI prêtes à l’emploi. Tu ne pars jamais de zéro — tu vends ce que tu as déjà éprouvé sur toi-même.

✏️ Exercices

Exercice 1 — Câble un cas d’usage mentalement. Prends « relance des devis sans réponse » et décompose-le en briques : quel déclencheur ? quelle(s) intégration(s) en lecture ? quel rôle pour le LLM ? quelle(s) intégration(s) en écriture ? Faut-il du RAG ?

Exercice 2 — Choisis tes 3 démos. Pour ta niche, liste 3 douleurs automatisables reconnaissables par n’importe quel acteur du secteur. Vérifie que chacune se montre en 2 minutes.

🧠 Quiz de révision

Chapitre suivant : Packager & pricer — comment transformer cette stack en une offre facturable, avec le retainer qui fait la vraie différence.