Automatiser le compte-rendu de visite immobilière avec l’IA dans n8n

Un agent immobilier enchaîne quatre visites dans l’après-midi. Entre chacune, il conduit, répond au téléphone, prépare la suivante. Le soir venu, il essaie de se souvenir : qui a aimé la cuisine ouverte du 12 rue des Lilas, qui a buté sur le prix du T3 avenue Foch, qui a demandé à revoir le bien avec son conjoint. La mémoire humaine n’est pas conçue pour retenir ce niveau de détail sur plusieurs heures — et c’est précisément ce détail qui fait la différence entre une relance qui convertit et un email générique que le prospect ignore. Ce guide construit avec n8n un pipeline qui capte le compte-rendu à chaud, juste après la sortie du bien, et le transforme automatiquement en relance personnalisée et en mise à jour CRM.

Pourquoi capter l’information tout de suite, pas le soir

La réplication moderne de la courbe de l’oubli d’Ebbinghaus, publiée par Murre et Dros (2015), Replication and Analysis of Ebbinghaus’ Forgetting Curve, dans PLOS ONE, confirme sur des données contrôlées ce que tout agent immobilier constate empiriquement : l’essentiel de l’oubli survient dans les toutes premières heures suivant un événement, bien avant la fin de la journée. Un compte-rendu rédigé « à froid » le soir, après trois ou quatre visites mélangées, perd mécaniquement les nuances qui comptent — le ton d’une objection, l’expression du visage face à la salle de bain, la phrase exacte sur le budget. Le bon moment pour capter l’information n’est donc pas en fin de journée devant un CRM, mais dans la voiture, à la sortie du bien, à chaud.

L’architecture en un paragraphe

Le pipeline tient en cinq étapes : l’agent enregistre un mémo vocal depuis son téléphone (formulaire n8n hébergé ou simple partage de fichier) juste après la visite ; ce fichier audio est envoyé au node OpenAI en mode transcription (whisper-1) ; le texte brut passe dans une Basic LLM Chain couplée à un Structured Output Parser qui en extrait un JSON structuré — bien visité, prospect, points positifs, objections, niveau d’intérêt, prochaine étape ; ce JSON alimente à la fois un email de relance personnalisé généré par un second appel LLM et une mise à jour du CRM ; enfin, un digest groupé récapitule la tournée du jour à l’agence. Si les nodes IA de n8n vous sont encore inconnus, notre guide du node AI Agent et des chaînes pose les bases nécessaires à la suite.

Étape 1 — Capter le mémo vocal depuis le terrain

Deux options réalistes pour un agent en déplacement :

• Form Trigger n8n avec un champ fichier, accessible depuis un lien favori sur le téléphone — aucune app tierce à installer. Notre guide du Form Trigger et des formulaires multi-étapes couvre la mise en place complète, y compris l’ajout d’un champ texte optionnel (adresse du bien, nom du prospect) pour fiabiliser le rapprochement en aval.
• Dossier partagé (Google Drive, OneDrive) sur lequel l’app d’enregistrement vocal du téléphone synchronise automatiquement — un trigger « nouveau fichier » déclenche alors le workflow sans action supplémentaire de l’agent.

Dans les deux cas, gardez le fichier sous les 25 Mo (la limite de l’API de transcription OpenAI) — un mémo de deux à trois minutes en MP3 reste très en dessous, y compris pour plusieurs visites enregistrées à la suite. Les fichiers plus volumineux (par exemple un mémo vidéo) suivent les mêmes règles que celles détaillées dans notre guide sur les fichiers volumineux et le binary data n8n.

Étape 2 — Transcrire avec Whisper

Le node OpenAI, ressource Audio, opération Transcribe a Recording, avec la langue réglée sur fr pour la précision et la latence — exactement le montage détaillé dans notre guide de transcription de réunions avec Whisper, transposé ici du compte-rendu de réunion au compte-rendu de visite. Le vocabulaire immobilier (diagnostic de performance énergétique, mitoyenneté, servitude, syndic) passe correctement tant que la langue est explicitement forcée plutôt que laissée en détection automatique.

Étape 3 — Structurer le compte-rendu avec un LLM

Le texte brut de la transcription — souvent décousu, avec des hésitations et des reprises — passe dans une Basic LLM Chain branchée sur un Structured Output Parser, pour forcer un JSON exploitable plutôt qu’un paragraphe à reparcourir manuellement. Notre guide du Structured Output Parser détaille la mécanique ; le schéma pour ce cas d’usage ressemble à :

{
  "bien": "12 rue des Lilas, T3, 68 m²",
  "prospect": "M. Dupont",
  "points_positifs": ["luminosité", "cuisine ouverte", "proximité transports"],
  "objections": ["prix jugé élevé de 15 000 à 20 000 €"],
  "niveau_interet": "élevé",
  "prochaine_etape": "envoyer une contre-proposition avant vendredi"
}

Le champ niveau_interet (échelle simple : faible / moyen / élevé) permet ensuite de router automatiquement les dossiers chauds vers une alerte immédiate à l’agent, plutôt que de les laisser dormir dans le digest du soir — le même principe de routage que celui détaillé dans notre guide de qualification de leads entrants par IA.

Étape 4 — Générer la relance et mettre à jour le CRM

Deux branches partent de ce JSON structuré :

• Email de relance : un second appel LLM, nourri du JSON et d’un gabarit de ton (professionnel, chaleureux, sans en faire trop), rédige un email spécifique à ce prospect et à cette visite — pas un modèle à trous où seul le prénom change. Le node envoie ensuite un brouillon plutôt qu’un envoi direct, sur le même principe de prudence que celui détaillé dans notre guide des brouillons de réponse générés par IA : l’IA prépare, l’agent relit et valide avant envoi, ce qui évite qu’une formulation maladroite ou un détail mal transcrit parte sans contrôle.
• Mise à jour CRM : une note structurée (bien, prospect, points clés, niveau d’intérêt) est poussée dans HubSpot ou Pipedrive via l’API, selon le montage détaillé dans notre guide de synchronisation CRM avec n8n. Le dossier du prospect reflète alors la visite en quelques minutes, sans que l’agent ait besoin d’ouvrir le CRM lui-même en fin de journée.

Étape 5 — Le digest de fin de journée

Un Schedule Trigger en fin d’après-midi interroge les comptes-rendus du jour et envoie un résumé groupé sur Slack ou par email à l’agence : nombre de visites, dossiers chauds à relancer en priorité, objections récurrentes qui remontent sur un même bien (souvent le signal qu’il faut ajuster le prix ou l’annonce plutôt que blâmer les visites). C’est le même patron de digest groupé que celui utilisé dans le workflow de digest quotidien du Pack Inbox IA, appliqué ici aux visites plutôt qu’aux emails entrants.

Pièges fréquents

• Laisser le mémo pour le soir. Comme le montre la courbe de l’oubli citée plus haut, un compte-rendu dicté plusieurs heures après la visite perd les nuances qui font une relance efficace. Un rappel programmé une heure après chaque créneau de visite (via l’agenda synchronisé) réduit ce risque.
• Envoyer la relance sans relecture. Une transcription imparfaite (nom mal compris, adresse tronquée) peut se glisser dans l’email final. Le passage par un brouillon plutôt qu’un envoi automatique reste la garde-fou le plus simple.
• Ne pas préciser la langue au node de transcription. La détection automatique fonctionne, mais moins bien sur le vocabulaire technique immobilier et les accents régionaux — forcer fr améliore nettement la fiabilité, à coût nul.

Pour aller plus loin

Ce pipeline — transcription, structuration IA, brouillon de relance et journalisation — reprend des briques déjà packagées côté FlowKit : le Pack Inbox IA (79 €) pour la génération de brouillons IA et le digest quotidien, et le Pack Conformité & Audit (149 €) si vous devez en plus conserver une piste d’audit horodatée de chaque échange avec un prospect ou un client, par exemple dans le cadre d’un mandat. Le Bundle FlowKit Complet (269 €) réunit l’ensemble avec le Pack Assistant RAG, utile si vous voulez aussi rendre vos mandats et diagnostics interrogeables par un chatbot interne. Si votre agence enchaîne encore les visites sans autre trace qu’une mémoire qui s’efface au fil de la journée, c’est un après-midi de configuration pour ne plus jamais perdre le détail qui aurait fait signer.