Connecter Claude ou GPT à n8n : le guide complet
Publié le 3 mars 2026 · 6 min de lecture
Brancher un grand modèle de langage sur n8n, c'est la porte d'entrée vers tous les workflows IA : tri d'emails, extraction de données, chatbots internes, résumés automatiques. La bonne nouvelle, c'est que n8n intègre nativement OpenAI et Anthropic via ses nodes LangChain. La moins bonne, c'est que la première fois, on se perd facilement entre credentials, sub-nodes et types de chaînes. Ce guide reprend tout dans l'ordre.
Prérequis : une clé API, pas un abonnement chat
Première source de confusion : un abonnement ChatGPT Plus ou Claude Pro ne donne pas accès à l'API. Il vous faut un compte développeur distinct :
- OpenAI : créez une clé sur platform.openai.com (section « API keys »). La facturation est à l'usage, avec un prépaiement de crédit.
- Anthropic : créez une clé sur console.anthropic.com. Même logique : crédit prépayé, facturation au token.
Dans les deux cas, quelques euros de crédit suffisent largement pour des semaines d'expérimentation. Conservez la clé précieusement : elle n'est affichée qu'une fois.
Créer les credentials dans n8n
Dans n8n, ouvrez le menu Credentials (ou créez le credential directement depuis un node) :
- OpenAI : choisissez le type « OpenAI », collez votre clé API. Le champ « Base URL » ne sert que si vous passez par un proxy ou un service compatible (Azure OpenAI a son propre type de credential).
- Anthropic : choisissez le type « Anthropic », collez la clé. Rien d'autre à configurer.
Cliquez sur « Save » : n8n teste la connexion. Une erreur 401 à ce stade signifie presque toujours une clé mal copiée (espace en trop) ou révoquée. Les credentials sont chiffrés dans la base de n8n et réutilisables dans tous vos workflows.
Les nodes de modèle : lmChatOpenAi et lmChatAnthropic
Dans l'univers LangChain de n8n, les modèles ne sont pas des nodes « classiques » qu'on enchaîne de gauche à droite. Ce sont des sub-nodes qui se branchent sous un node racine (chaîne ou agent) via une connexion spéciale de type ai_languageModel.
- OpenAI Chat Model (
lmChatOpenAi) : sélectionnez le modèle (gpt-4.1-mini, gpt-4o, etc.), la température, et éventuellement un plafond de tokens en sortie. - Anthropic Chat Model (
lmChatAnthropic) : même principe avec les modèles Claude (Haiku, Sonnet, Opus).
L'énorme avantage de cette architecture : le modèle est interchangeable. Vous pouvez débrancher le node OpenAI et brancher le node Anthropic à la place sans toucher au reste du workflow. Idéal pour comparer les modèles sur vos propres données, ou pour basculer si un fournisseur a un incident.
À noter : il existe aussi un node « OpenAI » classique (hors LangChain) pour des appels ponctuels (images, audio, un simple message). Pour tout ce qui implique chaînes, agents, mémoire ou outils, ce sont les sub-nodes de modèle qu'il faut utiliser.
Basic LLM Chain ou AI Agent : lequel choisir ?
C'est LA question qui bloque les débutants. Deux nodes racines dominent :
Basic LLM Chain (chainLlm)
Un appel, une réponse. Vous fournissez un prompt (fixe ou construit à partir des données entrantes), le modèle répond, le workflow continue. Pas de mémoire, pas d'outils, pas de décision autonome.
À utiliser pour : classification, résumé, extraction, reformulation, traduction — bref, 80 % des cas d'usage en automatisation. C'est prévisible, rapide et économique. Ajoutez-lui un Structured Output Parser et vous obtenez du JSON propre exploitable par les nodes suivants.
AI Agent (agent)
L'agent reçoit un objectif et décide lui-même des étapes : il peut appeler des outils (connexion ai_tool), consulter une mémoire de conversation (connexion ai_memory), boucler plusieurs fois avant de répondre.
À utiliser pour : chatbots avec contexte, assistants qui doivent interroger une API ou une base de connaissances, tâches où le chemin n'est pas connu d'avance.
La règle simple : si vous pouvez décrire le traitement en une phrase déterministe (« classe cet email en 4 catégories »), prenez la chaîne. Si le modèle doit choisir quoi faire, prenez l'agent. Un agent coûte plus cher (plusieurs appels par exécution) et est moins prévisible — ne le sortez que quand c'est nécessaire. Pour approfondir, voyez notre guide Débuter avec les nodes IA de n8n.
Quel modèle choisir ?
Le réflexe du débutant est de prendre le modèle le plus puissant. C'est presque toujours une erreur en automatisation : les tâches y sont courtes, répétitives et bien cadrées.
| Besoin | Modèles adaptés | Ordre de coût |
|---|---|---|
| Classification, tri, extraction simple | GPT-4.1 mini / Claude Haiku | Très faible |
| Rédaction, résumé de qualité, raisonnement modéré | GPT-4o / Claude Sonnet | Moyen |
| Raisonnement complexe, agents multi-outils exigeants | Modèles haut de gamme (Claude Opus, etc.) | Élevé |
À la date de rédaction, les modèles « mini » ou Haiku coûtent de l'ordre de quelques dizaines de centimes par million de tokens en entrée — soit des milliers d'emails classés pour moins d'un euro. Les modèles intermédiaires (GPT-4o, Claude Sonnet) tournent autour de quelques euros par million de tokens en entrée et un peu plus en sortie. Vérifiez toujours les grilles officielles d'OpenAI et d'Anthropic, elles évoluent vite — et plutôt à la baisse.
Conseil pratique : commencez avec un petit modèle, mesurez la qualité sur 50 cas réels, et ne montez en gamme que si les erreurs le justifient.
Maîtriser les coûts dans n8n
Quelques réflexes évitent les mauvaises surprises :
- Plafonnez la sortie : réglez le paramètre de tokens maximum en sortie sur les nodes de modèle. Une classification n'a pas besoin de 4 000 tokens de réponse.
- Raccourcissez les prompts : en automatisation, le prompt est envoyé à chaque exécution. Dix lignes inutiles multipliées par 5 000 exécutions mensuelles, ça se voit sur la facture.
- Fixez des limites côté fournisseur : OpenAI et Anthropic permettent de définir un budget mensuel maximum sur le compte API. Faites-le dès le premier jour.
- Surveillez les agents : un agent mal prompté peut boucler. Le paramètre « Max Iterations » de l'AI Agent est votre garde-fou.
- Température basse : pour des tâches déterministes, une température à 0 ou 0,2 améliore la constance et évite les relances.
Les erreurs courantes (et leurs solutions)
- 401 Unauthorized : clé invalide ou mal collée dans le credential.
- 429 Too Many Requests : vous dépassez les limites de débit de votre palier API. Activez l'option « Retry on Fail » du node, espacez les exécutions avec un node Wait, ou traitez par lots avec Loop Over Items.
- Réponse non structurée : le modèle répond en prose alors que vous attendiez du JSON. Solution : le Structured Output Parser branché sur la chaîne, plutôt que de supplier le modèle dans le prompt.
- Coûts qui grimpent : presque toujours un agent qui itère trop ou un contexte trop long (historique de mémoire non plafonné).
Et ensuite ?
Une fois Claude ou GPT branché, les cas d'usage concrets s'ouvrent : le plus rentable pour la plupart des indépendants reste le tri automatique des emails par IA — un workflow qui rend service tous les jours. Si vous préférez partir d'une base éprouvée plutôt que de tout construire, le Pack Inbox IA contient des workflows de tri et de résumé d'emails prêts à importer, avec les nodes de modèle déjà câblés : il ne reste qu'à brancher vos credentials.
Le duo n8n + LLM est probablement l'outil au meilleur rapport temps investi / valeur produite du moment pour une petite structure. Une clé API, deux nodes, et vos premières automatisations intelligentes tournent dans l'heure.