Automatiser ses emails avec ChatGPT et Make (mon système)
Comment j'ai automatisé 95% de mes emails avec GPT-4o et Make. Méthode complète, prompt et résultats après 600+ emails traités.
GPT-4o peut trier et répondre à 95% de vos emails
Oui, c’est possible d’automatiser la quasi-totalité de sa boîte mail avec un LLM et un outil no-code. J’ai connecté ChatGPT à ma boîte Gmail via Make, et après 600+ emails traités, mon temps de réponse au support a été divisé par 4.
Selon McKinsey, un professionnel passe en moyenne 28% de sa journée de travail sur ses emails, soit environ 2,6 heures par jour (McKinsey Global Institute). Autant dire que si vous pouvez automatiser même une partie de ce temps, l’impact est énorme.
La vidéo complète
Pourquoi automatiser sa boîte mail en 2026
Le problème n’est pas de recevoir des emails. C’est de passer son temps à faire des actions répétitives : archiver des newsletters, répondre avec les mêmes phrases, copier-coller des templates.
McKinsey estime que l’IA générative peut automatiser entre 60 et 70% des activités qui occupent les employés aujourd’hui (McKinsey, 2023). L’email est l’un des premiers cas d’usage concrets où ça fonctionne déjà.
Sam Altman l’a dit début 2025 :
“We believe that, in 2025, we may see the first AI agents ‘join the workforce’ and materially change the output of companies.” — Sam Altman, CEO OpenAI
Et c’est exactement ce qui se passe ici : un agent IA qui rejoint votre équipe pour gérer le support email.
Ma méthode en 3 étapes avec Make et GPT-4o
Étape 1 : Catégoriser ses emails manuellement d’abord
Avant de toucher à l’automatisation, il faut comprendre sa boîte mail. Sur mes 600 derniers emails reçus, voici les catégories que j’ai identifiées :
| Catégorie | Exemple | Action |
|---|---|---|
| Remerciements | ”Merci pour vos vidéos” | Réponse personnalisée |
| Demande de conseil | ”Pouvez-vous m’aider avec…” | Redirection formation |
| Partenariat | ”Idée de coopération” | Formulaire partenariat |
| Prospect formation | ”Combien coûte la formation ?” | Lien + détails |
| Support client | ”Mon accès ne marche plus” | Procédure support |
| Newsletter | Emails marketing reçus | Archiver |
| Autre | Tout le reste | Réponse improvisée par GPT |
Ce travail de catégorisation est la base de tout. C’est le même principe que lorsque vous construisez votre premier agent IA : vous commencez par définir les tâches avant d’automatiser.
3 modules Make suffisent pour automatiser 95% des réponses email.
Étape 2 : Construire l’automatisation sur Make
Ma première version utilisait des branches dans Make : un routeur qui envoyait chaque email dans une branche selon sa catégorie, avec un template pré-écrit pour chaque branche.
Le système fonctionnait, mais manquait de souplesse. Je devais quand même personnaliser chaque template à la main (remplacer le prénom, adapter le contexte).
La révélation est venue de la catégorie “Autre”. Pour les emails inclassables, je laissais GPT improviser une réponse. Et c’est là que la qualité a nettement progressé.
Version finale de l’automatisation (3 modules Make) :
- Gmail — Détecter chaque nouvel email reçu
- ChatGPT — Envoyer l’email au LLM avec un prompt structuré
- Gmail — Créer un brouillon avec la réponse générée
Plus de branches. Plus de routeur. Tout le “cerveau” est dans le prompt.
Les 5 composants du prompt qui remplacent toutes les branches Make.
Étape 3 : Écrire le prompt qui fait tout le travail
C’est l’élément central. Le prompt contient :
- Le rôle : “Tu es un assistant de messagerie”
- Les catégories : chaque type d’email avec ses directives spécifiques
- Le tone of voice : comment j’écris (tutoiement, emojis, structure)
- Le format de sortie : réponse en texte + réponse en HTML (pour le formatage Gmail)
- Les règles métier : liens vers formulaires, conditions de réduction, etc.
En fait, j’ai refactorisé toute mon automatisation dans un seul prompt. Le prompt est long, mais l’automatisation Make est devenue ultra-simple.
C’est un changement de paradigme : au lieu de construire la logique dans l’outil d’automatisation (branches, conditions, filtres), vous placez la logique dans le prompt du LLM. Le module GPT devient le moteur de décision ET le rédacteur.
Temps de réponse divisé par 4 après 600+ emails traités avec GPT-4o.
Résultats après 600+ emails et 2 mois d’utilisation
Les chiffres parlent d’eux-mêmes :
| Métrique | Avant | Après |
|---|---|---|
| Temps de réponse support | ~4h | ~1h (divisé par 4) |
| Emails pré-répondus par l’IA | 0% | 95% |
| Temps quotidien sur les emails | ~2h | ~30 min |
| Nombre d’emails traités | 600+ sur la période de test | — |
Selon une étude MIT Sloan / Microsoft Research / GitHub relayée par Harvard Business Review, les outils d’IA générative permettent de réduire le temps passé sur des tâches de programmation de 56% (HBR, mars 2025). L’étude porte sur le code, mais le principe s’applique à toute tâche répétitive et structurée — comme l’email. Dans mon cas, le gain est encore plus élevé.
Le plus surprenant : la qualité des réponses est souvent meilleure que ce que j’écrivais moi-même. GPT prend le temps de personnaliser, de poser des questions, d’être poli. Moi, quand j’avais 50 emails en attente, j’envoyais des réponses expédiées.
L’évolution : un générateur de prompt dynamique
Au bout de quelques semaines, le prompt est devenu trop long à maintenir. Chaque nouvelle catégorie, chaque nouvelle directive allongeait le fichier.
La solution : un générateur de prompt. Au lieu d’avoir un prompt statique géant dans Make, j’ai créé un système où les catégories et directives sont stockées séparément. Le prompt est assemblé dynamiquement avant chaque appel API.
Ça permet à mon équipe (notamment Elena, qui gère le support) d’ajouter de nouvelles directives sans toucher à l’automatisation Make. Quand un email tombe dans la catégorie “Autre”, on identifie le pattern et on l’ajoute dans les directives. Le système devient plus intelligent au fil du temps.
Si vous souhaitez aller plus loin dans la compréhension des protocoles qui connectent l’IA à vos outils, consultez mon guide sur le MCP.
Mon avis : un nouveau paradigme d’automatisation
Ce projet illustre un basculement fondamental dans l’automatisation. L’automatisation “classique” (si X alors Y) est en train de muter. Avec un LLM dans la boucle, vous n’avez plus besoin de prévoir chaque cas de figure. Vous décrivez le comportement souhaité en langage naturel, et le modèle s’adapte.
C’est exactement ce qu’Andrew Ng décrit :
“We can make so many decisions more systematically or automate away repetitive tasks and save so much human time.” — Andrew Ng (MIT Technology Review, 2017)
Ce qui m’a le plus surpris, c’est que la mise en place n’est pas si complexe. Trois modules Make, un bon prompt, et vous disposez d’un assistant email qui tourne 24h/24.
Si vous vous sentez dépassé par l’IA et que vous ne savez pas par où commencer, consultez mon système en 3 étapes pour avancer. L’automatisation email est un excellent premier projet concret.
Si vous souhaitez recevoir ce type de contenu chaque semaine, inscrivez-vous à la newsletter — un email par semaine, zéro spam.
Questions fréquentes
Est-ce que ChatGPT peut vraiment répondre à mes emails automatiquement ?
Oui. En combinant ChatGPT (via l'API OpenAI) avec un outil d'automatisation comme Make, vous pouvez créer un workflow qui lit chaque email entrant, le catégorise et rédige un brouillon de réponse personnalisé. Le brouillon est créé dans Gmail, vous gardez le contrôle avant l'envoi.
Combien de temps faut-il pour mettre en place cette automatisation email ?
Comptez environ 2 à 3 heures pour la première version fonctionnelle. Le plus long, c'est d'écrire un bon prompt avec vos catégories et votre tone of voice. L'automatisation Make en elle-même ne prend que 15 minutes à configurer.
Quel est le coût d'une automatisation email avec GPT-4o et Make ?
Make propose un plan gratuit (1000 opérations/mois). Pour 600 emails, comptez environ 2-3 dollars d'API OpenAI par mois avec GPT-4o. Le coût total reste sous 20 euros par mois même avec un plan Make Pro.
Est-ce que l'IA se trompe dans les réponses aux emails ?
Au début, quelques erreurs de catégorisation sont normales. Mais en affinant le prompt avec un tone of voice précis et des directives par catégorie, le taux de précision monte vite. Après quelques itérations, 95% des brouillons sont utilisables tels quels ou avec des modifications mineures.
Quelle est la différence entre un template email et une réponse générée par IA ?
Un template est un texte fixe que vous copiez-collez. Une réponse générée par IA est contextuelle : elle s'adapte au contenu de l'email reçu, au nom de l'expéditeur et à la situation. C'est comme avoir un assistant qui a lu l'email et rédige une réponse personnalisée au lieu d'envoyer un copier-coller générique.