Comment j'ai réduit drastiquement le temps passé sur mes e-mails

Introduction

Chez Spartan Conseil, nous utilisons N8N, un outil no-code, pour automatiser les tâches courantes dans les SOCs de nos clients. Typiquement, ce sont les opérations classiques confiées aux analystes N1 : recherches d'IP, reconnaissance de patterns récurrents, etc. Malheureusement, ces solutions restent confidentielles aux clients et ne peuvent être partagées.

Cependant, il y a des automatisations internes chez Spartan Conseil que je peux librement présenter, notamment la gestion des e-mails, une tâche chronophage et souvent frustrante. Deux types d'e-mails nous posent particulièrement problème :

1. Les candidatures spontanées : beaucoup de demandes pour des stages ou alternances arrivent directement via notre e-mail général sans que les candidats aient consulté notre page RH.

2. Les démarchages commerciaux : des propositions très variées, souvent peu pertinentes, allant du rachat d’entreprise aux formations en RSE.

Pour optimiser notre temps, j'ai décidé d'automatiser le traitement de ces e-mails avec N8N, et c'est ce processus que je vais vous présenter aujourd'hui.

Pourquoi N8N ?

N8N est un outil no-code gratuit avec une version commerciale optionnelle. Pour de nombreux usages, la version gratuite suffit largement. Cet outil permet de construire rapidement des automatisations puissantes en reliant simplement des blocs entre eux. Il inclut aussi une intégration facile avec des LLM tels que DeepSeek ou GPT, ce qui permet d'ajouter une couche d'analyse et de réflexion avancée à nos workflows.

Vue globale du workflow

Voici la structure générale du workflow :

Workflow global

Le workflow commence par deux possibilités d'entrée :

• Un trigger automatique qui vérifie les nouveaux e-mails toutes les minutes.

• Un lancement manuel pour les tests.

J'utilise ensuite un bloc qui charge un fichier JSON pour pallier l’absence de variables d'environnement dans la version gratuite de N8N. Ce fichier de configuration peut être partagé entre plusieurs workflows.

Deux blocs IF successifs filtrent ensuite les e-mails sur les champs "From" et "To". Ceci garantit que les messages provenant de contacts connus (clients, collaborateurs) ne seront pas traités par erreur par notre système automatique, tout en économisant les tokens utilisés par le LLM.

Si un e-mail est identifié comme connu, il est simplement classé dans un label spécifique sur Gmail via un bloc Switch. Sinon, il passe dans un LLM (DeepSeek dans mon cas) avec un prompt précis. DeepSeek est particulièrement strict et respecte parfaitement les formats demandés, contrairement à d'autres modèles plus approximatifs comme Mistral.

Le résultat est un JSON avec trois champs booléens : `commercial`, `RH`, `autre`. Un parser personnalisé extrait et structure ce JSON avant que l’e-mail soit classifié et envoyé vers le bon assistant.

L'assistante virtuelle : Julie

Julie traite les candidatures spontanées. Actuellement, notre page "Rejoignez-nous" ne propose aucune offre, mais nous recevons beaucoup de demandes. La tension actuelle sur le marché de la cybersécurité amplifie ce phénomène.

Voici le workflow dédié à Julie :

Julie, l'assistante RH

Julie commence par demander une validation humaine ("Man In The Loop") via Telegram, avec les options "Approve" ou "Reject". Si la candidature est validée, l'e-mail est marqué comme lu, déplacé dans le label "RH", et une réponse automatique courtoise est envoyée au candidat. Enfin, un message Telegram confirme le traitement.

L'assistant virtuel : Bruno Aleck

Bruno s'occupe du démarchage commercial non sollicité. J'ai même créé pour lui un profil LinkedIn fictif de personnage parfaitement inutil qui aime organiser des réunions sans fin. Les réunions servent avant tout à planifier les prochaines réunions, c'est connu !

Voici son workflow :

Bruno, Assistant anti campagne emailing

Tout comme Julie, Bruno commence par une validation humaine sur Telegram. Si validé, l’e-mail est classé sous le label commercial. Ensuite, une base Redis vérifie si l'expéditeur est nouveau ou non :

• Pour une première sollicitation, une réponse polie mais ferme est envoyée indiquant le désintérêt pour l'offre, et l'expéditeur est enregistré.

• Pour une relance, Bruno répond automatiquement qu’il est en vacances pour une durée indéterminée.

Retour d’expérience et recommandations

Voici les points essentiels que j’ai retenus de cette expérience :

• Filtrer tôt : les deux blocs IF au début du workflow sont essentiels pour éviter de gaspiller des tokens de LLM sur des e-mails connus et éviter tout risque d’erreur.

• Choix du LLM : DeepSeek s’est avéré le plus fiable pour respecter les consignes strictes, contrairement à d’autres modèles comme Mistral.

• Supervision humaine indispensable : Le "Man In The Loop" est obligatoire. Un incident avec une mauvaise adresse m'a confirmé l'importance d'une supervision humaine, même minimale.

• OpenRouter : Je recommande également OpenRouter, une plateforme qui permet d'accéder facilement à différents LLM via une seule API, facilitant les tests et l'intégration de nouveaux modèles.

Conclusion

Auto-héberger un N8N relié à un LLM comme DeepSeek représente un investissement minime, souvent quelques centimes par mois seulement. En échange, il offre un énorme gain de temps sur la gestion quotidienne des e-mails, libérant ainsi des ressources précieuses pour d'autres tâches plus stratégiques.