Comment générer du contenu en masse avec Make.com et OpenAI ?

Réponse rapide : vous pouvez générer du contenu en masse avec Make.com et OpenAI en créant un scénario qui parcourt une source de données, appelle le module OpenAI pour chaque ligne et gère les limites de débit grâce aux gestionnaires d'erreurs intégrés et aux modules Sleep. Cette approche remplace le travail manuel prompt par prompt par un pipeline automatisé et reproductible, capable de produire des centaines de contenus par exécution.

Générer du contenu à grande échelle avec OpenAI est simple quand il n'y a qu'un ou deux textes à écrire. Cela devient vite ingérable quand il faut 50 fiches produit, 200 variantes d'e-mails ou un mois complet de publications sociales en une seule session. Copier-coller des prompts n'est pas un workflow. C'est un goulot d'étranglement.

Make.com résout ce problème en jouant le rôle de couche d'orchestration entre vos données et l'API d'OpenAI. Vous définissez la logique une fois, vous la branchez sur votre source de données et vous la laissez tourner. Ce guide détaille la construction de ce pipeline, y compris la gestion des erreurs de limite de débit qui piègent la plupart des gens la première fois.

Ce qu'il vous faut avant de commencer

• Un compte Make.com (n'importe quel forfait payant pour les scénarios dépassant 1 000 opérations par mois)
• Une clé API OpenAI avec suffisamment de crédits
• Une source de données contenant vos entrées (Google Sheets, Airtable ou un fichier CSV sont les plus courants)
• Un modèle de prompt clair avec une ou plusieurs variables dynamiques

Si votre source de données est un Google Sheet, structurez-le de sorte que chaque ligne corresponde à une tâche de contenu. La colonne A peut contenir un nom de produit, la colonne B une courte description, la colonne C l'audience cible. Votre scénario Make lira chaque ligne et injectera ces valeurs dans votre prompt.

Comment connecter Make.com à OpenAI pour du contenu en masse

Étape 1 : créer un nouveau scénario et ajouter un module de source de données

Ouvrez Make.com et créez un nouveau scénario. Ajoutez le module de déclenchement correspondant à votre source de données :

• Google Sheets : utilisez « Search Rows » pour récupérer toutes les lignes de votre feuille d'entrée
• Airtable : utilisez « Search Records » avec un filtre sur les lignes qui n'ont pas encore été traitées
• Module HTTP : utilisez-le si vous récupérez les données depuis une base de données ou une API personnalisée

Configurez le module pour qu'il renvoie toutes les lignes plutôt qu'une seule. Make transmettra chaque ligne au reste du scénario sous la forme d'un bundle distinct.

Étape 2 : ajouter un module Iterator

Après votre module de source de données, ajoutez un Iterator. Il découpe votre tableau de lignes en éléments individuels, afin que chacun passe séparément dans le module OpenAI. Sans cette étape, Make tente d'envoyer l'ensemble du jeu de données à OpenAI en un seul appel, ce qui produit un seul résultat au lieu d'un par ligne.

Connectez la sortie de l'Iterator au module suivant de votre chaîne.

Étape 3 : ajouter le module OpenAI (ChatGPT)

Ajoutez le module OpenAI (ChatGPT) et sélectionnez « Create a Completion » ou « Create a Chat Completion » selon le modèle utilisé. GPT-4o et GPT-3.5-turbo utilisent tous deux les Chat Completions.

Dans le champ du prompt, rédigez votre modèle et associez-y les variables dynamiques de l'Iterator :

Write a 150-word product description for {{1.product_name}}.
Target audience: {{1.target_audience}}.
Tone: {{1.tone}}.
Include one specific benefit and one clear call to action.

Les références entre doubles accolades récupèrent automatiquement les valeurs de colonne correspondantes dans chaque ligne.

Définissez votre modèle, le nombre maximal de tokens et la température. Pour obtenir des résultats homogènes en lot, gardez une température comprise entre 0,3 et 0,7. Des valeurs plus élevées introduisent plus de variation, ce qui est utile pour des textes de réseaux sociaux mais moins pour des fiches produit structurées. Si vous produisez des contenus SEO à grande échelle, il peut aussi être utile de consulter les approches des agences de content marketing B2B SaaS pour standardiser les briefs et la qualité des livrables.

Étape 4 : réécrire le résultat dans votre source de données

Après le module OpenAI, ajoutez un module qui réécrit le résultat dans votre feuille ou votre base de données. Pour Google Sheets, utilisez « Update a Row » et associez le contenu généré à votre colonne de sortie. Pour Airtable, utilisez « Update a Record ».

Associez le champ de réponse d'OpenAI (généralement choices[0].message.content) à la bonne cellule. Ajoutez aussi une colonne d'horodatage pour suivre le moment où chaque ligne a été traitée.

Comment gérer les limites de débit d'OpenAI dans Make.com

Les limites de débit sont le point de défaillance le plus fréquent dans les scénarios de contenu en masse. OpenAI impose des limites à la fois sur les requêtes par minute (RPM) et sur les tokens par minute (TPM). Si votre scénario envoie des requêtes plus vite que votre palier ne l'autorise, vous verrez apparaître des erreurs 429 et votre scénario échouera en cours d'exécution.

Ajouter un module Sleep entre les requêtes

La solution la plus simple est un module Sleep placé juste après le module OpenAI et avant le module de sortie. Réglez-le pour qu'il marque une pause de 1 à 3 secondes entre chaque itération. Cela réduit votre débit, mais vous maintient largement dans les limites standard de la plupart des paliers OpenAI.

À titre de repère, l'offre gratuite d'OpenAI autorise 3 RPM sur GPT-4o. Le palier 1 (après 5 $ de dépenses) autorise 500 RPM. Si vous êtes au palier 1, une pause d'une seconde vous offre une marge confortable. Si vous êtes sur l'offre gratuite, réglez la pause sur 20 secondes.

Utiliser le gestionnaire d'erreurs intégré de Make pour les erreurs 429

Ajoutez un gestionnaire d'erreurs à votre module OpenAI pour intercepter les réponses 429 sans faire planter l'ensemble du scénario :

1. Faites un clic droit sur le module OpenAI
2. Sélectionnez « Add error handler »
3. Choisissez « Resume » comme type de gestionnaire
4. Ajoutez un autre module Sleep dans le gestionnaire d'erreurs, réglé sur 60 secondes
5. Redirigez le flux vers le module OpenAI pour relancer la même requête

Cela crée une boucle de nouvelle tentative automatique. Lorsque OpenAI renvoie une erreur de limite de débit, Make attend 60 secondes et réessaie, au lieu de faire échouer toute l'exécution et de vous faire perdre votre progression.

Découper les gros lots en exécutions plus petites

Si vous traitez plus de 200 lignes d'un coup, scindez la tâche. Utilisez un filtre dans votre module de source de données pour récupérer les lignes 1 à 100 lors d'une exécution du scénario, puis les lignes 101 à 200 lors de la suivante. Vous pouvez automatiser cela avec un compteur stocké dans un data store Make, incrémenté après chaque exécution.

Comment structurer votre modèle de prompt pour obtenir des résultats homogènes en lot

La qualité du prompt compte davantage à grande échelle, car vous ne pouvez pas relire chaque résultat avant que le suivant ne soit généré. Un prompt vague qui donne un résultat acceptable une fois produira des résultats extrêmement irréguliers sur 100 lignes.

Utilisez des contraintes de sortie explicites :

Write exactly 3 bullet points. Each bullet must be under 20 words.
Do not include an introduction or conclusion. Start directly with the first bullet.

Précisez les exigences de format :

Return only the finished copy. Do not include explanations, labels, or commentary.

Utilisez un cadrage par rôle pour ancrer le ton :

You are a direct-response copywriter for a B2B SaaS brand.
Write in second person. Avoid jargon.

Tester votre prompt sur 5 à 10 lignes représentatives avant de lancer le lot complet vous fait gagner un temps considérable de nettoyage. Si les contenus doivent soutenir la génération de pipeline, la cohérence des messages ou la segmentation des campagnes, il peut aussi être utile de comparer votre workflow avec la façon dont les agences de marketing digital B2B SaaS spécialisées rendent opérationnels des systèmes de contenu reproductibles.

Comment suivre et gérer les résultats en lot dans Make.com

Utiliser une colonne de statut dans votre source de données

Ajoutez une colonne « Status » à votre feuille d'entrée avec des valeurs comme « Pending », « Processing » et « Done ». Mettez-la à jour au début et à la fin du parcours de chaque ligne dans le scénario. Vous pourrez ainsi filtrer les lignes non traitées à l'exécution suivante et éviter de refaire le travail si le scénario échoue en cours de route.

Stocker les résultats dans une feuille ou une table distincte

Écrivez le contenu généré dans une table de sortie dédiée plutôt que d'écraser vos données d'entrée. Cela garde vos données sources propres et vous donne un historique complet de chaque contenu généré, avec l'horodatage et les valeurs d'entrée qui l'ont produit.

Consigner les erreurs dans une feuille distincte

Ajoutez à votre gestionnaire d'erreurs un second chemin de sortie qui écrit les lignes en échec dans une feuille de journal d'erreurs. Indiquez l'identifiant de la ligne, le message d'erreur et l'horodatage. Après chaque exécution, vous pourrez retraiter les lignes en échec isolément, sans toucher à celles qui ont réussi.

Quelle est la différence entre le traitement en masse de Make.com et la Batch API d'OpenAI ?

La Batch API d'OpenAI est un produit distinct, conçu pour les développeurs qui souhaitent soumettre de gros volumes de requêtes par appels API directs et récupérer les résultats de façon asynchrone, souvent à un coût inférieur de 50 %. Elle s'adresse aux équipes d'ingénierie à l'aise avec les fichiers JSON et les endpoints d'API.

L'approche de Make.com est différente. Elle offre une interface visuelle no-code qui permet de construire la même logique de traitement en masse sans écrire d'appels API à la main. Vous bénéficiez d'une visibilité en temps réel sur les statuts, d'une gestion native des erreurs et d'une intégration directe avec des outils comme Google Sheets, Airtable, Slack et Notion dans un même workflow. Pour les équipes marketing, les responsables content ops et les fondateurs de SaaS qui veulent automatiser la production de contenu sans dépendre de l'ingénierie, Make.com est le chemin le plus rapide vers un pipeline fonctionnel.

Les deux approches ne s'excluent pas. Si vous générez du contenu à très gros volume (des dizaines de milliers de lignes), vous pouvez utiliser Make pour déclencher un job de la Batch API d'OpenAI, puis interroger régulièrement l'API pour récupérer les résultats une fois le traitement terminé. C'est un schéma plus avancé, qu'il vaut la peine d'explorer une fois votre pipeline de base fiable.

FAQ

Q : Combien de lignes Make.com peut-il traiter avec OpenAI en une seule exécution de scénario ?
R : Make.com n'impose pas de plafond strict au nombre d'itérations par exécution de scénario, mais la limite d'opérations de votre formule s'applique. Chaque appel à OpenAI compte pour une opération. Avec la formule Core de Make (10 000 opérations par mois), un seul lot de 500 lignes consommerait 5 % de votre quota mensuel. Tenez-en compte dans le choix de votre formule avant de lancer régulièrement de gros lots.

Q : Que se passe-t-il si mon scénario Make échoue en cours d'exécution lors d'une génération de contenu en masse ?
R : Make enregistre le point de défaillance et vous pouvez consulter l'historique d'exécution pour voir quels bundles ont été traités. Si votre source de données comporte une colonne de statut, seules les lignes marquées « Done » seront ignorées lors de l'exécution suivante. Sans colonne de statut, vous risquez de retraiter des lignes déjà terminées et de générer des doublons. Intégrez toujours un suivi de statut dans vos scénarios de traitement en masse avant de les lancer à grande échelle.

Q : Make.com avec OpenAI est-il moins cher que l'utilisation directe de l'API Batch d'OpenAI ?
R : L'API Batch d'OpenAI offre des coûts de tokens inférieurs de 50 % par rapport à la tarification standard de l'API, ce qui la rend moins chère pour de très gros volumes. Make.com ajoute ses propres coûts d'opérations à la tarification standard de l'API d'OpenAI. Pour des exécutions de moins de quelques centaines de lignes par semaine, l'approche Make est généralement plus rentable, compte tenu du temps gagné sur la mise en place et la maintenance. Pour des dizaines de milliers de lignes par mois, une approche hybride (Make déclenchant des jobs de l'API Batch) mérite d'être étudiée.

Q : Puis-je utiliser Make.com pour générer des images en masse avec DALL-E d'OpenAI en plus du texte ?
R : Oui. Le module OpenAI de Make inclut une action « Create an Image » qui appelle DALL-E. Vous pouvez enchaîner une génération de texte et une génération d'image dans le même scénario, en utilisant le texte produit comme prompt de l'image. Chaque génération d'image compte comme une opération distincte et un appel API distinct : prenez-les donc en compte dans vos calculs de limites de débit et de coûts.

Q : Cette approche convient-elle aux équipes SaaS non techniques ?
R : Make.com est conçu pour ce type d'usage. Vous n'avez pas besoin d'écrire de code pour construire un pipeline de contenu en masse fonctionnel. Les modules pour Google Sheets, OpenAI et la gestion des erreurs se configurent tous en quelques clics. Les équipes SaaS qui s'intéressent aussi à la visibilité dans les moteurs de recherche des contenus générés peuvent se comparer à des agences SEO spécialisées en B2B SaaS, mais le meilleur point de départ reste un lot test de 10 lignes pour valider votre prompt et votre format de sortie avant de passer à l'ensemble de vos données.