En bref — Connectez Google Sheets ou Airtable à un LLM via Make pour produire des rapports PDF mis en forme automatiquement — guide pas-à-pas avec captures d'écran du scénario.

automatiser rapport PDF IA Make Image : Danny Choo — Openverse (by-sa)

Automatiser la génération de rapports PDF avec l'IA et Make (sans coder)

Chaque semaine, la même corvée : compiler des chiffres éparpillés dans un tableur, rédiger un résumé lisible, formater le tout dans un PDF présentable, puis l'envoyer au client ou à l'équipe. Ce cycle prend entre une et trois heures selon la complexité du rapport — et il ne produit aucune valeur intellectuelle réelle. C'est exactement le type de tâche que l'IA et Make peuvent absorber entièrement.

Ce guide vous montre comment construire un workflow qui récupère vos données, les envoie à un LLM pour produire une synthèse structurée, génère un PDF mis en forme, et le livre automatiquement à la bonne personne — sans écrire une ligne de code.

1. Quels rapports peut-on vraiment automatiser ?

Avant de construire quoi que ce soit, posez-vous une question simple : le rapport suit-il toujours la même structure ? Si oui, il est automatisable. Si chaque livrable est radicalement différent du précédent, l'IA peut aider mais le workflow complet sera difficile à standardiser.

Les cas d'usage qui fonctionnent le mieux :

Le bilan hebdomadaire d'activité. Vos KPIs sont dans un Google Sheet mis à jour chaque semaine (chiffre d'affaires, tickets traités, leads générés). Le rapport suit toujours le même plan : résumé exécutif, chiffres clés, points d'attention, actions recommandées. Ce type de document est un candidat parfait — la structure est fixe, seules les données changent.

Le rapport client mensuel. Une agence qui gère dix clients produit dix rapports identiques dans leur forme mais différents dans leur contenu. Automatiser signifie ici : une seule construction de workflow, dix PDF personnalisés générés en quelques secondes.

Le compte-rendu de réunion enrichi. Si vous utilisez un outil de transcription (Otter, Fireflies, Notion AI), vous disposez d'un texte brut après chaque réunion. Un LLM peut le transformer en CR structuré avec décisions, actions et responsables, puis l'exporter en PDF prêt à diffuser.

Les rapports d'audit ou de suivi projet. Lorsque les données viennent d'Airtable (statut des tâches, dates, responsables), Make peut les agréger et demander à l'IA de produire une synthèse narrative du projet.

Ce qui ne fonctionne pas bien : les rapports qui nécessitent un jugement éditorial fort, une mise en page très graphique (infographies, schémas complexes), ou des données non structurées et imprévisibles. L'automatisation est un amplificateur, pas un remplaçant du raisonnement humain.

2. Les briques nécessaires

Le workflow repose sur quatre composants. Chacun a un rôle précis.

Make (ex-Integromat)

Make est le chef d'orchestre. Il déclenche le scénario (manuellement, à heure fixe, ou sur événement), récupère les données, appelle l'API OpenAI, transmet le résultat à l'outil PDF, puis envoie le document final. Aucun code requis — tout se configure via une interface visuelle par blocs.

Le plan gratuit de Make permet 1 000 opérations par mois, ce qui suffit pour tester. Un plan Core à 9 $/mois offre 10 000 opérations, largement suffisant pour des rapports hebdomadaires sur plusieurs clients.

OpenAI (GPT-4o ou GPT-4o mini)

C'est le moteur de rédaction. Make envoie vos données brutes à l'API OpenAI avec un prompt de synthèse, et l'IA retourne un texte structuré, lisible et cohérent. GPT-4o mini est suffisant pour la majorité des rapports et coûte environ 10 à 20 fois moins cher que GPT-4o.

Un outil de génération PDF

Deux options solides s'intègrent nativement à Make :

  • PDFMonkey : vous créez un template HTML/CSS dans leur interface, vous injectez des variables, et l'API génère le PDF. Idéal si vous voulez un contrôle fin sur la mise en page. Tarif : à partir de 19 $/mois pour 100 documents.
  • Carbone.io : vous utilisez un template Word ou LibreOffice avec des balises {variable}, et Carbone remplace les balises par vos données pour produire un PDF. Plus simple si votre équipe est à l'aise avec Word. Tarif : plan gratuit limité, puis 49 $/mois.

Pour ce guide, nous utilisons PDFMonkey, qui dispose d'un module Make officiel et d'une interface de template intuitive.

La source de données

Google Sheets ou Airtable. Les deux ont des modules Make natifs. Airtable est préférable si vos données sont relationnelles (projets liés à des clients liés à des tâches). Google Sheets suffit pour des données tabulaires simples.

3. Construction du scénario Make étape par étape

Voici l'architecture complète du scénario avant d'entrer dans le détail de chaque module :

[Planificateur] → [Google Sheets : lire les données] → [OpenAI : synthèse] → [PDFMonkey : générer PDF] → [Gmail : envoyer]

Étape 1 — Créer le scénario et configurer le déclencheur

Dans Make, cliquez sur Create a new scenario. Ajoutez un module Schedule comme déclencheur. Configurez-le pour s'exécuter chaque lundi à 8h00. C'est ce déclencheur qui lancera automatiquement la chaîne chaque semaine.

Capture d'écran : module Schedule avec fréquence "Weekly", jour "Monday", heure "08:00".

Étape 2 — Récupérer les données depuis Google Sheets

Ajoutez le module Google Sheets > Search Rows. Connectez votre compte Google, sélectionnez le classeur et la feuille contenant vos données. Configurez un filtre pour ne récupérer que les lignes de la semaine en cours (colonne Date >= date de lundi dernier).

Si votre rapport couvre plusieurs clients, ajoutez un module Iterator après le Search Rows pour traiter chaque ligne client séparément dans la suite du scénario.

Capture d'écran : module Google Sheets avec filtre sur colonne "Semaine" égal à la variable {{formatDate(now; "YYYY-WW")}}.

Étape 3 — Appeler OpenAI pour la synthèse

Ajoutez le module OpenAI > Create a Completion (ou Create a Chat Completion selon la version du module disponible). Configurez :

  • Model : gpt-4o-mini
  • Max tokens : 1500
  • Messages : un message système + un message utilisateur (voir section 4 pour le prompt complet)

Dans le message utilisateur, injectez les variables de Make correspondant à vos colonnes Google Sheets : {{item.KPI_CA}}, {{item.KPI_tickets}}, {{item.nom_client}}, etc.

Capture d'écran : champ "Messages" du module OpenAI avec le prompt et les variables Make injectées en surbrillance.

Étape 4 — Générer le PDF avec PDFMonkey

Avant de configurer ce module dans Make, rendez-vous sur votre compte PDFMonkey pour créer le template.

Créer le template PDFMonkey : Dans PDFMonkey, créez un nouveau template. L'éditeur HTML vous permet de définir l'apparence du PDF. Utilisez des variables entre doubles accolades : {{client_name}}, {{synthesis}}, {{date_rapport}}. Stylisez avec du CSS inline ou une feuille de style embarquée. Sauvegardez et notez l'ID du template.

Configurer le module Make : Ajoutez le module PDFMonkey > Create a Document. Renseignez :

  • Template ID : l'ID copié depuis PDFMonkey
  • Payload : un objet JSON qui mappe vos variables de template aux données Make
{
  "client_name": "{{item.nom_client}}",
  "date_rapport": "{{formatDate(now; 'DD/MM/YYYY')}}",
  "synthesis": "{{3.choices[].message.content}}"
}

La variable {{3.choices[].message.content}} correspond à la réponse d'OpenAI (le numéro 3 est l'index du module OpenAI dans votre scénario — ajustez selon votre configuration).

Capture d'écran : module PDFMonkey avec le champ Payload rempli et la variable OpenAI mappée sur "synthesis".

Étape 5 — Envoyer le PDF par email

Ajoutez le module Gmail > Send an Email (ou SMTP si vous utilisez un autre fournisseur). Configurez :

  • To : {{item.email_client}}
  • Subject : Rapport hebdomadaire — {{item.nom_client}} — {{formatDate(now; 'DD/MM/YYYY')}}
  • Attachments : mappez le champ document_url retourné par PDFMonkey

Make téléchargera le PDF depuis l'URL PDFMonkey et l'attachera automatiquement à l'email.

Capture d'écran : module Gmail avec les champs To, Subject et Attachments remplis.

Étape 6 — Activer et tester

Cliquez sur Run once pour tester le scénario avec vos vraies données. Vérifiez chaque module dans l'historique d'exécution : les données Google Sheets sont-elles bien récupérées ? La réponse OpenAI est-elle structurée correctement ? Le PDF est-il généré ? L'email est-il envoyé ?

Une fois le test validé, activez le scénario avec le toggle ON. Il tournera désormais chaque lundi à 8h sans intervention manuelle.

4. Le prompt de synthèse : comment demander à l'IA de structurer les données en prose lisible

Le prompt est la pièce centrale du workflow. Un prompt mal construit produit un texte générique et inutile. Voici une structure qui fonctionne pour les rapports d'activité.

Message système :

Tu es un assistant spécialisé dans la rédaction de rapports professionnels. 
Tu rédiges des synthèses claires, factuelles et orientées décision. 
Tu utilises un ton professionnel mais accessible. 
Tu ne fais jamais de suppositions sur des données manquantes — si une donnée est absente, tu le signales explicitement.
Tu réponds uniquement avec le contenu du rapport, sans introduction ni commentaire sur ta propre réponse.

Message utilisateur :

Voici les données d'activité de la semaine pour le client {{item.nom_client}} :

- Chiffre d'affaires généré : {{item.KPI_CA}} €
- Objectif CA semaine : {{item.objectif_CA}} €
- Nombre de tickets traités : {{item.KPI_tickets}}
- Taux de résolution : {{item.taux_resolution}} %
- Leads entrants : {{item.leads}}
- Actions en cours : {{item.actions_en_cours}}
- Blocages identifiés : {{item.blocages}}

Rédige un rapport hebdomadaire structuré avec les sections suivantes :
1. **Résumé exécutif** (3-4 phrases maximum, chiffres clés et tendance générale)
2. **Performance de la semaine** (analyse des KPIs par rapport aux objectifs, en prose)
3. **Points d'attention** (blocages ou écarts significatifs à signaler)
4. **Actions recommandées pour la semaine suivante** (liste de 2 à 4 actions concrètes)

Utilise des formulations directes. Évite les généralités. Appuie chaque affirmation sur les données fournies.

Pourquoi ce prompt fonctionne :

  • Le message système cadre le comportement général et empêche les hallucinations sur des données manquantes.
  • Les données sont présentées de façon structurée, pas en vrac — le LLM les traite mieux.
  • Les sections sont nommées explicitement avec un format attendu (longueur, style).
  • L'instruction finale "appuie chaque affirmation sur les données fournies" réduit les généralités creuses.

Adaptez les variables et les sections à votre propre cas d'usage. Pour un CR de réunion, remplacez les KPIs par le texte de transcription et demandez des sections "Décisions prises", "Actions", "Prochaine réunion".

5. Coût estimé, limites et ce qu'il faut toujours relire avant d'envoyer

Estimation des coûts

Pour un workflow qui génère 10 rapports hebdomadaires (un par client) :

Composant Coût mensuel estimé
Make (plan Core) 9 $
OpenAI GPT-4o mini (40 rapports/mois × ~1 500 tokens sortie) ~0,10 $
PDFMonkey (plan Starter, 100 docs/mois) 19 $
Total ~28 $/mois

Soit moins de 3 $ par rapport mensuel, contre 1 à 3 heures de travail manuel. Le retour sur investissement est immédiat dès le premier mois si vous produisez régulièrement ces documents.

Si vous avez un volume plus faible (2-3 rapports par semaine), Carbone.io avec son plan gratuit limité peut suffire pour démarrer sans coût supplémentaire.

Les limites réelles du workflow

La qualité dépend de la qualité des données. Si votre Google Sheet contient des cellules vides, des valeurs aberrantes ou des libellés incohérents, le rapport généré reflétera ce désordre. L'IA ne corrige pas les données — elle les met en forme. Nettoyez votre source avant d'automatiser.

Le LLM peut halluciner sur des calculs. Si vous lui demandez de calculer un pourcentage d'évolution, il peut se tromper. Calculez vos métriques dérivées dans Google Sheets (via des formules) et transmettez les résultats déjà calculés à l'IA. Ne lui demandez pas de faire des maths.

Le template PDF a ses contraintes. PDFMonkey et Carbone.io gèrent bien le texte et les tableaux simples, mais les graphiques dynamiques restent complexes à intégrer. Si vos rapports nécessitent des graphiques générés à la volée, explorez des solutions comme Google Charts via URL ou des outils spécialisés comme Bannerbear.

Make a des limites d'opérations. Chaque module exécuté consomme une opération. Un scénario de 5 modules pour 10 clients = 50 opérations par exécution. Planifiez votre consommation mensuelle avant de choisir votre plan.

Ce qu'il faut toujours relire avant d'envoyer

L'automatisation ne dispense pas d'une relecture humaine, surtout au début. Voici ce qui mérite une vérification systématique :

Les chiffres. Comparez les KPIs dans le PDF avec les données sources. Une erreur de mapping dans Make (mauvaise variable assignée à la mauvaise colonne) peut passer inaperçue si vous ne vérifiez pas.

Le ton. L'IA peut produire des formulations maladroites sur des sujets sensibles (baisse importante de CA, client en difficulté). Relisez les sections "Points d'attention" avant tout envoi externe.

Le destinataire. Vérifiez que le bon PDF est envoyé au bon client. Si votre Iterator traite plusieurs clients, une erreur de configuration peut envoyer le rapport du client A au client B. Testez avec des adresses email internes avant de basculer sur les vraies adresses clients.

La mise en page. PDFMonkey peut produire des sauts de page inattendus si le texte généré par l'IA est plus long que prévu. Testez avec des réponses longues et courtes pour vous assurer que le template reste lisible dans les deux cas.

Pour aller plus loin

Une fois ce workflow en production, plusieurs extensions sont possibles : ajouter un module Slack pour notifier l'équipe quand un rapport est envoyé, connecter Airtable à la place de Google Sheets pour des données plus structurées, ou intégrer une étape de validation humaine via un formulaire Make avant l'envoi final.

L'essentiel est d'avoir posé les fondations : une source de données propre, un prompt précis, un template PDF solide. Le reste est une question d'itération.

Le temps que vous passiez à construire ce scénario une fois — comptez deux à quatre heures pour une première version fonctionnelle — vous sera rendu chaque semaine, indéfiniment.

Tu sais quoi utiliser : reste à le brancher sur ton business. Le diagnostic IA gratuit te dit quoi automatiser en premier. ai-prompt est un produit du studio de Sébastien Debollivier.

À lire aussi : l’annuaire d’outils IA · la bibliothèque de prompts · les cas d’usage.