n8n est arrivé à la version 3.0. Si vous travaillez avec des agents d'intelligence artificielle, vous vous êtes sans doute demandé si la plateforme avait enfin rejoint des outils comme LangGraph. Il faut dire que n8n a beaucoup évolué. Ses agents peuvent utiliser des outils, déléguer des tâches et garder une mémoire entre les échanges. La plateforme a aussi amélioré la répartition des exécutions et la récupération des tâches interrompues.
Mais cela suffit-il pour construire des systèmes d'agents IA en production ? Ma réponse reste non, du moins pour les agents qui doivent prendre des décisions complexes et accomplir des tâches ayant des conséquences pour l'entreprise.
n8n a mûri comme plateforme d'automatisation, mais la version 3.0 n'a pas effacé les différences qui me font préférer LangGraph. Elles apparaissent surtout lorsque quelque chose échoue et que le système doit déterminer comment poursuivre sans répéter des opérations à tort.
Dans cet article, je vais expliquer ce qui a changé dans n8n, pourquoi ses nouveautés ne le placent pas encore au même niveau que LangGraph et ce que j'exigerais avant de confier l'exécution d'un système d'IA à l'un de ces outils.
Qu'est-ce qui a vraiment changé dans n8n 3.0 ?
Le 27 octobre 2026, n8n a annoncé la version 3.0.0 beta, avec une sortie stable prévue début décembre. Une nouvelle version majeure suscite des attentes. En suivant l'évolution des agents IA, on pouvait imaginer que n8n 3.0 allait combler l'écart avec les frameworks spécialisés.
Pourtant, selon l'annonce officielle de n8n, la mise à jour porte sur la fiabilité, la stabilité et la sécurité de la plateforme. L'équipe explique aussi qu'elle utilise le versionnement sémantique, dans lequel des changements susceptibles de rompre la compatibilité avec les versions précédentes justifient une nouvelle version majeure.
Un des principaux changements concerne la façon dont les workflows s'exécutent. En queue mode, n8n répartit les tâches entre des workers, les processus chargés des travaux reçus. À partir de la version 3.0, même les exécutions lancées manuellement passent par ces workers. Cela évite de confier au processus principal des tâches qui pourraient gêner son rôle de gestion de la plateforme.
Un autre changement supprime le stockage des données binaires directement en mémoire. Cette décision réduit le risque d'une consommation excessive de RAM, tandis que le retrait de composants anciens et le renforcement des réglages de sécurité simplifient la maintenance.
Ces améliorations méritent d'être reconnues, surtout par les entreprises qui dépendent chaque jour de n8n. Mais observez leur point commun : elles concernent surtout l'infrastructure qui exécute les automatisations, et non le comportement des agents qui y travaillent.
n8n 3.0 améliore l'exécution des workflows, sans transformer son moteur d'exécution en équivalent de LangGraph. Pour comprendre pourquoi cela compte, il faut examiner les avancées de la plateforme antérieures à cette mise à jour.
Les plus grands progrès sur les agents ont précédé la version 3.0
Si vous suivez n8n de temps en temps, vous avez peut-être manqué l'un des changements les plus intéressants de 2026. Au cours de la famille 2.x, la plateforme a introduit une expérience permettant de créer des agents indépendants des workflows traditionnels, élargissant les possibilités de développement d'applications d'IA.
Auparavant, la méthode la plus courante consistait à insérer un AI Agent node dans une automatisation. La nouvelle expérience permet de créer un agent, de lui donner des instructions, de connecter des outils et de le laisser décider des actions à mener. Ces agents peuvent aussi déléguer des tâches à d'autres agents. Cela rapproche n8n de frameworks comme LangGraph et CrewAI, surtout lorsque le modèle doit choisir la prochaine étape à partir des résultats précédents.
Imaginez un agent chargé d'examiner une demande dans une entreprise. Il peut consulter des informations, choisir un outil et déterminer s'il lui faut une analyse supplémentaire avant de répondre. Le développeur n'a pas besoin de dessiner à l'avance chaque décision sous la forme d'une suite fixe de nodes, car le modèle prend lui-même en charge une partie de ce travail.
Cela rend n8n plus intéressant pour les applications d'IA. Une limite reste toutefois importante à mes yeux : la nouvelle expérience n8n Agents est toujours officiellement en Preview, comme l'indique la documentation de la plateforme.
La documentation indique que le comportement de ces agents peut changer pendant le développement. Cet avertissement s'applique aussi aux installations Enterprise. Cela ne signifie pas que l'AI Agent node traditionnel est en Preview. Ce sont deux fonctionnalités différentes. Le AI Agent node traditionnel reste disponible dans les workflows.
En revanche, je ne choisirais pas cette nouvelle expérience d'agents indépendants comme fondation d'une application d'entreprise qui doit rester stable pendant longtemps. Cette fonctionnalité constitue un progrès, mais sa disponibilité ne signifie pas que toutes les exigences de production sont remplies.
En octobre, la version 2.45 a adopté par défaut un ordonnanceur qui enregistre les tâches programmées dans la base de données. Si le serveur redémarre, le système peut récupérer les déclenchements en attente, dans les limites des règles définies pour les retards.
C'est une amélioration importante pour les automatisations récurrentes. Mais récupérer la programmation d'une tâche est différent de récupérer un travail déjà en cours. La première opération permet de se souvenir que quelque chose devait démarrer. La seconde exige de savoir ce qui s'est passé pendant l'exécution, quelles opérations sont terminées et lesquelles peuvent être répétées.
C'est dans cette seconde situation que LangGraph conserve des avantages importants.
Parlons de cette décision
Vous avez une tâche IA récurrente ? Laissez votre adresse et je vous répondrai par écrit sur la spécialisation.
L’adresse sert uniquement à répondre à cette demande.Le vrai test commence quand un agent échoue
Prenons un agent conçu pour traiter des demandes d'achat. Il reçoit une demande, consulte les informations nécessaires, vérifie les conditions puis envoie une opération à un système de l'entreprise. Imaginons maintenant que l'API enregistre l'achat, mais que la connexion soit interrompue avant que l'agent reçoive la confirmation.
L'agent ne sait pas si l'achat a été enregistré. S'il réessaie sans vérifier le résultat précédent, l'entreprise risque de se retrouver avec deux commandes au lieu d'une. Ce problème explique pourquoi j'accorde autant d'importance au contrôle de l'exécution dans l'ingénierie des agents.
Quand un système effectue des opérations externes, savoir qu'une étape a échoué ne suffit pas. Il faut comprendre ce qui s'est passé avant. Et surtout décider comment poursuivre sans provoquer de conséquences indésirables.
Comment n8n gère-t-il ces échecs ?
n8n possède des mécanismes de reprise permettant de relancer une exécution avec les données enregistrées. Selon la documentation officielle, les résultats des nodes terminés sont conservés, ce qui permet de reprendre depuis l'état sauvegardé sans nécessairement relancer tout le workflow depuis le début.
Cette capacité est importante, mais elle a des limites. Si un node échoue après avoir traité une partie des éléments reçus, une nouvelle tentative peut retraiter tous ses éléments, y compris ceux qui ont déjà produit des résultats. La même prudence s'impose pour les sous-workflows : lorsqu'un Execute Sub-workflow node échoue, la tentative suivante relance l'ensemble du sous-workflow.
Dans l'exemple de l'achat, il faudrait consulter le système de destination avant de tenter d'enregistrer à nouveau la commande. Une opération qui identifie la commande ou consulte son état peut empêcher une même demande de créer deux enregistrements.
n8n propose aussi des fonctions comme le Wait node, qui permet de suspendre une exécution, de stocker ses données et de la reprendre plus tard. Il s'agit donc d'un outil qui dispose déjà de mécanismes de persistance et de reprise.
La différence tient au contrôle que le développeur peut exercer sur l'état et la récupération de chaque partie du travail.
Que fait LangGraph différemment ?
LangGraph repose sur un mécanisme que je trouve particulièrement adapté aux agents : le graphe avec état. Chaque node reçoit des informations, effectue une opération et renvoie des modifications utilisables par les étapes suivantes. Lorsque la persistance est configurée, le framework enregistre des checkpoints, qui représentent l'état de l'application à certains moments de l'exécution.
Cela permet de retrouver les informations précédentes et de poursuivre un processus interrompu. Mais la différence va au-delà du simple enregistrement de données.
Imaginez un agent qui effectue trois analyses en parallèle. Deux se terminent, mais la troisième échoue. LangGraph possède un mécanisme appelé pending writes, qui conserve les résultats des nodes terminés pendant cette étape. À la reprise, les nodes qui ont réussi n'ont pas besoin d'être exécutés à nouveau.
Cela évite du travail inutile et donne davantage de contrôle sur les processus où plusieurs opérations dépendent les unes des autres.
Autre point intéressant : on peut choisir comment les checkpoints sont enregistrés. En mode sync, par exemple, LangGraph enregistre l'état avant de commencer l'étape suivante. Cela renforce la protection contre la perte d'informations, au prix d'un éventuel délai supplémentaire. Le développeur peut décider quand cette protection justifie son coût.
Bien entendu, LangGraph demande aussi des précautions. Un checkpoint ne garantit pas à lui seul qu'une opération dans un autre système sera effectuée une seule fois. Dans l'exemple de l'achat, il faudrait encore empêcher les commandes en double si l'opération se terminait avant l'enregistrement de son résultat.
L'avantage de LangGraph est de permettre un contrôle plus précis des endroits où l'état est enregistré et de la reprise de chaque étape après un échec. Pour les agents qui effectuent des opérations ayant des conséquences pour l'entreprise, je considère cette différence comme décisive.
Ces mécanismes sont décrits dans la documentation officielle des checkpoints de LangGraph, notamment les règles de persistance et de reprise des opérations parallèles.
Pourquoi est-ce que je préfère toujours LangGraph pour les agents complexes ?
Je trouve LangGraph mieux adapté à ces applications pour une raison : il permet de définir le comportement du système directement dans le code. Je peux préciser quelles informations conserver, quelles opérations peuvent se dérouler en parallèle et comment l'agent doit réagir lorsqu'un outil échoue.
Je peux aussi définir des règles de récupération différentes pour chaque opération. Un appel à un modèle de langage peut, par exemple, être répété après une erreur temporaire. En revanche, une opération qui modifie des informations dans un autre système peut nécessiter une vérification avant toute nouvelle tentative.
Ces situations n'ont pas besoin d'être traitées de la même façon. Cette liberté facilite la construction d'applications dont l'exécution doit suivre les règles de l'ingénierie, même si les décisions du modèle varient.
Un autre avantage concerne la maintenance. Quand l'application est construite en code, je peux utiliser des tests automatisés pour vérifier son comportement et suivre les modifications grâce au versionnement. Cela aide à détecter les problèmes avant qu'une modification arrive en production.
Cela devient plus important à mesure que le système grandit. Un agent qui fonctionne bien dans sa première version peut avoir besoin de nouveaux outils ou de nouvelles règles quelques mois plus tard. Chaque changement peut affecter des opérations qui fonctionnaient déjà.
Si la logique est dispersée entre de nombreux nodes et paramètres, comprendre les dépendances peut devenir difficile. Avec LangGraph, le code offre plus de liberté pour organiser ces relations. Cela permet aussi de modifier des composants sans devoir redessiner tout le processus.
Cela demande plus de développement au départ. Je préfère toutefois cet investissement lorsqu'il facilite le contrôle d'une application qui doit fonctionner pendant des années.
LangGraph permet aussi d'interrompre une exécution et de demander une approbation humaine avant de continuer. L'état pouvant être conservé pendant l'interruption, le processus d'origine n'a pas besoin de continuer à tourner en attendant la décision.
n8n offre également des mécanismes d'approbation et d'attente. Ce qui influence mon choix, c'est la possibilité d'intégrer ces décisions au contrôle du graphe et à la logique du code.
C'est pour moi l'un des principaux critères de choix. Plus on confie de responsabilités à un agent, plus il devient important de définir exactement ses actions et sa réaction lorsqu'un problème survient.
n8n peut-il exécuter de gros workflows ?
Oui, et c'est un domaine où la plateforme mérite d'être reconnue. Le queue mode permet de répartir les exécutions avec Redis et des workers. Quand la demande augmente, l'entreprise peut ajouter des workers pour traiter davantage de travaux simultanément.
n8n convient donc à l'exploitation d'automatisations d'entreprise à grande échelle. Une entreprise peut traiter des milliers d'événements avec des automatisations assez simples. Dans ce cas, la répartition du travail est une préoccupation majeure.
Le problème, c'est qu'exécuter beaucoup de workflows et contrôler un agent complexe répondent à des besoins différents.
Prenez maintenant un agent qui doit effectuer des opérations dépendantes, interpréter les résultats et décider comment continuer après un échec. Ajouter des workers ne résout pas automatiquement ses problèmes d'état. De même, choisir LangGraph ne donne pas davantage de capacité de traitement sans infrastructure adaptée.
Je n'utiliserais donc pas des chiffres génériques d'exécutions par seconde pour déclarer un outil supérieur à l'autre. Une comparaison de performances devrait porter sur la même tâche, dans des conditions d'exécution équivalentes.
Les intégrations de n8n peuvent économiser beaucoup de développement. Mais une installation destinée à de gros volumes exige toujours une infrastructure. En queue mode, par exemple, la documentation recommande PostgreSQL et utilise Redis pour répartir les exécutions.
Certaines fonctionnalités nécessitent aussi des offres commerciales, selon l'application. Le stockage externe natif de données binaires dans S3 en est un exemple : il est disponible dans les éditions self-hosted Business et Enterprise. Cette distinction compte, car n8n ne prend pas en charge le stockage des données binaires dans le système de fichiers lorsqu'il utilise le queue mode.
Ces conditions figurent dans la documentation du queue mode et dans la documentation du stockage externe.
La comparaison économique ne doit donc pas se limiter au temps nécessaire pour créer le premier workflow. Il faut inclure le coût de maintenance, d'analyse des pannes et de correction de leurs conséquences. Un outil qui économise du développement au départ peut demander plus de travail ensuite s'il n'offre pas le contrôle nécessaire.
C'est pourquoi je commencerais par définir le fonctionnement attendu du système plutôt que de choisir l'outil en fonction de la facilité de sa première version.
n8n 3.0 est-il prêt pour la production ?
La plateforme n8n dispose déjà de fonctions permettant d'exploiter des automatisations d'entreprise en production. Cela n'a pas commencé avec la version 3.0. L'éditeur visuel, les intégrations et la répartition des exécutions répondent aux besoins des entreprises qui automatisent des opérations entre systèmes.
Mais la nouvelle expérience d'agents indépendants est toujours en Preview. De plus, au 28 octobre 2026, n8n 3.0 lui-même reste en beta. Je n'utiliserais pas cette version pour une installation d'entreprise critique à ce stade.
La sortie introduit aussi des changements susceptibles d'affecter les workflows existants. Certains nodes ont été supprimés, d'autres ont changé de comportement.
L'équipe n8n recommande donc le Migration Report, disponible depuis la version 2.39, pour identifier les incompatibilités avant la mise à jour. Elle recommande aussi une sauvegarde et un test de migration dans un environnement séparé. Autre détail : le passage à la famille 3.x n'offre pas de retour normal vers la 2.x.
Pour ceux qui utilisent déjà n8n en production, je conseillerais de rester sur la version stable tout en préparant et testant la migration. Pour les nouveaux systèmes d'agents qui exigent récupération et contrôle de l'état, je commencerais toujours par LangGraph.
Comment choisir la technologie de votre prochain agent IA ?
Avant de choisir un framework, réfléchissez à ce que doit faire l'application quand une opération échoue. Cette question en dit souvent beaucoup sur l'architecture nécessaire. Cela évite aussi que la décision dépende uniquement de la facilité de construction.
Si l'objectif est de connecter des systèmes et d'exécuter des processus aux étapes prédéfinies, n8n peut réduire le travail d'implémentation. Vous disposez d'intégrations et d'une interface visuelle pour gérer les automatisations. Il n'est pas nécessaire de développer chaque connexion soi-même.
Mais si le produit dépend d'agents qui doivent prendre des décisions pendant l'exécution et reprendre des opérations interrompues, je choisirais LangGraph.
Dans ce cas, je commencerais par définir l'état à conserver et les opérations qui peuvent être répétées. Je préciserais aussi quand l'agent doit s'arrêter pour demander une approbation et comment vérifier le résultat d'une action externe avant de la relancer.
Ces décisions évitent des problèmes qui peuvent coûter bien plus cher que le développement initial. Un échec ne consomme pas seulement du temps de calcul. Il peut exiger une intervention humaine et provoquer des opérations en double. Le coût d'un agent doit donc inclure le travail nécessaire pour corriger ses erreurs.
Plus l'entreprise délègue de responsabilités à l'IA, plus ce contrôle devient important. La facilité de création d'un workflow est utile, mais elle ne doit pas être le principal critère pour choisir la technologie qui soutiendra une application en production.
Parlons de cette décision
Vous avez une tâche IA récurrente ? Laissez votre adresse et je vous répondrai par écrit sur la spécialisation.
L’adresse sert uniquement à répondre à cette demande.Conclusion : n8n a progressé, mais LangGraph reste mon choix
n8n 3.0 marque un progrès dans la maturité de la plateforme. Les changements de répartition des exécutions et de sécurité témoignent d'une attention croissante aux besoins des entreprises qui en dépendent. Les progrès des agents méritent aussi l'attention. n8n offre aujourd'hui des capacités absentes des versions précédentes.
Pour autant, ces améliorations ne me feraient toujours pas remplacer LangGraph pour construire des systèmes complexes d'agents IA. La raison tient à la possibilité de contrôler l'état de l'application et de décider comment le travail doit reprendre après un échec.
Quand un agent doit prendre des décisions, utiliser des outils et réaliser des opérations aux conséquences réelles, je veux contrôler ce qui sera conservé et ce qui pourra être exécuté à nouveau. LangGraph propose des mécanismes mieux adaptés à cela.
Si je commençais un tel projet aujourd'hui, je ne choisirais pas l'outil selon son nombre d'intégrations ou la facilité à dessiner son flux. Je commencerais par étudier le comportement de l'application lorsqu'une opération importante échoue, surtout si elle peut produire des effets impossibles à simplement annuler.
n8n reste un choix intéressant pour l'automatisation en entreprise, mais ma préférence pour les agents d'IA complexes ne change pas.
Avant de mettre un agent en production, déterminez comment il poursuivra son travail si quelque chose échoue. Cette réponse compte bien plus que la facilité de construire sa première version.



