Les outils d’IA générative dédiés à l’automatisation associent désormais connexions entre applications, traitement de documents et agents capables d’utiliser des outils. Leur intérêt dépend autant de la qualité du processus que des capacités du modèle. Cette sélection compare dix plateformes et examine les conditions nécessaires pour automatiser le travail tout en conservant la maîtrise des données, des coûts et des actions.
Un formulaire reçu, une fiche client créée, une notification envoyée : les plateformes d’automatisation organisent depuis longtemps ces enchaînements. L’intégration de modèles génératifs ajoute des opérations sur des informations moins structurées, comme résumer un email ou extraire les éléments d’un document. Les agents peuvent également sélectionner certains outils à partir d’instructions, dans les limites des accès qui leur sont accordés.
Cette évolution est concrète, mais elle recouvre des produits différents. Une assistance à la création d’un workflow, une étape de classification et un agent autorisé à modifier un CRM ne présentent ni les mêmes usages ni les mêmes risques. Le terme « IA » ne suffit donc pas à caractériser une plateforme. Il faut examiner ce qui est disponible, ce qui demeure en expérimentation et ce qui relève d’une promesse commerciale.
L’article conserve dix solutions complémentaires : Zapier, Make, Bardeen, n8n, Gumloop, Lindy, Workato, Tray.ai, Parabola et IFTTT. Les trois focus portent sur Zapier, Make et Bardeen, qui illustrent respectivement l’automatisation généraliste, la conception visuelle de scénarios et le travail dans le navigateur. Aucun gain de productivité uniforme ne peut être déduit de cette sélection.
Panorama de la catégorie
L’automatisation organise l’exécution d’un processus. Dans un workflow déterministe, les étapes et conditions sont configurées à l’avance. Une étape générative sollicite un modèle pour produire, transformer ou classifier un contenu. Un agent associe ce modèle à des outils et peut sélectionner une action parmi celles que l’organisation lui autorise. Ces trois modes peuvent coexister dans une même architecture.[11][13]
Le fonctionnement repose sur une chaîne identifiable : un événement fournit des données, une règle ou un modèle les traite, puis un connecteur transmet un résultat à une application. Le connecteur est le composant qui permet d’échanger avec un service, généralement par son interface de programmation, ou API. L’IA intervient seulement dans certaines étapes, et sa sortie doit être contrôlée avant d’alimenter une opération importante.
Les plateformes généralistes, comme Zapier et Make, couvrent de nombreux services professionnels. Selon leurs pages officielles, leurs catalogues comptent respectivement plus de 9 000 et plus de 3 000 applications. Ces chiffres décrivent l’étendue revendiquée des catalogues, pas la profondeur de chaque connecteur ni une mesure de performance comparable.[1][2]
n8n privilégie la personnalisation et propose des possibilités d’auto-hébergement. Gumloop et Lindy mettent davantage les agents au centre de leur offre. Workato et Tray.ai répondent aux besoins d’intégration et de gouvernance des organisations. Bardeen cible notamment les tâches web et commerciales. Parabola présente désormais Prowork pour des opérations de finance et de gestion, tandis qu’IFTTT reste adapté à des connexions simples entre services et appareils.[4–10][28–30]
Deux évolutions récentes méritent d’être distinguées. La documentation Zapier, actualisée le 1er octobre 2026, décrit une migration des agents autonomes vers des étapes AI by Zapier intégrées aux workflows. Aucune date d’arrêt du produit Agents n’y est encore fixée. Make AI Agent (New), dont la nouvelle version a été publiée le 2 février 2026, demeure en bêta ouverte : ses fonctionnalités et ses prix peuvent évoluer.[11][13]
La nouveauté technique réside dans la combinaison d’interprétation de contenus, d’utilisation d’outils et de mécanismes de contrôle. Un changement de nom ou la présentation d’une plateforme comme « agentique » ne démontre pas à lui seul une meilleure fiabilité. Pour évaluer l’évolution, il faut vérifier les actions disponibles, les limites d’accès, la gestion des erreurs et les possibilités d’intervention humaine.
Classement des meilleurs outils IA
Ce Top 10 constitue un classement éditorial documenté, orienté vers les besoins d’automatisation des entreprises. Il repose sur huit critères : fonctions réellement accessibles, facilité de prise en main, intégrations, maturité, prix, contrôle des données et des actions, pertinence des usages et limites opérationnelles. Les documentations et tarifs officiels ont été consultés le 4 octobre 2026. Aucun test comparatif de performance n’a été réalisé dans le cadre de cet article.
L’ordre donne d’abord de la visibilité aux solutions généralistes et aux trois approches retenues pour les focus, puis aux plateformes techniques, agentiques ou spécialisées. Il ne constitue pas un palmarès universel : n8n peut être préférable pour une équipe technique, Workato pour une architecture d’entreprise ou Parabola pour certains flux de données. Les témoignages utilisateurs servent à identifier des points de vigilance, pas à attribuer une supériorité générale.
Les pays indiquent l’implantation ou l’origine de l’éditeur, sans présumer du lieu d’hébergement. Les montants sont exprimés dans la devise affichée, hors éventuelles taxes. Les abonnements annuels sont présentés en équivalent mensuel. Tâches, crédits et exécutions ne sont pas des unités interchangeables.
Atout : Automatisation simple et puissante de milliers d’applications avec des workflows et agents IA
Limite : Le coût peut augmenter rapidement avec le nombre de tâches et les usages avancés
Prix : Freemium / ~17 €/mois
Atout : Création visuelle de workflows complexes intégrant applications, données et agents IA
Limite : Courbe d’apprentissage plus importante pour les automatisations avancées
Prix : Freemium / ~10 €/mois
Atout : Automatisation intelligente des tâches web, commerciales et répétitives grâce aux agents IA
Limite : Plus spécialisé dans les usages commerciaux et GTM que certains outils généralistes
Prix : ~9 €/mois
Atout : Grande flexibilité pour construire des workflows IA avancés et personnalisés
Limite : Prise en main plus technique pour les utilisateurs non spécialistes
Prix : ~20 €/mois
Atout : Création no-code de workflows et d’agents IA capables d’orchestrer plusieurs modèles et applications
Limite : Peut devenir complexe pour les utilisateurs recherchant des automatisations très simples
Prix : ~31 €/mois
Atout : Création d’agents IA capables d’automatiser emails, réunions, recherches et processus professionnels
Limite : Le coût peut augmenter avec le volume d’actions automatisées
Prix : ~25 €/utilisateur/mois
Atout : Automatisation et orchestration IA puissantes adaptées aux processus complexes des entreprises
Limite : Solution plus complexe et coûteuse pour les petites structures
Prix : Freemium / offres professionnelles payantes
Atout : Orchestration à grande échelle des applications, données, API et processus alimentés par l’IA
Limite : Déploiement plus exigeant pour les petites équipes et les besoins simples
Prix : Sur devis
Atout : Automatisation no-code performante pour les opérations et la transformation de données
Limite : Moins généraliste pour connecter un très grand nombre d’applications
Prix : Freemium / offres payantes
Atout : Automatisation très simple des applications, services web et objets connectés
Limite : Moins adapté aux workflows IA complexes et aux processus professionnels avancés
Prix : Freemium / ~3 €/mois
Focus sur trois outils dominants
Ces trois focus approfondissent les approches du dossier. Leur choix ne repose pas sur une mesure indépendante de parts de marché.
Zapier, relier les applications et encadrer les étapes IA
Un Zap associe un déclencheur et une ou plusieurs actions. Copilot peut aider à construire une première configuration en langage naturel ; cette proposition doit ensuite être testée avec les bonnes connexions et données. AI by Zapier permet de placer une opération générative ou agentique dans le workflow.[12][11]
La documentation de migration précise que les appels d’outils peuvent être soumis à approbation et que les exécutions sont consultables dans l’historique. Ces contrôles doivent être configurés : une intervention humaine n’est pas automatiquement imposée avant chaque action. Des sources de connaissances présentes dans Agents ne sont pas encore prises en charge par AI by Zapier, ce qui limite certaines migrations.[11]
Pour une équipe commerciale, une architecture pertinente peut collecter un formulaire, produire un résumé puis créer une fiche CRM avec des champs contrôlés. La différenciation tient au catalogue d’intégrations et à la continuité du processus. Il faut toutefois surveiller les doublons, les droits d’accès et le coût cumulé des actions.[1]
Make, représenter et superviser un scénario complexe
Make représente les étapes d’un processus sous forme de modules reliés. Les filtres et routes permettent de distinguer plusieurs cas, ce qui facilite la conception d’un flux comportant des exceptions. Le module Make AI Agent (New) peut utiliser des instructions, des informations de référence et des outils configurés.[13][14]
Le service est accessible sur toutes les offres avec le fournisseur IA de Make ; les connexions personnalisées à d’autres fournisseurs nécessitent une offre payante. Le statut de bêta ouverte doit être intégré au choix d’un usage en production. Les traces d’exécution aident au diagnostic, mais un récit généré du « raisonnement » ne prouve pas que la décision était exacte.[13]
Un service client peut associer une classification de demandes à des règles explicites de routage. Les messages ambigus sont transmis à un collaborateur, et les règles fixes gèrent les exceptions connues. L’intérêt de Make réside dans cette articulation visible entre traitement IA et logique métier ; l’entretien du scénario reste une responsabilité de l’équipe.[2][14]
Bardeen, automatiser la préparation du travail commercial
Bardeen rapproche collecte de données web, enrichissement et échanges avec les outils commerciaux. Ces fonctions peuvent préparer une liste d’entreprises ou compléter un dossier avant un rendez-vous. La qualité dépend des sources, de leur actualité et de la validation des correspondances.[3][16]
Dans une publication datée du 5 septembre 2026, Bardeen décrit Project Synthesis : le système observe des séquences de travail, les organise en processus puis propose des agents personnalisés. L’éditeur indique un déploiement auprès de certains clients Enterprise. Cette annonce ne démontre pas une disponibilité générale ni un gain reproductible pour toutes les organisations.[15]
La différence avec une intégration par API tient notamment au travail réalisé dans le navigateur. Cette proximité avec les pratiques quotidiennes exige aussi de définir quelles activités peuvent être observées. Une collecte commerciale doit respecter les droits sur les données et les règles d’accès aux services, même lorsque les informations sont publiquement visibles.
Comment choisir ?
Le choix commence par un processus précis : quel événement le déclenche, quelles données utilise-t-il et quelle action finale est attendue ? Une règle fixe suffit souvent pour synchroniser deux champs. L’IA devient pertinente lorsqu’il faut interpréter un message ou un document variable. Un agent se justifie lorsque la sélection des outils apporte une valeur qui dépasse celle d’un scénario préconfiguré.
Le niveau technique et les intégrations doivent être évalués ensemble. Zapier peut faciliter un premier projet métier, Make offre une représentation visuelle des branches, et n8n convient à des besoins de personnalisation technique. Le nombre de connecteurs ne suffit pas : il faut vérifier que l’action recherchée existe, qu’elle expose les bons champs et qu’elle fonctionne avec les autorisations disponibles.[1][2][4]
La qualité des résultats se mesure sur des exemples représentatifs, incluant des données incomplètes et des cas ambigus. Un pilote devrait suivre les erreurs, le taux de reprise humaine, le temps de traitement complet et le coût par dossier correctement traité. Un workflow qui s’exécute sans panne peut néanmoins produire une information fausse ou agir sur le mauvais destinataire.
La confidentialité dépend du parcours réel des données. Il faut identifier la plateforme, les fournisseurs de modèles, les applications destinataires et les durées de conservation. L’auto-hébergement d’un orchestrateur peut accroître le contrôle sur son infrastructure, mais il n’empêche pas l’envoi de données à un modèle distant. Les clés d’accès et comptes de service doivent disposer uniquement des permissions nécessaires.[18][19]
L’autonomie doit être définie par type d’action. La lecture d’un dossier, la préparation d’un brouillon et l’envoi d’un engagement commercial ne justifient pas les mêmes droits. n8n documente des approbations humaines avant certains appels d’outils ; Zapier propose également des approbations par outil. Leur existence ne dispense pas de les activer et de vérifier les situations qu’elles couvrent.[17][11]
Le coût total additionne abonnement, consommation IA, exécutions, maintenance et supervision. Dans un exemple purement illustratif, 1 000 dossiers comportant chacun quatre actions facturées représentent 4 000 actions avant les reprises et les appels IA. Cette estimation ne peut pas être transposée directement aux crédits Make ou aux exécutions n8n, qui suivent d’autres règles.[1][2][4]
Pour les profils utilisateurs, la sélection peut être orientée ainsi : une TPE commence par un flux simple avec Zapier ou Make ; une équipe technique examine n8n ; une équipe commerciale teste Bardeen sur des sources autorisées ; une équipe souhaitant des agents compare Gumloop et Lindy. Les organisations ayant des exigences d’intégration et de gouvernance étendues étudient Workato et Tray.ai. Parabola mérite une évaluation sur les opérations documentaires et de données ; IFTTT convient surtout à des automatisations élémentaires. Ces recommandations restent conditionnées au test du processus réel.
Enjeux éthiques
L’automatisation étend les conséquences d’une sortie générative. Une classification erronée peut modifier une fiche, orienter une demande vers le mauvais service ou alimenter plusieurs applications. La responsabilité porte donc sur l’ensemble de la chaîne : définition du besoin, qualité des informations, permissions, contrôle de la sortie et possibilité de corriger l’action.
La protection des données est un premier enjeu. Lorsqu’un workflow traite des données personnelles dans le champ du RGPD, l’organisation doit notamment définir une finalité et une base juridique, limiter la collecte, encadrer les sous-traitants et sécuriser les transferts. La CNIL recommande également d’éviter l’introduction de données confidentielles dans des services génératifs grand public inadaptés. Ces recommandations pratiques doivent être distinguées des obligations légales.[18][19]
L’accès public à une information ne permet pas de la réutiliser sans examen. Un enrichissement commercial peut porter sur des personnes identifiables. L’organisation doit donc vérifier les conditions de collecte et les droits des personnes. Les textes, documents et bases utilisés dans le workflow peuvent aussi relever de droits de propriété intellectuelle. La génération d’un contenu ne garantit pas, à elle seule, la liberté de son exploitation.[18][22]
La sécurité dépend notamment des permissions accordées aux agents. Un message ou document extérieur peut contenir des instructions qui cherchent à détourner le système, un risque appelé injection de prompt. Parmi les mesures de gouvernance à envisager figurent la séparation des données et des instructions, la limitation des outils, les listes d’actions autorisées et une approbation avant les écritures importantes. Un journal doit permettre de retrouver l’entrée, les outils utilisés et les modifications effectuées, sans accumuler inutilement de données sensibles.
L’observation du travail soulève une question spécifique. Avec des dispositifs tels que Project Synthesis, l’analyse des séquences d’activité peut aider à repérer des tâches répétitives, mais elle peut aussi révéler des habitudes ou informations individuelles. La finalité doit être expliquée, le périmètre limité et les personnes concernées informées selon les règles applicables. La conformité du dispositif ne se déduit pas d’une affirmation commerciale sur sa sécurité.[15][23]
Les biais deviennent particulièrement importants lorsque le workflow influence des décisions concernant des personnes. Une priorité attribuée à partir d’un message peut défavoriser certains styles d’expression ; un résumé peut omettre un élément déterminant. Le contrôle humain doit être effectif, avec les informations et le temps nécessaires pour contester la proposition. L’article 22 du RGPD encadre certaines décisions exclusivement automatisées produisant des effets juridiques ou affectant significativement une personne, avec des exceptions et garanties précises.[18]
Le cadre européen sur l’IA doit être vérifié à partir de l’usage. Une plateforme d’automatisation n’est pas systématiquement un système à haut risque. Le contexte, notamment le recrutement ou d’autres domaines sensibles, peut modifier les obligations. Au 4 octobre 2026, la Commission indique une application générale de l’AI Act depuis le 2 août 2026, avec exceptions. Après l’AI Omnibus entré en vigueur le 27 juillet 2026, les règles des systèmes à haut risque de l’annexe III sont prévues au 2 décembre 2027, et celles de certains systèmes intégrés aux produits de l’annexe I au 2 août 2028. Ces échéances futures ne suspendent pas les obligations déjà applicables, notamment celles du RGPD.[20][21]
Les effets sur le travail exigent enfin de préserver les compétences. Une équipe doit rester capable de comprendre son processus et de traiter les exceptions. La dépendance à une plateforme se réduit par la documentation, l’export des données et la préparation d’une solution de reprise. Sur le plan environnemental, multiplier les appels de modèles sans besoin identifié doit être évité. Faute de données homogènes entre ces dix services, aucun classement crédible de leur empreinte ne peut être établi ici.
Cas d’usage pratiques
Les situations suivantes sont des exemples illustratifs construits à partir des fonctions documentées. Elles ne correspondent pas à des expérimentations réalisées pour cet article ; les bénéfices doivent être mesurés pendant un pilote.
Interpréter sans confondre score et décision
Un score de risque résume certaines informations selon un modèle défini. Le banquier doit pouvoir comprendre ce que ce score mesure, quels facteurs l’influencent et dans quelles circonstances il devient peu fiable. L’intervention humaine n’a de sens que si elle est réelle, compétente et capable de modifier l’issue lorsque le contexte le justifie.
Expliquer les décisions au client
Lorsqu’une décision affecte significativement une personne, l’enjeu d’explicabilité dépasse la technique. Il s’agit aussi de pouvoir présenter les facteurs pertinents, les voies de recours et, lorsque le cadre le prévoit, les possibilités d’intervention humaine.
Superviser les assistants génératifs
Un conseiller peut utiliser un assistant pour préparer un compte rendu ou une réponse, mais il reste responsable de la vérification du contenu transmis. Une erreur dans une synthèse de taux, de frais, de risque ou de conditions contractuelles peut avoir des conséquences concrètes pour le client.
Participer à la gouvernance des usages
Les professionnels de terrain peuvent identifier des erreurs récurrentes, des biais, des contournements de procédure ou des situations que les concepteurs n’avaient pas anticipées. Cette remontée d’expérience est essentielle pour ajuster les modèles, les seuils et les règles d’escalade.
Préserver la relation de confiance
La personnalisation algorithmique ne remplace pas la compréhension du contexte économique ou personnel. Dans les situations sensibles, restructuration d’une dette, financement d’un projet, difficultés de trésorerie ou arbitrage patrimonial, la qualité de l’échange reste une composante déterminante du service bancaire.
Ces scénarios montrent que la valeur de l’IA dépend du dispositif autour du modèle. Un bon résultat suppose des données adaptées, une définition explicite des exceptions et une personne responsable de la maintenance. Étendre le périmètre avant d’avoir mesuré ces éléments peut amplifier les erreurs aussi vite que les gains.
Avantages et limites : ce que disent les utilisateurs
Les avis publiés apportent des indications sur la prise en main, les intégrations et les difficultés de maintenance. Ils ne constituent pas un échantillon représentatif de tous les clients : versions, dates, profils et conditions de collecte diffèrent. Certains avis sont recueillis avec une incitation. Il faut également distinguer les témoignages individuels des résumés produits automatiquement par les plateformes d’évaluation.
Les avis individuels consultables sur TrustRadius décrivent l’intérêt de Zapier pour relier plusieurs applications, mais évoquent aussi la tarification et les difficultés de test ou de diagnostic des flux complexes. Un avis Make daté du 5 mai 2026 sur Gartner Peer Insights met en avant la facilité d’utilisation pour l’automatisation marketing. Des avis Bardeen sur G2 décrivent la préparation de bases de prospection et demandent davantage d’aide à la prise en main. Ces observations portent surtout sur l’automatisation courante ; elles ne prouvent pas la fiabilité des dernières fonctions agentiques.[24–27]
Les trois tableaux croisent ces signaux avec les fonctions et limites documentées. Leur colonne « Exemple d’usage » reste illustrative.
Zapier
Make
Bardeen
L’analyse transversale fait apparaître un bénéfice plausible et fréquemment décrit : réduire les transferts et saisies répétitives entre outils. Les difficultés concernent surtout la construction des scénarios, le dépannage et le coût à mesure que l’usage s’étend. Ces retours ne permettent pas d’affirmer que l’IA améliore automatiquement la productivité nette, car ils mesurent rarement le temps de correction, la supervision ou la qualité finale de façon comparable.
Pour une organisation, le critère décisif est donc le résultat correctement traité sur toute la chaîne. Une réduction du temps de saisie peut être compensée par une hausse du temps de vérification. Le pilote doit comparer ces deux effets et conserver une possibilité de retour au processus précédent.
Vers une automatisation augmentée ou une dépendance algorithmique ?
Les évolutions déjà observables rapprochent les workflows configurés, les modèles génératifs et les agents utilisant des outils. Les migrations chez Zapier, la bêta de Make et le déploiement sélectif de Synthesis montrent plusieurs trajectoires possibles. Elles ne démontrent ni la disparition des scénarios déterministes ni la capacité des agents à prendre en charge sans contrôle l’ensemble des processus métier.[11][13][15]
La délégation pourrait progresser vers la définition d’objectifs et de contraintes plutôt que la configuration manuelle de chaque étape. Cette perspective reste conditionnée à la fiabilité des outils, à la stabilité des interfaces et à la gestion des exceptions. Un agent qui atteint un objectif une fois ne fournit pas encore la preuve d’un service reproductible à grande échelle.
Il faudra observer des indicateurs plus exigeants que le nombre d’automatisations créées : coût par dossier validé, erreurs détectées après exécution, temps de reprise, qualité des traces et possibilité de changer de fournisseur. La transparence sur les versions, les droits accordés et les incidents contribuera également à apprécier la maturité réelle de ces plateformes.
La formation des équipes sera déterminante. Décrire un processus, distinguer règle et interprétation, vérifier les données et attribuer les responsabilités sont des compétences nécessaires pour superviser un workflow. L’organisation doit conserver ce savoir, même lorsqu’une partie de la conception est assistée par l’IA.
La question ouverte est celle de l’autonomie utile : jusqu’où déléguer pour améliorer le travail sans perdre la capacité de comprendre, corriger et reprendre le processus ? Un début de réponse consiste à étendre progressivement les usages dont la valeur est mesurée, en gardant un contrôle effectif sur les décisions et actions importantes.
Le prochain article de la série Outils IA Génératives 2026 sera consacré au Codage. Il examinera la génération et la compréhension du code, le débogage, les tests, la documentation et les conditions de supervision des agents de développement.
Pour aller plus loin
Pour approfondir la place des agents, la qualité des données et les compétences nécessaires à leur supervision, retrouvez quatre analyses complémentaires du blog aivancity.
Sources
[1] Zapier. Plans and Pricing. Catalogue, offres et facturation des tâches. Consulter la source
[2] Make. Pricing and Subscription Packages. Offres, crédits et fonctionnalités. Consulter la source
[3] Bardeen. Pricing and Plans. Consulter la source
[4] n8n. Plans and Pricing. Exécutions, offres hébergées et Community. Consulter la source
[5] Gumloop. Pricing. Crédits et frais d’orchestration. Consulter la source
[6] Lindy. Pricing. Offres et crédits. Consulter la source
[7] Workato. Pricing. Consulter la source
[8] Tray.ai. Pricing. Offres et devis selon l’usage. Consulter la source
[9] Parabola. Prowork Pricing. Consulter la source
[10] IFTTT. Plans and Pricing. Consulter la source
[11] Zapier. Migrating from Agents to AI by Zapier. Actualisé le 1er octobre 2026. Consulter la source
[12] Zapier. Use the Power of AI to Generate Zap Workflows. Consulter la source
[13] Make. Introduction to Make AI Agent (New). Version publiée le 2 février 2026, bêta ouverte. Consulter la source
[14] Make. Make AI Agent (New) App. Consulter la source
[15] Bardeen, 5 septembre 2026. Automating Automation: An AI Agent That Automates Enterprise Workflows By Learning From How You Work. Consulter la source
[16] Bardeen. Enrichment. Consulter la source
[17] n8n. Human-in-the-Loop for AI Tool Calls. Consulter la source
[18] CNIL. Règlement général sur la protection des données. Articles 5, 6, 13, 14, 22, 28, 32 et 44 à 49. Consulter la source
[19] CNIL. Les questions-réponses sur l’utilisation d’un système d’IA générative. Consulter la source
[20] Commission européenne. AI Act, cadre réglementaire et calendrier. Consulter la source
[21] Commission européenne, 27 juillet 2026. AI Omnibus Enters into Force. Consulter la source
[22] Légifrance. Code de la propriété intellectuelle, article L112-2. Consulter la source
[23] CNIL. Travail et données personnelles. Consulter la source
[24] TrustRadius. Avis individuels sur Zapier. Dates et mentions d’incitation précisées sur la page. Consulter la source
[25] Gartner Peer Insights. Avis sur Make, notamment avis du 5 mai 2026. Consulter la source
[26] G2. Avis individuels Bardeen, aide à la prise en main. Consulter la source
[27] G2. Avis individuels Bardeen, préparation de bases de prospection. Consulter la source
[28] Parabola. Présentation de Prowork. Consulter la source
[29] Gumloop. Présentation de la plateforme. Consulter la source
[30] Lindy. Présentation de la plateforme. Consulter la source