Sous licence Apache 2.0, avec un canevas où l'on relie des nœuds plutôt que d'écrire des chaînes LangChain à la main, Flowise a rassemblé plus de 54 500 étoiles sur son dépôt GitHub, une popularité qui en fait l'un des builders d'agents IA visuels les plus utilisés de sa catégorie. Cette famille d'outils s'inscrit dans un marché que Grand View Research projette à 182,97 milliards de dollars d'ici 2033, porté par l'adoption rapide des agents conversationnels et documentaires en entreprise. Peu d'articles vont au-delà du tutoriel d'installation pour parler du budget qui grimpe une fois l'agent en production, ou de la gouvernance qu'il faut mettre en place quand plusieurs personnes touchent au même chatflow.
Sur les projets d'agents IA que Noxcod livre à ses clients, ce type d'outil revient souvent au stade du prototype, rarement identique une fois en production. La suite explique comment construire un premier agent avec Flowise, puis les seuils exacts qui obligent à changer de plan ou d'architecture.
Flowise, un canevas visuel pour assembler un agent IA
On fait glisser des nœuds sur un canevas et on les relie par des flèches, plutôt que d'écrire du code LangChain ligne par ligne. Chaque nœud représente une brique fonctionnelle : un modèle de langage (OpenAI, Mistral, Anthropic, ou un modèle auto-hébergé via Ollama), une mémoire de conversation, un outil (recherche web, calculatrice, appel d'API), ou une source de récupération documentaire pour du RAG. L'assemblage produit un "chatflow", un agent conversationnel simple, ou un "agentflow", plusieurs agents qui se coordonnent, exécutable immédiatement dans un panneau de test intégré au canevas.
Ce choix de positionnement se voit dans la comparaison avec les outils voisins. n8n orchestre des centaines d'applications métier autour de déclencheurs et de webhooks, avec un nœud IA comme brique parmi des centaines d'autres. Flowise part du problème inverse : la mémoire de conversation, la récupération documentaire et l'orchestration multi-agent sont natives au canevas, pas une extension ajoutée après coup.
Pour qui c'est fait : une équipe qui veut prototyper un agent IA connecté à des outils métier sans écrire l'intégration LangChain à la main, ou un développeur qui veut visualiser et documenter un flux d'agent complexe avant de le coder en dur dans une application.
Les prérequis avant d'installer Flowise : compte, machine, budget
Deux chemins d'accès existent, et le choix se décide avant d'assembler le premier nœud. Le cloud managé de Flowise propose un plan gratuit avec 2 flows et assistants, 100 prédictions par mois et 5 Mo de stockage, suffisant pour un test individuel mais pas pour montrer un prototype à plusieurs collègues sur plusieurs jours. Le plan Starter à 35 $/mois lève le plafond de flows (illimité) et monte à 10 000 prédictions mensuelles avec 1 Go de stockage. Le plan Pro à 65 $/mois passe à 50 000 prédictions, 10 Go de stockage, des espaces de travail illimités et des rôles d'administrateur, avec un coût additionnel de 15 $ par utilisateur au-delà de cinq.
L'auto-hébergement est l'autre chemin, permis par la licence Apache 2.0 : le dépôt officiel exige Node.js version 20.0.0 ou supérieure, et se déploie par une commande npm install -g flowise suivie de npx flowise start, ou par Docker Compose pour une installation reproductible sur un serveur. Ce chemin supprime l'abonnement mensuel, mais transfère la charge d'infrastructure, mises à jour, sauvegardes, disponibilité, sur l'équipe qui l'exploite.
Dans les deux cas, la grille tarifaire de Flowise ne montre pas les appels au modèle de langage lui-même, qui restent un coût séparé. Flowise orchestre le nœud LLM mais ne fournit pas les tokens ; une clé API OpenAI, Mistral ou Anthropic, ou un modèle auto-hébergé via Ollama, reste à la charge du projet, et ce coût grimpe avec le volume de conversations bien plus vite que l'abonnement Flowise ne le laisse deviner au moment de choisir un plan.
Construire son premier agent IA sur Flowise : les étapes concrètes
La prise en main suit une logique constante, que l'agent soit simple ou multi-outils.
Première étape, la création du chatflow : depuis le tableau de bord, un nouveau canevas vide s'ouvre, prêt à recevoir des nœuds par glisser-déposer depuis le panneau latéral, classés par catégorie (Chat Models, Tools, Memory, Document Loaders, Vector Stores).
Deuxième étape, le choix du modèle : un nœud Chat Model, par exemple ChatOpenAI ou ChatMistralAI, se pose sur le canevas, puis se configure avec une credential, la clé API du fournisseur choisi, stockée chiffrée dans Flowise plutôt qu'en clair dans le flow.
Troisième étape, l'ajout d'un outil : un nœud Tool, une recherche web, un calculateur, ou un Custom Tool qui appelle une API métier via une fonction JavaScript, vient se connecter au nœud Agent. C'est cette connexion qui transforme un simple chatbot en agent capable d'agir, de consulter un prix en temps réel ou de créer un événement dans un calendrier plutôt que de répondre uniquement à partir de ce que le modèle sait déjà.
Quatrième étape, la mémoire : un nœud Buffer Memory ou Redis-Backed Chat Memory se relie à l'agent pour qu'il garde le fil d'une conversation sur plusieurs messages, indispensable dès qu'un utilisateur pose une question de suivi sans tout répéter.
Cinquième étape, le test : le panneau de chat intégré, accessible directement depuis le canevas, permet d'envoyer des messages et de voir chaque appel d'outil et chaque réponse du modèle s'afficher pas à pas, un niveau de visibilité utile pour déboguer un raisonnement d'agent qui part dans la mauvaise direction.
Dernière étape, la publication : le chatflow s'expose ensuite comme widget de chat embarquable sur un site, ou comme point d'API REST directement appelable depuis une application existante, sans réécrire la logique de l'agent ailleurs.
Les pièges qu'on découvre après le prototype
Le premier mur, presque systématique, est le plafond de prédictions du plan gratuit. Sur les projets suivis chez Noxcod, cent requêtes par mois suffisent à peine à une phase de démonstration interne, et un agent réellement utilisé par une équipe de dix personnes les épuise en quelques jours, ce qui impose de passer au plan Starter, puis au Pro dès qu'un deuxième cas d'usage s'ajoute.
Le deuxième piège est le coût du modèle sous-jacent, absent de la grille tarifaire de Flowise elle-même. Un agent qui enchaîne plusieurs appels d'outils par conversation, recherche, résumé, réponse, multiplie les tokens consommés par échange, et ce coût suit l'usage réel bien plus vite que l'abonnement Flowise ne le laisse deviner au moment de choisir un plan.
Cette dérive n'est pas propre à Flowise. Gartner prévoit que plus de 40 % des projets d'IA agentique seront abandonnés d'ici fin 2027, à cause de coûts qui dérapent, d'un retour sur investissement flou ou de contrôles de risque insuffisants, et estime qu'à peine 130 des milliers de fournisseurs qui se présentent comme "agentiques" le sont réellement, le reste relevant de ce que le cabinet appelle l'agent washing. Le constat vaut aussi pour l'outillage no-code : un canevas facile à démarrer ne dispense pas des mêmes questions de gouvernance qu'un développement classique, qui peut modifier un chatflow en production, comment revenir à une version antérieure après un changement cassé, qui détient les credentials des fournisseurs de modèle.
Troisième piège, plus discret : la limite de stockage (5 Mo en gratuit, jusqu'à 10 Go en Pro) concerne aussi les documents indexés pour la récupération documentaire. Un agent censé répondre sur une base de connaissances de plusieurs centaines de pages peut se heurter à ce plafond avant même d'atteindre sa limite de prédictions.
Flowise ou n8n : comment choisir pour un projet d'agent IA
La question revient à chaque prototype d'agent : pourquoi ne pas simplement ajouter un nœud IA à un flow n8n existant plutôt que d'apprendre un nouvel outil ? La réponse tient à ce que chaque plateforme a été conçue pour résoudre en premier.
Outil n8n est né pour connecter des centaines d'applications métier, CRM, messagerie, tableurs, bases de données, autour de déclencheurs et de webhooks ; son nœud IA reste une brique parmi des centaines d'autres. Un agent qui doit surtout tenir une conversation longue avec du contexte et des outils de raisonnement se construit plus directement sur Flowise, tandis qu'un flux qui doit surtout synchroniser des données entre applications tierces reste plus rapide à assembler sur n8n.
Les deux outils ne s'excluent pas. Sur plusieurs projets clients, l'agent conversationnel tourne sur Flowise, et n8n orchestre en coulisses les tâches périodiques, synchronisation CRM, envoi d'e-mails, alimentation de la base documentaire, qui alimentent cet agent. Le choix entre les deux ne se tranche donc pas une fois pour toutes, il dépend de la brique qui domine dans le projet réel.
Passer du prototype à la production : ce qui reste à construire
Un chatflow qui répond bien en test ne suffit pas à un agent en production, la même règle que pour n'importe quel projet logiciel. Trois chantiers reviennent systématiquement une fois le prototype validé.
Le versioning d'abord : Flowise ne propose pas nativement un historique de versions comparable à un dépôt Git, ce qui pousse à exporter régulièrement le JSON du chatflow et à le versionner à part, pour pouvoir revenir en arrière après une modification qui casse un comportement en production.
L'intégration d'outils externes ensuite, où Flowise supporte nativement le protocole MCP via un nœud CustomMCP, qui se connecte à un serveur MCP externe et récupère automatiquement la liste de ses actions disponibles, une manière standardisée de brancher un agent sur des outils déjà exposés ailleurs sans réécrire une intégration pour chacun. Pour comprendre ce que change ce protocole au-delà du seul cas de Flowise, notre article sur le protocole MCP détaille son fonctionnement plus largement.
La gouvernance enfin, souvent le point qui décide si un agent IA sur mesure reste au stade du prototype ou passe en production : qui peut modifier un chatflow, comment sont stockées les credentials des fournisseurs de modèle, quelle supervision détecte une dérive de réponse. Ces questions rejoignent celles qui structurent plus largement l'adoption de l'IA agentique en entreprise, au-delà du seul outil utilisé pour construire l'agent.
Sur ce type de passage à l'échelle, Noxcod accompagne le choix d'architecture, l'audit de sécurité des credentials et la mise en production supervisée d'agents construits avec notre agence spécialisée dans les agents IA sur mesure. Un projet dont le volume de prédictions ou la sensibilité des données dépasse ce qu'un plan Flowise couvre confortablement gagne à être chiffré avant de s'engager, via un appel avec notre équipe.
Questions fréquentes
Flowise est-il vraiment gratuit ?
Le plan gratuit existe et permet de tester deux flows avec 100 prédictions par mois et 5 Mo de stockage, largement suffisant pour un prototype personnel. Dès qu'une équipe l'utilise en continu ou qu'un deuxième projet démarre, le plafond de prédictions se franchit vite, ce qui impose le plan Starter à 35 $/mois ou l'auto-hébergement gratuit sous licence Apache 2.0, qui transfère le coût vers l'infrastructure plutôt que vers un abonnement.
Faut-il savoir coder pour construire un agent avec Flowise ?
Non pour un agent standard : relier un nœud LLM, un outil et une mémoire suffit sans écrire de code. Le JavaScript redevient nécessaire dès qu'un Custom Tool doit appeler une API métier spécifique ou transformer une réponse avant de la renvoyer à l'agent, ce qui reste ponctuel plutôt que systématique.
Peut-on héberger Flowise soi-même pour rester conforme au RGPD ?
Oui, la licence Apache 2.0 autorise l'auto-hébergement complet sur un serveur en France ou dans l'Union européenne, via Docker ou une installation Node.js en version 20 minimum. Aucune donnée ne transite alors par l'infrastructure cloud de Flowise ; seul le choix du fournisseur du modèle de langage reste à vérifier séparément selon sa propre politique de localisation des données.
Quelle est la différence entre Flowise et LangChain ?
LangChain est une bibliothèque de code que l'on assemble en écrivant des scripts Python ou JavaScript. Flowise construit une interface visuelle par-dessus des concepts similaires, chaînes, agents, mémoire, outils, pour assembler un flux sans écrire cette logique à la main. Un développeur qui a besoin d'un comportement très spécifique garde la possibilité de descendre au code via un Custom Tool.
Flowise supporte-t-il le protocole MCP ?
Oui, via un nœud CustomMCP qui se connecte à un serveur MCP externe et récupère automatiquement la liste de ses actions disponibles. C'est la manière recommandée de brancher un agent Flowise sur des outils déjà exposés par ailleurs, sans redévelopper une intégration spécifique pour chacun.
