Votre Base de Données est Désormais un Studio de Cinéma

Les lignes et les colonnes ne racontent pas une histoire. Un tableau de 30 colonnes regroupant des indicateurs financiers, des notations d'analystes et des prévisions de production peut représenter des milliards de dollars de risques, mais pour la plupart des gens, cela ressemble à un bruit statique. Même les analystes expérimentés ont besoin de plusieurs heures pour analyser un ensemble de résultats SQL avant de pouvoir expliquer ce qui compte réellement pour un cadre, un client ou un consommateur.

Les outils traditionnels prétendent résoudre ce problème. Tableaux Excel, tableaux de bord BI et graphiques ad hoc mettent en avant les indicateurs clés de performance et les jolis graphiques, mais ils ne répondent que très rarement à la question que se posent réellement les non-experts : « Et alors ? » Un tableau de bord peut montrer que les rendements des flux de trésorerie disponibles diffèrent selon les segments ; il n'expliquera pas pourquoi les producteurs d'hydrocarbures lourds surpassent les entreprises axées sur le gaz ni ce que cela devrait changer dans la stratégie du prochain trimestre.

La narration arrive généralement comme une réflexion après coup, ajoutée dans une présentation ou un résumé d'email fait à la hâte. Quelqu'un exporte des CSV, colle des captures d'écran dans PowerPoint, et rédige un script ou des notes de discours pour guider les parties prenantes à travers les chiffres. Le contexte vit dans l'esprit de l'analyste, pas dans le produit de données lui-même, et il disparaît dès qu'il passe à la demande suivante.

Les pipelines de reporting manuels ne sont pas évolutifs. Transformer un ensemble de données complexe en une vidéo explicative cohérente de 4 minutes nécessite : - Une analyse approfondie pour trouver de véritables insights - La rédaction de scénarios pour traduire les statistiques en une histoire - La conception visuelle pour créer des graphiques et des diagrammes - La production vidéo pour enregistrer, éditer et peaufiner

Chaque étape consomme du temps et de l'attention. Un seul explicatif pour un ensemble de données dense—comme les contrats à terme sur l'énergie en Amérique du Nord avec plus de 30 colonnes—peut facilement engloutir plusieurs jours de travail entre analystes, designers et monteurs vidéo. Répétez cela pour des mises à jour hebdomadaires, plusieurs régions ou des dizaines de gammes de produits, et les calculs deviennent vite irréalistes.

Pendant ce temps, le volume de données continue d'augmenter. Les entreprises enregistrent chaque clic, transaction, lecture de capteur et demande de support, puis s'appuient sur des rapports statiques pour communiquer les changements. Les équipes d'intelligence économique deviennent des goulets d'étranglement, recevant d'innombrables demandes « Pouvez-vous m'expliquer cela ? » de la part de parties prenantes qui ne peuvent pas — ou ne veulent pas — interpréter des tableaux de bord bruts.

Le véritable défi maintenant n'est pas de stocker ou d'interroger des informations ; les bases de données et les entrepôts cloud ont résolu cela. Le véritable problème est la communication : comment passer d'une sortie SQL brute à des vidéos explicatives ou des récits clairs et engageants que tout le monde peut comprendre, à la demande, sans avoir à embaucher une armée d'analystes et de producteurs de vidéos.

Imaginez pointer un flux de travail d'automatisation vers une table SQL obsolète et obtenir un explainer entièrement narré qui semble provenir d'un studio de graphismes animés. C'est le concept derrière un pipeline Data-to-Video construit entièrement dans n8n, où votre base de données devient à la fois le scénariste, l'artiste de storyboard et le monteur vidéo en un clin d'œil.

Les données proviennent de PostgreSQL ou de tout autre backend SQL, passent par une série d'Agents IA, et sortent sous forme d'une vidéo explicative de style tableau blanc de 4 minutes. Personne n'écrit de script, personne n'ouvre de timeline, et personne n'enregistre de voix off ; n8n orchestre chaque étape, de la requête à la MP4 finale.

La démo est basée sur un véritable ensemble de données du secteur de l'énergie nord-américain : plus de 30 colonnes de prix à terme, d'évaluations d'analystes, de prévisions de production et de métriques financières. À partir de cette masse d'informations, le workflow met en évidence des insights tels que les producteurs à forte proportion de pétrole représentant 55 % de l'échantillon, offrant un rendement de flux de trésorerie disponible de 11,2 % contre 7,1 % pour les entreprises axées sur le gaz, et se négociant à 7,9x le PER contre 10,5x.

Tout cela se termine par une narration claire et humaine accompagnée de visuels dans un style dessiné à la main. Vous voyez un graphique en écran partagé des entreprises axées sur le pétrole par rapport à celles axées sur le gaz, avec des différences de rendement mises en avant par des étiquettes en gras, et des multiples de valorisation esquissés sous forme de simples barres empilées qui se déplacent en synchronisation avec la voix off.

Un court extrait de 30 secondes dans le tutoriel montre cela en action : le narrateur explique comment les retours divergent selon le mélange de production tandis que des diagrammes animés apparaissent à l'écran. Pas de coupures, pas de pauses gênantes, juste une explication continue qui semble écrite par un analyste et produite par un studio.

Dans les coulisses, n8n recueille les données, les fait transiter par des modèles hébergés par OpenRouter comme GPT, Grok ou Gemini pour l'analyse et la génération de récit, puis transmet des invites textuelles à Google Gemini Nano Banana Pro pour la création d'images. Une étape d'assemblage finale regroupe les visuels et l'audio dans un seul fichier vidéo.

Vous appuyez sur exécuter une fois. Les données se mettent à jour, le flux de travail s'exécute et un nouvel explicatif sort de l'autre côté—prêt pour votre Tutoriel, Ressources internes ou votre page Vidéos explicatives destinées au public.

Quatre phases distinctes transforment n8n d'un outil de flux de travail en un studio Data-to-Video entièrement automatisé. Chaque phase gère un travail créatif spécifique que les humains effectuent généralement manuellement : analyste, scénariste, illustrateur et monteur vidéo. Ensemble, elles convertissent des lignes SQL brutes en une vidéo explicative de quatre minutes qui semble délibérément produite, et non générée automatiquement.

La phase 1 est Analyse des Données. Un agent IA se connecte directement à votre base de données SQL (PostgreSQL dans le tutoriel, mais toute source SQL fonctionne) et extrait des données d'une table définie, comme une table de tarification énergétique comportant plus de 30 colonnes financières. Il examine le schéma, les types de colonnes, le nombre de lignes et les distributions, puis produit un rapport analytique structuré de 1 200 mots avec des sections telles que le résumé exécutif, la méthodologie, les résultats clés et les recommandations.

Cet agent fait plus que résumer. Il compare des cohortes (par exemple, des producteurs axés sur le pétrole par rapport à ceux axés sur le gaz), met en lumière des indicateurs comme le rendement de flux de trésorerie libre (11,2 % contre 7,1 %), et les écarts d'évaluation (7,9x contre 10,5x P/E). Ce rapport devient la seule source de vérité que chaque phase ultérieure utilise, de sorte que le récit, les visuels et l'audio restent tous alignés avec les mêmes Données sous-jacentes.

La phase 2 est Génération d'Histoire. Un narrateur IA distinct ingère le rapport analytique et le restructure en une narration en cinq parties : introduction, contexte, insight clé, implications et conclusion. Au lieu de paragraphes de statistiques, vous obtenez des éléments conviviaux qui ressemblent à un script de voix off pour un débriefing sur YouTube.

Cet agent narratif impose le rythme et la clarté. Il détermine quels chiffres sont importants pour un public général, quelles comparisons mettre en avant et comment cadrer les risques, les opportunités ou les anomalies. Le résultat est un discours qui semble éditorial, et non comme un simple déballage de données lu à voix haute.

La phase 3 est Génération Visuelle. Pour chacun des cinq segments narratifs, le flux de travail fait appel à Google Gemini Nano Banana Pro pour générer des illustrations de style tableau blanc. Les consignes incluent des entités spécifiques (producteurs riches en pétrole, entreprises axées sur le gaz), des métriques et des relations, de sorte que chaque image reflète directement les insights SQL sous-jacents.

Ces images servent d'ancres visuelles pour le spectateur. Le système génère cinq images cohérentes et stylistiquement uniformes qui correspondent au ton d'une explication dessinée à la main. Si vous souhaitez explorer des outils alternatifs, n8n Integrations - Bibliothèque d'intégrations officielle répertorie des services d'image et d'IA supplémentaires que vous pouvez intégrer.

La phase 4 est Assemblage Vidéo. n8n assemble :

• 1Les cinq segments de texte narratif
• 2Audio texte-à-parole pour chaque segment
• 3Les cinq images de style tableau blanc

L'audio et les visuels se synchronisent pour créer un seul explicatif MP4, généralement d'environ quatre minutes, prêt à être publié. Pas de révision de la timeline, pas de rendu manuel—juste un pipeline de Vidéo entièrement automatisé, de la requête SQL au fichier final.

La phase 1 transforme votre workflow n8n en quelque chose qui ressemble étrangement à une petite équipe de données. Au centre se trouve un Agent d'Orchestration, un contrôleur de haut niveau qui décide quelles questions poser, quand récupérer plus de données et combien de passes d'analyse effectuer. Il ne touche pas directement au SQL ; il délègue ce travail de fond à un partenaire spécialisé.

Ce partenaire est l'Agent de Récupération de Données, un ouvrier spécialement conçu dont le seul travail est de communiquer avec votre instance PostgreSQL. À l'intérieur d'n8n, cet agent est connecté à un outil de base de données qui expose une connexion en temps réel, lui permettant de générer et d'exécuter ses propres requêtes SQL à la demande. Pas de requêtes préconçues, pas de tableaux de bord statiques—juste des invites dynamiques se transformant en appels réels à la base de données.

Au lieu de coder en dur « SELECT * FROM energy », le workflow fournit à l'agent une description de l'outil et laisse le modèle décider quelles tables, colonnes et filtres sont importants. Il peut commencer par une vue d'ensemble, échantillonnant le schéma, puis se concentrer sur des jointures spécifiques, des plages temporelles ou des sous-segments. Cela signifie qu'un seul workflow peut s'adapter aujourd'hui à un ensemble de données énergétiques de 30 colonnes et demain à un tableau de tunnel marketing sans aucune modification manuelle.

La logique d'orchestration est essentielle. L'Agent d'Orchestration reçoit une mission : extraire chaque tendance, anomalie et modèle significatif de cet extrait de base de données. Il donne ensuite des instructions à l'Agent de Récupération de Données sur le moment de : - Inspecter le schéma (colonnes, types de données, nombre de lignes) - Tirer des statistiques descriptives - Segmenter par dimensions clés telles que le secteur, le produit ou la région

Une fois les données brutes récupérées, le message du système pousse l'Agent de Récupération de Données en mode analyste. Il doit produire un rapport structuré d'environ 1 200 mots, et non une simple liste à puces. Le brief impose un résumé exécutif, une méthodologie, un profil des données, des résultats clés et des recommandations, le tout rédigé dans un langage clair et professionnel.

La démonstration de Derek Cheung utilise une table d'énergie hébergée par Supabase comme bac à sable, mais le modèle est généralisable à tout backend compatible avec PostgreSQL. Dans son exemple, l'agent fait automatiquement ressortir des divisions telles que les producteurs riches en pétrole par rapport à ceux axés sur le gaz, les écarts de rendement en flux de trésorerie disponible (11,2 % contre 7,1 %), et les différences de valorisation (7,9x contre 10,5x Bénéfice/Évaluation). Ce ne sont pas des analyses préconçues ; elles émergent des propres requêtes et comparaisons de l'agent.

Parce que l'objectif est un rapport prêt à être narré, l'agent ne s'arrête pas à "ce que" les chiffres montrent. Il doit traduire les tendances en insights exploitables : quel segment performe le mieux, quelle métrique soutient cette surperformance, et ce que le décideur doit faire ensuite. Cet artefact de 1 200 mots devient le script principal que la Phase 2 découpera ensuite en séquences narratives et, finalement, en plans pour votre vidéo explicative.

La phase 2 passe le relais du cerveau de tableur au cerveau de conteur. Le flux de travail promeut un nouveau spécialiste : l'agent Maître des Histoires de Données, dont tout le rôle consiste à transformer un rapport analytique de 1 200 mots en quelque chose qui ressemble à une présentation au tableau blanc, bien dirigée, plutôt qu'à un appel sur les résultats trimestriels. Au lieu d'ajuster des graphiques, cet agent pense en rythmes, scènes et métaphores visuelles.

Son persona est conçu comme celui d'un directeur principal pour un studio d'animation en tableau blanc haute densité. Cela signifie qu'il prend en compte des contraintes que l'on pourrait attendre en production : une durée de 4 minutes, un rythme rapide, pas de plans inutiles, et des visuels qui doivent être clairs en une seule image. Chaque décision qu'il prend - ce qu'il faut mettre en avant, ce qu'il faut couper, comment effectuer les transitions - sert cette mentalité de production.

Structurellement, l'agent produit un tableau JSON en cinq parties. Chaque élément représente un segment de la vidéo finale et contient deux charges utiles : un script de narration et un prompt visuel détaillé. n8n ne perçoit pas d'« histoire », il voit une structure de données ordonnée que les nœuds en aval peuvent consommer sans avoir à deviner.

Les segments de narration se lisent comme des mini-scènes : 30 à 45 secondes chacun, adaptés pour transmettre un insight principal. Pour l'ensemble de données sur l'énergie, un segment pourrait se concentrer entièrement sur les producteurs axés sur le pétrole par rapport à ceux axés sur le gaz, soulignant que les entreprises orientées vers le pétrole (55 % de l'échantillon) affichent des rendements de flux de trésorerie libre de 11,2 % contre 7,1 % pour les acteurs du gaz, et se négocient à 7,9x le PER contre 10,5x. Chaque chiffre que l'analyste a révélé lors de la phase 1 devient un dialogue que l'audience peut suivre.

Les incitations visuelles plongent profondément dans la conception des prises de vue. Au lieu de “dessiner des entreprises énergétiques,” le JSON pourrait spécifier : “scène large sur tableau blanc, en écran partagé ; côté gauche étiqueté ‘Axé sur le pétrole (55%)’ avec ‘11,2% de rendement FCF’ en gras et ‘7,9x P/E’ ; côté droit ‘Axé sur le gaz (45%)’ avec ‘7,1% de rendement FCF’ et ‘10,5x P/E’ ; icônes simples pour plate-formes pétrolières contre puits de gaz ; art linéaire noir propre, haute contrast.” Ce niveau de spécificité permet à Google Gemini Nano Banana Pro de générer des images cohérentes et en accord avec la marque.

Des transitions fluides relient ces cinq segments en une seule arc narratif. L'agent écrit explicitement le lien : rappels aux statistiques précédentes, présages du segment suivant, et passes verbales comme « en s'éloignant des évaluations, la vraie histoire apparaît dans le mélange de production ». Ces lignes de transition se trouvent dans le JSON aux côtés de chaque segment, de sorte que lorsque n8n assemble plus tard audio et visuels, le montage final semble intentionnel—plus un pipeline de studio qu'une exportation de feuille de calcul.

La phase 3 est celle où le flux de travail cesse d'avoir le son d'analyses de back-office et commence à ressembler à un studio de production. Les cinq segments narratifs de la phase d'histoire deviennent chacun un brief visuel, et les fans d'n8n les organisent en emplois parallèles utilisant le modèle Nano Banana Pro de Google, accessible via l'API Higgsfield.

Chaque brief arrive sous la forme d'une charge utile JSON soigneusement formatée : titre du segment, description de 2 à 3 phrases, points de données clés et direction artistique explicite "style tableau blanc, marqueur noir sur fond propre". Le prompt encode également des contraintes telles que "pas de chrome d'interface utilisateur", "pas de logos" et "pas de photoréalisme", de sorte que Nano Banana Pro se comporte comme un artiste de storyboard, et non comme un générateur de photos d'archive.

Le nœud HTTP Request d’n8n gère l’appel Higgsfield. Pour chaque segment, il envoie un POST à l'endpoint Nano Banana Pro avec un corps qui comprend : - Le prompt textuel généré par le Maître Conteur de Données - Format de sortie défini sur PNG - Résolution définie sur 1920×1080 - Rapport d'aspect verrouillé à 16:9 pour un cadrage sûr pour la vidéo

Higgsfield traite la génération d'images comme un travail asynchrone, de sorte que le flux de travail ne soit pas bloqué et reste réactif. Le premier appel renvoie un identifiant de travail, que n8n stocke sur l'élément et passe dans une boucle dédiée au « statut du travail ». Cette boucle utilise un nœud Attendre configuré pour un délai de 5 à 10 secondes entre les vérifications afin d'éviter de surcharger l'API.

Chaque passage dans la boucle déclenche un autre nœud de requête HTTP qui interroge le point de terminaison d'état de Higgsfield avec l'ID de travail. La réponse expose une simple machine à états : en attente, en cours d'exécution, terminée ou échouée. Un nœud de décision se ramifie sur ce champ afin que seules les tâches terminées sortent de la boucle vers le traitement en aval.

Une fois qu'un travail est marqué comme "terminé", n8n récupère l'URL de l'image ou la charge utile binaire, normalise les noms de fichiers tels que `segment-03-cashflow.png`, et les stocke à un endroit prévisible pour la phase d'assemblage. Pour des détails d'implémentation plus approfondis sur les nœuds HTTP, les boucles et la gestion des données binaires, la Documentation n8n - Docs Officiels explique les modèles de configuration exacts utilisés par ce pipeline.

La phase 4 transforme un ensemble d'actifs en un fichier final, prêt à être visionné. À ce stade, n8n possède cinq segments narratifs, des images de tableau blanc assorties et des métadonnées structurées. L'assemblage vidéo les connecte dans un calendrier rigoureux afin qu'un moteur de rendu externe puisse traiter vos données comme un storyboard, et non comme un jeu de devinettes.

Tout commence par un manifest JSON. n8n associe chaque moment de l'histoire à un tableau ordonné de scènes, où chaque scène comprend : - `texte` (ligne ou paragraphe de narration) - `image_url` (sortie de Gemini Nano Banana Pro) - `durée_en_secondes` - `id_de_voix` ou style - `index_de_scène`

Ce manifeste stocke également des paramètres globaux : résolution cible (généralement 1080p), fréquence d'images, couleur de fond et niveaux de mixage audio. En standardisant ce schéma, vous pouvez changer de moteur de rendu par la suite sans toucher aux Agents en amont.

Les tâches lourdes sont transférées vers une API de génération de vidéos personnalisée, déployée sur un service tel que Railway ou un VPS Hostinger. L'API gère : - La synthèse vocale pour chaque segment - L'alignement des formes d'onde afin que les visuels correspondent à l'emphase vocale - Le rendu final en MP4 avec transitions et musique de fond

Dans les coulisses, le service accepte la charge utile JSON via HTTPS, met en file d'attente un travail de rendu et retourne un `job_id` ainsi qu'un point de terminaison de statut. n8n envoie cette requête depuis un nœud HTTP, en passant le manifest complet sous forme de JSON brut, y compris toutes les URL d'image et les blocs de narration.

À partir de là, le flux de travail entre dans une boucle de sondage. Un nœud d'attente simple pause pendant 10 à 20 secondes, puis un nœud HTTP vérifie `/status/{job_id}` jusqu'à ce que l'API indique `completed` ou `failed`. En cas de succès, la réponse inclut une `video_url` signée pointant vers le stockage cloud.

n8n termine en téléchargeant cette URL sur le disque local ou S3, en joignant le fichier à un e-mail, ou en le publiant directement sur Slack ou YouTube. Votre requête SQL est discrètement devenue une vidéo explicative de 4 minutes.

Chaque explicateur automatisé dans ce système fonctionne sur une architecture compacte mais opiniâtre : n8n pour l'orchestration, OpenRouter pour l'intelligence artificielle, PostgreSQL pour la véracité, et une combinaison Higgsfield–Gemini pour les visuels. Chaque élément s'intègre dans une phase spécifique du pipeline, de la requête SQL au cadre rendu.

Au centre se trouve n8n, fonctionnant en auto-hébergement sur un VPS, tel que le plan KVM2 de Hostinger. Cette configuration est importante : au lieu de faire face aux limites de taux des SaaS, vous bénéficiez en réalité d'exécutions de flux de travail illimitées et d'Agents IA, d'un accès root complet, et d'une installation n8n en un clic avec le mode de file d'attente activé pour des exécutions parallèles.

L'auto-hébergement sur un VPS vous permet également de garder la latence et le contrôle entre vos mains. Vous décidez quand faire évoluer le CPU et la RAM, comment gérer les secrets et dans quelles régions votre infrastructure d'automatisation se trouve—ce qui est essentiel pour les équipes qui traitent des centaines de travaux de Données vers Vidéo par jour.

La logique IA traverse OpenRouter, qui agit comme une couche méta au-dessus de modèles tels que GPT, Grok et Gemini. Le flux de travail peut router différentes tâches—analyse de données, structuration narrative, invites visuelles—vers différents modèles sans modifier les nœuds n8n environnants.

Parce qu'OpenRouter abstrait les fournisseurs, vous pouvez effectuer des tests A/B sur des charges de travail en direct. Remplacez GPT par Grok sur l’agent « Master Data Storyteller », ou déplacez l'analyste de données vers un niveau de modèle moins coûteux, le tout via des clés API et des noms de modèle dans n8n, sans avoir à réécrire l'intégralité de votre pipeline.

Sous les Agents, PostgreSQL ancre tout en tant que source de vérité. Les nœuds Postgres natifs d'n8n exécutent des requêtes SQL sur des tables comme le jeu de données énergétique à plus de 30 colonnes, retournant des lignes structurées que les agents IA consomment directement.

Cette intégration étroite avec Postgres signifie que la même automatisation peut passer des prix de l'énergie aux métriques SaaS ou aux journaux d'utilisateur en modifiant une requête, sans changer l'architecture. Les vues, les vues matérialisées et les rafraîchissements planifiés fournissent aux agents des données pré-modélisées propres avec lesquelles travailler.

Les visuels proviennent d'une pile en deux parties : Higgsfield en tant que couche API de génération d'images, et Google Gemini Nano Banana Pro en tant que modèle sous-jacent. n8n envoie des segments narratifs et des descriptions de scènes à l'endpoint de Higgsfield, qui appelle Gemini pour rendre ces cadres d'un blanc éclatant, dans un style tableau blanc.

Parce que Higgsfield expose une API HTTP simple, le flux de travail peut demander cinq ou cinquante images par vidéo, ajuster les modèles de prompts et garantir un style cohérent à travers les épisodes. Le résultat : un studio de cinéma basé sur une base de données où SQL, Agents et Gemini co-dirigent chaque image.

Les marchés de l'énergie génèrent exactement le type de données denses et multifactoriels qui meurent généralement dans un tableur. Le tutoriel de Derek Cheung, Automatiser, Données, Vidéo, Agents, Depuis la Base de Données, Vidéos Explicatives, Apprendre, Ressources, Liens s'attaque à ce problème avec un véritable ensemble de données : des entreprises énergétiques nord-américaines, des prix futurs et plus de 30 colonnes de métriques financières et opérationnelles. Les évaluations des analystes, les prévisions de production, les statistiques du bilan et les ratios de valorisation se trouvent tous dans une seule table PostgreSQL connectée à n8n.

Au lieu de modèles construits à la main, un agent IA dans n8n extrait cette table et génère un rapport analytique de 1 200 mots. Il examine la structure des colonnes, le nombre de lignes et les distributions, puis segmente l'univers par mélange de production. De là, le pipeline identifie deux cohortes claires : les producteurs à dominante pétrolière et les entreprises axées sur le gaz.

Ces cohortes révèlent la découverte principale : les producteurs riches en pétrole gagnent. Ils représentent 55 % de l'échantillon tout en affichant une génération de liquidités nettement plus forte et des valorisations plus attractives. L'agent ne se contente pas de dire que "le pétrole a meilleure allure" — il quantifie exactement à quel point c'est mieux.

Le rendement de flux de trésorerie libre devient le premier indicateur de référence. Les entreprises orientées vers le pétrole affichent des rendements de flux de trésorerie libre de 11,2 %, contre seulement 7,1 % pour leurs homologues axées sur le gaz. Cet écart de 4,1 points de pourcentage indique des retours en espèces nettement plus élevés pour les actionnaires, sans que personne n'ait besoin de toucher à Excel ou à un tableau de bord BI.

L'évaluation renverse davantage l'intuition. Malgré une génération de trésorerie plus forte, les producteurs de pétrole se négocient à des multiples C/B moins chers : 7,9x contre 10,5x pour les entreprises gazières. Le script automatisé le souligne explicitement, présentant les entreprises à forte exposition pétrolière comme à la fois à rendement plus élevé et à multiple plus bas — une histoire de mal-évaluation classique qui séduirait les gestionnaires de portefeuille.

Tous ces chiffres alimentent directement le moteur narratif. L'agent « Maître Narrateur de Données » transforme des rendements de 11,2 % contre 7,1 % et un P/E de 7,9x contre 10,5x en un script en cinq parties sur l'efficacité du capital, le risque et la perception du marché. Chaque segment bénéficie d'une illustration de style tableau blanc provenant de Google Gemini Nano Banana Pro : des graphiques à barres pour les écarts de rendement, des comparaisons côte à côte pour les multiples, et des mises en évidence pour la part de 55 % d'hydrocarbures.

La vidéo explicative finale de 4 minutes assemble narration, visuels et métriques à l'écran dans un briefing autonome sur le positionnement de l'équité énergétique. Aucun humain n'écrit un mot ni ne dessine une image. Pour les lecteurs qui souhaitent examiner ou modifier l'automatisation sous-jacente, le flux de travail n8n et l'écosystème communautaire commencent avec le dépôt officiel GitHub d'n8n, qui s'associe parfaitement avec les modèles OpenRouter et un backend PostgreSQL.

Votre base de données est déjà en attente d'un lot de contenu d'explication. Ce flux de travail n8n transforme ces lignes oubliées en un flux continu de Vidéos explicatives sans éditeurs, designers de mouvement ou artistes de voix. Une requête SQL en entrée, une vidéo de tableau blanc de 4 minutes en sortie.

Commencez par cloner l'idée centrale du tutoriel : quatre phases, un pipeline. Connectez n8n à votre source SQL—PostgreSQL, Supabase ou tout autre outil qui alimente vos tableaux de bord—et faites en sorte qu'un agent AI extrait un seul ensemble de données bien défini : une ligne de produits, une zone géographique, un trimestre. Livrez quelque chose de petit avant de rêver d'une usine de contenu de 10 000 lignes.

À partir de là, reproduisez la pile des Agents. Utilisez OpenRouter pour accéder à des modèles comme Grok, GPT ou Gemini pour l'analyse et la rédaction de scénarios, puis transférez les invites vers Google Gemini Nano Banana Pro pour des images de style tableau blanc. Maintenez la même structure narrative en cinq parties du tutoriel afin que chaque vidéo se sente comme une histoire concise et prête pour les dirigeants, plutôt qu'un déversement de données erratique.

Vous n’avez pas besoin de réinventer l’infrastructure non plus. Auto-hébergez n8n sur un VPS Hostinger (Derek utilise le plan KVM2) pour exécuter un nombre illimité d’exécutions sans les limites de taux des SaaS. Une instance, un flux de travail, des milliers d’exécutions automatiques tirant de votre entrepôt de données.

Pour avancer rapidement, consultez les ressources et les liens officiels : - Documentation n8n : https://n8n.io - OpenRouter : https://openrouter.ai - Higgsfield / Gemini Nano Banana Pro : https://cloud.higgsfield.ai - Communauté de l'école d'automatisation IA de Derek : https://www.skool.com/ai-automation-engineering-3014

Le plus important : intégrez vos propres métriques. Tables d'attribution marketing, journaux de désabonnement, tunnels de vente, données de capteurs—appliquez-les au même plan en quatre phases. Adaptez les incitations, ajustez les visuels, et votre base de données cesse d'être une corvée de reporting pour se transformer en un studio Vidéo entièrement automatisé.

Qu'est-ce qu'n8n et pourquoi est-il utilisé dans ce flux de travail ?

n8n est un outil d'automatisation des flux de travail qui agit comme l'orchestrateur central. Il connecte différents services comme votre base de données SQL, vos modèles d'IA et les API de génération de vidéos pour créer un pipeline automatisé sans accroc.

Ai-je besoin de compétences en codage avancées pour construire cela ?

Non, il s'agit d'une approche low-code. Bien qu'une certaine familiarité avec les API et les structures de données soit utile, l'interface visuelle d'n8n vous permet de construire la plupart du flux de travail en connectant des nœuds sans écrire de code extensif.

Puis-je utiliser une autre base de données en plus de PostgreSQL ?

Oui. Le workflow est adaptable. n8n prend en charge diverses bases de données SQL, vous pouvez donc le connecter à la base de données de votre choix, comme MySQL ou Microsoft SQL Server, avec quelques ajustements mineurs des nœuds de connexion.

Qu'est-ce qui rend les agents IA essentiels pour ce processus ?

Les agents d'IA automatisent les tâches cognitives. Au lieu qu'un humain analyse les données et rédige un script, les agents interrogent de manière autonome la base de données, identifient les informations clés, puis structurent ces résultats en un récit captivant.