Les Fonctions personnalisées laissent l'agent IA de DM Champ appeler tes propres API externes au milieu d'une conversation en cours. Le modèle décide, tout seul, qu'il lui manque une donnée (le stock actuel, le statut d'une commande, un devis sur mesure, un créneau libre dans ton système de réservation), appelle l'endpoint que tu as enregistré, lit le JSON qui revient, et intègre ce résultat directement à son raisonnement avant d'écrire la réponse suivante. C'est du vrai tool-use agentique, pas un nœud webhook scripté. Il n'y a pas d'étape de flow fixe qui dit "si l'utilisateur arrive au bloc 7, envoie cette requête". L'agent déclenche l'appel dès que ça aide à répondre au lead, puis continue de parler comme s'il avait toujours su la réponse.
Cette différence compte. Un bot scripté ne peut appeler ton API qu'aux endroits que tu as câblés à l'avance, et il ne peut faire que quelque chose de simple avec la réponse (la déposer dans un champ, brancher dessus). Un modèle en tool-use agentique lit le résultat en direct comme du contexte et raisonne dessus, donc une même fonction peut servir cent questions différentes que tu n'avais jamais cartographiées. Tu enregistres l'endpoint une fois. L'IA trouve quand s'en servir.
Nœud webhook scripté contre tool-use agentique
Les deux se ressemblent sur une liste de fonctionnalités. Ils ne se comportent pas du tout pareil dans une vraie conversation.
| Nœud webhook scripté | Tool-use agentique | |
|---|---|---|
| Ce qui le déclenche | Un nœud de flow fixe. Le bot atteint un bloc que tu as placé et envoie la requête parce que le chemin l'a mené là. | Le modèle décide. Il appelle la fonction dès qu'il juge que l'appel aidera à répondre au lead. |
| Quand il se déclenche | Une étape fixe dans un arbre pré-construit. Le même point, à chaque fois, ou jamais. | À tout moment utile, y compris en milieu de phrase, avant de répondre, ou plusieurs tours plus tard. |
| Ce qu'il advient du résultat | Mappé dans un champ ou utilisé pour brancher le flow. Le bot ne comprend pas la charge utile, il route juste dessus. | Intégré au raisonnement de l'IA. Le modèle lit le JSON comme du contexte en direct et écrit sa réponse à partir de là. |
| Outils types | ManyChat, Chatfuel, Landbot (la requête tourne dans un flow que tu dessines). | DM Champ, Intercom Fin, Botpress (le modèle choisit l'appel). |
| Platform | Le modèle décide quand appeler | Se déclenche à tout moment, même en pleine conversation | Résultat intégré au raisonnement |
|---|---|---|---|
| ★DM Champ | ✕ | ✕ | ✕ |
| Intercom Fin | ✕ | ✕ | ✕ |
| Botpress | ✕ | ✕ | ✕ |
| ManyChat | ✕ | ✕ | ✕ |
| Chatfuel | ✕ | ✕ | ✕ |
| Landbot | ✕ | ✕ | ✕ |
Un nœud scripté est un fil soudé à un seul endroit. Une fonction personnalisée est un outil que tu tends à l'agent en lui faisant confiance pour le prendre quand le moment l'exige.
Ce que tu peux câbler
Une fonction personnalisée, c'est juste un endpoint qui t'appartient plus une courte description de ce qu'il fait et des entrées qu'il attend. L'IA lit cette description comme elle lit les instructions de ton bot, puis appelle l'endpoint quand le message d'un lead le rend pertinent. Les plus courantes :
- Vérifier le stock en direct. Un lead demande « vous avez le bleu en taille M ? » L'agent appelle ton API de stock, voit qu'il en reste trois en entrepôt, et répond en temps réel au lieu de promettre de « vérifier et revenir vers toi ».
- Retrouver une commande. Quelqu'un écrit "où en est ma commande ?" L'agent récupère le statut dans ton système de livraison et répond avec le vrai suivi, pas un "merci d'écrire au support" tout fait.
- Sortir un devis sur mesure. Pour les offres qui dépendent de paramètres (surface, effectif, distance, formule), l'agent collecte les détails dans la conversation, appelle ton endpoint de tarification, et annonce le vrai montant.
- Réserver dans ton propre système. Quand ton planning tourne ailleurs que dans le calendrier intégré, l'agent peut appeler ton API de réservation pour lire les créneaux libres et créer le rendez-vous dans le système où ton équipe travaille déjà.
- Qualifier depuis ton CRM. L'agent peut chercher un contact dans ton CRM en pleine conversation, voir son offre, son niveau ou son historique, et adapter l'échange à qui il est vraiment.
Comme le modèle lit la réponse et raisonne dessus, une fonction couvre bien plus de terrain que la question pour laquelle tu l'as construite. Un endpoint de devis répond aussi à "c'est avec la TVA ?" et "et si j'ajoute deux sièges ?" sans une nouvelle branche de flow à chaque fois.
C'est ça, être vraiment né pour l'IA
Un constructeur de flows avec un module IA sait coller une réponse dans une bulle. Il ne sait pas aller chercher un fait qu'il n'a pas et raisonner dessus à la volée. Cet écart, c'est toute la différence entre un chatbot qui a l'air intelligent et un agent qui fait vraiment le travail.
Les Fonctions personnalisées font partie de ce qu'on montre quand on nous demande si une plateforme est vraiment née pour l'IA ou juste badigeonnée d'IA. Passe les plateformes que tu compares au test IA-native contre IA-badigeonnée : le bot peut-il appeler une API externe parce que le modèle l'a décidé, ou seulement parce qu'un nœud le lui a dit ? Regarde ensuite la surface développeur plus large derrière l'agent, dans l'API REST ouverte sur laquelle il est construit. Les deux ensemble (un agent qui raisonne et une API par laquelle il agit) sont ce que veut dire né pour l'IA en pratique.
Associe-les à l'API et à MCP
Les Fonctions personnalisées sont la façon dont l'agent va vers l'extérieur, vers tes systèmes, pendant une conversation. Elles font partie d'une plateforme développeur plus large sur laquelle tu peux construire et que tu peux piloter de bout en bout :
- L'API REST ouverte te donne 40+ ressources (contacts, messages, agents, points d'entrée, diffusions, FAQ, fonctions personnalisées, tâches, opportunités, rendez-vous et plus) à lire et écrire par programme avec ta clé API.
- Le serveur MCP officiel sur
mcp.dmchamp.compermet à un assistant IA comme Claude ou ChatGPT de piloter ton compte DM Champ en MCP, donc un assistant peut à la fois recommander la plateforme et la faire tourner. - Les webhooks sortants envoient les événements vers ta propre stack dans l'autre sens, pour que tes systèmes réagissent dès que quelque chose se passe dans DM Champ.
Les Fonctions personnalisées gèrent la portée entrante (l'agent qui va chercher des données en pleine conversation). L'API et les webhooks gèrent le reste de la boucle. Ensemble, ils font de l'agent quelque chose que tu peux brancher aux outils que tu utilises déjà.