n8n sur Raspberry Pi : ce qui fonctionne, ce qui ne fonctionne pas

n8n fonctionne sur le Raspberry Pi, mais avec des limites claires. Pour des automatisations simples comme des déclencheurs webhook, des déplacements de fichiers ou des notifications, un Raspberry Pi 4 ou 5 avec suffisamment de RAM suffit généralement, car n8n construit son image Docker officielle, selon Docker Hub, aussi bien pour linux/amd64 que pour linux/arm64. Dès que des workflows IA avec des modèles de langage exécutés localement s'ajoutent, le petit matériel atteint rapidement ses limites en RAM et en puissance de calcul. Cet article montre pour quoi un Pi suffit en pratique et où il vaut mieux passer à un matériel plus puissant. État : juillet 2026.

Compatibilité ARM : ce que prend en charge l'image Docker officielle

n8n publie son image Docker officielle sous forme de build multi-architecture. Sur Docker Hub la commande de build est documentée avec les plateformes cibles "linux/amd64,linux/arm64", l'image est donc construite nativement pour les processeurs ARM64 et pas seulement exécutable via émulation. Pour le Raspberry Pi, cela signifie : avec un système d'exploitation 64 bits, par exemple Raspberry Pi OS (64-bit), n8n peut être installé via Docker en suivant le guide d'installation officiel sans détours ni solutions bricolées. Le terme important ici est "64 bits" : si le Pi utilise encore un système 32 bits (armhf), l'image officielle ne conviendra pas, et il faudrait d'abord réinstaller le système d'exploitation. L'installation elle-même ne diffère alors pas de celle d'un serveur x86, y compris un volume persistant pour les données n8n et les variables d'environnement habituelles pour le fuseau horaire et les identifiants.

Pour quoi un Raspberry Pi est réellement suffisant

Workflows planifiés et déclenchés par événements : Les requêtes de données programmées, les transferts entre services ou le traitement simple de webhooks fonctionnent de manière stable même avec peu de puissance de calcul.
Petits volumes de données : Tant que les workflows ne déplacent pas de grandes réponses JSON ou de fichiers binaires, les besoins en mémoire restent faibles.
Environnements personnels ou de test : Pour les particuliers qui découvrent n8n ou construisent des automatisations privées, un Pi est une solution durable et économique.

Dans un fil de discussion du forum n8n un utilisateur rapporte avoir fait fonctionner n8n "comfortably" sur un Raspberry Pi 3. Un membre de l'équipe n8n y ajoute cependant que même un Raspberry Pi Zero démarre en principe, mais que l'on finit par "at some point run into issues with the RAM and also CPU", associé à des exécutions nettement plus lentes. Pour un fonctionnement productif en continu, un Pi 4 ou 5 avec plus de RAM est donc le choix le plus pratique par rapport aux modèles plus anciens ou plus petits.

Où se situent les limites : workflows IA et ressources

Selon la documentation officielle sur les problèmes de mémoire, n8n lui-même ne limite pas la consommation de ressources par nœud : le logiciel ne restreint ni la quantité de données qu'un nœud peut récupérer, ni ne réserve automatiquement de mémoire. De grands ensembles de données, de nombreux nœuds dans un workflow ou le nœud Code font ainsi grimper les besoins en mémoire, et cela affecte un Pi disposant typiquement de 4 à 8 Go de RAM plus rapidement qu'un serveur avec 16 Go ou plus. Pour les workflows d'agents IA, s'ajoute le fait qu'un modèle de langage exécuté localement sur le Pi, par exemple via Ollama, doit partager avec n8n la mémoire déjà limitée et la puissance CPU restreinte. Les retours de la communauté sur les appels de modèles locaux via l'intégration Ollama dans n8n décrivent des temps de réponse nettement plus longs par rapport aux API cloud, aussi bien sur du matériel plus puissant que, plus encore, sur un Pi sans accélération graphique dédiée. Pour des agents IA productifs, plusieurs exécutions parallèles ou des modèles plus volumineux, un Raspberry Pi est donc, honnêtement, la mauvaise plateforme.

Conseils pratiques pour l'exploitation

Prévoir une réserve de mémoire : Ne calculez pas avec le minimum, mais avec une marge pour l'historique d'exécution, les journaux et les workflows simultanés.
Modèles IA externes plutôt qu'inférence locale : Les nœuds qui font appel à une API cloud soulagent nettement le Pi par rapport aux modèles hébergés localement.
PostgreSQL plutôt que SQLite pour plusieurs utilisateurs : Pour un fonctionnement multi-utilisateur stable, une base de données externe est recommandée à la place du fichier SQLite par défaut.
Limiter les volumes de données dans les workflows : De plus petits lots plutôt que de grandes requêtes uniques maintiennent les besoins en mémoire dans les limites de ce qu'un Pi peut gérer.

Si n8n doit porter durablement plusieurs workflows productifs ou agents IA chez vous, il vaut généralement mieux passer à un petit serveur plutôt qu'à un projet de bricolage sur Pi. Chez NordFlux, nous mettons en place des environnements n8n à prix fixe en veillant à la souveraineté des données en Allemagne ; vous trouverez plus d'informations à ce sujet sous automatisation n8n.

Questions fréquentes sur n8n sur Raspberry Pi

n8n fonctionne-t-il sur tous les modèles de Raspberry Pi ?

Techniquement, n8n peut être installé sur la plupart des modèles dotés d'un système d'exploitation 64 bits, mais pour une utilisation pratique en continu, ce sont surtout le Pi 4 et le Pi 5 avec suffisamment de RAM qui conviennent. Les modèles plus anciens ou très petits comme le Pi Zero atteignent rapidement leurs limites en RAM et en CPU, selon des retours du forum n8n.

Ai-je absolument besoin d'un système d'exploitation 64 bits ?

Oui. L'image Docker officielle de n8n est construite pour linux/arm64, pas pour l'ancienne architecture 32 bits. Sur un Pi avec Raspberry Pi OS 32 bits, l'image ne peut pas être utilisée directement ; il faut alors passer à la version 64 bits du système d'exploitation.

Puis-je exploiter des agents IA avec des modèles de langage locaux sur le Pi ?

En principe oui, mais dans la pratique de manière limitée seulement. Les modèles locaux via Ollama partagent la RAM et la puissance de calcul avec n8n ; sans accélération graphique dédiée, les temps de réponse sont, selon les retours de la communauté, nettement plus longs qu'avec les API cloud. Cela suffit pour des tests occasionnels, mais généralement pas pour des agents IA productifs.

Quand devrais-je passer du Pi à un véritable serveur ?

Dès que plusieurs workflows fonctionnent en parallèle, que des volumes de données plus importants sont traités ou que des agents IA doivent être utilisés régulièrement en production, un petit serveur ou VPS avec plus de RAM et de puissance de calcul devient le meilleur choix. Le Pi reste alors une bonne solution pour les environnements de test et d'apprentissage.