Production de contenus
à l'ère de l'IA

Alexandre Machado
ingénieur · entrepreneur · précurseur IA

• 7 ans Responsable Études & Méthodes dans l'industrie automobile
• Fondateur d'une agence web en 2010 : une dizaine de collaborateurs
• Plusieurs SaaS conçus pour PME et grands comptes
• Co-fondateur du SEO & GEO Summit et de Content Rank
• Précurseur IA et LLMs avant ChatGPT
• Conseil & intégration IA via IA·TECH

Pourquoi vos contenus IA
ne performent pas

On ne demande pas un article.
On construit un processus.

3 niveaux de contexte
du permanent au spécifique

Plus on est dans la conversation, plus c'est prioritaire.

Sans contexte, le LLM
travaille à l'aveugle

• Sans contexte : le LLM pioche dans sa mémoire d'entraînement → générique, dépassé
• Avec du contexte ajouté dans la conversation : il travaille sur les vraies données du marché
• C'est le principe du RAG (Retrieval-Augmented Generation) : exécuté manuellement

Le Projet : le contexte
permanent du client

Les 3 sources à joindre
dans la conversation

search SERP Google

article Google News

sell Mots-clés YTG

↓

Conversation ChatGPT / Claude

search

SERP Google

Savoir ce que les concurrents ont écrit

10 premiers résultats pour le mot-clé cible. Extension Chrome Web Page Text Extractor.

article

Google News

Pertinence temporelle

Articles d'actualité sur le sujet. Informations fraîches, angle du moment.

sell

Mots-clés YTG

Répartis dans les chapitres

Grammes 1, grammes 2, entités nommées. Liste sémantique complète.

Comment on récupère
le contenu de la SERP

• Extension Chrome gratuite : extrait tout le texte d'une page en 1 clic
• Même processus pour Google News : rechercher le sujet → extraire les articles
• Fichier banwords.csv fourni, enrichissable au fil du temps
• Pourquoi : donner au LLM la matière première réelle, pas sa mémoire d'entraînement

On fait générer le plan
avant de rédiger

// Le LLM analyse la SERP et les News
// Il identifie les angles non couverts par les concurrents
// Il répartit TOUS les mots-clés YTG dans les chapitres

<request>comment tailler rosier</request>
<keywords>mots-clés-YTG.txt</keywords>
<competitors-plans>Analyse SERP + Google News</competitors-plans>

// Output : JSON {titleSEO, title, chapters:[{title, prompt, keywords}]}

Avec vs sans plan :
la différence de qualité

Chaque chapitre reçoit
son propre brief de rédaction

<topic> Titre SEO + Titre article + Mots-clés
<title> Titre du chapitre + description contenu attendu
<nbwords> Total mots ÷ nb chapitres
<keywords> Mots-clés YTG attribués à ce chapitre
<previous-chapter> + <next-chapter> pour la cohérence
<banwords> + <infos-client>

Un méga-prompt vs
des prompts ciblés

• 1 prompt pour 1 500 mots : le LLM dilue. Résultat = superficiel
• 1 prompt par chapitre de ~300 mots : chaque section est dense
• Chaque prompt connaît le chapitre précédent → pas de redite
• Chaque prompt connaît le chapitre suivant → pas d'empiètement
• Les mots-clés YTG sont répartis intelligemment entre les chapitres

On exécute chaque prompt
et on récupère le HTML

// Règles strictes de rédaction :
// • Utiliser OBLIGATOIREMENT les documents du projet
// • Extraire chiffres, dates, sources depuis le contexte
// • Ne pas répéter le chapitre précédent
// • Ne pas anticiper le chapitre suivant
// • Pas d'intro ni de conclusion (le chapitre s'insère)
// • Éviter ABSOLUMENT les banwords
// • Output : HTML (<h3>,<h4>,<p>,<table>,<blockquote>)

L'arme anti-IA :
les banwords

On choisit le bon type
de média pour chaque chapitre

Un classifieur détermine le type de média optimal en fonction du contenu du chapitre, puis génère le prompt de création.

Un prompt média
est créé automatiquement

• Pourquoi : chaque article a des visuels uniques, pas des photos stock
• Le prompt média est téléchargeable, réutilisable pour d'autres articles
• Format standard : 16:9, WebP ou AVIF, optimisé pour le web
• En atelier manuel : on utilise DALL·E ou Flux pour générer l'image

On assemble les chapitres
et on finalise l'article

// 1. Tous les chapitres sont concaténés dans l'ordre.
//    On ne modifie JAMAIS le contenu des chapitres.
// 2. Le LLM génère :
→ Title + TitleSEO (40-70 car.)
→ Meta-description (≤155 car.)
→ Introduction (~60 mots)
→ Conclusion H2 avec mot-clé (~60 mots)

Ce que vous obtenez
à la fin du processus

• Article complet, sourcé, différencié de la concurrence
• Aucune retouche : HTML propre, banwords filtrés
• Le même Projet sert pour l'article suivant du même client

On applique la méthode
sur un vrai sujet

La même méthode,
exécutée automatiquement

La méthode manuelle que vous venez d'appliquer : c'est exactement celle qui tourne dans nos pipelines n8n. La différence : 3 minutes au lieu de 45.

n8n · Claude · Qdrant · Browserless · AWS S3 · WordPress API

La méthode fait le contenu.
L'outil ne fait que l'exécuter.

Vous ne formez pas des rédacteurs IA.
Vous formez des directeurs éditoriaux augmentés.

Continuez avec
Alexandre Machado

school

Formation

Formation IA·TECH

2 jours pour déployer l'IA dans votre production de contenus : méthode, automatisation, pipeline complet.

Je veux →

formation.ia-tech.fr

smart_toy

Audit & Automatisation

Pas que du contenu

CRM, facturation, extraction de données, SAV… Tout ce qui pèse sur vos journées peut être automatisé.

Appel découverte →