Semrush propose des milliers d'articles de blog, et beaucoup d'entre eux sont des éléments d'information sur lesquels les lecteurs s'appuient pour en savoir plus sur des sujets liés au référencement, à la visibilité de l'IA et au contenu. Garder ces articles à jour et au niveau de qualité pour lequel Semrush est connu est un travail important et continu.
Pendant un certain temps, j'ai essayé de résoudre la maintenance de notre contenu informatif avec un workflow n8n. Cela a fonctionné pour la recherche mais s'est cassé lors de la rédaction.
J'ai donc reconstruit le pipeline dans Claude Code. Celui-ci s’occupe à la fois de la recherche et de la rédaction.
Voici pourquoi j'ai appelé à passer de n8n à Claud Code, comment fonctionne le nouveau système et ce qui a changé pour notre équipe.
Ce qui n'arrêtait pas de rompre avec N8N
Mettre à jour un article existant représente deux tâches en une : un audit et une réécriture chirurgicale.
Vous devez déterminer ce qui est obsolète, où les concurrents ont évolué, ce qu'attend désormais le paysage de la recherche IA, quelles nouvelles fonctionnalités de produit intégrer et comment mettre à jour l'élément sans toucher à ce qui fonctionne encore. Multiplier cela par un retard par centaines signifie que le flux de travail doit être rapide, précis et cohérent.
Ma première tentative pour rationaliser ce travail était un flux de travail n8n.
La recherche a fonctionné à moitié. Pour chaque article, il a rassemblé :
- Données SERP complètes pour le mot-clé
- Les articles des meilleurs concurrents
- Une analyse d'intelligence de domaine intégrée (EDI) comparant notre article à ces concurrents
- Présentation de l'IA de Google pour la requête
- Recherches associées Surfaces Google
- Opportunités de liens internes à travers notre propre contenu
Mais la rédaction n’a jamais fonctionné.
Les brouillons sont revenus assez proches de ce que je recherchais, mais jamais assez proches pour être publiés.
La voix était éteinte. La structure ignorait le guide de style. Le langage était pelucheux et verbeux. Et le pire de tout, il y avait des hallucinations : l'IA décrivait parfois des fonctionnalités de Semrush qui n'existent pas, et avec des détails convaincants.
J'ai essayé tout ce à quoi je pouvais penser pour améliorer le résultat. Utiliser différents modèles d'IA. Resserrer les invites. Diviser la rédaction en étapes plus petites. Lui donner le guide de style. En lui donnant plus de versions antérieures à titre d'exemples.
Rien de tout cela n’a produit de résultats cohérents et de haute qualité. J'obtiendrais un brouillon acceptable une fois, puis la prochaine manche serait fausse d'une nouvelle manière.
Finalement, j'ai arrêté d'essayer de corriger le contenu que je recevais de n8n. La partie recherche nous donnait toujours des informations pour les mémoires à partir desquels l'équipe pouvait rédiger, nous avons donc continué et mis la rédaction de côté.
Mais je ne pouvais pas m'empêcher de réfléchir aux raisons pour lesquelles la rédaction échouait.
Il s’avère que l’échec a toujours été structurel. n8n est excellent pour enchaîner les appels d'API : récupérez ceci, transformez cela et envoyez-le.
Cependant, la rédaction d'un article nécessite un raisonnement éditorial : des jugements sur la voix, la structure et ce qu'il faut changer. Ce type de raisonnement doit prendre en compte l'ensemble de l'article en même temps, ainsi que les documents de référence tels que le guide de style et les exemples antérieurs disponibles au fur et à mesure que les décisions sont prises.
Les outils de workflow ne sont tout simplement pas conçus pour cela.
Pourquoi je suis passé à Claude Code
J'avais besoin de quelque chose qui puisse effectuer un véritable travail éditorial, comme lire l'article original, comprendre l'intention derrière la requête et appeler sur ce qu'il fallait changer et ce qu'il fallait laisser tranquille.
J'ai examiné quelques options et je revenais sans cesse à Claude Code.
Voici ce qui l'a rendu adapté :
Claude Code est un agent qui s'exécute dans un dossier sur votre ordinateur. Le pipeline est ce dossier. Le guide de style, les versions antérieures, les résultats de la recherche et l'article en cours de mise à jour sont tous des fichiers qu'il contient.
Claude Code lit ce dont il a besoin quand il en a besoin, et le travail qu'il effectue devient un autre fichier que l'étape suivante peut utiliser.
La différence structurelle par rapport au n8n réside dans la manière dont l'IA s'intègre dans le flux de travail. Dans n8n, vous construisez le flux de travail à l'avance et l'IA effectue une étape spécifique, comme écrire une section ou résumer des données.
Dans Claude Code, l'IA exécute elle-même le flux de travail, lit les fichiers, décide quoi faire et écrit les sorties. Combiné avec des instructions de compétences qui lui indiquent quoi faire à chaque étape, Claude Code répond à la fois aux besoins de rédaction du contexte et aux contraintes qui l'empêchent de dérailler.
C'est ce qui a fait la différence.
L’IA avait accès à ce dont elle avait besoin quand elle en avait besoin, et à une tâche définie à chaque étape. Le travail ainsi produit était un fichier que la compétence suivante pouvait récupérer et qu'un écrivain pouvait ouvrir plus tard pour vérifier.
J'ai reconstruit tout le pipeline dans Claude Code, y compris les appels API qui fonctionnaient bien dans n8n. Avec tout dans un seul dossier, l’étape de rédaction pouvait lire le résultat de la recherche, l’article original, les versions antérieures et le guide de style chaque fois qu’il en avait besoin.
Et ça a marché.
Le pipeline produit des brouillons que nos rédacteurs peuvent modifier et publier, ainsi qu'une liste de fichiers qu'ils peuvent vérifier lorsque quelque chose ne va pas.
Neuf compétences, de bout en bout
Le pipeline que j'ai construit dans Claude Code est constitué de neuf compétences, enchaînées entre elles par un script maître qui les exécute dans l'ordre.
Je lui donne l'URL de l'article que je souhaite mettre à jour et un mot-clé cible, et je récupère un brouillon. Le brouillon suit notre flux de travail éditorial normal de la même manière que tout autre article : révision, révisions, édition et images. Notre équipe effectue chaque appel éditorial.
Voici les neuf compétences :
- Récupérer l'article en direct
- Recherchez le SERP et les concurrents
- Exécutez une vérification de similarité sémantique EDI par rapport à notre pièce existante
- Synthétiser un plan de mise à jour
- Identifiez le contenu obsolète
- Mentions de produits d’audit
- Rédiger les mises à jour
- Générer une comparaison côte à côte de l'original et du nouveau brouillon, avec les modifications mises en évidence
- Formater le résultat pour la publication
Je l'ai volontairement gardé à neuf compétences. C'était le plus petit nombre qui me donnait une compétence distincte pour chaque décision que le pipeline devait prendre.
Et un choix de conception s’est avéré très important. Chaque compétence enregistre son travail dans un fichier avant l'exécution de la suivante.
Ces fichiers sont ce que j'appelle les artefacts du pipeline. Ils comprennent la recherche, le plan, l’ébauche et la comparaison côte à côte. L'enregistrement de chaque étape sous forme de fichier signifie que n'importe quelle compétence peut être réexécutée sans recommencer, et que n'importe qui peut ouvrir les fichiers pour vérifier quand un brouillon semble erroné.
Ce qui a changé lorsque le pipeline Claude Code a fonctionné
Deux choses ont changé lorsque le pipeline Claude Code a commencé à fonctionner :
- Les hallucinations que l'IA produisait encore occasionnellement sont devenues faciles à détecter
- Les brouillons ont commencé à se lire comme nous les avions écrits
Toute étape de génération d’IA peut parfois donner lieu à des hallucinations. Le pipeline est construit pour les attraper rapidement.
Dana, l'une de nos collaboratrices, était en train de réviser un brouillon et est tombée sur des instructions apparemment plausibles pour une fonctionnalité qui n'existe pas. Le genre d'erreur qui, dans l'ancienne version de n8n, aurait pu passer ou coûter vingt minutes de recoupement.
Elle a ouvert la comparaison côte à côte, a regardé la même section dans l'article original, a vu que l'original ne mentionnait pas le flux de travail et a remplacé la fabrication. Le tout a duré environ une minute.
Voici à quoi ressemble l'artefact de différence :
C'est à cela que servent les artefacts. L'IA va encore faire des erreurs. Le pipeline est construit de manière à ce qu'un réviseur puisse les détecter et les enregistrer en une minute au lieu de 20 minutes.
La plus grande histoire est ce qui s’est passé au fil des courses.
Depuis des mois, j'essayais de passer à l'étape de rédaction pour produire quelque chose qui ressemblait à Semrush. Cela signifie la bonne approche de la voix, du ton, de la structure et de la façon dont nous décrivons nos propres produits. En n8n, j'obtiendrais un brouillon qui résolvait peut-être une de ces choses et en manquait trois autres. Et la prochaine fois, j'obtiendrais une combinaison différente.
Mais dans Claude Code, trois runs avec de petits ajustements entre eux m'ont permis d'y arriver. Au troisième, les repêchages étaient toujours forts.
La voix correspondait à l'article existant. La structure a suivi notre guide de style. Le ton était Semrush. Le positionnement de la marque était bon. L'IA a obtenu des descriptions de produits correctes. Le même type d’erreurs n’apparaissait pas à différents endroits.
C'était la partie à laquelle je ne m'attendais pas. Des mois d'ajustements dans n8n ne m'avaient pas amené ici. Trois courses dans Claude Code l'ont fait.
Dana captait toujours des choses, mais il s'agissait des petites corrections éditoriales dont un brouillon avait besoin, comme affiner une ouverture, recadrer une section ou adoucir une transition maladroite. Les brouillons n'arrivaient plus avec les plus gros problèmes que n8n nous avait posés, comme une mauvaise voix, l'ignorance du guide de style ou des fonctionnalités SEMrush fabriquées de toutes pièces.
Le retour de Dana après plusieurs passages était que l'écriture était bien meilleure que ce que nous avions produit auparavant. Et la vue côte à côte était réellement utile.
Ce qui a fini par compter
Trois choses ont tenu à chaque course.
- La rédaction nécessite un contexte complet. Traiter le LLM comme une étape d'un flux de travail vous donne une écriture incohérente. Le travail de rédaction doit voir à la fois l’article, la guide de style et la recherche.
- La trace des fichiers est le système. Chaque compétence enregistre son travail avant l'exécution de la suivante. Cette piste est la façon dont notre équipe détecte les problèmes et comment je peux réexécuter n'importe quelle étape sans recommencer.
- Moins de compétences, plus de raffinement. Neuf ont couvert les travaux. Chaque fois que j'ai été tenté d'ajouter une dixième compétence, la bonne décision a été d'affiner l'une des neuf existantes.
Le pipeline est en cours d'exécution, l'équipe l'utilise, les contributeurs gagnent un temps considérable et les retours ont été plus positifs que tout ce que nous avons eu avec le contenu généré par l'IA.
Si vous atteignez un plafond de qualité avec le contenu de l'IA, commencez par demander où votre IA prend ses décisions d'écriture. S'ils se produisent au cours d'une étape du flux de travail, c'est de là que vient le plafond.
Déplacez le travail de rédaction dans un endroit où l'IA peut lire directement vos fichiers. Il peut s'agir d'un agent comme Claude Code ou de tout autre outil donnant à l'IA un accès persistant au matériel de référence. C'est le geste qui a fait exploser le plafond pour nous.