D'un lien d'offre à trois canaux : anatomie d'un pipeline de distribution agentique

il y a 3 jours
4 min de lecture

En entrée : un lien vers une offre commerciale. En sortie : des publications prêtes pour trois canaux sociaux, chacune dans la langue maternelle du canal. Voici l'anatomie d'un pipeline que nous faisons tourner en production — et pourquoi la partie intéressante n'est pas la génération.

Quand on montre ce pipeline, tout le monde regarde le modèle qui rédige. La valeur est ailleurs : dans le partage des rôles entre code déterministe, modèle et humain, dans le sas de conformité, et dans les métriques qui décident de ce qui vit ou meurt.

À retenir

Le partage des rôles est strict : le code déterministe extrait les faits, le modèle rédige le ton, l'humain publie. Jamais l'inverse.
Un canal n'est pas un format d'export, c'est une langue maternelle : contraintes de titre, nombre de tags, ratio d'image, codes culturels — encodés par canal.
L'étoile polaire n'est pas le volume de publications, c'est le nombre de nouveaux utilisateurs ramenés à la plateforme. Ce choix de métrique a tué plus de fonctionnalités que n'importe quel comité.

La règle de partage : le déterministe extrait, le modèle rédige

Première décision structurante : le modèle n'extrait aucun fait. Prix, remise, dates de validité, images, nom du commerçant — tout cela vient d'un extracteur en Python, déterministe, testable, qui échoue bruyamment quand une page change. Le modèle ne voit que des champs déjà extraits, et rédige à partir d'eux, jamais à partir de sa mémoire.

La raison est simple : une tournure maladroite se corrige, un prix inventé détruit la confiance. Sur un contenu commercial, l'erreur factuelle est la seule erreur fatale — on la confie donc à la couche qui ne sait pas halluciner. Le modèle, lui, fait ce qu'il fait mieux que le code : le ton juste pour chaque canal.

Un canal, une langue maternelle

Le piège classique de la distribution multicanal : écrire une fois, exporter partout. Le résultat sent la traduction, et chaque plateforme le sanctionne. Nos trois canaux ont trois grammaires : longueurs de titre différentes, nombres de tags différents, ratios d'image différents, et surtout des codes d'écriture différents — ce qui accroche sur un réseau de recommandation visuelle n'a rien à voir avec ce qui fonctionne dans une conversation de groupe.

Chaque canal a donc sa formule propre, encodée : le pipeline ne traduit pas une publication, il rédige trois publications natives à partir des mêmes faits extraits. C'est plus cher en génération, et incomparablement plus efficace en distribution.

Le sas de conformité : une porte, pas une prière

Les plateformes sociales ont des règles — formulations commerciales encadrées, allégations interdites, mentions obligatoires — et les enfreindre coûte la visibilité du compte, parfois le compte. Notre réponse n'est pas une ligne dans le prompt (« sois prudent »), c'est un sas : un lexique de conformité, maintenu comme du code et versionné, qui réécrit ou bloque les formulations à risque avant toute relecture humaine. Par défaut, l'accroche générée est la variante prudente ; les variantes plus agressives existent, mais elles demandent une décision humaine explicite.

C'est le même principe que partout ailleurs dans nos systèmes : ce qui doit être fiable ne se demande pas au modèle, il s'impose par une porte.

Publier reste un geste humain

Le pipeline s'arrête net avant la publication. Volontairement. Publier sous une marque est irréversible et engage le compte ; les conditions d'utilisation des plateformes encadrent l'automatisation ; et le calendrier de publication est une décision d'exploitation, pas de génération. L'opérateur reçoit un paquet complet — visuels, textes, tags, variantes — et décide quoi part, quand, sur quel compte. La machine prépare tout ; elle n'appuie pas sur le bouton.

Corollaire assumé : nous faisons vivre un petit nombre de comptes officiels, plutôt qu'une armée de comptes anonymes. La confiance d'une audience s'accumule sur une identité stable — c'est plus lent, et c'est le seul actif qui survit aux changements d'algorithme.

Les métriques qui décident

Un pipeline de distribution produit des chiffres flatteurs à volonté : publications par jour, impressions, likes. Nous n'en pilotons aucun. L'étoile polaire est unique : les nouveaux utilisateurs ramenés à la plateforme. Ce choix a une conséquence pratique : toute fonctionnalité qui augmente le volume sans bouger l'étoile polaire est abandonnée, même séduisante. Les avatars vidéo générés en sont l'exemple : testés, jugés négatifs en retour sur investissement au regard des risques, non déployés — l'interface est réservée dans l'architecture, et elle attendra que l'équation change.

Un pipeline se juge à ce qu'il refuse d'automatiser autant qu'à ce qu'il automatise.

FAQ

Pourquoi ne pas automatiser jusqu'à la publication ? Parce que publier est irréversible, engage la marque, et que l'automatisation de bout en bout est encadrée par les plateformes. Le gain marginal ne couvre ni le risque de conformité ni la perte de contrôle éditorial.

Un seul modèle pour tous les canaux ? Oui — même modèle, formules différentes. La différenciation vient de la formule par canal et des faits extraits, pas du choix du modèle.

Comment mesurer l'effet réel ? Par l'attribution vers la plateforme : liens tracés par canal, et une seule étoile polaire — les nouveaux utilisateurs. Le volume de publications est un coût, pas un résultat.

ECTIME AI Lab est l'unité de recherche et de déploiement en IA appliquée du groupe ECTIME. Nous construisons, livrons et éprouvons des systèmes agentiques en production, de l'automatisation GEO/SEO aux agents autonomes multi-étapes. Nous maintenons des Claude Skills open source pour le GEO/SEO et accompagnons les marques européennes vers une IA non seulement autonome, mais vérifiable et autorisée.