OpenClaw, Claude et nos cerveaux : comment nous produisons nos contenus

Pourquoi nous publions notre méthode

Le site annonce une agence « amplifiée par l’IA ». C’est le genre de formule qui ne coûte rien à écrire, et qui ne veut rien dire tant qu’on ne montre pas la mécanique. Cet article montre la mécanique, y compris celle qui a servi à le produire.

Il y a une raison de fond à cette publication, au-delà de la transparence. Les moteurs génératifs déclassent le contenu encyclopédique sans âme : pour être choisi, un texte doit prouver qu’il a été vécu. Publier une méthode réelle, avec ses limites, est exactement le type de matière qu’un modèle ne peut pas fabriquer en moyennant le web. Nous appliquons à cet article ce que nous expliquons dans notre guide GEO.

Et il y a une raison plus prosaïque : la question nous est posée à chaque rendez-vous, sous une forme ou une autre. « Vos contenus, c’est de l’IA ? » La réponse honnête est oui, en partie, et voici laquelle.

La chaîne, étape par étape

Quatre briques, dans cet ordre.

1. OpenClaw pour l’orchestration. OpenClaw est un framework d’agents open source, publié en novembre 2025 sous le nom Clawdbot par le développeur autrichien Peter Steinberger, puis renommé en janvier 2026. Son architecture repose sur une passerelle centrale qui gère les sessions, l’appel des outils et le routage des canaux ; il est agnostique du modèle et tourne sur nos propres machines. Concrètement, c’est ce qui transforme un assistant conversationnel en quelque chose qui exécute : lire des fichiers, appeler des API, enchaîner des étapes sans qu’un humain relance à chaque fois.

2. Nos serveurs MCP pour les données. C’est la brique qui change tout, et celle dont on parle le moins. MCP (Model Context Protocol) est le standard qui permet à un assistant de se brancher directement sur un outil. Nos deux outils maison en exposent un : crawler4seo avec 29 outils, Colonel Search avec 28. L’agent ne travaille donc pas sur un export retravaillé à la main : il interroge le crawl et les données Search Console en langage naturel. « Quelles pages ont le PageRank le plus faible et pas de meta description ? » devient une question, plus un tableur.

3. Claude pour la rédaction et l’analyse. C’est le modèle avec lequel nous produisons les brouillons, dépouillons la veille et confrontons les sources entre elles. Il est bon sur le français, il tient un cadrage éditorial long sans dériver, et il accepte d’être contredit — ce qui importe plus qu’on ne croit quand on cherche l’angle plutôt que la confirmation.

4. Nos cerveaux, à trois endroits précis. Avant, pour décider de l’angle et de la thèse. Pendant, pour arbitrer ce qu’on garde et surtout ce qu’on retire. Après, pour vérifier chaque chiffre contre sa source et remettre la voix. Ce n’est pas de la relecture de politesse : c’est là que se joue la différence entre un texte publiable et un texte de plus.

Ce que les agents font bien

Trois choses, et elles ne sont pas anodines.

• Le dépouillement. Lire quarante sources sur les AI Overviews, en extraire les chiffres, repérer que trois d’entre elles citent la même étude Ahrefs de seconde main : c’est un travail long, ingrat, et qu’une machine fait mieux qu’un humain fatigué.
• La mise en forme structurée. Transformer une analyse en Schema.org correct, en FAQ exploitable, en balisage propre. C’est mécanique, et la mécanique se délègue.
• La mise à l’échelle. Nous opérons nos propres sites de données à plusieurs millions de pages. Aucune équipe éditoriale humaine ne produit ce volume ; aucun agent non plus, sans une chaîne de vérification derrière.

Le point commun de ces trois tâches : elles ont une bonne réponse, vérifiable. Dès que le critère devient un jugement, la machine décroche.

Ce qu’ils ratent systématiquement

Cette section est la plus utile de l’article, parce que c’est celle que personne ne publie.

Les chiffres plausibles mais faux. C’est le défaut le plus dangereux, parce qu’il est indétectable à la lecture. Un modèle produira volontiers « selon une étude Semrush, 42 % des requêtes déclenchent un AI Overview » — un chiffre crédible, une source crédible, et rien derrière. Notre règle est absolue : aucun chiffre ne part en publication sans que nous ayons ouvert la source nous-mêmes. C’est la raison pour laquelle nos articles nomment leurs sources dans le corps du texte : c’est une contrainte de fabrication avant d’être un choix éditorial.

La moyenne du web. Un modèle produit, par construction, le consensus de ce qu’il a lu. Sur un sujet où le consensus est faux — « le SEO est mort » en est le cas d’école — il reproduira l’erreur avec assurance. Un angle contrariant ne sort jamais spontanément d’un agent. Il faut le lui imposer, et le défendre.

L’absence de vécu. Un agent ne peut pas écrire « nous l’avons rencontré sur nos propres sites », parce qu’il ne l’a pas rencontré. Le piège du robots.txt géré de Cloudflare, qui bloque les crawlers IA sans que rien n’apparaisse dans votre fichier, nous l’avons découvert en cassant notre propre site. C’est aujourd’hui le premier point de notre audit GEO — et aucune quantité de lecture ne l’aurait produit.

Le lissage. Laissé seul, un modèle écrit poliment, prudemment, et sans aspérité. Il ajoute des transitions inutiles, nuance ce qui n’a pas à l’être, et termine sur une conclusion œcuménique. Une bonne partie de notre travail d’édition consiste à retirer : les précautions, les redites, les paragraphes qui n’avancent rien.

Ce que nous ne déléguerons pas

Quatre choses, et la liste n’a pas bougé depuis que nous avons commencé.

1. L’angle. Décider que l’article ne s’appelle pas « Tout savoir sur les AI Overviews » mais « ce que disent vraiment les chiffres », c’est un choix éditorial. Il suppose de savoir ce qui a déjà été écrit cent fois, et ce qui manque.
2. Ce qu’on ne dit pas. Nous nous interdisons les affirmations que nous ne pouvons pas étayer. C’est la même règle qui nous a fait retirer les mots « open-source » et « MIT » de la présentation de crawler4seo : c’était peut-être vrai, ce n’était pas vérifiable, donc ça ne sort pas.
3. La vérification. Chaque donnée chiffrée, à sa source. Sans exception, y compris quand le chiffre nous arrange.
4. La voix. Une agence qui parle comme tout le monde n’est citée par personne. C’est vrai pour les lecteurs, et c’est désormais vrai pour les modèles, qui n’ont aucune raison de retenir un texte interchangeable.

Il y a une cohérence entre ces quatre points et ce que nous vendons. Une agence qui déléguerait l’angle, l’arbitrage et la vérification à une machine ne vendrait plus que du volume — et le volume ne vaut plus rien, précisément parce que les machines en produisent à l’infini. Ce qui prend de la valeur, c’est ce qu’elles ne savent pas faire.

L’utilisateur comme seule ligne de mire

Tout ce qui précède ne tient que si on garde le bon critère en tête, et il n’a rien de technique. Nous lui consacrons un article entier, parce qu’il mérite mieux qu’une conclusion.

La question n’est pas « est-ce que ce texte est optimisé ? », ni « est-ce qu’il fait 1 800 mots ? », ni même « est-ce qu’il sera cité ? ». La question est : est-ce que la personne qui lit ça repart avec quelque chose ? Un chiffre qu’elle n’avait pas, une décision qu’elle peut prendre, un piège qu’elle va éviter.

Ce critère a l’avantage d’être le seul qui résiste aux changements d’algorithme. Il valait pour Google en 2010, il vaut pour les moteurs génératifs en 2026, et il vaudra pour la prochaine interface. Un contenu qui n’aide personne finira toujours par ne plus être montré à personne — la seule chose qui change, c’est le délai.

Alors oui, nous utilisons OpenClaw et Claude, et nous les utilisons beaucoup. Ils nous font gagner du temps sur le dépouillement, la structuration et le premier jet. Ce temps, nous le remettons intégralement là où il compte : trouver l’angle, vérifier les chiffres, retirer ce qui ne sert à rien. Le brouillon est automatique. L’analyse reste humaine. Et si nous devions ne garder qu’une seule de ces deux phrases, ce serait la seconde.