J'ai construit un systeme LinkedIn auto-ameliorant avec Claude Code
La publication qui a change ma vision de l'automatisation LinkedIn n'etait pas une que j'avais ecrite. C'etait une que le systeme a redigee apres avoir analyse quarante-sept de mes publications precedentes, identifie que les accroches de transformation surpassaient mes chers debuts en "Je" de 2,3 fois en portee, et reecrit sa propre strategie de contenu a 4 heures du matin un mardi pendant que je dormais.
Je me suis reveille avec une base de donnees Notion contenant un nouveau lead magnet, une publication LinkedIn deja programmee via Blotato, et un document de strategie expliquant pourquoi il avait change son approche. Le raisonnement etait meilleur que la plupart des audits de contenu pour lesquels j'ai paye des professionnels.
Ce moment a cristallise quelque chose autour duquel je tournais depuis des mois : la veritable avancee dans le contenu pilote par l'IA n'est pas la generation. C'est la boucle de retroaction. N'importe quel prompt peut produire une publication LinkedIn correcte. Ce qui separe un systeme qui stagne d'un systeme qui progresse, c'est s'il apprend de ce qui fonctionne reellement — et s'ajuste sans attendre que vous le remarquiez.
Voici l'histoire de comment j'ai construit ce systeme en utilisant Claude Code, le patron d'auto research de Karpathy, et une poignee d'outils que la plupart des gens utilisent isolement mais ne connectent jamais entre eux. Le tout tourne sur GitHub Actions. Je n'ai pas ecrit manuellement une publication LinkedIn depuis six semaines. Et l'engagement est en hausse.
Pourquoi la plupart des automatisations LinkedIn echouent en deux semaines
J'ai essaye les approches evidentes. Buffer. Hootsuite. Meme un workflow n8n personnalise qui tirait des sujets de flux RSS et generait des publications via l'OpenAI API. Ils partagent tous le meme defaut fatal : ce sont des systemes en boucle ouverte.
Boucle ouverte signifie que le systeme produit une sortie mais n'observe jamais le resultat. Il genere la Publication A, la publie, puis genere la Publication B en utilisant exactement la meme strategie. Que la Publication A ait obtenu 47 impressions ou 4 700 est sans importance — le systeme ne le sait pas et s'en moque.
C'est comme un chef qui cuisine chaque soir mais ne goute jamais la nourriture et ne demande jamais aux convives ce qu'ils en pensent. Apres un mois, vous auriez quelqu'un qui a cuisine trente repas et n'a rien appris.
L'algorithme de LinkedIn en 2026 aggrave ce probleme. Les vues ont chute d'environ 50% en glissement annuel selon les donnees recentes de la plateforme, l'engagement a diminue de 25%, et la croissance des abonnes s'est effondree de 59%. L'algorithme recompense desormais le temps de lecture et la qualite des conversations au-dessus des reactions brutes — les interactions d'experts ont un poids algorithmique 7 a 9 fois superieur a un simple pouce en l'air. Le vieux jeu de "publier regulierement et esperer" a cesse de fonctionner quand le moteur de recommandation de LinkedIn est devenu veritablement sophistique.
Ce dont vous avez besoin, ce n'est pas plus de publications. Vous avez besoin d'un systeme qui observe ce qui resonne reellement avec votre audience specifique et affine continuellement sa visee.
C'est la que le patron d'auto research de Karpathy entre en jeu. Et c'est la que tout s'est eclaire pour moi.
L'Auto Research de Karpathy : le modele mental qui change tout
Andrej Karpathy a lance son projet autoresearch debut 2026, et la communaute IA n'a pas cesse d'en parler depuis. Le concept original etait elegant : donnez a un agent IA une petite configuration d'entrainement de LLM, laissez-le modifier le code, executer une courte experience, evaluer les resultats, et decider si le changement etait une amelioration. Gardez les gains, eliminez les pertes, repetez.
Karpathy a laisse cette boucle tourner pendant deux jours. L'agent a mene 700 experiences. Il a decouvert 20 optimisations qui amelioraient le temps d'entrainement. Quand ces memes 20 ajustements ont ete appliques a un modele plus grand, ils ont produit une acceleration de 11%.
Voici ce que la plupart des gens ne voient pas dans cette histoire : le patron sous-jacent n'a rien a voir avec l'entrainement en machine learning. Il fonctionne sur tout ce que vous pouvez mesurer.
Vos publications LinkedIn ? Mesurables. Performance des accroches ? Mesurable. Taux d'engagement par format de publication ? Mesurables. Quels sujets interessent reellement votre audience versus ceux que vous pensez qui les interessent ? Tres mesurable.
Le patron d'auto research est un systeme d'optimisation en boucle fermee : agir, mesurer, analyser, ajuster, repeter. La partie "recherche" n'est pas la navigation web ou la lecture d'articles — le systeme recherche sa propre performance et tire des conclusions qui informent le cycle suivant.
Quand j'ai vu Duncan Rogoff demontrer ce concept applique au contenu LinkedIn — c'est un ancien directeur artistique devenu fondateur d'agence IA qui anime une communaute appelee The Build Room — quelque chose a change dans ma facon de penser. Duncan avait construit un systeme ou Claude Code generait des lead magnets, publiait des posts LinkedIn via Blotato, extractait des metriques d'engagement via Apify, puis executait une analyse auto research hebdomadaire pour reecrire sa strategie de contenu. Tout le pipeline tournait sur GitHub Actions sans intervention humaine.
Je ne voulais pas simplement le reproduire. Je voulais comprendre chaque couche suffisamment en profondeur pour le personnaliser a mon propre workflow. J'ai donc construit ma propre version a partir de zero.
Voici l'architecture.
L'architecture a cinq couches : comment le systeme fonctionne reellement
La plupart des tutoriels decrivent l'automatisation comme un pipeline lineaire : l'input entre, l'output sort. Ce systeme se comprend mieux comme une boucle a cinq couches distinctes, chacune gerant une tache specifique. Manquez une couche et la boucle de retroaction se brise.
Couche 1 : Le moteur de lead magnets
Chaque publication dans ce systeme commence par un lead magnet. Pas la publication elle-meme — l'actif que la publication promeut. C'est une decision strategique, pas technique. L'algorithme de LinkedIn en 2026 ecrase les liens externes (reduction de portee d'environ 60%), donc vous devez donner aux gens une raison d'interagir sur la plateforme avant de les envoyer ailleurs.
Le moteur de lead magnets est un skill de Claude Code qui prend trois entrees : une description de l'audience cible, un sujet tendance de la couche de recherche, et un format de contenu (framework, playbook, pack de prompts ou piece narrative). Il produit un lead magnet complet stocke dans Notion — titre, structure, le contenu reel, et des elements narratifs concus pour que l'actif semble digne d'etre demande dans les commentaires.
La definition du skill est enormement importante ici. J'ai passe deux heures a affiner le prompt qui alimente ce skill, et j'estime que cet investissement m'a fait economiser plus de 60 heures depuis. Le prompt inclut les points de douleur specifiques de mon audience (des experts avec un savoir approfondi mais une faible visibilite en ligne), le positionnement de ma marque, et des instructions explicites sur la profondeur. Je ne veux pas de PDFs generiques et superficiels de "5 conseils". Je veux des actifs qui font penser a quelqu'un "cette personne sait vraiment de quoi elle parle."
Voici le squelette de la configuration du skill :
name: lead_magnet_generator
description: Generate high-value lead magnets for LinkedIn distribution
inputs:
- audience_profile: "Professionals with expertise but low online visibility"
- topic: "{{trending_topic}}"
- format: "{{selected_format}}" # framework | playbook | prompt_pack | story
context:
- brand_voice_guide.md
- top_performing_magnets.md # auto-updated by research layer
- audience_pain_points.md
output:
destination: notion
database: "Lead Magnets"
fields:
- title
- hook
- body_content
- storytelling_elements
- cta_text
- target_format
Le fichier top_performing_magnets.md est le differenciateur cle. Ce n'est pas un document statique — la couche d'auto research le reecrit chaque semaine en se basant sur les lead magnets qui ont reellement genere le plus de commentaires et d'engagement. Le systeme s'enseigne litteralement a lui-meme quel type d'actifs votre audience desire.
Couche 2 : Le redacteur et publicateur de posts
Une fois le lead magnet cree dans Notion, un second workflow de Claude Code genere la publication LinkedIn. Ce workflow lit le lead magnet, le document de strategie de contenu actuel (egalement mis a jour automatiquement), et produit une publication optimisee pour les patterns qui fonctionnent actuellement.
Le redacteur de posts suit des regles structurelles specifiques qui ont emerge de l'analyse d'auto research :
-
Accroche : Moins de 200 caracteres. Les donnees LinkedIn montrent que les accroches de moins de 200 caracteres qui introduisent de la tension ou promettent une valeur specifique surpassent dramatiquement les ouvertures explicatives. Le systeme alterne entre les types d'accroches — accroches de transformation, accroches contrariantes, et accroches avec chiffres specifiques — et suit quel type performe le mieux.
-
Corps : Formate pour le temps de lecture. Lignes courtes. Sauts de ligne strategiques. L'algorithme pese desormais davantage si quelqu'un passe 45 secondes a lire votre publication que s'il clique sur le bouton j'aime.
-
CTA : Base sur les commentaires, pas sur les liens. "Commentez FRAMEWORK et je vous l'envoie" surpasse largement "Telechargez ici : [lien]" parce que cela genere des signaux d'engagement que l'algorithme recompense.
La publication se fait via Blotato, qui offre un acces API a partir de 29$/mois sur le plan starter. Blotato supporte neuf plateformes — LinkedIn, X, Instagram, Facebook, TikTok, Pinterest, YouTube, Threads et Bluesky — et dispose de noeuds natifs n8n et Make.com. Pour ce systeme, j'utilise l'API REST directement depuis un script Node.js que Claude Code a ecrit.
// publish-to-linkedin.js (simplified)
const axios = require('axios');
async function publishPost(postContent, mediaUrl = null) {
const payload = {
content: postContent,
platforms: ['linkedin'],
publish_at: calculateOptimalTime(), // based on engagement data
media: mediaUrl ? [{ url: mediaUrl, type: 'video' }] : []
};
const response = await axios.post(
'https://api.blotato.com/v1/posts',
payload,
{
headers: {
'Authorization': `Bearer ${process.env.BLOTATO_API_KEY}`,
'Content-Type': 'application/json'
}
}
);
return response.data;
}
La fonction calculateOptimalTime() n'est pas codee en dur sur "mardi a 9h" comme le suggere chaque guide generique de LinkedIn. Elle extrait des donnees de la base d'engagement et calcule quand mon audience specifique est la plus active en se basant sur les performances historiques. Encore une chose que la couche d'auto research a decouverte toute seule.
Couche 3 : Le composant video
Cette couche m'a le plus surpris. Le systeme de Duncan inclut une etape ou Claude Code enregistre une capture d'ecran de 6-7 secondes en faisant defiler le lead magnet dans Notion, avec des superpositions de texte de marque — police specifique (Gotham), boite de surbrillance vert neon avec contour noir. La video est jointe a la publication LinkedIn.
Pourquoi est-ce important ? Parce que les publications avec documents et les publications video sur LinkedIn atteignent des taux d'engagement de 6,60% en 2026, les plus eleves de tous les formats. Les publications texte standard depassent a peine 2%. Une courte video de defilement de votre lead magnet sert deux objectifs : elle offre un apercu de la valeur (reduisant la friction pour commenter), et elle signale a l'algorithme qu'il s'agit de contenu multimedia riche qui merite d'etre distribue.
J'ai adapte cela a mes propres couleurs et style de marque. Le script d'enregistrement utilise Puppeteer pour ouvrir la page Notion, defiler a un rythme controle, et capturer l'ecran. Une commande FFmpeg separee ajoute la superposition de texte et produit un MP4 compresse.
Toute la generation video prend environ 30 secondes. Aucune intervention humaine. Aucun logiciel d'enregistrement d'ecran. Aucun montage.
Couche 4 : Le scraper de donnees
C'est la que la boucle commence a se fermer. Chaque jour, un acteur Apify extrait les metriques d'engagement de mes publications LinkedIn. Les scrapers LinkedIn d'Apify peuvent extraire les likes, commentaires, repartages, impressions et ventilations des reactions — le tout sans necessiter de cookies ni d'acces au compte pour les donnees publiques.
La tarification est raisonnable : environ 1-2$ pour 1 000 publications extraites, ce qui pour une verification quotidienne de vos 30 dernieres publications represente un cout negligeable.
Les donnees extraites sont ecrites dans une base de donnees Notion avec ce schema :
Post ID | Date | Hook Type | Post Length | Line Length | Content Format |
Content Angle | Topic | Likes | Comments | Shares | Impressions |
Engagement Rate | Lead Magnet Type
Chaque publication est taguee avec des metadonnees au moment de la creation (type d'accroche, format, angle, sujet), de sorte que lorsque les donnees reviennent, le systeme puisse croiser les performances avec ces variables. C'est l'instrumentation qui rend la couche de recherche puissante. Sans metadonnees structurees, vous ne faites que collecter des chiffres. Avec elles, vous collectez de l'intelligence actionnable.
Couche 5 : Le moteur d'auto research
C'est le cerveau. Une fois par semaine (j'experimente pour augmenter la frequence), un workflow de Claude Code extrait l'ensemble complet des donnees d'engagement, execute une analyse structuree, et produit deux sorties :
- Un rapport de performance identifiant ce qui fonctionne et ce qui ne fonctionne pas
- Une strategie de contenu mise a jour que le moteur de lead magnets et le redacteur de posts utilisent pour le cycle suivant
L'analyse couvre :
- Performance des accroches : Quels types d'accroches (transformation, contrariante, chiffre specifique, question, histoire) generent le plus d'impressions, de commentaires et de taux d'engagement ?
- Performance des formats : Les frameworks surpassent-ils les playbooks ? Les packs de prompts battent-ils les publications narratives ?
- Analyse de longueur : Y a-t-il un point ideal pour la longueur totale de la publication et la longueur moyenne des lignes ?
- Analyse des sujets : A quels domaines thematiques l'audience repond-elle le plus ?
- Performance des angles : Les publications orientees resultats battent-elles les publications de preuve sociale ? La vulnerabilite surpasse-t-elle l'autorite ?
Le systeme n'identifie pas seulement des correlations — il genere des hypotheses et planifie des experiences. "Les accroches de transformation surpassent de 2,3 fois. La semaine prochaine, tester 3 accroches de transformation avec differents domaines thematiques pour determiner si le type d'accroche ou le sujet etait le facteur principal."
C'est le patron d'auto research de Karpathy dans sa forme la plus pure. Agir, mesurer, analyser, formuler une hypothese, concevoir la prochaine experience, repeter.
Voici une version simplifiee du prompt d'analyse :
## Auto Research Analysis
You have access to the following LinkedIn post performance data:
{{engagement_data}}
Analyze this data to answer:
1. Which hook types generate the highest engagement rate?
2. Which content formats drive the most comments (our primary KPI)?
3. What's the optimal post length range?
4. Which topics resonate most with the audience?
5. What content angles perform best?
Then produce:
- A performance summary with specific numbers
- Updated recommendations for the content strategy
- 3 specific hypotheses to test next week
- An updated top_performing_magnets.md file
La sortie ecrase content_strategy.md et top_performing_magnets.md — les memes fichiers que le moteur de lead magnets et le redacteur de posts lisent comme contexte. Le systeme vient de reecrire ses propres instructions sur la base de preuves empiriques.
Si vous avez lu mon article sur construire des systemes IA auto-ameliorants avec Claude Code, vous reconnaitrez cette architecture. Le patron d'agent reflexif que j'y decrivais — ou une IA evalue la sortie d'une autre et ajuste le prompt systeme — est exactement ce qui se passe ici. La difference est qu'au lieu d'evaluer des conversations de chatbot, ce systeme evalue des metriques d'engagement LinkedIn. Meme patron, application radicalement differente.
Configurer le pipeline GitHub Actions
L'ensemble du systeme tourne en mode headless sur GitHub Actions. Pas de serveur. Pas de taches cron sur ma machine. Pas de Zapier. Juste un depot avec des fichiers de workflow qui se declenchent selon un planning.
Voici le workflow quotidien :
# .github/workflows/daily-content.yml
name: Daily LinkedIn Content Pipeline
on:
schedule:
- cron: '0 7 * * *' # 7 AM UTC daily
workflow_dispatch: # manual trigger for testing
jobs:
generate-and-publish:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v4
- name: Setup Node.js
uses: actions/setup-node@v4
with:
node-version: '20'
- name: Install dependencies
run: npm ci
- name: Generate lead magnet
run: node scripts/generate-lead-magnet.js
env:
ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}
- name: Generate LinkedIn post
run: node scripts/generate-post.js
env:
ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}
- name: Record lead magnet video
run: node scripts/record-video.js
env:
NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}
- name: Publish to LinkedIn
run: node scripts/publish.js
env:
BLOTATO_API_KEY: ${{ secrets.BLOTATO_API_KEY }}
- name: Scrape engagement data
run: node scripts/scrape-engagement.js
env:
APIFY_API_KEY: ${{ secrets.APIFY_API_KEY }}
NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}
Et le workflow de recherche hebdomadaire :
# .github/workflows/weekly-research.yml
name: Weekly Auto Research
on:
schedule:
- cron: '0 9 * * 0' # Sunday 9 AM UTC
workflow_dispatch:
jobs:
auto-research:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v4
- name: Pull engagement data
run: node scripts/pull-engagement-data.js
env:
NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}
- name: Run auto research analysis
run: node scripts/auto-research.js
env:
ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
- name: Update content strategy
run: node scripts/update-strategy.js
env:
NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}
- name: Commit updated strategy files
run: |
git config user.name "Auto Research Bot"
git config user.email "[email protected]"
git add strategy/
git commit -m "auto-research: update strategy $(date +%Y-%m-%d)" || true
git push
Six secrets dans les parametres du depot GitHub. Deux fichiers de workflow. C'est toute la couche operationnelle.
Une chose que je veux souligner : vous rencontrerez des erreurs. Duncan a mentionne dans son tutoriel que Claude Code generait des erreurs pendant la configuration initiale — scrapers en timeout, limites de debit d'API, incompatibilites de types de champs Notion. J'ai rencontre tous ces problemes plus quelques autres. Le scraper Apify retourne occasionnellement des donnees obsoletes si une publication a moins de 2 heures. L'API Blotato a une particularite ou les pieces jointes video de plus de 10 Mo echouent silencieusement sans reponse d'erreur. Et l'API de Notion retourne des formats de champs differents pour les proprietes rollup versus les proprietes formule, ce qui casse votre script d'ingestion de donnees si vous ne gerez pas les deux cas.
Mon conseil : construisez chaque couche independamment et testez-la isolement avant de les connecter. Executez le generateur de lead magnets dix fois manuellement. Publiez cinq posts directement via l'API de Blotato. Extrayez vos vingt dernieres publications avec Apify et inspectez le JSON brut. Debuggez couche par couche, puis connectez.
Si vous preferez que quelqu'un construise ce type de pipeline d'automatisation de zero, j'accepte des missions d'automatisation IA et de developpement d'agents. Vous pouvez voir ce que j'ai construit sur fiverr.com/s/EgxYmWD.
La decouverte surprenante : les accroches de transformation gagnent (et ce n'est meme pas serre)
J'ai alimente le systeme avec les donnees de mes 47 dernieres publications LinkedIn avant d'activer la boucle d'auto research. Cela a donne au moteur d'analyse suffisamment de donnees pour tirer des conclusions reelles des le premier jour au lieu d'attendre des semaines pour accumuler des signaux.
Le premier rapport d'auto research contenait une decouverte qui m'a genuinement surpris.
J'avais suppose — sur la base de tout ce que j'avais lu sur le copywriting LinkedIn — que les accroches en "Je" avec des chiffres specifiques seraient les plus performantes. Les publications commencant par "J'ai passe 6 heures a tester..." ou "J'ai construit un systeme a 3K€/mois avec..." semblaient devoir fonctionner. Elles sont personnelles, specifiques et creent de la curiosite.
Les donnees disaient le contraire.
Les accroches de transformation — les publications montrant une progression avant-apres — surpassaient les accroches personnelles en "Je" de 2,3 fois en portee et 1,8 fois en taux de commentaires. Des accroches comme "De zero abonnes a 400 leads en 90 jours" ou "Ce qui se passe quand vous arretez de courir apres l'engagement et commencez a construire des systemes" attiraient systematiquement plus d'impressions et un engagement plus profond.
Pourquoi ? Ma meilleure theorie : les accroches de transformation activent l'interet personnel du lecteur plus directement. Une declaration en "Je" parle de moi. Une accroche de transformation parle d'un resultat que le lecteur desire. Le lecteur se projette dans la transformation. Il ne pense pas seulement "interessant" — il pense "est-ce que ca pourrait etre moi ?"
Ce n'est pas une loi universelle. C'est ce qui fonctionne pour mon audience a ce moment precis. Et c'est exactement le point. Une strategie de contenu statique m'aurait fait ecrire des accroches en "Je" indefiniment parce qu'elles semblaient justes. La boucle d'auto research a identifie le vrai pattern en six jours d'analyse.
Le systeme a depuis fait evoluer sa strategie trois fois de plus. Le point ideal de longueur de publication est passe de 1 200-1 500 caracteres a 800-1 100 (plus court, plus percutant). Les frameworks ont commence a surpasser les playbooks comme format de lead magnet. Publier le mardi et le jeudi surpassait le lundi et le mercredi. Aucune de ces intuitions n'aurait ete captee manuellement — du moins pas aussi rapidement.
Executer plusieurs agents en parallele
Un detail technique qui merite d'etre developpe : la capacite de Claude Code a executer plusieurs threads d'agents en parallele accelere drastiquement tant la phase de construction que l'execution quotidienne.
Quand je construisais ce systeme, j'avais trois instances de Claude Code tournant simultanement. L'une ecrivait le script de generation de lead magnets. Une autre construisait l'integration de scraping Apify. Une troisieme travaillait sur le pipeline d'enregistrement video. Elles operaient sur des fichiers separes dans le meme depot, referençant occasionnellement des modules utilitaires partages.
Ce n'est pas un patron theorique — c'est l'architecture d'equipes d'agents qu'Anthropic pousse fortement depuis Opus 4. Chaque agent a sa propre fenetre de contexte, sa propre tache, et sa propre capacite a lire et ecrire des fichiers. Quand j'ai eu besoin que l'agent de scraping formate les donnees d'une maniere que l'agent de recherche puisse consommer, j'ai defini le schema de donnees dans un fichier de specification partage et pointe les deux agents dessus.
Pendant l'execution quotidienne, le pipeline s'execute sequentiellement (generer, puis publier, puis extraire) parce que chaque etape depend de la precedente. Mais pendant la phase de recherche hebdomadaire, j'ai experimente la parallelisation de l'analyse. Un agent analyse la performance des accroches pendant qu'un autre analyse la performance des formats pendant qu'un troisieme examine les tendances thematiques. Les resultats fusionnent en une seule mise a jour de strategie.
Temps total du depot vide au systeme fonctionnel : environ 20 minutes de temps d'interaction reel avec Claude Code pour le MVP initial, plus quelques heures de tests et d'affinement la semaine suivante. Duncan a rapporte un calendrier similaire — l'ossature du systeme se met en place rapidement parce que Claude Code gere le code standard. L'affinement est la ou le jugement humain compte.
Ce que j'ai mal fait (et ce que je changerais)
Six semaines plus tard, voici mon evaluation honnete de ce qui n'a pas fonctionne comme prevu.
La couche video est fragile. Puppeteer tournant dans un conteneur GitHub Actions a occasionnellement des timeouts quand Notion met trop de temps a charger. J'ai ajoute une logique de reessai, mais j'envisage de passer a une approche de carrousel d'images pre-rendues — plus fiable, et les donnees d'engagement ne montrent pas de difference significative entre une video de defilement et un carrousel statique bien concu.
La recherche hebdomadaire n'est pas assez frequente. Le temps que l'analyse du dimanche identifie un pattern defaillant, j'ai deja publie 5-6 posts utilisant l'ancienne strategie. Je passe a deux fois par semaine — mercredis et dimanches — pour resserrer la boucle de retroaction. L'autoresearch originale de Karpathy tournait en continu. Les systemes de contenu ne peuvent pas tout a fait egalerr ce rythme parce qu'il faut que les publications accumulent suffisamment de donnees d'engagement avant que l'analyse soit significative. Mais une fois par semaine semble trop lent.
Le systeme ne gere pas les commentaires. C'est la plus grande lacune. Quand quelqu'un commente "FRAMEWORK" sur une publication pour demander le lead magnet, un humain (moi) doit encore envoyer le DM. J'ai explore des solutions basees sur l'API LinkedIn pour cela, mais l'API de messagerie de LinkedIn est verrouillee derriere des programmes de partenariat inaccessibles aux developpeurs individuels. Pour l'instant, je reponds aux commentaires en lot deux fois par jour manuellement. Ca prend 10 minutes mais brise le reve entierement autonome.
Le ciblage d'audience necessite un affinement constant. Ma description d'audience initiale etait trop large : "professionnels avec de l'expertise mais une faible visibilite en ligne." La boucle d'auto research a identifie que mes publications avec le plus d'engagement ciblaient un segment plus etroit — specifiquement, les consultants independants et fondateurs d'agences dans l'espace IA/automatisation. J'ai depuis affine le profil d'audience, et la vague de contenu suivante performe sensiblement mieux.
Chaque publication ne devrait pas etre un lead magnet. Les publications de pure valeur, les prises de position contrariantes et les histoires personnelles surpassent les publications de lead magnet en portee (parce qu'elles n'ont pas de CTA transactionnel). Le systeme alterne desormais : 3 publications lead magnet par semaine, 2 publications de pur engagement. Les publications d'engagement nourrissent la perception de l'algorithme sur la qualite de mon compte, et les publications lead magnet convertissent cette portee en leads reels.
Les chiffres apres six semaines
Je suis prudent dans le rapport de metriques parce que le contexte compte enormement. La taille de mon compte, ma niche, ma frequence de publication et la composition de mon audience affectent tous ces chiffres. Ils sont directionnels, pas prescriptifs.
Ce que je peux partager : la boucle d'auto research a identifie cinq ajustements de strategie distincts en six semaines. Chacun etait base sur un pattern statistiquement significatif dans les donnees d'engagement — pas une intuition, pas une bonne pratique tiree du cours d'un quelconque gourou LinkedIn. Le systeme a repere des choses que je n'aurais pas remarquees pendant des mois, si jamais je les avais remarquees.
Le pattern que je trouve le plus convaincant n'est pas une amelioration individuelle de metrique. C'est la trajectoire. La strategie de contenu de chaque semaine est mesurablment mieux informee que celle de la semaine precedente. L'ecart entre les publications de la premiere semaine et celles de la sixieme semaine est visible dans les donnees d'engagement. Cet effet compose — ou chaque iteration s'appuie sur des insights valides de la precedente — est exactement ce que le patron d'auto research de Karpathy promet. Et il livre.
A titre de comparaison : ma publication manuelle sur LinkedIn pendant les trois mois precedents etait sporadique (2-3 publications par semaine quand j'etais motive, zero pendant les semaines de projets charges) sans suivi systematique. Le systeme automatise publie 5 fois par semaine sans exception, suit tout, et fait evoluer son approche sur la base de preuves. La consistance seule represente une part significative de toute amelioration d'engagement. L'optimisation auto research par-dessus cette consistance est ce qui rend la trajectoire accelerante plutot que plate.
Comment construire votre propre version
Si vous voulez reproduire cela, voici la sequence que je recommanderais. N'essayez pas de tout construire d'un coup — c'est comme ca que les projets d'automatisation meurent.
Semaine 1 : Base manuelle. Ecrivez 10 publications LinkedIn manuellement. Suivez le type d'accroche, le format et le sujet pour chacune. Extrayez leur engagement apres 48 heures en utilisant Apify (le plan gratuit fonctionne bien). Stockez tout dans une base de donnees Notion. Cela vous donne des donnees de base et vous force a definir vos categories de contenu.
Semaine 2 : Automatiser la generation. Construisez le skill de lead magnets de Claude Code et le redacteur de posts. Testez-les de maniere repetee. Comparez les publications generees par l'IA avec vos publications manuelles. Affinez les prompts des skills jusqu'a ce que la qualite de sortie egale ou depasse votre ecriture manuelle en premier jet.
Semaine 3 : Automatiser la publication. Connectez Blotato. Configurez le workflow quotidien GitHub Actions. Executez-le manuellement (en utilisant workflow_dispatch) cinq fois avant de faire confiance au planning. Verifiez que chaque etape se termine et que la publication apparait reellement sur LinkedIn.
Semaine 4 : Fermer la boucle. Construisez la couche d'auto research. Executez la premiere analyse sur vos donnees accumulees (vous devriez avoir 20+ publications a ce stade). Examinez le document de strategie que le systeme produit. L'analyse correspond-elle a votre intuition ? Ou vous surprend-elle ? Les surprises sont la ou reside la valeur.
Semaine 5+ : Iterer et etendre. Augmentez la frequence de recherche. Ajoutez le composant video s'il correspond a votre marque. Experimentez avec le mix de contenu. Laissez le systeme tourner et resistez a l'envie de passer outre ses recommandations sauf si vous avez une raison specifique.
Un conseil non evident : conservez chaque version de votre document de strategie de contenu en controle de version. J'utilise git pour cela (le workflow de recherche hebdomadaire commite les changements de strategie automatiquement). Dans six mois, vous voudrez retracer l'evolution de votre strategie et comprendre pourquoi le systeme a fait chaque changement. Cet historique est incroyablement precieux pour le debugging et pour comprendre votre audience a un niveau plus profond.
La vision d'ensemble : des systemes IA qui apprennent de leur propre sortie
Ce que j'ai decrit ici est un systeme de contenu LinkedIn. Mais l'architecture est polyvalente.
Le patron d'auto research — agir, mesurer, analyser, ajuster — s'applique aux lignes d'objet d'email, aux textes de pages de prix, aux creatifs publicitaires, aux descriptions de produits, aux reponses du service client, ou a tout contenu dont vous pouvez mesurer la performance. Les outils specifiques changent (vous pouvez remplacer Apify par Google Analytics, Blotato par Mailchimp), mais l'architecture a cinq couches reste identique.
L'auto research originale de Karpathy a execute 700 experiences en deux jours sur des configurations d'entrainement de LLM. Duncan Rogoff a applique le meme patron au contenu LinkedIn. J'ai construit ma propre version et decouvert que les accroches de transformation battaient les declarations en "Je" pour mon audience specifique. Quelqu'un d'autre appliquera cela aux miniatures YouTube, aux titres de pages d'atterrissage, ou aux sequences d'emails sortants.
Le patron est ce qui merite d'etre interiorise. Les outils ne sont que des details d'implementation.
Et la trajectoire de ces systemes compte plus que n'importe quelle sortie individuelle. Un systeme de contenu qui est 10% meilleur chaque semaine ne semble pas dramatique jusqu'a ce que vous realisiez qu'apres 12 semaines, il opere a un niveau fondamentalement different de la ou il a commence. Ce n'est pas une amelioration lineaire — c'est de l'intelligence composee appliquee a un domaine specifique et mesurable.
Mon equipe marketing IA construite avec les skills de Claude etait le precurseur de ce systeme. Les skills m'ont donne une execution reproductible. La couche d'auto research m'a donne un apprentissage reproductible. La combinaison des deux — execution coherente plus optimisation continue — est ce qui transforme un workflow de contenu en moteur de contenu.
Que vous construisiez exactement ce systeme ou adaptiez le patron a votre propre cas d'usage, le principe reste le meme : arretez de traiter l'IA comme un generateur a usage unique. Commencez a la traiter comme une boucle de retroaction. La difference dans les resultats au fil du temps est saisissante.
Le systeme vient de generer la publication de demain pendant que j'ecrivais cet article. Selon la derniere mise a jour de strategie, il teste un nouveau format d'accroche — une ouverture basee sur une question ciblant un point de douleur specifique que les donnees ont revele la semaine derniere. Je verifierai les chiffres d'engagement dans 48 heures. Je ne serais pas surpris si le systeme sait quelque chose que j'ignore.
C'est tout le propos.
Questions frequemment posees
Combien coute la pile complete d'automatisation LinkedIn par mois ?
Les couts principaux sont l'utilisation de l'API Claude Code (variable, environ 30-60$/mois selon le volume), Blotato a 29$/mois pour la publication, et Apify a environ 1-2$ pour 1 000 extractions. GitHub Actions est gratuit pour les depots publics ou inclus dans GitHub Pro. Total : environ 70-100$/mois pour un systeme de publication quotidienne.
Le patron d'auto research de Karpathy peut-il fonctionner pour d'autres plateformes que LinkedIn ?
Le patron fonctionne partout ou vous pouvez mesurer la performance du contenu avec des donnees structurees. Les taux d'ouverture d'email, les courbes de retention YouTube, les taux de clic publicitaires et les metriques de conversion de pages d'atterrissage alimentent tous la meme boucle agir-mesurer-analyser-ajuster. Echangez l'outil de scraping et l'API de publication ; l'architecture reste identique.
De combien de publications avez-vous besoin avant que l'analyse d'auto research soit utile ?
J'ai alimente avec 47 publications et obtenu des insights significatifs immediatement. Pour la significativite statistique dans les comparaisons de types d'accroches, visez au moins 20-30 publications avec des types d'accroches varies. Moins de 15 publications et vous lisez du bruit, pas du signal. Pour une explication plus approfondie de l'architecture auto-ameliorante, consultez mon article sur construire des systemes IA auto-ameliorants avec Claude Code.
LinkedIn penalise-t-il la publication automatisee via des outils tiers ?
Les conditions de l'API LinkedIn autorisent la publication via des applications tierces autorisees. Blotato utilise les APIs officielles de la plateforme, pas d'automatisation de navigateur ni de hacks de scraping. Le risque vient des patterns de contenu de faible qualite, pas de la methode de publication. L'algorithme de LinkedIn en 2026 detecte les pods d'engagement avec 97% de precision mais ne penalise pas la publication legitime basee sur l'API.
Comment gerez-vous les suivis par DM LinkedIn pour les lead magnets ?
C'est actuellement le goulot d'etranglement manuel. L'API de messagerie de LinkedIn necessite un acces de niveau partenaire non disponible pour les developpeurs individuels. Je reponds aux demandes de lead magnets en lot deux fois par jour, ce qui prend environ 10 minutes au total. Certains developpeurs utilisent des outils tiers avec automatisation de navigateur pour cette etape, mais cette approche comporte un risque pour le compte que je ne suis pas pret a accepter.
Travaillons ensemble
Vous cherchez a construire des systemes IA, automatiser des workflows ou faire evoluer votre infrastructure technique ? J'adorerais vous aider.
- Fiverr (solutions sur mesure & integrations) : fiverr.com/s/EgxYmWD
- Portfolio : mejba.me
- Ramlit Limited (solutions entreprise) : ramlit.com
- ColorPark (design & branding) : colorpark.io
- xCyberSecurity (services de securite) : xcybersecurity.io
