Une personne qui fait du contenu, des mises à jour quotidiennes sans exception. Jusqu'à présent, j'ai publié plus d'une douzaine de longs articles, chacun atteignant en moyenne 120 000 vues, avec une croissance cumulée de plus de 9 000 abonnés et un taux de bookmark stable de 0,5 à 1 % — ce qui signifie qu'une personne sur cent qui voit le contenu juge qu'il mérite d'être sauvegardé.
Ce n'est pas que mon écriture soit exceptionnelle. C'est parce qu'il y a en coulisses un système de production de production de contenu basé sur l'IA — de la sélection des sujets, de la recherche de sources, de la rédaction et de l'illustration à la revue des données, tout le processus est exécuté par l'IA ; je ne fais que les choix.
Le prototype de ce système vient du workflow Claude Code partagé publiquement par @dontbesilent. Il utilise cette approche pour publier 13 000 contenus par an, gère simultanément 7 plateformes et gagne 700 000 abonnés chaque année. Je l'ai repris et modifié significativement en fonction de mes besoins pour les longs articles sur X. Ce post partage la version que j'utilise actuellement après ces modifications.
Concept clé
@dontbesilent a évoqué un problème très fondamental : la plupart des gens utilisent l'IA pour le contenu de manière fragmentée — ils demandent à l'IA quand ils ont une idée, publient la réponse, puis l'oublient. La fois suivante, ils repartent de zéro.
Sa solution est de transformer tout le processus en boucle fermée : les idées vont dans une bibliothèque de sujets → l'IA cherche dans la bibliothèque de matériaux des éléments réutilisables → écrire en utilisant un cadre validé → publier → analyser les données → distiller les schémas efficaces pour les réintégrer dans la méthodologie. Chaque création ajoute quelque chose au système, plutôt que de réinventer la roue à chaque fois.
J'ai adopté cette logique directement. Voici la version que j'ai modifiée.
Base de connaissances en quatre couches
J'utilise Obsidian pour gérer le contenu et Claude Code pour l'exécution. Le système est divisé en quatre couches.
Première couche : Corpus.
Le plus gros problème de l'écriture par IA, ce n'est pas qu'elle écrit mal, mais qu'elle ne sonne pas comme vous. Les lecteurs de longs articles lisent mot à mot ; si le « goût IA » est trop fort, ça dérange.
Je sauvegarde donc tout ce que j'ai dit – tweets, points de vue discutés dans des conversations WeChat, enregistrements, et pensées fragmentaires notées au vol. Ensuite, j'en extrais un guide de style d'écriture : j'aime énoncer les conclusions avant de donner les raisons, je préfère les chiffres aux adjectifs, j'aime utiliser la logique d'autres secteurs pour expliquer le sujet actuel, et je n'utilise pas de « développement personnel » pour conclure.
L'IA lit ce guide avant chaque brouillon, donc le premier jet est au moins à 70-80 % comme moi. Après l'écriture, je lance une vérification « anti-goût IA » pour mettre en évidence les expressions qui me semblent trop mécaniques et que je dois modifier.
Que détecte-t-elle ? Voici quelques pièges courants :
- Mots marketing : empowerment, closed-loop, connecting, underlying logic — à supprimer sur-le-champ.
- Parler à la place du lecteur : « Vous pensez peut-être… », « Beaucoup se demanderont… » — comment savez-vous ce que les autres pensent ?
- Ton injonctif : « Souvenez-vous », « Vous devez », « Le cœur n'est qu'une phrase » — je discute, je ne donne pas de cours.
- Données fictives : « 90 % des gens ne savent pas » — d'où sort ce 90 % ?
- Phrases courtes et indépendantes pour un effet dramatique : Une phrase. Un mot. Un paragraphe. — C'est ce qu'il y a de plus « goût IA ».
- Slogans en gras / citations choc : Les personnes vraiment puissantes sont toutes… — À supprimer.
Ces règles sont stockées dans le système. L'IA les applique automatiquement après le premier jet et marque les hits en rouge. Avec ces deux étapes, la « touche humaine » dans les longs articles s'améliore considérablement.
Deuxième couche : Bibliothèque de matériel.
Déconstructions de 47 comptes similaires, données de plus de 1 100 contenus, analyse structurale des articles viraux, et concepts et citations réutilisables.
Avant d'écrire un nouvel article, l'IA parcourt d'abord la bibliothèque de matériel : qui a écrit sur des sujets similaires, quel angle a généré des données, quelle structure les lecteurs sont prêts à sauvegarder. Il ne s'agit pas de copier, mais de choisir un chemin basé sur les données des autres.
Après avoir déconstruit 47 comptes, plusieurs conclusions ont directement influencé ma stratégie de sujets :
- Les contenus avec plus d'un million de vues ne tombent que dans 5 catégories : tutoriels d'outils essentiels, santé/médecine scientifique, IA + gagner de l'argent, analyse de persona et collections de ressources. Les autres types dépassent rarement le million.
- Le taux de bookmark et l'exposition ne sont pas nécessairement corrélés positivement. Certains articles ont une exposition moyenne mais un taux de bookmark élevé, ce qui indique une valeur à long terme — ceux-ci méritent d'être écrits de façon répétée.
- La croissance d'abonnés et l'exposition ne sont pas non plus nécessairement corrélées. Un post sur un persona avec 119 000 expositions a gagné 156 abonnés, tandis qu'un tutoriel avec 77 000 expositions n'en a gagné que 25. Les personas donnent envie de suivre la personne ; les tutoriels, on les sauvegarde et on s'en va.
Troisième couche : Pipeline de contenu.
Piscine de sujets → À approfondir → En cours → Publié. La piscine contient en permanence une douzaine de sujets prêts à être écrits et une douzaine de candidats nécessitant plus de matériel. Je n'écris pas juste ce qui me passe par la tête — je choisis dans la piscine selon une stratégie.
Les sujets tournent sur plusieurs pistes : pratique de projet, déconstruction de filières rentables liées à l'IA, business à faible seuil pour les débutants, et nouvelles tendances de paradigme IA. Chaque piste a une intensité différente : les tutoriels d'outils avancés obtiennent la plus forte exposition, les introductions de persona font croissent le plus rapidement les abonnés, et les revues de données ont un public plus restreint mais un bon taux de bookmark. Je choisis les sujets en fonction de mes objectifs actuels : tutoriels pour l'exposition, personas pour les abonnés, revues pour la valeur à long terme.
Quatrième couche : Méthodologie.
Quels titres sont efficaces, quels sujets deviennent viraux, quelles structures ont des taux de bookmark élevés — tout cela est distillé à partir de mes propres données de publication.
Les titres sont la partie la plus facile à quantifier. Après une douzaine de longs articles, les titres qui performent bien correspondent globalement à quatre modèles :
Vérification avant publication : Y a-t-il des chiffres précis ? Y a-t-il une étiquette d'identité ? Y a-t-il un contraste ? Le lecteur sait-il ce qu'il obtiendra après avoir lu le titre ? Plus il y a de points validés, meilleures sont les données.
Illustrations
Les illustrations sont cruciales pour les longs articles sur X. Dans le fil d'actualité, l'ordre d'attention de l'utilisateur est : Image HERO > Titre > Corps. Si l'image est mauvaise, personne ne clique, quel que soit le titre.
Mon principe : Le trio image HERO, titre et accroche ne doit pas répéter d'informations redondantes. L'image HERO dit en un coup d'œil « de quel type de contenu il s'agit », le titre fournit une ancre de données pour faire s'arrêter les gens, et le premier paragraphe du corps développe les détails. Trois éléments transmettent trois niveaux d'information différents.
Il y a deux styles d'illustrations, sélectionnées automatiquement en fonction du type de contenu :
Les tutoriels utilisent des infographies — fond blanc, bulles décoratives claires, cartes arrondies, icônes plates et grands titres en chinois, comme une bannière héroïque d'un site SaaS. Les articles d'opinion utilisent des affiches conceptuelles — grand texte comme cadre, avec des personnages et du texte imbriqués, comme une affiche d'exposition plutôt qu'un PowerPoint.
Chaque long article reçoit une couverture plus deux ou trois infographies internes. L'IA génère des prompts basés sur le contenu de l'article, appelle l'API GPT Image 2 pour produire les images, puis je télécharge et recadre au format requis. Ce qui prenait une demi-heure dans Canva prend maintenant 10 minutes pour trois images.
Données des longs articles
En voici quelques-uns représentatifs :
L'exposition moyenne est d'environ 120 000, avec un taux de bookmark de 0,5 à 1 %. Le post sur la voyance par IA a eu le taux de bookmark le plus élevé, à 1,01 % — la combinaison IA + argent + asymétrie d'information pousse les lecteurs à sauvegarder le plus activement.
Schémas issus des données
« Faire émerger des règles à partir des données » est la méthodologie centrale de dontbesilent. Voici les schémas spécifiques dérivés de mes propres données sur les longs articles X :
Les titres doivent contenir des chiffres précis. « Monétisation à 100k en 4 mois », « 155 $ vs 15 $ », « ROI de 452 % » — tous les longs articles qui marchent portent des nombres durs. Les chiffres sont ce qui fait le plus facilement s'arrêter les gens dans un fil d'actualité.
L'IA doit être le protagoniste. Les articles de tutoriel sur l'IA restent constamment au-dessus de 100 000 vues, tandis que le contenu purement investissement dépasse rarement les 50 000. Les gens viennent sur ce compte pour voir « comment utiliser l'IA », pas « comment trader ».
« Vous faire gagner du temps » est la logique sous-jacente de la viralité. Compilations de comptes publics, introductions à Codex, pratique d'illustration — le point commun de tous les longs articles viraux est « j'ai essayé, j'ai rencontré des obstacles, et je les ai organisés pour vous ; suivez simplement ».
Formule virale : Tutoriel avancé ou expérience réelle + Ancre de données spécifique + Chemin reproductible. Aucun titre viral n'est un concept abstrait. Tous suivent la structure « J'ai fait X, et le résultat était Y » — partage d'expériences plus données, pas de leçon.
Ces règles sont mises à jour à chaque nouvel article publié. Le système s'auto-corrige.
Vous pouvez l'utiliser directement
Le dbskill de dontbesilent (4000+ étoiles sur GitHub) est un excellent point de départ. Vous pouvez aussi faire ce que j'ai fait : reprendre ses idées centrales et les modifier en fonction de vos propres besoins.
Vous n'avez pas besoin de réussir du premier coup. Commencez par construire votre piscine de sujets et votre bibliothèque de matériel, faites tourner pendant deux semaines, et laissez les données vous dire dans quelle direction ajuster.
