Le système présenté est le résultat de plusieurs mois de tests sur des clients réels. Objectif: construire un assistant qui comprend le client mieux que la plupart des rédacteurs tout en évitant les hallucinations. Trois phases, trois outils: NotebookLM (base de connaissance RAG), Gemini GEM (rédactionnel), Fusionn (data SEO et sémantique).
L'IA ne connaît pas ton client : laissée seule, elle écrit la moyenne d'internet. Un bot configuré sur le business du client comprend le contexte mieux que la plupart des rédacteurs, à condition de l'alimenter en data propriétaire.
- On lui fait capter le ton de voix réel du client, au lieu de produire un style générique interchangeable.
- La data propriétaire fournie par le client élimine les hallucinations, parce que sans elle le bot comble les trous en inventant.
- La mémoire infinie est le vrai game changer, mais le bot amplifie le travail du SEO, il ne le remplace pas.
Pourquoi ce bot change tout
La majorité des problèmes avec l'IA en SEO vient d'un seul endroit: l'IA ne connaît pas votre client. Le système fournit à l'IA un contexte si précis (ton, data propriétaire, sémantique du secteur) qu'elle cesse d'halluciner et produit du contenu vraiment aligné avec le client.
Phase 1: agréger la data client (NotebookLM)
NotebookLM fonctionne en RAG: il centralise toute la connaissance client pour que l'IA puisse la requêter en temps réel plutôt que de se reposer sur sa mémoire.
Étape 1: input initial
Créer un notebook, coller un document texte simple contenant les notes de préparation de l'appel client: business, offres, cibles, objections.
Étape 2: capter le ton de voix
C'est l'étape la plus importante pour éviter le contenu robot. Importer les vidéos ou interviews du client et son contenu LinkedIn (posts scrapés, articles, prises de position). L'IA doit apprendre comment le client communique, pas seulement de quoi il parle.
Étape 3: capter la data propriétaire
Scraper le site du client: structure technique et contenu existant, puis intégrer dans le notebook. Outil recommandé: scraper.bolt.host, simple, rapide, export propre pour NotebookLM.
Étape 4: connecter Google Drive
Pour les documents volumineux (PDFs, études, stats sectorielles), les placer dans un dossier Drive dédié connecté à NotebookLM comme source. Contourne les limites d'upload direct et maintient l'organisation.
Règles de nettoyage des sources
- Documents longs: résumer d'abord pour ne pas noyer l'IA
- Prioriser le format texte brut
- Utiliser uniquement de la data publique ou appartenant au client
Travaillons ensemble votre acquisition.
Phase 1.1: agréger la data SEO (Fusionn)
Une fois la connaissance client dans NotebookLM, ajouter la couche SEO via Fusionn: un copilote IA conçu pour les consultants SEO qui génère les champs sémantiques et vecteurs liés aux mots-clés stratégiques du client.
- Fichier mots-clés: vecteurs sémantiques autour des requêtes stratégiques et business
- Fichier briefs: structure de page, micro-intentions, format attendu
Note critique: ajouter ces fichiers dans le notebook Phase 1, pas encore dans Gemini. Raison: Gemini est limité à 10 sources en mémoire système, saturer cette limite trop tôt réduit la flexibilité à l'étape suivante.
Phase 2: créer l'assistant rédactionnel sur Gemini
Avec NotebookLM qui contient toute la connaissance (client plus SEO), créer le GEM: l'assistant quotidien de production de contenu. Contrainte principale: le GEM est limité à 10 sources en mémoire système.
Étape 1: générer le master summary
Demander à NotebookLM de générer un résumé structuré de toutes les sources importées. Ce document devient la mémoire permanente du GEM.
Étape 2: créer le GEM
Gemini, créer un nouveau GEM, le nommer précisément (ex: Bot SEO, Client X).
Étape 3: injection
Coller le master summary dans les system instructions du GEM: sa base de connaissance permanente. Optionnellement ajouter 1 à 2 documents critiques en respectant la limite de 10 sources.
Étape 4: system prompt
Ajouter un prompt d'orientation (System Instruction) définissant le comportement attendu: ton, format de réponse, règles d'écriture, interdictions absolues.
Phase 3: utilisation et mémoire infinie
Le système est opérationnel. Voici comment s'assurer que l'IA devient de plus en plus pertinente avec le temps.
Connexion NotebookLM GEM
Dans Gemini, utiliser la commande @NotebookLM pour connecter le notebook Phase 1 au GEM actif. Résultat: le GEM a le contexte global via résumé interne (mémoire permanente) et peut récupérer des détails précis du notebook à la demande. C'est la combinaison des deux qui élimine les hallucinations.
Mémoire infinie: le vrai game changer
La majorité des utilisateurs créent une nouvelle conversation à chaque session: erreur principale.
- Une conversation par client: garder une conversation épinglée, ne jamais repartir de zéro
- Toujours continuer le même thread: l'IA se souvient des corrections précédentes, du contexte établi, des décisions structurelles de la semaine dernière
- Résumé quotidien vers NotebookLM: après chaque session, générer un résumé de la conversation et créer une nouvelle note dans le notebook. Le contexte s'accumule, l'IA s'améliore
Effet cumulatif: après 4 semaines sur un client, le bot produit des contenus qu'un rédacteur junior ne pourrait pas approcher. Pas parce que l'IA est plus intelligente, mais parce qu'elle possède un contexte infiniment meilleur.
Note éthique
Le système fonctionne mais ne remplace pas la réflexion. Règles non négociables: utiliser uniquement de la data publique ou explicitement fournie par le client, toujours valider le contenu produit (l'IA propose, le consultant décide), le bot amplifie, il ne remplace pas. L'expertise reste humaine. Le SEO programmatique sans intervention humaine ne fonctionne pas. Le système permet de produire du contenu expert et personnalisé plus vite, pas du volume générique.
FAQ
Non. Tout passe par Claude Cowork plus un dossier de skills en markdown. Aucune ligne de code, aucun environnement de dev. Tu manipules des fichiers texte structurés, et Claude s'occupe de l'orchestration. C'est volontaire : si tu dois embaucher un dev pour faire tourner ton bot, tu n'as pas un bot, tu as une dette technique.
Claude pour la rédaction structurée et le raisonnement long. Plus solide sur les contextes longs typiques du SEO (audit + brief + voix de marque + exemples). ChatGPT reste pertinent pour des tâches courtes et rapides. Gemini pour ce qui touche à l'écosystème Google Workspace. Mais le moteur principal du bot SEO, c'est Claude, parce que c'est lui qui tient la cohérence sur des sessions de plusieurs heures.
5 à 10 fichiers de base : audit du client, mots-clés piliers, voix de marque, exemples d'articles déjà publiés, contraintes éditoriales, données chiffrées propriétaires. Avec ça, le bot a déjà assez de matière pour produire du contenu personnalisé. Tu enrichis au fur et à mesure que tu accumules des cas et des résultats.
Non, et c'est l'erreur à ne pas faire. Le bot accélère la production : recherche, structuration, premier jet. La stratégie, le ciblage des mots-clés actionnels, la collecte de la data propriétaire et la décision finale restent humaines. Ce que tu gagnes, c'est du temps sur l'exécution. Ce que tu ne perds pas, c'est la valeur ajoutée. Si tu délègues les deux, tu deviens l'assistant de ton propre assistant.
2 à 4 heures pour un setup propre et testé : ingestion de la data client, calibration du ton, premiers tests de production sur un sujet pilote. Une fois les premiers articles validés, le bot tourne en autonomie supervisée. La maintenance ensuite, c'est 30 minutes par mois pour mettre à jour les fichiers de contexte avec les nouveaux résultats.