Pipeline de contenu IA · conseil B2B
Pipeline de contenu IA à orchestration multi-agents — une étude de cas, trois formats, publication sous contrôle humain
DÉMONTRÉ EN RÉEL · 29/06/2026
Contexte
Un cabinet de conseil francophone spécialisé dans l'implantation d'entreprises au Moyen-Orient voulait installer une présence de contenu régulière et haut de gamme — plusieurs posts LinkedIn et publications Instagram par semaine — sans y consacrer un temps de rédaction et de production quotidien. La matière première est riche mais sensible : chaque étude de cas doit être anonymisée, tenir un ton de conseil senior et respecter des garde-fous réglementaires. Le projet a aussi servi de vitrine de maîtrise IA : montrer une chaîne de bout en bout, du texte à la vidéo avatar, gouvernée et vérifiable.
Problème
Décliner une seule étude en trois formats à la main — rédaction, mise en page à la charte, script vidéo, tournage avatar, sous-titrage, publication au bon créneau, puis modération des commentaires — représente un travail répétitif et coûteux, multiplié par plusieurs réseaux. Deux exigences non négociables : aucune publication sans validation humaine, et aucune invention — le système ne produit du contenu que s'il a une vraie étude de cas en réserve.
Approche
Deux niveaux d'agents. Le système lui-même a été conçu avec Claude Code selon une méthode disciplinée — brainstorm, design, plan, implémentation, tests — puis il est opéré en autonomie par un agent LLM (Hermes, modèle local Nemotron) déclenché par cron les lundis, mercredis et vendredis à 9 h : l'agent pioche la prochaine étude de cas en attente, décide des formats à produire, budgète le script vidéo, exécute la chaîne — et s'arrête net si le backlog est vide, plutôt que d'inventer un sujet. La génération est gouvernée par un « Brand DNA » unique — ton, vocabulaire, sujets interdits, règles d'anonymisation et garde-fous réglementaires — combiné à des personas injectées à chaque génération, pour un contenu réellement à la voix de la marque.
Ce qui a été livré
- Orchestration à deux niveaux : un agent LLM autonome (Hermes) sur cron (lun/mer/ven 9 h) qui sélectionne l'étude de cas, décide des formats, budgète le script et pilote toute la chaîne — construit et outillé avec Claude Code (brainstorm → design → plan → implémentation → tests).
- Génération gouvernée par un « Brand DNA » unique + personas injectées : ton de la marque, anonymisation et garde-fous réglementaires intégrés à chaque prompt, pour un contenu à la voix du cabinet et jamais nominatif.
- Chaîne vidéo IA complète : script budgété en tokens → voix française de synthèse (ElevenLabs) → avatar réaliste au format 9:16 (HeyGen) → mp4 sous-titré assemblé par ffmpeg, avec un contrôle qualité image par image pour éliminer les défauts typiques des vidéos IA (artefacts, incohérences de lèvres, glitchs de sous-titres).
- Trois formats depuis une seule étude : post LinkedIn, carrousel Instagram de 5 à 7 slides et Reel vidéo avatar — rendus visuels à la charte.
- Human-in-the-loop : chaque contenu part sur Telegram sous forme de carte (aperçu + texte + boutons ✅ Valider / ✏️ Modifier / ❌ Rejeter) ; « Modifier » régénère réellement le contenu, il ne se contente pas de classer la demande.
- Publication et community management : publication multi-réseaux et enregistrement en base via des intégrations MCP, puis un agent de community management IA qui répond aux commentaires avec prudence et anti-doublon (jamais deux réponses au même commentaire).
- Auto-audit d'ingénieur : le système est soumis à un audit critique conduit par l'IA — concurrence, idempotence, sécurité, robustesse des sorties LLM — dont les findings sont classés par gravité, corrigés, puis re-validés sur un flux déjà prouvé.
- Montée en gamme visuelle : refonte de la charte éditoriale (avant/après) vers une identité premium, appliquée à tous les gabarits.
- Source de vérité : Supabase (PostgreSQL + Storage + RLS) — études de cas, contenus, file de publication, posts par plateforme et métriques ; formulaire d'entrée hébergé sur Vercel.
Stack
- Node.js 22
- Anthropic SDK (Claude Code)
- Agent Hermes (modèle local Nemotron)
- Supabase (PostgreSQL + Storage + RLS)
- Telegram / grammY
- Playwright (rendu visuel)
- HeyGen (avatar)
- ElevenLabs (voix française de synthèse)
- MCP (publication multi-réseaux, base de données)
- ffmpeg (assemblage vidéo)
- Vercel (formulaire d'entrée)
- crons (lun/mer/ven)
Résultats observés
Le 29/06/2026, une même étude de cas a été déclinée et publiée en réel — carrousel Instagram et Reel vidéo avatar — sur un compte de démonstration, de bout en bout : sélection, rédaction à la voix de la marque, vidéo IA, validation humaine puis publication.
publication datée · 29/06/2026 · compte de démonstration
Honnêteté de la preuve : la vidéo de démonstration est en 720p filigranée — elle prouve la chaîne de production, pas le rendu commercial final. La publication Instagram est prouvée ; côté LinkedIn, la génération est prouvée et la publication reste à connecter.
démonstration datée · 29/06/2026
Ce qui reste humain
Rien ne se publie sans un humain : la validation Telegram (✅/✏️/❌) est un point de passage obligé, par conception. Le système ne fabrique jamais de sujet — s'il n'a pas d'étude de cas réelle en réserve, il s'arrête. L'anonymisation des cas clients et le respect des garde-fous réglementaires sont portés par le Brand DNA et vérifiés en dernier ressort par la relecture humaine. Le cabinet et le compte de démonstration ne sont jamais nommés.