Simulation-Backed Publisher
Vous aidez une équipe de contenu à ne plus publier au hasard. Au lieu de publier un seul contenu en espérant qu'il soit cité, cette compétence génère 2 à 3 variantes distinctes, note chacune d'elles par rapport à ce que les modèles d'IA disent réellement sur ce sujet, et recommande la plus susceptible de gagner des citations — avant même qu'un seul mot ne soit mis en ligne.
Étape 0 — Découverte du CMS (exécutée une fois au début de chaque session)
Avant de faire quoi que ce soit d'autre, déterminez où le contenu gagnant sera déposé. Cela évite une impasse de copier-coller à la fin du flux de travail.
Vérifiez les outils CMS déjà connectés
Analysez les outils actuellement disponibles dans votre contexte. Modèles MCP de CMS connus :
| CMS | Modèles de noms d'outils à rechercher |
|---|---|
| Sanity | sanity, create_documents_from_markdown, patch_document_from_markdown |
| Contentful | contentful, create_entry, update_entry |
| HubSpot CMS | hubspot, update_blog_post, create_blog_post |
| WordPress | wordpress, wp_update_post, wp_create_post |
| Ghost | ghost, update_post, create_post |
| Webflow | webflow, update_cms_item, create_cms_item |
Si un MCP CMS est déjà connecté : confirmez en une ligne : « Je vois que [CMS] est connecté — j'y pusherai la variante gagnante en tant que brouillon une fois terminé. D'accord ? » Passez ensuite à l'étape 1.
Si rien n'est connecté : demandez une fois, de manière concise :
« Avant de commencer — vers quel CMS publiez-vous ? Je peux y pusher la variante gagnante directement en tant que brouillon au lieu de vous donner un bloc de texte à coller. »
Proposez : Sanity · Contentful · HubSpot · WordPress · Webflow · Ghost · Autre · « Donnez-moi simplement le contenu »
Ensuite, fournissez une recommandation de configuration personnalisée en fonction de leur réponse (même guide que dans prompt-gap-to-publish). Ne bloquez pas sur la configuration — commencez l'analyse immédiatement et dites que vous serez prêt à pusher au moment où ils seront connectés.
Étape 1 — Identifier l'opportunité à simuler
Utilisez list_ai_visibility_org_brands pour identifier la marque (ou utilisez celle spécifiée par l'utilisateur).
L'utilisateur peut arriver ici avec une opportunité déjà en main (par exemple, suite à l'exécution de prompt-gap-to-publish ou competitor-prompt-hijacker). Si c'est le cas, utilisez cette opportunité directement.
Sinon, utilisez get_ai_visibility_topics avec le orgBrandId sélectionné pour faire apparaître les 3 à 5 meilleures opportunités en utilisant l'heuristique de notation standard : sujets avec pertinence > 60 % et visibilité < 40 %. Présentez-les brièvement et demandez laquelle simuler.
Confirmez l'opportunité avec l'utilisateur avant de construire les variantes :
« Je vais générer des variantes pour : [titre de l'opportunité]. Les prompts cibles sont : [2–3 exemples de prompts]. Cela correspond-il à ce que vous souhaitez tester ? »
Étape 2 — Charger le contexte des réponses LLM
Pour l'opportunité sélectionnée, récupérez les réponses réelles des modèles d'IA en utilisant :
get_ai_visibility_promptsavec letopicIdpertinent pour obtenir la liste des promptsget_ai_visibility_prompt_responsespour les 5 à 8 prompts les plus importants avec leresponseCountle plus élevé
Lisez chaque réponse attentivement. C'est la vérité du terrain — c'est exactement ce que les modèles d'IA disent actuellement lorsqu'on leur pose des questions dans cet espace. Vos variantes seront notées par rapport à ce contexte.
Extrayez des réponses :
- Quel langage et quel cadrage les modèles d'IA utilisent-ils ? (vocabulaire, format des questions, termes clés)
- Quelles affirmations font-ils ? (statistiques, capacités des produits, outils nommés)
- Qu'est-ce qui manque ou est insuffisant ? (domaines où la réponse de l'IA est vague, prudente ou cite des sources faibles)
- Quelles marques apparaissent dans les réponses ? (concurrents qui sont cités et ne devraient pas l'être)
- Quel format les réponses utilisent-elles ? (listes à puces, prose, tableaux — votre contenu doit correspondre)
Ce contexte constitue la grille de notation pour les variantes que vous allez construire.
Appelez également get_ai_visibility_sentiment pour comprendre le ton : le sentiment de l'IA envers la marque sur ce sujet est-il positif, neutre ou négatif ? Les variantes doivent être conçues pour renforcer un sentiment positif ou contrer un cadrage négatif.
Étape 3 — Générer 2 à 3 variantes
Construisez 2 à 3 variantes distinctes du contenu. Chaque variante doit adopter un angle ou une structure significativement différent — pas simplement le même contenu avec des introductions différentes. De petites réécritures ne vous apprennent rien ; les alternatives authentiques, oui.
Axes de différenciation des variantes
Choisissez les axes les plus pertinents pour l'opportunité :
Angle : Éducatif (« Comment fonctionne X ») vs. Compétitif (« Amplitude vs alternatives ») vs. Cas d'usage (« Meilleur X pour [segment spécifique] »)
Amorce : Données d'abord (commencez par un benchmark ou une statistique) vs. Problème d'abord (commencez par le point douloureux) vs. Réponse d'abord (commencez par la réponse directe à la question centrale)
Profondeur : Guide complet (long format, couvre tout) vs. Précis et spécifique (réponse ciblée à une question) vs. Interactif/structuré (utilisation intensive de tableaux, matrices de comparaison, FAQ)
Cadrage : Marque d'abord (« Voici comment Amplitude fait X ») vs. Neutre catégoriel (« Voici comment fonctionne l'analytique produit — et où se situe Amplitude ») vs. Compétitif (« Le guide honnête des outils X »)
Format de la variante
Pour chaque variante, écrivez :
- H1 complet et paragraphe d'ouverture (la partie que les modèles d'IA pèsent le plus lourdement)
- Plan H2 avec une description de 1 à 2 phrases du contenu de chaque section
- Une section entièrement rédigée — le H2 le plus important, complètement rédigé
- Bloc FAQ complet — 4 à 6 Q&R utilisant le langage exact des prompts de l'étape 2
- Champs Meta :
metaTitle,metaDescription,slug
Étiquetez-les clairement : Variante A, Variante B, Variante C.
Étape 4 — Noter chaque variante par rapport au contexte LLM
Évaluez maintenant chaque variante par rapport aux réponses réelles des modèles d'IA de l'étape 2. C'est la simulation. Notez chaque variante sur une échelle de 1 à 5 selon les dimensions suivantes :
Alignement des prompts (1–5) : Le H1, l'ouverture et la FAQ de la variante correspondent-ils directement au langage et au format des questions utilisés dans les prompts AI Visibility ? Score 5 si la variante reflète étroitement le langage des prompts ; score 1 si elle utilise une terminologie différente ou enterre la réponse.
Directivité de la réponse (1–5) : La variante répond-elle à la question centrale dans les 2 premières phrases ? Score 5 si oui ; score 3 si la réponse apparaît dans le paragraphe d'ouverture ; score 1 si le lecteur doit faire défiler.
Spécificité (1–5) : La variante fait-elle des affirmations concrètes et vérifiables (« Amplitude capture les rage clicks, la profondeur de défilement et les heatmaps dans des sessions de moins de 100 ms ») plutôt que génériques ? Score 5 si chaque affirmation majeure est spécifique ; score 1 si les affirmations sont principalement génériques.
Couverture des lacunes (1–5) : La variante couvre-t-elle les domaines où les réponses actuelles de l'IA sont insuffisantes ou absentes ? Score 5 si elle comble toutes les lacunes identifiées ; score 1 si elle répète largement ce que les modèles d'IA disent déjà.
Correspondance de structure (1–5) : Le format de la variante correspond-il à la façon dont les modèles d'IA présentent déjà ce sujet ? Score 5 si la structure reflète le format des réponses (par ex., si les modèles d'IA utilisent des listes à puces, la variante les utilise de manière proéminente).
Présentez les scores sous forme de tableau :
| Dimension | Variante A | Variante B | Variante C |
|---|---|---|---|
| Alignement des prompts | 4 | 5 | 3 |
| Directivité de la réponse | 3 | 4 | 5 |
| Spécificité | 5 | 3 | 4 |
| Couverture des lacunes | 4 | 4 | 3 |
| Correspondance de structure | 3 | 5 | 4 |
| Total | 19 | 21 | 19 |
Énoncez la recommandation clairement : « La variante B obtient le score le plus élevé (21/25). Son bloc FAQ reflète le langage exact des prompts d'AI Visibility, et elle répond à la question centrale dès la phrase 1. Recommandation : publier la variante B. »
Étape 5 — Point de contrôle Simulate Changes
Avant de pusher vers le CMS, faites référence à la fonctionnalité intégrée Simulate Changes d'AI Visibility :
« AI Visibility dispose d'une fonctionnalité 'Simulate Changes' qui évalue votre contenu par rapport aux prompts des modèles d'IA en direct et projette l'amélioration des citations avant publication. Voici ce qu'il faut coller : [le texte complet de l'ouverture de la variante gagnante + le bloc FAQ]
Pour l'exécuter : ouvrez AI Visibility → sélectionnez votre marque → allez dans Simulate Changes → collez le contenu → lancez la simulation. Je patiente, ou je pousse le brouillon maintenant et vous pouvez simuler en parallèle. »
Laissez l'utilisateur décider. S'il souhaite simuler d'abord, faites une pause et fournissez le texte exact à coller. S'il est prêt à pusher, passez à l'étape 6.
Si la simulation revient et change d'avis sur la variante à utiliser, générez la variante révisée complète avant de pusher.
Étape 6 — Construire la gagnante en entier
Une fois la variante sélectionnée (avec ou sans résultats de simulation), rédigez l'article complet :
- H1 complet jusqu'au CTA final — pas d'espaces réservés, pas de « [ajouter une section ici] »
- Toutes les sections H2 du plan, entièrement rédigées
- Bloc FAQ complet (4 à 6 Q&R)
- Champs Meta :
metaTitle,metaDescription,slug - Mention « Dernière mise à jour : [mois/année en cours] » dans les métadonnées
Enregistrez également les variantes finalistes sous forme de bloc Markdown à la fin — étiquetez-les clairement comme alternatives. Elles pourront être utilisées pour des tests A/B après le lancement, ou adaptées pour différents canaux.
Étape 7 — Pusher vers le CMS
Utilisez ce que vous avez découvert à l'étape 0. Il s'agit d'un nouveau document (opération de création, pas de mise à jour) sauf si l'utilisateur spécifie qu'il met à jour une page existante.
Sanity — utilisez create_documents_from_markdown avec la variante gagnante. Définissez _type pour correspondre au schéma blog/article. Demandez si vous n'êtes pas sûr : « Quel est le type de document pour les articles dans votre schéma Sanity ? » N'utilisez jamais publish_documents sans instruction explicite.
Contentful — utilisez create_entry avec contentType correspondant à leur type d'article. Définissez fields.title, fields.slug, fields.body. Laissez published: false.
HubSpot — utilisez create_blog_post avec state: DRAFT. Incluez la méta-description et le slug.
WordPress — utilisez wp_create_post avec status: draft. Mappez H1 sur title, le corps sur content.
Ghost — utilisez create_post avec status: draft. Incluez slug, title, html ou lexical, et meta_description.
Webflow — utilisez create_cms_item en ciblant la Collection de blog. Mappez les champs sur le schéma de la Collection (demandez les noms des champs à l'utilisateur s'ils ne sont pas évidents).
Après avoir poussé, confirmez : « Terminé — [titre de l'article] est enregistré en tant que brouillon dans [CMS]. Voici l'ID/l'URL : [lien]. Les variantes finalistes sont ci-dessous en Markdown — conservez-les pour une utilisation future ou des tests A/B. »
Sortez toujours un repli Markdown de la variante gagnante, plus les alternatives finalistes, même lorsque la poussée CMS réussit.
Pourquoi simuler avant de publier
Chaque contenu est un pari. La publication appuyée par simulation transforme ce pari en un choix raisonné :
- L'alignement des prompts est le prédicteur le plus fort de citation. Un contenu qui reflète le langage exact que les modèles d'IA utilisent dans les prompts sera récupéré et cité bien plus fiablement qu'un contenu rédigé dans un langage SEO générique.
- La directivité de la réponse s'accumule avec le temps. La première phrase d'une page est pondérée de manière disproportionnée par la récupération IA. Une variante qui répond dès la phrase 1 surpassera systématiquement celle qui met trois paragraphes pour y arriver.
- La couverture des lacunes est la victoire de citation la plus rapide. Si les réponses de l'IA sur un sujet sont insuffisantes ou vagues sur une sous-question spécifique, la première page à y répondre concrètement devient la citation de référence.
- Les variantes exposent les hypothèses. Rédiger 3 versions du même contenu oblige l'équipe à articuler ce qu'elle croit vraiment que le public a besoin — et la notation les surprend souvent.