SMF·SCALENUT
Un prompt peut-il remplacer Scalenut ?
Écriture IA — AI drafting, research and content optimization
Bordereau de suivi des pièces
Verdict
Le Cruise Mode de Scalenut est un pipeline : mot-clé, puis recherche, puis plan, puis brouillon. Le construire comme un pipeline avec une porte d’approbation à chaque étape est simple et produit un bien meilleur résultat qu’un seul long prompt, parce que les erreurs s’accumulent sinon. Les deux choses qu’il ne peut pas avoir sont les données SERP qui alimentent la recherche — un appel d’API payant par mot-clé — et le regroupement thématique construit sur une base de mots-clés que personne en dehors d’un fournisseur de données ne possède.
Pièce A — Le prompt
Reçu le31.07.2026Construis un pipeline par étapes de mot-clé vers brouillon avec une porte d’approbation entre chaque étape. Ne le fais jamais tourner de bout en bout sans surveillance.
Étape 1 — Recherche. À partir d’un mot-clé cible, récupère les 10 premiers résultats organiques via une API SERP commerciale derrière un module fournisseur interchangeable, jamais par scraping. Récupère chaque page poliment, retire le texte générique, et extrais : les titres H2 et H3, le nombre de mots, les questions posées (phrases finissant par un point d’interrogation ou commençant par un mot interrogatif), et toute statistique (phrases contenant un nombre avec une unité ou un pourcentage) avec leur page source. Présente ça comme un digest de recherche, pas un résumé — les titres et questions bruts sont ce dont l’étape suivante a besoin.
Porte : l’utilisateur relit le digest, retire les concurrents non pertinents, et approuve.
Étape 2 — Plan. Regroupe les titres collectés par similarité d’embeddings et étiquette chaque groupe. Propose un plan à partir des groupes, classé par combien de concurrents couvrent chacun et à quelle position. Attache à chaque section proposée les titres concurrents dont elle vient et les questions qui vont dessous. L’utilisateur édite librement — réordonner, renommer, supprimer, ajouter — et approuve. Le plan est l’artefact qui détermine le plus le brouillon final, donc rends son édition rapide.
Porte : approuver le plan.
Étape 3 — Brouillon. Génère section par section, pas en un seul appel. Le prompt de chaque section reçoit : le mot-clé cible et l’audience de l’article, l’entrée de plan avec ses propres questions, les deux titres de section adjacents pour la continuité, et le texte de la section précédente déjà acceptée. Génère une section, montre-la, laisse l’utilisateur accepter, régénérer ou éditer, puis passe à la suivante. Section par section avec le texte précédent accepté en contexte, c’est ce qui arrête la répétition et la dérive qu’une seule longue génération produit toujours.
Étape 4 — Relecture. Assemble le brouillon et rapporte : lesquelles des questions collectées il répond et lesquelles pas, quelles statistiques il a utilisées et si chacune est attribuée à sa page source, le nombre de mots par rapport à la médiane des concurrents, et la structure de titres par rapport au plan approuvé.
État d’exécution : la sortie de chaque étape persistée, pour qu’un pipeline puisse être repris des jours plus tard. Rien n’est régénéré silencieusement — une relance de n’importe quelle étape est explicite et sa sortie précédente est gardée.
Citations : chaque statistique portée dans le brouillon garde un lien vers la page dont elle vient, et l’étape de relecture signale tout chiffre du brouillon qui ne peut pas être retracé jusqu’à la recherche. Un modèle qui invente une statistique plausible est le mode d’échec le plus dommageable ici et le pipeline devrait l’attraper plutôt que lui faire confiance.
Utilise Anthropic ou OpenAI, selon la clé configurée. Stocke tout dans SQLite.
Hors périmètre : le volume ou la difficulté de mots-clés depuis toute source, le regroupement thématique sur une base de mots-clés, le suivi de classement, et la publication vers un CMS.L’ouverture pré-remplit le prompt — il ne reste qu’à appuyer sur entrée.
Pièce B — Ce que tu perds
- B.1 les données SERP et de mots-clés, qui restent un coût par requête
- B.2 le regroupement thématique sur un univers de mots-clés que tu n’as pas
- B.3 le modèle de score de contenu calibré sur de vrais résultats de classement
- B.4 la publication directe vers un CMS
Pièce C — Pourquoi certains continuent de payer : workflow, data, and model tuning
Parce que le pipeline ne vaut que ce qui l’alimente, et l’étape de recherche tourne sur des jeux de données qui coûtent plus cher à licencier que ce que coûte l’abonnement à acheter.
Questions
Est-ce que je peux importer mes projets Scalenut ?
Les brouillons s’exportent en texte et documents, donc le travail terminé passe bien. Les briefs et digests de recherche ne s’exportent pas dans un format réutilisable, et relancer la recherche pour un mot-clé coûte un appel SERP, donc il y a peu de raison de migrer quoi que ce soit en cours.
Pourquoi mettre une porte à chaque étape plutôt que de tout faire tourner de bout en bout ?
Parce que les erreurs s’accumulent. Une étape de recherche qui a récupéré deux concurrents non pertinents produit un plan biaisé, qui produit un brouillon sur le mauvais sujet, et tu le découvres après avoir généré trois mille mots. Approuver le plan prend deux minutes et sauve toute l’exécution.
Combien ça coûte à faire tourner ?
Un appel SERP par article, une fraction de centime, plus la génération — section par section sur un long article revient à peut-être dix à trente centimes. Une douzaine d’articles par mois, c’est quelques dollars face à un plan à quarante-neuf dollars.
Quelle est la seule chose qui ne survit pas à la reconstruction ?
Savoir de quoi écrire. Scalenut regroupe tout un univers de mots-clés et te dit quels sujets couvrir dans quel ordre ; ce pipeline démarre depuis un mot-clé que tu as déjà choisi. La couche stratégie repose sur des données que tu ne peux pas acheter à cette échelle.
Outils proches
Récépissé