Automatiser une partie de l’audit

Automatisez ce que vous pouvez vérifier en le relançant, laissez l’IA rédiger ce que vous pouvez contrôler par échantillon, et gardez les décisions pour vous. Les exports et les contrôles d’hygiène sont un travail de machine. Le verdict sur l’endroit où se trouve la croissance, ce pour quoi un audit est payé, revient à une personne qui devra le défendre en réunion.

Dans ce chapitre, prenons un SaaS B2B à 2 M€ d’ARR avec 400 articles de blog, GA4 relié à BigQuery, la Search Console, un CRM et un outil de facturation.

Classez chaque tâche selon le coût d’une erreur

Reprenez votre plan d’audit ligne par ligne et attribuez un mode à chacune. Un export erroné se repère en rapprochant les totaux, alors qu’une mauvaise priorité coûte six mois de travail à l’équipe sans que personne ne s’en aperçoive.

Tâche	Mode	Contrôle
Exports analytics, Search Console, CRM, facturation	Script	Nombre de lignes et totaux identiques à l’interface source
Crawl : codes de statut, titres, canonicals, hreflang	Script	Un échantillon d’URL ouvert à la main
Hygiène des UTM, anomalies de CTR	SQL	Relecture de la liste signalée
Étiquetage des contenus par étape du funnel	IA, puis échantillon humain	Concordance avec un échantillon étiqueté à la main
Regroupement des motifs de churn, tickets, transcriptions d’appels	IA, puis humain	Chaque thème porte des citations que l’on peut ouvrir
Premier jet de la lecture à froid d’un concurrent	Brouillon IA, réécriture humaine	Vous visitez le site vous-même
Verdict, périmètre, priorités	Humain	Rien à déléguer

Construisez une couche d’extraction que vous pourrez relancer

L’intérêt de scripter un export apparaît la deuxième fois que vous le lancez : un mois plus tard, après les corrections, avec les mêmes définitions. Rangez chaque extraction dans un dossier daté, conservez les fichiers bruts intacts et notez à côté la période et les filtres utilisés.

Source	Comment extraire	Point de vigilance
GA4	Export BigQuery ou Data API	L’export n’a pas d’historique avant sa mise en place : reliez-le dès le premier jour
Search Console	API Search Analytics	Paginez au-delà de 25 000 lignes. Certaines requêtes sont anonymisées, donc les totaux par requête restent inférieurs aux totaux par page
Site	Crawler en mode headless	Crawlez par template, comme dans le chapitre sur les audits SEO
CRM et facturation	API ou export planifié	Alignez les identifiants de comptes avant toute jointure

Rapprochez avant d’analyser. Si le total de votre table diffère de celui de l’interface, trouvez pourquoi et notez la raison : le client verra l’écart dès la première réunion.

Scriptez d’abord les deux contrôles les plus rentables

L’hygiène des UTM est le grand classique, car une source écrite de trois façons devient trois canaux dans tous les rapports. Sur l’export GA4 :

SELECT
  LOWER(collected_traffic_source.manual_source) AS normalized_source,
  COUNT(DISTINCT collected_traffic_source.manual_source) AS spellings,
  STRING_AGG(DISTINCT collected_traffic_source.manual_source) AS variants,
  COUNT(*) AS events
FROM `project.analytics_123456.events_*`
WHERE _TABLE_SUFFIX BETWEEN '20260101' AND '20260630'
  AND collected_traffic_source.manual_source IS NOT NULL
GROUP BY normalized_source
HAVING COUNT(DISTINCT collected_traffic_source.manual_source) > 1
ORDER BY events DESC;

Le reste de la revue du tracking, dont les UTM absents sur les CTA du blog et les menus, se trouve dans le chapitre sur la fiabilité des données.

Le second contrôle compare le CTR de chaque page au CTR du site lui-même à la même position. Une courbe de CTR externe dit peu de chose de vos pages de résultats, et cette version n’en a pas besoin.

WITH by_position AS (
  SELECT ROUND(position) AS pos,
         SUM(clicks)::float / NULLIF(SUM(impressions), 0) AS site_ctr
  FROM gsc_pages
  GROUP BY 1
)
SELECT g.page, g.impressions, g.position,
       g.clicks::float / g.impressions AS page_ctr,
       b.site_ctr
FROM gsc_pages g
JOIN by_position b ON ROUND(g.position) = b.pos
WHERE g.impressions >= 1000
  AND g.clicks::float / g.impressions < b.site_ctr * 0.5
ORDER BY g.impressions DESC;

Les seuils sont des points de départ. Ajustez-les à la taille du site, et lisez vous-même les pages signalées avant d’en faire un constat.

Servez-vous de l’IA là où le résultat se vérifie

L’étiquetage des contenus est un bon premier usage. Dans notre exemple, le calendrier éditorial indique lesquels des 400 articles sont TOFU, MOFU ou BOFU, et ces étiquettes sont souvent optimistes. Donnez au modèle des définitions fixes, obligez-le à citer la page et laissez-lui le droit de dire qu’il ne sait pas. Le prompt est en anglais, il s’applique aussi bien à des pages en français.

You label one page of a B2B SaaS website.
Product: {product_summary}
Buyer: {icp_summary}

Labels:
TOFU: teaches a topic, useful even to someone who never buys this kind of product.
MOFU: helps someone compare approaches or build a case for this kind of product.
BOFU: helps someone choose or buy this product.

Return JSON only:
{"label": "", "evidence": "exact quote from the page", "main_cta_url": "", "unsure": false}

Use only the page below. If the page does not support a label, set unsure to true.

Page:
{page_text}

Avant de lancer le tout sur les 400, étiquetez 40 articles à la main sans regarder les réponses du modèle, puis comparez. Là où vous divergez, soit vos définitions sont floues, soit le modèle se trompe : corrigez le prompt ou votre propre étiquette. Ne lancez l’ensemble qu’à ce moment-là, et croisez le résultat avec les étiquettes déclarées. Un constat ressemble à ceci : « La plupart des articles que le calendrier classe en MOFU enseignent un sujet général, et leur CTA principal renvoie vers un autre article. »

Le même schéma fonctionne pour regrouper les motifs de churn à partir des tickets, ou les objections à partir des transcriptions d’appels : des catégories fixes, une citation obligatoire, un échantillon relu par un humain. Pour la lecture à froid d’un concurrent, laissez l’IA rédiger une description du menu, du hero et des ressources, puis visitez le site vous-même et réécrivez. La première impression d’un vrai visiteur est la raison d’être de cet exercice.

L’IA peut aussi transformer les résultats d’un crawl en premier jet de votre fiche technique, chaque point étant rédigé en problème, conséquence, action. Vous vérifiez chaque ligne face au crawl.

Les règles qui gardent le livrable honnête

• L’IA ne produit jamais un chiffre du livrable. Chaque chiffre renvoie à une requête ou à un export, listés en annexe.
• Chaque affirmation qualitative porte sa source : une URL, une citation, un appel.
• Une recommandation qui vaudrait pour n’importe quel SaaS est supprimée.
• Les données client ont leurs règles. Vérifiez ce que permettent le contrat et les conditions de l’outil, et retirez noms et e-mails des exports avant qu’ils n’atteignent un modèle.

Ce qui est généré a aussi besoin de son propre filtre. Sur le projet Deux.io, l’IA a aidé à produire les variantes de pages, et chaque sortie passait par un détecteur de contenu IA et un contrôle de contenu dupliqué. Un audit demande le même état d’esprit, avec un humain comme contrôleur.

Ce qui doit rester humain

Le verdict d’ouverture vient en tête de liste : ce qui est solide, où se trouve le vrai levier, ce que vous ne regarderez pas et là où vous n’êtes pas le mieux placé pour recommander. Un modèle sait résumer un tableau de bord, et il n’a rien à perdre s’il se trompe.

Viennent ensuite les choix qui dépendent du contexte. Retenir trois concurrents pour une raison énoncée. Noter chaque type de ressource sur dix. Décider qu’une page part à la poubelle. Écouter des clients décrire leur problème avec leurs mots. Le score de confiance de votre priorisation, qui est un jugement par définition. Puis la restitution, où il faut emmener une équipe vers des conclusions qui ne lui plairont pas forcément.

Une fois l’audit livré, les scripts deviennent son suivi. Relancez les mêmes requêtes chaque mois, comparez au dossier précédent et ne regardez que ce qui a bougé. C’est proche de notre façon de traiter le travail récurrent chez Derrick : des agents IA en prennent une grande partie, sous des règles écrites, avec une relecture humaine de ce qui compte.

Votre prochaine étape : reprenez votre plan d’audit, marquez chaque ligne script, IA ou humain, et scriptez les deux exports que vous redoutez le plus. Étiquetez ensuite 40 pages à la main avant de laisser un modèle approcher les 360 autres.