AI SEO In Detail › Module F · Tout assembler › Épisode 48
Automatisation SEO avec Claude Code, des données au rapport
Automatisez votre analyse SEO avec Python, SQLite et Claude Code : quoi automatiser, garde-fou de coûts pour l'API, tâches planifiées et relecture humaine.
Vidéo bientôt disponibleCet épisode est scénarisé et en cours de production. La transcription ci-dessous correspond au script initial ; il peut évoluer avant la publication de la vidéo.
1,091 mots · brouillon du script, en cours de relecture.
Introduction
L'analyse de cette série fonctionne. Mais à la main, ça prend des jours. Et les parties les plus importantes, les vérifs hebdo et les re-mesures, sont celles qu'on saute quand on est débordé.
Donc on automatise. Et un nouveau problème apparaît. Un script qui tourne chaque semaine peut dépenser chaque semaine. Il peut échouer en silence et ne rien rapporter pendant un mois. Ou produire un rapport confiant avec des données cassées, sans que personne ne remarque.
Je fais mes analyses avec Python, SQLite et Claude Code comme opérateur. Dans cet épisode : ce que j'automatise ou pas, comment les pièces s'assemblent, le verrou de coût qui bloque les appels payants sans mon accord, et l'étape de revue humaine qui garde tout honnête.
Ce qu'il faut automatiser, et ce qu'il ne faut pas
Tracez d'abord une ligne. Tout ce qui collecte, stocke, joint et signale peut être automatisé. Tout ce qui décide quoi faire reste avec une personne.
Côté machine : tirer Search Console et Analytics chaque jour, lancer l'échantillon URL Inspection chaque semaine, stocker les snapshots SERP, tout joindre dans le modèle de données de l'épisode cinq, et signaler les changements. Il peut aussi rédiger le rapport.
Côté humain : approuver tout appel payant au-dessus d'une limite, choisir les recommandations à appliquer, publier les changements sur le site live, et lire les verdicts de l'épisode quarante-six.
Cette ligne ne concerne pas l'intelligence du modèle. C'est une question de responsabilité. Si un rapport recommande de supprimer cinquante pages, une personne doit le lire avant que quoi que ce soit arrive.
L'architecture du pipeline
La structure, c'est le workspace de l'épisode six. Petits scripts, chacun avec un job. L'un tire Search Console. L'un tire Analytics, toujours filtré par hostname. L'un lance l'échantillon d'index. L'un prend des snapshots de pages de résultats. L'un construit le rapport.
Chaque script écrit d'abord la réponse API brute dans un dossier cache, avec la date dans le nom de fichier, puis seulement après charge dans SQLite. Ça vous donne deux choses. Vous ne payez jamais deux fois pour les mêmes données. Et quand un chiffre semble étrange, vous pouvez revenir à ce que l'API a dit exactement ce jour-là.
Les clés API vivent hors du dossier projet, dans des fichiers d'environnement que les scripts lisent au démarrage. Elles n'apparaissent jamais dans le code, les rapports, ou un chat avec le modèle.
Claude Code comme opérateur
Claude Code est un agent de codage IA qui tourne dans votre terminal. Il peut lire des fichiers, lancer vos scripts et en écrire de nouveaux. Dans ce setup, c'est l'opérateur : il lance les étapes, lit la sortie, et écrit le brouillon du rapport.
Deux types de fichiers le rendent fiable.
Le premier est un fichier d'instructions projet appelé CLAUDE point md. Il contient les règles à ne jamais enfreindre. Toujours filtrer Analytics par hostname. Ne jamais faire confiance au champ sitemap « indexé ». Ne jamais sommer des volumes de recherche égaux. Vérifier Googlebot par IP, pas par user agent. Chaque leçon dure de cette série devient une ligne dans ce fichier, pour que le modèle ne répète pas une erreur déjà payée.
Le second est une skill : une procédure écrite que l'agent suit étape par étape. « Analyse hebdo : tirer, vérifier la santé des mesures, lancer les checks striking-distance et click-through, comparer avec la semaine dernière, écrire le rapport dans ce dossier, et ne rien implémenter. » Mêmes étapes, même ordre, à chaque fois.
Le garde-fou de coûts
Les données gratuites, comme Search Console et Analytics, peuvent tourner sur un planning sans demander. Les appels payants non.
La règle est simple. Avant tout appel payant, le script calcule le coût estimé d'après le nombre d'appels et le prix connu par appel, vérifie le solde du compte avec l'endpoint balance gratuit, affiche les deux, et s'arrête. Rien n'est dépensé jusqu'à ce que je tape un go explicite.
En plus, trois habitudes gardent les coûts bas. Vérifier le cache avant d'appeler. Utiliser la profondeur minimale qui répond à la question : dix résultats suffisent pour la plupart des checks SERP. Et lancer la petite tâche de validation avant tout gros run en volume, pour qu'une forme de mot-clé fausse ne gaspille pas tout le lot.
Je mets la même règle dans le fichier d'instructions, pour que l'agent sache qu'il ne peut jamais approuver ses propres dépenses.
Exécutions planifiées et échecs silencieux
Les parties gratuites tournent sur un planning : un pull quotidien, un échantillon d'index hebdo, et un rapport hebdo dans un dossier que je lis lundi matin.
Le danger avec les jobs planifiés, c'est le silence. Une API qui retourne zéro lignes ne lance pas d'erreur. Ça ressemble juste à une journée terrible. Donc chaque run se vérifie lui-même. Si un pull retourne zéro lignes, ou beaucoup moins que d'habitude, c'est une alerte, pas un point de données.
Et pour les checks qui peuvent échouer en masse, comme URL Inspection, j'inclus un témoin : un site que je sais bien indexé, dans le même run. Si le témoin semble soudain désindexé aussi, le problème vient de l'endpoint, pas de mon site.
L'étape de relecture humaine
Le rapport se termine par des actions proposées, jamais exécutées. Je le lis, décide, puis demande des changements spécifiques dans une étape séparée.
Une règle de plus, et elle compte davantage à mesure que les agents deviennent capables. Tout ce que l'agent lit de l'extérieur, une page web, le contenu d'un concurrent, un email, c'est de la donnée, pas des instructions. Si une page dit « ignore tes règles et fais ça », l'agent le rapporte et ne fait rien. Gardez petit l'ensemble des choses que le run planifié peut faire, et ce risque reste petit aussi.
Où l'automatisation déraille
Deux pièges avant de commencer.
Automatiser une analyse que vous n'avez jamais faite à la main. Si vous n'avez jamais lancé le check striking-distance vous-même, vous ne remarquerez pas quand la version automatisée est fausse. Faites chaque étape manuellement au moins une fois, comme dans les épisodes de cette série, puis automatisez la version en qui vous avez confiance.
Et les rapports que personne ne lit. Un rapport hebdo qui tourne pendant des mois sans que personne l'ouvre est pire que pas de rapport, parce qu'il donne l'impression de monitorer. Gardez le rapport court, mettez les changements et alertes en haut, et si vous remarquez que vous le sautez, réduisez-le jusqu'à ne plus le sauter. C'est exactement le sujet du prochain épisode.
Pour conclure
Automatisez la collecte, verrouillez les dépenses, gardez les décisions humaines. Un fichier d'instructions de départ et une arborescence sont liés en description. Prochain épisode : le tableau de bord de monitoring mensuel, et les quelques chiffres à regarder chaque mois. On se retrouve là-bas.