Cette application d'IA se construit elle-même.

Le contenu ne dort jamais. Les marques, les créateurs solo et les entreprises SaaS individuelles ressentent désormais la pression de produire un flux constant de publications, de scénarios et de miniatures adaptés à chaque plateforme, à chaque segment d’audience, et même à chaque prospect individuel. Les flux de travail manuels—naviguer entre les onglets ChatGPT, les documents Notion et les brouillons inachevés—s'effondrent sous cette exigence bien avant d’atteindre 5 publications par jour sur 3 réseaux.

La réponse de Brendan Jowett est quelque chose qu'il appelle une machine à contenu : une application autonome qui transforme des idées brutes et des vidéos en actifs finis et publiables. Construite sur une toile de nœuds glissables et d'agents de chat, elle orchestre des modèles, des invitations et des sources de données en une seule surface qui se comporte moins comme un outil et davantage comme une chaîne de production.

Au lieu de taper un nouveau message chaque fois que l'inspiration le frappe, Jowett intègre directement son historique LinkedIn, les transcriptions de ses vidéos YouTube et l'histoire de son entreprise dans le système. Un agent de discussion contient plusieurs exemples de publications LinkedIn ainsi que le script complet de sa dernière vidéo YouTube ; une seule instruction—« crée une nouvelle publication LinkedIn pour cette vidéo »—génère un texte qu'il dit pouvoir « copier-coller directement sur LinkedIn. » L'hyper-personnalisation cesse d'être une corvée et devient la norme.

Le même canevas héberge une zone dédiée aux descriptions YouTube alimentée par plusieurs modèles d'IA, dont Gemini 2.0.0 et d'autres ajustés pour la vitesse. Jowett lui fournit des descriptions antérieures comme exemples, puis l'oriente vers un nouveau transcript ; le système renvoie des résumés optimisés pour des mots-clés avec des paragraphes structurés et des appels à l'action, prêts à être téléchargés sans toucher à l'interface de ChatGPT.

Plus bas, un moteur LinkedIn plus « intense » puise dans : - Un contexte d'entreprise détaillé - Son histoire personnelle - Des règles de formatage et des directives de ton - Des publications d'archives

Tout cela converge en un seul agent capable de produire des posts qui ressemblent à son style, font référence à ses produits et suivent sa structure préférée sur demande.

Une piste distincte gère même les visuels. À l'aide d'un modèle qu'il appelle Nano Banana Pro, l'application lit un post LinkedIn fini, extrait une ligne clé et génère automatiquement un graphique correspondant—logo inclus—de sorte que le texte et l'image soient livrés ensemble. Le résultat fonctionne moins comme une seule fonctionnalité d'IA et plus comme un environnement de travail intégré pour chaque étape répétitive dans la création de contenu.

Entrez dans la toile et vous ne voyez pas une boîte de dialogue ; vous voyez une salle de contrôle. L'application de Brendan Jowett s'ouvre sur une grille expansive et zoomable parsemée de blocs colorés, chacun étant une fonction autonome : un rédacteur LinkedIn ici, un générateur de descriptions YouTube là, un générateur d'images un peu plus bas. Cela ressemble davantage à Figma ou Miro qu'à ChatGPT, mais chaque bloc alimente finalement un modèle d'IA.

Chaque bloc est un module déplaçable. Certains contiennent du texte brut : exemples de publications LinkedIn, historique de l'entreprise, règles de formatage. D'autres stockent des médias : des vidéos YouTube complètes avec des transcriptions attachées. Une troisième catégorie héberge des agents de chat en direct connectés à des modèles comme Gemini 2.0.0 et un modèle d'image Nano Banana Pro personnalisé, prêts à générer sur commande.

Les connexions entre ces modules forment un graphique visible de contexte. Un nœud de publication LinkedIn, par exemple, provient de : - Un ensemble de publications LinkedIn précédentes - Un téléchargement direct de la dernière vidéo YouTube - Un bloc d'instructions de formatage

Ces flèches sur la toile définissent littéralement ce que l'IA « sait » lorsqu'elle écrit. Changez une connexion, et vous modifiez le cerveau.

Pour les descriptions YouTube, une autre région de la toile répète le modèle. Des exemples de descriptions sont intégrés dans un agent de chat, aux côtés du nœud de transcription de la nouvelle vidéo. Un prompt - "Créez une description de vidéo basée sur les exemples que j'ai fournis" - génère un texte optimisé pour les mots-clés, en plusieurs paragraphes, adapté à ce téléchargement spécifique, sans nécessité de copier-coller manuellement dans une fenêtre de chat générique.

Plus bas, un système LinkedIn plus dense ajoute encore plus de contexte. Jowett intègre des nœuds pour ses entreprises, son histoire personnelle et des règles de style hautement spécifiques. Tous ces éléments se dirigent vers un unique agent de conversation, transformant une courte instruction en un post qui ressemble de manière troublante à son style, car le graphique encode littéralement qui il est et ce qui lui importe.

La section image sur le canevas pousse davantage la métaphore. Un nœud de publication LinkedIn uniquement textuelle se connecte à un nœud d'invite d'image, trois graphiques d'exemple et un nœud de logo téléchargé. Le modèle Nano Banana Pro lit la publication complète, extrait une ligne clé, superpose ce texte et place le logo à sa place—pas de Photoshop, juste des blocs réorganisés.

Considérée dans son ensemble, l'interface transforme l'ingénierie des invites en une sorte de système LEGO. Au lieu de se battre avec un méga-invite de 30 lignes, vous réorganisez des nœuds, faites glisser un nouveau contexte dans le graphique et déboguez visuellement ce que l'IA voit.

Le canevas de Brendan Jowett dispose d'une voie dédiée pour LinkedIn, qui fonctionne moins comme une boîte de saisie et plus comme une chaine de production. Un groupe de nœuds contient 5 à 10 de ses publications les plus performantes, un autre ingère la transcription complète de sa dernière vidéo sur YouTube, et un agent de discussion central les fusionne en un partenaire d'écriture toujours actif.

Ces publications passées ne sont pas simplement jetées sous forme de texte brut. Il fournit à l'agent des exemples qui codent sa structure : une première ligne accrocheuse, des paragraphes courts, un appel à l'action clair dans la dernière phrase, accompagnés de notes de ton et de règles de mise en forme. Ce contexte vit en tant que source de connaissance persistante, donc l'agent « se souvient » de son style sans qu'il ait besoin de réécrire les instructions à chaque fois.

Lorsqu'une nouvelle vidéo est mise en ligne, le flux de travail commence par un téléchargement de la transcription directement dans le canevas. Un nœud YouTube envoie le script complet au même agent de chat qui connaît déjà son ton LinkedIn, tandis que les paramètres source confirment exactement quels exemples et transcriptions le modèle peut consulter. Un clic, et le système intègre tout cela en une seule demande.

Le prompt actuel est presque insultant de simplicité : « Veuillez créer un nouveau post LinkedIn basé sur les exemples du nouveau vidéo que je vous ai fournis. » Derrière cette phrase, plusieurs modèles s'activent ; pour ce workflow LinkedIn, Jowett utilise Gemini 2.0.0 Pro pour maintenir des réponses rapides et cohérentes. L'agent utilise toutes les sources jointes - exemples, transcript, notes de formatage - sans aucun copier-coller manuel.

La sortie ressemble à quelque chose qui semble suspectement humain : une accroche percutante, une thèse en une phrase, 3 à 5 lignes faciles à lire tirant les points clés de la vidéo, et un appel à l'action incitatif dirigeant vers le lien YouTube complet. Dans sa démonstration, le post mentionne LiveKit, des agents sans code, et « construire sans code » car le système a extrait ces phrases directement de la transcription.

De manière cruciale, Jowett n'a pas besoin d'éditer plus d'un mot ou deux. Il parcourt le texte pour vérifier l'exactitude, copie le bloc, le colle dans LinkedIn et passe à autre chose. Comparé à la navigation entre ChatGPT, les documents et l'éditeur de LinkedIn, il réduit une tâche de 15 à 20 minutes à moins de 60 secondes.

Tout le monde peut recréer ce type de flux de travail avec un créateur d'agents basé sur un canvas comme Voiceflow - AI Agent Platform, en les connectant :

• 1Exemples de bibliothèques de publications
• 2Ingestions de transcription
• 3Instructions de style et de formatage
• 4Routage multimodal pour le contrôle de la vitesse et des coûts

Conquérir YouTube commence sur la même toile, mais avec un module différent en place. Au lieu de penser en publications et en accroches, le système de Brendan Jowett se concentre sur des fichiers vidéo, des transcriptions et des métadonnées, considérant chaque téléchargement comme une matière première pour un package YouTube complet. Un nœud ingère la transcription, un autre stocke des exemples de mise en forme provenant de descriptions performantes passées, et un agent de chat les assemble.

Alimentez l'agent avec un nouveau transcript et il ne se contente pas de résumer ; il recrée votre style distinct, ligne par ligne. Le système imite la structure des paragraphes, les sauts de ligne, les habitudes d'emoji (si vous les utilisez) et le placement des appels à l'action de vos descriptions précédentes. Combiné à des formulations riches en mots-clés tirées du transcript, vous obtenez des aperçus optimisés pour le SEO, adaptés à la recherche sur YouTube et au robot d'exploration de Google, sans toucher à ChatGPT ou à un fichier de documents.

Jowett fait défiler davantage la toile et les choses deviennent plus ambitieuses. Un groupe séparé de nœuds se connecte à des transcriptions d'une véritable bibliothèque de téléchargements passés : des dizaines de vidéos reliées à un seul agent de discussion. Avec ce contexte, l'agent peut générer :

• 1Nouvelles idées de vidéos qui ne répètent pas les sujets.
• 2Variantes de titres optimisées pour le taux de clics
• 3Ébauches de script qui reflètent votre rythme et votre ton.

Parce que l'agent voit tout ce que vous avez déjà publié, il évite les angles dupliqués et suggère plutôt des sujets adjacents. Un créateur avec 50 publications transmet effectivement à YouTube une "mémoire" à une IA qui comprend ce qui a fonctionné et ce qui correspond à l'image de marque. Cette même mémoire alimente l’idéation de titres, générant 10 à 20 variantes qui jouent sur la curiosité, les chiffres ou des formules problème/solution en quelques secondes.

Tout cela repose sur le même canevas de glisser-déposer : téléchargez une vidéo, joignez sa transcription, dirigez-la à travers le nœud de description YouTube, puis vers les nœuds d’idéation et de plan. Les séquences brutes se transforment en un titre prêt pour la miniature, une description SEO et une structure de script avec un minimum de modifications humaines. L'application ne se contente pas de vous aider à publier plus rapidement ; elle apprend discrètement votre chaîne, puis crée la prochaine vidéo pour vous.

Oubliez une équipe secrète d’ingénieurs cachée derrière cette toile. L’ensemble de la "machine à contenu" de Brendan Jowett — agents de chat, recherche de transcriptions, génération d’images, modules LinkedIn et YouTube — fonctionne sans code. Pas de scripts Python, pas de front-end React, pas de migrations de bases de données ; juste des blocs de glisser-déposer et des instructions en langage naturel.

Le moteur derrière cela est Replet, un environnement de “codage de vibes” qui transforme des demandes en logiciels fonctionnels. Au lieu de structurer un projet, de connecter des API et d’assembler des modèles, Jowett décrit ce qu'il veut en des termes simples : “une toile avec des modules mobiles,” “un agent de chat connecté à mes 20 dernières transcriptions YouTube,” “un générateur d’images qui connaît mon logo.” Replet compile cette intention en une application en direct.

Cela renverse l'histoire habituelle de l'IA. La plupart des gens utilisent ChatGPT, Claude ou Gemini 2.0.0 comme des outils autonomes : vous collez du texte, vous copiez les résultats. Ici, Jowett invite une IA à construire l'outil lui-même : l'interface, les flux de données, le routage des modèles, même les invites réutilisables qui se trouvent derrière chaque nœud.

Au lieu qu'un développeur traduise les exigences en code, le prompt devient à la fois le cahier des charges, le backend et le plan UX. Lorsqu'il souhaite un nouveau flux de travail — disons, "transformer ma dernière vidéo en une description optimisée pour le SEO de 3 paragraphes en utilisant mes exemples passés" — il n'ouvre pas VS Code. Il ajoute un nœud, connecte une source de transcription, se réfère à sa banque d'exemples et décrit le comportement.

Le canevas de Replet dissocie la complexité technique qui effraie généralement les créateurs non techniques. Sous le capot, vous avez toujours : - Plusieurs modèles d'IA (Gemini 2.0.0, Nano Banana Pro) - Des fichiers et des bases de connaissances pour les transcriptions, les logos et les publications d'exemple - Une logique de routage déterminant quel modèle gère quelle tâche

À première vue, vous ne voyez que des blocs étiquetés et des flèches.

Pour les non-développeurs, c'est un pouvoir libérateur comparable à celui des premières versions de Squarespace ou Webflow, mais pour des logiciels natifs d'IA. Un créateur solo peut mettre en place un "système d'exploitation de contenu" privé, adapté à sa voix, à ses ressources et à ses canaux, sans attendre qu'une startup SaaS lance la fonctionnalité exacte dont il a besoin.

Le système de Jowett indique où cela peut mener. Si vous pouvez décrire votre flux de travail avec suffisamment de détails — « comment j'idéation, comment j'écris, comment je réutilise » — des outils comme Replet peuvent transformer cette description en une application sur mesure. Pas en utilisant l'IA, mais en commissionnant un logiciel à partir de cela.

Brendan Jowett ne se contente pas de solliciter une application d'IA ; il sollicite un constructeur d'applications d'IA. Avant même de faire glisser un nœud sur la toile de Replet, il ouvre ChatGPT et lui demande d’écrire un méta-prompt qui décrit l'application qu'il désire dans les moindres détails. Ce méta-prompt devient le plan que Replet utilise pour assembler sa "machine à contenu" entière sans une seule ligne de code personnalisé.

Son prompt maître ressemble plus à une spécification produit qu'à une conversation décontractée. Jowett décrit un système de toile avec un espace de travail zoomable, des modules déplaçables et des nœuds connectables qui échangent des données entre eux. Il précise que chaque module doit prendre en charge les saisies de texte, les interfaces de style chat et les téléchargements de fichiers comme les transcriptions YouTube, car ce sont les matières premières pour ses publications LinkedIn et ses scripts YouTube.

La structure est importante. Il divise l'application en régions clairement étiquetées : un groupe de nœuds pour les textes LinkedIn, un autre pour les descriptions YouTube, un autre pour la génération d'images. Chaque région reçoit des instructions explicites concernant les sources à utiliser (exemples de publications passées, transcriptions de vidéos, informations sur l'entreprise) et la manière de formater les résultats. Cette spécificité permet à Replet de mettre en place un système où un seul agent de chat peut voir son contenu passé, sa vidéo actuelle et ses règles de style en même temps.

Jowett mentionne également des technologies directement dans la demande. Il demande un éditeur de graphes de style React Flow pour le canevas, de sorte que les modules apparaissent comme des nœuds déplaçables avec des connexions, et non pas sous forme statique. Il précise des emplacements de modèles d'IA qui peuvent passer d'un fournisseur à un autre, comme Gemini 2.0.0 ou des modèles personnalisés tels que Nano Banana Pro, reflétant la manière dont des outils comme Make - Plateforme d'Automatisation de Flux de Travail permettent d'échanger des intégrations sans reconstruire tout le flux de travail.

Il ne s'arrête pas aux interfaces utilisateur et aux modèles. La directive définit des comportements : comment un nœud LinkedIn doit lire des exemples de publications, comment un nœud de description YouTube doit s'optimiser pour les mots-clés, comment un nœud d'image doit extraire une seule phrase clé d'un long post et l superposer sur un graphique de marque. Il indique même au système que la sortie d'un nœud doit devenir l'entrée d'un autre nœud, imposant ainsi un pipeline allant de la transcription à la publication, puis à l'image.

La qualité augmente avec le détail. Une demande vague de "créer une application de contenu" aboutit à un jouet. Le prompt détaillé de Jowett, paragraphe par paragraphe et composant par composant, produit un véritable centre de contrôle : des agents de chat réutilisables, des banques de connaissances de transcriptions et une génération d'images ajustée à son logo et à son agencement. Plus vous pensez comme un designer de produit dans le prompt, plus votre application AI sans code se comporte comme un véritable outil, avec des opinions.

L'automatisation du contenu se heurte généralement à un mur dès que des visuels sont nécessaires. La toile de Brendan Jowett évite ce mode de défaillance avec une lane de génération d'images intégrée directement dans son flux LinkedIn, permettant aux graphiques d'apparaître aussi rapidement que les publications elles-mêmes.

Une fois que le système a terminé un post LinkedIn, il transmet l'intégralité du texte à un agent d'image. Cet agent ne se contente pas d'ajouter tout le paragraphe sur une diapositive ; il analyse le texte, extrait un point clé unique, et le transforme en un graphique de style accrocheur conçu pour stopper les pouces en défilement.

Jowett précharge trois exemples de mises en page d'images dans le canvas : des cartes épurées, axées sur le texte, avec une seule déclaration, un espacement généreux et son logo ancré dans le coin inférieur. L'agent d'image utilise ces exemples comme un modèle rigide, de sorte que chaque nouvel élément corresponde à son style existant sans qu'il ait besoin de toucher à Figma ou Canva.

La cohérence de la marque vient de plus que des vibrations. Jowett télécharge littéralement son logo, l'intègre dans le graphique des nœuds et donne au modèle des instructions explicites sur le placement, l'utilisation des couleurs et l'espace négatif. Le système fait ensuite référence à cet objet logo à chaque rendu, de sorte que l'alignement, la taille et le contraste restent identiques sur des dizaines de publications.

Sous le capot, les visuels fonctionnent sur le nouveau modèle Nano Banana Pro, qui résout discrètement l'un des problèmes les plus agaçants de l'IA générative : le texte déformé. Alors que les modèles de diffusion typiques hallucinent des formes de lettres ou font des fautes d'orthographe sur des mots simples, le Nano Banana Pro peut rendre une typographie nette et lisible sur plusieurs lignes.

Cela compte parce que ce ne sont pas des images de concepts abstraits ; ce sont des cartes sociales axées sur le texte. Une simple faute de frappe dans un graphique oblige à tout refaire manuellement. Avec Nano Banana Pro, Jowett peut faire confiance au modèle pour garder le titre intact, le logo intact, et la mise en page en accord avec la marque, transformant la création d'images en un simple saut automatisé dans la chaîne de production de contenu.

Reculez devant la toile flashy et le système de Brendan Jowett commence à sembler presque ennuyeusement systématique. Il réduit chaque « agent IA » à quatre éléments fondamentaux : Modèle, Instructions, Connaissances et Outils. Si l'un d'eux manque, votre automatisation hallucine, se bloque ou génère du contenu générique en masse.

Le modèle d'IA est le cerveau. Dans la machine de contenu de Jowett, ce cerveau est Gemini 2.0.0 pour le texte, accompagné d'un modèle séparé Nano Banana Pro pour les images, chacun connecté à des nœuds différents sur la toile. Échanger le modèle modifie la personnalité, la rapidité et la qualité de tout ce qui en découle sans toucher à l'interface.

Les instructions définissent ce que ce cerveau est censé faire. Ce sont les longues invites structurées qui indiquent à Gemini 2.0.0 « tu es mon rédacteur fantôme LinkedIn » ou « tu es mon optimiseur de descriptions YouTube ». Jowett intègre le ton, les règles de formatage et les contraintes directement dans ces instructions afin que chaque sortie ressemble à son style, et non à une démo générique d'intelligence artificielle.

La connaissance alimente la mémoire. Jowett charge dans le système des transcriptions complètes de YouTube, des publications LinkedIn passées, l'historique de l'entreprise et des exemples de style comme contexte persistant. Lorsqu'il demande un nouveau post, l'agent puise dans des dizaines de scripts et de publications précédents, et non dans un unique prompt de 20 lignes qu'il a tapé il y a 30 secondes.

Les outils donnent à l'agent des mains, pas seulement une bouche. Sur sa toile, les outils apparaissent comme des fonctions d'application et des canaux de données : télécharger un nouveau fichier vidéo, analyser la transcription, générer un post LinkedIn, créer une image avec son logo, insérer du texte dans un champ de description YouTube. Chaque nœud est une capacité distincte que le modèle peut appeler, enchaînée dans des flux de travail en un clic.

Ensemble, ces quatre piliers expliquent pourquoi la configuration de Jowett ressemble à un logiciel, et non à une fenêtre de chat. Gemini 2.0.0 (modèle) suit des instructions clairement rédigées (prompts), basées sur des transcriptions et du contenu passé (connaissances), puis déclenche des actions sur la toile (outils) pour expédier des publications et des graphiques finalisés. Ce modèle mental se développe d'un créateur solo à une équipe marketing rassemblant Notion, Webflow et Zapier.

Quiconque construit des automatisations d'IA peut s'approprier ce plan. Commencez par définir explicitement : - Quel modèle vous utilisez - Quelles instructions le gouvernent - Quelle connaissance il peut voir - Quels outils il peut réellement utiliser

Le travail de marketing manuel commence à sembler fragile une fois qu'une application comme la machine à contenu de Brendan Jowett existe. Une seule toile, une poignée de agents IA, et soudainement, les publications LinkedIn, les descriptions YouTube, les vignettes et les boucles d'idéation fonctionnent en pilotage automatique plutôt qu'avec de la volonté et des nuits blanches.

Les plateformes d'IA sans code transforment cette toile en une porte d'entrée vers la création de logiciels. Vous ne restez plus seulement un « utilisateur » d'outils comme ChatGPT, mais vous devenez l'architecte de flux de travail sur mesure qui correspondent exactement à la manière dont votre entreprise pense, vend et publie.

La configuration de Jowett révèle discrètement un changement plus important : les experts en la matière sont désormais à un prompt de leur propre SaaS interne. Un marketer ayant une connaissance approfondie de son public peut intégrer des transcriptions, des lignes directrices de marque et des publications passées, puis les relier à un agent réutilisable qui n’oublie jamais le contexte et ne se fatigue jamais.

C'est la promesse essentielle des piles no-code natives à l'IA telles que Replet, Voiceflow et Make.com. Elles permettent aux non-développeurs de combiner des modèles comme Gemini 2.0.0, des bases de connaissances personnalisées et des API en systèmes de production qui rivalisent avec ce qu'une petite équipe d'ingénieurs aurait pu construire il y a cinq ans.

Des agences comme Inflate AI, le propre établissement de Jowett, productisent déjà ce changement à grande échelle. INFLATE AI - Agence d'Automatisation par IA vend des automatisations préconstruites et sur mesure qui extraient des données provenant de CRM, de plateformes publicitaires et de bibliothèques de contenu, puis renvoient les résultats dans les outils que les équipes utilisent déjà.

Pour les entreprises, la question ne se pose plus en termes de « Pouvons-nous nous permettre de développer un logiciel ? » mais devient « Pouvons-nous nous permettre de ne pas le faire ? » Lorsqu'un responsable commercial peut lancer une application qui crée des séquences de prospection à partir de transcriptions d'appels, ou qu'un fondateur peut activer un agent qui transforme des webinaires en une semaine de contenu, le vieux dilemme entre construire ou acheter s'effondre.

Regardez au-delà du marketing et la toile devient rapidement encombrée. Imaginez des applications générées par demande pour : - La synthèse des appels de vente et l'hygiène du CRM - Le triage du support client et la rédaction de réponses - La recherche de produits à partir d'interviews utilisateurs et de données NPS - Du contenu de formation interne à partir des SOP existants et des documents

Ainsi, la véritable provocation n'est pas de savoir si le marketing manuel va disparaître ; c'est de réaliser combien de votre charge de travail actuelle existe uniquement parce que vous n'aviez pas les outils pour l'automatiser. Si quelques invites structurées peuvent invoquer une application qui se charge de votre tâche la plus détestée, qu'est-ce qui, dans votre entreprise, attend tranquillement d'être remplacé ?

Commencez par un seul workflow, pas une grande vision. Choisissez une tâche de contenu que vous répétez au moins 3 à 5 fois par semaine : réécriture de publications LinkedIn à partir de vidéos, rédaction de descriptions YouTube, transformation de bulletins d'information en fils de discussion, ou résumé d'appels de vente. Si cela figure déjà dans une liste de contrôle, un document Notion, ou dans votre esprit en tant que « encore ça », cela est éligible.

Soyez précis. Pour votre flux de travail choisi, notez : - Entrées (par exemple, URL YouTube, transcription, publications passées) - Sorties (par exemple, publication LinkedIn de 220 à 260 mots, 3 options de titres) - Contraintes (ton, règles de marque, sujets interdits, formatage)

Maintenant, remettez cela à ChatGPT en tant que méta-tâche. Votre demande n'est pas « écrivez mon post », mais « concevez mon application ». Demandez-lui de générer une spécification structurée pour une toile d'automatisation : modules, flux de données, invites et modèles. Faites référence au système de Brendan Jowett : plusieurs agents de chat, ingestion de transcriptions et modèles d'invites réutilisables qui transforment une vidéo en posts, descriptions et images.

Soyez explicite concernant les modèles et le contexte. Dites à ChatGPT que vous souhaitez : - Un modèle de texte principal (par exemple, GPT-4, Gemini 2.0.0) - Une couche de connaissance pour les exemples et les transcriptions - Des champs d'entrée/sortie clairs pour chaque nœud - Des états d'erreur et des garde-fous pour le contenu non conforme à la marque

Prenez cette spécification dans Replet (ou un constructeur d'agents sans code similaire) et commencez à faire glisser des blocs au lieu d'écrire du code. Recréez une voie du canevas de Jowett : par exemple, « URL YouTube → transcription → publication LinkedIn + description. » Intégrez vos propres exemples de publications, logos et règles de marque afin que l'agent ne ressemble plus à un hacker de croissance générique.

Considérez cela comme une expérience de 90 minutes, et non comme la création d'une plateforme sur six mois. Lorsque vous obtenez quelque chose qui vous fait économiser de manière fiable 15 à 30 minutes par jour, intégrez-le dans votre flux de travail réel et testez-le intensément pendant une semaine.

Ensuite, partagez le résultat. Publiez des captures d'écran de votre toile, des extraits de votre prompt et du contenu avant/après sur LinkedIn ou X, taguez les outils que vous avez utilisés et demandez des retours. Votre premier flux de travail automatisé ne sera pas parfait, mais il sera réel et fonctionnera pendant que vous dormez.

Quel est le 'Content Machine' décrit dans l'article ?

C'est une application personnalisée sans code conçue pour automatiser la création de contenu. Elle utilise une toile visuelle pour connecter des sources de données telles que des transcriptions vidéo et des exemples d'écriture aux modèles d'IA pour générer des publications, des scripts et des images personnalisés.

Ai-je besoin d'expérience en programmation pour créer une application similaire ?

Non. L'ensemble du système a été construit à l'aide d'un outil de 'vibe coding' appelé Replet, où vous décrivez l'application que vous souhaitez en anglais simple, et l'IA la construit pour vous.

Comment cela diffère-t-il d'un simple outil comme ChatGPT ?

Cette méthode crée un système permanent et personnalisé adapté à votre flux de travail spécifique. Elle fait gagner du temps en préchargeant tout votre contexte (voix de marque, exemples, sources de données) afin que vous n'ayez pas à les coller manuellement dans une invite à chaque fois.

Quels modèles d'IA ce système peut-il utiliser ?

Le système est flexible, permettant aux utilisateurs d'échanger différents modèles d'IA. La vidéo évoque l'utilisation de Gemini de Google pour la génération de texte et d'un modèle appelé 'Nano Banana Pro' pour la génération d'images de haute qualité.