Sommaire
Publier 3 fois par semaine sur LinkedIn, c'est une contrainte. Trouver quoi dire, rédiger, formater, publier au bon moment. Pour quelqu'un qui a déjà un blog ou qui suit des sources sectorielles, tout le contenu existe. Il manque juste la transformation automatique.
Ce pipeline prend un article RSS, demande à ChatGPT d'en faire un post LinkedIn structuré, et publie. Sans intervention. Make Template de référence : Template #3485 — Post new RSS items to LinkedIn.
Ce qu'on construit
Prérequis
- Compte Make.com — Plan Free pour les tests, Core (9€/mois) pour la production. LinkedIn impose une limite de fréquence : 1 post toutes les 10 minutes via API, donc le plan Free suffit largement pour ce pipeline.
- Clé API OpenAI — gpt-4o-mini est recommandé. Coût : environ 0,10 € pour 100 posts générés.
- Compte LinkedIn — personnel ou page entreprise. La connexion Make → LinkedIn se fait via OAuth, sans clé API à gérer manuellement.
- Un flux RSS source — ton propre blog, une newsletter sectorielle, un site de référence dans ton domaine. L'URL RSS ressemble à
https://monblog.com/rss.xmlouhttps://monblog.com/feed. - Durée : 45 minutes pour la configuration complète.
Étape 1 — Configurer le module RSS dans Make
Créer le scénario et ajouter RSS > Watch RSS Feed Items
Dans Make, crée un nouveau scénario. Clique sur le cercle central et cherche "RSS". Sélectionne RSS > Watch RSS Feed Items.
Le module demande uniquement l'URL du flux RSS. Entre l'URL de ta source. Clique sur OK. Make te demande depuis quel article démarrer : sélectionne From now on — sinon Make va traiter tous les articles publiés depuis le début du flux.
/feed ou /rss.xml. Pour les autres, installe l'extension Chrome "RSS Feed Reader" — elle détecte automatiquement les flux disponibles sur n'importe quelle page. Pour les sources sans RSS natif (certains sites de presse), RSSHub génère des flux RSS pour des centaines de plateformes.Le module RSS Watch Items se déclenche à chaque nouvel article publié dans le flux. Il expose les variables : title, url, description (souvent l'extrait de l'article), pubDate, author.
Étape 2 — Connecter OpenAI
Ajouter OpenAI > Create a Chat Completion
Clique sur le + après le module RSS. Cherche "OpenAI" et sélectionne OpenAI > Create a Chat Completion.
Connecte ton compte OpenAI (clé API depuis platform.openai.com/api-keys). Choisis le modèle gpt-4o-mini. Il génère des posts LinkedIn de qualité suffisante pour 15 à 20 fois moins cher que GPT-4o.
Étape 3 — Le prompt qui génère de vrais posts
C'est l'étape centrale. La qualité du post LinkedIn dépend entièrement du prompt. Voici le prompt utilisé dans ce pipeline — testé et ajustable.
System message
Tu es un expert en personal branding LinkedIn. Tu écris des posts engageants pour un professionnel [décris ton profil : consultant en transformation digitale / freelance développeur / expert IA, etc.].
Quand tu reçois un article, génère un post LinkedIn en suivant cette structure EXACTE :
LIGNE 1 (accroche) : Une affirmation contre-intuitive ou une question provocante en lien avec l'article. Maximum 15 mots. Pas de "Je vous présente" ni "Voici".
LIGNES 2-3 (vide) : Deux sauts de ligne pour créer l'espace "Voir plus".
CORPS (5-7 lignes) : 3 points clés de l'article, reformulés avec ton propre angle. Chaque point sur une ligne courte. Ajoute une opinion personnelle sur un des points.
CONCLUSION (1-2 lignes) : Une question ouverte à l'audience ou un call-to-action simple.
HASHTAGS : 3 à 5 hashtags pertinents, sur la dernière ligne.
Longueur totale : 150 à 280 mots. Ton direct, première personne, aucun jargon inutile. Pas d'emojis en excès (maximum 3 dans le post entier).
User message
Dans le champ User, mappe les données RSS :
Article à transformer en post LinkedIn :
Titre : {{1.title}}
URL : {{1.url}}
Extrait : {{1.description}}
Date de publication : {{formatDate(1.pubDate; "DD/MM/YYYY")}}
Exemple de post généré par ce prompt
Source : article RSS "Les 5 erreurs que font les PME avec l'IA en 2025"
La plupart des PME dépensent leur budget IA sur le mauvais problème.
J'ai lu une étude sur les erreurs IA les plus communes en 2025. Ce qui revient le plus souvent :
→ Automatiser des processus déjà cassés (l'IA accélère le dysfonctionnement)
→ Acheter un outil "IA" sans définir le cas d'usage précis
→ Ignorer la résistance des équipes dès le départ
Le point qui m'a le plus frappé : 68% des projets IA échouent non pas pour des raisons techniques, mais pour des raisons humaines.
L'IA ne transforme pas une organisation. Elle révèle ses problèmes.
Et toi, quelle erreur IA as-tu vue le plus souvent dans ton contexte ?
#TransformationDigitale #IA #PME #Automatisation #Management
Étape 4 — Connecter LinkedIn
Ajouter LinkedIn > Create a Post
Clique sur le + après OpenAI. Cherche "LinkedIn" dans la bibliothèque Make. Sélectionne LinkedIn > Create a Post (pour un profil personnel) ou Create an Organization Post (pour une page entreprise).
Make te redirige vers LinkedIn pour l'autorisation OAuth. Accepte les permissions. Tu n'as pas besoin de clé API LinkedIn — Make gère tout via l'authentification OAuth standard.
Configurer le module LinkedIn
- Content : insère la réponse OpenAI via le mapping Make :
{{2.choices[].message.content}} - Visibility : PUBLIC (pour la visibilité maximale)
- Distribution : CONNECTIONS_ONLY si tu veux limiter, PUBLIC sinon
Étape 5 — Ajouter un filtre qualité
Sans filtre, le scénario publie tout ce que le flux RSS contient : reposts, articles courts, contenus hors sujet. Mauvaise idée.
Ajouter un Router avec conditions
Insère un module Router entre le module RSS et OpenAI. Configure deux chemins :
- Chemin 1 (publier) — Conditions :
{{length(1.description)}} > 200(extrait assez long pour générer un bon post) ET{{1.title}}does not contain "Sponsor" (filtrer les contenus sponsorisés) - Chemin 2 (ignorer) — Sinon : ne rien faire (chemin vide dans Make)
{{1.title}} contains "IA" OR "automatisation" OR "no-code" OR "productivité" (adapte selon tes mots-clés). Utilise le mode "Advanced filtering" dans Make pour combiner les conditions avec des opérateurs AND/OR.Étape 6 — Tester et programmer
Run Once pour valider
Clique sur Run once. Make va traiter le dernier article publié dans ton flux RSS et tenter de créer un post LinkedIn. Vérifie dans l'interface d'exécution :
- Le module RSS a récupéré un article (titre et description visibles)
- OpenAI a retourné un post de 150 à 280 mots
- LinkedIn a confirmé la création du post (statut 201)
Va sur ton profil LinkedIn pour vérifier que le post est bien apparu.
Programmer le scénario
Ne pas activer le scénario en mode "run as soon as a new item appears" pour les premières semaines. Utilise le mode Schedule : Make vérifie le flux RSS une fois par jour (à 9h par exemple) et traite uniquement les nouveaux articles depuis la dernière vérification. Ça évite de publier plusieurs posts en rafale si ta source est très active.
Le pipeline en action — exemple complet
Voici un exemple documenté du pipeline avec des données réelles :
Source RSS : Blog Reflex IA — article "OpenRouter vs Ollama : lequel choisir en 2026"
Description RSS : "OpenRouter et Ollama répondent au même besoin mais avec des philosophies opposées. L'un est cloud, l'autre local. L'un est simple, l'autre offre un contrôle total..."
Post LinkedIn généré :
J'ai lu une comparaison détaillée entre les deux. Ce que ça révèle :
→ OpenRouter = accès à 200+ modèles via une seule API. Idéal pour tester, itérer, changer de modèle sans migration.
→ Ollama = modèles qui tournent en local, sur ta machine. Zéro donnée envoyée à un tiers.
→ Le vrai critère n'est pas technique : c'est la question de la confidentialité de tes données.
Pour un usage perso ou créatif : OpenRouter gagne sur la simplicité.
Pour de la donnée client sensible : Ollama s'impose, sans discussion.
Vous faites tourner des modèles en local ou vous restez sur le cloud ? Curieux de savoir ce qui a guidé votre choix.
#IA #OpenSource #LLM #Privacy #Automatisation
La pépite
Ajouter un deuxième module OpenAI après la génération du post pour lui demander d'évaluer le post sur 10 (score d'engagement estimé). Si le score est inférieur à 7, stocker le post dans une base Notion "À revoir" au lieu de le publier directement. Tu obtiens une queue de posts à faible qualité que tu peux améliorer manuellement avant publication — sans bloquer le pipeline pour les bons posts.
Red flags
| Profil | Configuration recommandée | Fréquence |
|---|---|---|
| Consultant / freelance (1 source RSS) | Make Free + gpt-4o-mini + schedule 1x/jour | 1-2 posts/semaine |
| Créateur de contenu (blog actif) | Make Core + gpt-4o-mini + filtre qualité | 3-4 posts/semaine |
| Page entreprise (plusieurs sources) | Make Core + Router multi-sources + sleep 10 min | 5 posts/semaine max |
| Qui veut le plus de contrôle | Pipeline → Notion (brouillon) → validation manuelle → LinkedIn | À la demande |