8 façons d’automatiser son Product Marketing avec Letaido

Letaido est un agent marketing créé par Ahrefs. Une sorte d’assistant IA disposant d'un accès direct à l'intégralité du jeu de données d'Ahrefs et capable d'effectuer des tâches marketing de manière autonome, plutôt que de se contenter de répondre à des questions.

Letaido inclus :

Curieux de voir comment fonctionne Letaido (anciennement Agent A) ? Juliette a vibecodé un outil de visibilité IA en vidéo ici :

Créez-moi un orchestrateur de packages Go-To-Market. L’entrée est un cahier des charges de produit au format libre. Le processus doit se dérouler en six étapes : (1) Cahier des charges : convertir le texte brut en un fichier « contract brief.md » structuré, comprenant les niveaux d’ICP, le positionnement, les arguments de vente et les KPI ; (2) Page d’accueil : générer une page d’accueil HTML autonome pour le produit, avec une règle stricte interdisant de mentionner les produits concurrents de la même entreprise n’importe où dans le corps du texte ; (3) Script vidéo : script structuré en segments de 90 secondes avec VOIX OFF, IMAGE À L'ÉCRAN et TEXTE À L'ÉCRAN par temps, durée maximale de 1 min 50 s ; (4) E-mail : un seul e-mail de lancement avec 2 objets et 2 textes d'aperçu, de 120 à 180 mots ; (5) Prospectus : document HTML de 2 pages au format A4 paysage, ainsi qu’un fichier PDF ; (6) Contrôle de cohérence : le LLM lit les cinq éléments et rédige un fichier summary.md répertoriant toutes les contradictions entre les différents éléments. Chaque étape est consignée dans un tableau de suivi ; la réexécution par étape est prise en charge ; le brief constitue la source de vérité en amont.

Créez-moi un générateur de pages d'accueil de produits. Spécifications hybrides : zone de texte libre associée à un formulaire structuré modifiable (nom du produit, archétype, niveaux ICP, arguments de vente). Processus : (1) analyse de la concurrence, lecture de la liste canonique des concurrents à partir d’un fichier de compétences ; (2) Keywords Explorer : termes correspondants, archétypes de départ, top 50 par volume ; (3) phase de plan avec liste de sections modifiable ; (4) génération de la page avec une clause de prompt fixe STANDALONE_RULE répertoriant tous mes produits apparentés, ainsi qu’une analyse par expression régulière après génération qui signale tout nom de produit apparenté présent dans le corps du texte ; (5) métadonnées SEO (slug, méta-titre, méta-description). Résultat : code HTML autonome, spécifications au format Markdown et aperçu intégré.

Créez-moi un outil de création de campagnes publicitaires payantes à partir des dépenses d’un concurrent. Données d’entrée : nom de domaine du concurrent. Processus : (1) mots-clés payants et pages payantes d’Ahrefs sur son domaine ; (2) récupération des principales pages de destination payantes via Web Fetch afin que le LLM analyse le texte de leurs annonces ; (3) regroupement des mots-clés en groupes d’annonces, signalement des mots-clés non liés à la marque, évaluation de l’écart par rapport à mon domaine (sur lequel je n’enchéris pas actuellement) ; (4) générer des créations pour Google Search : 3 titres et 2 descriptions par variante, 3 variantes par groupe d’annonces, avec des limites strictes de caractères (30 pour le titre, 90 pour la description) ; (5) générer des images PNG pour les réseaux sociaux au format 1080x1080 avec 4 styles d’arrière-plan via Pillow, en utilisant la police de ma marque et un mot en orange pour le mise en valeur. Décrire verbalement les visuels publicitaires de référence dans la ligne de commande du système au lieu de fournir des fichiers binaires. Enregistrer les campagnes dans Postgres, téléchargement au format ZIP de tous les fichiers PNG.

Créez-moi un générateur de battlecard commerciale. Entrée : URL d’un concurrent. Sortie : une battlecard à 6 sections (Présentation, Produit, Tarifs, Points forts, Points faibles, Comment nous positionner, Où nous risquons de perdre) au format HTML, ainsi qu’un véritable fichier .pptx reprenant le modèle de battlecard existant de mon équipe. Processus : (1) extraction approfondie des données du concurrent (page d’accueil, ainsi que les pages /pricing, /features, /solutions et jusqu’à 15 liens de navigation internes, avec un plafond de 18 URL) ; (2) récupération des avis directement depuis l’URL des détracteurs sur G2 (filtres [nps_score][]=1), TrustRadius et Capterra par slug, en parallèle ; (3) signaux SEO sur leur domaine (DR, trafic organique, répartition du DR des domaines référents, mots-clés payants, répartition du trafic lié à la marque) ; (4) Le LLM synthétise les forces, les faiblesses, la stratégie de positionnement et les points faibles potentiels en s’appuyant sur mes compétences stratégiques comme référence pour définir nos avantages et le profil de notre client cible (ICP) ; (5) Rendu HTML selon la palette de couleurs de mon équipe, ainsi qu’une exportation Python-PPTX reproduisant la mise en page existante de la battlecard.

Crée-moi un générateur de publications LinkedIn. Données d’entrée : un brouillon et deux choix d’angles parmi {récit, accroche, analyse critique, présentation de projet}. Consulte un fichier de compétences personnel intitulé « banque de publications » comme référence pour chaque génération (il contient entre 15 et 30 publications de référence rédigées dans mon style). Détecte la structure de l’ébauche, puis réécrit-la en deux versions, toutes deux adaptées à un affichage en deux colonnes et ne dépassant pas 1 300 caractères. Ajoute un bouton « Ajouter à la banque » qui renvoie les résultats approuvés vers le fichier de compétences. Enregistre les exécutions dans Postgres pour conserver l’historique. Réutilise le même fichier de compétences depuis n’importe quelle autre session d’agent chargée de rédiger du contenu LinkedIn ; ce fichier constitue le corpus.

Créez-moi une application de console d'automatisation de webinaires s'appuyant sur Linear. Données d'entrée : un titre de webinaire, une date et la liste des coéquipiers avec leurs identifiants Linear. L'interface utilisateur suit 5 phases séquentielles — Concept, Pages d'accueil, Promotions, Contenu, Rapports — chacune dotée de son propre panneau de paramètres et d'un bouton « Lancer » ; la phase N+1 est verrouillée tant que la phase N n'a pas été lancée. La phase 1 crée un projet Linear au sein de mon équipe de marketing produit, avec 4 jalons calculés rétrospectivement à partir de la date du webinaire. Les phases 2 à 5 créent 14 tickets + 6 sous-tickets à partir de descriptions basées sur des modèles Jinja avec interpolation {webinar.title} ; je peux modifier n’importe quel titre ou responsable pour chaque webinaire avant son lancement. Les modèles sont intégrés au code et sont donc mis à jour en même temps que l’application. J’utilise le connecteur Linear pour les projets/tickets et GraphQL directement pour les jalons.

Créez-moi un outil permettant de transformer des extraits d'appels commerciaux en stratégie de positionnement. Données d'entrée : collez des extraits d'appels, à raison d'un par bloc de ligne vide, avec des étiquettes d'interlocuteur facultatives. Vous pouvez également inclure un corpus intégré de 15 à 20 extraits types couvrant les contrats remportés, les contrats perdus, les résiliations et les mentions de concurrents, afin que l'outil soit opérationnel dès sa première utilisation. Supprimez toutes les métadonnées sources (interlocuteur, étape, issue de la transaction) de la requête : le regroupement doit s’appuyer sur le langage lui-même, et non sur les groupes de balises. Générer quatre catégories de résultats : (1) Pourquoi nous remportons des contrats : les schémas de réussite avec des citations textuelles à reprendre dans les supports de communication ; (2) Pourquoi nous perdons ou nous nous stagnons : objections, obstacles, signaux de désabonnement ; (3) Langage tel quel : expressions réellement utilisées par les clients, classées par nombre d’occurrences ; (4) Propositions de changements de positionnement, avec comparaison avant/après et citations textuelles à l’appui. Enregistrer les exécutions dans Postgres pour conserver l’historique.

Créez-moi un générateur Markdown vers PPTX. Entrée : Markdown collé ou fichier .md téléchargé. L'analyseur sépare les éléments #/##/### en diapositives de titre, de section et de contenu. Une expression régulière détecte 8 modèles d’indicateurs d’image (« afficher une capture d’écran », « insérer un diagramme », « [image] », , « ajouter un graphique »…) et réserve une zone de remplacement étiquetée, délimitée par une bordure en pointillés, à droite de chaque diapositive concernée. Claude Sonnet 4.6 réécrit chaque bloc en 3 à 5 puces concises ; le texte original est conservé mot pour mot dans les notes du présentateur (et non dans le corps de la diapositive). J’utilise python-pptx avec ma palette de couleurs intégrée : barre d’en-tête bleu marine, bande de mise en valeur orange, format 16:9, titres en 26 pt, puces en 20 pt. Les diapositives de titre et de section sont entièrement bleu marine avec une ligne de mise en valeur orange centrée. L’interface utilisateur affiche un aperçu diapositive par diapositive avec des fonctions d’édition et de suppression en ligne pour chaque diapositive. Exportation au format .pptx.