Le choix des sources est l''opération la plus sous-estimée d''un projet de média automatisé. On suppose souvent qu''il suffit d''additionner une dizaine de flux RSS pour avoir un site qui tourne. La pratique dit autre chose. Sur cent flux examinés, environ trente sont exploitables sans retraitement, trente exigent un nettoyage, et les quarante restants doivent être abandonnés ou remplacés par du scraping (détails techniques).
Critères éditoriaux
La première question n''est pas technique mais éditoriale : que voulez-vous publier ? Un site régional ne tire pas de valeur d''un agrégateur national généraliste. Une revue B2B ne profite pas d''un fil grand public. Avant d''ouvrir un panneau d''ajout de sources, dressez la liste des cinq sujets sur lesquels vous voulez être pertinent. C''est cette liste qui filtre les flux.
Une source pertinente couvre un sujet de manière régulière, avec une vraie ligne éditoriale, sans repackager mécaniquement la dépêche AFP. Les agences de presse comme l''AFP ou Reuters restent des références, mais leur reprise brute génère un contenu indistinct de cinquante autres sites. Le travail éditorial consiste à croiser la dépêche avec une source locale, une voix expert, ou un précédent.
Critères techniques
Sur le plan technique, un bon flux a quatre propriétés. Un identifiant stable par article — ce qui exclut les sites qui régénèrent les guid à chaque crawl. Une date de publication ISO 8601 propre. Un contenu HTML structuré sans table d''affichage. Et un débit raisonnable de mises à jour, ni trop dense (plus de 50 articles par jour devient ingérable) ni trop espacé (moins de 3 par semaine apporte peu).
Les sites qui exposent une API REST ou GraphQL sont préférables aux RSS quand elle existe. Le New York Times, Le Monde et Mediapart publient des flux propres ; en revanche, beaucoup de sites de niche n''offrent qu''un RSS partiel avec un excerpt tronqué. Dans ce cas, le scraping HTML est nécessaire — l''approche delapresse prévoit un fallback automatique.
Dédoublonnage et anti-spam
Une fois les sources sélectionnées, la déduplication devient l''enjeu. Un même événement remonte typiquement sur cinq à dix flux dans la même heure. Sans mécanisme cosinus sur embeddings, vous publiez le même article cinq fois. Le seuil de similarité idéal varie : 0,85 est conservateur, 0,75 plus permissif. Calibrez sur quinze jours avant de figer.
Le spam SEO est l''autre risque. Certains sites publient en cascade des articles générés par IA pour attirer le trafic puis le revendre. Ces sources empoisonnent un pipeline. Un signal de qualité simple : si le site n''indique pas son directeur de publication conformément à la loi du 29 juillet 1881, considérez-le comme suspect.
Combien de sources, et lesquelles
L''erreur la plus commune est d''accumuler. Vingt sources bien choisies battent cent sources mal triées. Notre observation interne sur trente sites delapresse : la médiane des sources actives par site est de douze, et au-delà de vingt-cinq, la déduplication coûte plus qu''elle ne rapporte.
Distribuez votre liste : deux ou trois agences pour le débit, six à huit sites spécialisés pour la voix, deux flux locaux pour l''ancrage géographique, et un ou deux observateurs critiques pour le contrepoint. Cette répartition évite l''effet écho. Pour le suivi, vérifiez chaque semaine que vos sources continuent de publier ; un flux qui se tarit doit être remplacé sans état d''âme.
En pratique
L''onboarding delapresse demande la liste des sources à l''étape 3 sur 7. Au lieu de remplir mécaniquement, prenez deux heures pour réfléchir à votre angle, puis identifiez les flux qui le servent. Le pipeline tourne ensuite tout seul. Pour creuser, lisez notre guide d''automatisation complet et l''anatomie d''un article généré.