Une personne ne sachant pas coder a, seule, porté l’intégralité de la croissance et du marketing d’Anthropic pendant dix mois.
TechFlow SélectionTechFlow Sélection
Une personne ne sachant pas coder a, seule, porté l’intégralité de la croissance et du marketing d’Anthropic pendant dix mois.
Le goulot d’étranglement de l’efficacité réside souvent moins dans les capacités techniques que dans votre volonté de consacrer du temps à décomposer clairement votre flux de travail, puis à confier aux machines les parties qui peuvent être automatisées.
Dédié à des analyses Web3 approfondiesDans quelle mesure l’IA peut-elle réellement amplifier la productivité d’une personne ?
Récemment, un post concernant Anthropic a suscité une vague massive de partages sur les réseaux sociaux. L’auteur, Ole Lehmann, y affirmait qu’environ dix mois durant, toute l’équipe de marketing de croissance (growth marketing) d’Anthropic — une entreprise valorisée à 380 milliards de dollars — se composait d’une seule personne : un spécialiste du marketing sans formation technique, chargé à lui seul des campagnes publicitaires payantes sur les moteurs de recherche et les réseaux sociaux, de l’optimisation des applications mobiles (ASO), du marketing par e-mail et du référencement naturel (SEO).
Peu après sa publication, le post a été mis en doute dans les commentaires. Mais très rapidement, le concerné lui-même est intervenu pour confirmer l’exactitude des faits. Austin Lau, ce spécialiste du marketing de croissance, a répondu : « Au moment où cet article a été rédigé, j’étais effectivement la seule personne en charge du growth marketing, et j’ai tenu ce rôle seul pendant près de dix mois. »
Image : Tweet correspondant (source : X)
Fin janvier de cette année, Anthropic a publié une étude de cas officielle détaillant précisément la manière dont Austin Lau exerce son métier. Parallèlement, l’entreprise a également diffusé un livre blanc interne intitulé « Comment les équipes d’Anthropic utilisent Claude Code », qui présente des cas d’usage concrets couvrant dix départements — allant de l’infrastructure des données au service juridique — dont le growth marketing.
Le livre blanc précise ainsi : « L’équipe de growth marketing se concentre sur des canaux tels que les campagnes publicitaires payantes sur les moteurs de recherche et les réseaux sociaux, les boutiques d’applications mobiles, le marketing par e-mail et le SEO. Il s’agit d’une “équipe mono-personnelle non technique”, qui s’appuie sur Claude Code pour automatiser des tâches marketing répétitives et mettre en place des flux de travail automatisés qui, traditionnellement, exigeraient de considérables ressources techniques. »
(Origine : Anthropic)
Austin Lau n’est pas ingénieur. Dans la vidéo officielle d’Anthropic consacrée à ce cas d’usage, il déclare n’avoir « jamais écrit une seule ligne de code ». Lorsqu’il a découvert Claude Code pour la première fois, il devait même rechercher sur Google la procédure permettant d’ouvrir le terminal sur Mac. À ses débuts, face à la sortie de Claude Code, sa réaction première avait été : « Je ne comprenais absolument pas à qui ce produit était destiné » — en tant que professionnel du marketing, il n’en percevait pas immédiatement l’utilité concrète.
Le tournant est survenu lorsque, dans le groupe Slack interne d’Anthropic, un collègue a partagé un guide d’installation de Claude Code spécifiquement rédigé pour les employés non techniques. Intrigué, Austin l’a installé ; une semaine plus tard, il avait déjà mis en place deux flux de travail entièrement automatisés, transformant radicalement sa façon de travailler.
Le premier est un plugin Figma. Pour créer des publicités payantes sur les réseaux sociaux ou optimiser les applications mobiles, il doit traiter de nombreux supports visuels dans Figma. Auparavant, chaque fois qu’il devait produire plusieurs variantes de texte pour un même concept visuel, il devait copier manuellement les cadres Figma, basculer constamment entre Google Docs et Figma, puis copier-coller un à un les titres. Avec 10 variantes textuelles à adapter à 5 formats différents (rapports hauteur/largeur), ce travail mécanique pouvait facilement prendre trente minutes.
Image : Austin Lau (source : Anthropic)
Il a décrit ce point douloureux à Claude Code en langage naturel, en demandant à l’IA de développer un plugin Figma. Durant le processus, il a invité Claude Code à consulter la documentation officielle de l’API Figma, combinant recherche documentaire et prototypage itératif. La première version générée n’était certes pas parfaite, mais elle constituait un point de départ suffisant : il l’a ensuite affinée progressivement jusqu’à obtenir un plugin fonctionnel.
(Origine : Anthropic)
Le plugin fonctionne ainsi : une fois un cadre statique sélectionné dans Figma, il identifie automatiquement les composants qu’il contient — titre, bouton d’appel à l’action (CTA), blocs de code, etc. — puis génère, à partir d’une liste prédéfinie de textes, autant de cadres Figma distincts que nécessaire, chacun intégrant une variante textuelle spécifique. Une seule opération par lot permet de produire jusqu’à 100 variantes publicitaires, en environ une demi-seconde. Ce qui prenait auparavant trente minutes ne prend désormais plus que trente secondes.
Le deuxième flux de travail concerne la génération automatisée de textes publicitaires pour Google Ads. Les annonces de recherche réactives (RSA) de Google Ads imposent des limites strictes de caractères : 30 caractères maximum pour les titres, 90 pour les descriptions. Avant, Austin devait rédiger ses brouillons dans Google Sheets, vérifier manuellement le nombre de caractères, puis copier-coller chaque élément individuellement dans l’interface de Google Ads.
Dans Claude Code, Austin a créé une commande personnalisée avec barre oblique « /rsa ». Une fois déclenchée, celle-ci demande à l’utilisateur d’entrer les données de diffusion, les textes publicitaires existants et les mots-clés cibles, puis fait référence croisée avec ses « Compétences d’agent » préconfigurées — notamment la tonalité de marque d’Anthropic, les normes d’exactitude produit et les bonnes pratiques reconnues pour les RSA de Google Ads.
Le système mobilise deux sous-agents spécialisés, clairement dissociés : l’un rédige exclusivement les titres, l’autre uniquement les descriptions, chacun respectant rigoureusement sa contrainte de longueur. Cette séparation améliore nettement la qualité des résultats, comparé à une approche unique où les deux tâches seraient confiées à un seul prompt.
À l’issue du traitement, Claude Code regroupe 15 titres et 4 descriptions dans un fichier CSV directement importable dans Google Ads. Austin insiste toutefois sur un point essentiel : les textes générés ne constituent qu’un point de départ. Il les évalue systématiquement un par un : la promesse de valeur est-elle bien formulée ? Le ton est-il adapté ? Le message se distingue-t-il clairement de ceux des concurrents ? Toutefois, la phase initiale fastidieuse de rédaction de brouillons et de mise en forme est désormais entièrement automatisée.
L’amélioration de productivité apportée par ces deux flux de travail est déjà remarquable — mais le système d’Austin va bien au-delà. Il a également développé un serveur MCP (Model Context Protocol) connecté à l’API Meta Ads.
Grâce à cette intégration, il peut directement interroger, depuis l’application de bureau Claude, les performances des campagnes, les dépenses engagées et les résultats individuels de chaque annonce — sans avoir besoin d’accéder au tableau de bord Meta Ads. Des questions telles que « Quelles annonces ont obtenu le meilleur taux de conversion cette semaine ? » ou « Où ai-je gaspillé mon budget ? » trouvent une réponse instantanée, fondée sur des données actualisées en temps réel.
Plus crucial encore : la boucle fermée. Austin a mis en place un système de mémoire qui conserve, pour chaque cycle d’itération publicitaire, les hypothèses formulées et les résultats expérimentaux observés. Dès qu’il lance une nouvelle série de variantes, Claude récupère automatiquement l’ensemble des données issues des tests précédents — quels textes ont bien performé, lesquels ont échoué — afin que chaque nouvelle génération s’appuie explicitement sur l’expérience accumulée. Ce système gagne donc en intelligence à chaque nouveau cycle. Un suivi systématique d’expérimentations couvrant des centaines d’annonces serait, dans une équipe traditionnelle, généralement confié à un analyste de données dédié.
Selon le livre blanc d’Anthropic, les résultats tangibles de cette méthode sont les suivants : la création de textes publicitaires est passée de deux heures à quinze minutes ; le volume de créations a été multiplié par dix ; et le nombre de variantes testées par Austin seul dépasse à la fois en volume et en diversité de canaux celui de la plupart des équipes marketing complètes.
Dans ce même livre blanc, le growth marketing n’est qu’un des dix cas présentés. L’équipe d’infrastructure des données utilise Claude Code pour diagnostiquer des pannes de clusters Kubernetes, résolvant en quelques minutes des problèmes qui auraient autrefois nécessité l’intervention d’un expert réseau ; des membres de l’équipe de recherche, dépourvus de formation en apprentissage profond, recourent à Claude Code pour comprendre les fonctions des modèles et leurs paramètres, réduisant leur temps de consultation de la documentation d’une heure à seulement 10 à 20 minutes ; l’équipe de conception produit modifie directement le code front-end à l’aide de Claude Code — au point que les ingénieurs ont noté que les designers réalisaient désormais « des modifications majeures de gestion d’état, chose qu’on ne voit habituellement pas chez les designers » ; quant à l’équipe juridique, l’un de ses membres a développé en une heure une application d’assistance prédictive pour un proche souffrant de troubles du langage — sans aucune expérience préalable en programmation.
Les usages varient selon les profils techniques ou non techniques, mais la conclusion est commune : Claude Code est en train d’effacer la frontière entre « je peux faire » et « je ne peux pas faire » — une frontière qui, jusqu’alors, était presque entièrement définie par les compétences techniques.
Austin Lau formule lui-même, dans son témoignage, une synthèse percutante : « La distance entre “j’aimerais que cela existe” et “je suis capable de le créer moi-même” est bien plus courte que la plupart des gens ne l’imaginent. »
Il convient toutefois de préciser que le growth marketing ne recouvre pas l’ensemble de la stratégie GTM (Go-to-Market). Anthropic dispose d’une équipe complète dédiée à la marque, au marketing produit et aux relations publiques. Austin Lau est responsable uniquement de la branche « marketing efficace » (performance marketing) : campagnes publicitaires payantes, ASO, SEO — autant de canaux mesurables et quantifiables.
En février de cette année, Anthropic a acheté un spot publicitaire lors du Super Bowl — une opération qui, évidemment, dépasse largement les capacités d’une seule personne. Les textes et actifs de marque sur lesquels repose son propre flux de travail ont, eux aussi, été initialement produits en collaboration par les équipes de marketing produit et de rédaction ; Claude Code intervient ensuite pour générer des variantes et assurer leur test à grande échelle.
Sur LinkedIn, Austin Lau a récemment fourni des précisions supplémentaires. Il explique que l’article largement partagé décrit sa situation en tant que seul spécialiste du growth marketing au cours du deuxième trimestre 2025 — soit il y a près de huit mois. L’équipe s’est effectivement agrandie depuis, bien que sa taille reste nettement inférieure à ce que l’on pourrait imaginer de l’extérieur. Comme il le dit lui-même : « Notre puissance opérationnelle dépasse largement notre effectif. »
Même ainsi, le signal est suffisamment fort. Une entreprise valorisée à 380 milliards de dollars après financement, générant un chiffre d’affaires annuel de 14 milliards de dollars, a confié, durant sa phase de croissance la plus rapide, la gestion exclusive de ses principaux leviers de croissance à un spécialiste du marketing n’ayant jamais écrit une ligne de code — et ce, pendant dix mois, avec des résultats concluants. Cela démontre, à l’évidence, que le facteur d’amplification offert par l’IA aux travailleurs intellectuels est probablement bien supérieur à ce que nos structures organisationnelles actuelles et nos habitudes de recrutement supposent.
Reste à savoir dans quelle mesure ce modèle est reproductible à grande échelle. Le growth marketing, hautement numérisé, fortement structuré et nativement compatible avec les API, est particulièrement propice à l’automatisation. Dans des domaines exigeant davantage de jugement interpersonnel ou d’intuition créative, la situation pourrait être très différente.
Le livre blanc d’Anthropic propose, à la fin du chapitre consacré au growth marketing, trois recommandations clés : identifier d’abord les flux de travail répétitifs dotés d’une interface API pour les automatiser ; décomposer les processus complexes en plusieurs sous-agents spécialisés, plutôt que de chercher à tout résoudre via un seul et unique prompt ; et surtout, avant d’écrire la moindre ligne de code, consacrer du temps à réfléchir, dans Claude, à la conception globale du flux de travail. Ces trois conseils reviennent, en substance, à souligner que le goulot d’étranglement de la productivité réside moins dans les compétences techniques que dans la volonté de déconstruire méthodiquement son propre mode de travail, afin d’en externaliser les parties pouvant être assumées par la machine.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
