# Comment j’ai construit mon tableau de bord LinkedIn et X sans leurs API > Les API de X et LinkedIn ne correspondaient pas à mon besoin. J’ai donc confié la collecte à un agent IA, utilisé un tableur comme source de vérité et construit le tableau de bord par-dessus. - Rubrique : Carnet de bord (https://www.gregtaieb.com/rubriques/carnet-de-bord) - Auteur : Greg Taieb - Publié le : 17 octobre 2026 (2026-10-17) - Thèmes : IA, Automatisation, Réseaux sociaux - Temps de lecture : 7 min - Langue : français - Page web : https://www.gregtaieb.com/article/comment-jai-construit-tableau-de-bord-linkedin-x-sans-api - Source : Les News de Greg (https://www.gregtaieb.com) --- Je publie et j’échange chaque jour sur LinkedIn et X. Je voulais répondre à une question assez simple : **qu’est-ce que toute cette activité produit réellement ?** Combien de posts ? Combien de commentaires et de réponses ? À quelles heures suis-je le plus actif ? Quelles publications génèrent des réactions, des réponses ou des impressions ? Les plateformes donnent une partie de ces informations. Le problème commence lorsqu’on veut les rapprocher, les conserver et les lire dans le temps. J’aurais pu commencer par les API officielles. Mais celle de X représente vite un coût important pour un besoin personnel, tandis que l’accès aux données LinkedIn est plus complexe à mettre en œuvre. J’ai donc construit un autre chemin : **un agent IA collecte mes propres publications et leurs résultats, les range dans un tableur, puis une application transforme ce fichier en tableau de bord.** ![Schéma montrant un agent IA qui collecte les données LinkedIn et X, les stocke dans un tableur puis alimente un tableau de bord](https://www.gregtaieb.com/images/social-dashboard-agent-pipeline.svg) ## Le vrai produit n’est pas le tableau de bord Le tableau de bord est la partie visible. C’est celle qui affiche les cartes colorées, les courbes d’activité, les répartitions par langue ou par type et la comparaison des publications. Mais la partie intéressante se trouve en amont. Le vrai système comporte trois briques : 1. **un agent IA qui observe mes comptes** et retrouve les posts, commentaires et réponses que j’ai publiés ; 2. **un fichier tableur** qui garde une ligne structurée pour chaque action et chaque mesure ; 3. **une application web privée** qui lit ce fichier et calcule les indicateurs. Autrement dit, je n’ai pas créé un écran connecté directement à LinkedIn et X. J’ai séparé la collecte de l’analyse. Cette distinction paraît technique. Elle change pourtant tout. ## Étape 1 : l’agent IA fait le travail de collecte L’agent parcourt les réseaux avec mon compte et retrouve les contenus que j’ai publiés. Pour chaque élément, il récupère ce qu’il peut observer : la date, l’heure, la plateforme, le type d’action, le texte, le lien et, lorsqu’elles sont disponibles, les réactions, les partages, les réponses et les impressions. Il ne cherche pas seulement les posts originaux. Le journal peut également contenir des commentaires, des réponses, des suites de fil et des mesures réalisées plus tard. Cette approche est différente d’une intégration API classique. L’agent agit comme un opérateur automatisé qui lit l’interface, avec une cadence limitée et sur mes propres données. Cela évite de rendre le projet dépendant du modèle économique d’une API, mais cela crée d’autres contraintes : une interface peut changer, une session peut expirer et certaines métriques ne sont pas toujours visibles. Je n’essaie donc pas de faire croire que cette collecte est parfaite. Je garde au contraire la trace de ce qui a été observé et de ce qui manque. ## Étape 2 : le tableur devient la source de vérité L’agent écrit ensuite les résultats dans un fichier tableur, aujourd’hui hébergé dans Google Sheets. C’est l’équivalent d’un fichier Excel en ligne : facile à ouvrir, à corriger et à exporter. Chaque ligne peut contenir : - la date et l’heure ; - la plateforme et l’identité utilisée ; - le type d’action et la langue ; - la cible, le détail et le texte ; - le lien vers la publication ; - le statut de vérification ; - les réactions, partages, réponses et impressions ; - les répondants et la date de la dernière mesure. Pourquoi ne pas écrire directement dans une base de données ? Parce que le tableur apporte ici quatre avantages très concrets. **Il est lisible.** Je peux ouvrir la source et comprendre immédiatement ce que le système croit savoir. **Il est corrigeable.** Si l’agent classe mal une action ou lit un chiffre de travers, je peux rectifier la ligne. **Il est portable.** Je peux l’exporter, l’archiver ou alimenter un autre outil sans reconstruire toute la collecte. **Il découple les deux parties.** L’agent peut évoluer sans modifier le tableau de bord. Et l’interface peut changer sans toucher à l’agent. > Le tableur n’est pas une solution provisoire. C’est le contrat entre le système qui collecte et celui qui analyse. ## Étape 3 : le tableau de bord lit directement le fichier L’application web ne possède pas sa propre copie des données. Après authentification, une fonction serveur lit la plage utile de la feuille Google Sheets et transforme chaque ligne en objet structuré. Le navigateur reçoit uniquement les lignes autorisées. Il peut alors : - filtrer LinkedIn, X ou les lignes globales ; - compter les interactions, les posts et les jours actifs ; - afficher l’activité par jour, semaine ou mois ; - répartir les actions par heure, type, langue, identité et statut ; - comparer les publications par réactions, réponses, partages, impressions et taux d’engagement ; - retrouver le texte et le lien d’origine. Un bouton d’actualisation relit la feuille. Il n’y a pas de synchronisation mystérieuse : quand l’agent enrichit le tableur, le tableau de bord dispose de la nouvelle matière au prochain chargement. ## La règle la plus importante : une case vide n’est pas un zéro Quand on automatise la collecte, le principal risque n’est pas toujours le mauvais chiffre. C’est le chiffre trop propre. Si une publication n’affiche pas ses impressions ou si l’agent n’a pas pu lire le nombre de partages, la valeur reste manquante. Le tableau de bord affiche un tiret. Il ne transforme pas l’absence d’information en absence d’engagement. Le taux global suit la même logique. Il n’est calculé que sur les publications qui disposent des réactions, partages, réponses et impressions nécessaires, avec des impressions positives. Je préfère un indicateur incomplet mais honnête à un pourcentage précis construit sur des zéros inventés. ## Ce que cette architecture m’apprend **1\. Un agent peut remplacer une intégration, pas ses garanties.** Il peut effectuer le travail de collecte, mais il faut prévoir les changements d’interface, les sessions interrompues et les lectures incomplètes. **2\. Une couche intermédiaire simple vaut souvent mieux qu’une connexion directe.** Le tableur rend le système inspectable. Je peux voir le passage entre ce que l’agent a observé et ce que le tableau affiche. **3\. La traçabilité compte davantage que le temps réel.** Pour cet usage, je n’ai pas besoin d’un compteur mis à jour à la seconde. J’ai besoin de pouvoir revenir à la publication, à la mesure et à sa date. **4\. Le meilleur tableau de bord commence par la qualité du journal.** Les graphiques ne corrigent pas une collecte ambiguë. Ils la rendent seulement plus jolie. ## Pourquoi je trouve ce montage intéressant On présente souvent les agents IA comme des outils qui discutent ou rédigent. Ici, l’agent fait quelque chose de plus modeste et de plus utile : il maintient une donnée exploitable là où une intégration classique serait trop coûteuse ou trop compliquée pour le besoin. Le résultat n’est pas une architecture universelle. Pour un produit vendu à des milliers de clients, je chercherais probablement des intégrations officielles et des garanties plus fortes. Pour suivre ma propre activité, cette combinaison est en revanche adaptée : **un agent pour observer, un tableur pour conserver, une application pour comprendre.** Vous pouvez découvrir la présentation complète du projet sur la page [**Tableau de bord LinkedIn & X**](https://www.gregtaieb.com/projets/tableau-de-bord-social).