# law-ahrefs-content-engineering-claude-code-2026-04-28

## Veille

Post del **blog di Ahrefs** pubblicato il **28 aprile 2026** da **Ryan Law** (Director of Content Marketing, Ahrefs) che descrive un sistema interno di **content engineering** costruito attorno a **Claude Code**: una pipeline editoriale che produce **bozze pronte per la pubblicazione in 6-12 minuti**. **Tesi centrale**: ***« AI content is not, by default, good. This process works well because it mirrors our existing human editorial process »*** — la qualità non deriva dal modello ma dalla **riproduzione fedele di un processo editoriale umano** collaudato da decenni. Architettura: **~23 skill files**, ciascuno corrispondente a una fase editoriale (keyword research, analisi dei gap tematici, struttura dell'outline, compilazione della ricerca, generazione della bozza, formattazione), **orchestrati da uno skill master `blog-pipeline`** che li concatena per produrre un articolo completo. **Sette principi di design**: (1) **imitare i flussi di lavoro umani** concatenando skill adattati dalla documentazione editoriale esistente di Ahrefs; (2) **restituire l'output di ogni fase separatamente** per il troubleshooting (*« if you get an article at the end of a ten minute run, and it's bad, it's hard to diagnose precisely where and why the process went wrong »* → salvare gli output intermedi); (3) **creare casi di test** tramite lo skill `skill-creator` di Anthropic per valutare e migliorare le istruzioni; (4) **collegare fonti dati di qualità** — l'**Ahrefs MCP** (metriche delle keyword, parent topic, temi long-tail, panoramiche SERP, analisi competitiva), analisi competitiva e documentazione di prodotto; (5) **anticipare l'indicazione umana** tramite parametri di contesto che abilitano indicazioni editoriali; (6) **costruire anteprime interattive** in formato HTML per la revisione prima della pubblicazione; (7) **consentire la personalizzazione** (ogni membro del team può fare il fork e modificare il sistema). **Volume**: ~**15 articoli pubblicati** e ~**30 articoli aggiornati** tramite questo workflow; lo sviluppo è iniziato a **febbraio 2026** (il processo precedente, di **agosto 2025**, richiedeva diversi giorni e intervento manuale). **Avvertenze esplicite** (anti-sopravvalutazione): *« experience matters »* — il processo riflette decenni di competenza editoriale; la selezione degli argomenti si concentra su **contenuti SEO informativi** ben conosciuti dall'autore; Ahrefs **non ha alcun piano per "scalare" massicciamente i contenuti** ma mantiene una **libreria evergreen**. Filosofia: automatizzare *« the formulaic parts of work »* per eliminare le mansioni ripetitive e liberare tempo per ricerca, thought leadership, webinar e ottimizzazione del sistema — **non** sostituire lo sforzo umano. Riferimento canonico citato da Pasquale Pillitteri (*Opus 4.8 SEO workflow*) come prova sul campo del guadagno « 6-12 min/bozza ». Convergenza diretta con la dottrina **skills-over-prompts** (Lattice, PROJ-AI), i **systems around the model** (Dropbox/Okumura) e l'uso dell'**HTML come artefatto di revisione** (Shihipar).

## Titre Article

How I Do Content Engineering With Claude Code

## Date

2026-04-28

## URL

https://ahrefs.com/blog/how-i-do-content-engineering-with-claude-code/

## Keywords

content engineering, content engineering, Claude Code, skill files, blog-pipeline, orchestrazione degli skill, keyword research, analisi dei gap tematici, struttura dell'outline, compilazione della ricerca, generazione della bozza, formattazione, bozza pronta per la pubblicazione in 6-12 minuti, 23 skill files, Ahrefs MCP, Model Context Protocol, parent topic, long-tail, panoramica SERP, analisi competitiva, skill-creator, casi di test, salvataggio degli output intermedi, troubleshooting della pipeline, anticipazione dell'indicazione umana, anteprima HTML, fork e personalizzazione, il contenuto IA non è di default buono, rispecchiare il processo editoriale umano esistente, le parti formulaiche del lavoro, libreria evergreen, nessuna scala massiccia, SEO informativo, content marketing, workflow editoriale, automazione editoriale, Ryan Law, Ahrefs, systems around the model, skills over prompts

## Authors

**Ryan Law** — Director of Content Marketing chez **Ahrefs**. Praticien senior du content marketing SEO ; le billet est un retour d'expérience personnel (*« How I do… »*) publié sur le **blog Ahrefs** (ahrefs.com/blog) le **28 avril 2026**.

## Ton

**Profilo**: Post da practitioner (*how-I-do* / resoconto d'esperienza), in prima persona singolare (*« I »*), rivolto a content marketer, SEO manager ed editor curiosi di industrializzare la propria produzione con l'IA. Registro **pragmatico-pedagogico**, livello tecnico **medio** (presuppone familiarità con SEO, MCP, Claude Code, skill, ma spiega ogni fase).

**Stile**: Prosa dimostrativa strutturata per principi numerati e fasi del workflow. Logica da **editor-ingegnere**: viene enunciata una tesi controintuitiva (l'IA non produce contenuti buoni per default), illustrata con un'architettura concreta (23 skill + `blog-pipeline`), quantificata con un risultato (6-12 min/bozza, 15 pubblicati / 30 aggiornati), quindi le aspettative di scala vengono esplicitamente sgonfiate (avvertenze). Forte onestà: insistenza ripetuta sul fatto che il sistema **riproduce** la competenza umana anziché sostituirla.

**Aforismi chiave**:
- ***« AI content is not, by default, good. This process works well because it mirrors our existing human editorial process. »*** (tesi centrale).
- ***« If you get an article at the end of a ten minute run, and it's bad, it's hard to diagnose precisely where and why the process went wrong. »*** (giustificazione per il salvataggio degli output intermedi).
- *« Experience matters. »* (avvertenza anti-sopravvalutazione).

**Metafore / cornici elaborate**:
- ***Content engineering*** — il contenuto editoriale trattato come una catena di produzione suddivisa in fasi tooled e testabili, anziché come un atto creativo monolitico.
- ***Mirror the human editorial process*** — la pipeline IA come specchio di un flusso di lavoro umano esistente: la qualità è portata dal processo, non dal modello.
- ***Save every step*** — l'osservabilità della pipeline (output intermedi) come condizione per il debugging, per analogia con i log dei sistemi software.

**Posizione epistemica**: un resoconto d'esperienza di un operatore (Ahrefs, editore SEO di riferimento) sostenuto da numeri modesti e verificabili (15 + 30 articoli), con **avvertenze esplicite** che rafforzano la credibilità (nessuna promessa di scala massiccia, riconoscimento che l'esperienza umana resta il fondamento). Fonte promozionale (Ahrefs vende l'MCP utilizzato) ma con un'impostazione prudente e riproducibile.

**Autorevolezza**: (a) il **brand** Ahrefs (strumento SEO di riferimento, quindi legittimità di business); (b) il **ruolo** di Ryan Law (Director of Content Marketing); (c) **onestà** sui limiti (esperienza richiesta, nessuna scala); (d) **riproducibilità** (sistema forkabile, fasi documentate) — diventa il **riferimento sul campo** citato dai workflow SEO del 2026 (Pillitteri).

## Pense-betes

- **Data / fonte**: **28 aprile 2026**, **blog di Ahrefs** (ahrefs.com/blog). Autore: **Ryan Law** (Director of Content Marketing, Ahrefs).
- **Tesi centrale (da ricordare testualmente)**: ***« AI content is not, by default, good. This process works well because it mirrors our existing human editorial process. »*** ### Architettura della pipeline
- **~23 skill files**, uno per fase editoriale: keyword research, analisi dei gap tematici, struttura dell'outline, compilazione della ricerca, generazione della bozza, formattazione.
- Orchestrazione tramite uno skill master **`blog-pipeline`** che sequenzia gli altri → articolo completo.
- **Ahrefs MCP** = fonte di verità SEO in tempo reale (metriche delle keyword, parent topic, long-tail, panoramica SERP, intento, analisi competitiva) invece di allucinazioni. ### I 7 principi di design 1. **Imitare i flussi di lavoro umani** (skill adattati dalla documentazione editoriale esistente di Ahrefs). 2. **Restituire l'output di ogni fase separatamente** → troubleshooting (salvare gli output intermedi). 3. **Creare casi di test** tramite lo `skill-creator` di Anthropic. 4. **Collegare fonti di qualità** (Ahrefs MCP, concorrenti, documentazione di prodotto). 5. **Anticipare l'indicazione umana** (parametri di contesto). 6. **Anteprime HTML interattive** per la revisione prima della pubblicazione. 7. **Forkabile / personalizzabile** da ogni membro del team. ### Numeri e avvertenze
- **6-12 minuti** per una bozza pronta per la pubblicazione (cifra canonica citata ovunque).
- **~15 articoli pubblicati**, **~30 aggiornati**. Sviluppo iniziato a **febbraio 2026**; il processo precedente (**agosto 2025**) richiedeva diversi giorni più intervento manuale.
- **Avvertenze esplicite**: *« experience matters »*; argomenti = **SEO informativo** ben padroneggiato; **nessun piano di scala massiccia** → libreria **evergreen**.
- Filosofia: automatizzare *« the formulaic parts of work »* (le mansioni ripetitive) → liberare tempo per ricerca / thought leadership / webinar / ottimizzazione del sistema. ### Da valorizzare in engagement / presentazioni
- **Prova sul campo** del guadagno nel ciclo editoriale: 6-12 min/bozza, ancorata a dati in tempo reale (MCP), con una salvaguardia umana.
- Illustrazione diretta della dottrina **skills-over-prompts** + **systems around the model** (il vantaggio = la pipeline orchestrata, non il modello grezzo) — in sovrapposizione con Lattice, PROJ-AI, Dropbox/Okumura.
- L'idea **save-every-step** = osservabilità riutilizzabile delle pipeline agentiche come pattern (cfr. decision traces / agent debugging).

## RésuméDe400mots

Ryan Law, Director of Content Marketing di Ahrefs, descrive in questo post del blog del **28 aprile 2026** il sistema di **content engineering** che ha costruito attorno a **Claude Code** per produrre bozze di articoli pronte per la pubblicazione in **6-12 minuti**. La sua tesi di partenza sgonfia l'hype fin dall'inizio: *« AI content is not, by default, good. This process works well because it mirrors our existing human editorial process »*. In altre parole, la qualità non deriva dal modello ma dalla **riproduzione fedele di un processo editoriale umano** già collaudato.

Il sistema si basa su **circa 23 skill files**, ciascuno corrispondente a una fase editoriale specifica: keyword research, analisi dei gap tematici, struttura dell'outline, compilazione della ricerca, generazione della bozza, formattazione. Uno skill master, **`blog-pipeline`**, li concatena per produrre un articolo completo. Al centro del sistema, l'**Ahrefs MCP** consente a Claude di attingere a **dati SEO reali** (metriche delle keyword, parent topic, temi long-tail, panoramiche SERP, intento di ricerca, analisi competitiva) invece di inventare cifre.

Law espone sette principi di design: imitare i flussi di lavoro umani esistenti; restituire l'output di ogni fase separatamente per il troubleshooting (*« if you get an article at the end of a ten minute run, and it's bad, it's hard to diagnose precisely where and why the process went wrong »*); creare casi di test tramite lo `skill-creator` di Anthropic; collegare fonti dati di qualità; anticipare l'indicazione umana tramite parametri di contesto; costruire anteprime HTML interattive per la revisione; e rendere il sistema forkabile e personalizzabile da ogni membro del team.

I numeri restano deliberatamente modesti: **~15 articoli pubblicati** e **~30 aggiornati**, con sviluppo iniziato a **febbraio 2026** (il processo precedente, di agosto 2025, richiedeva diversi giorni oltre a intervento manuale). Law accompagna tutto questo con **avvertenze esplicite** che rafforzano la sua credibilità: *« experience matters »* (il processo riflette decenni di competenza), la selezione degli argomenti è limitata a **contenuti SEO informativi** ben padroneggiati, e Ahrefs **non ha alcun piano per scalare massicciamente** — mantiene una libreria **evergreen**.

La filosofia generale è automatizzare soltanto *« the formulaic parts of work »* — le mansioni ripetitive e formulaiche — per liberare tempo per ricerca, thought leadership, webinar e ottimizzazione del sistema, senza sostituire lo sforzo umano. Questo post è diventato il **riferimento sul campo** citato dai workflow SEO del 2026 (in particolare Pasquale Pillitteri), un'illustrazione concreta della dottrina *skills-over-prompts* e *systems around the model*: il vantaggio deriva dalla pipeline orchestrata, non dal modello grezzo.

## GrapheDeConnaissance

- Ryan Law —travaille_chez→ Ahrefs (ORGANISATION, 0.97)
- Ryan Law —a_créé→ content engineering (METHODOLOGIE, 0.96)
- content engineering —est_basé_sur→ Claude Code (TECHNOLOGIE, 0.96)
- content engineering —utilise→ skill files (TECHNOLOGIE, 0.95)
- blog-pipeline —utilise→ skill files (TECHNOLOGIE, 0.94)
- content engineering —permet→ draft prêt à publier (CONCEPT, 0.94)
- content engineering —utilise→ Ahrefs MCP (TECHNOLOGIE, 0.93)
- Ahrefs MCP —permet→ keyword data / parent topic / SERP overview (CONCEPT, 0.92)
- Ryan Law —affirme_que→ l'IA ne produit pas du bon contenu par défaut (AFFIRMATION, 0.95)
- qualité du contenu IA —est_basé_sur→ la reproduction du processus éditorial humain (CONCEPT, 0.93)
- sauvegarde des outputs intermédiaires —permet→ le troubleshooting du pipeline (CONCEPT, 0.9)
- skill-creator d'Anthropic —permet→ la création de cas de test pour les skills (CONCEPT, 0.88)
- Ryan Law —mesure→ ~15 articles publiés + ~30 mis à jour via le pipeline (MESURE, 0.92)
- Ahrefs —s_oppose_à→ scale massif du contenu (CONCEPT, 0.9)
- previews HTML —permet→ la revue humaine avant publication (CONCEPT, 0.88)

---
Canonical: https://www.thekb.eu/it/fiches/law-ahrefs-content-engineering-claude-code-2026-04-28/