Algorithmes de recommandation, personnalisation et économie de l’attention
Ouvrir un réseau social ne revient plus nécessairement à consulter, dans l’ordre chronologique, les publications des personnes que l’on a choisies de suivre. Sur TikTok, YouTube, Instagram, Facebook ou X, une part importante de ce que nous voyons est sélectionnée, classée et recommandée par des systèmes algorithmiques. Deux personnes utilisant la même plateforme au même moment peuvent donc rencontrer des contenus très différents.
Cette transformation donne aux algorithmes de recommandation un pouvoir réel : ils contribuent à déterminer quels contenus obtiennent notre attention parmi une quantité beaucoup trop grande pour être consultée intégralement. Mais ce pouvoir est souvent décrit de manière caricaturale. On entend que « l’algorithme veut nous rendre dépendants », qu’il « décide de ce que nous pensons » ou, à l’inverse, qu’il ne ferait que nous montrer ce que nous avons nous-mêmes choisi.
Aucune de ces descriptions n’est satisfaisante. Un système de recommandation n’est pas une intention consciente. C’est un dispositif conçu pour optimiser certains objectifs mesurables à partir de nombreux signaux : ce que nous regardons, ignorons, aimons, partageons, recherchons ou suivons, mais aussi les caractéristiques des contenus et parfois les comportements d’utilisateurs similaires. Selon la plateforme, ces objectifs peuvent inclure le temps de visionnage, la probabilité d’interaction, la satisfaction déclarée, la rétention des utilisateurs, la diversité ou la sécurité des recommandations. Le point critique n’est donc pas de demander ce que « veut » l’algorithme. Il est de comprendre ce qu’on lui demande d’optimiser, avec quelles informations et quels effets ce processus peut produire, y compris lorsque personne ne les a explicitement recherchés.
Classer n’est pas encore recommander
Il faut d’abord distinguer plusieurs opérations souvent réunies sous le mot « algorithme ». Un classement consiste à ordonner des contenus déjà disponibles. Un fil contenant cent publications de comptes auxquels nous sommes abonnés peut par exemple placer en premier celles qu’un système estime les plus pertinentes.
Une recommandation va plus loin : le système sélectionne également des contenus provenant de comptes ou de créateurs que nous n’avons pas choisis. Le fil « Pour toi » de TikTok, les vidéos proposées sur YouTube ou le fil « For You » de X peuvent ainsi introduire des contenus extérieurs à notre réseau initial. La personnalisation signifie ensuite que le classement ou les recommandations dépendent des caractéristiques et du comportement de l’utilisateur. Deux personnes ne reçoivent donc pas nécessairement le même résultat. Enfin, l’éligibilité précède parfois le classement : certaines publications peuvent être autorisées sur la plateforme mais exclues des recommandations, tandis que d’autres sont favorisées ou limitées en fonction de règles de sécurité, de fraîcheur, de diversité ou de qualité.
TikTok explique par exemple que ses systèmes sélectionnent les contenus dans un ensemble de publications éligibles puis les classent selon la probabilité qu’ils intéressent l’utilisateur. Parmi les principaux signaux figurent les interactions antérieures, les informations associées au contenu et certaines informations sur l’utilisateur ; pour beaucoup d’usages, le temps passé à regarder une vidéo ou le fait de la terminer pèsent davantage que des paramètres techniques comme le type d’appareil. Il n’existe donc pas nécessairement un algorithme unique gouvernant toute la plateforme. Recherche, fil d’abonnements, fil personnalisé, recommandations de vidéos, publicité et modération peuvent utiliser des systèmes différents.
Du contenu disponible au contenu visible
On peut représenter très schématiquement le processus en trois étapes. La plateforme dispose d’abord d’une quantité gigantesque de contenus possibles. Elle en extrait un ensemble beaucoup plus restreint de candidats susceptibles d’intéresser l’utilisateur. Elle attribue ensuite à chacun d’eux une estimation de sa pertinence ou de la probabilité de différentes réactions : regarder, cliquer, partager, commenter, ignorer ou signaler. Enfin, elle peut modifier ce classement pour respecter d’autres contraintes : ne pas montrer trop de contenus identiques, introduire de la diversité, écarter certaines publications ou privilégier des contenus récents.
Le résultat est une forme de distribution différentielle de visibilité. Deux vidéos également accessibles sur la plateforme peuvent connaître des trajectoires radicalement différentes si l’une est proposée à des millions de personnes tandis que l’autre reste essentiellement visible pour ses abonnés initiaux.
Cette différence est essentielle pour distinguer contenu et système de recommandation. Un contenu controversé n’est pas produit par l’algorithme simplement parce que celui-ci le recommande. Inversement, dire que « ce sont les utilisateurs qui ont créé le contenu » ne suffit pas à exonérer complètement le système de distribution si celui-ci augmente fortement sa portée. Le producteur du contenu et l’algorithme jouent des rôles différents : l’un crée l’objet ; l’autre contribue à déterminer qui le rencontrera et à quelle fréquence.
Comment une plateforme apprend-elle ce qui nous intéresse ?
Un système de personnalisation ne peut pas lire directement nos préférences. Il doit les inférer à partir de comportements observables. Un clic constitue un signal, mais il est ambigu. Nous pouvons cliquer parce qu’un contenu nous intéresse, nous scandalise ou simplement parce que son titre est trompeur. Le temps de visionnage fournit une information différente : rester dix minutes sur une vidéo indique davantage d’intérêt que la fermer après trois secondes, mais même ce signal n’est pas parfait. Nous pouvons laisser tourner une vidéo sans la regarder ou rester longtemps sur un contenu précisément parce qu’il nous irrite. Les systèmes combinent donc généralement plusieurs indicateurs.
YouTube explique ainsi utiliser notamment les clics, le temps de visionnage, les likes, les dislikes, les partages et des enquêtes de satisfaction. La plateforme indique avoir progressivement cessé de traiter le simple nombre de clics comme indicateur suffisant et avoir ajouté des mesures de « temps de visionnage valorisé » et de satisfaction déclarée. Cette évolution illustre un problème général : ce que l’on peut facilement mesurer n’est pas nécessairement ce que l’on voudrait réellement maximiser. Le système ne mesure pas directement « ce contenu enrichira intellectuellement cette personne ». Il utilise des indicateurs accessibles qui doivent servir de substituts : temps passé, réaction, satisfaction déclarée, retour sur la plateforme ou autres signaux. La distinction entre objectif réel et indicateur mesurable est fondamentale pour comprendre les effets inattendus des systèmes de recommandation.
Engagement : un mot qui regroupe plusieurs comportements
L’expression engagement est souvent employée comme si elle désignait une variable unique. En pratique, elle peut recouvrir des comportements différents : clic, commentaire, partage, like, durée de visionnage, abonnement à un créateur, retour sur l’application ou ouverture d’une notification. Ces réactions ne sont pas équivalentes. Un contenu peut générer énormément de commentaires parce qu’il provoque une dispute. Un autre peut être regardé jusqu’au bout sans produire aucune réaction visible. Une troisième publication peut susciter peu de clics mais pousser ses lecteurs à s’abonner au média.
Il faut donc éviter la formule trop simple « l’algorithme maximise l’engagement » lorsqu’on ignore ce que la plateforme mesure réellement. Les systèmes contemporains combinent souvent plusieurs objectifs et peuvent même réduire volontairement certains contenus pourtant susceptibles d’attirer l’attention. YouTube affirme par exemple intégrer des indicateurs de satisfaction et avoir explicitement réduit la recommandation de certains contenus dits « borderline », plutôt que de maximiser mécaniquement leur capacité à générer des vues.
Cela ne prouve évidemment pas que les objectifs annoncés par une entreprise correspondent parfaitement au fonctionnement réel de chaque système. Cela montre au minimum qu’un modèle sérieux doit être plus complexe que « clic = profit, donc l’algorithme maximise tout ce qui fait cliquer ».
L’économie de l’attention
Pourquoi ces indicateurs comptent-ils autant ? Parce que l’attention constitue une ressource économique. Une journée ne possède que vingt-quatre heures. Le temps consacré à TikTok ne peut pas simultanément être consacré à YouTube, à un journal, à une série, à un livre ou à une conversation. Les plateformes, médias, jeux vidéo et services de streaming sont donc en concurrence pour une quantité d’attention humaine limitée.
Dans les services largement financés par la publicité, cette attention peut être monétisée : plus une plateforme dispose d’occasions de montrer des publicités pertinentes, plus son activité peut potentiellement générer des revenus. Il existe donc une relation économique entre capacité à retenir les utilisateurs et valeur publicitaire.
Mais cette relation n’est pas parfaitement linéaire. Une plateforme qui maximiserait brutalement le temps passé au prix d’une forte insatisfaction pourrait perdre ses utilisateurs à long terme. Elle doit donc souvent arbitrer entre plusieurs horizons : interaction immédiate, satisfaction, fidélité, sécurité, réputation et revenus.
C’est pourquoi économie de l’attention ne signifie pas simplement « tout est conçu pour vous rendre accro ». Elle décrit plus précisément un système dans lequel l’attention de l’utilisateur possède une valeur économique et où les entreprises développent des outils pour la capter, la mesurer et la conserver. Cette distinction permet une critique plus solide : on peut analyser des incitations économiques puissantes sans attribuer automatiquement une intention psychologique précise à chaque ingénieur ou à chaque ligne de code.
Personnalisation : utilité réelle et coût informationnel
La personnalisation possède une fonction évidente. Sans elle, une plateforme contenant des milliards de contenus serait pratiquement inutilisable. Quelqu’un intéressé par l’astronomie, le jardinage et le jazz préfère généralement recevoir davantage de contenus sur ces sujets qu’une sélection totalement aléatoire. Les recommandations permettent également de découvrir de nouveaux auteurs, de petites chaînes ou des informations auxquelles l’utilisateur n’aurait jamais pensé à accéder.
TikTok décrit explicitement cette fonction de découverte : son fil personnalisé utilise notamment les interactions antérieures afin de proposer non seulement des contenus familiers, mais également de nouveaux créateurs et sujets susceptibles de correspondre aux intérêts de l’utilisateur. Mais cette utilité possède une contrepartie. Pour personnaliser, le système doit apprendre.
Chaque interaction produit alors potentiellement un nouveau signal. Regarder plusieurs vidéos sur la guerre en Ukraine, le football ou une maladie particulière peut conduire le système à proposer davantage de contenus semblables. Ces recommandations augmentent à leur tour la probabilité de nouvelles interactions, ce qui renforce le modèle. On obtient une boucle de rétroaction : comportement de l’utilisateur → estimation de ses préférences → nouvelles recommandations → nouveau comportement → mise à jour de l’estimation. Le système n’est donc pas seulement un miroir passif de préférences déjà constituées. En modifiant l’environnement auquel l’utilisateur est exposé, il peut également modifier les comportements qui serviront ensuite à mesurer ces préférences.
Quand la prédiction participe à fabriquer ce qu’elle prédit
Supposons qu’une personne regarde par curiosité trois vidéos consacrées à l’intelligence artificielle. Le système augmente la probabilité de lui en proposer d’autres. Elle en regarde davantage simplement parce qu’elles sont désormais disponibles dans son fil. Le système interprète ces nouvelles observations comme une confirmation de son intérêt et augmente encore leur présence. L’intérêt initial était réel mais faible. Le mécanisme de recommandation peut contribuer à le renforcer. Cela ne signifie pas que l’algorithme a « manipulé » la personne ni qu’il peut transformer arbitrairement n’importe quelle préférence. L’utilisateur conserve la possibilité d’ignorer les vidéos, de rechercher autre chose ou de quitter la plateforme. Mais son environnement de choix n’est plus indépendant de son comportement passé.
La personnalisation possède donc un caractère dynamique : elle ne se contente pas de mesurer nos préférences, elle participe à la construction de l’environnement dans lequel ces préférences continueront à s’exprimer.
Optimiser un indicateur peut produire des effets émergents
Cette logique est particulièrement importante lorsque certains types de contenus obtiennent systématiquement davantage de réactions que d’autres. Imaginons un système dont l’objectif principal serait d’augmenter la probabilité que les utilisateurs commentent et partagent les publications. Supposons maintenant que les messages exprimant indignation morale, conflit ou hostilité provoquent en moyenne davantage de ces réactions. Il n’est pas nécessaire que les concepteurs aient écrit une instruction disant « montrez des contenus indignés ». Si ces contenus obtiennent de meilleurs scores sur l’objectif mesuré, le système peut apprendre à leur accorder davantage de visibilité. C’est ce qu’on appelle ici un effet émergent : une conséquence apparaît à partir des règles d’optimisation sans avoir nécessairement constitué l’objectif explicite.
Un Registered Report publié dans *Nature* en 2026 fournit un exemple expérimental particulièrement intéressant. Pendant huit semaines autour de l’élection présidentielle américaine de 2024, 2 000 participants ont utilisé différents systèmes de classement contrôlés par les chercheurs. Comparé à un fil chronologique inversé, un classement fondé sur l’engagement augmentait l’exposition à des contenus politiques, moralisés, émotionnels et toxiques, particulièrement à l’indignation morale. Un autre système conçu pour réduire la surreprésentation d’utilisateurs extrêmes diminuait cette exposition tout en conservant un niveau comparable de satisfaction déclarée envers la plateforme.
Ce résultat ne signifie pas que tous les algorithmes d’engagement produisent toujours davantage de toxicité. Il montre quelque chose de plus précis et plus utile : la fonction de classement choisie peut modifier causalement la composition de ce que les utilisateurs voient.
L’algorithme n’a pas besoin de « comprendre » le contenu comme nous
Une autre source de confusion consiste à anthropomorphiser le système. Un algorithme peut favoriser une vidéo exprimant une forte indignation sans posséder le concept d’indignation, sans partager son opinion et sans même disposer d’une règle explicitement consacrée à cette émotion. Il lui suffit d’apprendre que certaines caractéristiques du contenu sont statistiquement associées aux réponses qu’il cherche à prédire. De la même manière, un système peut réduire la visibilité de contenus simplement parce qu’ils obtiennent peu de réactions initiales, même s’ils sont intellectuellement excellents. L’algorithme ne juge donc pas nécessairement : « ceci est important », mais plutôt quelque chose qui ressemble à : « compte tenu des signaux disponibles, ce contenu possède une probabilité élevée de produire tel comportement chez cet utilisateur ».
Cette différence explique pourquoi visibilité algorithmique et qualité épistémique sont deux dimensions distinctes. Une vidéo recommandée à dix millions de personnes n’est pas nécessairement meilleure, plus vraie ou plus importante qu’une vidéo montrée à dix mille personnes. Elle possède simplement des caractéristiques qui ont conduit le système à augmenter sa diffusion.
L’algorithme peut-il réellement changer nos opinions ?
Modifier ce qui devient visible peut changer ce que nous savons, les sujets auxquels nous pensons et, dans certaines circonstances, certaines attitudes. Mais une exposition algorithmique ne détermine pas automatiquement une opinion : les effets dépendent de la plateforme, du public, du contenu, de la durée et de ce qui est effectivement mesuré. Des expériences menées sur Facebook et sur X ont ainsi obtenu des résultats différents ; l’expérience réalisée sur X en 2026 suggère des effets causaux sur certaines variables politiques, sans autoriser une généralisation à tous les utilisateurs ni à toutes les opinions.
Ces études montrent pourquoi il faut distinguer mécanisme de recommandation et conséquence politique. La présente fiche explique comment les systèmes classent les contenus ; **la synthèse consacrée aux effets des médias** examine plus précisément les méthodes causales, la taille et les limites de ces effets.
Chronologique ne signifie pas neutre
Face aux controverses sur les recommandations, le fil chronologique est parfois présenté comme l’alternative neutre. Il possède effectivement un avantage : son principe est relativement simple. Les contenus des comptes suivis sont principalement classés selon leur date de publication. Mais il ne supprime pas la sélection.
L’utilisateur a déjà choisi certains comptes plutôt que d’autres. Les publications sont elles-mêmes produites à des rythmes très différents. Un compte extrêmement actif occupera davantage de place qu’un compte publiant une fois par semaine. Les heures auxquelles l’utilisateur se connecte déterminent également ce qu’il rencontrera. Le fil chronologique répond donc à une règle différente, mais une règle de classement reste une règle de classement. Il serait plus juste d’opposer différents mécanismes de sélection : chronologie, popularité, abonnement, recommandation personnalisée ou combinaison de plusieurs critères. La question n’est pas de choisir entre « sélection » et « absence de sélection », mais entre différentes manières d’organiser l’abondance.
Personnalisation et homogénéisation ne sont pas synonymes
Il serait également trop rapide de conclure que personnaliser consiste nécessairement à enfermer l’utilisateur dans ce qu’il connaît déjà. Un système peut être conçu pour introduire de la nouveauté, de la diversité ou une part d’exploration. Une plateforme a même intérêt à ne pas recommander indéfiniment les mêmes contenus : l’utilisateur finirait probablement par s’ennuyer. TikTok indique par exemple intégrer dans son classement des mécanismes destinés à éviter une succession trop répétitive de contenus semblables et à permettre la découverte de nouveaux créateurs. La personnalisation pose donc un compromis classique entre exploitation et exploration : continuer à montrer ce que le système sait déjà susceptible de plaire ou tester de nouveaux contenus pour découvrir d’autres intérêts.
Cette nuance sera particulièrement importante lorsque nous aborderons les « bulles de filtres ». La personnalisation peut réduire la diversité dans certaines circonstances, mais la simple existence d’un algorithme personnalisé ne prouve pas qu’un utilisateur soit enfermé dans une bulle informationnelle.
Pourquoi le spectaculaire semble avantagé
Beaucoup d’utilisateurs ont l’impression que les réseaux sociaux privilégient systématiquement le scandale, la colère ou l’extrême. Cette intuition possède une base plausible : certains contenus émotionnels obtiennent davantage de réactions, et les systèmes utilisant ces réactions comme signaux peuvent donc les amplifier. Mais le mécanisme ne doit pas être simplifié.
Un contenu spectaculaire peut être favorisé par plusieurs étapes indépendantes : son créateur choisit un titre plus agressif ; les premiers utilisateurs réagissent davantage ; le système détecte cette réaction ; des comptes influents le partagent ; les médias traditionnels reprennent ensuite la controverse. L’algorithme constitue alors un élément d’une boucle, pas nécessairement sa cause unique. L’expérience publiée dans *Nature* en 2026 sur des fils contrôlés confirme toutefois qu’un classement fondé sur l’engagement peut, dans certaines conditions, augmenter causalement l’exposition aux contenus moralisés, émotionnels et toxiques. C’est précisément ce type d’expérience qui permet de dépasser la simple observation : au lieu de constater que les contenus polarisants sont très visibles et de supposer que « l’algorithme les pousse », on modifie directement le système de classement et on observe ce qui change.
« L’algorithme me connaît mieux que moi » ?
La qualité des recommandations peut parfois donner une impression troublante de connaissance intime. Après quelques vidéos, une plateforme semble deviner ce qui intéressera l’utilisateur. Il faut éviter d’en déduire qu’elle dispose nécessairement d’un modèle psychologique profond de sa personnalité.
Dans beaucoup de cas, la prédiction comportementale n’exige pas de comprendre la personne. Un service n’a pas besoin de savoir pourquoi quelqu’un aime les vidéos de cuisine italienne pour constater qu’après plusieurs visionnages complets, la probabilité qu’il regarde une nouvelle recette de pâtes est élevée. Les systèmes peuvent évidemment utiliser de très nombreuses données et construire des représentations statistiques complexes. Mais capacité de prédiction et compréhension humaine ne sont pas identiques. Cette distinction évite de transformer des performances impressionnantes de recommandation en pouvoir presque magique.
La personnalisation peut aussi mal comprendre l’utilisateur
Les mêmes mécanismes produisent des erreurs. Une personne regarde plusieurs vidéos consacrées au cancer parce qu’un proche vient d’être diagnostiqué. Le système peut interpréter cette séquence comme un intérêt durable et continuer à recommander des contenus médicaux anxiogènes bien après qu’elle souhaiterait passer à autre chose. Quelqu’un regarde une vidéo complotiste parce qu’il veut savoir ce qu’elle raconte. Le système peut interpréter le temps passé comme un signal d’intérêt positif. Une interaction possède donc toujours une ambiguïté sémantique. L’algorithme observe généralement le comportement plus facilement que sa signification. Les fonctionnalités comme « pas intéressé », « ne plus recommander cette chaîne » ou la possibilité de réinitialiser certaines recommandations servent précisément à fournir un signal plus explicite lorsque les inférences automatiques sont mauvaises.
Cas pratique — La vidéo qui devient incontournable
Imaginons qu’une vidéo politique soit montrée initialement à 10 000 utilisateurs. Elle suscite davantage de commentaires et de partages que la moyenne. Le système augmente alors sa diffusion et la montre à 100 000 personnes. Cette audience supplémentaire génère encore davantage d’interactions. Des créateurs voient qu’elle devient populaire et y réagissent ; leurs propres vidéos renvoient vers la première. Des journalistes remarquent la tendance et commencent à en parler. Une polémique se développe. À la fin de la journée, plusieurs millions de personnes ont rencontré le sujet. Il serait trompeur d’affirmer que « l’algorithme a créé la polémique ». Le contenu, les réactions des utilisateurs, les décisions des créateurs et les reprises médiatiques ont tous joué un rôle. Mais il serait tout aussi trompeur d’affirmer que l’algorithme n’a rien fait parce que « les utilisateurs ont librement choisi de cliquer ».
La bonne description est celle d’une boucle de rétroaction sociotechnique : les comportements humains fournissent des signaux au système ; le système redistribue ensuite les contenus ; cette redistribution modifie les comportements humains qui fourniront les signaux suivants. C’est précisément dans ces boucles que peuvent apparaître des phénomènes collectifs qu’aucun acteur n’avait planifiés.
Peut-on concevoir autrement les recommandations ?
L’existence d’effets émergents ne signifie pas que tous les systèmes doivent poursuivre les mêmes objectifs. Une expérience publiée en 2023 dans *Scientific Reports* a par exemple comparé des recommandations correspondant aux préférences immédiatement observées des utilisateurs avec des recommandations davantage alignées sur ce qu’ils déclaraient vouloir idéalement préférer. Les recommandations fondées sur les préférences idéales produisaient légèrement moins de clics, mais les participants rapportaient davantage avoir bien utilisé leur temps et exprimaient une confiance plus forte envers le service. L’étude de *Nature* publiée en 2026 aboutit à une conclusion complémentaire : modifier la logique du classement pouvait réduire certains contenus extrêmes ou toxiques sans réduire le plaisir déclaré d’utiliser la plateforme.
Ces expériences montrent une chose importante : les objectifs techniques sont des choix de conception. Optimiser le clic, le temps passé, la satisfaction, la diversité, la qualité perçue ou l’exposition représentative ne produit pas nécessairement le même environnement. La discussion sur les algorithmes est donc aussi une discussion sur ce que nous voulons qu’ils optimisent.
L’intention n’est pas nécessaire pour produire une conséquence
Cette distinction entre objectif et conséquence est probablement l’idée la plus importante de la fiche. Une entreprise peut viser une augmentation de la rétention sans souhaiter explicitement augmenter l’indignation politique. Pourtant, si certains contenus indignés améliorent la métrique utilisée, ils peuvent être davantage diffusés. Inversement, un système destiné à accroître la diversité peut avoir des effets imprévus, par exemple montrer à certains utilisateurs davantage de contenus qu’ils rejettent violemment. Pour analyser un mécanisme algorithmique, il faut donc distinguer au moins trois niveaux : l’objectif déclaré ou programmé, le fonctionnement observable du système et ses conséquences sur les utilisateurs ou la société. Ces trois éléments peuvent diverger.
C’est exactement pourquoi une critique sérieuse ne doit pas commencer par attribuer une intention cachée. Elle doit chercher à établir ce qui est optimisé, ce qui est effectivement recommandé et quels effets peuvent être mesurés.
Les limites de ce que nous savons
Étudier les algorithmes commerciaux reste difficile. Ils changent constamment, utilisent des systèmes propriétaires et peuvent être modifiés plusieurs fois pendant qu’une recherche scientifique est menée. Une étude réalisée sur Facebook en 2020 ne décrit pas nécessairement Facebook en 2026. Une expérience sur X ne permet pas de conclure automatiquement à propos de TikTok. Une recommandation destinée à la musique ne fonctionne pas nécessairement comme une recommandation politique.
Les comportements des utilisateurs changent eux aussi en réaction aux plateformes. Les créateurs apprennent quels formats fonctionnent, adaptent leurs titres, leurs miniatures et leurs sujets. Le système algorithmique finit donc par influencer ce qui est produit, et pas seulement ce qui est distribué. Cette évolution permanente doit inciter à la prudence. Dire « les algorithmes font X » est souvent beaucoup trop général. Il faut demander quel algorithme, sur quelle plateforme, à quelle date, avec quel objectif et pour quel type d’utilisateur.
Les résultats expérimentaux récents illustrent parfaitement cette prudence : certaines modifications algorithmiques produisent des effets importants sur l’exposition et parfois sur les opinions ; d’autres transforment fortement le fil sans modifier les attitudes politiques mesurées à court terme.
Ce que l’on peut retenir
Les systèmes de recommandation répondent à un problème réel : aucun utilisateur ne peut examiner l’ensemble des contenus disponibles. Ils sélectionnent donc, prédisent, classent et personnalisent ce qui sera montré. Cette sélection n’est pas neutre au sens où différentes fonctions d’optimisation produisent des environnements différents. Elle n’est pas non plus nécessairement manipulatrice : un résultat problématique peut émerger d’un système cherchant simplement à augmenter certaines formes d’engagement. Il faut donc distinguer classement, recommandation et personnalisation, mais aussi contenu et distribution, intention et effet, engagement et satisfaction, corrélation et causalité.
Les recherches expérimentales montrent que modifier un algorithme peut transformer substantiellement ce que les utilisateurs voient. Dans certains contextes, cela modifie également certains comportements ou opinions ; dans d’autres, les effets mesurés sur les attitudes restent faibles ou indétectables. Il n’existe donc ni raison de considérer ces systèmes comme tout-puissants, ni raison de les traiter comme de simples tuyaux neutres.
Pour l’autonomie intellectuelle, la question la plus utile n’est finalement pas « que veut l’algorithme ? ». Elle est beaucoup plus précise : quels comportements le système mesure-t-il, quels résultats cherche-t-il à prédire ou optimiser, quels contenus cette logique rend-elle plus visibles et quelles conséquences observables en résultent ? C’est en posant ces questions que l’on passe d’une mythologie de « l’algorithme » à une véritable analyse de la médiation numérique.
Sources principales
Germain Gauthier, Roland Hodler, Philine Widmer & Ekaterina Zhuravskaya, « The political effects of X’s feed algorithm », *Nature*, vol. 652, 2026. Expérience randomisée de terrain comparant pendant environ sept semaines le fil algorithmique et le fil chronologique de X ; elle met en évidence des effets sur l’engagement, l’exposition, certains abonnements et certaines attitudes politiques, mais pas sur toutes les variables étudiées. William J. Brady et al., « Redesigning algorithms to intervene on social norm misperceptions during a national election », *Nature*, vol. 655, 2026. Registered Report expérimental sur 2 000 participants montrant qu’un classement fondé sur l’engagement peut modifier la composition des contenus rencontrés et qu’une fonction de classement alternative peut réduire certaines distorsions sans nécessairement diminuer la satisfaction d’utilisation.
Brendan Nyhan et al. ; Andrew Guess et al. ; Sandra González-Bailón et al., série d’études Facebook et Instagram Election Study, *Nature* et *Science*, 2023. Ensemble d’expériences particulièrement important pour distinguer modification de l’exposition, comportement sur les plateformes et effets politiques : des changements substantiels du fil n’entraînaient pas systématiquement de changements détectables des attitudes ou de la polarisation à court terme. Shoshana K. Kumar et al., « Tailoring recommendation algorithms to ideal preferences makes users better off », *Scientific Reports*, 2023. Expérience préenregistrée portant sur 6 488 participants, utile pour montrer que différentes fonctions de recommandation peuvent créer un compromis entre quantité de clics et satisfaction déclarée par les utilisateurs.
TikTok, documentation sur le fonctionnement de ses systèmes de recommandation, version consultée en 2026. Elle décrit notamment les interactions, les informations sur les contenus et certaines caractéristiques de l’utilisateur comme signaux intervenant dans la sélection et le classement des recommandations. YouTube, documentation consacrée à son système de recommandation. Elle décrit l’évolution d’un modèle initialement fortement dépendant des clics vers une combinaison de temps de visionnage, réactions et mesures de satisfaction, illustration utile du caractère multi-objectifs des systèmes de recommandation modernes.