Les algorithmes de recommandation influencent-ils réellement nos choix ?

Un système de recommandation ne poursuit pas un but abstrait : il maximise une fonction objectif, c'est-à-dire une grandeur mesurable choisie par ceux qui l'exploitent. Cette grandeur n'est presque jamais « la satisfaction » ni « la vérité », deux notions qui ne s'observent pas directement. Elle est construite à partir de comportements enregistrables.

Signaux couramment utilisés, décrits dans la littérature technique publiée :

• —le clic, et le fait de revenir ou non immédiatement en arrière
• —le temps passé sur un contenu, éventuellement pondéré par sa durée
• —l'achèvement d'une lecture ou d'un visionnage
• —les interactions explicites : partage, commentaire, mise en favori, abonnement
• —la fréquence et la régularité de retour sur le service

Gómez-Uribe et Hunt, dans un article publié en 2015 par l'ACM sur le système de Netflix, décrivent une architecture composée de plusieurs algorithmes coordonnés — classement personnalisé, sélection des rangées, similarité, recherche — et une culture d'évaluation fondée sur des tests A/B systématiques. Le point notable pour notre question : la personnalisation y est présentée comme un moyen d'aider l'utilisateur à trouver rapidement quelque chose à regarder dans un catalogue trop vaste pour être parcouru.

Boucle de rétroaction

Le système apprend à partir de comportements qu'il a lui-même conditionnés en choisissant ce qui était visible. Ce qui n'a jamais été montré ne peut jamais être apprécié.

Biais de popularité

Les contenus déjà exposés accumulent davantage de signaux, ce qui les fait remonter, ce qui augmente encore leur exposition.

Écart préférence / comportement

Ce que nous cliquons à minuit ne coïncide pas nécessairement avec ce que nous aurions choisi en y réfléchissant. Le système observe le premier et ne connaît pas le second.

Ces trois propriétés suffisent à écarter l'argument du simple miroir. Un système entraîné sur des comportements produit un environnement informationnel dont la composition ne résulte d'aucune décision consciente — ni celle de l'utilisateur, ni exactement celle de l'exploitant, qui choisit une fonction objectif et non ses conséquences détaillées.

En 2023, la revue Science a publié plusieurs études issues d'un dispositif de recherche mené sur Facebook et Instagram pendant la campagne électorale américaine de 2020, avec consentement des participants et protocole préenregistré. Deux d'entre elles portent directement sur notre question.

1. Remplacer le classement algorithmique par l'ordre chronologiqueGuess et ses coauteurs ont substitué à l'ordre algorithmique un fil strictement chronologique pendant environ trois mois. Le temps passé sur la plateforme a nettement diminué et la composition du fil a changé. En revanche, les mesures d'attitudes politiques, de polarisation affective et de connaissances politiques n'ont pas montré de changement détectable sur la période.
2. Supprimer les contenus repartagésDans une seconde expérience, la suppression des republications a fortement réduit l'exposition aux contenus d'actualité politique, y compris ceux issus de sources peu fiables, et réduit les connaissances sur l'actualité — sans modifier de manière détectable les attitudes politiques mesurées.

L'essentiel de la confusion publique tient à ce que la première réponse — massive — sert d'argument pour la troisième, qui n'est pas établie. Or l'exposition compte par elle-même : elle détermine ce qui est disponible pour être discuté, partagé, cru ou contesté, indépendamment de tout effet direct sur les convictions.

Une difficulté méthodologique explique une partie des désaccords entre chercheurs. Les expériences mesurent des effets moyens sur des individus assignés à une condition ou à une autre, pendant que le reste de la plateforme continue de fonctionner normalement. Or ce qui intéresse le débat public est un effet d'ensemble : ce que devient l'environnement informationnel d'un pays lorsque le classement s'applique à des dizaines de millions de personnes simultanément.

Les deux échelles ne se déduisent pas l'une de l'autre :

• —un effet individuel trop petit pour être détecté peut se cumuler à l'échelle d'une population
• —changer le fil d'un seul utilisateur ne change pas ce que ses contacts publient, alors qu'un changement général le ferait
• —les producteurs de contenus s'adaptent au classement : cette adaptation, invisible dans une expérience individuelle, modifie l'offre elle-même

Cette limite est reconnue par les auteurs des expériences citées, qui la mentionnent explicitement. Elle invite à une lecture précise : l'absence d'effet détecté porte sur ce qui a été mesuré, dans les conditions où cela a été mesuré. Elle ne conclut rien sur les effets d'un système appliqué durablement à une société entière, question à laquelle aucune expérience randomisée ne peut répondre.

Le règlement européen sur les services numériques impose aux plateformes une série d'obligations qui touchent directement ces systèmes : expliquer dans leurs conditions générales les principaux paramètres des systèmes de recommandation, proposer aux très grandes plateformes au moins une option de recommandation non fondée sur le profilage, évaluer les risques systémiques et permettre à des chercheurs agréés d'accéder à certaines données.

Ces obligations changent l'état de la connaissance sur trois points :

• —elles rendent possibles des travaux indépendants qui ne dépendent pas du bon vouloir d'une plateforme
• —elles offrent aux utilisateurs une comparaison directe entre un flux personnalisé et un flux qui ne l'est pas
• —elles déplacent la charge de la démonstration : c'est désormais à l'exploitant de documenter les risques de son système

Ce cadre est récent et ses effets pratiques restent à évaluer. Il ne répond pas à la question de l'influence, mais il crée les conditions d'un examen empirique — ce qui, pendant longtemps, a été précisément ce qui manquait au débat.