Comment ça marche
La boucle d’engagement. Le moteur de recommandation. Pourquoi l’algorithme n’a aucun intérêt à se soucier de votre bien-être.
Comment lire cette page. Touchez un mot souligné pour voir le terme académique précis et une courte définition. Dépliez un encadré « Pour aller plus loin » pour lire les preuves et les points contestés. Le texte principal se suffit à lui-même : vous pouvez ignorer les deux et saisir quand même tout l’argument.
Le mécanisme central
Chaque grande plateforme de réseau social est construite autour d’une seule décision, prise des milliards de fois par jour : que voyez-vous ensuite ?
Cette décision est prise par un algorithme. L’algorithme ne décide pas en fonction de ce qui est vrai, de ce qui est important ou de ce qu’il serait bon pour vous de savoir. Il décide, très majoritairement, en fonction d’un seul type de signal : ce qui, par le passé, a suscité l’engagement de personnes comme vous. Un like, un partage, un commentaire, une longue pause pendant que vous faites défiler — chaque interaction est une donnée. L’algorithme apprend de ces données et s’en sert pour prédire ce avec quoi vous allez interagir ensuite.
Système de recommandation (recommender system)
Les systèmes de recommandation (recommender systems) forment la famille d’algorithmes qui décident de ce que voit chaque utilisateur. À partir de votre comportement passé et de celui d’utilisateurs semblables, ils prédisent le contenu avec lequel vous êtes le plus susceptible d’interagir — et classent votre fil en conséquence. Ils sont le moteur de Facebook, de YouTube et de TikTok.
Point essentiel : ils optimisent l’engagement prédit, pas l’exactitude, l’importance ou votre bien-être. Là où ces éléments entrent dans le modèle, si tant est qu’ils y entrent — un classifieur qui estime qu’une publication relève probablement du discours de haine, une enquête qui demande aux utilisateurs ce qui leur a semblé en valoir la peine —, ce sont des ajustements ajoutés par-dessus, et non la quantité que le système est conçu pour maximiser.
Sources
- Narayanan, A. (2023), Understanding Social Media Recommendation Algorithms, Knight First Amendment Institute, Columbia University.
Optimisation de l’engagement (engagement optimisation)
La pratique qui consiste à entraîner un système de classement à maximiser des signaux de comportement mesurables — clics, temps de visionnage, repartages, commentaires — utilisés comme indicateur indirect de valeur. Cet indicateur est commode, parce qu’il est facile à mesurer. Il est aussi systématiquement en décalage avec le bien-être : le contenu qui retient l’attention n’est pas celui qui vous sert.
Sources
- Narayanan, A. (2023), Understanding Social Media Recommendation Algorithms, Knight First Amendment Institute, Columbia University.
Cela paraît raisonnable. En pratique, cela produit un problème systématique.
L’engagement n’est pas le bien-être
Un accident de voiture arrête la circulation. Une dispute à grands cris attire la foule. L’indignation, la peur et les conflits entre clans suscitent de l’engagement — non parce que les gens les apprécient, mais parce qu’il est difficile d’en détourner le regard. L’algorithme ne sait pas distinguer l’engagement qui vous fait du bien de celui qui ne vous en fait pas. Il n’essaie pas. Ce n’est pas ce qu’il cherche à optimiser.
Les recherches internes de Facebook, divulguées en 2021 par la lanceuse d’alerte (whistleblower) Frances Haugen, ont montré que l’entreprise savait que ses algorithmes amplifiaient de manière disproportionnée, parmi les publications repartagées, ce que ses chercheurs appelaient « la désinformation, la toxicité et les contenus violents ». Des documents internes ont montré un débat sur l’opportunité de corriger ce problème. Les corrections proposées se sont heurtées à des résistances, parce qu’elles auraient réduit l’engagement.
Ce n’est pas une accusation de malveillance. C’est une description des incitations. Quand l’engagement est la mesure et que l’indignation fait monter l’engagement, c’est l’indignation que le système fait remonter — quelle que soit l’intention.
La boucle de rétroaction
Le moteur de recommandation fonctionne selon une boucle continue :
Vous interagissez avec un contenu — vous marquez une pause, vous aimez, commentez, partagez, ou vous regardez simplement quelques secondes. Le système enregistre ce qui a déclenché cette interaction. L’algorithme met à jour son modèle de ce à quoi vous réagissez. Il vous sert davantage de contenus dont il prédit qu’ils déclencheront des réactions semblables. La boucle tourne en continu, de façon invisible, pour plus de trois milliards de personnes par jour, rien que sur les applications de Meta. Facebook lui-même a été lancé en 2004.
Avec le temps, l’algorithme devient très précis pour prédire vos réactions — non parce qu’il vous comprend, mais parce qu’il a accumulé assez de données sur votre comportement pour le modéliser. Le résultat est un fil qui paraît personnalisé et pertinent, parce qu’il a été calibré sur votre profil psychologique particulier.
Profilage comportemental (behavioural profiling)
La construction d’un modèle prédictif d’une personne à partir des traces qu’elle laisse — ce sur quoi elle clique, combien de temps elle s’attarde, ce qu’elle partage, qui elle suit. Le profil n’est pas une description dans laquelle vous vous reconnaîtriez ; c’est un objet statistique optimisé pour prédire votre prochaine action. Vous ne le voyez jamais, et vous ne pouvez pas le corriger.
Sources
- Zuboff, S. (2019), The Age of Surveillance Capitalism, PublicAffairs.
La même boucle rémunère les personnes qui créent les contenus. Les créateurs — médias, influenceurs (influencers), toute personne qui publie pour en vivre — tirent leurs revenus de la part des recettes publicitaires que la plateforme leur reverse, de partenariats dont le prix dépend de leur audience, et des fonds pour créateurs de la plateforme elle-même ; chacune de ces sources augmente avec l’engagement, si bien que la préférence du classement pour ce qui provoque une réaction devient aussi leur incitation. Les Facebook Files consignent la propre conclusion de l’entreprise : après que le changement de 2018 a récompensé les commentaires et les repartages, des médias et des partis politiques ont dit à Facebook qu’ils étaient passés à des publications plus clivantes, parce que c’était désormais ce que le classement rémunérait. Personne ne leur en a donné la consigne : ce sont les revenus qui l’ont fait.
Ce que montraient les données
En 2018, Facebook a modifié son algorithme pour favoriser les « Meaningful Social Interactions » (les interactions sociales significatives) — des contenus qui suscitaient davantage de commentaires et de réactions, et qui devaient favoriser de vrais liens. Une étude évaluée par des pairs (Germano, Gómez et Sobbrio, publiée dans le Journal of Public Economics en 2026), fondée sur des données d’enquête des États-Unis et de l’Italie, a conclu que cette mise à jour avait au contraire contribué à accroître l’extrémisme idéologique et la polarisation affective dans les deux pays. Au vu de ces éléments, une décision commerciale prise lors d’une réunion produit a eu des conséquences politiques — des données d’enquête, pas une expérience, et la mesure dans laquelle un seul changement de classement fait bouger la polarisation n’est pas tranchée (voir plus bas).
Une présentation interne de Facebook datant de 2016, rapportée par le Wall Street Journal en 2020, constatait que, parmi les groupes politiques allemands qu’elle étudiait, 64 % de toutes les adhésions à des groupes extrémistes provenaient des propres outils de recommandation de Facebook — un seul pays, une seule année, la mesure de l’entreprise elle-même. Pas de sites marginaux. Du moteur de l’entreprise elle-même, un groupe suggéré après l’autre.
Pourquoi la volonté individuelle n’est pas le bon cadre
La réponse habituelle est personnelle : utiliser moins les réseaux, faire des pauses, se discipliner davantage. Ce conseil n’est pas faux, mais il se trompe sur l’échelle du problème.
Le système qui optimise votre fil a été construit pendant des années par de grandes équipes d’ingénieurs hautement qualifiés, entraîné sur d’immenses relevés de ce que font les gens, et affiné en continu — une modification après l’autre, chacune testée sur de vrais utilisateurs — vers ce qui produit le plus d’engagement. L’idée que la volonté individuelle serait la principale défense contre ce système — plutôt qu’un changement structurel du système lui-même — est elle-même un cadrage qui profite aux plateformes. Elle fait porter la charge de la réponse aux utilisateurs plutôt qu’à la conception.
Comprendre le mécanisme est un début. Le reste est structurel : il s’agit de changer ce que le système est conçu pour maximiser, et non le degré de discipline de ses utilisateurs.
Comment nous le savons — le changement d’algorithme de 2018, et ce que les preuves montrent et ne montrent pas
Le changement « Meaningful Social Interactions » (MSI) de 2018 a modifié la pondération du fil d’actualité (News Feed) pour favoriser les publications qui suscitaient des commentaires et des réactions, en particulier les repartages entre amis. Facebook l’a présenté comme un moyen de favoriser les liens. L’analyse évaluée par des pairs de Germano, Gómez et Sobbrio (2026 ; diffusée comme document de travail en 2025) a modélisé la façon dont un classement fondé sur les signaux d’engagement propage les contenus, et a confronté ses prédictions à des données des États-Unis et de l’Italie ; le modèle prédit que donner plus de poids aux likes et aux partages augmente l’engagement, mais aussi la désinformation et la polarisation, et les données d’enquête indiquent que le changement MSI a contribué à accroître l’extrémisme idéologique et la polarisation affective. Les preuves sont observationnelles : des données d’enquête, pas une expérience contrôlée. Les documents divulgués par Haugen ont montré plus tard que des employés de Facebook avaient eux-mêmes signalé que MSI récompensait l’indignation et la désinformation repartagée.
Ce qui est contesté. Que le classement par engagement amplifie les contenus clivants est bien étayé ; la mesure dans laquelle cela fait bouger la polarisation n’est pas tranchée. Les expériences les plus vastes menées sur la question vont dans l’autre sens : dans les études sur l’élection américaine de 2020 conduites avec Meta, trois mois avec un fil chronologique à la place du fil classé, ou avec un tiers de contenus en moins provenant de sources partageant les mêmes opinions, n’ont pas modifié de façon mesurable la polarisation ni les attitudes politiques — dans les limites de trois mois et d’une seule élection. L’ampleur précise des effets, et la part de la polarisation réelle imputable à un seul changement d’algorithme, dépendent des hypothèses de modélisation. Les effets des plateformes interagissent avec la politique hors ligne, les médias et l’autosélection, ce qui rend difficile une attribution causale nette. Nous exposons le mécanisme et ce que l’entreprise savait en interne, documents à l’appui ; nous n’affirmons pas que l’algorithme a causé à lui seul la polarisation.
Sur le chiffre de 64 %. Il provient d’une présentation interne de Facebook de 2016, rapportée par le Wall Street Journal en mai 2020 — un an avant les révélations de Haugen. La diapositive, tirée d’une étude sur des groupes politiques en Allemagne, indiquait que 64 % de toutes les adhésions à des groupes extrémistes étaient dues aux propres outils de recommandation de Facebook (« Nos systèmes de recommandation aggravent le problème »). C’est la mesure que l’entreprise a faite de son propre produit, et c’est ce qui lui donne du poids — mais c’est un chiffre interne isolé, pour un seul pays et une seule année, pas une étude reproduite de façon indépendante, et il ne dit rien sur la question de savoir si ces utilisateurs cherchaient déjà ces groupes.
Sources
- The Facebook Files (Wall Street Journal, 2021) — les documents internes divulgués par Frances Haugen.
- Germano, F., Gómez, V. & Sobbrio, F. (2026), Ranking for Engagement: How Social Media Algorithms Fuel Misinformation and Polarization, Journal of Public Economics 255 (version document de travail en libre accès sur le site de la Barcelona School of Economics) — étude empirique de la mise à jour de l’algorithme de Facebook en 2018.
- Guess, A.M. et al. (2023), How do social media feed algorithms affect attitudes and behavior in an election campaign?, Science 381(6656), 398–404 — expérience menée avec Meta lors de l’élection américaine de 2020 : trois mois de fil chronologique sur Facebook et Instagram « n’ont pas modifié de manière significative les niveaux de polarisation sur les enjeux, de polarisation affective, de connaissances politiques ni d’autres attitudes clés ».
- Hagey, K. & Horwitz, J. (15 septembre 2021), Facebook Tried to Make Its Platform a Healthier Place. It Got Angrier Instead, Wall Street Journal (The Facebook Files) — notes internes dans lesquelles des médias et des partis politiques disent être passés à des publications plus négatives et plus clivantes après le changement de classement de 2018.
- Horwitz, J. & Seetharaman, D. (26 mai 2020), Facebook Executives Shut Down Efforts to Make the Site Less Divisive, Wall Street Journal — la présentation interne de 2016 et le chiffre de « 64 % ».
- Meta, Company information — « Lorsque Facebook a été lancé en 2004 ».
- Meta Platforms (29 juillet 2026), Meta Reports Second Quarter 2026 Results — le décompte de l’entreprise elle-même : « le DAP s’établissait en moyenne à 3,60 milliards pour juin 2026 » (Family daily active people, les personnes actives chaque jour sur l’ensemble des applications de Meta), tel que déposé auprès de la Securities and Exchange Commission des États-Unis.
- Milli, S., Carroll, M., Wang, Y., Pandey, S., Zhao, S. & Dragan, A.D. (2025), Engagement, user satisfaction, and the amplification of divisive content on social media, PNAS Nexus 4(3) — audit préenregistré : par rapport à un fil chronologique, le classement par engagement de Twitter amplifiait les contenus chargés d’émotion et hostiles au camp d’en face, et les utilisateurs ne le préféraient pas.
- Narayanan, A. (2023), Understanding Social Media Recommendation Algorithms, Knight First Amendment Institute, Columbia University.
- Nyhan, B. et al. (2023), Like-minded sources on Facebook are prevalent but not polarizing, Nature 620, 137–144 — réduire d’environ un tiers l’exposition aux sources partageant les mêmes opinions, pour 23 377 utilisateurs pendant l’élection américaine de 2020, n’a eu aucun effet mesurable sur la polarisation affective, l’extrémisme idéologique ni six autres attitudes préenregistrées.
- Zuboff, S. (2019), The Age of Surveillance Capitalism, PublicAffairs.