Fonctionnement des algorithmes de recommandation des réseaux sociaux
Un algorithme de recommandation décide, pour chaque utilisateur et à chaque instant, quel contenu apparaît dans son fil parmi des millions de candidats possibles.
Sa logique interne est plus simple qu'elle n'y paraît : il prédit la probabilité qu'un post donné retienne l'attention d'un utilisateur donné, puis classe le contenu disponible selon cette prédiction. Comprendre ce mécanisme change la façon d'aborder une stratégie de contenu, quelle que soit la plateforme visée.
Il ne juge pas la qualité d'un contenu : il prédit la probabilité qu'il retienne l'attention d'un utilisateur précis.
Un système de filtrage, pas un juge de qualité
Chaque plateforme reçoit un volume de contenu bien supérieur à ce qu'un utilisateur peut consulter. Instagram estimait qu'avant l'introduction de son algorithme, un utilisateur manquait 70 % des posts de son fil ; avec cinq fois plus d'utilisateurs aujourd'hui, ce problème de surcharge s'est aggravé plutôt que résolu.
L'algorithme répond donc d'abord à un problème de tri, pas à un jugement de valeur sur le contenu.
Ce système fonctionne comme un moteur de prédiction : il ne cherche pas à récompenser un « bon » contenu ni à punir un « mauvais » contenu au sens éditorial. Il cherche à deviner ce qu'un utilisateur particulier voudra regarder, lire ou écouter ensuite.
Un contenu qui plaît objectivement mais ne correspond pas au profil de comportement de l'utilisateur ciblé n'obtiendra pas de distribution — à l'inverse d'un contenu plus faible mais parfaitement calibré pour son audience.
Trois façons de faire circuler l'information
Un réseau social peut diffuser le contenu selon trois logiques, qui se combinent en proportions variables selon la plateforme :
- L'abonnement : chaque utilisateur ne voit que le contenu des comptes qu'il suit, dans l'ordre où il est publié — c'est le modèle de la presse ou de la radio traditionnelle.
- Le réseau : le contenu circule aussi par les partages et republications des autres utilisateurs, ce qui crée des cascades d'information — c'est ce qu'on appelle généralement un « fil chronologique », puisque avant 2016 X (alors Twitter) fonctionnait presque exclusivement sur ce principe.
- L'algorithme : le contenu montré à un utilisateur est celui que le système prédit comme le plus susceptible de l'engager, indépendamment de qui il suit — le For You Page de TikTok en est l'exemple le plus pur, puisqu'aucun lien d'abonnement n'y est nécessaire pour apparaître dans le fil d'un inconnu.
Aucune plateforme n'applique un seul de ces modèles à l'état pur : elles se combinent. La tendance des vingt dernières années va cependant clairement de l'abonnement vers le réseau, puis du réseau vers l'algorithme — Instagram et Facebook amorcent aujourd'hui ce dernier basculement, suivant l'exemple de TikTok.
Ce glissement porte un nom dans le secteur du marketing : le passage du « graphe social » (qui je suis détermine ce que je vois) au « graphe d'intérêt » (ce qui m'intéresse détermine ce que je vois), quel que soit le nombre de comptes suivis.
Ce basculement change fondamentalement la donne pour un créateur de contenu. Dans un modèle d'abonnement ou de réseau, construire une audience fidèle protège la portée de chaque nouvelle publication.
Dans un modèle purement algorithmique, le nombre d'abonnés perd une grande partie de son influence sur la performance d'un post donné : chaque contenu est évalué presque indépendamment de l'historique du compte qui le publie. Cela rend la portée moins prévisible, mais ouvre aussi la voie à des comptes récents ou peu suivis.
L'engagement comme objectif mesurable
Une plateforme poursuit des objectifs de haut niveau — revenus publicitaires, fidélisation, parfois des objectifs plus civiques — mais aucun de ces objectifs ne peut guider directement la décision technique de savoir quel post montrer à un utilisateur précis à un instant précis.
C'est là qu'intervient l'engagement : un score défini uniquement à partir des actions immédiates de l'utilisateur (like, commentaire, partage, temps passé), mesurable en temps réel pour chaque contenu montré. L'engagement sert de proxy aux objectifs réels de la plateforme, avec toutes les limites qu'implique un proxy.
L'objectif principal d'optimisation varie selon la nature de chaque plateforme :
- Facebook a longtemps optimisé pour les « interactions sociales significatives », une moyenne pondérée de likes, réactions, partages et commentaires.
- YouTube optimise pour le temps de visionnage attendu : une vidéo vue zéro seconde compte pour zéro, une vidéo regardée une minute compte pour une minute de temps de visionnage prédit.
- TikTok combine vraisemblablement les likes, les commentaires et le temps de lecture, avec un poids marqué sur la complétion de la vidéo — ce qui expliquerait en partie pourquoi les vidéos très courtes, plus faciles à regarder jusqu'au bout, continuent de dominer la plateforme.
Concrètement, générer le fil d'un utilisateur revient à classer tous les posts disponibles par ordre décroissant d'engagement prédit. Facebook commence par le post qu'il pense le plus susceptible de recevoir un like, une réaction, un partage ou un commentaire ; YouTube commence par la vidéo qu'il pense la plus susceptible d'être regardée longtemps.
Le pipeline de classement, étape par étape
Au-delà de cette logique de base, un algorithme de recommandation applique en pratique un enchaînement de filtres :
- Génération de candidats. Le volume total de contenu disponible est ramené à un ensemble restreint — de l'ordre de quelques centaines de posts pour un utilisateur donné — car calculer un score précis pour des milliards de contenus en temps réel est irréalisable. Cette étape n'a pas besoin d'être exacte, seulement rapide.
- Filtrage d'éligibilité et de sécurité. Le contenu de mauvaise qualité, dupliqué, à risque au regard des règles de la plateforme, ou clairement hors sujet pour l'utilisateur est écarté de ce pool restreint.
- Compréhension du contenu. Le système classe le sujet et le contexte du post à partir du texte, de l'audio, des visuels et des métadonnées (légende, hashtags, historique du créateur).
- Score de prédiction d'engagement. Pour chaque candidat restant, l'algorithme estime la probabilité que l'utilisateur regarde au-delà des premières secondes, termine le contenu, le revoie, le sauvegarde, le partage, le commente — ou au contraire le masque.
- Classement et diversification. Les contenus au score le plus élevé sont placés en tête, avec des ajustements pour éviter qu'un fil ne soit saturé par un seul créateur ou un seul sujet, et pour tenir compte du contexte immédiat de l'utilisateur (localisation, appareil, contenu consulté juste avant).
Pour prédire cet engagement, la plupart des systèmes répondent en pratique à une seule question : comment des utilisateurs similaires à celui-ci ont-ils réagi à des posts similaires à celui-ci ?
La similarité entre utilisateurs s'appuie sur trois signaux — le réseau (qui ils suivent, commentent), le comportement (ce qu'ils ont réellement regardé, aimé, ignoré — le signal le plus déterminant en volume), et la démographie (âge, langue, localisation, utile surtout à l'inscription, avant qu'un historique de comportement existe).
La similarité entre posts s'appuie d'abord sur le contenu et les métadonnées, puis de plus en plus sur le comportement des utilisateurs qui l'ont déjà consulté, à mesure que le post accumule un historique d'interactions.
Le test progressif d'une nouvelle publication
En pratique, une publication n'est jamais diffusée d'un coup à toute l'audience potentielle d'un créateur. Elle est d'abord montrée à un échantillon restreint, souvent composé majoritairement de non-abonnés pour évaluer sa capacité à intéresser des inconnus plutôt qu'un public déjà acquis.
Si cet échantillon initial réagit positivement (temps de visionnage élevé, partages, commentaires), la diffusion s'étend par paliers à des groupes de plus en plus larges ; si la réaction est mitigée, un nouvel échantillon comparable est retesté sans extension ; si elle est négative, la diffusion se limite rapidement au réseau proche du créateur.
Les praticiens qui décrivent ce mécanisme de test avancent des tailles d'échantillon très variables — de l'ordre d'une dizaine à quelques centaines de comptes selon les cas rapportés — ce qui suggère un ordre de grandeur (un test restreint avant extension) plutôt qu'un chiffre universel valable sur toutes les plateformes.
Trois métriques reviennent le plus souvent dans la description de ce test initial : le temps de visionnage moyen et le taux de complétion, le taux d'engagement global (likes, commentaires, partages rapportés aux vues), et — selon certains créateurs expérimentés — la part du temps de session totale d'un utilisateur consacrée spécifiquement au contenu testé, une métrique interne aux plateformes que les créateurs eux-mêmes ne peuvent pas consulter directement.
Une boucle de rétroaction entre comportement humain et algorithme
Le succès des réseaux sociaux et de leurs algorithmes s'appuie sur des besoins humains anciens : le besoin de connexion (participer à la vie des autres, entretenir des liens) et le besoin de statut (être reconnu, recevoir une validation sociale).
Un like influence la rapidité à laquelle une personne publie de nouveau, sa perception de la réussite d'un post, et son état émotionnel après publication. L'algorithme n'invente donc pas ces motivations : il les amplifie, en offrant une échelle et une immédiateté de retour social qu'aucun contexte hors ligne ne permet.
Il en résulte une boucle de rétroaction : l'algorithme récompense certains comportements, les utilisateurs et créateurs apprennent à reproduire ces comportements pour obtenir de la reconnaissance, ce qui fournit de nouvelles données à l'algorithme, qui affine à son tour ses prédictions.
L'historique de l'algorithme Facebook illustre cette dynamique : un poids fort accordé aux partages a atteint jusqu'à 30 fois celui d'un like en 2018, avant d'être ramené à 1,5 en 2020.
Optimisé au départ pour les clics, les likes et le temps passé, il a généré une vague de contenu putaclic ; réorienté vers le temps de lecture, il a produit un usage plus passif et moins de contenu original. Réorienté ensuite vers les « interactions sociales significatives » avec un poids fort sur les partages, il a favorisé la viralité de contenu clivant et de désinformation — tout en laissant un poids élevé sur les commentaires, eux-mêmes plus facilement générés par du contenu qui divise.
Un peu d'histoire technique
Les premiers algorithmes de recommandation à grande échelle (Amazon fin des années 1990, Netflix à partir de 2000) reposaient sur le filtrage collaboratif : recommander à un utilisateur ce que des utilisateurs ayant des goûts proches ont apprécié.
Le concours public lancé par Netflix en 2006 a fait émerger la factorisation matricielle, une technique capable de déduire automatiquement des attributs de goût (sans les nommer explicitement) à partir des seules données de comportement — mais inadaptée à l'échelle de milliards de posts publiés en continu.
Les réseaux sociaux, plus tardifs à adopter des algorithmes de recommandation que le commerce en ligne, s'appuient aujourd'hui sur des techniques d'embedding en haute dimension et d'apprentissage profond, qui représentent utilisateurs et contenus comme des points dans un espace mathématique où la proximité traduit la similarité de goût.
Ce que l'algorithme ne fait pas, et ce qu'il n'est pas
Un contenu massivement recommandé peut ensuite être déclassé (parfois appelé familièrement « shadowban ») : sa visibilité est réduite sans suppression. Cette technique modère l'exposition d'un contenu jugé problématique plutôt que de le retirer.
L'effet d'un déclassement, même modeste en apparence, peut être brutal : une réduction de visibilité de 20 % peut suffire à diviser la portée d'un contenu par dix, alors qu'une réduction de 10 % ne change presque rien — un effet non linéaire qui explique pourquoi deux publications d'apparence similaire peuvent connaître des sorts très différents sans explication visible pour leur auteur.
Il est également utile de dissiper une idée reçue : les plateformes n'ont pas programmé dans leurs algorithmes une expertise psychologique fine sur ce qui capte l'attention humaine. Le système repère des motifs dans les données de comportement, sans bon sens ni intention consciente — ce qui explique certaines absurdités observées (publicités pour des produits désagréables optimisées pour un taux de clic infime mais suffisant).
Le taux d'engagement moyen sur un contenu recommandé reste d'ailleurs faible : inférieur à 1 % sur la plupart des plateformes, un peu plus de 5 % sur TikTok, qui fait figure d'exception.
Ces algorithmes sont donc imprécis au niveau d'un utilisateur pris isolément, mais efficaces en agrégat : ils identifient mieux qu'un fil chronologique le contenu susceptible de devenir viral à grande échelle, et savent mettre en relation un contenu de niche avec la poignée d'utilisateurs qu'il intéressera précisément — même quand cette audience est trop dispersée géographiquement pour se constituer en communauté suivie de façon classique.
Points d'application
Comprendre ce mécanisme oriente directement la stratégie de contenu : privilégier les actions actives (sauvegarde, partage, commentaire construit) plutôt que les actions passives (simple défilement), rechercher des signaux qui inspirent confiance dès les premiers instants de diffusion (puisque c'est l'échantillon test initial qui décide de l'extension), et accepter qu'un historique de compte protège moins la portée que par le passé — chaque publication étant évaluée en grande partie sur ses propres mérites.
Erreurs à éviter
Considérer le déclassement d'un contenu comme une punition arbitraire plutôt que comme un signal de désengagement mesuré conduit souvent à mal diagnostiquer une baisse de portée.
De même, chercher à « battre » l'algorithme par des artifices (engagement factice, pods d'engagement coordonnés — voir Créer du contenu qui obtient de la distribution algorithmique) se heurte à des systèmes de détection de plus en plus sophistiqués : au mieux ces pratiques gonflent des métriques sans effet réel sur la distribution, au pire elles déclenchent des filtres anti-spam qui réduisent la portée auprès de l'audience réelle.
Le retour au fil purement chronologique n'est pas une solution neutre pour autant : lui aussi favorise structurellement les comptes qui publient le plus souvent, ne résout en rien la surcharge d'information, et laisse de côté un contenu plus rare mais potentiellement plus pertinent.
Synthèse
Un algorithme de recommandation est un système de prédiction d'engagement, construit sur un pipeline en plusieurs étapes (génération de candidats, filtrage, compréhension du sujet, score prédictif, classement), qui teste chaque nouvelle publication sur un échantillon restreint avant d'étendre sa diffusion selon les signaux obtenus.
La méthode correcte pour travailler avec ce système consiste à produire du contenu qui génère des signaux actifs authentiques (temps de visionnage complet, sauvegarde, partage, discussion réelle) plutôt qu'à chercher des raccourcis techniques. L'erreur la plus répandue reste de traiter l'algorithme comme un adversaire à déjouer, alors qu'il fonctionne comme un moteur de distribution qui reflète — et amplifie — des comportements humains déjà à l'œuvre avant même l'existence de ces systèmes.