Chaque jour, YouTube, TikTok et les autres plateformes numériques sélectionnent une quantité considérable de contenus susceptibles de nous intéresser. Derrière un fil « Pour toi » ou une vidéo suggérée se trouvent des systèmes de recommandation dont l’objectif n’est plus simplement de montrer les contenus les plus populaires, mais de prédire ceux qui auront le plus de valeur pour chaque utilisateur.

Ces algorithmes jouent aujourd’hui un rôle central dans la distribution des contenus. Sur YouTube, les recommandations génèrent même une part plus importante des visionnages que les abonnements ou les recherches directes.

Mais comment ces systèmes déterminent-ils ce que nous allons regarder ? Et quelles conséquences cette personnalisation peut-elle avoir sur les créateurs, les marques et les utilisateurs ?

À partir de plusieurs sources institutionnelles et scientifiques, j’ai utilisé NotebookLM pour réaliser une vidéo explicative consacrée à ces mécanismes.

Les premiers systèmes de recommandation étaient relativement simples. Sur YouTube, par exemple, la popularité d’une vidéo, mesurée notamment par son nombre de vues, a longtemps joué un rôle majeur.

Le problème est rapidement apparu : un clic ne signifie pas nécessairement qu’un contenu est apprécié.

Une miniature spectaculaire ou un titre volontairement exagéré peuvent provoquer un clic sans que l’utilisateur reste réellement devant la vidéo. Les plateformes ont donc progressivement intégré d’autres indicateurs, à commencer par le temps de visionnage.

Mais là encore, regarder longtemps un contenu ne signifie pas forcément avoir apprécié ce temps passé.

YouTube explique ainsi avoir développé une mesure du valued watchtime, ou temps de visionnage valorisé. Des sondages permettent aux utilisateurs d’évaluer leur satisfaction, puis des modèles d’apprentissage automatique tentent de prédire cette satisfaction pour d’autres contenus.

Les interactions comme les mentions « J’aime », « Je n’aime pas » ou les partages constituent également des signaux, mais leur importance peut varier selon les utilisateurs.

Cette logique transforme profondément la manière dont les contenus circulent.

Le nombre d’abonnés n’est plus l’unique porte d’entrée vers une audience importante. Un créateur relativement peu connu peut voir l’une de ses vidéos recommandée à de nombreux utilisateurs si le système estime qu’elle correspond à leurs intérêts.

Pour les marques et les créateurs, cela modifie également les stratégies de contenu. Attirer l’attention reste essentiel, mais obtenir un clic ne suffit plus. Il faut également conserver cette attention et, idéalement, produire une expérience que l’utilisateur considère comme satisfaisante.

Les plateformes doivent parallèlement éviter de maximiser l’engagement à n’importe quel prix. YouTube indique notamment rétrograder dans ses recommandations certains contenus considérés comme « borderline » : des contenus qui s’approchent des limites de ses règles sans nécessairement les enfreindre.

La recommandation devient donc un exercice d’équilibre entre personnalisation, engagement, satisfaction et responsabilité.

Cette recherche permanente de pertinence possède cependant ses propres limites.

Une étude publiée dans Scientific Reports en 2026 s’est notamment intéressée au lien entre les recommandations algorithmiques et la fatigue informationnelle.

Deux phénomènes jouent ici un rôle important.

Le premier est la surcharge informationnelle. Lorsqu’un utilisateur est continuellement confronté à une grande quantité de contenus susceptibles de l’intéresser, le volume d’informations peut finir par dépasser ses capacités d’attention et de traitement.

Le second est le rétrécissement informationnel. À force d’apprendre les préférences d’un utilisateur, un système peut lui proposer des contenus de plus en plus similaires. Le fil devient alors extrêmement personnalisé, mais également plus homogène et répétitif.

C’est là qu’apparaît un paradoxe intéressant : un algorithme peut devenir trop précis.

Des recommandations extrêmement pertinentes encouragent l’utilisateur à continuer à consulter des contenus attractifs, augmentant potentiellement la surcharge. Dans le même temps, cette précision peut progressivement réduire la diversité des sujets auxquels il est exposé.

La meilleure recommandation n’est donc pas forcément celle qui prédit systématiquement ce que nous sommes le plus susceptibles de regarder.

La nouveauté joue également un rôle important. Introduire des contenus inattendus peut casser la monotonie d’un fil, stimuler la curiosité et exposer l’utilisateur à des sujets différents de ceux que l’algorithme aurait naturellement privilégiés.

Cette réflexion rejoint un enjeu plus large soulevé dans Nature Machine Intelligence : comment mesure-t-on réellement la qualité d’un système de recommandation ?

La précision ne constitue qu’un indicateur parmi d’autres. L’équité entre différents groupes d’utilisateurs, la robustesse du système ou encore la diversité des recommandations doivent également entrer dans l’évaluation.

Pour les plateformes, les marques et les créateurs, cette évolution pose finalement une question fondamentale.

Pendant longtemps, l’objectif consistait surtout à comprendre comment « plaire à l’algorithme ». Mais les systèmes de recommandation cherchent eux-mêmes désormais à dépasser les indicateurs d’engagement les plus simples.

Le véritable enjeu pourrait donc être moins de produire le contenu qui génère le plus rapidement un clic que de créer celui que l’utilisateur considérera, après l’avoir consommé, comme du temps bien dépensé.

Sources

YouTube, On YouTube’s Recommendation System.

TikTok Support, documentation relative aux systèmes de recommandation de contenus.

Scientific Reports, Yao et al., 2026, étude consacrée aux recommandations algorithmiques et à la fatigue informationnelle.

Nature Machine Intelligence, travaux consacrés à l’évaluation des systèmes de recommandation.

Note méthodologique IA – Vidéo sur les algorithmes de recommandation