Comment fonctionne l'algorithme de recommandation des réseaux sociaux

Deux vidéos identiques. Même créateur, même montage, même musique. Publiées à vingt minutes d'intervalle sur deux comptes différents. La première plafonne à 800 vues, la seconde dépasse les 200 000. Je l'ai vu de mes yeux sur un compte que je gérais, et j'ai d'abord cherché l'explication ailleurs : heure de publication, hashtags, qualité du fichier. Rien de tout ça. La vérité, c'est que je n'avais pas compris que l'algorithme de recommandation des réseaux sociaux juge un contenu sur les premières minutes de son existence, pas sur son contenu réel.

Ce jour-là, j'ai arrêté de croire que le hasard existait sur les plateformes. Et j'ai commencé à vouloir savoir ce qu'il y a vraiment dans la boîte noire.

Comment marche vraiment l'algorithme des réseaux sociaux

Un algorithme de réseaux sociaux est une chaîne de calculs qui décide, à chaque ouverture de votre application, quelle poignée de contenus vous montrer parmi des millions de candidats possibles, et dans quel ordre.

La partie que la plupart des gens ignorent, c'est qu'il ne s'agit pas d'un seul modèle. Il y en a plusieurs, empilés, qui se contredisent parfois.

Le pipeline, étape par étape

Voici ce qui se passe concrètement entre le moment où vous faites glisser votre pouce vers le bas et celui où une vidéo apparaît. J'ai reconstitué cette séquence en croisant les publications techniques des plateformes elles-mêmes et des conversations avec deux ingénieurs qui ont travaillé sur ce type de systèmes.

1. Collecte des signaux. Tout ce que vous faites laisse une trace : durée d'exposition, pause du pouce, replay, mise en favori, message privé envoyé juste après. Le contexte compte aussi (heure, réseau, appareil).
2. Génération de candidats. Le système ne note pas les millions de contenus disponibles. Il en extrait quelques centaines via des sources différentes : abonnements, contenus proches de vos goûts récents, publications populaires localement, nouveautés à tester.
3. Prédiction. Pour chaque candidat, un modèle estime plusieurs probabilités : que vous regardiez jusqu'au bout, que vous commentiez, que vous partagiez, que vous signaliez le contenu.
4. Agrégation et re-classement. Ces probabilités sont combinées avec des pondérations. Et c'est là que tout se joue.
5. Filtres. Contenus déjà vus, spam, nudité, désinformation, comptes bloqués. Une couche de règles s'applique en dernier.

Le détail qui change tout : chaque probabilité est multipliée par un poids. Un partage ne vaut pas un like. Un visionnage complet ne vaut pas un arrêt de deux secondes. Ces poids ne sont pas publics, ils changent, et c'est précisément là que se logent les effets de bord dont on parle tant.

Pourquoi le temps d'arrêt gagne toujours

Posez-vous la question : quel signal est le plus fiable pour prédire qu'un contenu va retenir l'attention d'un utilisateur de plus ?

Le like, non. Les gens likent par politesse, par habitude, en soutien à un ami. Le commentaire, pas davantage — trop coûteux, trop rare. Le partage est un excellent signal mais il reste minoritaire. Le seul indicateur disponible en volume et corrélé à la satisfaction réelle, c'est le comportement non déclaré : combien de temps vous restez.

D'où une conséquence que je vérifie sur chaque compte que j'accompagne : les trois premières secondes d'une vidéo pèsent plus lourd que ses trois dernières minutes. Non pas parce que le contenu final est mauvais, mais parce que le système n'a pas encore assez de données pour le savoir quand il prend sa décision.

Comment fonctionne l'algorithme de recommandation d'Instagram

Instagram est le cas le plus documenté, parce que la plateforme a publié elle-même, à plusieurs reprises, la logique de son fil et de sa page Explore. Et cette logique contredit pas mal d'idées reçues chez les créateurs.

Trois fils, trois logiques distinctes

Première chose à comprendre : Instagram ne fait pas de recommandation. Il en fait trois, séparées.

• Le fil principal, qui privilégie les comptes suivis et les interactions passées (visites de profil, messages échangés, réactions croisées).
• Explore, qui ignore largement vos abonnements et cherche à prédire ce qui va vous retenir, à partir de contenus similaires à ceux que vous avez déjà consommés.
• Les Reels, où le modèle s'appuie surtout sur la performance du contenu auprès d'audiences voisines de la vôtre, même sans lien préalable.

Un créateur qui publie la même chose sur les trois surfaces et se plaint que « l'algorithme ne le pousse plus » n'a souvent pas compris qu'il s'adresse à trois systèmes différents avec un seul format.

Les signaux qui comptent vraiment

Sur Instagram, dans mon expérience de terrain, les prédictions qui bougent le plus un classement sont peu nombreuses :

• La probabilité que vous regardiez le média jusqu'au bout.
• La probabilité que vous commentiez.
• La probabilité que vous sauvegardiez la publication — signal sous-estimé, très fort.
• La probabilité que vous passiez du temps sur le profil de l'auteur après le contenu.

Le nombre d'abonnés, lui, joue un rôle de départ, pas de moteur. Un compte à 500 abonnés avec un excellent taux de rétention peut être poussé très loin. L'inverse est vrai aussi, et c'est brutal.

C'est quoi un algorithme de recommandation, au fond ?

Un algorithme de recommandation est un système qui devine ce que vous allez faire avant que vous le fassiez, puis agit en conséquence.

La définition est courte mais elle contient le nœud du problème. Le système n'évalue pas la véracité, la beauté ou l'utilité d'un contenu. Il évalue une probabilité d'action. C'est une distinction que je répète systématiquement aux personnes qui me demandent pourquoi leur travail soigné ne décolle pas : soigné ne veut rien dire pour une machine qui cherche à prédire un clic.

Filtrage collaboratif et représentations vectorielles

Deux grandes familles de méthodes cohabitent. La première, historiquement la plus ancienne, compare votre comportement à celui de millions d'autres profils : « ceux qui ont aimé X ont aimé Y ». Simple, redoutablement efficace sur les gros volumes.

La seconde, désormais dominante, transforme chaque contenu et chaque utilisateur en un ensemble de nombres — un vecteur. Deux contenus proches dans cet espace se ressemblent, même s'ils n'ont aucun mot en commun. C'est ce qui permet à une plateforme de vous proposer une recette de cuisine en japonais alors que vous n'avez jamais rien cherché dans cette langue.

Le hic, c'est que ces représentations capturent aussi des proximités que personne n'a voulu créer. Une vidéo de prévention sur un sujet sensible peut se retrouver voisine d'un contenu complotiste sur le même thème, parce que le vocabulaire et les réactions se ressemblent. L'algorithme ne voit pas la différence de nature. Il voit une distance mathématique.

Ce qui change d'une plateforme à l'autre

Les mécanismes se ressemblent beaucoup. Les pondérations, elles, divergent franchement.

Plateforme	Signal dominant	Ce que ça implique pour un créateur
TikTok	Rétention et replay sur les premières secondes	Un contenu lent meurt vite, quel que soit le nombre d'abonnés
Instagram (Reels)	Rétention + sauvegardes + visites de profil	Le format court performe, mais la profondeur de compte compte
LinkedIn	Lecture prolongée (« voir plus ») et commentaires longs	Le texte reprend de la valeur, la vidéo n'est pas reine
Facebook	Interactions entre comptes réellement liés	Le réseau social d'origine reste un moteur de proximité
YouTube	Durée de visionnage + satisfaction post-visionnage	Le clic n'est qu'un début, la fin de vidéo décide

J'ai fait l'erreur, il y a quelques années, de recycler une stratégie TikTok à l'identique sur LinkedIn. Le résultat a été une chute de portée de l'ordre de 70 % sur deux mois, et je n'ai compris pourquoi qu'en regardant les bons indicateurs. Sur LinkedIn, les gens lisent. Sur TikTok, ils zappent. Le même contenu ne peut pas servir les deux.

Oui, les algorithmes influencent durablement nos opinions politiques

Il y a un débat sur ce point, et je vais être direct : ceux qui affirment que les algorithmes n'ont aucun effet sur les opinions se trompent. La question n'est pas de savoir si l'effet existe, mais par quel chemin il passe.

L'effet bulle, expliqué honnêtement

Le mécanisme classique du filtre personnel est souvent mal décrit. On imagine une machine qui vous enferme volontairement dans vos opinions. La réalité est plus banale et plus dérangeante : l'algorithme fait ce qu'on lui demande, c'est-à-dire maximiser votre temps passé. Il découvre que les contenus qui vous font réagir fortement — colère, indignation, adhésion totale — retiennent mieux votre attention. Il vous en donne donc davantage.

Personne n'a décidé de polariser. Le résultat est pourtant là.

Et sur ce terrain, mon avis est tranché : le problème n'est pas l'existence de ces systèmes, c'est l'absence de contrepoids explicite. Les plateformes savent mesurer la rétention. Elles mesurent beaucoup moins bien la satisfaction à long terme, ou alors elles le font sans que cela pèse dans l'arbitrage final. Tant que ce déséquilibre persiste, la pente naturelle ira toujours vers plus d'attention, pas vers plus de nuance.

Ce que vous pouvez faire, concrètement

Vous ne pouvez pas reprogrammer les modèles. Mais vous pouvez modifier les signaux qu'ils reçoivent, et c'est loin d'être anecdotique :

• Utilisez la fonction « ne plus me montrer ceci » — elle est plus efficace qu'on ne le croit, car elle agit sur la génération de candidats.
• Désactivez la lecture automatique : c'est la principale source de signaux involontaires que vous envoyez.
• Suivez volontairement des comptes qui vous contredisent, puis interagissez réellement avec eux (temps de lecture, sauvegarde). Un like poli ne suffit pas.
• Nettoyez régulièrement votre historique d'interactions. Les modèles ont la mémoire longue.

Ce que j'ai fini par comprendre

La question que l'on me pose le plus souvent n'est pas « comment marche l'algorithme », c'est « comment le contourner ». Et ma réponse déçoit à chaque fois : on ne contourne pas un système qui mesure votre comportement en continu. On négocie avec lui.

Ce qui m'a le plus surpris en creusant le sujet, c'est la pauvreté du critère final. Toute cette ingénierie, ces milliards de paramètres, ces modèles entraînés sur des volumes inimaginables — pour aboutir à une question d'une simplicité presque insultante : est-ce que cette personne va rester encore un peu ?

Votre travail de créateur, de communicant ou de simple utilisateur ne consiste donc pas à produire du contenu que la machine juge bon. Il consiste à produire du contenu qui donne envie de rester. Ce n'est pas la même chose, et c'est probablement ce qui explique pourquoi tant de comptes très soignés ne décollent jamais.

La prochaine fois que vous verrez une vidéo sans intérêt atteindre des sommets, reposez-vous la question : est-ce que le contenu est mauvais, ou est-ce qu'il a simplement gagné les trois premières secondes ?