Un fil de réseau social classe quelques milliers de contenus candidats avec un score qui additionne des probabilités pondérées. Les quatre étapes du tri, les signaux qui pèsent vraiment, et ce que le règlement européen oblige à publier.
Un fil n’est pas une liste triée par date : c’est un classement recalculé à chaque ouverture. Le système assemble d’abord un vivier de quelques milliers de contenus candidats, puis attribue à chacun un score qui additionne des probabilités pondérées : probabilité que vous regardiez, commentiez, partagiez, masquiez. Les poids de cette addition sont des choix humains, pas des vérités mathématiques. Les signaux qui comptent le plus sont passifs, à commencer par le temps que vous passez sur un contenu. Le règlement européen sur les services numériques impose depuis février 2024 d’en publier les principaux paramètres et, pour les très grandes plateformes, d’offrir un fil sans profilage.
Vous ouvrez l’application. En haut du fil, une vidéo publiée il y a six jours par un compte que vous ne suivez pas. Juste en dessous, le commentaire d’une connaissance sous la publication d’un inconnu. Le message de votre sœur, envoyé ce matin, arrive en septième position. Vous n’avez rien demandé de tout cela, et pourtant rien n’est arrivé là par accident.
Un fil n’est pas une liste chronologique dans laquelle on aurait retiré quelques éléments. C’est un classement recalculé à chaque ouverture, qui part d’un stock de plusieurs millions de contenus et en retient quelques dizaines. Ce calcul ne cherche pas à deviner ce que vous aimez. Il estime la probabilité que vous fassiez quelque chose : regarder jusqu’au bout, commenter, partager, revenir demain.
La nuance paraît mince. Elle explique la quasi-totalité de ce qui vous surprend dans votre fil, y compris les contenus qui vous exaspèrent et que vous croyez avoir subis.
Parler de « l’algorithme » au singulier laisse croire à une recette unique. Dans les faits, un fil est produit par une chaîne de traitements dont chaque maillon a sa logique propre.
Un, la constitution du vivier. Le système ne classe jamais tout le catalogue : ce serait matériellement impossible en quelques dizaines de millisecondes. Il assemble d’abord quelques milliers de candidats, tirés de trois puits : ce qu’ont publié les comptes que vous suivez, ce qui ressemble aux contenus avec lesquels vous avez interagi, et ce qui marche fort auprès d’utilisateurs dont le comportement ressemble au vôtre. Ce troisième puits, le filtrage collaboratif, est la raison pour laquelle un inconnu apparaît en tête.
Deux, le tri grossier. Un modèle léger, peu coûteux, ramène ces milliers de candidats à quelques centaines. Il travaille sur des caractéristiques simples : fraîcheur, popularité, affinité avec l’auteur.
Trois, le classement fin. Un modèle lourd examine chaque candidat restant et prédit, pour chacun, plusieurs dizaines de probabilités distinctes. C’est l’étape que le langage courant appelle l’algorithme, et c’est celle qui décide de l’ordre.
Quatre, le réordonnancement. Des règles écrites à la main réarrangent la liste finale : pas trois vidéos du même auteur d’affilée, insertion des emplacements publicitaires vendus aux enchères, rétrogradation des contenus jugés limites sans être illicites, quota de contenus récents, et une part d’exploration.
À l’étape trois, le modèle ne produit pas une note d’intérêt. Il produit une série d’estimations indépendantes : probabilité que vous cliquiez, que vous regardiez plus de trois secondes, que vous alliez au bout de la vidéo, que vous commentiez, que vous partagiez en message privé, que vous vous abonniez à l’auteur, mais aussi que vous masquiez le contenu ou que vous le signaliez.
Le classement additionne ensuite ces probabilités, chacune multipliée par un poids. Un contenu qui a 2 % de chances d’être partagé et 40 % de chances d’être regardé trois secondes peut passer devant un contenu inverse, selon la valeur accordée au partage. Les poids négatifs entrent dans la même addition et retranchent.
Le point important tient en une phrase : ces poids ne sont pas calculés, ils sont décidés. Ce sont des arbitrages éditoriaux, révisés régulièrement, qui définissent ce que l’entreprise appelle la valeur d’une session. Quand le code de classement de X a été publié en mars 2023, on a pu vérifier que les poids attachés au signalement et au blocage étaient, en valeur absolue, très supérieurs à ceux des signaux positifs : un signalement coûte à un contenu bien plus qu’un like ne lui rapporte.
Cela reformule un débat mal posé. Dire qu’un réseau « favorise la haine » est imprécis. Un réseau favorise les actions les mieux pondérées. Quand le commentaire pèse plus lourd que la lecture silencieuse, le contenu clivant monte, non parce qu’il est haineux, mais parce qu’il fait taper sur le clavier. Le même mécanisme sert la recette de cuisine qui déclenche des questions.
Beaucoup de gens rationnent leurs likes en croyant contrôler leur fil. C’est un pare-feu percé. Les réactions explicites sont rares : sur un fil vidéo, seule une petite minorité des contenus vus reçoit une réaction visible, alors que chacun produit une durée d’affichage.
Un modèle apprend d’abord de ce qui est abondant. Les signaux passifs le sont : temps passé sur un contenu, taux d’achèvement d’une vidéo, relecture, retour en arrière, ralentissement du défilement, ouverture des commentaires, capture d’écran, mise en sourdine. Ils sont enregistrés sans que vous ayez à décider quoi que ce soit, et ils décrivent le comportement réel plutôt que l’image que vous voulez donner.
Conséquence contre-intuitive : s’arrêter dix secondes sur une publication qui vous scandalise, pour lire les commentaires et mesurer l’étendue du désastre, est le geste le plus favorable que vous puissiez faire à ce contenu. L’indignation silencieuse est indiscernable de l’intérêt.
| Signal | Ce que la plateforme enregistre | Poids réel dans le classement | Ce que vous pouvez en faire |
|---|---|---|---|
| Temps passé, achèvement | Millisecondes d’affichage, pourcentage de vidéo vue, relectures | Très élevé, car disponible sur tous les contenus | Sortir vite d’un contenu que vous ne voulez pas revoir |
| Commentaire, partage | Action explicite, souvent pondérée bien plus qu’un like | Élevé | Répondre en capture plutôt qu’en commentaire si vous ne voulez pas amplifier |
| Like, réaction | Action explicite rare | Modéré, souvent surestimé par les utilisateurs | Utile pour renforcer un thème que vous voulez voir plus souvent |
| Abonnement, activation des notifications | Engagement durable envers un auteur | Très élevé et persistant | Le levier le plus efficace, dans les deux sens |
| Masquage, « pas intéressé », blocage | Retour négatif explicite | Fortement négatif, souvent limité à l’auteur ou au thème | Le seul moyen de dire non de façon lisible par le système |
| Signalement | Retour négatif le plus lourd, plus examen de conformité | Le plus pénalisant | À réserver aux contenus réellement problématiques |
Un signalement n’est pas un bouton « je n’aime pas » : il déclenche une procédure encadrée, avec accusé de réception et décision motivée. La marche à suivre et ses effets juridiques sont détaillés dans notre article sur le signalement d’un contenu illicite.
Le règlement européen sur les services numériques s’applique à l’ensemble des plateformes depuis le 17 février 2024, et depuis l’été 2023 aux services désignés comme très grandes plateformes en ligne, c’est-à-dire ceux qui dépassent 45 millions d’utilisateurs actifs mensuels dans l’Union. Une trentaine de services ont été désignés depuis avril 2023.
Cinq obligations changent concrètement ce que vous pouvez savoir de votre fil.
Ce que le texte n’impose pas mérite d’être dit aussi nettement : ni la publication des poids, ni l’explication du score d’un contenu particulier, ni l’ouverture du code. La transparence porte sur la logique générale, pas sur votre cas. Pour aller plus loin, l’accès aux données par des chercheurs agréés existe, mais il passe par le coordinateur national et non par les utilisateurs.
En France, ce coordinateur pour les services numériques est l’ARCOM, désignée par la loi du 21 mai 2024 sur la sécurisation et la régulation de l’espace numérique. Elle travaille avec la CNIL sur tout ce qui touche aux données personnelles et avec la DGCCRF sur les pratiques commerciales. La surveillance des très grandes plateformes reste, elle, exercée directement par la Commission européenne, avec des amendes pouvant atteindre 6 % du chiffre d’affaires mondial annuel. Ce partage des rôles ressemble à celui décrit pour la surveillance des systèmes d’intelligence artificielle.
Les très grandes plateformes doivent proposer au moins une option de recommandation qui ne repose pas sur le profilage au sens du RGPD. En pratique, c’est l’onglet « Abonnements », « Suivi(e)s » ou « Récent », selon les services, qui affiche les publications des comptes suivis dans l’ordre de publication.
Deux limites, rarement énoncées. La première : le règlement exige que l’option soit disponible et facilement accessible, pas qu’elle devienne le réglage par défaut. La seconde : rien n’impose de la mémoriser. Sur plusieurs applications, fermer puis rouvrir l’application ramène au fil personnalisé. Vérifiez ce comportement chez vous, il en dit long sur la sincérité de l’implémentation.
Reste la question de l’effet réel. Une série d’expériences menées pendant l’élection américaine de 2020 avec accès aux données internes de Meta, publiées dans Science et Nature en juillet 2023, a comparé pendant trois mois un fil algorithmique et un fil chronologique. Résultat : le fil chronologique réduit nettement le temps passé sur le service et l’exposition aux contenus politiques, mais ne déplace pas mesurablement les opinions déclarées ni la polarisation affective des participants.
On attribue au tri des effets qui viennent d’ailleurs. Le défilement infini supprime le point d’arrêt naturel que constituait le bas de page. La lecture automatique enchaîne sans décision de votre part. Les notifications sont souvent regroupées et envoyées au moment où votre activité faiblit. La récompense est variable, jamais garantie, ce qui est précisément le schéma qui produit la répétition la plus tenace.
Ces mécanismes relèvent de la conception d’interface. C’est aussi le terrain où le droit européen mord le plus directement, par l’interdiction des interfaces trompeuses et par l’obligation d’atténuer les risques systémiques, dont les usages compulsifs. Pour les mineurs, une règle supplémentaire s’applique : pas de publicité fondée sur le profilage dès lors que la plateforme sait avec une certitude raisonnable qu’elle s’adresse à un mineur. Les conditions d’accès elles-mêmes relèvent d’un autre débat, traité dans la majorité numérique et la vérification d’âge.
Côté famille, les outils de limitation intégrés aux systèmes mesurent des durées d’écran, pas des expositions. Leurs angles morts sont détaillés dans ce que disent réellement les données sur le temps d’écran, et les filtres disponibles dans notre article sur ce que fait vraiment un contrôle parental.
Un système de recommandation est un traitement de données personnelles. Cela déclenche l’ensemble des leviers du RGPD, qui coexistent avec les obligations du règlement sur les services numériques sans se confondre avec elles.
Vous pouvez demander une copie des données servant à la personnalisation, vous opposer à un traitement fondé sur l’intérêt légitime, retirer un consentement publicitaire. La limite est connue : la portabilité ne couvre que ce que vous avez fourni, jamais les profils déduits ni les scores calculés à partir de votre comportement. Le détail des huit demandes possibles figure dans le mode d’emploi des droits RGPD.
Le ciblage lui-même ne s’arrête pas aux frontières de l’application : il s’alimente aux traceurs, aux identifiants publicitaires et à ce que révèle votre navigateur. La chaîne complète est décrite dans notre article sur l’empreinte du navigateur, et les choix affichés à l’ouverture d’un site dans la lecture d’un bandeau cookies.
Enfin, le classement hérite des défauts de ses données d’apprentissage. Un modèle entraîné sur des comportements passés reproduit les régularités de ces comportements, y compris celles que personne n’a voulues : c’est le mécanisme général décrit dans l’origine des biais d’un modèle, et il vaut pour la recommandation comme pour le reste de l’apprentissage automatique.
Un dernier réflexe, moins évident : si un compte usurpe votre identité ou celle d’un proche, sa présence dans les fils de vos contacts est amplifiée par les mêmes mécanismes d’affinité. La marche à suivre est décrite dans notre article sur les comptes piratés et usurpés.
Devant un contenu qui vous surprend en tête de fil, ne demandez pas pourquoi il vous a été montré. Demandez quelle action il cherche à produire, et si cette action a une valeur pour vous. Un contenu qui ne vise que votre agacement obtient de vous exactement ce qu’il est venu chercher, et le système l’enregistre comme un succès.
Rien dans les analyses techniques publiées jusqu’ici n’établit une écoute permanente du micro, qui serait d’ailleurs très coûteuse en batterie et en données. L’explication ordinaire est moins spectaculaire et plus efficace : votre carnet d’adresses, votre position, les sites visités, les achats et les centres d’intérêt de personnes qui vous ressemblent suffisent à cibler une publicité juste après une conversation. S’y ajoute un biais d’attention : vous remarquez la publicité qui tombe juste, jamais les mille qui tombent à côté. La chaîne réelle est décrite dans le fonctionnement des traceurs publicitaires.
Partiellement. Le règlement européen sur les services numériques impose aux très grandes plateformes de proposer au moins une option de recommandation qui ne repose pas sur le profilage, accessible facilement. Un fil strictement chronologique remplit cette condition, mais le texte n’exige ni qu’il soit le réglage par défaut, ni qu’il soit conservé d’une session à l’autre. Les services plus petits, en dessous du seuil de 45 millions d’utilisateurs mensuels dans l’Union, ne sont pas soumis à cette obligation.
Très peu. Le like est un signal rare et déclaratif ; le temps passé, le taux d’achèvement d’une vidéo, le retour en arrière et le ralentissement du défilement sont abondants et automatiques. Un système entraîné sur des dizaines de milliards d’observations s’appuie d’abord sur ce qui est mesuré en continu. Pour peser réellement, il faut utiliser les entrées négatives explicites (« ne plus voir », « pas intéressé », masquer l’auteur) et surtout se désabonner.
Vous pouvez obtenir une explication de principe, pas le calcul. Les plateformes doivent décrire dans leurs conditions générales les principaux paramètres de leur système de recommandation et l’importance relative de ces paramètres. Pour la publicité, elles doivent indiquer en plus, dans l’interface, qui paie et sur quels critères principaux vous avez été ciblé. Aucune obligation ne porte sur le score individuel d’un contenu ni sur les poids appliqués.
La métaphore est plus fragile qu’on ne le dit. Les travaux menés en 2020 avec accès aux données internes de Meta, publiés en 2023, ont montré qu’un fil chronologique réduit le temps passé et l’exposition aux contenus politiques, sans modifier mesurablement les opinions déclarées sur trois mois. L’effet documenté du classement porte donc surtout sur l’attention et sur la visibilité de certains contenus, moins sur les convictions. Cela ne veut pas dire que la recommandation est neutre : elle décide de ce qui devient visible à grande échelle.
Les liens ci-dessus renvoient vers les textes et les organismes cités. Les dates de consultation sont celles de la dernière relecture, le 13 septembre 2026.
Dans ce thème
Dans la rubrique
Démarches administratives, paiements, réseaux sociaux, famille et droits : le numérique à la française.