Algorithmes : la recette secrète derrière vos écrans
Vous ouvrez TikTok. Trente secondes plus tard, vous tombez sur une vidéo qui vous parle exactement. Coïncidence ? Non. Un algorithme vous a observé, a décodé vos préférences et a choisi cette vidéo parmi des millions. Pendant que vous scrolliez, un autre algorithme décidait quels résultats afficher sur Google, un troisième ajustait le prix d'un billet d'avion, et un quatrième triait des CV sans qu'aucun humain ne les ait lus.
Les algorithmes sont partout. Ils décident de ce que vous voyez, de ce qu'on vous propose, parfois de ce qu'on vous refuse. Pourtant, la majorité des gens serait bien en peine de définir ce qu'est un algorithme.
Posons les bases. Clairement.
Un algorithme, c'est quoi au juste ?
La métaphore des pâtes (oui, vraiment)
Prenez une recette de cuisine. Pour faire des pâtes à la carbonara, il vous faut :
- Des ingrédients : pâtes, guanciale, oeufs, pecorino, poivre
- Du matériel : casserole, poêle, plaque de cuisson
- Une recette : faire bouillir l'eau, cuire les pâtes, préparer la sauce, mélanger
L'algorithme, c'est la recette. C'est une suite d'instructions ordonnées qui transforme des ingrédients (les données d'entrée) en un plat fini (le résultat). Les ingrédients et le matériel sont vos données — la matière première. La recette est le processus logique qui les transforme.
Si vous changez un ingrédient (du parmesan au lieu du pecorino), le plat sera différent. Si vous sautez une étape (oublier de faire bouillir l'eau), ça ne marche pas. Un algorithme fonctionne pareil : il prend un état A (les ingrédients crus) et produit un état B (le plat fini) en suivant des étapes précises, dans un ordre précis.
Rien de magique là-dedans. De la logique, étape par étape.
Trois exemples pour comprendre
1. Le calcul qu'un humain ne ferait pas de tête. Multipliez 2 x 4 x 8 x 16 x 32 x 51. Vous pouvez le faire à la main, mais ça prend du temps et le risque d'erreur est élevé. Un algorithme le résout en une fraction de seconde, sans se tromper. C'est l'usage originel : automatiser des opérations répétitives et fiables.
2. La recherche dans un dictionnaire. Quand vous cherchez le mot "algorithme" dans un dictionnaire papier, vous ne commencez pas à la page 1. Vous ouvrez au milieu, constatez que vous êtes trop loin, revenez en arrière, et ainsi de suite. Ce processus porte un nom : la recherche dichotomique. C'est un algorithme. Vous l'appliquez sans le savoir depuis l'école primaire.
3. Les indicateurs économiques. Le taux de chômage, le taux de croissance, l'indice des prix : ces chiffres que vous entendez au journal de 20h ne tombent pas du ciel. Ils sont calculés par des algorithmes qui agrègent des millions de données brutes (enquêtes, déclarations fiscales, relevés bancaires) et les transforment en un chiffre synthétique. Un algorithme ne fait pas d'erreur de calcul. Si le résultat semble aberrant, c'est la programmation qui est fautive, ou les données d'entrée qui sont biaisées. Jamais l'algorithme en lui-même.
À retenir :
- Un algorithme est une suite finie d'instructions qui transforme des données d'entrée en un résultat
- Ce n'est ni magique, ni forcément informatique — une recette de cuisine est un algorithme
- L'algorithme ne se trompe jamais : ce sont les données ou la programmation qui peuvent être défaillantes
Le cycle de la donnée : de la matière brute à l'or numérique
Collecte, transport, traitement
On compare souvent les données au pétrole. La métaphore tient la route, au moins au début : comme le pétrole brut, la donnée brute est inutilisable telle quelle. Elle doit être extraite, transportée et raffinée.
Collecte. En 2026, les sources de données sont démesurément plus nombreuses qu'il y a dix ans. Chaque objet connecté (montre, thermostat, voiture, frigo) génère des flux continus. Chaque application sur votre téléphone enregistre des comportements. Chaque cookie déposé par un site web capture un fragment de votre navigation. L'Internet des objets (IoT) a fait exploser les volumes : on estime la production mondiale à plus de 180 zettaoctets par an. Pour donner un ordre de grandeur, un zettaoctet représente mille milliards de gigaoctets.
Transport et stockage. La donnée est acheminée vers des serveurs cloud (AWS, Azure, Google Cloud). Le stockage n'est plus un goulot d'étranglement technique. Le vrai enjeu est la gouvernance : qui a accès à quoi, où sont les serveurs, quelle législation s'applique.
Traitement. C'est ici que l'algorithme entre en scène. Il prend la donnée brute et en extrait de la valeur : un profil publicitaire, une recommandation, un diagnostic médical, un score de crédit. Puis vient la quatrième étape, absente de la métaphore pétrolière classique : la monétisation. La donnée raffinée se vend, s'échange, se valorise. C'est le modèle économique de la quasi-totalité des services "gratuits" que vous utilisez.
Le saviez-vous ? Une étude de l'Irish Council for Civil Liberties a montré qu'en Europe, les données de localisation et de navigation d'un utilisateur moyen sont partagées avec des centaines d'entreprises publicitaires — jusqu'à 747 fois par jour. Chaque "partage" est un traitement algorithmique : votre profil est évalué, catégorisé et vendu aux enchères en temps réel (RTB, Real-Time Bidding) en moins de 100 millisecondes.
La donnée n'est pas du pétrole (et c'est encore mieux)
La métaphore a ses limites, et elles sont cruciales. Le pétrole est une ressource finie : quand vous brûlez un litre d'essence, il n'existe plus. La donnée est duplicable à l'infini. Vous pouvez copier un fichier un million de fois sans perdre un seul octet. Le même jeu de données peut être traité simultanément par dix algorithmes différents, pour dix usages différents.
C'est ce qui rend les données si précieuses — et si dangereuses. Une fuite de données ne "vide" pas un réservoir : elle ouvre un robinet qui ne se referme jamais. Une fois vos données dans la nature, elles y restent. C'est aussi pourquoi les [droits RGPD](→ Article 2 : droits-rgpd) existent : parce que la donnée, contrairement au pétrole, vous concerne personnellement et indéfiniment.
À retenir :
- Le cycle de la donnée en 2026 : collecte (IoT, apps, cookies) -> stockage cloud -> traitement algorithmique -> monétisation
- La donnée brute est inutile ; c'est l'algorithme qui en extrait la valeur
- Contrairement au pétrole, la donnée est duplicable à l'infini — ce qui la rend à la fois précieuse et risquée
Les algorithmes qui gouvernent votre quotidien
TikTok, Netflix, Spotify : vos goûts sous algorithme
L'algorithme de recommandation le plus puissant au monde en 2026 est celui de TikTok. Sa particularité : il ne se base pas sur vos abonnements, vos amis ou vos "likes". Il analyse le temps de visionnage. Vous avez regardé une vidéo de cuisine italienne jusqu'au bout ? Il en prend note. Vous avez scrollé en une demi-seconde une vidéo de fitness ? Noté aussi. La "For You Page" est une radiographie de vos micro-comportements, seconde par seconde. Résultat : TikTok peut cerner vos centres d'intérêt en moins de 40 minutes d'utilisation, même sur un compte vierge.
Netflix fonctionne sur un principe différent : la corrélation. Si 80 % des gens qui ont aimé Breaking Bad ont aussi aimé Ozark, l'algorithme vous proposera Ozark. C'est le même principe qu'Amazon utilisait déjà dans les années 2000 avec son célèbre "Les clients ayant acheté cet article ont également acheté..." La base : votre comportement ressemble à celui d'un groupe, donc vous aimerez probablement ce que ce groupe aime.
Spotify pousse le concept plus loin avec Discover Weekly : chaque lundi, 30 titres personnalisés. L'algorithme croise votre historique d'écoute avec celui de millions d'utilisateurs, et ajoute une analyse acoustique (tempo, tonalité, "énergie"). Il ne sait pas que vous aimez le jazz — il repère des caractéristiques sonores récurrentes dans vos écoutes.
Le dénominateur commun : ces algorithmes ne vous "connaissent" pas. Ils connaissent des patterns dans vos données.
Le saviez-vous ? L'algorithme de recommandation de YouTube Shorts a été conçu pour maximiser le temps passé sur la plateforme, pas votre satisfaction. Des études internes de Google (révélées par des lanceurs d'alerte) ont montré que le système pouvait pousser des contenus de plus en plus polarisants parce qu'ils génèrent plus d'engagement — même si l'utilisateur dit ne pas les apprécier dans les sondages.
Google et l'IA : quand l'algorithme répond avant vous
Jusqu'à récemment, Google fonctionnait comme un bibliothécaire : des robots d'indexation parcouraient le web, et l'algorithme de classement triait les résultats par pertinence (plus de 200 facteurs). Vous posiez une question, Google listait des pages web.
En 2026, Google a muté. Avec les AI Overviews, l'algorithme ne classe plus seulement des liens — il génère une réponse en haut de la page, synthétisée à partir de multiples sources. Vous tapez "qu'est-ce qu'un algorithme", et au lieu de dix liens bleus, vous obtenez un paragraphe rédigé par l'IA.
Le problème : cette réponse est présentée comme une vérité. Or c'est le produit d'un algorithme probabiliste qui prédit le mot suivant le plus probable, sans comprendre le sens de ce qu'il écrit. Google a dû retirer des réponses IA après des cas embarrassants (recommander de mettre de la colle sur une pizza, en reprenant un post humoristique de Reddit comme source sérieuse).
Et une réalité structurelle demeure : les résultats de Google ne sont pas objectifs. Deux personnes tapant la même requête n'obtiendront pas les mêmes résultats. L'algorithme prend en compte votre historique, votre localisation, votre appareil, et des dizaines d'autres signaux. Ce que vous voyez n'est pas "la vérité" — c'est la version que l'algorithme estime la plus pertinente pour vous.
Tout un pan du web échappe d'ailleurs à Google. Le deep web (pages non indexées : bases de données, intranets, contenus derrière un login) représente une part massive du web. Le chiffre de "90 %" souvent cité est difficile à vérifier, mais Google n'indexe qu'une fraction de ce qui existe. Le dark web, accessible via Tor, héberge des activités illicites mais aussi des outils de communication pour journalistes et dissidents.
À retenir :
- Les algorithmes de recommandation analysent vos comportements, pas vos goûts déclarés
- TikTok se distingue par l'analyse du temps de visionnage, seconde par seconde
- Google est passé du tri de pages à la génération de réponses par IA — avec les risques que cela comporte
- Les résultats de recherche ne sont jamais neutres : ils sont personnalisés et filtrés par l'algorithme
Le côté sombre : biais et manipulations
Quand l'algorithme discrimine
Un algorithme ne fait pas d'erreur, disait-on. C'est vrai au sens mathématique. Mais un algorithme peut produire des résultats profondément injustes si les données qui l'alimentent sont elles-mêmes biaisées. L'algorithme amplifie ce qu'on lui donne.
Le cas Amazon. En 2018, Reuters a révélé qu'Amazon avait développé un outil de recrutement par IA pour trier automatiquement les CV. Problème : l'algorithme avait été entraîné sur les CV reçus au cours des dix années précédentes — majoritairement des hommes, dans un secteur technologique dominé par les hommes. Résultat : le système pénalisait systématiquement les CV contenant le mot "femmes" (comme "capitaine de l'équipe de football féminin"). Amazon a abandonné le projet.
La reconnaissance faciale. Une étude du NIST (2019) a montré que les systèmes commerciaux avaient un taux d'erreur 10 à 100 fois plus élevé sur les visages de personnes à peau foncée. La raison : les jeux de données d'entraînement étaient massivement composés de visages blancs. L'algorithme n'est pas "raciste" — il n'a pas appris à reconnaître la diversité des visages humains.
Le scoring crédit. Aux États-Unis, des algorithmes de crédit refusent systématiquement des prêts à des habitants de certains quartiers — reproduisant des pratiques de "redlining" (discrimination géographique) qui existent depuis les années 1930. La donnée encode l'histoire, et l'histoire encode les discriminations.
Subjectivité : aucun algorithme n'est neutre
Le cours original de 2018 posait la question de la subjectivité vs l'objectivité. La réponse, huit ans plus tard, est tranchée : aucun algorithme n'est neutre. Pas parce qu'il "choisit" d'être biaisé, mais parce que chaque algorithme est le produit de choix humains :
- Quelles données collecter ? (Un choix.)
- Quelles variables utiliser dans le modèle ? (Un choix.)
- Quel objectif optimiser ? (Un choix.)
- Quel seuil d'erreur accepter ? (Un choix.)
Quand Instagram maximise le temps passé dans l'application, quand X/Twitter met en avant les tweets qui génèrent le plus de réactions — ce sont des choix de conception. Avec des conséquences : polarisation, bulles d'information, amplification des contenus émotionnels.
L'IA générative (ChatGPT, Claude, Midjourney) ajoute une dimension : ces algorithmes génèrent du contenu au lieu de trier l'existant. Le risque de biais s'y retrouve amplifié, puisque le contenu est dérivé des données d'entraînement — avec leurs angles morts.
Le saviez-vous ? En France, l'algorithme Parcoursup, qui affecte les lycéens dans l'enseignement supérieur, a suscité des controverses répétées sur son opacité. Les critères précis de classement des candidats par chaque formation restaient largement inaccessibles, malgré les obligations de transparence algorithmique de la loi pour une République numérique (2016). La Cour des comptes a recommandé en 2023 de renforcer cette transparence.
À retenir :
- Un algorithme biaisé ne "se trompe" pas : il reproduit fidèlement les biais présents dans ses données d'entraînement
- Les cas Amazon (recrutement), NIST (reconnaissance faciale) et scoring crédit montrent des discriminations concrètes
- Chaque algorithme est le produit de choix humains : données, variables, objectifs, seuils — aucun n'est neutre
- L'IA générative ajoute une dimension supplémentaire : les biais dans les données se retrouvent dans le contenu généré
En résumé
Un algorithme n'est ni une boîte noire incompréhensible, ni une intelligence mystérieuse. C'est une recette : des instructions, appliquées à des données, pour produire un résultat. La métaphore des pâtes tient toujours. Ce qui a changé, c'est l'échelle.
En 2026, les algorithmes traitent des milliards de données par seconde. Ils décident de ce que vous regardez (TikTok, YouTube), de ce que vous lisez (Google, Instagram), de ce qu'on vous vend (Amazon, Spotify), et parfois de ce qu'on vous refuse (crédit, emploi, assurance). Ils ne sont ni bons ni mauvais en eux-mêmes — ce sont les données qu'on leur fournit et les objectifs qu'on leur assigne qui déterminent leur impact.
Comprendre ce qu'est un algorithme, c'est le premier pas pour reprendre la main sur ce que les entreprises font de vos données. Le deuxième pas, c'est d'agir.
FAQ
Qu'est-ce qu'un algorithme en termes simples ?
Un algorithme est une suite d'instructions ordonnées qui transforme des données d'entrée en un résultat. Pensez à une recette de cuisine : des ingrédients (les données), du matériel, et des étapes à suivre dans l'ordre (l'algorithme). Tout programme informatique repose sur un ou plusieurs algorithmes.
Comment fonctionne l'algorithme de TikTok ?
L'algorithme de TikTok analyse principalement le temps que vous passez sur chaque vidéo, seconde par seconde. Contrairement à d'autres plateformes, il ne se base pas sur vos abonnements ou vos "likes". Il détecte vos préférences implicites (ce que vous regardez, ce que vous scrollez) et ajuste la "For You Page" en temps réel. Il peut cerner vos centres d'intérêt en moins de 40 minutes d'utilisation.
Un algorithme peut-il se tromper ?
Au sens mathématique, non : un algorithme applique exactement les instructions qu'on lui a données. Mais il peut produire des résultats faux ou injustes si les données d'entrée sont biaisées, incomplètes ou erronées. Le problème ne vient jamais du calcul lui-même, mais de la programmation ou des données.
Qu'est-ce que le biais algorithmique ?
Le biais algorithmique est une discrimination systématique produite par un algorithme, généralement parce que ses données d'entraînement contenaient elles-mêmes des biais (sous-représentation de certains groupes, données historiques discriminatoires). Exemples connus : l'outil de recrutement d'Amazon qui pénalisait les femmes, les systèmes de reconnaissance faciale moins précis sur les peaux foncées.
Quelle différence entre algorithme et intelligence artificielle ?
Tout programme d'IA repose sur des algorithmes, mais tout algorithme n'est pas de l'IA. Un algorithme de tri (classer des nombres du plus petit au plus grand) est un algorithme simple. Une IA comme ChatGPT ou Claude utilise des algorithmes beaucoup plus complexes (réseaux de neurones, transformers) capables d'apprendre à partir de données et de générer du contenu. L'IA est un sous-ensemble avancé de l'algorithmique.
Comment savoir quels algorithmes utilisent mes données ?
En Europe, le RGPD vous donne le [droit d'accès](→ Article 2 : droits-rgpd) (article 15) : vous pouvez demander à toute organisation quelles données elle détient sur vous, ce qu'elle en fait et à qui elle les transmet. Si une décision automatisée vous concerne (refus de prêt, tri de CV), vous avez le droit d'obtenir une explication sur la logique de l'algorithme utilisé (article 22).
Vos données alimentent des algorithmes — reprenez le contrôle
Chaque jour, des dizaines d'algorithmes traitent vos données personnelles : moteurs de recherche, réseaux sociaux, banques, assurances, sites marchands. La plupart du temps, vous n'en savez rien.
Le RGPD vous donne des droits concrets face à ces traitements : savoir quelles données sont collectées, demander leur suppression, refuser la prospection, contester une décision automatisée. Mais encore faut-il les exercer.
C'est la mission de Fairmi. Comme une fourmi face à des géants, chaque citoyen peut se sentir démuni. Mais une fourmi organisée peut déplacer un obstacle mille fois son poids. Fairmi vous donne les outils pour agir : sélectionnez une marque, choisissez le droit que vous voulez exercer, et la demande est générée pour vous. Sans jargon, sans modèle à chercher.