Les algorithmes comportementaux

Les algorithmes des applications ne mesurent pas ce que vous déclarez. Ils mesurent ce que vous faites : qui vous aimez, qui vous passez, combien de temps vous restez sur un profil, qui vous répond, à quelle heure vous ouvrez l'application.

Le postulat est celui de la préférence révélée. Ce que les gens font vaudrait mieux que ce qu'ils disent vouloir, et cette méfiance envers les déclarations est fondée.

Une étude de 2008 menée par Paul Eastwick et Eli Finkel auprès de 163 étudiants a comparé leurs critères annoncés à leur attirance mesurée en situation réelle. Sur soixante-douze corrélations, trois seulement ressortaient.

Les applications ont donc raison de se méfier de ce que les gens disent chercher. La question est de savoir ce qu'elles font du comportement à la place.

Et c'est ici qu'un malentendu s'installe. Ces systèmes ne calculent pas une compatibilité entre deux personnes : ils calculent deux grandeurs séparées, votre désirabilité et votre exigence.

Autrement dit, ils construisent une file d'attente, pas un appariement. La différence est technique, et elle explique presque tout ce qui suit.

Du score de désirabilité au classement

Tinder a longtemps reposé sur un score Elo, emprunté au classement des joueurs d'échecs. Le principe : être aimé par quelqu'un de bien classé fait monter votre score davantage qu'être aimé par quelqu'un de mal classé.

En mars 2019, l'entreprise a annoncé l'avoir abandonné, avec une formule sans ambiguïté sur le statut qu'elle lui accordait désormais.

« Elo appartient au passé chez Tinder. C'est une mesure dépassée, et notre technologie actuelle ne s'appuie plus dessus. » Tinder, mars 2019, traduit de l'anglais

Ce qui l'a remplacé reste opaque. L'entreprise indique que l'ordre des profils proposés se réajuste à chaque like ou chaque passe, avec un effet visible sous vingt-quatre heures environ, à partir de l'activité récente, des préférences et de la position géographique.

Le mécanisme de fond n'a pas changé de nature. Il produit un classement de profils dans une file, pas une mise en correspondance entre deux personnes.

Le filtrage collaboratif

La deuxième grande famille, le filtrage collaboratif, emprunte aux moteurs de recommandation. On vous propose les profils qu'ont aimés les gens dont les goûts ressemblent aux vôtres, exactement comme un service de musique recommande un morceau.

Sa force est de ne demander aucune théorie de l'amour. Il suffit de données en quantité suffisante, et le système trouve seul des régularités que personne n'aurait formulées.

Sa faiblesse est connue et documentée dans tous les domaines où on l'emploie. Un système qui apprend des choix passés reproduit les régularités de ces choix, y compris les tris sociaux et géographiques qu'il observe sans les nommer.

L'appariement stable

Une troisième famille s'inspire de l'appariement stable de Gale et Shapley, dont les travaux ont valu à Lloyd Shapley le prix Nobel d'économie en 2012. Il produit des couples tels qu'aucune paire de personnes ne se préférerait mutuellement à ce qu'elle a obtenu.

C'est mathématiquement élégant, et parfaitement adapté à ce pour quoi l'outil a été conçu : l'affectation des internes aux hôpitaux, ou des élèves aux écoles. Il optimise un marché.

Reste la question que ces trois familles partagent, et qui est la plus importante. Ces systèmes optimisent le nombre de matchs et le temps passé, pas la durée des relations, parce que rien dans les données dont ils disposent ne décrit ce qui s'est passé ensuite.

La première force de cette approche est de travailler sur des actes plutôt que sur des déclarations, et la littérature lui donne raison sur ce point précis.

La deuxième est son échelle. Aucune autre méthode de cette série n'opère en temps réel sur des millions de choix réels, et aucune ne produit autant de rencontres effectives.

Cet argument mérite d'être pris au sérieux plutôt que balayé. Une méthode élégante qui ne fait se rencontrer personne vaut moins qu'un système imparfait qui organise des millions de premiers rendez-vous chaque semaine.

La troisième est l'absence de friction. Le système s'améliore à l'usage sans rien demander : ni questionnaire, ni heure de naissance, ni séance d'introspection.

La quatrième mérite d'être soulignée parce qu'aucune typologie ne s'en occupe. Un algorithme gère la distance, la disponibilité, l'activité et la réciprocité, c'est-à-dire les conditions matérielles sans lesquelles la meilleure compatibilité du monde ne sert à rien.

Il faut leur reconnaître un dernier mérite, celui de la gratuité apparente du tri. L'utilisateur n'a rien à formuler, rien à trancher, rien à assumer : le classement se fait sans qu'il ait à dire ce qu'il cherche.

C'est confortable, et ce confort explique l'adoption massive de ces outils bien mieux que la qualité de leurs résultats.

Un profil parfaitement accordé au vôtre mais installé à six cents kilomètres, inactif depuis huit mois, ne vaut rien. C'est le genre de contrainte qu'une table de signes ou de types ignore complètement.

Pour un premier tri sur la proximité et l'intérêt réciproque, rien ne fait mieux. C'est un vrai résultat, et il n'est pas mince.

Une cinquième qualité s'ajoute, moins souvent créditée. Ces systèmes s'adaptent silencieusement à ce que l'utilisateur fait plutôt qu'à ce qu'il déclare, ce qui corrige en continu les critères qu'il croit avoir.

Quelqu'un qui annonce chercher une personne plus âgée et qui aime systématiquement des profils plus jeunes verra ses propositions se déplacer. C'est une forme d'honnêteté que peu de méthodes savent imposer.

L'étude décisive tient en trois lignes de résultats, et elle vient des chercheurs qui connaissent le mieux le sujet. En 2017, Samantha Joel, Paul Eastwick et Eli Finkel ont publié dans Psychological Science un test direct de la prédictibilité de l'attirance.

Deux échantillons de speed dating, 163 puis 187 participants, chacun rencontrant une douzaine de partenaires pendant quatre minutes. En entrée du modèle, 182 puis 112 caractéristiques psychologiques, traitées par forêts aléatoires.

• La désirabilité générale se prédit. Le modèle explique de 7 % à 27 % de la variance de la tendance à être désiré par les autres.
• L'exigence générale se prédit aussi. De 4 % à 18 % de la variance de la tendance à désirer les autres.
• La compatibilité entre deux personnes données ne se prédit pas du tout. Sur cette composante précise, les modèles n'expliquent aucune variance, et tombent même en dessous de zéro une fois la validation croisée appliquée.

Ce troisième résultat est exactement la grandeur qu'un algorithme de mise en relation prétend calculer. Il ne dit pas que les applications sont inutiles : il dit qu'elles savent classer des gens et pas apparier des paires.

La revue de référence de Finkel et de ses collègues, publiée en 2012, aboutissait déjà au même endroit : les algorithmes d'appariement ne font pas mieux qu'un tirage au hasard.

S'ajoute un conflit d'objectif qu'il faut nommer sans dramatiser. Une application dont le produit fonctionne parfaitement perd un utilisateur, et ce qu'elle optimise en pratique est l'engagement.

Vient enfin l'opacité. La numérologie a au moins ceci pour elle qu'on peut refaire son calcul à la main. Ici, la description publique du mécanisme tient en une phrase, et personne à l'extérieur ne peut vérifier ce qui est pondéré.

Reste la circularité. Un système qui apprend de ce qui se passe déjà tend à reconduire ce qui se passe déjà, ce qui est un problème quand la promesse consiste précisément à faire se rencontrer des gens qui ne se seraient pas croisés.

Une dernière difficulté tient à la nature du signal. Un like est une réaction d'une seconde à une photographie, et rien dans ce geste ne renseigne sur ce que la personne cherche.

Le système accumule donc des millions d'observations sur une seule dimension, celle de l'attirance immédiate. Il n'a aucune donnée sur ce qui fera tenir ou rompre un couple, parce que cette information ne lui parvient jamais.

C'est la méthode la plus efficace de cette série pour un premier tri, et la plus faible pour ce qu'on lui demande vraiment. Elle sait qui plaît en général, elle ne sait pas qui va plaire à qui.

La distinction est technique et elle est démontrée. La désirabilité et l'exigence se prédisent, la compatibilité de deux personnes précises ne se prédit pas, et c'est cette dernière que le mot appariement désigne.

Un classement n'est pas un appariement, et l'essentiel du malentendu tient dans cette phrase.

Le marché lui-même en donne un signe. Il a reculé pour la première fois de son histoire en 2025, et la seule application en forte croissance est celle qui met en avant l'intention plutôt que le volume.

Ce déplacement suggère que les utilisateurs ne reprochent pas aux algorithmes de mal fonctionner. Ils leur reprochent de très bien faire quelque chose dont ils ne veulent plus.

Le reproche à leur adresser n'est donc pas de mal calculer. C'est de calculer autre chose que ce que leur nom laisse entendre, et de laisser le malentendu prospérer.

Reste que ces systèmes travaillent sur des clics. Un clic dit qu'un visage a retenu l'attention. Il ne dit rien de ce que la personne derrière le visage attend des dix prochaines années.

Un algorithme comportemental sait ce que vous regardez. Il ignore ce que vous voulez, pour une raison simple : vous ne le lui avez jamais dit, et il ne l'a jamais demandé.

Or c'est sur ce terrain que les histoires s'arrêtent. La place des enfants, le rapport à l'argent, le poids de la famille, l'importance du travail, la fidélité, la liberté de mouvement.

Ces arbitrages sont connus des deux personnes dès le premier jour, mais ne se disent qu'au bout de plusieurs semaines, quand l'attachement rend la conversation coûteuse.

La psychologie sait les mesurer. Le modèle des valeurs de base de Shalom Schwartz décrit une structure de priorités validée dans des dizaines de pays, et un questionnaire de valeurs pour les couples a été publié en 2023 dans Personal Relationships. Comparer ces priorités ne prédit pas une histoire réussie : cela écarte celles qui n'avaient pas de suite possible.

Sources

• Samantha Joel, Paul Eastwick et Eli Finkel, « Is romantic desire predictable? Machine learning applied to initial romantic attraction », Psychological Science, 2017. Lire l'étude
• Déclaration de Tinder sur l'abandon du score Elo, mars 2019. Voir l'article
• Eli Finkel et al., « Online dating: a critical analysis from the perspective of psychological science », 2012. Lire la synthèse
• Travaux d'Eli Finkel sur l'attirance interpersonnelle, dont Eastwick et Finkel, 2008. Consulter la bibliographie
• Shalom Schwartz, « An overview of the Schwartz theory of basic values », Online Readings in Psychology and Culture, 2012. Lire la synthèse
• Danioni et al., questionnaire de valeurs pour les couples, Personal Relationships, 2023. Voir l'étude