Le système ne cherche pas à vous manipuler, il cherche à maintenir son homéostasie par l’élimination de la perturbation : le contenu divergent.
Chaque jour, des milliards de personnes découvrent le monde à travers des flux algorithmiques : YouTube, TikTok, LinkedIn, Google News, Twitter/X.
Ces systèmes promettent de montrer ce qui vous intéresse, et ils tiennent parole avec une efficacité redoutable.
Mais cette personnalisation produit un effet paradoxal. Plus elle s’affine, plus elle enferme. Non par manipulation délibérée, mais par logique systémique.
Cet article explore le mécanisme des bulles informationnelles au-delà de la dénonciation morale.
La promesse de la personnalisation
Les plateformes numériques promettent une chose simple : vous montrer ce qui vous intéresse.
Plus vous interagissez, plus les algorithmes de recommandation s’ajustent, affinant leurs propositions à partir de vos clics, de vos pauses, de vos partages.
Cette promesse est rationnelle. Elle repose sur une logique d’optimisation :
- réduire le bruit,
- augmenter la pertinence,
- fluidifier l’expérience.
Prise isolément, chaque recommandation semble parfaitement cohérente. Pourtant, à l’échelle du système, cette personnalisation produit un effet paradoxal.
Plus le système s’adapte, moins il montre
À mesure que les préférences sont prises en compte, la diversité informationnelle se réduit. Les contenus divergents apparaissent moins souvent, puis plus du tout. Non par censure, mais par simple optimisation statistique.
Le système apprend que ce qui est différent génère moins d’interaction immédiate. Il ajuste donc ses propositions en conséquence.
C’est ainsi que se forme une bulle informationnelle. Un espace cognitif cohérent, stable, rassurant mais progressivement fermé.
Une mécanique de rétroaction, pas une manipulation
Contrairement aux récits dominants, il n’y a pas nécessairement d’intention manipulatoire. Le phénomène repose sur une rétroaction positive :
- je clique sur un type de contenu,
- le système en propose davantage,
- je confirme implicitement la préférence,
- la boucle se renforce.
Chaque étape est logique. C’est leur enchaînement qui produit l’enfermement.
Nous sommes face à une causalité circulaire. Ce que je vois influence ce que je fais, ce que je fais influence ce que je vois. Il devient alors impossible de désigner un point de départ.
La rétroaction positive a transformé une préférence initiale en enfermement cognitif structurel.
Jour 1 : Vous regardez une vidéo analyse politique orientation A.
- → YouTube recommande 10 vidéos similaires orientation A
- → Vous en regardez 2
- → Algorithme confirme : ce profil aime A
Jour 7 : 90% recommandations = orientation A. Contenu orientation B ? Disparu.
Jour 30 : Bulle formée. Exposition perspectives divergentes : quasi nulle.
La rétroaction positive a transformé une préférence initiale en enfermement cognitif structurel.
Jour 1
Action Utilisateur
1 vidéo orientation A regardée
Réponse du Système : Propose 10 vidéos A / 10 vidéos B
Jour 7
Action Utilisateur
Sélectionne uniquement du A
Réponse du Système : 90% de recommandations A
Jour 30
Action Utilisateur
Bulle cognitive formée
Réponse du Système : Exposition à B proche de 0%
Pourquoi corriger aggrave parfois le problème
Face à ce constat, les plateformes tentent régulièrement de corriger :
- diversité forcée,
- labels,
- contenus contradictoires injectés artificiellement.
Mais ces tentatives échouent souvent. Pourquoi ?
Parce qu’elles traitent le symptôme sans modifier la structure. Ajouter de la diversité sans changer la logique d’optimisation revient à introduire une anomalie que le système apprend rapidement à neutraliser.
Ces corrections relèvent du changement de type 1. Ajuster dans le système sans modifier sa logique profonde.
Le système numérique cherche avant tout à préserver sa stabilité. Il fonctionne selon une logique d’homéostasie : maintenir un équilibre interne, même au prix d’une réduction de la complexité du réel.
Ce que le système protège réellement
L’objectif implicite n’est ni l’information, ni la vérité, ni même l’idéologie. Ce que le système protège, c’est :
- la prévisibilité des comportements,
- la continuité de l’engagement,
- la stabilité des modèles statistiques.
Dans cette perspective, l’ouverture cognitive devient un risque. La dissonance ralentit l’interaction. L’incertitude perturbe les prédictions.
C’est un mécanisme de régulation invisible. Le système maintient sa stabilité en éliminant ce qui perturbe son fonctionnement.
Le problème n’est pas l’algorithme
Il est tentant de chercher un coupable : une entreprise, un code, une intention cachée. Mais cette lecture individualise un phénomène structurel.
Le problème n’est pas l’algorithme. Le problème, c’est la structure de régulation dans laquelle il opère.
Il s’agit d’un symptôme systémique, pas d’une cause isolée.
Tant que la performance sera définie par l’optimisation de l’engagement immédiat, les systèmes numériques produiront mécaniquement de l’enfermement informationnel.
Lire le système plutôt que dénoncer ses acteurs
Une analyse systémique permet de sortir du débat moral stérile. Elle ne cherche pas à condamner, mais à comprendre :
- quels comportements le système renforce,
- quels écarts il neutralise,
- et pourquoi certaines corrections échouent.
Ce n’est qu’en modifiant les règles de régulation que les effets peuvent évoluer. Pas en accusant les éléments qui ne font que jouer leur rôle.
Dans les systèmes numériques comme ailleurs, ce ne sont pas les intentions qui comptent, mais les boucles qu’elles alimentent.
Comment reconnaître si vous êtes dans une bulle ?
Votre exposition informationnelle est probablement restreinte si :
- Les contenus recommandés confirment systématiquement vos opinions.
- Vous êtes surpris(e) quand quelqu’un mentionne un événement majeur dont vous n’avez jamais entendu parler.
- Les arguments contraires que vous voyez sont toujours caricaturaux ou faibles.
- Votre feed n’a pas changé significativement depuis 6 mois.
- Vous pouvez prédire 80%+ des recommandations avant de les voir.
- Découvrir une perspective divergente nécessite un effort actif (recherche manuelle, sortie plateforme).
Si + 4 signaux sont présents → votre exposition informationnelle est structurellement réduite par les algorithmes de recommandation.
Conclusion
Les bulles informationnelles ne sont pas le résultat d’une manipulation, mais d’une optimisation.
Les algorithmes de recommandation font exactement ce pour quoi ils sont conçus : maximiser l’engagement en réduisant la friction cognitive.
Le problème n’est donc pas technique, mais structurel. Tant que la performance sera définie par l’optimisation de l’engagement immédiat, les systèmes numériques produiront mécaniquement de l’enfermement.
Comprendre ce mécanisme, ce n’est pas renoncer à agir.
C’est identifier où agir sur les règles de régulation, pas sur les intentions des acteurs.
Un changement de type 2 consiste à transformer les critères de performance eux-mêmes.
Si cette situation vous est familière, vous pouvez la cartographier directement avec l’outil d’investigation systémique (IA Noos).
Questions fréquentes
Références
- Wiener, N. (1948) – Cybernetics: Or Control and Communication in the Animal and the Machine – MIT Press
- Ashby, W.R. (1956) – An Introduction to Cybernetics – Chapman & Hall
- Bateson, G. (1972) – Steps to an Ecology of Mind – University of Chicago Press
- Watzlawick, P., Weakland, J. & Fisch, R. (1974) – Change: Principles of Problem Formation and Problem Resolution – W.W. Norton
- Pariser, E. (2011) – The Filter Bubble: What the Internet Is Hiding from You – Penguin Press
- Sunstein, C.R. (2001) – Republic.com – Princeton University Press
- Bakshy, E., Messing, S. & Adamic, L.A. (2015) – « Exposure to ideologically diverse news and opinion on Facebook » – Science, 348(6239)
- Flaxman, S., Goel, S. & Rao, J.M. (2016) – « Filter Bubbles, Echo Chambers, and Online News Consumption » – Public Opinion Quarterly, 80(S1)
- Zuboff, S. (2019) – The Age of Surveillance Capitalism – PublicAffairs
- Noble, S.U. (2018) – Algorithms of Oppression – NYU Press
- Tufekci, Z. (2015) – « Algorithmic Harms beyond Facebook and Google » – Colorado Technology Law Journal, 13
Frédéric Arminot est analyste systémique, éditorialiste pour Noos Media et superviseur de l’IA Noos.
Formé à l’approche stratégique de Palo Alto, il explore depuis plus de vingt ans les mécanismes invisibles qui structurent les comportements humains, les organisations et les phénomènes sociaux.
À travers Noos Media, il publie des analyses fondées sur la théorie des systèmes, la cybernétique et les sciences de la communication afin d’éclairer les problèmes complexes de notre époque.