L'algorithme : de la recette de calcul au pouvoir invisible
Notion
8 min de lectureIXe siècle - aujourd'huiLe mot est partout : « l'algorithme » de YouTube, de Parcoursup, de la police prédictive, de la Bourse. Il inquiète, fascine, et reste mal compris. Un algorithme n'est pourtant qu'une suite finie d'instructions précises permettant de résoudre un problème ou d'accomplir une tâche : une recette de cuisine, une règle de division, un mode d'emploi. Il n'a rien de nouveau : le terme vient du nom du mathématicien persan al-Khwarizmi (IXe siècle), et Euclide décrivait déjà, vers 300 av. J.-C., un algorithme pour calculer le plus grand diviseur commun de deux nombres.
Ce qui a changé, c'est l'échelle et le pouvoir. Exécutés par des ordinateurs sur des milliards de données, les algorithmes décident désormais de ce que nous lisons (les fils d'actualité), de ce que nous achetons (les recommandations), de qui obtient un prêt, un emploi, une place à l'université, une libération conditionnelle. Ils optimisent le trafic, diagnostiquent des maladies, pilotent des avions et des marchés financiers. Leur efficacité est réelle ; leur opacité aussi.Deux mutations récentes ont accru leur puissance. D'une part, les algorithmes de recommandation des plateformes, conçus pour maximiser le temps passé, façonnent l'espace public et sont accusés de créer des bulles et d'amplifier les contenus extrêmes. D'autre part, l'apprentissage automatique (machine learning) produit des algorithmes qui ne sont plus écrits par un humain mais « appris » à partir d'exemples : personne, pas même leurs concepteurs, ne peut expliquer exactement pourquoi ils prennent telle décision.D'où le débat central : comment gouverner des systèmes qui nous gouvernent ? Transparence, audit, droit à l'explication (RGPD), interdiction de certains usages (AI Act européen, 2024) tentent de répondre. L'algorithme est devenu une question politique et morale, plus qu'une question de mathématiques.Définition
Un algorithme est une suite finie et non ambiguë d'instructions permettant, à partir de données d'entrée, d'obtenir un résultat. Trois propriétés le définissent : il est fini (il se termine), précis (chaque étape est définie sans équivoque) et effectif (chaque étape est réalisable). Un algorithme est indépendant du langage dans lequel on l'écrit et de la machine qui l'exécute ; le programme en est la traduction dans un langage informatique.Le nom vient de Muhammad ibn Musa al-Khwarizmi, savant de Bagdad (vers 780-850), dont le traité sur le calcul indien a introduit en Occident les chiffres arabes et dont le nom, latinisé en Algoritmi, a donné « algorithme ». Son autre ouvrage, Kitab al-jabr, a donné le mot « algèbre ».On distingue les algorithmes explicites, écrits par un programmeur qui en maîtrise chaque règle (trier une liste, calculer un itinéraire), et les algorithmes appris (apprentissage automatique), dont les paramètres sont ajustés automatiquement à partir de données d'exemples, et dont le comportement est en partie imprévisible. Un algorithme de recommandation est un système qui prédit, à partir du comportement passé d'un utilisateur et de ceux qui lui ressemblent, les contenus les plus susceptibles de l'intéresser, généralement pour maximiser un objectif défini par la plateforme (clics, temps passé, achats).
Contexte
Les algorithmes précèdent de loin les ordinateurs : tablettes babyloniennes, algorithme d'Euclide, crible d'Ératosthène, méthodes de calcul d'al-Khwarizmi, dont l'ouvrage diffuse en Europe médiévale la numération de position venue de l'Inde. Pendant des siècles, l'algorithme reste un objet de mathématiciens et de comptables. C'est Ada Lovelace (1843) qui rédige le premier algorithme destiné à une machine, et Turing (1936) qui en donne la théorie générale : tout ce qu'un algorithme peut faire, une machine universelle peut le faire.L'informatique de l'après-guerre en fait une discipline (l'algorithmique), avec ses grands noms (Donald Knuth, Edsger Dijkstra) et ses questions de complexité : combien de temps et de mémoire faut-il ? Certains problèmes sont résolubles vite, d'autres explosent (voyageur de commerce), et la conjecture P = NP reste l'un des sept problèmes du millénaire.L'algorithme devient un enjeu de société avec l'Internet grand public. Le PageRank de Google (1998) hiérarchise le savoir mondial ; le fil d'actualité de Facebook (2006) et son classement algorithmique (2009) transforment l'information en flux personnalisé ; les recommandations d'Amazon, de Netflix, de YouTube, puis de TikTok (2016), font de l'algorithme le curateur de la culture. Parallèlement, les administrations et les entreprises automatisent leurs décisions : scoring bancaire, admission (APB puis Parcoursup en 2018), justice prédictive aux États-Unis (COMPAS), allocation de prestations. Les scandales (Cambridge Analytica, 2018 ; les biais racistes de COMPAS révélés par ProPublica, 2016 ; l'algorithme de notation des lycéens britanniques, 2020) et l'essor du deep learning imposent la question de la régulation : loi pour une République numérique (France, 2016), RGPD (2018), AI Act (2024).
Mécanismes
- L'entrée, le traitement, la sortie : tout algorithme transforme des données d'entrée en résultat par des étapes élémentaires (opérations, tests, boucles). Un tri, un itinéraire GPS, un moteur de recherche fonctionnent ainsi.
- La complexité : le coût d'un algorithme se mesure en fonction de la taille des données. Un bon algorithme fait la différence entre un calcul instantané et un calcul de plusieurs siècles. C'est ce qui explique que certains problèmes (chiffrement) soient sûrs : ils sont trop longs à casser.
- La recommandation par filtrage collaboratif : « les gens qui ont aimé ce que vous avez aimé ont aussi aimé ceci ». L'algorithme ne comprend pas les contenus, il repère des corrélations dans des millions de comportements.
- L'optimisation d'un objectif : tout algorithme sert une fonction à maximiser, fixée par ceux qui le conçoivent : temps passé, clics, revenus. Ses effets (polarisation, addiction) découlent souvent de cet objectif plus que d'une intention malveillante.
- L'apprentissage automatique : on ne code pas les règles, on montre des exemples (des millions d'images de chats) et l'algorithme ajuste ses paramètres jusqu'à reconnaître un chat. Il apprend aussi les biais de ses données : si les exemples de « bon employé » sont des hommes, il défavorise les femmes.
- La boucle de rétroaction : les résultats de l'algorithme modifient les comportements, qui nourrissent l'algorithme. Une police prédictive envoyée dans un quartier y constate plus de délits, ce qui confirme sa prédiction. Le risque est l'auto-réalisation.
Enjeux & débats
1) L'algorithme est-il neutre ? L'idée qu'une machine décide « objectivement », sans passion ni préjugé, est séduisante. Mais un algorithme incorpore les choix de ses concepteurs (l'objectif, les variables retenues) et les biais de ses données (Cathy O'Neil parle d'« armes de destruction mathématique »). Le cas COMPAS, qui prédisait deux fois plus de récidive pour les accusés noirs à situation égale, a montré que l'automatisation peut renforcer les discriminations en leur donnant l'apparence de la science.2) Bulle de filtre et polarisation. Eli Pariser (2011) a popularisé l'idée que la personnalisation nous enferme dans une « bulle » de contenus conformes à nos goûts. Les études empiriques nuancent : les réseaux exposent aussi à des opinions adverses, et la polarisation a des causes politiques antérieures. Mais les algorithmes qui maximisent l'engagement favorisent l'indignation et les contenus extrêmes, ce que les documents internes de Facebook (Frances Haugen, 2021) ont confirmé. Le DSA européen impose désormais aux grandes plateformes un fil non personnalisé et des audits de risques.3) Faut-il un droit à l'explication ? Le RGPD (article 22) donne le droit de ne pas être soumis à une décision entièrement automatisée ayant des effets juridiques, et d'obtenir une intervention humaine. Mais les algorithmes appris sont des « boîtes noires » : leurs concepteurs eux-mêmes ne peuvent en expliquer chaque décision. La transparence de Parcoursup (code publié, mais algorithmes locaux des universités secrets) illustre la difficulté : rendre publique la règle ne suffit pas à la rendre compréhensible ni contestable.
Exemples
- L'algorithme d'Euclide (vers 300 av. J.-C.) : calcul du plus grand commun diviseur par divisions successives ; le plus ancien algorithme non trivial encore utilisé, dans les Éléments d'Euclide.
- Le PageRank de Google (1998) : mesure l'importance d'une page par le nombre et la qualité des pages qui pointent vers elle. Il a fait de Google le portier du savoir mondial et le premier vendeur de publicité de l'histoire.
- Le fil d'actualité de Facebook (classement algorithmique à partir de 2009) : sélection des publications selon un score d'engagement prédit. Les « Facebook Files » de 2021 ont révélé que l'entreprise savait que ses réglages de 2018 amplifiaient les contenus clivants.
- COMPAS (États-Unis) : logiciel d'évaluation du risque de récidive utilisé par les tribunaux ; l'enquête de ProPublica (2016) a montré qu'il classait à tort « à haut risque » deux fois plus d'accusés noirs que blancs. Cas fondateur du débat sur les biais.
- Parcoursup (France, depuis 2018) : plateforme d'affectation dans l'enseignement supérieur, dont l'algorithme national (fondé sur celui de Gale et Shapley, Nobel d'économie 2012) est public, mais dont les classements locaux des formations restent opaques. Le Conseil constitutionnel a validé en 2020 cette opacité partielle.
- TikTok (2016) : son algorithme « Pour toi », fondé sur le temps de visionnage seconde par seconde, ne dépend presque pas des abonnements : il a redéfini la recommandation et inspiré tous ses concurrents, tout en suscitant inquiétudes sur l'addiction des mineurs et la souveraineté (données chinoises).
- L'algorithme des A-levels (Royaume-Uni, 2020) : en pleine pandémie, les notes des lycéens ont été attribuées par un algorithme qui a défavorisé les élèves des écoles publiques défavorisées ; face au scandale, le gouvernement a renoncé en quelques jours. Exemple de refus démocratique d'une décision automatisée.
Pièges & confusions
- Croire que l'algorithme est une invention informatique : le mot a mille ans, la notion deux mille cinq cents.
- Confondre algorithme et intelligence artificielle : toute IA repose sur des algorithmes, mais la plupart des algorithmes (tri, GPS, Parcoursup) n'ont rien d'une IA.
- Attribuer à l'algorithme une volonté : « l'algorithme a décidé » masque les choix humains (objectif, données, déploiement) qui le déterminent.
- Croire qu'un code publié est un algorithme transparent : la lisibilité, l'explicabilité et la contestabilité sont trois choses différentes.
- Réduire les biais à une erreur technique : ils reflètent souvent les inégalités réelles présentes dans les données ; corriger l'algorithme ne corrige pas la société.
Usage concours / oral
L'algorithme est un excellent objet pour les sujets sur la décision, la justice, la liberté de choix ou la vérité. La distinction entre algorithme explicite et algorithme appris vous permet d'être précis là où beaucoup de candidats restent vagues. La question de la neutralité (O'Neil, COMPAS) fait le lien avec la sociologie (Bourdieu et la reproduction) ou la philosophie politique (Rawls et l'équité).En dissertation, opposez la promesse (des décisions rapides, cohérentes, sans favoritisme) et le risque (la discrimination scientifisée, l'opacité, l'irresponsabilité). Sur la culture et les médias, la recommandation est un fil naturel : de la bibliothèque universelle rêvée par Borges au « Pour toi » de TikTok, qui choisit ce que nous voyons ? À l'oral, l'exemple de Parcoursup est incontournable pour des étudiants qui l'ont vécu : sachez en décrire le principe (algorithme de Gale-Shapley, classements locaux) et le débat sur sa transparence.Enfin, restez nuancé sur la bulle de filtre : les jurys se méfient des lieux communs, et savoir que les études empiriques la relativisent tout en reconnaissant l'amplification des contenus extrêmes montre que vous lisez au-delà des slogans.
Sources
Questions d'oral
1Qu'est-ce qu'un algorithme ?2Un algorithme peut-il être neutre ?3Les algorithmes de recommandation nous enferment-ils dans une bulle ?4Faut-il rendre les algorithmes publics transparents ?5Quelle différence entre un algorithme classique et un algorithme appris ?
+ 2 autres questions