Algorithmes de matchmaking : comprendre leur fonctionnement pour mieux dialoguer

Algorithmes de matchmaking: comprendre leur fonctionnement pour mieux dialoguer

Cette décision repose sur des données déclarées, des traces d’activité et des réactions observées. La compatibilité sentimentale n’est pas une variable mesurable au sens strict. La probabilité d’une interaction, elle, l’est.

Le malentendu commence ici. Un utilisateur peut croire qu’un profil absent de son écran n’est pas intéressé, trop éloigné ou indisponible. Il peut simplement être classé plus bas par une infrastructure qui privilégie la récence, la réciprocité probable et les habitudes de navigation. Le tchat devient alors un espace filtré avant même le premier message.

Comprendre le fonctionnement des algorithmes de rencontre permet de reprendre la main sur les paramètres réellement accessibles: profil, préférences, rythme d’usage, signaux envoyés à la plateforme. Pas pour contourner une machine. Pour éviter de lui attribuer des intentions qu’elle n’a pas.

La mécanique invisible: au-delà du fantasme du score de popularité

Le mythe du « score de désirabilité » est tenace. Il s’appuie sur une idée simple: chaque personne recevrait une note secrète, puis serait montrée à des profils de même niveau. Ce modèle a existé sous différentes formes dans l’histoire des plateformes numériques. Il ne décrit pas correctement les mécanismes documentés aujourd’hui par les grandes applications.

Tinder, par exemple, indique ne plus recourir à un score Elo. Le modèle Elo, conçu pour classer des joueurs d’échecs, aurait consisté à ajuster une position relative selon les interactions reçues. Cette logique est trop rigide pour un environnement de rencontre: elle réduit les individus à une hiérarchie globale alors que les préférences sont fragmentées, locales et souvent contradictoires.

Les critères de matching tchat fonctionnent davantage comme un système de classement contextuel. Le profil affiché est celui qui réunit, à un instant donné, plusieurs conditions favorables:

• il entre dans les préférences de base renseignées par l’autre personne: âge, genre, distance, critères de recherche;
• il semble actif ou récemment disponible;
• son profil présente des caractéristiques associées à des interactions positives passées;
• il a une probabilité raisonnable d’être lui-même intéressé par le profil auquel il est présenté;
• il n’a pas déjà été ignoré, refusé ou épuisé dans les recommandations précédentes.

Ce n’est pas un jugement sur la valeur d’un profil. C’est une estimation statistique de l’utilité d’une présentation. La nuance est importante. Un profil peut être très apprécié par un groupe et peu montré à un autre, non parce qu’il serait « mal classé », mais parce que le système anticipe une interaction peu probable dans ce contexte précis.

La technologie de mise en relation travaille donc avec des proxys: des indices qui approchent un comportement attendu sans le connaître. C’est efficace pour ordonner un flux. Ce n’est pas une science prédictive des relations humaines.

Un algorithme n’évalue pas une rencontre. Il classe la probabilité qu’une conversation commence.

Cette différence explique pourquoi deux personnes très compatibles peuvent ne jamais se voir dans une application. Elles doivent d’abord franchir les filtres de disponibilité, de géographie, de préférences, de visibilité et de réciprocité estimée. Le système réduit le volume. Il ne cartographie pas le hasard.

L’activité est un signal de disponibilité, pas une récompense morale

Dans un environnement de tchat, un profil inactif crée une friction mesurable. Il est présenté, reçoit un like ou un message, puis ne répond pas. L’expérience se dégrade pour l’autre utilisateur et la plateforme perd une occasion d’interaction. Les applications ont donc intérêt à mettre en avant les personnes susceptibles de répondre.

Tinder indique explicitement donner davantage de place aux profils actifs, notamment lorsque les personnes sont connectées au même moment. L’usage régulier peut accroître la visibilité et le nombre de profils proposés. Cette information est souvent interprétée comme une injonction à rester connecté. Ce serait une lecture excessive. Le signal d’activité répond d’abord à un problème de fonctionnement: limiter les recommandations vers des comptes dormants.

L’activité n’est pourtant jamais isolée. Une connexion fréquente peut améliorer l’exposition, mais elle ne remplace ni un profil intelligible ni des préférences cohérentes. Elle sert de facteur de fraîcheur. En pratique, elle évite qu’une application transforme son catalogue de comptes en cimetière conversationnel.

Il faut aussi distinguer trois événements souvent confondus:

1. Être visible: le profil entre dans le lot de recommandations d’une autre personne.

2. Être sélectionné: le profil reçoit un like, une réaction ou une demande de contact.

3. Obtenir un échange: les deux personnes franchissent le seuil de réciprocité et commencent à dialoguer.

Un algorithme peut agir fortement sur le premier niveau, indirectement sur le deuxième, et très peu sur le troisième. Dès que la conversation démarre, le système perd une part de son contrôle. Le ton, le rythme, la clarté d’une intention et la capacité à répondre deviennent des variables humaines.

Pour un algorithme de tchat gratuit, cette séquence est encore plus sensible. L’absence de paiement ou d’engagement initial abaisse la barrière d’entrée, mais augmente aussi la rotation des profils, les connexions très brèves et les abandons. L’activité récente acquiert donc une valeur opérationnelle: elle réduit le risque de présenter un compte qui ne répondra jamais.

Cela ne signifie pas qu’il faille transformer l’application en routine de surveillance. Une utilisation compulsive produit surtout du bruit: décisions rapides, likes peu sélectifs, fatigue de choix, conversations ouvertes sans suite. Le système reçoit alors des signaux moins lisibles.

Un usage plus stable crée une trace comportementale plus cohérente. Quelques sessions réelles, des préférences paramétrées et des réactions assumées apportent plus d’information qu’une succession de gestes mécaniques. Ce n’est pas une recette de visibilité. C’est une réduction du bruit dans les données que l’on fournit.

Les signaux comportementaux: ce que la plateforme apprend sans questionnaire

Le profil déclaré est la partie visible du dispositif. Âge, localisation, centres d’intérêt, style de vie, préférences de genre ou de distance: ces paramètres forment une première couche de filtrage. Ils sont utiles, mais insuffisants. Deux utilisateurs peuvent déclarer rechercher la même chose et n’interagir avec aucun des mêmes profils.

Les plateformes complètent donc ces données avec des signaux comportementaux. Tinder explique notamment prendre en compte l’historique des likes et des refus, ainsi que des signaux anonymisés issus des photos, afin d’affiner les recommandations. La formulation mérite d’être lue avec précision: il ne s’agit pas nécessairement d’une analyse de l’identité ou d’une vérité extraite d’une image. Il s’agit d’indices utilisés pour rapprocher certains profils de tendances observées.

Hinge décrit un ensemble plus large de variables possibles: âge, genre, localisation, préférences, critères éliminatoires, likes, profils ignorés, matchs et échanges de numéros. La plateforme peut également solliciter un retour après l’échange de coordonnées: les personnes se sont-elles rencontrées, souhaitent-elles revoir l’autre? Une réponse négative sur l’envie d’un second rendez-vous peut nourrir les recommandations futures.

Ce mécanisme a une logique claire. Le match n’est pas traité comme l’aboutissement du parcours. Il devient une donnée intermédiaire. Un échange de numéros, une rencontre effective ou l’absence d’envie de se revoir permettent de distinguer une affinité de surface d’une interaction qui se prolonge hors de l’écran.

Mais cette logique a un coût: elle transforme des séquences privées en variables de profilage.

La CNIL définit le profilage comme un traitement de données personnelles destiné à analyser ou prédire certains aspects liés à une personne, notamment ses préférences, ses habitudes ou son comportement. Cette pratique n’est pas, par nature, illégitime. Elle structure déjà les moteurs de recherche, les recommandations culturelles et les fils d’actualité. Dans la rencontre, elle devient plus sensible parce que les données touchent aux habitudes relationnelles, aux choix intimes et parfois aux exclusions.

Le problème n’est pas qu’un système observe des préférences. Le problème apparaît lorsque les prédictions deviennent invisibles, difficiles à corriger et trop stables.

Un utilisateur qui ignore systématiquement un type de profil peut être enfermé dans cette préférence apparente. Or un refus n’exprime pas toujours un goût. Il peut refléter une mauvaise photo, un moment d’inattention, une distance trop grande ce jour-là, ou la fatigue de faire défiler des profils. L’algorithme voit une action. Il ne connaît pas son contexte.

Les données comportementales décrivent des gestes. Elles n’expliquent pas toujours les raisons de ces gestes.

C’est pourquoi les paramètres déclarés restent nécessaires. Ils constituent une forme de garde-fou face aux seules inférences. Une préférence explicitement modifiée peut réorienter une recommandation plus nettement qu’une longue série d’interactions ambiguës. À l’inverse, laisser un profil incomplet revient à déléguer davantage de travail interprétatif au système.

La recommandation réciproque change la logique du matching

La plupart des recommandations numériques sont unilatérales. Une plateforme estime qu’un contenu, un produit ou un compte devrait intéresser une personne donnée. Dans le domaine de la rencontre, cette architecture est incomplète. Il ne suffit pas que A apprécie B. Il faut aussi que B puisse apprécier A.

C’est le principe de la recommandation réciproque, ou bilatérale. Elle ne cherche pas uniquement à maximiser le taux de clic ou de like d’un côté. Elle tente d’identifier les croisements de préférences où une interaction mutuelle paraît plausible.

Hinge présente sa recommandation « Most Compatible » comme une combinaison de critères éliminatoires mutuels, d’activité récente et de schémas communs dans les profils que les membres ont tendance à aimer. Lorsqu’elle est disponible, cette proposition est en principe envoyée environ une fois par jour et expire après 24 heures. Le format limité n’est pas neutre: il crée une priorité dans un flux qui peut autrement devenir indifférencié.

La recherche académique sur les sites de rencontre a également étudié cet enjeu. Une étude publiée en 2014 rapportait, sur les données d’un grand site, une amélioration pouvant atteindre 45 % du taux de matchs réussis avec un cadre de recommandation bilatérale. Ce chiffre a des limites strictes. Il concerne une expérimentation, un jeu de données et une définition spécifique du succès. Il ne permet ni de mesurer les performances des applications actuelles, ni de promettre un gain individuel.

Il confirme toutefois une évidence structurelle: la recommandation réciproque est plus pertinente qu’un classement fondé sur l’attractivité supposée d’un seul côté.

Cette approche modifie aussi la lecture de certains comportements. Ne pas voir un profil ne signifie pas nécessairement que l’application l’a exclu. Le système peut estimer que la présentation serait peu utile parce que les préférences des deux côtés ne se recoupent pas. Cette estimation peut être juste, fausse ou datée. Elle reste une estimation.

La variable décisive est ici l’asymétrie. Dans une application, chaque personne dispose d’informations différentes, de préférences différentes et d’un niveau d’activité différent. Le matching tente de réduire cette asymétrie sans pouvoir la supprimer. Il organise une possibilité de dialogue; il ne fabrique pas un désir partagé.

L’IA ajoute de la personnalisation, pas une lecture des sentiments

L’intelligence artificielle amoureuse est souvent présentée comme une rupture. Dans les faits, elle prolonge plusieurs mécanismes déjà présents: classement, prédiction, extraction de signaux et personnalisation. La différence tient à la quantité de données pouvant être combinées et à la capacité du système à produire des suggestions plus nuancées.

Tinder a annoncé une fonction de matchmaking alimentée par l’IA, facultative et disponible seulement sur certains marchés. Selon la plateforme, elle peut exploiter les éléments du profil, l’activité et les réponses à des questions. Avec l’accord de la personne concernée, elle peut aussi utiliser des étiquettes associées aux photos de la pellicule. Cet accès n’est pas requis pour utiliser l’application ou la fonction. Les informations générées peuvent être consultées ou supprimées dans l’application.

Trois garde-fous doivent être séparés dans l’analyse.

• Le consentement d’accès: donner accès à des données supplémentaires, comme les étiquettes de photos, doit rester facultatif et révocable.
• La lisibilité du résultat: l’utilisateur doit pouvoir comprendre quelles informations synthétisées influencent son expérience et les corriger ou les supprimer.
• La proportionnalité: une donnée disponible n’est pas automatiquement une donnée légitime à exploiter pour la mise en relation.

La question n’est donc pas de savoir si l’IA « comprend » mieux une personne. Elle ne comprend pas au sens humain. Elle repère des régularités dans les informations qu’elle reçoit. Une IA peut inférer qu’une personne préfère des profils associés à certains styles de vie, à certaines activités ou à certains modes de présentation. Elle ne peut pas déterminer si cette préférence constitue une orientation durable, une phase, une curiosité ou une réaction au flux affiché la veille.

Le risque de stéréotype est central. Si un système apprend à partir d’interactions passées, il peut renforcer les distributions déjà existantes: mêmes types de profils montrés, mêmes populations moins visibles, mêmes habitudes reconduites. La CNIL alerte sur ce point: le profilage peut produire des prédictions inexactes, perpétuer des stéréotypes ou enfermer les personnes dans leurs choix.

Ce risque ne disparaît pas parce que l’outil est optionnel. L’optionnalité protège un consentement. Elle ne garantit pas la neutralité du classement produit. La qualité d’un système dépend de ses données, de ses objectifs d’optimisation et de ses mécanismes de correction. Or les pondérations précises, les modèles utilisés et les règles complètes de classement restent propriétaires chez les principales plateformes.

La transparence a donc une limite technique nette: on connaît certains signaux, pas leur poids exact. Aucun utilisateur ne peut déduire avec certitude pourquoi un profil est apparu avant un autre à un moment donné.

Ce que l’algorithme révèle, et ce qu’il ne doit pas décider

Les algorithmes de matchmaking sur les applications de tchat sont des systèmes de réduction de complexité. Ils filtrent une population trop vaste pour être parcourue intégralement. Ils favorisent les profils actifs. Ils interprètent les réactions. Ils tentent parfois d’anticiper la réciprocité. Leur fonction est logistique avant d’être romantique.

Cette infrastructure peut améliorer l’expérience lorsqu’elle diminue les comptes inactifs, respecte les paramètres exprimés et laisse des possibilités de correction. Elle devient plus problématique lorsqu’elle rigidifie les habitudes, masque les règles ou pousse à fournir des données disproportionnées au regard du service rendu.

Le bon usage ne consiste pas à jouer contre l’algorithme. Les prétendues techniques pour « tromper » le classement reposent souvent sur des extrapolations invérifiables. Les paramètres changent, les règles sont opaques et les comportements artificiels dégradent la qualité du signal envoyé.

Une recommandation technique suffit: renseigner des préférences cohérentes, maintenir un profil à jour, refuser clairement les propositions qui ne correspondent pas et utiliser les contrôles de données disponibles. Cela ne force pas une rencontre. Cela réduit l’écart entre ce que l’on cherche, ce que le système infère et les personnes avec lesquelles une conversation peut réellement commencer.