Matchmaking par IA et algorithmes traditionnels : quelles différences pour vos rencontres

Matchmaking par IA et algorithmes traditionnels: quelles différences pour vos rencontres

Sauf que derrière le mot « IA », on retrouve souvent les mêmes informations déclaratives que celles qui filtraient déjà votre premier site de rencontre au début des années 2000 — mieux intégrées, plus réactives, plus bavardes, et infiniment plus vendeuses.

L’idée d’un système qui « connaîtrait » mieux vos affinités qu’un bar du quartier ou qu’un ami bien intentionné a quelque chose de séduisant. Elle a aussi quelque chose de légèrement mythologique. Pour y voir clair, encore faut-il prendre ces mécanismes pour ce qu’ils sont: des outils statistiques, pas des oracles sentimentaux.

Le matchmaking par IA et algorithmes de compatibilité ne se résume donc pas à un duel entre une vieille machine qui appliquerait docilement des filtres et une nouvelle machine qui lirait dans vos désirs. Dans la pratique, les deux familles se chevauchent largement. Elles peuvent combiner des préférences déclarées, des contraintes concrètes et des traces de comportement; ce qui varie, c’est surtout la façon dont ces éléments sont pondérés, actualisés et transformés en recommandations.

Les fondements des algorithmes de compatibilité traditionnels

Le mot « matching » apparaît dans la littérature académique bien avant que le grand public n’en fasse un argument marketing. Il désigne, depuis longtemps, l’usage d’un algorithme mathématique par un site de rencontre pour sélectionner des partenaires potentiels présentés comme particulièrement compatibles. Le pari est limpide: si l’on recueille, avant la rencontre, un certain nombre d’informations sur une personne, on peut orienter ses suggestions vers des profils qui ont davantage de chances de l’intéresser.

Dans les faits, les premiers critères de sélection des algorithmes de rencontre sont souvent très ordinaires. Il y a l’âge, la localisation, le genre, les préférences explicites, les centres d’intérêt annoncés, le mode de vie, parfois le niveau d’études ou le rapport au tabac et à l’alcool. Ce sont les cases remplies en quelques secondes au moment de l’inscription — et qu’on oublie tout aussi vite de corriger quand la vie, elle, change de direction.

Ces données servent à construire un premier périmètre. Elles peuvent exclure les profils trop éloignés, écarter ceux qui ne correspondent pas aux préférences renseignées ou faire remonter des personnes partageant certains traits. Mais un algorithme de matching amoureux, même ancien dans sa conception, ne se limite pas nécessairement à cette grille déclarative. Dès qu’une plateforme observe des usages, elle peut enrichir son tri avec ce qui se passe réellement à l’écran.

Le fait d’aimer un profil, de le passer, de revenir sur une fiche, de répondre ou non à un message, de rester longtemps sur une photo: toutes ces traces peuvent nourrir le calcul de pertinence. Elles ne disent pas ce que vous ressentez; elles disent ce que vous faites. La nuance paraît mince, elle est fondamentale.

Tinder a notamment indiqué que son système de recommandation tient compte des marques d’intérêt, des refus et de l’activité des utilisateurs, ainsi que d’indices anonymisés associés à des photos, et qu’il ne s’appuie plus sur un score Elo. Autrement dit, même une application que l’on décrit volontiers à travers le geste du défilement n’est pas un simple catalogue ordonné par âge et par distance.

Une revue critique publiée en 2012 dans Psychological Science in the Public Interest concluait déjà qu’il n’existait pas, à l’époque, de preuve convaincante que les algorithmes mathématiques produisaient de meilleurs résultats amoureux que d’autres modes de mise en relation. Ce qui ne les empêchait ni de fonctionner commercialement, ni de transformer les rituels de la séduction. La promesse de compatibilité a toujours été plus facile à vendre que la réalité d’une conversation qui s’éteint au troisième message.

Ce qu’un profil renseigne — et ce qu’il laisse intact

Les informations déclarées ont une utilité concrète. Personne ne souhaite recevoir indéfiniment des profils qui vivent trop loin, ne cherchent pas le même type de relation ou ne partagent aucune contrainte essentielle. Le problème commence lorsqu’on confond cette mise en ordre avec une mesure fiable de la compatibilité amoureuse.

Deux profils peuvent sembler parfaitement alignés sur le papier et ne rien trouver à se dire. À l’inverse, deux personnes qui ne cochent pas les mêmes cases peuvent se rencontrer au bon moment, avec une disponibilité, une curiosité ou un humour que l’application n’avait aucun moyen de saisir.

Les plateformes travaillent donc avec une matière incomplète:

• les données renseignées décrivent ce que l’on accepte de dire de soi;
• les comportements décrivent ce que l’on fait dans un environnement très particulier;
• les échanges révèlent un peu plus, mais restent contraints par l’interface et ses codes;
• la rencontre hors écran ouvre un espace que la plateforme ne voit presque jamais vraiment.

C’est la première limite à garder en tête: une recommandation peut réduire le bruit, elle ne peut pas épuiser une personne.

L’émergence et le fonctionnement du matchmaking par intelligence artificielle

L’arrivée massive de l’IA dans les applications ne signe pas une rupture aussi nette qu’on le raconte. Elle prolonge une dynamique déjà à l’œuvre: les systèmes apprennent de l’activité des utilisateurs, ajustent leurs classements, pèsent différemment les signaux selon les contextes et deviennent, au fil des mois, plus difficiles à interroger.

Le terme « intelligence artificielle » recouvre d’ailleurs des réalités très différentes. Il peut désigner un modèle qui réordonne des profils à partir de comportements observés, une fonction qui suggère des formulations pour une biographie, un outil qui aide à sélectionner des photos, ou un système capable de repérer des régularités dans de très grands volumes d’interactions. L’étiquette est large; la promesse l’est souvent davantage.

Concrètement, les fonctions présentées comme assistées par IA — par exemple sur Tinder — peuvent s’appuyer sur plusieurs couches: le profil rempli par l’utilisateur, ses réponses à des questions de personnalité, son activité dans l’application et, avec son accord explicite, des indices dérivés des photos de sa pellicule. L’accès à celle-ci est présenté comme facultatif; les informations générées par la fonction peuvent être consultées et supprimées depuis les paramètres de l’application.

Ce n’est donc pas une boîte noire absolue, même si les pondérations internes — celles qui font qu’un profil remonte plutôt qu’un autre — restent largement opaques. Vous pouvez savoir, dans une certaine mesure, quelles données vous avez fournies. Vous saurez beaucoup moins précisément quel rôle chacune joue dans la recommandation du jour.

La logique réciproque: ne pas seulement vous plaire, mais être plausible pour l’autre

Une tendance importante du fonctionnement des applications de matchmaking consiste à ne plus chercher uniquement les profils susceptibles de vous intéresser. Le système peut aussi tenter d’estimer la probabilité qu’une interaction soit réciproque: que vous appréciiez l’autre, mais aussi que l’autre soit susceptible de vous remarquer, de répondre ou d’accepter la rencontre.

Une étude de 2015 sur la recommandation réciproque a montré que des méthodes de filtrage collaboratif obtenaient de meilleurs résultats, en matière de précision et de rappel, que des approches plus naïves. La logique est celle de l’appariement mutuel: on ne recherche pas seulement un coup de cœur isolé, on essaie de faire émerger des contacts où un retour est statistiquement plus probable.

À l’échelle d’une plateforme, cela modifie le regard porté sur chaque profil. Une suggestion n’est pas forcément le portrait de votre « partenaire idéal ». C’est souvent le résultat d’une hypothèse plus modeste: voici une personne avec laquelle une interaction semble avoir des chances raisonnables de se produire maintenant.

Cette modestie est rarement mise en avant par le marketing. Elle devrait pourtant l’être.

L’IA ne prédit pas l’amour. Elle estime la probabilité qu’une interaction en entraîne une autre.

Une étude fondée sur plus de 421 millions de paires potentielles observées dans une application mobile a défini un « match effectif » comme l’échange de coordonnées avec une intention probable de se rencontrer. Pour presque toutes les caractéristiques étudiées, une plus grande similarité était associée à une probabilité plus élevée de match effectif. L’exception notable concernait deux variables spécifiques — détail utile, puisqu’il rappelle que « similarité » ne veut jamais dire « destin commun ».

La statistique adore les moyennes; l’amour, lui, n’en fait rien. Ou plutôt: il en fait parfois quelque chose, mais pas ce que les slogans prétendent.

Les frontières poreuses entre filtres classiques et modèles dynamiques

Opposer frontalement « IA » et « algorithme traditionnel » est une commodité de communication qui ne résiste pas longtemps à l’examen. Les frontières sont poreuses, et c’est heureux pour l’honnêteté de l’analyse.

Un système qui ne se présente pas comme intelligent peut exploiter des signaux comportementaux: marques d’intérêt, refus, fréquence de connexion, réponses aux messages, activité récente. Inversement, un système revendiquant l’IA ne part pas de rien et ne devine pas ex nihilo vos goûts: il s’appuie fréquemment sur les critères que vous avez déclarés, sur les règles de la plateforme et sur des données explicites dont il ajuste ensuite l’importance.

La différence ne se situe donc pas entre un modèle qui ne regarderait que vos cases cochées et un autre qui ne regarderait que votre conduite réelle. Les deux approches peuvent mobiliser les deux sources. Elles se distinguent davantage par leur degré d’automatisation, la finesse de leurs ajustements, leur capacité à repérer des corrélations et la rapidité avec laquelle elles révisent un classement.

Le point important est là: tri et classement ne sont pas deux mondes étanches. Un même service peut d’abord filtrer selon des contraintes très concrètes — distance, âge, type de recherche — puis classer les profils restants à l’aide de signaux déclaratifs et comportementaux. Un autre peut faire la même chose avec des méthodes moins sophistiquées, sans employer le mot IA dans sa communication.

Le véritable changement tient moins à une bascule propre qu’à la densité de l’observation. Plus le système accumule de données et actualise rapidement ses hypothèses, plus il peut donner l’impression de vous anticiper. Mais anticiper un geste dans une application ne revient pas à comprendre un désir dans toute sa complexité.

Le risque discret: prendre l’ordre d’apparition pour un jugement

Un profil présenté en premier peut sembler validé par la machine. Un profil qui apparaît rarement peut donner l’impression d’avoir été rejeté, comme si l’absence dans le flux traduisait une incompatibilité objective. C’est là que l’interface produit une petite fiction sociale: l’ordre devient une forme de verdict.

Or cet ordre peut répondre à une multitude de facteurs. La disponibilité récente du profil, les préférences renseignées par les deux personnes, la probabilité d’une réaction mutuelle, l’activité générale sur la plateforme ou la volonté de maintenir une expérience fluide peuvent tous peser. Rien de tout cela ne constitue une note sur votre valeur affective.

Les utilisateurs le savent théoriquement. Dans la pratique, ils continuent souvent de lire les suggestions comme un miroir. C’est une erreur compréhensible, mais une erreur tout de même.

Encadrement juridique et réalités des recommandations de profils

En Europe, le sujet ne se limite pas à la performance technique. L’article 22 du RGPD encadre les décisions fondées exclusivement sur un traitement automatisé, y compris le profilage, lorsqu’elles produisent des effets juridiques ou affectent une personne de manière significative. La CNIL, en France, précise que tout profilage n’est pas illégal en soi, mais que certains cas peuvent justifier un droit d’opposition ou d’intervention humaine.

Concrètement, une recommandation de profil sur une application de rencontre n’est pas automatiquement une « décision automatisée » au sens de cet article. Le critère n’est pas l’usage d’un modèle d’IA en lui-même, mais le caractère exclusivement automatisé du traitement et la nature de ses effets.

Classer des fiches pour les afficher dans un certain ordre n’est pas, en général, assimilé à une décision aux conséquences juridiques majeures. On n’y lit pas un verdict sur l’avenir sentimental de quiconque, même si certains écrans sont assez bien conçus pour donner cette impression. Affirmer qu’une plateforme viole le RGPD parce qu’elle utilise de l’IA est donc un raccourci souvent inexact: commode pour faire peur, assez peu utile pour comprendre ses droits.

Cela ne dispense pas les éditeurs d’applications d’un minimum de transparence. Informer clairement sur les données utilisées, permettre le retrait d’un consentement — notamment pour l’accès aux photos —, offrir un moyen de consulter ou supprimer certaines informations générées: tout cela va dans le bon sens.

La question pratique mérite d’être posée sans dramatisation. Si une fonction demande l’accès à vos images, à vos réponses ou à des éléments de votre activité, demandez-vous ce qu’elle vous apporte réellement. Une recommandation plus soignée peut être utile. Elle ne justifie pas automatiquement de livrer davantage que ce que vous êtes prêt à laisser entrer dans le calcul.

Une recommandation n’est jamais neutre: elle organise votre attention avant même que vous ayez choisi à qui la donner.

Ce que changent vraiment ces deux approches pour vos rencontres

La différence opérationnelle entre les systèmes ne tient pas à une opposition simple entre critères déclarés d’un côté et comportement réel de l’autre. Un dispositif fondé sur des filtres peut aussi tenir compte d’usages passés; un dispositif présenté comme IA conserve presque toujours des règles, des seuils et des préférences explicites.

Ce qui change, selon les applications, se joue plutôt dans plusieurs zones:

1. La vitesse d’ajustement. Un système dynamique peut modifier plus rapidement l’ordre des profils selon vos interactions récentes. Cela peut donner l’impression que vos goûts évoluent à chaque session, alors que le modèle répond parfois seulement à un comportement ponctuel.

2. La variété des signaux. Au-delà des informations de profil, certaines plateformes peuvent prendre en compte la manière dont vous utilisez le service: vos réponses, vos hésitations, votre régularité ou la réciprocité probable d’un échange.

3. Le poids de l’ordre de présentation. Les filtres déterminent souvent qui peut entrer dans votre champ de recherche. Le classement décide ensuite, plus ou moins finement, qui sera vu en premier. C’est une différence d’expérience considérable, même lorsque les données de départ sont proches.

4. L’opacité des pondérations. Vous maîtrisez généralement mieux un âge maximal ou une distance de recherche que les facteurs invisibles qui expliquent pourquoi un profil apparaît aujourd’hui plutôt que demain.

5. La possibilité de corriger le système. Modifier sa description, actualiser ses préférences, retirer un accès accordé aux photos, supprimer certaines informations générées ou simplement changer ses usages: autant de gestes qui peuvent influencer les suggestions sans garantir leur résultat.

Pour l’utilisateur, il est futile de guetter l’arrivée d’un super-algorithme qui résoudrait l’amour à sa place. Aucun chiffre disponible ne permet aujourd’hui d’affirmer qu’un système d’IA prédit mieux la durabilité d’un couple qu’un filtrage plus classique bien construit. Les outils peuvent améliorer la circulation entre des personnes qui ne se seraient jamais croisées. C’est déjà beaucoup. Leur attribuer le pouvoir de reconnaître une relation viable avant qu’elle existe, c’est leur demander une compétence qu’ils n’ont pas.

Ce que ces systèmes ne mesurent pas vraiment

Paradoxalement, la dimension que ces algorithmes — avec ou sans IA — modélisent le moins bien est précisément celle qui rend deux personnes désirables l’une pour l’autre. Les données récoltées restent, malgré leur volume, d’une grande pauvreté descriptive. On capte le geste, pas le frisson; l’intérêt affiché, pas le trouble; le temps passé sur une fiche, pas l’imaginaire qui se déploie en silence derrière.

Avoir plus de 421 millions de paires observées ne signifie pas comprendre ce qui fait qu’une relation tient trois ans ou explose en trois mois. Cela signifie disposer d’un indicateur statistique sur des comportements précis, dans un cadre précis: celui d’une application. Le reste relève d’autres méthodes, d’autres disciplines et, surtout, d’autres temporalités.

La qualité d’une relation se joue dans des choses peu commodes à convertir en données: la manière de supporter un désaccord, le rapport au silence, la disponibilité émotionnelle, les habitudes quotidiennes, la place laissée à l’autre, les circonstances qui entourent une rencontre. Même un long questionnaire de personnalité ne les saisit qu’imparfaitement. Même un modèle très performant sur l’activité en ligne ne peut que les contourner.

C’est peut-être la limite la plus intéressante à rappeler: une forte similarité entre deux profils peut augmenter la probabilité d’un échange de coordonnées; elle ne dit presque rien de ce qui se passera dans une cuisine, dans un conflit ou un dimanche après-midi pluvieux. Le monde des applications confond trop volontiers prévisibilité et vérité.

Une machine qui suggère, pas une machine qui tranche

L’opposition entre IA et algorithmes traditionnels est moins une frontière nette qu’un curseur déplacé. Les applications de rencontre n’ont pas attendu l’étiquette « IA » pour observer leurs utilisateurs. Elles le font depuis qu’elles disposent d’assez de données pour organiser les profils, réduire le bruit et encourager les interactions.

Ce qui évolue avec les systèmes actuels, c’est l’échelle, la fréquence et la finesse de cette observation. Les critères déclaratifs ne disparaissent pas; les signaux comportementaux ne sont pas une invention récente; les deux peuvent être combinés, avec des niveaux très variables de sophistication. Le mot IA désigne souvent cette capacité à recomposer sans cesse le classement plutôt qu’une révolution complète du principe même de la rencontre en ligne.

Pour qui cherche à comprendre plutôt qu’à acheter une promesse, le geste utile consiste à regarder chaque service pour ce qu’il fait réellement: quelles données il recueille, quelles préférences il vous permet de corriger, quels accès vous pouvez retirer, quelles informations vous pouvez supprimer. La meilleure protection contre la magie algorithmique reste une lucidité simple.

Les meilleurs systèmes sont ceux qui suggèrent sans se faire passer pour des juges. Ils peuvent ouvrir une porte, parfois éviter quelques impasses, éventuellement provoquer une conversation. La suite ne leur appartient pas.

L’amour ne se code pas. Il se tolère, tout au plus, d’être suggéré statistiquement — à condition de garder la main sur la suite.