Streaming : les algorithmes limitent l'évolution du goût

Les plateformes de streaming comme Spotify ou Netflix optimisent leurs recommandations en se basant sur l'engagement immédiat des utilisateurs. Selon une recherche menée par le professeur Samsun Knight de la Rotman School of Management de l'Université de Toronto, cette logique engendre un cercle vicieux d'enfermement dans la familiarité qui réduit la satisfaction à long terme. L'étude, publiée dans le Journal of Cultural Economics, explique que les algorithmes traitent les préférences comme des données fixes, alors qu'elles sont en réalité façonnées par les contenus qui leur sont proposés. En privilégiant systématiquement les genres et artistes déjà consultés, les services créent une boucle de rétroaction. L'engagement augmente avec une exposition modérée, puis chute lorsque la répétition devient excessive. Cette optimisation à court terme favorise l'essoufflement des utilisateurs et le désabonnement progressif. De plus, elle entrave l'émergence de nouveaux mouvements artistiques. Le hip-hop, par exemple, a mis plusieurs décennies à conquérir le grand public, un processus trop lent pour être capté par des modèles d'apprentissage limités à quelques mois d'historique. Le chercheur souligne que ces systèmes confondent familiarité et goût authentique. En confirmant continuellement leurs propres choix initiaux, les plateformes privent les consommateurs de découvertes diversifiées et risquent à terme de dégrader la vitalité culturelle globale. Pour corriger ce biais, Knight propose d'intégrer une part d'exploration délibérée dans les algorithmes, même au prix d'une baisse temporaire des métriques d'engagement immédiat. Cette approche permettrait de présenter des contenus moins familiers et de laisser aux anciens favoris des périodes de repos, évitant ainsi la saturation. La curation humaine compléterait efficacement cette stratégie. Les sélections rédigées par des équipes éditoriales peuvent promouvoir des œuvres complexes ou expérimentales sur la base d'une intuition plutôt que de statistiques précoces. En alliant exploration algorithmique et jugement humain, les plateformes pourraient favoriser un développement des goûts plus riche et durable, tout en maintenant un modèle économique viable. Cette reconfiguration des systèmes de recommandation pourrait également renforcer l'innovation culturelle en offrant aux nouveaux artistes un espace de visibilité réel, au-delà de la logique purement utilitaire des données.