La Fin de la Sérendipité : Comment les Algorithmes ont Calculé l’Inattendu

L’obsession pour l’exactitude algorithmique est en train d’effacer l’art de se perdre. Des moteurs de recommandation de Netflix à ceux de Spotify, l’Intelligenc

L’architecture numérique contemporaine repose sur une promesse d’efficacité absolue : réduire le bruit de fond pour livrer à l’utilisateur l’information, le produit ou le contenu exact au moment précis où il en a besoin. Dans cette course à l’optimisation extrême, s’est répandue la conviction que l’intelligence artificielle a définitivement tué la sérendipité. La réalité, étayée par la littérature académique et par l’analyse des systèmes de recommandation, est bien plus complexe et insidieuse : l’algorithme n’a pas éliminé la sérendipité, il l’a simplement remplacée par une version synthétique et calculée, optimisée pour maximiser la pertinence, la retention et la probabilité de clic. Le risque sociologique et cognitif que nous courons n’est pas celui de cesser de recevoir des suggestions intéressantes, mais de perdre irréversiblement l’expérience formatrice de chercher, de se tromper de chemin, de dévier du parcours tracé et de découvrir par pur hasard quelque chose que nous ne savions même pas vouloir.

L’Illusion du Choix Parfait et la Tyrannie de l’Exactitude

Le péché originel des systèmes de recommandation réside dans les métriques pour lesquelles ils ont été historiquement entraînés. Comme le souligne l’essai désormais classique Desperately Seeking Serendipity (présenté à la conférence CHI de l’ACM en 2011), les moteurs de suggestion tendent, par leur nature algorithmique même, à proposer ce que l’utilisateur connaît déjà, qu’il a déjà consommé ou qu’il pourrait de toute façon trouver facilement par lui-même [2808]. L’objectif ingénieristique premier a toujours été l’exactitude prédictive.

Toutefois, comme le souligne une étude publiée dans ACM RecSys en 2017, privilégier obsessionnellement l’exactitude signifie inévitablement laisser hors de l’équation la diversité et la véritable découverte. Le résultat pratique de cette approche est une réduction dramatique de la couverture du catalogue et l’exclusion systématique des contenus de « longue traîne » (la long tail) au profit des grands succès [2805]. Le choix que la machine nous présente comme « parfait » est, dans la grande majorité des cas, simplement le choix le plus probabilistiquement semblable à l’ombre de nos comportements passés. On nous renvoie une image à très haute résolution de nous-mêmes, présentée comme une fenêtre ouverte sur le monde.

La Cage de la Personnalisation : Identité et Autonomie

Quand la préférence cesse d’être une inclination temporaire et se voit codifiée dans un profil mathématique immuable, l’écosystème numérique se transforme en une cage invisible. Une analyse rigoureuse publiée dans Humanities and Social Sciences Communications (2024) examine les défis éthiques de la prise de décision algorithmique, en démontrant comment la personnalisation extrême peut réduire drastiquement l’autonomie humaine [2810]. Les boucles auto-renforçantes des algorithmes restreignent progressivement l’identité de l’utilisateur, en héritant et en amplifiant les biais présents dans les données d’entraînement et en manipulant les environnements décisionnels jusqu’à réduire les capacités réelles de choix de l’individu.

La psychologie des environnements numériques confirme cette tension. Une synthèse de données probantes publiée par SAGE (2023) sur les fils d’actualité, les plateformes musicales et les applications de rencontres reconnaît que la personnalisation a le mérite de réduire la surcharge informationnelle, en nous protégeant de la paralysie décisionnelle. Pourtant, en l’absence de transparence et d’un contrôle actif de la part de l’utilisateur, cette même personnalisation nuit au bien-être psychologique, au sentiment d’autonomie et à la compétence perçue [2812].

Il est intéressant de noter que l’impact de cette délégation décisionnelle varie selon le contexte. Le Journal of Consumer Affairs (2026) a récemment introduit le concept de « Paradoxe du Bien-Être Algorithmique » : s’en remettre à l’intelligence artificielle peut accroître le bien-être perçu lorsqu’il s’agit d’une consommation purement matérielle et utilitariste, mais tend à le réduire drastiquement dans la consommation expérientielle [2814]. Il existe une profonde différence philosophique et émotionnelle entre demander à une machine « aide-moi à trouver le meilleur prix pour ce blender » et lui permettre de statuer « c’est moi qui décide pour toi quel film t’émouvra, qui tu devrais rencontrer ce soir ou quelle carrière tu devrais suivre ». Dans le second cas, la machine frustre le besoin humain d’autodétermination.

Ingénieriser la Découverte : La Métrique de l’Émerveillement

Face à ces critiques, l’industrie technologique a tenté de réagir en cherchant à ingénieriser l’émerveillement. Mais qu’est-ce que la sérendipité, informatiquement parlant ? Une revue systématique de la littérature publiée dans le Journal of Computer Science and Technology (2021) définit formellement la sérendipité dans les systèmes de recommandation comme la combinaison rare et précieuse de pertinence et d’inattendu, en la distinguant nettement de la simple nouveauté chronologique ou du pur hasard [2809]. La sérendipité n’est pas « quelque chose d’étrange jeté au hasard dans le fil », mais c’est un élément inattendu qui dévie le parcours cognitif de l’utilisateur, en l’enrichissant.

Traduire cette poésie en code est une entreprise titanesque. La recherche démontre que l’exactitude, la diversité et la sérendipité sont des propriétés mathématiques en tension constante et féroce entre elles (Computing, 2018). Augmenter artificiellement la diversité d’un fil peut faire s’effondrer l’exactitude, générant de la frustration chez l’utilisateur, et avoir des effets tout à fait incertains sur la perception de sérendipité [2807]. Il ne suffit donc pas d’ajouter un générateur de nombres aléatoires à l’algorithme.

Récemment, les chercheurs ont commencé à proposer des métriques complexes comme SPADE (présentée sur arXiv en 2025), conçue pour mesurer la sérendipité comme l’intersection millimétrique entre surprise, pertinence et nouveauté [2811]. Le but de ces métriques est d’éviter que les algorithmes ne « trichent », en faisant passer pour une découverte sérendipiteuse ce qui est, en réalité, une simple recommandation d’un contenu globalement populaire. Cet effort démontre que la sérendipité peut être théoriquement conçue, mais révèle aussi l’inquiétante facilité avec laquelle elle peut être falsifiée et simulée pour complaire aux investisseurs publicitaires.

L’Erreur Féconde et la Valeur de l’Exploration

Inverser cette trajectoire exige un changement de paradigme dans les modèles économiques des plateformes, et pas seulement dans leur architecture logicielle. Une recherche éclairante de Google, Values of Exploration in Recommender Systems, soutient avec force que l’exploration ne doit pas être considérée comme un simple compromis technique entre l’exploitation des données connues et le risque de l’inconnu. Au contraire, l’exploration intentionnelle peut améliorer radicalement l’expérience globale, la diversité, la nouveauté et la véritable sérendipité sur le long terme [2816]. Les plateformes doivent trouver le courage commercial de consacrer un espace blanc à la véritable découverte, en renonçant à la dépendance toxique à l’optimisation du clic immédiat.

La véritable question philosophique que notre époque nous pose n’est pas la banale spéculation « les algorithmes nous ôtent-ils la liberté ? ». L’interrogation cruciale est autre : quand l’option qui nous est suggérée dans chaque domaine de la vie est toujours, inexorablement, la plus probable et statistiquement la plus sûre, quel espace mental et physique reste-t-il pour l’erreur féconde ?

Historiquement, la sérendipité humaine naît presque toujours du frottement, du désordre, de la causalité spatiale et de la rencontre non planifiée. Elle naît du livre pris par erreur sur l’étagère poussiéreuse d’une bibliothèque physique, de la conversation imprévue entendue dans un train en retard, d’une chanson inconnue passée à la radio tandis qu’on cherchait une autre station. La sérendipité exige une marge d’inefficacité que les algorithmes ont été entraînés à détester et à détruire [2808, 2809, 2812].

Nous n’avons pas besoin de revenir à une époque pré-numérique, ni de supplier les entreprises technologiques de développer des algorithmes moins intelligents. Nous avons plutôt un besoin désespéré d’interfaces humbles ; des systèmes qui sachent reconnaître la limite de leur mandat prédictif, qui sachent quand il est temps de s’arrêter, de faire un pas en arrière et de nous laisser la liberté vitale de nous perdre. Car, très souvent, le choix véritablement « parfait » pour notre évolution intellectuelle est exactement celui que personne ne nous aurait jamais suggéré [2807, 2810, 2816].

Références Bibliographiques et Sources

[Desperately Seeking Serendipity — CHI 2011, ACM] [2808]
[Diversity and Serendipity in Recommender Systems — ACM RecSys, 2017] [2805]
[How does serendipity affect diversity in recommender systems? — Computing, 2018] [2807]
[Inevitable challenges of autonomy: ethical concerns in personalized algorithmic decision-making — Humanities and Social Sciences Communications, 2024] [2810]
[The Psychology of Personalization in Digital Environments — SAGE, 2023] [2812]
[The Algorithmic Well-Being Paradox — Journal of Consumer Affairs, 2026] [2814]
[Serendipity in Recommender Systems: A Systematic Literature Review — Journal of Computer Science and Technology, 2021] [2809]
[SPADE: Escaping the Popularity-Similarity Frontier — arXiv, 2025] [2811]
[Values of Exploration in Recommender Systems — Google Research] [2816]

Article réalisé par la Rédaction de La Bussola dell’IA