L'IA peut-elle remédier à la surabondance de choix sur les plateformes proposant une grande quantité de contenu ?

Introduction

Les systèmes de recommandation réduisent le nombre de choix qu’une personne doit faire, et les données suggèrent que cela a plus de valeur pour une plateforme que la plupart des gens ne le pensent. Quant à savoir si cela se fait au détriment de la découverte de nouveautés, c’est une autre question, à laquelle il n’est pas si facile de répondre non plus.

Les applications de streaming en demandent beaucoup un mardi soir. Ouvrez-en une, et vous devrez parcourir des rangées de vignettes avant de tomber sur quelque chose qui vaille la peine d’être regardé, à supposer que vous tombiez sur quoi que ce soit. Ce n’est pas le cas pour beaucoup de gens. Les bannières défilent, la même poignée de titres ne cesse de réapparaître, et à un moment donné, fermer l’application peut sembler être la solution la plus simple. Les sites de casino comme Vegas Stars casino nz se heurtent à un problème similaire sous un angle différent : un nouveau compte se connecte et se retrouve face à des centaines de vignettes de jeux inconnus, sans savoir par où commencer. Les chercheurs ont donné un nom à ce phénomène il y a quelque temps, la « surcharge de choix », et les plateformes le considèrent comme une sorte de problème de chiffre d’affaires.

La valeur réelle d’un moteur de recommandation

Si l’on remplace le moteur de recommandation de Netflix par un simple classement par popularité, l’engagement chute de 12 %, selon un document de travail SSRN de novembre 2025 rédigé par un groupe d’économistes affiliés à l’entreprise (trois des auteurs de ce document travaillent directement chez Netflix). Si l’on essaie plutôt un modèle de factorisation matricielle, un cran en dessous de la personnalisation complète, la baisse est moindre, à 4 %. Multiplié par une base d’abonnés se chiffrant en centaines de millions, cet écart représente des milliards d’heures de visionnage, et de l’argent qui se répercute inévitablement, d’une manière ou d’une autre, sur les chiffres de renouvellement.

Klaus Wertenbroch n’est pas entièrement convaincu que la personnalisation soit un bien incontestable. Il enseigne le marketing à l’INSEAD et a coécrit un article remettant en question l’importance que les gens accordent réellement aux choix algorithmiques. « Mes coauteurs et moi-même mettons en garde les consommateurs contre une confiance excessive dans les algorithmes d’IA lors de ces choix », a noté M. Wertenbroch dans l’article, en incitant les gens à réfléchir à deux fois aux biais. Il a déclaré espérer que les recommandations soient considérées pour ce qu’elles sont réellement, non pas comme une approbation officielle, mais simplement comme l’équivalent d’un conseil.

Ce phénomène est lié au biais de popularité. Lorsqu’un nombre suffisant de comptes regarde déjà une émission, cela peut inciter le modèle à la recommander à d’autres (il est plus sûr de recommander un succès existant qu’une œuvre inconnue) ; par conséquent, les audiences restreintes s’amenuisent au fil des itérations, jusqu’à disparaître de la vue de ceux qui ne recherchent pas activement un titre. Les économistes font référence à l’effet « les riches s’enrichissent » pour expliquer ce processus. Cela a des implications pour l’indexation des moteurs de recherche et les fils d’actualité des réseaux sociaux, partout où les algorithmes utilisent implicitement la popularité comme indicateur de qualité.

Netflix et l’INSEAD sont finalement parvenus à la même conclusion, mais ils ont emprunté des chemins différents pour y arriver. Même s’ils traitaient des données totalement différentes issues de secteurs distincts, ils ont constaté que la raison sous-jacente pour laquelle les utilisateurs restent fidèles est généralement la même. Les catalogues qui s’étoffent sans améliorer la qualité de l’offre existante ont tendance à s’encombrer de contenu sans intérêt et à perdre leur efficacité pour attirer de nouveaux utilisateurs ou fidéliser les existants.

Les algorithmes ne savent pas tirer parti des heureux hasards

L’historique des clics, le temps passé sur une page et les termes de recherche constituent la base de la plupart des moteurs. Ceux-ci s’appuient sur ces traces numériques pour vous proposer davantage de contenus que vous avez déjà pris le temps de regarder ou d’utiliser. Cela semble logique du point de vue de la conception. Mais il arrive aussi que ce type particulier de suggestion ne vous soit jamais proposé. La raison est assez subtile : il n’y a jamais eu d’indication d’intérêt, car on ne vous l’a jamais présenté. Autrefois, avant l’avènement des systèmes de recommandation et de l’IA, on parlait de marketing « de bouche à oreille ». Lorsque votre frère ou votre sœur vous donnait une cassette compilée ne contenant que quelques titres, et que vous découvriez soudainement un tout nouveau sous-genre sans jamais l’avoir cherché.

Type de contenu	Engagement standard	Engagement sélectionné	Observation clé
Succès grand public	Déjà élevé	Évolution minime	La popularité suffit à faire connaître ces titres
Catalogue de milieu de gamme	Enfoncés, faciles à manquer	Grimpe nettement	C'est précisément ici que la sélection fait toute la différence
Titres de niche	Presque invisibles	Légère augmentation	Même un bon ciblage a ses limites

Les données brutes ont du mal à faire émerger d’elles-mêmes ces choix inattendus et amusants. Un site comme Vegas Stars gère un vaste catalogue regorgeant de jeux de cartes, de machines à sous à forte volatilité et de croupiers en direct disponibles 24 heures sur 24. Il faut évidemment une certaine organisation pour structurer une telle bibliothèque. L’algorithme d’apprentissage automatique s’occupe des calculs sous-jacents tandis qu’une conception intelligente de l’expérience utilisateur et du produit vient compléter le tout. Si un utilisateur crée un nouveau compte sans aucune expérience préalable, l’IA et de bonnes catégories de contenu font leur effet. Organiser la plateforme de cette manière permet d’éviter que la grille de jeux ne soit encombrée.

Une sélection soignée fait toute la différence

Les nouveaux visiteurs de Vegas Stars se retrouvent face à environ 200 vignettes de jeux distinctes, sans aucun historique de clics à leur actif pour l’instant. De nombreux moteurs de recommandation plus anciens gèrent cette page blanche de manière obsolète, principalement parce que personne ne les a conçus en pensant à ce scénario. Certains finissent par recycler la même poignée de genres jusqu’à ce que tout à l’écran commence à se confondre. Les meilleurs systèmes tentent une approche plus sophistiquée : ils suivent ce qu’un joueur apprécie déjà, puis insèrent occasionnellement un titre ne correspondant pas à ce schéma, juste pour voir ce qui fonctionne.

• Les clics et la durée des sessions en disent plus long sur un joueur que n’importe quel sondage.
• Des milliers de comptes sont comparés les uns aux autres grâce au filtrage collaboratif, à la recherche de recoupements entre ce qui a été joué et ce qui a été ignoré.
• La volatilité et les mécanismes sont directement extraits des fichiers du jeu ; ainsi, les correspondances de style reposent sur des données, et non sur des suppositions.
• Un changement d’humeur en cours de session est également détecté, ce qu’un profil statique ne pourrait tout simplement pas repérer.

Les ingénieurs ont un nom pour ce scénario de départ, un nouveau compte sans aucun historique : le problème du « démarrage à froid ». Certains systèmes le gèrent en orientant par défaut les nouveaux comptes vers ce qui est globalement populaire, jusqu’à ce qu’une quantité suffisante de données comportementales s’accumule pour permettre une personnalisation adéquate. D’autres proposent plutôt une série de questions d’intégration, préférant une inscription un peu plus fastidieuse à une longueur d’avance sur la mise en correspondance. Aucune de ces solutions n’est parfaite, mais toutes deux valent mieux que d’afficher 200 vignettes au hasard en espérant que l’une d’entre elles fasse mouche.

Deux techniques se chargent de l’essentiel du tri lorsque l’on commence à examiner l’ensemble des contenus. Tout d’abord, le filtrage collaboratif établit un score de similarité entre un compte et des milliers d’autres en comparant les titres sur lesquels les utilisateurs ont cliqué, qu’ils ont visionnés ou même « ignorés en commun ». Le marquage basé sur le contenu contourne cette comparaison et analyse plutôt les métadonnées de chaque titre : indice de volatilité, thème, structure du tableau des gains, puis met ces attributs en correspondance avec ce qu’un compte a déjà privilégié (les deux techniques fonctionnent souvent en parallèle plutôt que l’une remplaçant l’autre). Quelle que soit la méthode, elle évite à l’utilisateur de devoir passer au crible chaque catalogue à la main.

Si l’on décompose le processus, il comporte environ cinq étapes, toutes assez simples :

1. Les données de session, les préférences par catégorie et les schémas d’évitement alimentent le modèle avant tout classement.
2. Les profils individuels sont mis en correspondance avec des titres liés à l’historique réel des clics, et non pas simplement avec ce qui est globalement populaire.
3. Un classement pertinent. La majeure partie de l’engagement généré par la grille d’une page d’accueil se concentre sur les premières lignes, ce qui explique en partie pourquoi l’ordre de classement a plus d’importance que la taille de la liste qui suit.
4. Les nouveaux clics, sauts et sessions terminées sont réintégrés en tant que données d’apprentissage supplémentaires.
5. Les nouvelles sorties et les changements de comportement des joueurs sont pris en compte en quelques minutes, sans attendre une mise à jour programmée.

À quoi ressemble une meilleure curation chez Vegas Stars

Les sessions mobiles représentent la majeure partie du trafic sur un site comme Vegas Stars, ce qui modifie ce que la curation doit réellement apporter à l’utilisateur. Un écran plus petit ne peut afficher qu’environ six à huit vignettes avant que l’utilisateur ne doive faire défiler la page ; ainsi, tout ce qui figure dans cette première rangée visible revêt une importance démesurée, à l’instar de l’effet de grille de la page d’accueil mis en évidence par les recherches de Netflix. Si cette première rangée n’est pas bien choisie, un joueur ne verra jamais le reste de la bibliothèque, quelle que soit la qualité de la mise en correspondance sous-jacente.

Viennent ensuite les jeux de table avec croupier en direct, qui ajoutent une toute nouvelle dimension de complexité. Imaginons une table de blackjack avec trois places libres et un utilisateur souhaitant s’y joindre : il faut le connecter en quelques millisecondes, et non en quelques secondes passées à fouiller dans un calendrier de réservations. On ne peut pas se contenter de lancer une rediffusion une fois la place prise. Contrairement à une bibliothèque de vidéos à la demande, le timing est ici crucial, car dès que cette table en direct est complète, l’opportunité est perdue pour le joueur. C’est comme un salon multijoueur dans n’importe quel Call of Duty ou autre jeu d’équipe disponible sur PlayStation et Xbox.

La rapidité des paiements influe également, de manière quelque peu indirecte, sur la découverte. Les joueurs qui effectuent des transactions via des cryptomonnaies ou des portefeuilles électroniques ont tendance à enchaîner les sessions plus rapidement que ceux qui attendent plusieurs jours pour un virement bancaire, ce qui laisse moins de temps à un moteur de recommandation, par visite, pour apprendre quoi que ce soit avant que ce compte ne parte vers une autre plateforme. Un versement plus rapide signifie généralement un verdict plus rapide sur l’efficacité réelle du lobby pour ce joueur.

Réussir cela nécessite un véritable travail d’ingénierie. Cela exige des systèmes backend rapides et réactifs, associés à une interface conçue pour s’adapter à ce sur quoi le joueur concentre réellement son attention.

Avertissement : le jeu est une forme de divertissement qui comporte des risques inhérents. Il ne doit pas être considéré comme une source de revenus ou une stratégie financière. Ne misez que ce que vous pouvez vous permettre de perdre, fixez-vous des limites strictes et demandez de l’aide si le jeu vous affecte. La participation est réservée aux adultes de plus de 18 ans. Jouez toujours de manière responsable.