Fermer Le Menu
    FORUM
    TECH

    TikTok US change de pilote en 2026 : l’algorithme attendra

    YvesPar Aucun commentaire13 Minutes de Lecture
    Close-up of a smartphone displaying the TikTok app logo against a dark keyboard background.
    Photo de Geri Tech sur Pexels.

    Le 23 janvier 2026TikTok USDS Joint Venture LLC a été créée aux États-Unis. L’application garde le même visage sur iPhone, mais les données, la modération et le fil de recommandations passent sous la responsabilité d’une structure à majorité américaine.

    L’accord conclu le 18 décembre 2025 entre ByteDance et des investisseurs américains devait mettre TikTok en conformité avec la loi américaine Protecting Americans from Foreign Adversary Controlled Applications. ByteDance conserve 19,9 % de l’entité américaine. Oracle, Silver Lake et MGX, un fonds lié à l’État d’Abou Dhabi, se partagent le reste du montage.

    Le conseil d’administration compte sept membres et reste à majorité américaine. Shou Chew, le patron mondial de TikToky siège toujours. Adam Presser, ancien responsable des opérations et de la confiance, devient directeur général de la branche américaine. Will Farrell prend la responsabilité de la sécurité, de la confidentialité des données et de la cybersécurité.

    Le changement est industriel et juridique avant d’être visible. Les utilisateurs américains gardent accès au catalogue mondial de TikToktandis que la nouvelle structure doit gérer les données, la modération et l’évolution du fil de recommandations aux États-Unis.

    TikToktoc, toc : Washington ouvre la porte

    La coentreprise doit entraîner, tester et mettre à jour l’algorithme de recommandation sur des données américaines. Oracle fournit l’environnement cloud destiné à la protection de ces données et participe à l’examen du code de l’application. Sur le papier, la séparation entre l’infrastructure américaine et ByteDance devient donc plus nette.

    La modération des contenus visibles aux États-Unis relève également de la coentreprise. Ce point est moins spectaculaire qu’un nouveau bouton dans l’application, mais il touche directement l’expérience quotidienne : celui qui fixe les règles de modération et le classement des vidéos influence ce que l’utilisateur regarde ensuite.

    Au 23 janvier 2026rien ne justifie donc d’attendre une rupture visuelle. Pas de logo différent, pas de grand bouton « algorithme souverain » : la transformation se déroule surtout côté serveurs. C’est moins sexy qu’une keynote, mais c’est là que se joue le match.

    Le For You passe au contrôle technique

    Rows of black server racks with white logos in a data center
    Photo de imgix sur Unsplash.

    Une revue publiée en 2025 dans Innovation décrit les risques des systèmes de recommandation profonds en trois étapes : la collecte des données, l’apprentissage des préférences et la diffusion des résultats. Des comptes artificiels peuvent manipuler les données, des biais peuvent apparaître pendant l’entraînement et la personnalisation peut enfermer l’utilisateur dans une bulle de contenus similaires.

    Cette revue ne permet pas de conclure que le futur algorithme américain de TikTok reproduira ces défauts. Elle donne plutôt une grille de contrôle. Installer l’infrastructure aux États-Unis ne rend pas automatiquement le système plus équitable, plus transparent ou plus diversifié. La responsabilité change de structure, pas forcément de nature.

    Le détail qui compte est là : un système de recommandation ne se résume pas au modèle qui classe les vidéos. Les données d’entraînement, les règles de modération, les tests de sécurité et les critères d’audit peuvent tous modifier le résultat. Ça fait moins rêver qu’une nouvelle fonctionnalité, mais c’est le vrai tuyau d’arrosage du jardin clos.

    Treize études et pas de miracle

    Les travaux menés dans d’autres domaines montrent aussi que la personnalisation ne suffit pas. Une revue de portée publiée en 2025 dans Obesity Reviews a étudié 13 articles sur les systèmes de recommandation utilisés par des applications de gestion du poids. Seuls 46 % des articles mesuraient réellement l’engagement des utilisateurs, alors que les messages personnalisés et la gamification étaient fréquents.

    Une autre revue, publiée en 2025 dans SAGE Open Medicinea analysé dix revues regroupant 308 études primaires sur la prévention de l’obésité. Elle ne trouve pas de consensus sur la meilleure manière de produire des recommandations nutritionnelles précises et juge encore incertain l’impact à long terme sur les comportements. Ces résultats ne décrivent pas TikTokmais ils rappellent une limite simple : un moteur qui personnalise n’explique pas automatiquement pourquoi il recommande une vidéo ni si cette recommandation reste pertinente dans le temps.

    Le jardin clos change-t-il de gardien?

    Sur un iPhoneon juge naturellement l’application à son interface, à sa fluidité et à la vitesse de lecture des vidéos. Pourtant, le classement des contenus est largement décidé à distance. Le téléphone affiche le résultat d’un système qui collecte des signaux, estime des préférences et ajuste le prochain écran.

    La nouvelle structure américaine veut donc contrôler une partie du jardin clos sans supprimer l’accès au catalogue mondial. Les utilisateurs américains continueront de voir du contenu international, mais le moteur de recommandation, la modération et les données d’entraînement relèveront de la coentreprise.

    Le vrai enjeu n’est pas de savoir si l’application ressemble encore à celle d’hier, mais qui décide de ce qui arrive après la prochaine vidéo.

    Le regard vaut-il un like?

    blue eye photo
    Photo de Ion Fet sur Unsplash.

    Les travaux scientifiques explorent déjà des signaux plus discrets que les likes, les partages ou le temps de visionnage. Une analyse comparative publiée en 2025 dans Sensors a étudié l’intégration de l’oculométrie dans les systèmes de recommandation. Les travaux examinés rapportent une meilleure exactitude lorsque la durée de fixation et les trajectoires du regard alimentent le profil de l’utilisateur.

    L’étude ne porte pas sur TikTok et ne démontre pas qu’un regard mieux capté cause une meilleure recommandation. Elle relève aussi des limites concrètes : expériences menées en environnement contrôlé, échantillons peu diversifiés et coût élevé des équipements spécialisés comme ceux de Tobii ou Gazepoint.

    Le regard peut donc devenir un signal supplémentaire dans certains systèmes, mais il ne constitue pas une fonction grand public démontrée pour TikTok. Entre un laboratoire où l’utilisateur fixe une fiche produit et une session de défilement frénétique sur iPhoneil y a un sacré fossé.

    Sur iPhonerien ne bouge, et c’est justement le sujet

    La première conséquence pour un utilisateur américain pourrait être l’absence de conséquence visible. L’application reste accessible, le contenu mondial reste disponible et l’interface ne signale pas forcément le changement d’infrastructure. Le périmètre annoncé inclut aussi des applications comme CapCut et Lemon8.

    Après le 23 janvier 2026il faudra surtout observer la diversité des contenus proposés, l’évolution de la modération et la stabilité de la visibilité pour les créateurs. Une modification durable du fil devra être distinguée d’un test produit, d’une variation de diffusion ou d’un effet saisonnier.

    Au 23 janvier 2026, ByteDance conserve 19,9 % de la structure, les investisseurs américains en détiennent la majorité et Oracle intervient au coeur de la sécurité des données. Le fil, lui, continue de défiler comme si de rien n’était. Changer de gouvernance sans changer de visage : pour un algorithme, c’est plutôt bien joué.

    Sources et références scientifiques
    1. Wesley Hilliard. TikTok America is here, but algorithm changes may take time. 2026.
    2. A Comparative Study on the Integration of Eye-Tracking in Recommender Systems – PMC. Sensors (Basel, Switzerland). DOI: 10.3390/s25092692 · PMID: 40363131.
    3. 1.Al-Omair O.M. Incorporating Eye-Tracking and Facial Expression Recognition for Preference Prediction in Recommender Systems; Proceedings of the 2023 3rd International Conference on Computing and Information Technology, ICCIT; Tabuk, Saudi Arabia. 13-14 September 2023; pp. 274-279. [Google Scholar].
    4. 2.Goldberg D., Nichols D., Oki B.M., Terry D. Using Collaborative Filtering to Weave an Information Tapestry. Commun. ACM. 1992;35:61-70. doi: 10.1145/138859.138867. [DOI] [Google Scholar]. doi:10.1145/138859.138867.
    5. 3.Pazzani M.J. A Framework for Collaborative, Content-Based and Demographic Filtering. Artif. Intell. Rev. 1999;13:393-408. doi: 10.1023/A:1006544522159. [DOI] [Google Scholar]. doi:10.1023/A:1006544522159.
    6. 4.Nan S., Wang J., Zhang N., Li D., Li B. DDASR: Deep Diverse API Sequence Recommendation. ACM Trans. Softw. Eng. Methodol. 2024 doi: 10.1145/3712188. [DOI] [Google Scholar]. doi:10.1145/3712188.
    7. 5.Li D., Gao Y., Wang Z., Qiu H., Liu P., Xiong Z., Zhang Z. Homogeneous Graph Neural Networks for Third-Party Library Recommendation. Inf. Process. Manag. 2024;61:103831. doi: 10.1016/j.ipm.2024.103831. [DOI] [Google Scholar]. doi:10.1016/j.ipm.2024.103831.
    8. 6.Schall A., Romano Bergstrom J. Eye Tracking in User Experience Design. Eye Tracking in User Experience Design. Elsevier; Amsterdam, The Netherlands: 2014. pp. 1-374. [Google Scholar].
    9. 7.Simonetti A., Bigne E. Does Banner Advertising Still Capture Attention? An Eye-Tracking Study. Span. J. Mark.-ESIC. 2023;28:3-20. doi: 10.1108/SJME-11-2022-0236. [DOI] [Google Scholar]. doi:10.1108/SJME-11-2022-0236.
    10. 8.Just M.A., Carpenter P.A. The Role of Eye-Fixation Research in Cognitive Psychology. Behav. Res. Methods Instrum. 1976;8:139-143. doi: 10.3758/BF03201761. [DOI] [Google Scholar]. doi:10.3758/BF03201761.
    11. 9.Galante A., Menezes P. A Gaze-Based Interaction System for People with Cerebral Palsy. Procedia Technol. 2012;5:895-902. doi: 10.1016/j.protcy.2012.09.099. [DOI] [Google Scholar]. doi:10.1016/j.protcy.2012.09.099.
    12. 10.Perrotta A., Alexandra Silva P., Martins P., Chen X.-L., Hou W.-J. Gaze-Based Interaction Intention Recognition in Virtual Reality. Electronics. 2022;11:1647. doi: 10.3390/electronics11101647. [DOI] [Google Scholar]. doi:10.3390/electronics11101647.
    13. 11.Zain N.H.B.M., Jaafar A. Integrating Digital Games Based Learning Environments with Eye Gaze-Based Interaction; Proceedings of the 2011 International Conference on Pattern Analysis and Intelligent Robotics, ICPAIR; Kuala Lumpur, Malaysia. 28-29 June 2011; pp. 222-227. [Google Scholar].
    14. 12.Poitschke T., Laquai F., Stamboliev S., Rigoll G. Gaze-Based Interaction on Multiple Displays in an Automotive Environment; Proceedings of the 2011 IEEE International Conference on Systems, Man, and Cybernetics; Anchorage, AK, USA. 9-12 October 2011; pp. 543-548. [Google Scholar].
    15. Recommender systems use in weight management mHealth interventions: A scoping review – PMC. Obesity reviews : an official journal of the International Association for the Study of Obesity. DOI: 10.1111/obr.13863 · PMID: 39538385.
    16. 1. Ryan P. Integrated theory of health behavior change: background and intervention development. Clin Nurse Spec CNS. 2009;23(3):161‐170. doi: 10.1097/NUR.0B013E3181A42373 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1097/NUR.0B013E3181A42373.
    17. 2. Dounavi K, Tsoumani O. Mobile health applications in weight management: a systematic literature review. Am J Prev Med. 2019;56(6):894‐903. doi: 10.1016/J.AMEPRE.2018.12.005 [DOI] [PubMed] [Google Scholar]. doi:10.1016/J.AMEPRE.2018.12.005.
    18. 3. Karduck J, Chapman‐Novakofski K. Results of the clinician apps survey, how clinicians working with patients with diabetes and obesity use Mobile health apps. J Nutr Educ Behav. 2018;50(1):62‐69.e1. doi: 10.1016/J.JNEB.2017.06.004 [DOI] [PubMed] [Google Scholar]. doi:10.1016/J.JNEB.2017.06.004.
    19. 4. Sarcona A, Kovacs L, Wright J, Williams C. Differences in eating behavior, physical activity, and health‐related lifestyle choices between users and nonusers of mobile health apps. J Health Commun. 2017;22(5):398‐405. doi: 10.1080/19325037.2017.1335630 [DOI] [Google Scholar]. doi:10.1080/19325037.2017.1335630.
    20. 5. Vaghefi I, Tulu B. The continued use of mobile health apps: insights from a longitudinal study. JMIR Mhealth Uhealth. 2019;7(8):e12983. doi: 10.2196/12983 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/12983.
    21. 6. Castle‐Clarke S, Imison C. The Digital Patient: Transforming Primary Care. Nuffield Trust; 2016. Accessed August 23, 2022. Available from: [Google Scholar].
    22. 7. Szinay D, Jones A, Chadborn T, Brown J, Naughton F. Influences on the uptake of and engagement with health and well‐being smartphone apps: systematic review. J Med Internet Res. 2020;22(5):e17572. doi: 10.2196/17572 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/17572.
    23. 8. Zapata BC, Fernández‐Alemán JL, Idri A, Toval A. Empirical studies on usability of mHealth apps: a systematic literature review. J Med Syst. 2015;39(2):1. doi: 10.1007/s10916-014-0182-2 [DOI] [PubMed] [Google Scholar]. doi:10.1007/s10916-014-0182-2.
    24. 9. Meyerowitz‐Katz G, Ravi S, Arnolda L, Feng X, Maberly G, Astell‐Burt T. Rates of attrition and dropout in app‐based interventions for chronic disease: systematic review and meta‐analysis. J Med Internet Res. 2020;22(9):e20283. doi: 10.2196/20283 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/20283.
    25. 10. Baumel A, Muench F, Edan S, Kane JM. Objective user engagement with mental health apps: systematic search and panel‐based usage analysis. J Med Internet Res. 2019;21(9):e14567. doi: 10.2196/14567 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/14567.
    26. 11. Isinkaye FO, Folajimi YO, Ojokoh BA. Recommendation systems: principles, methods and evaluation. Egypt Inf J. 2015;16(3):261‐273. doi: 10.1016/J.EIJ.2015.06.005 [DOI] [Google Scholar]. doi:10.1016/J.EIJ.2015.06.005.
    27. 12. Ricci F, Rokach L, Shapira B. Introduction to Recommender Systems Handbook. Recommender Systems Handbook..
    28. The rising safety concerns of deep recommender systems – PMC. Innovation (Cambridge (Mass.)). DOI: 10.1016/j.xinn.2025.101038 · PMID: 41113907.
    29. 1.Zhang K., Cao Q., Sun F., et al. Robust recommender system: a survey and future directions. arXiv. 2023 doi: 10.48550/arXiv.2309.02057. Preprint at. [DOI] [Google Scholar]. doi:10.48550/arXiv.2309.02057.
    30. 2.Zhang S. Measuring algorithmic bias in job recommender systems: An audit study approach. Tech. Rep. 2021 doi: 10.1257/rct.6101-1.1. [DOI] [Google Scholar]. doi:10.1257/rct.6101-1.1.
    31. 3.Haroon M., Wojcieszak M., Chhabra A., et al. Auditing YouTube’s recommendation system for ideologically congenial, extreme, and problematic recommendations. Proc. Natl. Acad. Sci. USA. 2023;120 doi: 10.1073/pnas.2213020120. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1073/pnas.2213020120.
    32. 4.Zhang K., Cao Q., Wu Y., et al. Understanding and improving adversarial collaborative filtering for robust recommendation. arXiv. 2024 doi: 10.48550/arXiv.2410.22844. Preprint at. [DOI] [Google Scholar]. doi:10.48550/arXiv.2410.22844.
    33. 5.Horta Ribeiro M., Veselovsky V., West R. Vol. 17. 2023. The amplification paradox in recommender systems; pp. 1138-1142. (Proceedings of the International AAAI Conference on Web and Social Media). [DOI] [Google Scholar].
    34. View in NLM Catalog.
    35. Download.nbib.nbib.
    36. Format: AMA APA MLA NLM.
    37. AMA APA MLA NLM.
    38. Recommender systems for obesity prevention: Scoping review of reviews – PMC. SAGE open medicine. DOI: 10.1177/20503121251348374 · PMID: 40546930.
    39. 1. Jesse M, Jannach D. Digital nudging with recommender systems: survey and future directions. Comput Hum Behav Rep 2021; 3: 100052. [Google Scholar].
    40. 2. Weinmann M, Schneider C, Brocke JV. Digital nudging. Bus Inf Syst Eng 2016; 58: 433-436. [Google Scholar].
    41. 3. Abhari S, Safdari R, Azadbakht L, et al. A systematic review of nutrition recommendation systems: with focus on technical aspects. J Biomed Phys Eng 2019; 9: 591-602. [DOI] [PMC free article] [PubMed] [Google Scholar].
    42. 4. Bondevik JN, Bennin KE, Babur Ö, et al. A systematic review on food recommender systems. Expert Sys Appl 2024; 238: 122166. [Google Scholar].
    43. 5. Cai Y, Yu F, Kumar M, et al. Health recommender systems development, usage, and evaluation from 2010 to 2022: a scoping review. Int J Environ Res Public Health 2022; 19: 15115. [DOI] [PMC free article] [PubMed] [Google Scholar].
    44. 6. Caraban A, Karapanos E, Gonçalves D, et al. 23 ways to nudge: a review of technology-mediated nudging in human-computer interaction. In: Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems, Glasgow, Scotland, UK, 4-9 May 2019. [Google Scholar].
    45. 7. Sun Y, Zhou J, Ji M, et al. Development and evaluation of health recommender systems: systematic scoping review and evidence mapping. J Med Internet Res 2023; 25: e38184. [DOI] [PMC free article] [PubMed] [Google Scholar].
    46. 8. De Croon R, Van Houdt L, Htun NN, et al. Health recommender systems: systematic review. J Med Internet Res 2021; 23: e18035. [DOI] [PMC free article] [PubMed] [Google Scholar].
    47. 9. Cheung KL, Durusu D, Sui X, et al. How recommender systems could support and enhance computer-tailored digital health programs: a scoping review. Digit Health 2019; 5: 2055207618824727. [DOI] [PMC free article] [PubMed] [Google Scholar].
    48. 10. Ananthakrishnan A, Milne-Ives M, Cong C, et al. The evaluation of health recommender systems: a scoping review. Int J Med Inform 2025; 195: 105697. [DOI] [PubMed] [Google Scholar].
    49. 11. World Obesity Federation. World Obesity Atlas 2024. London, UK: World Obesity Federation, (2024, accessed 25 April 2025). [Google Scholar].
    50. 12. Dai H, Alsalhe TA, Chalghaf N, et al. The global burden of disease attributable to high body mass index in 195 countries and territories, 1990-2017: an analysis of the Global Burden of Disease Study. PLoS Med 2020; 17: e1003198. [DOI] [PMC free article] [PubMed] [Google Scholar].

    Articles relatifs:

    Bonjour ! Je suis Yves, un passionné de technologie et du web, âgé de 35 ans. J'adore explorer les innovations numérique et partager mes connaissances avec autrui. Mon objectif est d'aider chacun à naviguer dans l'univers digital avec aisance. Bienvenue sur mon site !

    Connexes Postes

    Ajouter Un Commentaire
    Laisser Une Réponse