Libertés Numériques

Une critique récurrente du ciblage et du profilage souligne combien, contrairement aux discours anxieux et alarmistes que beaucoup tiennent, les appariements ne marchent pas si bien voire pas du tout. Le ciblage publicitaire de la plupart des grandes plateformes en est l’exemple le plus connu : la plupart du temps, malgré tous les efforts dépensés à le réaliser, ce ciblage manque sa cible et demeure extrêmement perfectible. Mais ce n’est pas le cas seulement de la publicité. Exemple ce matin, avec un e-mail de Linked-in qui me conseille des annonces d’emplois soi-disant adaptées à mon profil… « des annonces sur mesure » qui sont toutes complètement à côté de la plaque…

Les appariements ne sont donc pas aussi magiques qu’on nous l’annonce. C’est pour cela qu’il semble que l’enjeu ne soit pas de leur faire toute confiance – d’où notre critique, par exemple, du solutionnisme de l’initiative de Paul Duan et de Pôle Emploi. Or, les logiques d’appariements sont au coeur même des Big Data. Partout, les outils cherchent à rapprocher les données entre elles. Mais dans quel but ?