L’actuel président des Etats-Unis a popularisé l’expression « Fake News« , en les dénonçant d’une part, mais surtout en en générant une pléthore au gré de ses « tweets » parfois inconsidérés. Donald Trump n’est hélas de loin pas le seul à générer des informations souvent approximatives, parfois fausses, voire carrément malhonnêtes à force d’être mensongères. Chacun se souvient de ses déclarations fantaisistes sur la foule présente lors de sa prestation de serment. Ses homologues brésiliens, britanniques ou italiens (jusqu’il y a peu) ne sont pas en reste, quand ils ne le dépassent pas largement !

Comment font donc ces personnalités pour survivre à des mensonges autrement plus évidents que les petits errements de nos politiciens suisses mis au pilori, comme Pierre Maudet ou Géraldine Savary ? Comment leur électorat peut-il continuer à leur faire confiance ?

Avant de continuer, j’aimerais rappeler à tout un chacun que je ne suis pas un politologue; mais que, en revanche, j’ai beaucoup travaillé avec l’information et l’informatique au cours de ma carrière; en conséquent, je connais raisonnablement bien les méthodes servant à collecter, trier, analyser et sélectionner les informations, et c’est cet aspect du problème que je souhaite aborder ici.

Lorsqu’un politicien décide un jour de se faire élire, il doit trouver un nombre suffisant (une majorité, idéalement) de personnes pour qui il représente le candidat idéal. A défaut de trouver une majorité, il devra rechercher à s’assurer le soutien aussi fort que possible d’un groupuscule qui portera ses opinions. Mais comment trouver un groupe de personnes adéquat ? C’est un problème assez connu en informatique, faisant partie de la grande famille des algorithmes de « matching », ou de recherche de correspondances. Selon que l’on connaît plus ou moins d’informations sur les parties à mettre en correspondance (les partenaires du « matching »), les solutions différeront notablement. Dans le cas d’une élection conventionnelle, le candidat d’un parti traditionnel (libéral, centriste, gauche modérée) ne dispose pas d’informations très précises sur son électorat potentiel; il va donc afficher un profil pas trop caractéristique qui devrait lui permettre de trouver une correspondance avec un maximum de personnes, même si cette correspondance est parfois assez faible. On parle alors de « weak matching« . Une telle correspondance est susceptible d’être facilement brisée, par exemple si le candidat déçoit, par une mauvaise décision, une alliance jugée inappropriée ou un mensonge. A l’inverse,si le candidat connaît dans les moindres détails ses électeurs potentiels, il peut tenter d’adapter son propre profil de manière à mieux correspondre aux attentes de ses électeurs, et atteindre ainsi un « strong matching« , voire même un « optimal matching« . Une telle relation est susceptible de résister à de nombreuses péripéties, mais comment l’organiser dans le cas d’une élection ?

Matteo Salvini n’est peut-être pas le meilleur exemple, puisqu’en fin de compte il a été chassé (temporairement ?) du pouvoir, mais son parcours est caractéristique de la méthode utilisée par ces nouveaux « démocrates » dopés aux technologies de l’information. Il est accompagné d’un expert en communications qui est aussi un informaticien de renom, et qui aurait développé un algorithme appelé « La Bête ». Cet algorithme permettrait d’analyser les profils des membres de la Lega de manière à permettre au candidat Salvini d’affiner sa rhétorique pour mieux correspondre aux aspirations des électeurs de la Lega : en termes informatiques, assurer un meilleur « matching« , une meilleure correspondance. Cette recherche de correspondance peut aller jusqu’à dicter des comportements spécifiques au candidat, comme par exemple se promener sur des plages en tong et maillot de bain. Bien sûr, on ne peut atteindre une bonne correspondance qu’avec des profils bien définis (qui sont aussi plus aisément délimitables par un algorithme); c’est le cas de tendances politiques plutôt extrémistes, ou polarisées sur des problèmes particuliers (comme les réfugiés, ou l’appartenance à l’Europe, etc…). Ce qui peut expliquer en partie pourquoi plusieurs pays où des dirigeants de ce type sont à l’oeuvre vivent une situation de conflit potentiel, où les « pro » et les « contra » ne parviennent plus à discuter ensemble. Voir par exemple l’actuelle « relation » entre démocrates et républicains aux Etats-Unis.

Bien sûr, les algorithmes utilisés pour favoriser et consolider cette correspondance sont tenus dans la plus stricte confidentialité, et on ne peut que faire des hypothèses sur leur existence et leur fonctionnement. Mais si personnellement, j’avais à diriger l’équipe de développement d’un tel algorithme, je définirais les étapes suivantes :

1. Définir les éléments-cible de la correspondance. Connaissant le candidat, déterminer des groupes de personnes susceptibles de se reconnaître au moins partiellement dans un sous-ensemble raisonnable de thématiques chères au candidat. Comment déterminer ces éléments ? Les réseaux sociaux (Facebook, Instagram, ou autre) constituent une mine d’or et si l’on a la chance de disposer, comme la LEGA, d’un fan’s club dédié, cela simplifie les choses.
2. Déterminer les thèmes réellement importants aux yeux des éléments-cible. Ce seront les thèmes mis en exergue par le candidat, bien sûr. Contrairement à un objectif de « weak matching« , où on cherchera des objectifs plutôt vagues et susceptibles d’intéresser de nombreuses personnes (le prix de l’assurance-maladie, les énergies renouvelables), on privilégiera les thèmes avec une forte connotation conflictuelle (expulser les réfugiés, interdire la burka). Ces thèmes bien identifiés serviront de base à la dialectique du candidat, générant ainsi,on l’espère, une très forte adhésion de la part des éléments-cible (strong matching).
3. Cerner les habitudes et les comportements des éléments-cible. On se servira de ces informations pour influer sur le comportement du candidat, de manière à ce que les éléments-cible se reconnaissent mieux en lui. Matteo Salvini s’affiche en maillot de bain, Bolsonaro en treillis ou en salopettes : le principe est le même, il faut que les « disciples » puissent s’identifier au leader.

Ce que l’on appelle en informatique un strong matching est en principe difficile à défaire. En d’autres termes, une telle correspondance est digne de confiance, et l’algorithme va désormais être convaincu que cette correspondance est persistante. C’est ce type de correspondance que recherchent (avec plus ou moins de réussite) les algorithmes d’authentification, par exemple. Votre banque vous demande des preuves d’identité, et passé ce test, elle est convaincue que vous « correspondez » bien à un compte donné. De manière similaire, les éléments-cibles vont désormais avaler toutes les couleuvres que leur proposera le candidat; mieux même, ils les reprendront à leur compte. Vous pouvez désormais utiliser des informations douteuses (fake news, mensonges, etc…) à votre aise, dans la mesure où ces informations correspondent à la relation établie avec vos disciples.

Bien sûr, en politique, on peut atteindre un tel résultat sans avoir besoin d’aide informatique. Hitler ou Napoléon n’ont pas utilisé d’ordinateurs pour envoyer à la mort des centaines de milliers d’allemands et de français à priori pas plus méchants ni plus stupides que les citoyens des pays voisins. Mais ils ont su s’appuyer sur un petit groupe de partisans convaincus pour entraîner une majorité de personnes insatisfaites de la situation générale dans un délire extrémiste et violent. L’informatique permet de détecter et d’isoler plus aisément les partisans potentiels, grâce aux réseaux sociaux, essentiellement. Et les algorithmes permettent de mettre en évidence les propositions qui auront la meilleure audition dans un groupe donné. Ainsi, lorsque le groupe est formé et parfaitement fidélisé, l’utilisation d’informations biaisées ou difficilement vérifiables permet d’influencer efficacement le plus grand nombre jusqu’à obtenir une éventuelle majorité.

Bien sûr, il y aura plein de gens pour détecter les fraudes et les mensonges; mais rappelons tout de même l’exemple des créationnistes. Leurs affirmations sont bourrées d’approximations et de fausses découvertes, de relation de faits impossibles et que sais-je encore. Néanmoins, le créationnisme est désormais enseigné dans pas mal d’écoles, comme alternative à la théorie darwinienne de l’évolution, voire même comme théorie unique dans certains milieux. De nombreux mensonges, même avérés, ne suffisent apparemment pas à discréditer une idée, fût-elle fumeuse, si il se trouve un public suffisamment important pour la soutenir…

Mais les algorithmes et les réseaux sociaux permettent de faire mieux. Selon le même principe, et avec l’aide des réseaux sociaux et d’algorithmes performants, il est devenu possible d’influer de manière significative sur les élections. Tout le monde se souvient de l’affaire Cambridge Analytica, mais ce n’est pas un cas isolé. Ce genre d’influence est insidieux, parce que pratiquement invisible, ou en tous cas difficile à mettre en évidence. Mais ses effets n’en sont pas moins réels, et dangereux si initiés par la malveillance. Le plus grand risque ne provient peut-être pas de Trump, Bolsonaro, Salvini ou consorts, mais de leur absence.

Mise à jour 08.06.2020 : Suite à une aimable remarque d’une lectrice, je me permets d’ajouter le lien suivant, en ces temps de coronavirus. Dans un contexte un peu différent (pas forcément des intox !) on a beaucoup utilisé Tinder pendant la période de confinement. Encore des algorithmes de matching… 🙂