En novembre, une expérience virale baptisée #WearthePants a invité des utilisatrices de LinkedIn à se présenter temporairement comme des hommes pour vérifier si leur visibilité changeait. Plusieurs participantes ont témoigné d'augmentations spectaculaires d'impressions et d'engagement, tandis que LinkedIn affirme ne pas utiliser le genre comme signal de priorisation. Les débats relancent la question des biais potentiels introduits par des modèles de langage et autres systèmes automatisés qui trient le fil d'actualité.

Ce que montre l'expérience #WearthePants

L'initiative a été lancée par Cindy Gallop et Jane Evans. Certaines participantes ont modifié leur genre et parfois leur nom sur leur profil ; d'autres ont demandé à des hommes de republier le même contenu. Parmi les exemples rapportés, Marilynn Joyner aurait vu ses impressions augmenter de 238 % en une journée. Un témoignage publié évoque aussi un bond d'environ 200 % des impressions et une hausse de 27 % de l'engagement après que l'autrice ait adopté le nom « Michael » et un ton d'écriture plus direct.

Dans un cas cité, Cindy Gallop a indiqué qu'un de ses posts avait touché 801 personnes, alors que l'homme qui avait posté le même contenu avait atteint 10 408 personnes. D'autres utilisatrices (dont plusieurs nommées dans les récits) rapportent des résultats similaires, certains comptes gagnant nettement en visibilité tandis que d'autres déclinent.

Réponses officielles et explications possibles

LinkedIn a nié que ses systèmes utilisent explicitement des variables démographiques telles que l'âge, la race ou le genre pour déterminer la visibilité des contenus dans le fil. La plateforme, via des responsables mentionnés publiquement, affirme que les données démographiques servent essentiellement aux tests internes afin d'évaluer l'équité de l'expérience utilisateur.

Par ailleurs, la société aurait récemment intégré des modèles de langage (LLM) pour aider à sélectionner le contenu jugé utile. Des spécialistes en éthique des données rappellent que les modèles entraînés sur des corpus humains peuvent refléter des biais implicites. Selon ces experts, des facteurs comme le style d'écriture, le ton, l'historique d'interactions, le format des publications et la viralité antérieure peuvent influer sur la portée d'un message.

Enjeux pour les utilisateurs et le marché

Pour les personnes qui s'appuient sur LinkedIn pour développer leur activité ou leur réseau professionnel, ces variations de visibilité peuvent avoir des conséquences économiques ou professionnelles : opportunités manquées, fluctuations de notoriété, et difficulté à prévoir l'impact d'une publication. À l'échelle de la plateforme, des gains soudains pour certains et des pertes pour d'autres risquent d'accentuer le sentiment d'injustice et d'alimenter la méfiance vis‑à‑vis des systèmes automatiques.

Les observateurs demandent des mécanismes de transparence et de responsabilité adaptés, tout en reconnaissant le dilemme suivant : plus de détails sur les signaux et les règles de tri faciliteraient la compréhension, mais ils pourraient aussi être exploités pour contourner le système.

Ce qui reste à confirmer

Les preuves disponibles sont principalement anecdotiques et proviennent de cas individuels ou d'expériences informelles. L'algorithme de LinkedIn demeure opaque et les impacts observés pourraient résulter de plusieurs facteurs combinés : participation à une tendance virale, reprise de publications après une période d'inactivité, modifications de ton et de style, ou ajustements internes liés à l'intégration de LLM. Il reste donc incertain dans quelle mesure le genre, en tant que variable directe, explique ces différences de visibilité.

À retenir

  • #WearthePants a mis en lumière des changements de visibilité après que certaines femmes ont adopté une identité masculine sur LinkedIn.
  • LinkedIn affirme ne pas utiliser le genre comme signal de priorisation ; la plateforme dit employer des données démographiques principalement pour des tests.
  • Des experts rappellent que les modèles entraînés sur du contenu humain peuvent reproduire des biais implicites liés au style et au comportement en ligne.
  • Les éléments disponibles restent anecdotiques ; des audits indépendants et des métriques publiques sont réclamés pour mieux évaluer la situation.
  • Pour les utilisateurs, la volatilité de la portée des publications souligne l'importance de diversifier ses canaux et de rester prudent quant aux conclusions tirées d'observations isolées.

Article amélioré avec l'IA - Article original