Épisode 1419 : Depuis plusieurs années, l’algorithme des Reels est au cœur de nombreuses frustrations : contenus peu pertinents, sensation de subir son feed, comparaison constante avec la puissance du “For You” de TikTok.
Début 2026, Meta sort du bois. À travers plusieurs prises de parole officielles et tests produits, le groupe explique comment il améliore concrètement la recommandation des Reels… et surtout pourquoi il veut rassurer utilisateurs et créateurs.
Derrière le discours, un changement profond : Meta admet les limites de ses anciens signaux algorithmiques et mise désormais sur l’intérêt réel, la satisfaction déclarée et une personnalisation plus explicite.
Avec UTIS, l’algo de Meta fait plus que vous observer. Il vous interroge.
Meta veut prouver que ses Reels s’améliorent.
Et pour cela, l’entreprise met sur la table un nouveau outil algorithmique.
Nom de code : UTIS — User True Interest Survey.
Meta souhaite un changement de paradigme pour son algorithme
Historiquement, les systèmes de recommandation s’appuyaient sur des signaux d’engagement implicites : likes, partages, watch time.
Problème : ces signaux sont biaisés, et peu fiables pour capter les vrais centres d’intérêt.
Meta passe à une approche déclarative.
L’entreprise interroge directement les utilisateurs :
“À quel point cette vidéo correspond-elle à vos centres d’intérêt ?”
Une question posée sur une échelle de 1 à 5, directement dans le feed Reels.
Le modèle UTIS propose une approche déclarative
Cette collecte de données permet d’alimenter un modèle baptisé UTIS.
TIS — User True Interest Survey.
https://engineering.fb.com/wp-content/uploads/2025/11/Meta-Facebook-Reels-Adapting-Recsys-image2.png
Ce modèle ne remplace pas l’algorithme existant. Il vient en couche additionnelle pour réajuster la pertinence des recommandations en fonction de la perception réelle des utilisateurs.
Techniquement, UTIS est un modèle entraîné à partir des réponses des utilisateurs croisées avec les prédictions déjà produites par le modèle de base.
Objectif : estimer la probabilité qu’un contenu satisfasse un utilisateur.
Des résultats probants
Les résultats sont impressionnants.
En interne, Meta annonce :
- Une précision passée de 48,3 % à 63,2 %
- Une augmentation de +5,2 % de l’engagement utilisateur global
- Une baisse de -6,84 % des notes négatives données aux Reels
Le Score UTIS est surtout utile pour le ranking Late Stage
Meta intègre le score UTIS principalement dans un monment clé de la recommandation.
Le Late Stage Ranking : pour affiner la hiérarchisation finale des vidéos avant affichage.
Les contenus jugés « hautement alignés » gagnent en visibilité.
Les contenus génériques ou trop populaires sont déclassés.
Résultat : un feed Reels plus pertinent, plus riche, plus diversifié.
Qu’est-ce que ça change pour les marques et les créateurs ?
Plus de chances pour les contenus de niche
Meta explique que l’intégration d’UTIS augmente la diffusion de contenus “niche, high-quality content” et réduit le poids des recommandations basées uniquement sur la popularité brute.
Pousse à jouer la cohérence d’un contenu à l’autre
Pour un créateur, ça incite à travailler la cohérence : même univers, même promesse, même valeur ajoutée d’une vidéo à l’autre, pour que les personnes qui répondent “ça me correspond” reçoivent des contenus en cohérence. Il y a un intérêt à miser sur des séries et formats récurrents très identifiables, qui construisent un “intérêt vrai” sur la durée.
Moins de Clicbait
Le modèle a été créé précisément parce que des signaux comme le watch time et les likes seuls ne captaient que 48,3% des “vrais intérêts” des gens, avant de monter à plus de 70% après UTIS. Ça réduit l’intérêt des tactiques purement “clickbait / rétention artificielle”. Si les utilisateurs regardent mais déclarent ensuite que ça ne les intéresse pas, le contenu sera progressivement dépriorisé malgré de bons chiffres bruts
Le déclaratif devient une recette clé des algorithmes
Les algos traditionnels se sont construits presque uniquement sur de l’implicite : clics, watch time, partages, scroll, etc.
Ces signaux sont nombreux mais ambigus : regarder longtemps ne veut pas dire “j’aime”, ça peut être de la colère, de la curiosité, de la sidération
Résultat : les plateformes ont optimisé l’engagement brut, avec tous les effets pervers que tu connais (outrage, polarisation, contenus extrêmes).
Le déclaratif, à l’inverse, c’est l’utilisateur qui dit clairement : “j’aime / je n’aime pas / ça m’intéresse beaucoup / pas du tout” via une note, un sondage, un bouton de feedback, une question d’intérêt.
Les signaux déclaratifs (notes, sondages, sliders d’intérêt) sont en train de devenir une nouvelle “couche” clé des algorithmes sociaux, parce qu’ils redonnent du contrôle explicite aux utilisateurs là où l’engagement pur a montré ses limites.
Attention, il ne s’agit pas de supprimer l’algorithme de recommandation mais de le peaufiner avec des fonctions déclaratives.
