L’algorithme est-il hétéro ?

La représentation des personnes LGBT, autrefois façonnée par les mouvements sociaux et les médias, est aujourd’hui largement conditionnée par les plateformes numériques. La diffusion des contenus dépend désormais de systèmes algorithmiques qui filtrent et hiérarchisent l’information. Cette évolution fait de l’algorithme un acteur central de la visibilité queer, rendant indispensable l’analyse de ses effets pour comprendre les futurs possibles des identités dans l’espace numérique.

Une visibilité filtrée par les logiques de recommandation

L’algorithme n’est pas un outil neutre : conçu pour maximiser l’attention, il oriente la visibilité vers les formats courts, visuels et immédiatement attractifs. Les vidéos humoristiques de créateurs queer, les performances drag ou les contenus pop gagnent ainsi en visibilité, comme les extraits de RuPaul’s Drag Race sur TikTok. À l’inverse, les récits plus complexes — transition, santé, violences, enjeux politiques — sont moins mis en avant. Leur temporalité, leur tonalité et leur densité correspondent mal aux impératifs commerciaux des plateformes. Plusieurs créatrices trans francophones, comme Océane ou Lexie (Aggressively Trans), ainsi que la chercheuse Florence Ashley, ont constaté que leurs vidéos éducatives sur la transition génèrent moins d’audience que leurs contenus plus légers, bien qu’ils s’adressent au même public. Cet écart accentue la distorsion entre l’expérience réelle des personnes LGBT et l’image qui s’impose dans les flux numériques : une représentation fragmentaire, centrée sur l’aspect le plus divertissant de la culture queer.

Les conséquences ne sont pas seulement culturelles, mais aussi économiques. Nombre de créateurs queer dépendent de la monétisation de leurs contenus. Or la hiérarchisation algorithmique influe directement sur leur visibilité et donc sur leurs revenus. En 2020, TikTok a reconnu avoir limité la portée de créateurs queer et handicapés au nom d’une prétendue logique de “protection”, avec des pertes d’audience et de revenus à la clé. L’IA ne se contente donc pas d’influencer ce qui est vu : elle conditionne aussi qui peut vivre de sa production culturelle.

À cela s’ajoutent les effets de la modération automatisée, fondée sur des modèles de langage et d’analyse d’image encore imparfaits. Des recherches et des ONG, dont OutRight Action International, montrent que des contenus liés aux identités LGBT sont régulièrement supprimés ou restreints alors qu’ils ne violent aucune règle. L’étude de Haimson et al. (2021) documente ces suppressions disproportionnées, en particulier lorsque des utilisateurs trans parlent de leur propre identité. La confusion entre « contenu sexuel » et « contenu lié à l’orientation sexuelle » reste fréquente. Des campagnes de prévention sur la PrEP ou le VIH ont ainsi été signalées ou rejetées par Instagram, tandis que des vidéos de suivi hormonal sont parfois classées en « contenu sensible » sans explication. Dans le même temps, des vidéos dénonçant des insultes homophobes ont été retirées sur TikTok parce qu’elles contenaient les termes mêmes de ces insultes. Le paradoxe est clair : la modération entend protéger, mais finit par effacer les preuves du harcèlement, pénalisant davantage les victimes que leurs agresseurs. Cette “censure protectrice” limite la capacité des minorités à rendre compte de leur expérience.

Bulles algorithmiques : une fragmentation croissante des espaces queer

Les systèmes de recommandation créent des environnements très segmentés dans lesquels les utilisateurs sont orientés vers des contenus correspondant à leurs centres d’intérêt. Cette personnalisation renforce la cohésion de certaines communautés LGBT, mais elle limite fortement la circulation des contenus vers des publics plus larges. Les personnes suivant des contenus trans sont dirigées vers des espaces où la transition et la dysphorie sont largement discutées. D’autres voient surtout des contenus humoristiques ou des vidéos de créateurs très populaires. Plusieurs analyses montrent que les contenus liés aux identités LGBT circulent principalement dans des communautés très spécifiques, avec une exposition limitée en dehors de ces cercles.

Cette segmentation structurelle contribue à une représentation fragmentée. Les communautés trans, non-binaires ou queer racisées ont des espaces très actifs, mais leur visibilité reste largement cantonnée à ces cercles. À l’extérieur, la représentation dominante demeure celle de personnalités très médiatisées, souvent blanches, cisgenres et conformes aux standards visuels des plateformes. Dans le même temps, les mêmes mécanismes nourrissent des bulles anti-LGBT, où la désinformation et les discours de haine circulent librement. L’algorithme favorise les contenus polarisants, renforçant les conflits identitaires. Plusieurs vidéos diffusées par des créateurs conservateurs ou d’extrême droite ont ainsi atteint des millions de vues sur YouTube, dans un contexte où la plateforme monétise toujours ses chaînes et tolère les discours anti-trans.

Les effets algorithmiques ne se déploient pas partout de la même manière. Dans plusieurs pays d’Europe de l’Est, du Moyen-Orient, d’Afrique et d’Asie, les plateformes sont soumises à des obligations légales qui restreignent explicitement les contenus LGBT. Une trentaine d’États utilisent déjà des technologies numériques pour surveiller, filtrer ou criminaliser des publications relatives aux identités queer. En Russie, des activistes ont documenté l’usage d’outils automatisés pour cibler les publications mentionnant la “propagande LGBT”. En Turquie, certains hashtags queer sont régulièrement bloqués ou ralentis. À l’inverse, des pays comme le Canada, les Pays-Bas ou l’Islande collaborent avec des ONG pour développer des systèmes de signalement plus inclusifs et des bases d’entraînement moins biaisées. La dynamique n’est donc pas seulement technologique : elle est éminemment politique.

L’essor des IA génératives ajoute une nouvelle couche de complexité. Les modèles d’image et de texte permettent à de jeunes individus d’explorer des identités alternatives dans un environnement numérique. Les avatars générés par IA, les images modifiées et les simulations de genre offrent des possibilités nouvelles d’expérimentation identitaire. Pourtant, ces modèles reproduisent les stéréotypes des données sur lesquelles ils ont été entraînés. Lorsqu’on demande à une IA de représenter une “femme lesbienne”, elle génère souvent des images hypersexualisées ; pour un “homme gay”, les résultats tendent à reproduire des clichés efféminés ou bodybuildés. Des travaux récents, notamment Naik & Nushi (2023) et Girrbach et al. (2025), montrent que les identités trans et non conformes au genre sont extrêmement sous-représentées dans les images produites automatiquement. Cette absence reflète les biais des corpus d’entraînement et contribue à une invisibilisation structurelle des minorités de genre. Ces biais façonnent ce que l’on considère comme “représentatif” ou “normal”. En ce sens, l’IA générative peut devenir un vecteur de réduction de la diversité, alors même qu’elle pourrait être un outil d’exploration identitaire puissant.

Quels futurs pour la visibilité LGBT ?

L’avenir de la représentation queer dépendra à la fois des choix techniques des plateformes, des régulations publiques, des modèles économiques et des usages sociaux. Un futur plus inclusif reposera sur des IA capables de discerner le contexte, d’intégrer des données diversifiées et de rendre explicites leurs critères de modération. Plusieurs travaux montrent qu’une diversification des corpus d’entraînement réduit significativement les erreurs de classification. Les cadres réglementaires émergents, comme le Digital Services Act et l’AI Act en Europe, pourraient également imposer davantage de transparence et d’audits indépendants.

Un second scénario, plus restrictif, verrait l’essor de systèmes de modération renforcés sous pression politique ou économique, notamment dans des pays où les identités LGBT sont criminalisées ou dans lesquels les annonceurs préfèrent éviter des contenus jugés “sensibles”. Les assistants conversationnels et les modèles génératifs, devenus des intermédiaires majeurs d’accès à l’information, pourraient eux aussi reproduire ou accentuer ces biais.

Enfin, le scénario intermédiaire — le plus probable — est celui d’une visibilité fragmentée, dépendante des dynamiques internes des plateformes. Certaines communautés bénéficieront d’espaces créatifs et solidaires, tandis que d’autres continueront à faire face à des restrictions, à des biais ou à des attaques coordonnées. La représentation queer resterait alors profondément hétérogène, oscillant entre niches protégées et zones de vulnérabilité algorithmique.

En conclusion, l’algorithme a pris une dimension politique majeure. Il organise la visibilité, définit la respectabilité, filtre la parole, oriente l’attention et peut, sans intention explicite, renforcer des inégalités préexistantes. La question n’est plus seulement de permettre aux personnes LGBT de s’exprimer en ligne, mais de garantir que cette expression ne soit pas contrôlée, déformée ou hiérarchisée par des systèmes techniques opaques. Renforcer la transparence des modèles, auditer les biais, diversifier les corpus d’entraînement et prévoir des mécanismes indépendants de supervision constituent autant de pistes pour mieux encadrer ces outils. La visibilité LGBT devient un test révélateur de la gouvernance algorithmique. Elle interroge, au-delà des identités, la capacité des sociétés numériques à maintenir une pluralité d’expressions légitimes et une véritable ouverture démocratique.