Étude révélatrice : TikTok submergé par les contenus générés par l’IA, trois fois plus que YouTube

Le 15 mai 2026, Kapwing a publié une mesure qui met un chiffre sur une impression devenue courante sur les réseaux sociaux : l’arrivée massive de contenus générés par l’IA dans les fils de recommandation. Le résultat le plus frappant concerne TikTok : sur un compte neuf, la majorité des vidéos proposées d’emblée relèveraient de productions artificielles à faible valeur, au point de devancer largement YouTube dans une comparaison à protocole identique. L’enjeu dépasse la simple irritation face à des vidéos « bizarres » : un fil qui se remplit de contenus synthétiques influence la création de contenu, la concurrence pour l’attention, et la façon dont l’algorithme apprend ce qui est « engageant ».

La photographie dressée par Kapwing souligne aussi une géographie précise du phénomène : certains univers thématiques, notamment les contenus pour enfants, semblent davantage colonisés que d’autres. Ce déséquilibre a des effets concrets : un parent qui tombe sur des comptines artificielles, un étudiant exposé à des « explications » approximatives, un utilisateur qui prend au sérieux un conseil santé généré en série. Ce dossier propose une lecture méthodique : ce que mesure l’étude révélatrice, pourquoi TikTok est plus exposé que YouTube, comment l’économie des vidéos virales accélère le flux, et quels signaux pratiques permettent de limiter l’impact numérique au quotidien.

Étude révélatrice Kapwing : comment TikTok dépasse YouTube sur les contenus générés par l’IA

La mesure la plus commentée tient en une comparaison simple : sur un fil « Pour toi » TikTok associé à un compte fraîchement créé, 294 vidéos sur 500 ont été identifiées comme de l’« AI slop », soit 59 %. Dans la même logique, un compte YouTube vierge exposé aux Shorts aurait montré 21 % de contenus assimilés à cette catégorie. Ces chiffres, rapportés par Kapwing dans sa publication du 15 mai 2026, donnent une base factuelle à un ressenti : l’exposition au synthétique peut précéder la personnalisation, avant même que l’algorithme n’ait déduit des préférences fiables.

La méthode décrite par l’éditeur repose sur deux niveaux. D’un côté, une analyse manuelle de plus de 10 000 vidéos réparties dans 20 catégories, afin d’estimer la densité de contenus générés par l’IA selon les thèmes et les tags. De l’autre, une expérience « utilisateur » consistant à observer les 500 premières recommandations d’un compte neuf, ce qui permet d’approcher le comportement de démarrage d’un système de recommandation. L’étude précise que les données sont arrêtées à mai, ce qui est important : les tendances de production et de diffusion se déplacent vite, et une fenêtre de mesure n’est pas un état figé du web.

La définition de l’« AI slop » dans ce contexte combine plusieurs signaux : visuels manifestement synthétiques, montage à faible effort, scripts stéréotypés, voix off artificielle, et répétitions de schémas narratifs conçus pour maximiser le visionnage. Il ne s’agit pas uniquement d’images irréalistes : une vidéo peut être classée dans cette catégorie même si elle imite un format éducatif, tant que la fabrication est automatisée et que la qualité informationnelle est dégradée. Ce point compte pour comprendre pourquoi la proportion peut grimper : la production industrielle vise les niches à fort rendement, notamment celles où l’utilisateur ne peut pas facilement vérifier la source en quelques secondes.

Ce différentiel entre TikTok et YouTube ne signifie pas que YouTube est « épargné ». Il indique plutôt que l’écosystème TikTok, par sa vitesse de consommation et sa boucle de recommandation, semble offrir un terrain particulièrement favorable aux contenus générés par l’IA qui cherchent un volume de vues immédiat. Sur un compte neuf, le système doit « deviner » ce qui retient l’attention ; les vidéos calibrées pour capter quelques secondes gagnent mécaniquement. Ce démarrage conditionne souvent la suite : des premières interactions orientent les recommandations et peuvent installer un régime de contenu difficile à corriger sans action volontaire.

Pourquoi la mesure sur “compte neuf” est déterminante pour l’algorithme

Observer un compte neuf revient à examiner la « phase zéro » : le moment où la plateforme ne dispose pas d’historique, donc où la sélection repose sur des signaux génériques (tendances globales, contenus très performants, clusters de popularité). Dans ce cadre, la pression est maximale pour capter l’attention. Les formats d’AI slop, conçus pour multiplier les variations à faible coût, peuvent fournir aux systèmes de recommandation une matière abondante, déjà optimisée pour les métriques de rétention.

Un exemple fréquent est la vidéo « micro-satisfaisante » : séquence courte, visuel animé, musique générique, promesse d’une information rapide. Le contenu peut être faible, mais l’emballage pousse au visionnage complet. À l’échelle d’un démarrage, quelques vidéos vues jusqu’au bout peuvent suffire à orienter les recommandations vers des lots similaires. L’impact numérique se joue donc tôt : le premier quart d’heure de navigation peut établir une norme de fil.

Au-delà du chiffre, l’angle clé consiste à relier la mesure au fonctionnement concret des flux. Un réseau social qui sert une majorité de contenus générés par l’IA à l’inscription envoie un signal implicite aux créateurs : ce type de format « passe » et peut devenir rentable. La plateforme n’est pas la seule variable, mais elle devient le lieu où l’économie de la production automatique rencontre la recommandation algorithmique.

Catégories saturées : pourquoi les contenus pour enfants concentrent l’AI slop sur TikTok

Le découpage par thématiques met en évidence une concentration du phénomène. Dans la classification présentée par Kapwing, la catégorie Kids atteint 57,4 % de contenus assimilés à de l’AI slop. Viennent ensuite Science et éducation à 35 %, Santé à 33,8 % et Histoire à 33,5 %. À l’inverse, certaines zones restent très peu touchées : Mode à 1,3 %, Musique à 1,5 %, Fitness à 1,6 %. Cette asymétrie est utile pour comprendre où se loge le risque et pourquoi il est perçu comme « partout » alors qu’il est, en pratique, très concentré.

Les contenus pour enfants constituent un terrain privilégié pour trois raisons opérationnelles. D’abord, le format se prête aux boucles et aux répétitions : comptines, couleurs vives, personnages reconnaissables, scénarios simples. Ensuite, les jeunes publics ne signalent pas toujours les incohérences, et les adultes peuvent tomber sur ces vidéos sans les regarder intégralement. Enfin, la demande est continue : les plateformes peuvent servir ces vidéos en volume, car elles sont consommées par fragments, souvent en arrière-plan.

Sur certains tags cités dans la mesure, la saturation devient extrême : #cartoonkids serait composé à 97 % de contenus classés comme slop, devant #babysong à 83 % et #learningforkids à 49 %. Dans ces formats, les défauts typiques sont récurrents : paroles approximatives, erreurs de vocabulaire, animations incohérentes, détournements de personnages, et « leçons » de calcul qui mélangent les concepts. Le résultat n’est pas seulement esthétique ; il peut brouiller des apprentissages basiques et installer des habitudes de consommation très passives.

Kapwing mentionne aussi l’avertissement d’une spécialiste du développement de l’enfant : Dana Suskind, professeure de pédiatrie à l’université de Chicago, y souligne le risque d’une exposition précoce et massive à des contenus synthétiques de faible qualité. Le point important, dans une lecture numérique, est que l’enjeu n’est pas uniquement la véracité. Il touche la structuration de l’attention, la répétition de stimuli, et l’absence de médiation adulte quand le fil déroule des séquences infinies.

Santé et éducation : quand le format “conseil rapide” amplifie les erreurs

La catégorie Santé illustre une autre mécanique : le conseil bref, mémorisable, conçu pour être partagé. Kapwing signale un tag comme #healthtips mesuré à 74 % de slop. Cette densité est cohérente avec l’économie du format : une phrase forte, une promesse de résultat, une voix off neutre, quelques visuels stock ou générés, puis une incitation à « sauvegarder ». Ce genre de vidéo peut devenir virale même quand l’information est bancale.

Dans Science et éducation, la pression est différente : l’objectif consiste à ressembler à un cours. Le risque n’est pas forcément une désinformation spectaculaire ; il s’agit souvent d’un glissement lent vers des explications simplifiées à l’excès, ou vers des contenus “pseudo-documentaires” qui enchaînent des faits sans sources. Quand ces formats sont produits en série, l’algorithme peut en diffuser de grandes quantités, car les signaux de qualité sont difficiles à détecter automatiquement à grande échelle.

Un point pratique s’impose pour les usages familiaux : l’exposition ne dépend pas seulement de la recherche active. Un fil peut servir ces contenus sans requête explicite, ce qui rend la supervision plus complexe sur des appareils partagés. Dans ce contexte, comprendre quelles catégories sont les plus touchées aide à régler plus finement les usages et les centres d’intérêt suivis.

Économie de la création de contenu : pourquoi l’IA industrialise les vidéos virales sur les réseaux sociaux

La montée des contenus générés par l’IA ne repose pas sur un mystère technologique ; elle suit une logique de production. Un pipeline standard permet aujourd’hui de fabriquer des dizaines de vidéos par jour : script produit automatiquement, voix off synthétique, images générées ou banques d’assets, montage automatisé, puis déclinaisons par tags. Le coût marginal s’effondre, ce qui change le rapport de force avec les créateurs classiques. La conséquence immédiate est un bruit de fond plus élevé, surtout sur TikTok où la vitesse de diffusion et la consommation en plein écran favorisent les micro-formats.

Dans la pratique, l’industrialisation vise les thèmes à forte audience et à faible exigence de vérification instantanée : enfants, conseils “bien-être”, anecdotes historiques, “faits surprenants”, pseudo-science. Ce choix est rationnel : la crédibilité perçue peut être construite par des codes visuels (sous-titres dynamiques, musique, ton professoral) sans investissement éditorial réel. L’algorithme, lui, mesure des comportements (visionnage complet, relecture, partage), pas la solidité d’une explication.

Le phénomène modifie aussi les incitations des créateurs humains. Une partie du marché s’aligne : recyclage de formats, accroches standardisées, production plus rapide pour rester visible. D’autres acteurs cherchent à se différencier : tournage en face caméra, preuves, démonstrations, coulisses, sources. Dans l’écosystème, l’IA devient un outil de productivité légitime quand elle sert à préparer un script ou à sous-titrer ; le problème décrit par l’étude révélatrice apparaît quand elle sert à saturer les flux de vidéos sans intention éditoriale.

Pour suivre l’angle “créateurs”, un repère utile est de regarder comment les professionnels cadrent l’usage de l’IA générative dans leurs process, y compris en France. Un état des lieux accessible figure dans ce dossier sur l’IA générative chez les créateurs français, qui aide à distinguer l’assistance à la création de contenu de la production de masse. Cette nuance compte, car toutes les vidéos utilisant l’intelligence artificielle ne relèvent pas du slop.

Signaux concrets d’une vidéo “slop” et points de contrôle rapides

La détection parfaite n’existe pas à l’œil nu, mais des signaux se combinent souvent. L’objectif n’est pas de traquer chaque détail ; il s’agit de réduire l’exposition aux formats trompeurs, surtout sur les thématiques sensibles. Une routine de vérification peut se faire en moins d’une minute.

• Voix off trop lisse, sans respiration, avec une prosodie uniforme sur tout le texte.
• Promesses très fortes en début de vidéo (“résultat garanti”, “secret”, “méthode en 10 secondes”) sans démonstration.
• Visuels incohérents d’un plan à l’autre (mains qui changent, objets qui se déforment, arrière-plans instables).
• Sources absentes sur des faits chiffrés, ou renvoi à des “études” non nommées.
• Répétition de gabarits identiques publiés en série, souvent avec des hashtags très larges.
• Commentaires qui signalent des erreurs factuelles récurrentes, sans correction dans la description.

Ces signaux sont aussi utiles pour les marques et les médias : ils permettent de protéger une ligne éditoriale, d’éviter de relayer des conseils santé hasardeux, et de limiter l’impact numérique d’un fil qui s’enferme dans des contenus à faible valeur. Sur TikTok comme sur YouTube, un créateur peut aussi choisir d’expliquer sa méthode et d’indiquer explicitement ce qui est généré, ce qui rétablit une partie de la confiance.

Réponses des plateformes : étiquetage IA, réduction du slop et limites de la modération

Face à la montée des contenus générés par l’IA, les plateformes ont engagé des réponses visibles, mais encore incomplètes. TikTok a indiqué avoir étiqueté 1,3 milliard de vidéos comme générées par IA et avoir annoncé un outil permettant de réduire la part de contenus IA dans le fil, avec un fonds de 2 millions de dollars dédié à des programmes d’éducation à l’IA en novembre 2025. Ces annonces donnent un ordre de grandeur : le volume est tel que l’étiquetage devient une opération industrielle, avec un risque de faux positifs et de faux négatifs.

L’étiquetage est une première couche, mais il ne résout pas tout. Un contenu peut être entièrement synthétique et correctement signalé tout en restant trompeur dans sa promesse. Inversement, un créateur peut utiliser l’intelligence artificielle pour nettoyer un son, générer des sous-titres ou produire une illustration sans que cela nuise à la qualité. La difficulté, pour un réseau social, consiste à distinguer l’usage qui améliore la création de contenu de l’usage qui sert à publier des lots destinés à manipuler l’attention.

Sur d’autres services, la tendance est au durcissement contre les productions jugées “sans valeur”. LinkedIn a notamment communiqué sur le fait de réduire la visibilité de certaines publications générées automatiquement lorsqu’elles n’apportent pas d’information utile, afin de protéger l’expérience utilisateur. Ce mouvement indique une évolution : la bataille ne porte pas seulement sur la désinformation, mais aussi sur la qualité perçue des flux et sur le temps passé à scroller des formats répétitifs.

Dans la réalité opérationnelle, la modération est contrainte par trois variables : la vitesse de publication, la diversité des langues, et la capacité des outils à détecter des contenus hybrides (mi-humains mi-IA). Les contenus pour enfants et les conseils santé illustrent cette limite : un système peut repérer un visuel synthétique, mais il lui est plus difficile de vérifier une affirmation médicale ou un apprentissage. Le risque est alors un arbitrage implicite : laisser passer tant que l’engagement est élevé, et corriger après signalements.

Mesures utiles côté utilisateur : réglages, abonnements et hygiène de fil

Pour limiter l’exposition au slop, les gestes les plus efficaces relèvent de l’hygiène de fil. Le point central est d’envoyer des signaux cohérents à l’algorithme, surtout dans les premiers jours d’un compte. Un fil neuf est malléable, ce qui rend les premières actions déterminantes pour la suite.

Une approche concrète consiste à privilégier les abonnements à des comptes identifiés (médias, institutions, créateurs qui sourcent), puis à réduire l’interaction avec les formats répétitifs : ne pas liker par réflexe, ne pas sauvegarder des vidéos “conseil” non vérifiées, utiliser les options de “moins de contenu similaire” quand elles existent. Pour les familles, le choix d’un mode supervisé et la désactivation de certains centres d’intérêt diminuent mécaniquement la probabilité de tomber sur des tags Kids saturés.

Un autre levier est de transférer la vérification hors du réseau social : recouper un conseil santé via un site institutionnel, rechercher l’origine d’une image, comparer plusieurs sources sur un fait historique. Pour rester pragmatique, ces contrôles ne doivent pas devenir un travail à plein temps ; ils s’appliquent en priorité aux contenus qui demandent une action réelle (acheter un produit, appliquer un conseil médical, partager une “information”).