Un modèle d'IA peut déterminer quel titre parmi deux obtiendra plus de clics, mieux que le hasard, mais de peu. Sur des tests réels de titres avec un gagnant connu, le modèle derrière notre score a choisi le titre le plus cliqué 61,9 % du temps lorsque chaque paire était posée dans les deux ordres. Lorsqu'il classait une liste entière d'un seul coup, comme un produit peut se le permettre, ce taux tombait à 58,2 %. Un classement basé sur des règles a à peine dépassé le pile ou face.
Points clés
- Nous avons donné au modèle 400 paires de titres ayant été testées l'une contre l'autre auprès de vrais lecteurs, chaque paire posée deux fois avec l'ordre inversé.
- Il a choisi le gagnant 61,9 % du temps au total. Sur les 293 paires où il a répondu de la même manière dans les deux ordres, il avait raison 66,2 % du temps.
- Quand on lui demandait de classer des listes de 4 à 6 titres en une seule réponse, il plaçait les paires à l'intérieur dans le bon ordre 58,2 % du temps. Notre ancien classement basé sur des règles atteignait 51,3 % sur les mêmes paires.
- L'ordre dans lequel les titres étaient affichés changeait sa réponse sur environ un quart des paires, donc l'ordre doit être contrôlé.
- Notre analyseur classe désormais ses titres suggérés de cette manière et marque ceux classés au-dessus du vôtre. Il n'affiche aucune estimation de gain, car les preuves ne le soutiennent pas.
L'IA peut-elle dire quel titre YouTube obtiendra plus de clics ?
Un peu. Sur des tests réels de titres, le modèle a correctement classé les titres environ six fois sur dix lorsqu'on lui demandait une paire à la fois, et un peu moins lorsqu'il classait une liste complète. Cela peut être utile comme deuxième avis pour choisir quel brouillon tester en premier. Ce n'est pas une prévision de votre taux de clic, et quiconque présente un classement de titres par IA comme tel en dit plus que ce que les preuves soutiennent.
La question nous importe pour une raison simple. Chaque analyse sur ce site propose jusqu'à cinq titres alternatifs, et l'ordre dans lequel ils apparaissent est une affirmation : le premier semble le meilleur. Jusqu'en octobre 2026, cet ordre provenait d'un score basé sur des règles, avec un nombre estimé de points supplémentaires à côté de chaque suggestion. Nous avons testé si les règles ou le modèle pouvaient réellement distinguer les bons titres des plus faibles.
Comment nous l'avons testé contre des clics réels
Nous avons utilisé les mêmes données que notre test de nos propres règles de titres contre des clics réels : le fichier exploratoire de l'Upworthy Research Archive, un ensemble public d'expériences aléatoires de titres de 2013 à 2015. Dans chaque expérience, plusieurs titres pour une même histoire étaient montrés au hasard à de vrais lecteurs, donc les clics comparaient uniquement les titres. Nous n'avons conservé que les versions partageant la même image, éliminé la période que les auteurs de l'archive signalent comme ayant un défaut de randomisation, et ignoré les versions montrées moins de 1 000 fois.
Deux formats, chacun planifié avant toute lecture de réponse
Le premier format était une paire à la fois. Nous avons tiré 400 paires indépendantes, une par expérience, où la différence de clics était claire au seuil statistique habituel. Le modèle voyait les deux titres et devait dire lequel avait le taux de clic le plus élevé, puis les voyait à nouveau dans l'ordre inverse. Une paire obtenait 1 si les deux réponses nommaient le gagnant, 0 si les deux nommaient le perdant, et 0,5 si les deux réponses différaient.
Le deuxième format était celui qu'un produit peut se permettre : un appel par analyse. Nous avons pris 150 expériences avec 4 à 6 titres sur une même image, demandé au modèle de classer chaque liste du taux de clic le plus élevé au plus faible, puis demandé à nouveau avec la liste mélangée. Nous avons noté les 576 paires à l'intérieur de ces listes dont les clics différaient clairement, ce qui, avec deux ordres, fait 1 152 demandes de paires. Avant de lire aucun résultat, nous avions noté la barre que le format liste devait franchir : le score de paire moins 5 points.
Le modèle était celui en production, utilisé en texte uniquement, à température 0. Au total, les deux tests ont nécessité 1 100 appels.
Ce que le modèle a bien fait, et ce que les règles ont bien fait
| Méthode | Format | A choisi le titre le plus cliqué |
|---|---|---|
| Le modèle | Paires, les deux ordres | 61,9 % |
| Le modèle, paires ayant reçu la même réponse dans les deux sens | Paires | 66,2 % (intervalle à 95 % : 60,6 à 71,4) |
| Notre ancien classement basé sur des règles | Mêmes paires | 54,5 %, les ex-aequo comptant pour moitié |
| Le modèle | Une liste par appel | 58,2 % |
| Notre ancien classement basé sur des règles | Mêmes listes | 51,3 % |
Le format liste a franchi la barre que nous avions fixée, soit 56,9 %. C'est le plus faible des deux formats, ce qui est attendu : classer six titres à la fois est une tâche plus difficile que comparer deux. Les paires à l'intérieur d'une même liste ne sont pas indépendantes les unes des autres, donc son incertitude est plus large que ce que suggère le simple décompte de 1 152.
L'ordre des titres modifie la réponse
Sur les 400 paires, 107 ont obtenu une réponse différente une fois les deux titres échangés. C'est la même faiblesse que nous avions trouvée en demandant à une IA de comparer des miniatures, où elle favorisait l'image qui venait en premier ; les détails sont dans notre article sur l'inversion de l'ordre. Dans les listes, l'effet était plus faible mais réel : le modèle donnait le même verdict dans les deux ordres sur 77,6 % des paires. Un classement issu d'un seul ordre aurait intégré ce biais directement dans le résultat.
Pourquoi le classement basé sur des règles a été abandonné
L'ancien classement notait chaque suggestion avec les mêmes vérifications de titres basées sur des règles que le titre analysé. Sur 17 236 paires de titres, il laissait la plupart à égalité sur un score entier, et lorsqu'il séparait deux titres, l'écart était généralement d'un ou deux points. Sur les paires avec un gagnant clair, il avait raison de 53 % à 56 % du temps, selon l'analyse dont provenaient les suggestions, et dans deux des quatre configurations, cela ne pouvait pas être distingué du hasard.
Pire encore, un écart plus grand ne signifiait pas un pari plus sûr. Dans trois des quatre configurations, les paires séparées de 3 points ou plus étaient classées correctement moins d'une fois sur deux. Pourtant, le produit affichait cet écart comme « +N points », un nombre qui augmentait exactement avec la quantité qui ne prédisait rien. Le nombre a donc disparu, ainsi qu'un filtre qui masquait les suggestions en fonction de celui-ci.
Ce que fait maintenant notre analyseur
Les titres suggérés sont classés par une deuxième lecture du modèle. Il reçoit votre titre et les alternatives en un seul appel, dans un ordre mélangé par un hachage fixe des titres, afin que la position ne favorise systématiquement aucun d'entre eux. Les titres placés au-dessus du vôtre sont marqués « Classé au-dessus du vôtre ». Aucun score ni gain estimé n'est affiché à côté, et la note de bas de page indique la valeur du classement : sur des tests de titres passés, ce type de classement a choisi le titre le plus cliqué 58 % du temps, contre 50 % par hasard.
Votre propre titre est intentionnellement inclus dans la liste. Le modèle classe des titres qu'il a lui-même rédigés, et un modèle peut préférer sa propre formulation ; le placer à côté des autres le rend visible au lieu de le cacher. La lecture supplémentaire ajoute environ une demi-seconde à une analyse.
Comment utiliser un classement de titres IA sans se laisser tromper
- Demander dans les deux ordres. Si la réponse change lorsque vous échangez les titres, considérez la paire comme un match nul.
- Inclure votre propre titre dans la comparaison, afin de voir si l'IA préfère ses suggestions ou simplement le texte le plus récent devant elle.
- Ignorer les formulations confiantes et les pourcentages estimés. Un classement juste environ six fois sur dix ne peut pas soutenir une affirmation de « +12 % de CTR ».
- Utiliser le classement pour choisir les deux versions à tester, pas pour sauter le test. Vous pouvez comparer la note de votre titre à celle des alternatives suggérées, avec la même miniature, et choisir les deux qui valent la peine d'être comparées.
- Comparer le résultat avec l'historique de votre propre chaîne, en comparant la vidéo avec vos dernières vidéos plutôt qu'avec une autre chaîne.
Limites de ce test
Il s'agit de titres d'actualité d'il y a dix ans, pas de titres YouTube, et rien ici ne mesure directement YouTube. L'archive est publique depuis 2021, donc le modèle a pu voir certains de ces titres pendant son entraînement. Leurs taux de clic n'ont jamais été publiés à côté d'eux sous une forme qui aurait facilité la mémorisation des gagnants, mais cela ne peut être exclu.
Le prompt en production diffère du prompt testé à deux endroits : il décrit un spectateur parcourant YouTube plutôt qu'un lecteur d'un site d'histoires, et ajoute une phrase indiquant au modèle de traiter les titres comme des données. Aucun de ces changements n'a été testé. Et dans le produit, le modèle classe des suggestions qu'il a lui-même rédigées, une tâche légèrement différente de celle de classer des titres rédigés par une équipe éditoriale. Un avantage de 58 % est modeste, et nous le décrivons comme tel partout où il apparaît.
Questions fréquentes
ChatGPT ou une autre IA peut-elle prédire le CTR d'un titre YouTube ?
Non, pas comme un nombre. Dans notre test, un grand modèle d'IA a choisi le titre le plus cliqué parmi deux environ six fois sur dix, et moins lorsqu'il classait une liste. C'est mieux que le hasard et utile pour choisir ce qu'il faut tester, mais c'est loin de prédire un taux de clic, et la confiance déclarée par un modèle n'est pas une preuve d'exactitude.
Pourquoi l'ordre des titres change-t-il la réponse de l'IA ?
Les modèles de langage sont sensibles à la position, favorisant souvent la première ou la dernière option affichée. Dans notre test, 107 des 400 paires ont obtenu une réponse différente une fois l'ordre inversé. La solution consiste à demander dans les deux ordres, ou à mélanger l'ordre d'une manière qui ne favorise aucun titre, ce que fait notre analyseur.
Pourquoi l'analyseur n'affiche-t-il pas combien de points un titre suggéré pourrait gagner ?
Parce que l'ancienne estimation affirmait une précision que les preuves ne soutenaient pas. Les gains estimés plus importants n'étaient pas plus fiables que les petits, et dans la plupart des configurations, ils étaient moins fiables. L'analyseur affiche désormais uniquement les suggestions que le modèle classe au-dessus de votre titre, et une note de bas de page avec la précision mesurée de ce classement.
Le titre préféré de l'IA est-il celui que je devrais publier ?
Considérez-le comme le premier candidat à tester, pas comme la réponse. Un classement juste environ 58 % du temps se trompera souvent sur n'importe quelle paire unique. Vos connaissances sur la vidéo et le public, et une comparaison réelle sur votre propre chaîne, décident plus que le classement.
Cela s'applique-t-il aussi aux miniatures ?
Un test séparé a demandé à une IA de comparer des miniatures avec un gagnant connu et a trouvé le même biais de position, plus fortement : elle choisissait la miniature qui venait en premier 64,7 % du temps. Comparer deux miniatures n'était pas plus précis que noter chacune séparément, et bien moins stable, donc notre score continue de noter chaque miniature séparément.