Voici une réalité qui déroute autant qu’elle inquiète : supprimer une photo d’un site web ou d’un réseau social ne la fait pas forcément disparaître des recherches. On imagine volontiers qu’un clic sur « supprimer » agit comme une gomme magique, effaçant proprement le fichier partout où il traînait. Sauf que les moteurs alimentés par l’intelligence artificielle ne raisonnent pas comme nos vieux annuaires du Web. Ils ne cherchent pas une image par son adresse ou son nom de fichier, mais par ce à quoi elle ressemble. Résultat : une image que l’on croyait envolée peut ressurgir ailleurs, retrouvée non pas par où elle se trouvait, mais par sa signature visuelle. Comprendre ce mécanisme, c’est saisir pourquoi notre intuition du « bouton effacer » ne tient plus.

Le mythe du bouton « supprimer » qui efface tout

Dans notre représentation du numérique, supprimer un fichier ressemble à jeter un papier à la poubelle : il quitte notre vue, donc il n’existe plus. La réalité est bien plus nuancée. Quand vous retirez une photo d’une page, vous coupez essentiellement le lien d’affichage. La page ne montre plus l’image, son adresse ne renvoie plus rien. Mais entre-temps, cette image a pu être copiée, indexée, mise en cache, réutilisée sur d’autres sites, parfois à votre insu.

Autrement dit, vous fermez une porte, mais le fichier a déjà emprunté une dizaine d’autres sorties. Les moteurs classiques cherchaient par des repères textuels : une URL, un titre, une légende. Effacer ces repères suffisait souvent à brouiller les pistes. Les systèmes d’aujourd’hui, eux, ont appris à regarder l’image elle-même. Et c’est là que tout change.

Quand une image devient une suite de chiffres : le principe des embeddings

Pour qu’une machine « comprenne » une photo, elle doit d’abord la traduire dans son propre langage : des nombres. C’est le rôle des embeddings. Un embedding, c’est une représentation vectorielle dense d’un objet — une image, un texte, un son — placée dans un vaste espace mathématique. Imaginez une gigantesque bibliothèque où chaque photo occupe une position précise. Plus deux images se ressemblent sur le fond, plus leurs positions sont proches les unes des autres.

Concrètement, la recherche par embeddings transforme une image en un vecteur numérique où la proximité géométrique traduit la similarité sémantique. On peut ainsi retrouver des images visuellement proches sans le moindre texte associé. C’est ce qui permet à certains outils de repérer une même photo même si elle a été recadrée, modifiée, réenregistrée dans une autre résolution ou publiée sur un site totalement obscur. La signature visuelle survit à ces manipulations, un peu comme un visage reste reconnaissable sous un chapeau ou une paire de lunettes. Fait troublant : ces embeddings restent des boîtes noires. Même les concepteurs peinent parfois à expliquer pourquoi deux vecteurs se retrouvent voisins, ce qui alimente aujourd’hui de nombreuses recherches sur l’explicabilité.

Les métadonnées, ces mouchards que personne ne pense à effacer

Une image ne voyage jamais toute nue. Elle emporte avec elle une valise invisible : les métadonnées. Date de prise de vue, modèle d’appareil, parfois coordonnées géographiques, informations de logiciel de retouche… autant de détails inscrits dans le fichier, à côté des pixels eux-mêmes. Ce sont des mouchards discrets que la plupart d’entre nous ignorent totalement.

Combinées aux vecteurs de caractéristiques, ces métadonnées offrent un second chemin pour retrouver et rapprocher des images. Vous pouvez avoir supprimé une photo d’un endroit, sa copie ailleurs conserve ces indices. C’est précisément là que se dévoile le fin mot de l’histoire : la recherche par embeddings, associée aux métadonnées et aux vecteurs de caractéristiques, permet de retrouver des images similaires même quand on croyait avoir fait le ménage. Le fichier ne réapparaît pas par où on l’attend, mais par ce qu’il est.

Ce que ça change pour votre vie privée et comment limiter les dégâts

Les conséquences sont loin d’être anodines. Certains moteurs sont capables, à partir d’une seule photo téléversée, de retrouver en quelques secondes d’autres clichés d’une même personne éparpillés sur Internet. Pour la vie privée, c’est un basculement : un visage devient une clé de recherche universelle. Une image que vous pensiez confidentielle, ou depuis longtemps retirée, peut refaire surface par ce chemin détourné.

Que faire, alors ? Quelques réflexes simples réduisent la surface d’exposition :

• Nettoyer les métadonnées de vos images avant publication, quand c’est possible.
• Limiter la diffusion publique des photos, surtout celles montrant un visage clairement identifiable.
• Vérifier régulièrement les paramètres de confidentialité de vos comptes.
• Utiliser vos droits, notamment le déréférencement et l’effacement prévus par la réglementation européenne sur les données personnelles.

Ces gestes ne rendent pas invisible, mais ils compliquent la tâche des systèmes qui traquent par ressemblance.

En somme, l’idée rassurante d’un fichier qui s’évapore d’un simple clic appartient au passé. À l’ère des embeddings, une image n’est plus définie par son adresse mais par sa forme, sa texture, ses détails traduits en chiffres. Cela oblige à repenser notre rapport à ce que l’on partage : et si, avant de publier une photo, on se demandait non pas « comment l’effacer ensuite ? », mais « suis-je vraiment prêt à ce qu’elle circule pour toujours » ?