Dans sa définition la plus courante, un algorithme est simplement une suite finie d’instructions permettant de résoudre un problème. Malgré la défiance populaire très partagée aujourd’hui, il ne s’agit pas d’une puissance numérique quasi mystique qui prendrait des décisions incontrôlables et désincarnées. C’est avant tout un outil, et ce n’est pas un outil infaillible. Mais si on veut juger un algorithme, il faut le faire sur les bons critères.

Son objectif. Il est important de savoir en quels termes le problème à résoudre est défini. Les algorithmes de répartition, qui nous intéressent dans le cas de l'Education nationale, doivent simplement faire correspondre une liste de candidats avec une liste de places. On peut décider de le faire sur des critères géographiques, sur les résultats scolaires ou dans le but de favoriser la mixité sociale. Cet objectif va définir un certain nombre de données (lieu d'habitation, liste de choix, boursier ou non, résultats scolaires…) qui seront fournies à l'algorithme lui-même pour qu'il aboutisse à sa décision.

Sa pertinence. L'algorithmique est une science. Rien que pour trier une simple liste de nombres, il existe plusieurs dizaines de solutions qui vont varier en rapidité et en complexité. En fonction du problème à résoudre, il faut donc choisir dans la littérature existante la solution la plus efficace et la plus robuste. On peut aussi choisir de réinventer la roue, mais c'est généralement moins efficace. C'est ainsi que dans le cas d'Affelnet, le rapport de Terra Nova se contente de conseiller un algorithme dit des «mariages stables» mis au point en 1962 par les chercheurs américains David Gale et Lloyd Shapley.

Sa transparence. Pour qu'une décision - qu'elle vienne d'un ordinateur ou non, d'ailleurs - soit acceptée, il faut qu'elle soit comprise. Dans le cas d'un algorithme, il s'agit de rendre publics et d'expliquer les objectifs et le mécanisme général de leur prise en compte par le programme. L'opacité ne peut à ce niveau-là que nourrir la défiance et, surtout, elle empêche une contre-expertise qui pourrait se révéler salutaire. C'est d'ailleurs une des faiblesses majeures des systèmes d'apprentissage basés sur l'intelligence artificielle, très en vogue en ce moment, qui fonctionnent comme des boîtes noires.

Son efficacité réelle. Une fois en situation, on n'est jamais à l'abri d'un résultat inattendu, qui va parfois à l'encontre des objectifs initiaux, notamment si on fait varier, même à la marge, les données qui alimentent le programme. D'où l'importance d'effectuer des simulations avant toute mise en production, ne serait-ce que pour éviter de donner aux candidats l'impression qu'ils sont les cobayes d'un système en phase de test.