Cet article explore l'impact des systèmes de recommandation de prochaine visite, de plus en plus intégrés aux services de localisation, sur les décisions individuelles de mobilité en milieu urbain, grâce à un cadre de simulation. Si la précision prédictive des systèmes de recommandation a été largement étudiée, leur impact systémique sur la dynamique urbaine est encore insuffisant. À l'aide de simulations basées sur des données de mobilité réelles, nous explorons systématiquement l'impact de l'adoption d'algorithmes sur différentes stratégies de recommandation. Nous constatons que les systèmes de recommandation peuvent accroître la diversité des visites individuelles tout en amplifiant les inégalités collectives en concentrant les visites sur un nombre restreint de destinations populaires. Cet écart s'étend à la structure des réseaux sociaux de colocalisation, révélant des implications plus larges pour l'accessibilité urbaine et la ségrégation spatiale. Notre cadre met en œuvre des boucles de rétroaction dans la recommandation de prochaine visite et offre une nouvelle perspective pour évaluer les impacts sociaux de la mobilité assistée par l'IA. Il fournit également des outils informatiques pour prédire les risques futurs, évaluer les interventions réglementaires et éclairer la conception de systèmes algorithmiques éthiques.
