Publié le 19 août 2026 · Mis à jour le 19 août 2026 · Lecture : 11 min · Par Arnaud Seknazi
L’essentiel
- Le biais algorithmique est documenté depuis 2020 en France : le Défenseur des droits et la CNIL établissent que les algorithmes, sous une apparence de neutralité, encodent des stéréotypes humains et peuvent automatiser la discrimination à l’embauche.
- Mais l’idée reçue « l’IA discrimine plus que l’humain » est contredite par le terrain : dans l’expérimentation d’Avery et al. (2026, plus de 3 000 candidats), l’outil d’IA testé note plus favorablement les femmes et les minorités que les évaluateurs humains, et prédit mieux la réussite professionnelle ultérieure.
- Le biais se loge aussi dans le format du processus : la même étude montre que l’entretien asynchrone fait chuter de plus de 50 % la poursuite des candidatures, avec une baisse plus marquée chez les femmes. Un algorithme parfaitement calibré sur un format dissuasif produit un résultat discriminatoire.
- Le droit s’applique quel que soit l’outil : la discrimination reste interdite (code du travail, code pénal) et l’employeur en répond même quand elle provient d’un algorithme acheté à un fournisseur. L’AI Act ajoute la surveillance humaine obligatoire des systèmes RH à haut risque (2 décembre 2027).
- Cette page fait partie du guide de référence IA et RH ; voir aussi IA et recrutement.
Qu’est-ce qu’un biais algorithmique en RH ?
Un biais algorithmique est une distorsion systématique des résultats d’un système automatisé qui avantage ou désavantage certaines personnes ou certains groupes. En RH, il se manifeste dans le tri de candidatures, le scoring, les recommandations de promotion ou de formation. Le point établi par le rapport fondateur du Défenseur des droits et de la CNIL (« Algorithmes : prévenir l’automatisation des discriminations », mai 2020) tient en une phrase : sous une apparence de neutralité mathématique, les algorithmes encodent des stéréotypes humains — parce qu’ils apprennent sur des données produites par des décisions humaines passées.
Trois propriétés rendent le phénomène plus dangereux que le biais humain qu’il reproduit : l’échelle (un recruteur biaisé traite des dizaines de dossiers, un algorithme biaisé en traite des dizaines de milliers), l’opacité (la personne écartée ignore qu’un algorithme est intervenu, et sur quels critères), et la difficulté de preuve (démontrer une discrimination algorithmique suppose d’accéder au système — le Défenseur des droits y consacre sa fiche « Algorithmes, IA et discriminations » de 2024).
Où les biais se logent réellement
| Localisation | Mécanisme | Exemple RH |
|---|---|---|
| Données d’entraînement | Le système apprend les décisions passées, biais compris | Un historique de recrutements masculins produit un tri défavorable aux femmes |
| Variables proxy | Une variable neutre en apparence corrèle avec un critère protégé | Le code postal, les loisirs, les années de césure |
| Format du processus | Le dispositif décourage inégalement les candidatures | L’entretien asynchrone réduit de moitié la poursuite, davantage chez les femmes (Avery et al., 2026) |
| Seuils et consignes | Le paramétrage humain réintroduit le biais | Pondération excessive de la « continuité de carrière » |
| Boucle de rétroaction | Les décisions du système alimentent son propre apprentissage | Les profils jamais présélectionnés ne peuvent jamais faire leurs preuves |
L’IA discrimine-t-elle plus que l’humain ? Ce que disent les expérimentations
Non, pas systématiquement — et c’est l’enseignement le plus contre-intuitif des travaux récents. L’expérimentation de terrain d’Avery, Ip, Leibbrandt et Vecci (« A Brave New World of Hiring », CESifo Working Paper n° 12573, mars 2026), menée sur plus de 3 000 candidats réels, établit deux résultats : l’outil d’IA testé note plus favorablement les femmes et les minorités que les évaluateurs humains, et il prédit sensiblement mieux la réussite professionnelle ultérieure des candidats.
Mais la même étude porte le résultat qui déplace tout le débat : le passage à l’entretien asynchrone — se filmer seul face à des questions préenregistrées — fait chuter de plus de 50 % la poursuite des candidatures, avec une baisse plus marquée chez les femmes. Autrement dit : le biais ne se loge pas seulement dans l’algorithme d’évaluation, il se loge dans le format du processus, qui filtre les candidats avant même toute évaluation. Un algorithme équitable branché sur un format dissuasif produit un vivier appauvri et déséquilibré — en toute « neutralité ». Ce déplacement d’analyse est presque absent du débat français.
La conclusion opérationnelle n’est ni « l’IA est neutre » ni « l’IA discrimine » : c’est que l’équité d’un dispositif se mesure de bout en bout — qui candidate, qui abandonne, qui est évalué, qui est retenu — et non sur le seul module algorithmique.
Ce que dit le droit
- La discrimination reste la discrimination. Écarter un candidat ou un salarié en raison de l’un des critères protégés (sexe, origine, âge, état de santé, opinions syndicales…) est interdit par le code du travail (article L1132-1) et pénalement sanctionné — que la décision vienne d’un humain, d’un algorithme, ou d’un humain suivant un algorithme.
- L’employeur répond de l’outil qu’il déploie, même acheté clés en main : « c’est l’algorithme du fournisseur » n’est pas un moyen de défense. D’où l’importance des garanties contractuelles (documentation, audits, explicabilité).
- Le RGPD encadre déjà les décisions automatisées (article 22) et impose l’analyse d’impact pour l’évaluation systématique de personnes — le détail est dans notre page IA, données RH et RGPD.
- L’AI Act ajoute une couche spécifique : les systèmes RH d’évaluation et de sélection sont « à haut risque » (annexe III, point 4), avec exigences de gouvernance des données d’entraînement côté fournisseur et surveillance humaine effective côté employeur (article 26) — applicables au 2 décembre 2027 ; la catégorisation biométrique déduisant l’affiliation syndicale ou les opinions est, elle, déjà interdite (article 5). Voir AI Act et RH.
Comment prévenir les biais : cinq pratiques
- Tester par population, régulièrement — comparer les taux de présélection et de réussite par sexe, âge et origine géographique, avant le déploiement puis à intervalles réguliers : un système évolue avec ses données.
- Exiger l’explicabilité contractuellement — critères utilisés, variables exclues, documentation des tests d’équité du fournisseur. Un fournisseur qui ne peut pas répondre est un risque juridique.
- Auditer le format autant que l’algorithme — mesurer qui abandonne à chaque étape du processus (Avery et al. montrent que c’est là que se joue une grande part de l’équité), et proposer une alternative humaine aux formats dissuasifs.
- Organiser une surveillance humaine réelle — des personnes formées, avec le pouvoir de contredire le système (c’est l’exigence de l’article 26 de l’AI Act, et déjà celle de l’article 22 du RGPD).
- Tracer et conserver — journaux des décisions, motifs des écarts au score, pour pouvoir démontrer l’absence de discrimination le jour où la question est posée. La charge de la preuve, en matière de discrimination, est aménagée en faveur du demandeur.
Questions fréquentes
Qu’est-ce qu’un biais algorithmique ?
Une distorsion systématique des résultats d’un système automatisé qui avantage ou désavantage certains groupes. En RH, il provient le plus souvent des données d’entraînement (qui reflètent les décisions humaines passées), de variables proxy corrélées à des critères protégés, du format du processus, ou du paramétrage humain du système.
L’IA discrimine-t-elle plus que les recruteurs humains ?
Pas systématiquement. L’expérimentation d’Avery et al. (CESifo, 2026, plus de 3 000 candidats) montre que l’outil d’IA testé note plus favorablement les femmes et les minorités que les évaluateurs humains et prédit mieux la réussite ultérieure. En revanche, le format d’entretien asynchrone fait chuter de plus de 50 % la poursuite des candidatures, davantage chez les femmes : le biais se déplace de l’algorithme vers le format.
Qui est responsable d’une discrimination causée par un algorithme ?
L’employeur qui utilise le système, même s’il l’a acheté à un fournisseur. La discrimination est interdite par le code du travail et le code pénal quel que soit son vecteur. Le fournisseur peut engager sa responsabilité contractuelle, mais cela n’exonère pas l’employeur vis-à-vis du candidat ou du salarié.
Que documentent le Défenseur des droits et la CNIL sur le sujet ?
Leur rapport commun de 2020 (« Algorithmes : prévenir l’automatisation des discriminations ») établit que les algorithmes encodent des stéréotypes humains sous une apparence de neutralité et peuvent automatiser la discrimination à grande échelle. La fiche « Algorithmes, IA et discriminations » du Défenseur des droits (2024) souligne l’opacité de ces systèmes et la difficulté de preuve pour les victimes.
Comment tester un outil de recrutement contre les biais ?
En comparant les taux de présélection et de réussite par population (sexe, âge, origine géographique) avant déploiement puis à intervalles réguliers, en exigeant du fournisseur la documentation de ses tests d’équité, et en mesurant les abandons à chaque étape du processus — le format compte autant que l’algorithme.
Cette page fait partie du guide de référence IA et RH de DRH Digital. Volets complémentaires : IA, données RH et RGPD, AI Act et RH et IA et recrutement. Dernière mise à jour : 19 août 2026.