Biais algorithmiques en recrutement : les repérer, les neutraliser

Le mythe de la neutralité algorithmique

Une IA apprend de données passées. Si l'historique d'embauche d'une entreprise favorise un genre, une école ou une tranche d'âge, le modèle reproduira ce schéma — souvent à plus grande échelle, et avec un vernis de rationalité qui rend la discrimination invisible.

Trois familles de biais à connaître

• •Biais de représentation : sous-représentation de profils dans les données d'entraînement (ex : femmes en cybersécurité).
• •Biais de proxy : le modèle utilise une variable qui corrèle indirectement avec un critère protégé (code postal ↔ origine sociale).
• •Biais de feedback : les décisions humaines passées renforcent le modèle qui renforce les décisions futures. Boucle fermée.

Méthode d'audit en trois temps

• •Test statistique : comparer le taux de sélection par sous-groupe (genre, âge, origine déclarée). La règle des 4/5 est le seuil minimal.
• •Contre-tests synthétiques : injecter des CV identiques ne différant que par le prénom ou la date de naissance, vérifier la stabilité du score.
• •Revue qualitative : un panel humain rejoue 50 décisions IA, en aveugle. Désaccords > 15 % → recalibrage.

Ce qu'un déployeur sérieux exige

Un audit anti-biais n'est pas un PDF marketing, c'est un protocole rejoué à chaque mise à jour majeure du modèle.

Chez harmoniq ai, l'audit est mensuel, documenté, et joignable à la déclaration de conformité AI Act. Sans cela, la promesse d'« IA équitable » est un slogan.