Depuis l'apparition des outils d'intelligence artificielle dans les ressources humaines, les entreprises ont embrassé ces technologies pour optimiser et accélérer leurs processus de recrutement. L'idée paraît simple : ces systèmes, capables d'analyser des milliers de candidatures en quelques secondes, apportent une objectivité nouvelle. Pourtant, derrière l'apparente neutralité algorithmique se cachent des biais souvent plus pernicieux que les biais humains.
La montée en puissance des algorithmes
Selon Gartner (2023), 75 % des entreprises utilisent aujourd'hui une forme d'IA pour leur recrutement. Les gains de productivité sont réels : un recruteur met en moyenne 23 heures pour trier 100 CV manuellement, contre quelques minutes pour un algorithme (Harvard Business Review, 2023).
Des outils comme HireVue — utilisé par plus de 700 entreprises — analysent les expressions faciales et la voix lors d'entretiens vidéo pour prédire la performance future. Le tout automatiquement.
Des biais reproduits — et amplifiés
L'exemple le plus célèbre reste Amazon, qui a dû abandonner en 2018 un outil de recrutement automatisé : l'algorithme discriminait systématiquement les femmes pour les postes techniques. En apprenant à partir de données historiques où les hommes étaient majoritaires, il avait internalisé les biais passés.
Ce n'est pas un cas isolé :
- Une étude de l'université de Princeton (2022) montre que les algorithmes mal conçus perpétuent des stéréotypes dans les métiers
- 78 % des algorithmes RH utilisent des données historiques biaisées (MIT Technology Review)
- Selon PwC (2023), les algorithmes augmentent le risque de discrimination dans 45 % des cas où ils sont utilisés sans supervision humaine
- Les candidatures avec un nom à consonance étrangère sont rejetées 30 % plus fréquemment dans les processus automatisés (National Bureau of Economic Research)
L'illusion de l'objectivité
Le problème fondamental : un algorithme apprend à partir des données qu'on lui fournit. Si ces données reflètent des schémas discriminatoires passés, il les reproduit — et les amplifie, à une vitesse et une échelle qu'aucun recruteur humain ne pourrait atteindre.
L'objectivité algorithmique est donc une promesse non tenue tant que les données d'entraînement et les critères de sélection ne sont pas eux-mêmes remis en question.
Comment limiter les biais algorithmiques
- Données diversifiées : former les algorithmes sur des données qui reflètent la diversité réelle de la société, pas les schémas historiques
- Audits réguliers : McKinsey recommande des audits périodiques pour détecter et corriger les biais avant qu'ils influencent les décisions d'embauche
- Intervention humaine aux étapes clés : l'évaluation finale et l'entretien doivent rester sous supervision humaine
- Transparence des critères : être capable d'expliquer pourquoi un candidat a été rejeté ou sélectionné — la boîte noire n'est pas acceptable en RH
L'IA peut améliorer la productivité du recrutement. Elle ne remplace pas encore la finesse du jugement humain. Comme le formule Forrester : « Les algorithmes peuvent trier des données, mais ils ne peuvent pas comprendre les rêves, les aspirations et les potentiels des personnes qu'ils sélectionnent. »