En 2026, plus de 75 % des grandes entreprises utilisent un outil d'intelligence artificielle pour recruter, selon une estimation du cabinet Mercer. Ce chiffre, massif, cache une réalité moins glorieuse : les algorithmes rejettent entre 70 et 88 % des candidatures avant qu'un humain ne les examine, d'après une étude de la Harvard Business School. Ce filtrage élimine des profils compétents, notamment ceux aux parcours atypiques. Le problème ne vient pas d'une malveillance technologique, mais de la manière dont ces systèmes sont conçus et entraînés.
Pourquoi les algorithmes reproduisent-ils les biais humains ?
Les biais algorithmiques ne tombent pas du ciel. Ils proviennent des données d'entraînement. Si une entreprise a historiquement embauché surtout des hommes dans la tech, l'IA apprend que ce profil est "bon". Elle reproduit alors le même schéma, en excluant mécaniquement les femmes ou les candidats issus d'autres horizons. C'est le biais de données historiques, le plus courant.
Un autre biais fréquent est le biais de sélection. L'algorithme privilégie les candidats qui ressemblent à ceux déjà retenus par le passé, non pas parce qu'ils sont plus compétents, mais parce qu'ils correspondent à un "pattern" appris. Cela crée un cercle vicieux : l'équipe reste homogène, et l'IA continue de filtrer les profils différents.
Les modèles mal entraînés amplifient aussi ces distorsions. Un système de traitement du langage naturel (NLP) peut associer "gestion de projet" à "pilotage de projets", mais il ne comprend pas la valeur d'une expérience bénévole ou d'une reconversion professionnelle. Il opère une réduction de l'information : il ne lit pas entre les lignes.
Les biais cognitifs humains : un miroir grossissant pour l'IA
Les recruteurs humains ne sont pas exempts de biais. Les chercheurs en ont identifié 188, dont une vingtaine influencent directement les décisions d'embauche. L'IA, en apprenant sur des décisions humaines passées, hérite de ces mêmes raccourcis mentaux.
Voici les biais cognitifs les plus fréquents qui se retrouvent dans les algorithmes :
- Biais de confirmation : l'IA cherche des éléments qui confirment une première impression (ex : un diplôme prestigieux) et ignore les signaux contraires.
- Effet de halo : un seul point positif (une école renommée) ou négatif (une faute d'orthographe) colore tout le jugement.
- Biais d'affinité : l'algorithme favorise les profils qui ressemblent à ceux déjà embauchés (même parcours, même milieu social).
- Effet de contraste : un CV est évalué par rapport au précédent, pas par rapport aux critères du poste.
- Effet de primauté : les premières informations (présentation, premières lignes) pèsent plus lourd dans la décision.
Ces biais, humains à l'origine, deviennent systématiques et invisibles quand un algorithme les applique à des milliers de CV. Une enquête Phenom People de 2024 montre que 52 % des recruteurs ont retrouvé manuellement d'excellents candidats dans la pile rejetée par leur ATS. Preuve que le tri automatisé n'est pas fiable à 100 %.
Comment les ATS et le matching amplifient le problème
Les Applicant Tracking Systems (ATS) comme Workday, SAP SuccessFactors ou iCIMS sont la première couche technologique. Ils classent les CV selon des mots-clés, des compétences détectées et des intitulés de poste. Les générations récentes utilisent du NLP pour comprendre des synonymes, mais le problème de fond reste : un CV est un document riche et ambigu. L'algorithme ne perçoit pas la cohérence d'une trajectoire marquée par des transitions sectorielles.
Le matching, qui compare les profils aux fiches de poste, aggrave la situation. Si la fiche de poste elle-même contient des biais (ex : "jeune diplômé" qui exclut les seniors), l'algo les reproduit. De plus, les systèmes sont souvent entraînés sur des données historiques qui reflètent des pratiques de sélection passées, avec leurs angles morts.
Unilever a été un pionnier en repensant son processus avec l'IA dès 2019, en partenariat avec Pymetrics. Leur approche combine des jeux cognitifs et une analyse vidéo, mais même ce dispositif n'est pas à l'abri de biais si les données d'entraînement ne sont pas diversifiées.
Les conséquences concrètes pour les candidats et les entreprises
Les biais algorithmiques ont des impacts bien réels. D'abord, ils excluent des candidats compétents. La Harvard Business School parle de "hidden workers" : des travailleurs rendus invisibles par les filtres automatisés. Cela concerne les profils atypiques, les parcours non linéaires, les reconversions professionnelles.
Ensuite, cela dégrade la diversité des équipes. Une équipe homogène est moins innovante, moins performante. Sur le plan légal, l'article L1132-1 du Code du travail interdit toute discrimination en recrutement. Une entreprise qui utilise un algorithme discriminant s'expose à des sanctions pénales et financières.
Enfin, le coût est direct : des délais de recrutement allongés, des recruteurs qui doivent repasser manuellement sur les CV rejetés, une mauvaise image employeur. Les 52 % de recruteurs qui retrouvent des talents dans la pile rejetée ne sont pas un signe d'efficacité.
Comment éviter ces biais : des pistes concrètes
La solution ne passe pas par l'abandon de l'IA, mais par une utilisation éclairée. Voici des actions concrètes :
- Auditer les données d'entraînement : vérifiez qu'elles reflètent la diversité des candidats, pas seulement vos habitudes passées. Si vos données sont trop masculines ou trop jeunes, l'IA le restera.
- Diversifier les jeux de données : intégrez des profils variés (seniors, reconversions, parcours atypiques) dans l'apprentissage du modèle.
- Ne pas faire confiance aveuglément : un algorithme n'est pas objectif. Il reflète les données qu'on lui donne. Un recruteur doit toujours vérifier les résultats du tri automatisé.
- Former les recruteurs : ils doivent comprendre les biais algorithmiques et cognitifs pour ne pas les amplifier.
- Utiliser l'IA comme assistant, pas comme décideur : la présélection peut être automatisée, mais la décision finale doit rester humaine.
Une entreprise qui ignore ces biais risque de passer à côté de talents précieux. L'IA peut être un outil puissant, mais mal utilisée, elle devient un miroir grossissant de nos propres préjugés. La question n'est plus de savoir si l'IA va transformer le recrutement, mais comment la maîtriser pour qu'elle serve l'équité et la performance.
