Les biais algorithmiques en recrutement décryptés

Un CV écarté en quelques secondes, une candidature classée « peu pertinente », un profil recommandé avant même l’entretien : les biais algorithmiques en recrutement ne prennent pas toujours la forme d’une discrimination visible. Ils se présentent souvent comme un gain de temps, une aide à la décision ou une promesse de neutralité. C’est précisément ce qui les rend difficiles à discuter.

Le problème n’est pas qu’un système commette des erreurs. Aucun recrutement humain n’est parfaitement objectif. Le problème commence lorsqu’une décision statistique, produite à grande échelle et protégée par le langage de la performance, devient plus difficile à contester qu’un jugement humain. Un biais n’est alors plus seulement une préférence individuelle : il peut s’installer dans l’organisation, se répéter et acquérir une apparence de légitimité.

Pourquoi un algorithme peut reproduire des inégalités

Un algorithme de recrutement ne découvre pas spontanément les meilleurs candidats. Il apprend, classe ou hiérarchise à partir de critères décidés par des personnes, de données historiques et d’objectifs organisationnels. Derrière l’idée d’une machine neutre, on retrouve donc une succession de choix : quelles données conserver, quelles variables rapprocher, quelle définition donner de la réussite, quel seuil fixer pour écarter ou retenir une candidature.

Si une organisation a longtemps recruté et promu des profils socialement homogènes, ses données peuvent enregistrer cette histoire comme une norme. Un système entraîné à repérer les caractéristiques des salariés considérés comme performants risque alors de privilégier ce qui ressemble aux personnes déjà en place. Le biais n’est pas nécessairement inscrit dans une instruction explicite du type « exclure tel groupe ». Il peut se loger dans des indices indirects : certaines écoles, la continuité d’un parcours, une zone géographique, le vocabulaire employé dans une lettre de motivation ou des expériences professionnelles jugées atypiques.

La recherche sur les discriminations a depuis longtemps montré que les inégalités ne résultent pas uniquement d’intentions malveillantes. Elles se construisent aussi à travers des critères apparemment ordinaires. C’est l’un des apports essentiels des travaux sur la discrimination indirecte : une règle identique pour tous peut produire des effets très différents selon les groupes. L’algorithmique ne supprime pas ce mécanisme. Elle peut l’accélérer, le stabiliser et le rendre moins perceptible.

Les données ne sont pas des faits bruts

Dire qu’une décision est « fondée sur les données » donne une impression de solidité. Pourtant, les données de recrutement sont des traces d’activités passées, produites dans un contexte social précis. Elles reflètent des postes tels qu’ils ont été définis, des carrières telles qu’elles ont été valorisées et des évaluations parfois marquées par des stéréotypes.

Prenons le critère de la disponibilité sans interruption. Il peut sembler utile pour anticiper la stabilité d’un parcours. Mais il pénalise potentiellement les personnes ayant connu un congé parental, une période de proche aidance, une maladie, une reconversion ou une mobilité contrainte. Le système ne « voit » pas forcément ces réalités. Il constate une discontinuité et l’associe à un risque, selon une logique qui n’a rien de naturel.

Le même raisonnement vaut pour la notion de performance. Est-elle mesurée par les résultats individuels, la fidélité à l’entreprise, la vitesse de promotion, l’évaluation du manager, la qualité du travail collectif ? Chacune de ces mesures porte une vision du travail. Lorsque cette vision devient la cible d’un dispositif algorithmique, elle cesse d’être une convention discutable et se transforme en critère de sélection.

Les biais algorithmiques en recrutement sont aussi un problème de gouvernance

Réduire le sujet à une question technique serait confortable, mais insuffisant. Les biais algorithmiques en recrutement révèlent d’abord une question de gouvernance : qui définit le bon candidat, qui peut contester le classement et qui assume la décision finale ?

Dans certaines organisations, l’outil devient un tiers silencieux. Le recruteur conserve formellement la main, mais son attention est orientée par un score, une recommandation ou une liste de profils déjà filtrée. La littérature en psychologie du travail décrit bien ce phénomène d’automatisation du jugement : face à une recommandation présentée comme objective, les individus peuvent réduire leur vigilance critique, surtout sous contrainte de temps ou de volume.

Cette délégation a un coût. Le recruteur peut perdre progressivement la compréhension des critères qui structurent son choix. Le manager, lui, reçoit des candidatures dont la sélection lui paraît déjà validée. Quant au candidat, il ne sait souvent ni qu’il a été évalué par un système, ni sur quels éléments son dossier a été jugé. La relation de recrutement devient alors asymétrique : l’organisation accumule de l’information, tandis que le candidat perd la possibilité d’expliquer son parcours.

Il serait néanmoins simpliste d’opposer une machine discriminante à un recruteur nécessairement juste. Les entretiens humains sont traversés par des biais de similarité, des effets de première impression, des stéréotypes de genre, d’âge, d’origine ou de classe sociale. La bonne question n’est donc pas : « faut-il choisir l’humain ou l’algorithme ? » Elle est plutôt : quelles formes de jugement voulons-nous organiser, rendre visibles et mettre en discussion ?

Ce qu’une organisation doit examiner avant de déléguer le tri

Une démarche responsable commence moins par la recherche d’une solution que par l’examen du processus existant. Si les critères de sélection sont flous, si les managers ne s’accordent pas sur les compétences attendues ou si les décisions ne sont pas documentées, l’automatisation ne résoudra rien. Elle donnera simplement une forme plus rapide à des ambiguïtés anciennes.

Il faut d’abord clarifier ce qui est réellement nécessaire pour tenir le poste. Un diplôme, un type de parcours ou une expérience dans une entreprise prestigieuse sont parfois des signaux pratiques, mais pas toujours des preuves de compétence. Cette distinction est décisive. Plus les critères sont proches du travail réel, plus il devient possible de justifier leur usage et d’éviter les proxies sociaux, ces variables indirectes qui remplacent sans le dire l’origine, le genre, l’âge ou le réseau.

L’organisation doit ensuite prévoir une possibilité effective de réexamen. Cela suppose qu’une personne puisse comprendre le rôle joué par le système, interroger une recommandation et modifier une décision. Une supervision humaine réduite à un clic de validation n’est pas une garantie. Pour être utile, elle doit donner au recruteur le temps, les compétences et la légitimité nécessaires pour exercer son discernement.

Enfin, l’évaluation ne peut pas s’arrêter au moment du déploiement. Il faut observer les effets produits : quels profils sont plus souvent écartés, quels parcours deviennent invisibles, quels critères pèsent réellement dans les décisions, et avec quelles conséquences sur la diversité des recrutements ? Cette vigilance est d’autant plus importante que les effets discriminatoires peuvent apparaître sans qu’aucun acteur n’ait cherché à discriminer.

L’équité ne se résume pas à une case de conformité

Les exigences juridiques européennes concernant la protection des données, la non-discrimination et l’encadrement de certains usages de l’IA créent un cadre nécessaire. Elles rappellent que le recrutement n’est pas un terrain d’expérimentation anodin. Une candidature engage un accès à l’emploi, à un revenu, à une identité professionnelle et parfois à une trajectoire de mobilité sociale.

Mais respecter un cadre légal ne suffit pas à produire de la justice organisationnelle. Une procédure peut être conforme tout en restant incompréhensible pour les candidats. Elle peut limiter certains critères interdits tout en perpétuant des exclusions par des variables indirectes. Elle peut conserver un contrôle humain sur le papier sans créer les conditions réelles de son exercice.

L’enjeu est donc aussi managérial. Une entreprise qui prétend valoriser l’inclusion mais filtre systématiquement les parcours non linéaires envoie un message contradictoire. Elle affirme rechercher de nouvelles compétences tout en sélectionnant la familiarité. Elle parle d’autonomie, mais demande à ses équipes de faire confiance à des décisions qu’elles ne peuvent ni interpréter ni discuter.

Recruter, c’est accepter une part de jugement

Le fantasme d’un recrutement entièrement objectif repose sur une promesse trompeuse : celle qu’il serait possible d’éliminer le jugement en le confiant à un calcul. Or recruter consiste toujours à porter une appréciation sur une personne, ses expériences et son potentiel dans un collectif donné. Cette appréciation peut être mieux structurée, plus équitable et plus explicable. Elle ne devrait pas devenir invisible.

La question décisive n’est pas de savoir si l’algorithme est neutre. Aucun dispositif ne l’est par nature. La question est de savoir si l’organisation se donne les moyens de voir les choix qu’elle inscrit dans ses pratiques de sélection, et d’en répondre. C’est à cette condition que la technologie peut soutenir le recrutement sans confisquer ce qui doit rester une responsabilité humaine : juger avec méthode, écouter les singularités et rendre ses décisions discutables.