Dans le recrutement technique, un outil de tri peut sembler neutre tout en reprenant des critères hérités des pratiques passées. Le biais de recrutement ne se limite pourtant pas aux algorithmes : il peut aussi apparaître dans les consignes, les entretiens et les décisions humaines.
La recherche scientifique récente invite à examiner l’ensemble du parcours, depuis la candidature jusqu’à la décision finale. Comprendre où se forment les biais inconscients permet de mieux protéger la diversité dans la tech et de rendre la sélection des candidats plus équitable.
À retenir : les essentiels sur les biais du recrutement technique
- Origines multiples des biais, des données aux formats d’entretien
- Équité évaluée sur tout le parcours de candidature
- Responsabilité de l’employeur, même avec un outil externe
Où se cachent les biais dans le recrutement technique ?
Après avoir identifié les principaux enjeux, il faut regarder concrètement les étapes où une candidature peut être désavantagée. Un système automatisé n’invente pas toujours ses critères : il peut apprendre des choix antérieurs ou appliquer des consignes définies par l’employeur.
Données, critères indirects et décisions passées
Selon le rapport commun du Défenseur des droits et de la CNIL publié en 2020, les algorithmes peuvent encoder des stéréotypes présents dans les décisions humaines. Si une entreprise a principalement recruté des hommes dans certains métiers, les anciens dossiers risquent d’orienter les algorithmes de recrutement vers des profils similaires.
Le biais peut également passer par une variable apparemment neutre. Le code postal, une interruption de carrière ou certaines activités mentionnées dans un CV peuvent servir de signaux indirects, sans mesurer réellement l’évaluation des compétences.
Les points de vigilance les plus fréquents concernent plusieurs composantes du processus :
- Historique d’embauche reproduit dans les données d’entraînement
- Variables indirectement liées à l’origine ou à l’âge
- Consignes favorisant les parcours professionnels continus
- Boucles où les profils retenus nourrissent les futurs tris
Le format d’entretien peut aussi filtrer les candidatures
Le choix d’un format intervient avant même la notation des compétences. Selon l’étude de terrain d’Avery, Ip, Leibbrandt et Vecci, publiée en 2026 et menée auprès de plus de 3 000 candidats, l’entretien asynchrone est associé à une baisse de plus de moitié de la poursuite des candidatures, plus marquée chez les femmes.
Dans cet exercice, les candidats se filment seuls en répondant à des questions enregistrées. Le résultat rappelle qu’un outil d’évaluation correctement réglé ne corrige pas un parcours qui décourage certains profils avant leur examen.
Étape concernée
Mécanisme possible
Exemple en recrutement
Données d’entraînement
Reprise des décisions antérieures
Historique de recrutements très masculin
Variables indirectes
Corrélation avec un critère protégé
Code postal utilisé comme signal
Format du processus
Abandon inégal des candidatures
Entretien vidéo asynchrone
Paramétrage humain
Pondération excessive d’un critère
Préférence pour les carrières sans interruption
Boucle de rétroaction
Réutilisation des sélections précédentes
Profils non retenus rarement réévalués
Repérer ces mécanismes conduit à une question plus nuancée : les algorithmes défavorisent-ils nécessairement davantage les candidats que les recruteurs humains ?
Ce que la recherche montre sur l’IA et la discrimination à l’embauche
Les mécanismes repérés ne prouvent pas que chaque outil discrimine davantage qu’une personne. La comparaison dépend des critères retenus, des candidats qui accèdent à l’évaluation et de la manière dont les résultats sont ensuite utilisés.
Comparer l’algorithme aux évaluateurs humains
Selon l’étude d’Avery et ses coauteurs, l’outil testé a attribué de meilleures évaluations aux femmes et aux minorités que les évaluateurs humains, tout en prédisant mieux la réussite professionnelle ultérieure. Ce résultat porte sur une expérimentation précise : il ne démontre pas que tous les systèmes ou tous les métiers produisent les mêmes effets.
La distinction est importante pour une entreprise qui recrute des développeurs, des spécialistes de la cybersécurité ou des ingénieurs logiciels. Un score ne doit pas être confondu avec une preuve d’équité : il faut aussi vérifier qui entre dans le processus et qui l’abandonne.
Pour apprécier un outil sans réduire l’analyse à son seul score, les équipes peuvent examiner ces indicateurs :
- Taux de candidature selon les groupes observés
- Abandons à chaque étape du parcours
- Taux de présélection et de réussite aux évaluations
- Écarts entre recommandations et décisions humaines
Mesurer l’équité de la candidature à la décision
Une analyse limitée aux personnes déjà présélectionnées peut masquer les obstacles antérieurs. Si un format vidéo décourage certains candidats, les résultats finaux ne décrivent que le groupe qui a accepté de le suivre, et non l’ensemble des personnes qualifiées.
Selon le Défenseur des droits, l’opacité de certains systèmes complique l’identification des critères et la démonstration d’une discrimination. Il est donc utile de conserver les versions des paramètres, les résultats des tests et les raisons des décisions humaines divergentes.
Question d’audit
Élément à observer
Action possible
Qui commence le parcours ?
Profils et volumes de candidatures
Examiner les canaux de recrutement
Qui abandonne ?
Départs à chaque étape
Proposer un format alternatif
Qui est présélectionné ?
Écarts de résultats entre groupes
Tester les critères appliqués
Qui prend la décision ?
Poids du score et intervention humaine
Documenter les arbitrages
Ces constats orientent la comparaison des méthodes, mais ils obligent aussi à clarifier les responsabilités juridiques de l’entreprise utilisatrice.
Réduire les biais de recrutement : obligations et pratiques utiles
Une fois les écarts observés, l’entreprise doit agir sur l’outil et sur l’organisation du recrutement. La prévention ne consiste pas à déléguer le jugement à une machine, mais à rendre les critères vérifiables et les décisions contestables.
Responsabilité de l’employeur et cadre juridique
En France, l’article L1132-1 du Code du travail interdit les discriminations liées notamment au sexe, à l’origine et à l’âge. Cette interdiction s’applique aussi lorsqu’une décision s’appuie sur un algorithme acheté auprès d’un fournisseur : l’externalisation ne décharge pas l’employeur de ses responsabilités.
Le RGPD encadre certaines décisions automatisées qui produisent des effets importants pour les personnes. L’AI Act classe comme à haut risque plusieurs systèmes utilisés pour sélectionner ou évaluer des candidats ; les exigences concernées doivent s’appliquer à partir du 2 décembre 2027, selon le calendrier fourni.
Auditer les outils et préserver le jugement humain
Une politique utile combine tests réguliers, information claire et contrôle humain réel. Les recruteurs doivent comprendre les critères proposés et pouvoir les remettre en question, plutôt que valider mécaniquement un classement.
Pour une équipe qui cherche à améliorer la diversité dans la tech, ces mesures rendent le suivi plus concret :
- Tester les taux de sélection avant puis pendant le déploiement
- Demander au fournisseur les critères et les tests d’équité
- Mesurer les abandons selon les étapes et les formats
- Former les recruteurs à contester les recommandations automatisées
- Conserver les décisions, les écarts et leurs motifs
Un audit ne garantit pas, à lui seul, l’absence d’inégalités professionnelles. Il donne toutefois aux équipes des éléments pour corriger une procédure, expliquer une décision et repérer plus tôt les effets indésirables.
Source : Défenseur des droits et CNIL, « Algorithmes : prévenir l’automatisation des discriminations », 2020 ; Défenseur des droits, « Algorithmes, IA et discriminations », 2024 ; Avery, Ip, Leibbrandt et Vecci, « A Brave New World of Hiring », CESifo Working Paper n° 12573, 2026.
Construire sa carrière IT comme un parcours, pas un hasard
Qu'il s'agisse de cybersécurité, de cloud, de data ou de management IT, chaque évolution de carrière mérite d'être préparée plutôt que subie. Comprendre les compétences réellement recherchées permet d'en tirer des repères concrets : formation, spécialisation et anticipation face aux mutations du secteur.
Pour aller plus loin
- Suivre les compétences techniques les plus demandées plutôt qu'une seule technologie isolée
- Comparer les parcours IT selon leur maturité, leur salaire moyen et leur impact sur l'emploi
- Distinguer les effets de mode des évolutions structurelles réellement mesurées du marché
- Anticiper les conséquences de l'IA générative et de l'automatisation à moyen terme
