MIT Tech Review : les IA forment plus vite des biais de recrutement que les humains

In plain terms. MIT Technology Review (20/07/2026) rapporte une recherche selon laquelle les LLM peuvent développer leurs PROPRES biais de recrutement - en plus des biais hérités de la donnée d'entraînement. Autrement dit : nettoyer la data ne suffit pas.

Contexte

Depuis 2023, le débat sur le biais IA en RH oscille entre deux camps : « miroir des données historiques » (biais hérité, corrigible via debiasing) et « amplificateur systémique » (biais aussi produit par le modèle, non corrigible par la seule data). L'étude relayée par MIT Tech Review appuie le second camp sans invalider le premier. Le cadre régulatoire est chargé : NYC Local Law 144 (audit d'AEDT) effective depuis 2023, cadre californien en discussion sur les décisions RH assistées par IA, EU AI Act - les paliers pour les systèmes RH « high-risk » se déploient graduellement à partir de 2026 (transition complète 2026-2027 selon la nature du système).

Les données

• Publication : MIT Technology Review, 20/07/2026 (étude sous-jacente à vérifier au contrôle : nature academic vs industry, méthodologie).
• Résultat rapporté : les LLM peuvent développer leurs propres associations biaisées entre attributs démographiques et jugements de compétence, en plus des biais déjà présents dans la donnée d'entraînement.
• Précédents connus : Amazon 2018 (outil recruteur abandonné pour biais genre), plainte Meta 2026 (fil algorithmic-management).

Analyse

Deux points. Un : l'argument « on entraîne mieux, ça ira » est insuffisant à structure constante - une part de la formation du biais est intrinsèque à l'objectif de maximisation, pas seulement à la data source. Deux : les doctrines juridiques américaine (disparate impact) et européenne (AI Act art. 14) convergent sur l'obligation d'audit externe, mais aucune ne prescrit une méthode standardisée. Les entreprises testent avec des benchmarks propriétaires, dont les résultats sont incomparables.

Scénarios

• Central (55 %) : les régulateurs (Californie, NYC, EU) posent une norme d'audit d'ici 12-18 mois ; les vendors HR-tech (Workday, iCIMS, Eightfold) s'y conforment sans que le biais soit résolu.
• Contentieux (25 %) : une action collective aboutit à un settlement d'ordre neuf ou dix chiffres ; effet dissuasif sur l'adoption LLM en RH front-line.
• Bascule humaine (20 %) : les grands recruteurs réintègrent l'humain en dernière ligne, sur le modèle Meta post-plainte.

Implications

Pour un DRH : documenter l'audit de biais devient une obligation contractuelle, pas une case à cocher. Pour un investisseur HR-tech : l'auditabilité remplace la précision comme critère d'achat en 2027. Pour un fondateur : ne pas se lancer sur un scoring IA en RH sans une brique d'audit externe intégrée.

À surveiller

• Publication de l'étude primaire (ArXiv, journal, industry report).
• Suites du contentieux Meta (fil algorithmic-management).
• Sortie du référentiel EU AI Act sur les tests de biais RH high-risk.