La promotion 2026 débarque sur le marché du travail le plus difficile depuis des années. Le recrutement junior ralentit, tandis que l’IA a ramené le coût marginal du CV à zéro. Conséquence : les entreprises reçoivent près de trois fois plus de candidatures qu’en 2022 pour les postes entry-level.
Elles sont 90 % à utiliser des outils d’IA pour filtrer et classer les candidats — et la plupart s’appuient sur les mêmes prestataires. L’équipe du Stanford HAI a suivi 4 millions de candidatures soumises par 3,4 millions de personnes auprès de 150 employeurs, 1 700 postes et 11 secteurs, toutes évaluées par le même fournisseur d’IA.
Conclusion nette : non seulement ces outils présentent des biais raciaux, mais comme les entreprises partagent le même algorithme, le candidat éliminé par l’une l’est aussi par toutes les autres.
40 000 recommandations envolées
L’étude applique la règle des « quatre cinquièmes » de l’EEOC : quand le taux de recommandation d’un groupe est inférieur à 80 % de celui du groupe le mieux classé, le poste est signalé comme discriminatoire — c’est le seuil de preuve prima facie retenu par le Titre VII.
Résultat : 26 % des candidats noirs et 15 % des candidats asiatiques ont postulé à des postes pour lesquels l’IA discriminait leur groupe ethnique. Si l’algorithme recommandait les Noirs et les Asiatiques dans les mêmes proportions que le groupe le plus favorisé (généralement les Blancs), 40 000 candidatures supplémentaires auraient franchi le premier filtre.
Attention au piège statistique. Si l’on agrège toutes les recommandations — en traitant le fournisseur comme un « processus de recrutement géant » — aucune discrimination n’apparaît. Pourquoi ? Parce que l’IA peut recommander massivement les Noirs sur des postes d’entrepôt, et très peu sur des postes dans la finance. Mélangés, les deux effets s’annulent et l’image d’ensemble paraît équitable. C’est poste par poste que la discrimination émerge.
La monoculture algorithmique
La « monoculture algorithmique » est un concept théorique formulé antérieurement par l’équipe : quand plusieurs décideurs s’en remettent au même algorithme, ses biais sont amplifiés à l’échelle systémique. L’étude de Stanford en est la première vérification empirique sur données réelles.
Résultat clé : quand un candidat postule à plusieurs postes filtrés par le même fournisseur d’IA, la probabilité d’être rejeté de tous est significativement supérieure à ce que donnerait une indépendance statistique des décisions. Pour les candidats ayant soumis quatre dossiers, 10 % sont rejetés partout.
L’équipe a comparé ces données à la plus vaste étude antérieure sur le recrutement : 83 000 candidatures envoyées simultanément à 108 entreprises du Fortune 500, sans condition d’utilisation d’IA. Dans ce groupe témoin, le taux de rejet universel correspondait à l’hypothèse d’indépendance statistique.
Conclusion : la concentration du marché est la variable déterminante. Quand un fournisseur d’IA domine le filtrage d’un secteur, le risque d’exclusion systémique augmente mécaniquement.
Le tour de passe-passe statistique des fournisseurs
L’étude met au jour un biais méthodologique commode.
Agréger tous les postes traités par un fournisseur pour produire une évaluation globale : c’est le réflexe défensif classique. Les discriminations par poste se compensent mutuellement, et le chiffre agrégé rassure. Mais cette agrégation ignore un fait élémentaire : un candidat ne postule pas auprès d’un « fournisseur », il postule à un poste spécifique. Être recommandé pour un job d’entrepôt et rejeté pour un poste en finance — ces deux issues ne « s’annulent » pas dans une vie réelle. Ce sont deux trajectoires.
Même faille sur le plan juridique. L’EEOC évalue l’impact discriminatoire poste par poste, mais un fournisseur d’IA peut plaider une évaluation « système » — noyant le signal discriminatoire dans la moyenne.
Trois propriétés qui ne devraient pas coexister
L’équipe résume la structure du problème en une phrase : « Les outils de recrutement par IA cumulent trois caractéristiques qui ne devraient jamais coexister : adoption massive, impact majeur, opacité externe. »
Quand un système de décision automatisé :
- couvre 90 % des employeurs,
- détermine qui aura un entretien ou non,
- fonctionne selon une logique invisible pour l’extérieur,
ces trois conditions sont réunies. On est face à un nœud de pouvoir algorithmique sans contrepoids.
L’apport le plus précieux de cette étude est de quantifier comment la concentration du marché amplifie les biais individuels jusqu’à l’exclusion systémique. « L’IA est biaisée », on le savait. Mais « comment un algorithme unique peut faire qu’une personne soit refusée partout en même temps », ça, c’est une question nouvelle.
La variable LLM et agents
L’équipe pointe un phénomène émergent : la nouvelle génération d’outils de recrutement intègre des modèles de langage et des agents IA. Plus performants, plus imprévisibles, plus difficiles à auditer.
Le filtrage des CV est en train de passer du « matching par mots-clés + scoring structuré » à « l’évaluation conversationnelle + jugement synthétique ». Cette dernière approche est bien plus opaque : la décision ne repose plus sur un ensemble de scores par dimension, mais sur un raisonnement de bout en bout, boîte noire intégrale.
Cet article s’appuie sur des informations publiques et des discussions communautaires. Si vous avez une expérience directe sur ce sujet, vos corrections et compléments sont bienvenus.