Fairness (équité algorithmique)
La fairness algorithmique regroupe les principes et méthodes visant à garantir qu’un algorithme prenne des décisions justes, équitables et non discriminatoires. Elle se distingue du biais dans l’IA : le biais est le problème constaté, la fairness est la démarche qui vise à le corriger et à le mesurer.
En pratique, cela passe par l’audit des données d’entraînement (identifier les discriminations passées qu’elles pourraient reproduire) et le choix de métriques d’équité adaptées au contexte. En RH, les domaines les plus concernés sont le recrutement, l’évaluation des compétences, la gestion des carrières et la prédiction de risques (turnover, absentéisme).
Point de vigilance : l’équité n’est pas une case à cocher une fois pour toutes. Certains outils affichent une parité statistique sur un critère surveillé (genre, par exemple) tout en maintenant des écarts sur d’autres dimensions moins contrôlées — une pratique parfois qualifiée de « fairness washing ».
Le cadre reste largement humain : les RH doivent informer les candidats du rôle exact de l’IA dans le processus, garantir un recours humain en cas de contestation, et conserver la décision finale au recruteur plutôt que de la déléguer entièrement à l’algorithme.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : Job-Guard.com (05/05/2026), Aurelia.jobs (04/06/2026).