Les biais du recrutement : typologie complète et méthodes de correction

À candidature strictement identique, un postulant dont le nom suggère une origine maghrébine reçoit 32 % de rappels en moins qu’un candidat sans ascendance migratoire supposée. Ce chiffre provient du testing mené par la DARES avec l’Institut des politiques publiques et ISM Corum entre décembre 2019 et avril 2021, sur des milliers d’offres d’emploi réelles. Les CV ne différaient que par le nom. Aucun recruteur ne s’était levé ce matin-là avec l’intention de discriminer. C’est précisément ce qui rend le sujet des biais de recrutement difficile : il ne s’agit pas de mauvaise foi, mais de mécanismes de jugement qui opèrent sans qu’on les remarque. Cet article propose une typologie complète des biais humains et des biais algorithmiques, puis passe en revue les méthodes de correction disponibles avec, pour chacune, ce que la recherche documente réellement de leur efficacité. Y compris les échecs.

Biais, stéréotype, discrimination : trois notions à ne pas confondre

Un biais cognitif est un écart systématique de jugement par rapport à une évaluation rationnelle. Il n’implique aucune intention. Il découle du fonctionnement normal d’un cerveau qui doit décider vite avec de l’information incomplète, ce qui décrit assez fidèlement la situation d’un recruteur devant deux cents candidatures.

Un stéréotype est une croyance généralisée attribuée à un groupe. Il alimente le biais mais ne se confond pas avec lui : on peut connaître un stéréotype sans y adhérer et le voir malgré tout influencer une décision prise en trois secondes.

Une discrimination est un traitement défavorable fondé sur l’un des 25 critères prohibés par l’article L.1132-1 du Code du travail. C’est une qualification juridique, pas un mécanisme psychologique. Un biais n’est pas illégal en soi ; sa traduction en décision de sélection l’est.

Cette distinction n’est pas académique. Elle explique pourquoi rappeler la loi à des recruteurs ne réduit pas les écarts de rappel : la loi vise l’acte, le biais se loge en amont, dans la perception. Corriger un processus de recrutement suppose donc d’agir sur la procédure, pas seulement sur les intentions.

Deuxième précision utile avant d’entrer dans le détail : les biais de recrutement forment aujourd’hui deux familles distinctes, qui n’ont ni la même origine ni les mêmes remèdes. Les biais humains viennent de la perception d’un évaluateur. Les biais algorithmiques viennent des données sur lesquelles un modèle a appris. Les traiter séparément est une erreur fréquente, car dans un processus outillé par l’IA, ils se cumulent : le tri automatique restreint le vivier, puis le jugement humain s’exerce sur ce vivier déjà déformé.

Voici les principaux ordres de grandeur documentés sur le sujet.

Les biais humains : quatre mécanismes documentés

Les biais de recrutement d’origine humaine ne forment pas une liste infinie. Quatre mécanismes cognitifs expliquent la majorité des écarts observés en entretien, et ils se renforcent mutuellement.

L’effet de halo

Une caractéristique saillante contamine toute l’évaluation. Le nom d’une école reconnue, une expérience dans une entreprise prestigieuse, une aisance verbale immédiate : un seul signal favorable, et le candidat se voit attribuer sans preuve des qualités sur des dimensions jamais testées. Le mécanisme fonctionne aussi à l’envers, sous le nom d’effet de corne : une faute d’orthographe dans la lettre de motivation, et la compétence technique devient suspecte.

Le halo est redoutable parce qu’il donne au recruteur une impression de cohérence. Le dossier « se tient », alors que c’est l’évaluateur qui a rempli les cases vides.

Le biais de similarité

Chacun évalue plus favorablement ceux qui lui ressemblent : même formation, même origine sociale, même façon de raconter sa carrière. C’est le mécanisme qui produit l’homogénéité des équipes, puisqu’il se transmet à chaque nouveau recrutement.

Il se présente rarement sous son vrai nom : il s’habille en « culture fit », en « feeling », en « il ou elle s’intégrera bien ». Ces formulations échappent à toute vérification, ce qui en fait un véhicule commode pour un jugement non argumenté.

L’ancrage

La première information reçue sert de référence à toutes les suivantes. Le premier candidat rencontré devient l’étalon auquel les autres sont comparés, indépendamment du profil de poste. Une prétention salariale annoncée tôt fixe la fourchette de négociation. L’ancrage explique un phénomène familier des équipes RH : la qualité perçue d’un vivier dépend fortement de l’ordre dans lequel les candidatures ont été examinées.

Le biais de confirmation

Une fois l’impression initiale formée, dans les premières minutes de l’entretien, le recruteur cherche sans le vouloir les éléments qui la valident. Les questions s’orientent : on demande au candidat jugé prometteur de développer ses réussites, au candidat jugé faible de justifier ses ruptures de parcours. Les deux répondent à des questions différentes, puis sont comparés comme s’ils avaient passé le même entretien.

Trois autres mécanismes méritent d’être connus : l’effet de contraste, qui fait paraître moyen un bon candidat vu après un excellent ; l’effet de récence, qui surpondère le dernier profil rencontré ; les biais d’âge et de genre, que le Défenseur des droits situe parmi les premiers motifs déclarés lors de la recherche d’emploi.

Le coût de ces mécanismes se mesure. Dans la méta-analyse publiée en 2022 par Sackett, Zhang, Berry et Lievens, l’entretien non structuré affiche une validité prédictive de la performance au poste de 0,19 : la conversation libre, à laquelle une majorité de décisions d’embauche restent confiées, prédit très faiblement ce qu’elle prétend mesurer.

Les biais algorithmiques : trois mécanismes distincts

L’automatisation a longtemps été présentée comme la réponse évidente : la machine ne fatigue pas, n’a pas de sympathie spontanée, applique la même règle à tous. L’argument est juste sur la forme et faux sur le fond, car un modèle n’invente pas ses critères, il les extrait de données produites par des humains.

Les données d’entraînement

Un modèle entraîné sur l’historique des recrutements d’une organisation apprend à reconnaître les profils qu’elle a retenus, y compris pour de mauvaises raisons. Le cas d’Amazon, dont l’outil de tri a été abandonné en 2018 après avoir pénalisé les candidatures féminines sur les postes techniques, est devenu l’exemple canonique. Ce n’était pas un défaut de code : le système reproduisait dix ans d’archives majoritairement masculines.

Le phénomène n’a pas disparu avec les modèles récents. L’audit conduit en 2024 par Kyra Wilson et Aylin Caliskan sur trois modèles de langage en production, portant sur plus de trois millions de comparaisons CV/offre, montre que les prénoms associés aux personnes blanches sont classés devant dans 85 % des cas, les prénoms féminins dans 11 % seulement, et que les candidatures masculines noires ne sont parfois jamais préférées.

Les variables proxy

Retirer le genre, l’âge ou l’origine des données d’entrée ne neutralise pas le biais : le modèle reconstruit l’information à partir de variables corrélées. Un code postal approxime l’origine sociale, un sport pratiqué ou un intitulé de diplôme approximent le genre, et la continuité stricte de l’expérience pénalise les parcours interrompus par un congé maternité ou un arrêt de santé.

C’est le point le plus contre-intuitif du sujet : plus un modèle est performant, plus il est capable de reconstituer un attribut qu’on a cru effacer.

La boucle de renforcement

Le modèle recommande une liste restreinte, le recruteur y sélectionne ses candidats, ces décisions alimentent le réentraînement suivant. Chaque cycle rétrécit le profil considéré comme pertinent. Sans mesure externe, l’organisation voit ses indicateurs internes s’améliorer pendant que son vivier réel se referme.

Reste l’échelle, qui change la nature du problème. Un recruteur biaisé traite quelques dizaines de dossiers par jour, un modèle biaisé en traite des dizaines de milliers, avec une régularité parfaite et une apparence de neutralité technique. Nous détaillons les leviers correctifs dans notre article sur les 8 façons de réduire les inégalités sur le marché du travail à l’ère de l’IA.

Les méthodes de correction et leurs limites documentées

Toutes les méthodes présentées comme des remèdes aux biais de recrutement ne se valent pas. Les classer par niveau de preuve évite d’investir dans un dispositif qui rassure sans rien changer.

L’entretien structuré, la méthode la mieux validée

C’est la méthode qui réduit le plus efficacement les biais de recrutement en entretien. Un entretien structuré repose sur quatre règles : les mêmes questions pour tous les candidats, dans le même ordre, une grille d’évaluation avec des ancres comportementales définies avant les entretiens, et une notation individuelle avant toute discussion collective. Sa validité prédictive atteint 0,42, contre 0,19 pour l’entretien libre. Il devance désormais les tests d’aptitudes cognitives (0,31) dans la hiérarchie des méthodes de sélection.

Sa limite mérite d’être posée : ce coefficient moyen s’accompagne d’une forte variabilité, l’intervalle de crédibilité à 80 % s’étendant de 0,18 à 0,66. Un entretien étiqueté « structuré » mais mal conçu ne vaut guère mieux qu’une conversation. Ce qui produit l’effet n’est pas le label mais la discipline : préparer la grille avant, s’y tenir pendant, noter séparément après.

Le CV anonyme, un échec français instructif

La seule évaluation française de grande ampleur du CV anonyme a été menée avec Pôle emploi entre 2009 et 2011 par Luc Behaghel, Bruno Crépon et Thomas Le Barbanchon, sur 598 offres et 1 268 candidats, et publiée en 2015 dans l’American Economic Journal: Applied Economics. Le résultat a contredit l’attente générale : l’anonymisation a creusé l’écart d’accès à l’entretien entre candidats issus de l’immigration ou de quartiers prioritaires et les autres, de 2,4 à 13 points de pourcentage.

Deux explications ressortent. L’auto-sélection d’abord : les entreprises volontaires étaient déjà les plus engagées, et l’anonymat leur a retiré la possibilité d’exercer une bienveillance active. La perte de contexte ensuite : privé du nom et de l’adresse, le recruteur perd les éléments qui lui permettaient d’interpréter favorablement une trajectoire atypique. Le décret d’application n’a jamais été pris et l’article L.1221-7 du Code du travail laisse la pratique facultative.

Ce résultat n’est pas universel, des expérimentations néerlandaises plus récentes ayant mesuré des effets favorables. Il montre surtout que les biais de recrutement ne se traitent pas par un levier unique posé sur un processus inchangé.

La formation aux biais inconscients

L’article L.1131-2 du Code du travail, issu de la loi Égalité et citoyenneté du 27 janvier 2017, impose aux entreprises d’au moins 300 salariés et à tous les cabinets de recrutement de former leurs recruteurs à la non-discrimination tous les cinq ans. La Direction générale du travail en a précisé les attendus pédagogiques dans un référentiel national publié le 22 mai 2025.

La littérature scientifique est moins enthousiaste que le marché de la formation. Une revue systématique portant sur 492 études et plus de 87 000 participants a établi que la variation des mesures de biais implicite n’est pas associée à un changement de comportement observable. Le gouvernement britannique en a tiré les conséquences en supprimant cette formation de sa fonction publique en décembre 2020.

La conclusion n’est pas d’y renoncer, elle est obligatoire, mais de cesser de la croire autosuffisante : sensibiliser sans modifier la procédure revient à espérer qu’une prise de conscience compense une architecture de décision inchangée.

L’audit algorithmique et les tests de biais

Mesurer les taux de sélection par sous-groupe, avant déploiement puis à intervalles réguliers, reste la seule façon de savoir si un outil discrimine. La contrainte française est réelle : le droit interdit la collecte de statistiques ethniques. Trois options légales subsistent : l’audit sur les critères mesurables sans donnée sensible (genre, tranche d’âge, lieu de résidence, parcours), le testing interne par candidatures fictives sur le modèle du protocole DARES, et l’exigence contractuelle de tests de biais documentés auprès de l’éditeur. Ce dernier point, négligé à l’achat, conditionne la capacité future à se défendre.

Le recrutement par compétences

Évaluer ce qu’un candidat sait faire, par une mise en situation ou un exercice pratique, plutôt que ce que son parcours signale socialement, réduit l’exposition au halo comme à la similarité. C’est la logique du recrutement par les compétences. Sa limite : concevoir un exercice représentatif du poste demande du temps, et un test mal calibré introduit ses propres biais.

Ce que le cadre légal impose déjà

La discrimination à l’embauche est un délit, puni de trois ans d’emprisonnement et de 45 000 euros d’amende, jusqu’à 225 000 euros pour une personne morale. L’article L.1221-6 limite les informations demandées à ce qui a un lien direct et nécessaire avec le poste, l’article L.1221-9 impose d’informer le candidat des méthodes d’aide au recrutement employées.

Sur le volet algorithmique, le règlement (UE) 2024/1689 classe le tri et l’évaluation de candidatures parmi les usages à haut risque de son annexe III. Le règlement (UE) 2026/1744 a repoussé ces obligations au 2 décembre 2027, mais la transparence de l’article 50 s’applique depuis le 2 août 2026 et le RGPD encadre déjà la décision automatisée. La CNIL a inscrit le recrutement parmi ses trois thématiques prioritaires de contrôle pour 2026. Calendrier détaillé dans notre guide de conformité à l’EU AI Act.

Ni l’humain seul, ni la machine seule

Le croisement des deux séries de données mène à une conclusion inconfortable pour les deux camps : le recruteur non outillé décide sur une base faiblement prédictive, l’algorithme non supervisé reproduit les décisions passées avec une régularité qui aggrave leurs effets. Opposer l’un à l’autre, c’est choisir entre deux façons de se tromper.

L’architecture qui réduit réellement les biais de recrutement répartit les rôles autrement. La machine impose ce que l’humain tient mal : la constance des critères, la traçabilité de chaque étape, la capacité à traiter un volume sans dégrader l’attention portée au dernier dossier. L’humain apporte ce que la machine n’a pas : l’interprétation du contexte, la reconnaissance d’un potentiel inédit, la responsabilité de la décision.

C’est le principe de conception de notre plateforme. Ce recrutement hybride repose sur deux briques. Le matching sémantique compare le besoin exprimé dans la fiche de poste aux compétences réelles des profils, sans passer par les filtres de diplôme ou d’intitulé qui portent le plus de signal social. Mike, notre avatar d’entretien, pose à chaque candidat les mêmes questions dans le même ordre : un entretien structuré appliqué à l’échelle, ce qu’un recruteur ne tient pas sur quarante entretiens consécutifs. Aucune candidature n’est écartée automatiquement et chaque étape reste horodatée, donc auditable. Nos clients constatent une réduction d’environ 30 % du délai de recrutement, sans perdre la main sur l’arbitrage final.

Tester une campagne de recrutement structurée

Questions fréquentes sur les biais du recrutement

Quels sont les principaux biais de recrutement ?

Les biais de recrutement se répartissent en deux familles. Côté humain : l’effet de halo, le biais de similarité, l’ancrage et le biais de confirmation, complétés par les effets de contraste et de récence. Côté algorithmique : les biais hérités des données d’entraînement, les variables proxy qui reconstruisent un critère écarté, la boucle de renforcement qui referme le vivier.

L’intelligence artificielle réduit-elle les biais de recrutement ?

Elle les déplace. Elle supprime la fatigue, l’humeur et l’effet d’ordre, mais hérite des préférences contenues dans ses données : un audit de 2024 sur trois modèles de langage a mesuré une préférence pour les prénoms associés aux personnes blanches dans 85 % des cas. L’IA réduit les biais quand elle impose une procédure identique pour tous et reste supervisée, pas quand elle décide seule.

Le CV anonyme est-il obligatoire en France ?

Non. L’article L.1221-7 du Code du travail en fait une faculté, le décret d’application n’ayant jamais été publié. L’évaluation menée avec Pôle emploi et publiée en 2015 a mesuré un effet contraire à celui attendu sur les candidats issus de l’immigration.

Comment mesurer les biais de son propre processus de recrutement ?

En comparant les taux de passage entre étapes selon les critères mesurables sans donnée sensible : genre, tranche d’âge, lieu de résidence, parcours. Un testing interne par candidatures fictives complète l’analyse, et nos 12 KPI du recrutement fournissent le cadre de mesure.

Corriger les biais est un travail de procédure, pas de bonne volonté

Trois enseignements se dégagent. Le premier est que les biais de recrutement se mesurent : écarts de rappel, validité prédictive des méthodes, taux de sélection par sous-groupe sont des données disponibles, et une organisation qui ne les regarde pas ne peut pas affirmer qu’elle ne discrimine pas.

Le deuxième est que les correctifs les plus visibles ne sont pas les plus efficaces. Le CV anonyme et la formation aux biais inconscients dominent le discours public, alors que l’un a produit un effet inverse en France et que l’autre ne modifie pas le comportement. L’entretien structuré, beaucoup moins spectaculaire, reste la méthode la mieux établie.

Le troisième est que le débat entre humain et algorithme est mal posé : ce qui corrige les biais, c’est une procédure identique pour tous, tracée pour être auditable, arbitrée par une personne ayant le temps et l’autorité de contredire une recommandation. Le bénéfice dépasse le juridique, puisqu’un processus mesurable est améliorable et élargit le vivier accessible. Pour les candidats, la contrepartie est directe : être évalué sur les mêmes critères que les autres et comprendre pourquoi une décision a été prise.

Chez CamSha, le recrutement hybride est la traduction opérationnelle de ce constat : l’IA porte la structure et le volume, le recruteur garde le contexte et la décision. Pour savoir où se logent les biais dans votre chaîne de sélection, commencez par comparer vos taux de passage entre étapes. Une demi-journée d’analyse suffit à faire apparaître les écarts les plus nets.

Lancer votre première campagne avec CamSha

Sources et références

• DARES – Mesure des discriminations à l’embauche selon le sexe et l’origine
• Institut des politiques publiques – Discrimination à l’embauche selon l’origine, note n°76
• Wilson & Caliskan – Gender, Race, and Intersectional Bias in Resume Screening via Language Model Retrieval
• Sackett, Zhang, Berry & Lievens – Revisiting Meta-Analytic Estimates of Validity in Personnel Selection
• J-PAL – Les effets inattendus des CV anonymes
• Behavioural Insights Team – Unconscious bias and diversity training, what the evidence says
• Défenseur des droits – Emploi, une hausse des discriminations préoccupante sur la dernière décennie
• CNIL – Les contrôles en 2026, recrutement, répertoire électoral unique et fédérations sportives
• Direction générale du travail – Référentiel de formation pour prévenir les discriminations dans l’emploi