IA dans le recrutement : un système plus équitable ou une nouvelle forme de biais ?

Déclaration d'ouverture en faveur d'une large adoption : Le dépistage piloté par l'IA devrait être largement adopté car il améliore de manière significative l'équité, l'efficacité et la performance de l'embauche lorsqu'il est mis en œuvre de manière responsable. Le tri manuel des CV et les entretiens de première ronde sont longs, incohérents et vulnérables aux biais implicites : les responsables du recrutement peuvent être influencés par les noms, les écoles, l'âge, le sexe, les signaux socioéconomiques ou les stéréotypes de « culture d'entreprise ». Des systèmes d'IA bien conçus peuvent anonymiser ou minimiser les signaux non pertinents, appliquer les mêmes critères mesurés à chaque candidat et mettre en évidence des candidats qui pourraient autrement être négligés. Les avantages pratiques sont importants et mesurables. Le dépistage automatisé et les évaluations de compétences réduisent le temps d'embauche et les heures consacrées par les recruteurs, permettant aux petites équipes de gérer des volumes élevés de candidats et de réduire le coût par embauche. Les modèles prédictifs entraînés sur des résultats pertinents pour l'emploi (performance au travail, rétention) peuvent améliorer la qualité des correspondances — en apportant de meilleures embauches plus rapidement — si les modèles sont validés sur des métriques pertinentes et spécifiques à l'emploi plutôt que sur des proxys qui encodent les biais. Les préoccupations concernant les biais et l'opacité sont réelles, mais elles ne sont pas des raisons de rejeter l'IA dans son ensemble ; ce sont des raisons de l'adopter correctement. Les meilleures pratiques modernes — documentation transparente des modèles, audits de biais avant le déploiement, surveillance continue des résultats, modèles explicables pour les décisions à fort enjeu, données d'entraînement organisées et équilibrées, et points de décision avec intervention humaine — peuvent réduire considérablement le risque d'amplification injuste. Les garde-fous réglementaires et les normes de l'industrie (métriques d'équité, audits par des tiers, processus d'appel des candidats) rendent possible un déploiement responsable à grande échelle. L'IA n'a pas à déshumaniser l'embauche. Utilisée comme filtre principal pour un dépistage évolutif et objectif tout en préservant le jugement humain pour les entretiens finaux et les décisions relatives à la culture d'entreprise, l'IA augmente la capacité humaine pour l'évaluation interpersonnelle significative plutôt que de la remplacer. Cette combinaison réduit les biais humains aux premiers stades tout en conservant l'empathie et le jugement là où ils comptent le plus. Rejeter l'IA dans son ensemble maintient le statu quo : jugements subjectifs opaques, dépistage incohérent, processus plus lents et dépendance continue excessive ou insuffisante à l'égard d'indices non pertinents. La voie pragmatique est une large adoption associée à des garanties solides — techniques, procédurales et juridiques — afin que les organisations puissent réaliser des gains d'efficacité et d'équité tout en minimisant les préjudices. Conclusion : Avec une validation rigoureuse, de la transparence, une audit continue et une supervision humaine, l'IA peut et devrait être largement adoptée comme outil de dépistage principal car elle fait progresser une embauche objective, évolutive et plus équitable — non pas en éliminant le jugement humain, mais en améliorant comment et quand les humains l'appliquent.

S'appuyer sur l'IA comme outil de sélection principal dans le recrutement est une voie dangereuse qui menace d'institutionnaliser la discrimination à une échelle sans précédent. Laissez-moi vous expliquer pourquoi cette position est non seulement raisonnable mais urgente. Premièrement, les systèmes d'IA ne sont aussi justes que les données sur lesquelles ils sont entraînés, et nos données historiques de recrutement sont profondément contaminées par des décennies de biais systémiques. Lorsque Amazon a développé un outil de recrutement basé sur l'IA, il a dû abandonner le système car il déclassait systématiquement les CV de femmes. L'algorithme avait appris des schémas de recrutement des dix dernières années qui favorisaient les hommes, et il a fidèlement reproduit ce biais. Ce n'est pas un incident isolé – c'est le résultat prévisible de l'entraînement des machines sur des décisions humaines biaisées. Lorsque nous confions le pouvoir de sélection à l'IA, nous n'éliminons pas les biais ; nous les blanchissons par le biais d'un algorithme et leur donnons un faux vernis d'objectivité. Deuxièmement, ces systèmes sont fondamentalement opaques. La plupart des outils de recrutement basés sur l'IA fonctionnent comme des boîtes noires où ni les candidats ni les employeurs ne comprennent pleinement pourquoi une personne particulière a été écartée. Ce manque de transparence est une menace directe pour la responsabilité. Si un recruteur humain rejette un candidat, ce recruteur peut être invité à expliquer son raisonnement, et ce raisonnement peut être contesté. Lorsqu'un algorithme le fait, la décision est cachée derrière un code propriétaire et des modèles statistiques complexes. Les candidats injustement rejetés n'ont souvent aucun moyen significatif de faire appel ou même de comprendre ce qui s'est passé. Troisièmement, l'échelle de la sélection par IA amplifie les préjudices d'une manière que les biais humains n'auraient jamais pu faire. Un seul recruteur biaisé peut affecter des centaines de candidats au cours d'une carrière. Un algorithme biaisé déployé sur une plateforme de recrutement majeure peut affecter des millions de candidats simultanément, créant des barrières systémiques invisibles et presque impossibles à contester. L'efficacité que les partisans célèbrent est précisément ce qui rend les biais de l'IA si dangereux – elle opère à l'échelle industrielle avec une vitesse industrielle. Quatrièmement, les outils de recrutement basés sur l'IA s'appuient souvent sur des substituts douteux. Les systèmes qui analysent les entretiens vidéo peuvent pénaliser les candidats pour des schémas de parole, des expressions faciales ou des antécédents qui corrèlent avec la race, le handicap ou le statut socio-économique plutôt qu'avec la performance réelle au travail. Des études ont montré que ces outils peuvent discriminer les personnes handicapées, les locuteurs non natifs et les candidats issus de communautés sous-représentées – non pas parce qu'ils manquent de qualifications, mais parce qu'ils ne correspondent pas au profil algorithmique des employés ayant réussi par le passé. Enfin, la déshumanisation du processus de recrutement a un coût réel. Réduire le potentiel d'une personne à un score généré par un algorithme supprime la nuance, le contexte et le jugement humain qu'un bon recrutement exige. Les personnes en reconversion professionnelle, celles qui ont surmonté l'adversité et les candidats non conventionnels sont précisément les personnes les plus susceptibles d'être filtrées par des systèmes qui optimisent la reconnaissance de formes plutôt que le potentiel. La promesse d'objectivité est une illusion. L'IA dans le recrutement ne supprime pas les biais – elle les automatise, les amplifie et les cache derrière un masque de neutralité technologique. Nous devrions être profondément sceptiques à l'égard de tout système qui rend la discrimination plus efficace tout en la rendant plus difficile à détecter.

Vous avez raison de signaler des risques réels — les données d'entraînement biaisées, l'opacité, l'échelle, les proxys douteux et la déshumanisation sont de vrais problèmes. Mais ces risques sont des raisons de réglementer et de concevoir correctement l'IA, pas de rejeter d'emblée son adoption généralisée. Une réfutation directe de chacun de vos points les plus forts : 1) Sur les données d'entraînement biaisées : l'exemple d'Amazon est instructif précisément parce qu'il montre un mode d'échec corrigeable. Le biais survient lorsque les modèles optimisent les décisions d'embauche historiques plutôt que des résultats validés et pertinents pour l'emploi. Des remèdes efficaces existent : entraîner sur des étiquettes de résultats liées à la performance réelle au travail (pas aux embauches passées), supprimer ou masquer les signaux protégés et non pertinents, utiliser des techniques de repondération et des contre-exemples pour corriger les schémas historiques biaisés, et augmenter les groupes sous-représentés avec des données ciblées. Ce sont des problèmes d'ingénierie et de politique qui peuvent être atténués ; abandonner la technologie revient à jeter des outils qui — lorsqu'ils sont correctement utilisés — peuvent réduire l'influence des préjugés humains individuels qui façonnent actuellement les décisions de manière ad hoc. 2) Sur l'opacité et la responsabilité : l'opacité est un problème de gouvernance, pas une raison intrinsèque d'éviter l'IA. Les modèles explicables, les fiches de modèle, la documentation de l'importance des caractéristiques et les explications destinées aux candidats sont des étapes pratiques. La réglementation peut exiger des pistes d'audit, des audits par des tiers et la possibilité d'obtenir des raisons significatives pour les décisions défavorables. Les flux de travail avec intervention humaine garantissent que les rejets à enjeux élevés sont examinables par des humains formés qui peuvent outrepasser le système avec une justification documentée. Ces pratiques créent plus de responsabilité que la culture informelle actuelle de « décision instinctive » dans de nombreuses équipes de recrutement. 3) Sur l'échelle qui amplifie le préjudice : l'échelle amplifie les effets dans les deux sens. C'est le point : la même évolutivité qui peut propager des résultats biaisés peut également être utilisée pour appliquer l'équité de manière cohérente à des millions de candidatures. Des vérifications d'équité automatisées et répétables, une surveillance continue des métriques d'impact disparate et des mesures de remédiation au niveau de la plateforme (par exemple, arrêter un modèle qui montre des résultats disparates illégaux) sont possibles à grande échelle d'une manière qui ne l'est pas avec la prise de décision humaine décentralisée. La réponse n'est pas d'éviter les outils évolutifs, mais d'appliquer une gouvernance robuste à la même échelle. 4) Sur les proxys comme l'analyse vidéo : les employeurs ne devraient pas déployer de modèles qui reposent sur des proxys non validés par rapport à la performance au travail. Les meilleures pratiques de sélection utilisent des échantillons de travail validés, des évaluations de compétences structurées et des CV anonymisés — des caractéristiques clairement liées au succès professionnel. L'analyse vidéo qui déduit la personnalité ou les micro-expressions faciales doit être traitée avec une extrême prudence ou interdite, sauf si elle est rigoureusement validée et accompagnée de solutions de rechange raisonnables pour les candidats handicapés ou présentant des styles de présentation non standard. Les règles de politique et d'approvisionnement peuvent empêcher les fournisseurs d'utiliser des proxys peu fiables. 5) Sur la déshumanisation : l'IA peut en fait humaniser le recrutement en supprimant les tâches de faible valeur et biaisées des recruteurs humains afin qu'ils puissent investir du temps dans les entretiens, le mentorat et l'évaluation de l'adéquation interpersonnelle complexe. Utilisée comme filtre objectif précoce avec un examen humain obligatoire pour les décisions finales, l'IA augmente la bande passante pour le jugement humain significatif au lieu de le remplacer. Conclusion : les avertissements de l'adversaire sont des garde-fous essentiels, pas des obstacles insurmontables. La voie pragmatique est une adoption généralisée conditionnée à des garanties solides et exécutoires : validation rigoureuse par rapport aux résultats pertinents pour l'emploi, exigences de transparence et d'explicabilité, supervision humaine et droits d'appel, surveillance continue de l'impact disparate et audits indépendants. Avec ces garanties, l'IA peut réduire les biais humains arbitraires, subjectifs et incohérents qui dominent actuellement la sélection — offrant des résultats de recrutement plus rapides, plus justes et plus cohérents plutôt que de blanchir la discrimination.

L'argument d'ouverture de mon adversaire présente un cas sophistiqué, mais il repose finalement sur une prémisse erronée : que les outils d'embauche basés sur l'IA, s'ils sont mis en œuvre avec des garanties, produiront de manière fiable des résultats plus équitables que le jugement humain. Permettez-moi de répondre directement à leurs points les plus forts. Premièrement, mon adversaire soutient que les préoccupations concernant les biais ne sont pas des raisons de rejeter l'IA, mais des raisons de l'adopter correctement. Cela semble raisonnable en théorie, mais cela s'effondre sous le poids des preuves du monde réel. Les garanties qu'ils décrivent – audits de biais, documentation transparente, modèles explicables, données d'entraînement équilibrées – représentent une version idéalisée du déploiement de l'IA qui existe rarement en pratique. Une étude de 2022 de l'AI Now Institute a révélé que la plupart des entreprises déployant des outils d'embauche basés sur l'IA ne mènent aucune audit de biais significative. La loi locale 144 de New York, l'une des premières lois exigeant des audits de biais pour les outils d'embauche automatisés, a été largement critiquée pour son application faible et la facilité avec laquelle les entreprises peuvent satisfaire ses exigences sans réellement lutter contre la discrimination. L'écart entre les meilleures pratiques sur le papier et le comportement réel des entreprises est énorme, et l'argument de mon adversaire dépend entièrement de la fermeture de cet écart – quelque chose que le marché n'a montré aucune inclination à faire volontairement. Deuxièmement, mon adversaire affirme que l'IA peut anonymiser ou minimiser les signaux non pertinents. Mais la recherche montre constamment que les systèmes d'IA trouvent des proxys pour les caractéristiques mêmes que nous essayons de supprimer. Supprimez les noms et les marqueurs de genre des CV, et l'algorithme apprend que certaines universités, codes postaux, activités extrascolaires, ou même styles d'écriture sont corrélés avec des caractéristiques protégées. Une étude historique d'Obermeyer et al. a démontré comment un algorithme utilisé dans les soins de santé – construit sans données raciales explicites – a néanmoins produit des résultats profondément biaisés racialement parce qu'il utilisait le coût comme proxy pour les besoins de santé. Le même problème de proxy imprègne les outils d'embauche basés sur l'IA. Vous ne pouvez pas simplement éliminer les biais des données générées par une société biaisée. Troisièmement, mon adversaire suggère que l'IA devrait gérer le dépistage initial tandis que les humains gèrent les décisions finales, comme si cette division du travail résolvait le problème. Mais le stade du dépistage initial est précisément là où les décisions les plus importantes sont prises. Si un algorithme biaisé élimine un candidat qualifié au stade du CV, aucun entretien humain, empathique et de dernière ronde ne peut aider cette personne – elle n'arrive jamais à la salle. Le point le plus étroit de l'entonnoir est le plus puissant, et c'est précisément là que mon adversaire veut placer la boîte noire. Quatrièmement, mon adversaire présente le statu quo comme l'alternative – des jugements subjectifs opaques et un dépistage incohérent. Mais c'est un faux dilemme. Le choix n'est pas entre une IA défectueuse et des humains défectueux sans améliorations. Nous pouvons investir dans des entretiens structurés, des grilles d'évaluation standardisées, des panels d'embauche diversifiés, des examens de CV anonymes effectués par des humains formés, et des mécanismes de responsabilité – qui ont tous des bases de preuves solides pour réduire les biais sans introduire l'opacité et les risques d'évolutivité des systèmes algorithmiques. Améliorer les processus humains ne revient pas à maintenir le statu quo ; c'est la voie la plus honnête et la plus responsable à suivre. Cinquièmement, mon adversaire mentionne les garde-fous réglementaires comme s'ils étaient en place et fonctionnels. Ils ne le sont pas. La réglementation de l'IA dans le recrutement en est à ses débuts à l'échelle mondiale. Le règlement européen sur l'IA classe l'IA de recrutement comme à haut risque, mais il est encore en cours de mise en œuvre. Aux États-Unis, la réglementation est au mieux un patchwork. Les entreprises déploient ces outils beaucoup plus rapidement que les régulateurs ne peuvent les évaluer. Nous demander d'adopter largement l'IA dans le recrutement maintenant, sur la promesse que la réglementation finira par rattraper son retard, c'est demander aux candidats de supporter les coûts de la discrimination aujourd'hui pour des protections hypothétiques demain. Enfin, revenons à la question centrale : la responsabilité. Lorsqu'un humain prend une décision d'embauche biaisée, nous avons des cadres juridiques, des lois anti-discrimination et des processus institutionnels pour identifier et remédier à ce biais. Lorsqu'un algorithme le fait, la décision est obscurcie par un code propriétaire, des protections de secrets commerciaux et une complexité technique qui rend les contestations juridiques extraordinairement difficiles. La vision de mon adversaire d'un déploiement responsable de l'IA nécessite un niveau de transparence d'entreprise et d'infrastructure réglementaire qui n'existe tout simplement pas et ne montre aucun signe de matérialisation au rythme nécessaire pour correspondre au déploiement. Les gains d'efficacité que mon adversaire célèbre sont réels – mais l'efficacité dans la discrimination n'est pas une vertu. Nous ne devrions pas adopter largement un système qui rend le biais plus rapide, plus difficile à détecter et presque impossible à contester, tout en donnant aux employeurs un déni plausible. La voie responsable est de corriger les processus humains avec des méthodes éprouvées, plutôt que d'automatiser nos pires tendances et de qualifier cela de progrès.

Clôture — en faveur d'une large adoption avec des garanties strictes : L'adversaire met correctement en garde contre des dangers réels : données biaisées, modèles opaques et risque que l'automatisation amplifie les préjudices. Mais ces avertissements plaident pour un déploiement prudent, pas pour un rejet. Le point décisif est le suivant : nous prenons déjà des décisions d'embauche importantes et biaisées à grande échelle en utilisant des humains. L'IA — si elle est tenue de respecter des normes exécutoires — peut réduire ces erreurs humaines arbitraires tout en rendant le dépistage plus cohérent, plus rapide et plus transparent que la base de référence actuelle ad hoc. Pourquoi mon camp est plus fort : - Efficacité plus équité : l'IA peut rapidement identifier les candidats qui correspondent à des critères validés et spécifiques au poste (échantillons de travail, évaluations structurées) afin que l'effort humain se concentre sur le jugement et l'adéquation. Cette combinaison améliore à la fois la vitesse et la probabilité que les talents négligés soient vus. L'efficacité seule n'est pas le but ; c'est un dépistage validé et efficace qui augmente les opportunités équitables. - Des atténuations pratiques existent : le débaisement contradictoire, les tests contrefactuels, la repondération, l'augmentation synthétique et la formation sur les résultats de performance professionnelle — et non sur les embauches historiques brutes — traitent les problèmes de proxys et de données. Ce ne sont pas des outils théoriques ; ils sont activement utilisés dans des domaines à enjeux élevés et peuvent être imposés dans les processus d'approvisionnement et de certification. - La transparence et la responsabilité sont réalisables : exiger des cartes de modèles, une importance documentée des caractéristiques, des journaux d'audit, des explications destinées aux candidats et des audits indépendants par des tiers. Ces mesures de gouvernance peuvent et doivent être inscrites dans la loi, les contrats avec les fournisseurs et les normes industrielles afin qu'elles ne soient pas des ajouts facultatifs. - La boucle humaine et les droits d'appel protègent les candidats : traiter le dépistage automatisé comme un filtre préliminaire et réversible qui doit présenter des candidats qualifiés pour un examen humain ; exiger des voies d'évaluation alternatives pour ceux qui sont désavantagés par des modèles particuliers ; et donner aux candidats de véritables mécanismes d'appel et de recours. Pourquoi le cas de l'adversaire est insuffisant : - L'écart entre les meilleures pratiques et les mauvaises pratiques est réel, mais la réponse est la réglementation et l'application, pas l'abandon d'outils qui peuvent réduire les biais. Nous réglementons déjà d'autres systèmes à fort impact ; l'embauche mérite la même rigueur. Dire « les entreprises échouent souvent » est un appel à imposer des critères de succès, pas à geler l'innovation. - Les proxys sont un risque, mais pas une fatalité. Les audits de caractéristiques, l'analyse causale et la validation par rapport aux résultats (pas les proxys) limitent la fuite de proxys. Interdire les signaux non validés (par exemple, les micro-expressions faciales) et insister sur des prédicteurs prouvés empêche les utilisations les plus préjudiciables. - Le dépistage précoce est critique précisément parce qu'il peut être amélioré : utiliser l'IA pour élargir, et non réduire, le bassin de candidats (par exemple, présélection anonymisée, tests de compétences qui promeuvent les reconversions professionnelles) contredit l'affirmation de l'adversaire selon laquelle l'IA ne fait que filtrer les gens. Les politiques peuvent exiger que l'exclusion automatisée soit rare, explicable et examinée par un humain. - De meilleurs processus humains sont précieux et complémentaires. Le débat n'est pas l'IA contre l'embauche humaine structurée ; il s'agit de savoir si nous devrions les combiner. L'IA responsable amplifie les processus humains structurés, rendant l'application cohérente des grilles de notation réalisable à grande échelle. En résumé : rejeter l'IA en bloc concède le terrain à l'automatisation non réglementée et préserve le statu quo d'un dépistage incohérent, subjectif et lent. La voie la plus intelligente et la plus juste est une large adoption conditionnée à des garanties contraignantes : tests rigoureux de validité professionnelle, audits obligatoires, explicabilité, supervision humaine et protections exécutoires pour les candidats. Cette approche capture les avantages de l'IA — vitesse, cohérence et capacité à contrer les préjugés individuels — tout en minimisant les risques que l'adversaire souligne à juste titre. Pour l'équité et la praticité, nous devrions adopter l'IA largement, mais seulement sous une gouvernance stricte et exécutoire qui fait des bons résultats la règle, et non l'exception.

Pour conclure, je résumerai pourquoi le cas contre l'adoption généralisée de l'IA en tant qu'outil de présélection principal pour l'embauche est plus solide que tout ce que mon adversaire a présenté. Tout au long de ce débat, mon adversaire a présenté une vision du recrutement par IA qui est plus aspirationnelle qu'actuelle. Son argumentation repose entièrement sur une conditionnelle : l'IA devrait être largement adoptée si elle est correctement auditée, si les données d'entraînement sont débiaisées, si les modèles sont transparents, si la réglementation est robuste, si la supervision humaine est significative. Mais chacune de ces conditions reste largement non satisfaite dans le monde réel, et mon adversaire n'a fourni aucune preuve crédible que l'écart entre leur idéal et la réalité actuelle se réduit. Ils nous demandent d'adopter largement une technologie aujourd'hui sur la base de garanties qui pourraient exister ou non demain. Ce n'est pas une position politique responsable – c'est un pari sur les moyens de subsistance des gens. Mon argumentation, en revanche, est fondée sur ce qui se passe réellement. Amazon a abandonné son outil de recrutement par IA parce qu'il discriminait les femmes. Des études montrent que la discrimination par procuration persiste même lorsque les caractéristiques protégées sont supprimées des données. La plupart des entreprises qui déploient ces outils ne mènent aucun audit de biais significatif. La réglementation existante, comme la loi locale 144 de New York, s'est avérée inefficace. Les outils d'analyse vidéo pénalisent les candidats handicapés et ceux ayant des schémas de parole non standard. Ce ne sont pas des risques hypothétiques – ce sont des préjudices documentés qui se produisent actuellement, à grande échelle, sur de vraies personnes. Mon adversaire a tenté de recadrer chaque problème structurel comme un défi d'ingénierie résoluble. Données biaisées ? Il suffit de réentraîner le modèle. Opacité ? Il suffit d'ajouter de l'explicabilité. Échelle ? Il suffit de surveiller les résultats. Mais ce cadrage ignore une asymétrie fondamentale : les coûts de l'erreur retombent entièrement sur les candidats – de manière disproportionnée sur les femmes, les personnes de couleur, les personnes handicapées et celles issues de milieux défavorisés – tandis que les avantages de l'efficacité reviennent aux employeurs. Lorsque les personnes lésées n'ont aucun moyen significatif de détecter, de comprendre ou de contester les rejets algorithmiques, leur dire que le système s'améliorera éventuellement n'est pas une réponse. C'est une abdication de responsabilité. Trois points que mon adversaire n'a jamais abordés de manière adéquate. Premièrement, le problème de la procuration. J'ai cité l'étude d'Obermeyer montrant que les algorithmes trouvent des proxys pour les caractéristiques protégées même lorsque ces caractéristiques sont explicitement exclues. Mon adversaire a reconnu ce risque mais n'a offert que l'assurance que de meilleures ingénieries peuvent le résoudre – sans tenir compte de la réalité fondamentale que les données générées par une société biaisée encoderont ce biais d'une manière extraordinairement difficile à détecter et à éliminer. Deuxièmement, le fossé de la responsabilité. J'ai soutenu que les décisions algorithmiques sont protégées par le code propriétaire et les secrets commerciaux, rendant les contestations juridiques beaucoup plus difficiles que la contestation des décisions humaines. La réponse de mon adversaire a été que la réglementation peut exiger des pistes d'audit et des explications – mais ils ont concédé qu'aucun cadre réglementaire de ce type ne fonctionne actuellement à grande échelle. Troisièmement, le faux dilemme. Mon adversaire a présenté à plusieurs reprises le choix comme l'IA contre le statu quo imparfait, ignorant que les entretiens structurés, les grilles d'évaluation standardisées, les panels d'embauche diversifiés et les examens de CV anonymes par des humains formés sont des alternatives éprouvées et responsables qui réduisent les biais sans les risques d'opacité et d'évolutivité des algorithmes. Je tiens à préciser ce que je ne soutiens pas. Je ne dis pas que l'IA n'a aucun rôle dans aucun aspect du recrutement. Je dis que l'adoption généralisée de l'IA en tant qu'outil de présélection principal – le gardien qui détermine qui est même considéré – est prématurée, dangereuse et injuste compte tenu de l'état actuel de la technologie, du paysage réglementaire et des pratiques de responsabilité des entreprises. L'étape de présélection est le goulot d'étranglement le plus important dans le processus d'embauche. Un candidat qualifié éliminé par un algorithme biaisé n'atteint jamais l'interviewer humain que mon adversaire fait confiance pour fournir empathie et nuance. Ce candidat disparaît simplement du processus, et ni lui ni personne d'autre ne saura jamais pourquoi. Mon adversaire nous demande de croire que les entreprises mettront volontairement en œuvre les meilleures pratiques, que les régulateurs rattraperont leur retard et que les ingénieurs résoudront le problème de la procuration. L'histoire ne nous donne aucune raison de croire cela. Ce qu'elle nous donne, c'est un long historique de technologies déployées à grande échelle avant que leurs préjudices ne soient compris, les communautés marginalisées supportant les coûts les plus élevés. La voie responsable à suivre est d'améliorer les processus d'embauche humains avec des méthodes éprouvées, transparentes et responsables – et de traiter les outils de recrutement par IA avec le profond scepticisme que toute technologie puissante, opaque et largement non réglementée mérite. L'efficacité n'est pas une vertu lorsque ce que vous rendez efficace, c'est la discrimination. Nous ne devrions pas adopter largement l'IA en tant qu'outil de présélection principal tant que les garanties que mon adversaire décrit n'existeront pas réellement, ne fonctionneront pas réellement et ne seront pas réellement appliquées. D'ici là, l'adoption généralisée n'est pas un progrès – c'est une injustice automatisée à grande échelle.