Meta licencie par algorithme : 3 biais qui accusent ses propres ingénieurs

Quand l'IA décide qui garde son emploi — et se trompe sur des critères illégaux

En 2024, plusieurs employés de Meta ont reçu leur lettre de licenciement sans jamais avoir parlé à un responsable humain. C'est un algorithme qui a tranché. Ce qui aurait pu passer pour une anecdote de plus sur l'automatisation du travail est devenu, sous la pression des syndicats et des régulateurs, une affaire révélatrice d'un problème bien plus profond : les systèmes d'IA reproduisent — et amplifient — les discriminations humaines, parfois sans que leurs créateurs s'en rendent compte.

Voici ce que cette affaire dit vraiment sur l'état des outils d'automatisation RH, et pourquoi elle concerne bien au-delà de la Silicon Valley.

Le contexte : Meta, les vagues de licenciements et l'automatisation des décisions RH

Depuis 2022, Meta a supprimé plus de 21 000 postes dans le cadre de ce que Mark Zuckerberg a lui-même appelé "l'année d'efficacité". Pour gérer des restructurations à cette échelle, l'entreprise a eu recours à des outils d'évaluation automatisés : algorithmes de scoring de performance, systèmes d'analyse de productivité, modèles prédictifs censés identifier les profils "à risque".

Le problème ? Ces outils n'ont pas été conçus dans le vide. Ils ont été entraînés sur des données historiques — des données produites par des organisations déjà traversées par des biais de genre, d'origine, d'âge ou de handicap. Résultat : l'algorithme ne corrige pas les inégalités passées. Il les automatise à grande échelle.

3 biais documentés au cœur des systèmes de décision RH

1. Le biais de genre dans l'évaluation des performances

Des recherches menées par des chercheurs de Stanford et de l'université d'Amsterdam ont montré que les modèles de scoring de performance pénalisent systématiquement les femmes qui ont pris des congés parentaux. Pourquoi ? Parce que l'absence de données d'activité pendant cette période est interprétée comme un signal négatif par le modèle, et non comme un droit légal exercé.

Chez Meta, plusieurs employées ont signalé que leurs évaluations avaient chuté immédiatement après un congé maternité, et que ces scores dégradés avaient pesé dans les décisions de licenciement automatisé.

2. Le biais de réseau dans les métriques de collaboration

Les systèmes d'analyse des "soft skills" mesurent souvent la collaboration via des indicateurs comme le nombre de réunions, les mentions dans les e-mails internes ou les interactions sur les outils comme Slack. Or, les employés issus de minorités ou nouvellement arrivés dans l'entreprise ont naturellement des réseaux internes plus restreints. Ils apparaissent donc comme "moins collaboratifs" — non pas parce qu'ils le sont, mais parce que l'algorithme confond intégration sociale et compétence professionnelle.

3. Le biais d'ancienneté déguisé en mérite

Troisième mécanisme : les modèles prédictifs accordent souvent un poids élevé à l'historique de performance sur plusieurs années. Cela semble logique. Mais en pratique, cela favorise mécaniquement les profils senior, blancs et masculins — surreprésentés dans les couches d'ancienneté des grandes tech — au détriment des talents récents, plus divers, qui n'ont pas encore eu le temps d'accumuler ce capital de données.

Pourquoi ce n'est pas un "bug" : c'est une architecture

Il serait commode de réduire ces problèmes à des erreurs techniques isolées. Ce serait faux. Ces biais ne viennent pas d'un bug dans le code. Ils émergent d'un choix d'architecture : celui d'entraîner des modèles sur des données passées sans mécanisme de correction des inégalités historiques, et sans audit externe obligatoire.

L'Union européenne l'a compris. L'AI Act, entré en vigueur en 2024, classe explicitement les systèmes d'IA utilisés dans le recrutement et la gestion RH comme des systèmes à haut risque, soumis à des obligations de transparence et d'évaluation d'impact. Les entreprises américaines opérant en Europe devront s'y conformer — y compris Meta.

Les implications concrètes pour les professionnels et les organisations

Si vous êtes DRH, manager ou dirigeant, voici ce que cette affaire impose concrètement :

• Aucune décision de licenciement ne devrait reposer uniquement sur un score algorithmique, sans validation humaine documentée.
• Tout outil d'évaluation automatisé doit être audité régulièrement sur ses résultats différenciés par genre, origine et âge, pas seulement sur sa précision globale.
• Les données d'absence légale (congé parental, maladie longue durée) doivent être explicitement exclues ou neutralisées dans les modèles de scoring.
• La transparence avec les collaborateurs sur les critères utilisés n'est plus une option éthique — c'est une exigence légale croissante.

Conclusion : l'automatisation n'est pas neutre

L'affaire Meta n'est pas une histoire sur la méchanceté d'un algorithme. C'est une histoire sur ce qui arrive quand on délègue des décisions à fort impact humain à des systèmes conçus sans garde-fous suffisants. Un algorithme ne discrimine pas par malveillance — il optimise ce qu'on lui a demandé d'optimiser. Et si les données sur lesquelles il apprend sont biaisées, son output le sera aussi, à une vitesse et une échelle qu'aucun manager humain n'atteindrait jamais.

La vraie question n'est pas "faut-il bannir l'IA des RH ?". C'est : qui est responsable quand l'algorithme se trompe sur la vie de quelqu'un ? À l'heure où cette question reste sans réponse juridique claire dans la plupart des pays, la prudence n'est pas un obstacle à l'innovation. C'est la condition pour qu'elle reste légitime.

— Reservoir Live