Qu'est-ce qu'un biais algorithmique ? Définition et enjeux pour l'entreprise

Un biais algorithmique peut surgir à trois étapes du cycle de vie du modèle. Premièrement, dans les données d'entraînement : si le corpus historique reflète des décisions humaines biaisées (recrutements passés, octrois de crédit, jurisprudence), le modèle apprend et reproduit ces biais. Deuxièmement, dans les choix de conception : le critère d'optimisation choisi (précision globale, par exemple) peut produire de bonnes performances en moyenne mais des erreurs concentrées sur certains sous-groupes. Troisièmement, dans le contexte de déploiement : un modèle entraîné sur des données françaises de 2018 utilisé sur des dossiers belges de 2026 produira des écarts non prévus. Le biais algorithmique n'est pas une caractéristique exotique des modèles d'IA, c'est leur condition par défaut. La question n'est pas s'il existe, mais quels biais existent, dans quelle ampleur, et avec quelles conséquences opérationnelles. L'audit des biais est désormais une obligation de fait pour tout déploiement IA à impact décisionnel sur des personnes.