L'exception de développement : les plateformes de mobilité interne et le périmètre de la gouvernance de l'IA en matière d'emploi

La frontière qu'aucune loi ne trace

La gouvernance institutionnelle de l'IA en matière d'emploi a convergé, avec une constance notable, vers une frontière qui n'apparaît nulle part dans la législation en vigueur. Cette frontière sépare le recrutement du développement. Les systèmes qui évaluent des candidats externes sont traités comme des technologies de décision et reçoivent l'appareil correspondant : audit des biais, notification aux candidats, documentation fournisseur et contrôle juridique. Les systèmes qui évaluent les employés existants pour des opportunités internes sont traités comme des technologies de développement et sont acquis selon des normes de contrôle adaptées à une plateforme de gestion de l'apprentissage.

Cette distinction est intuitive sur le plan administratif. Les candidats externes sont étrangers à l'organisation, et celle-ci leur doit un processus équitable. Les candidats internes sont déjà employés, déjà connus, déjà à l'intérieur de la relation. Leur offrir une opportunité se présente comme un avantage accordé plutôt que comme une décision rendue. Cette distinction est également renforcée sur le plan organisationnel, car les plateformes de mobilité interne sont généralement parrainées par les fonctions de développement des talents, budgétées en fonction d'objectifs d'engagement et de rétention, et évaluées sur des indicateurs d'adoption plutôt que sur la qualité des décisions.

Ni la technologie ni le texte de la loi ne justifient cette distinction. Une plateforme de mobilité interne qui déduit la capacité d'un employé à partir de CV, d'historiques de projets, de dossiers de formation, de données de performance et de signaux comportementaux, puis classe les employés par rapport aux postes internes disponibles, produit une évaluation qui influence matériellement la promotion, la rémunération et l'affectation. Il s'agit là d'une décision déterminante concernant une personne. Le fait que la personne se soit portée volontaire pour utiliser la plateforme, et que l'organisation décrive le résultat comme une recommandation, ne change rien à la nature de la détermination qui est faite.

Ce que le périmètre couvre réellement

La loi locale 144 de la ville de New York est applicable depuis juillet 2023 et vise les outils de décision automatisés en matière d'emploi utilisés pour assister substantiellement ou remplacer la prise de décision discrétionnaire dans les décisions d'emploi. La loi précise explicitement qu'elle couvre le recrutement et la promotion. Ses obligations sont procédurales plutôt que substantielles : un audit des biais indépendant mené au cours de l'année précédente, la publication publique du résumé de l'audit, et un préavis donné aux personnes concernées. Les sanctions s'accumulent par infraction, et l'utilisation continue est traitée comme une infraction continue.

Une organisation qui a commandé des audits de biais pour son filtrage des candidats externes tout en considérant son marché interne de talents comme hors champ a tracé une ligne que l'ordonnance ne reconnaît pas. Lorsque le système interne note ou classe des employés pour des postes constituant une promotion, l'obligation d'audit s'applique. Les preuves publiques n'indiquent pas encore avec quelle constance les autorités de contrôle ont visé les déploiements de mobilité interne, mais l'absence de mise en application à ce jour constitue un fondement fragile pour une position de conformité, particulièrement lorsque l'exposition s'accumule quotidiennement.

Ce schéma s'étend au-delà de New York. La loi HB 3773 de l'Illinois, promulguée en août 2024 et dont l'entrée en vigueur est prévue au 1er janvier 2026, modifie l'Illinois Human Rights Act pour interdire l'utilisation de l'intelligence artificielle produisant des effets discriminatoires sur les classes protégées, pour bannir l'utilisation des codes postaux comme substituts de caractéristiques protégées, et pour exiger une notification chaque fois que l'intelligence artificielle est utilisée dans des décisions concernant le recrutement, l'embauche, la promotion, la discipline ou le licenciement. L'obligation de notification s'applique à l'usage, pas au résultat. La disposition relative à la discrimination est applicable par le biais du Human Rights Act, qui offre une voie de recours privée.

La loi SB 24-205 du Colorado, promulguée en mai 2024 et dont l'entrée en vigueur est prévue au 1er février 2026, identifie les décisions d'emploi comme des décisions déterminantes et impose aux déployeurs un devoir de diligence raisonnable contre la discrimination algorithmique, ainsi que des programmes de gestion des risques, des évaluations d'impact et des obligations de divulgation. La loi a été signée accompagnée d'une lettre du gouverneur exhortant à une révision législative avant sa mise en œuvre, et elle a suscité une pression soutenue en faveur d'amendements. Sa forme définitive demeure incertaine. Cette incertitude constitue en elle-même une considération de gouvernance plutôt qu'un motif de report, car une organisation qui calibre ses contrôles internes sur le régime le plus faible finira par les recalibrer à chaque session législative.

Le Civil Rights Council de Californie élabore des réglementations portant sur les systèmes de décision automatisés en matière d'emploi, et l'orientation de ce processus réglementaire est conforme au schéma décrit ci-dessus. Dans l'Union européenne, le règlement (UE) 2024/1689 est entré en vigueur en août 2024 et désigne les systèmes d'intelligence artificielle destinés à être utilisés dans l'emploi, la gestion des travailleurs et l'accès au travail indépendant comme présentant un risque élevé au titre de l'annexe III, incluant expressément les systèmes utilisés pour prendre des décisions affectant la promotion, l'attribution des tâches et l'évaluation de la performance au travail. Les obligations applicables à ces systèmes doivent s'appliquer à compter d'août 2026. Le texte de l'annexe III vise la fonction exercée plutôt que la catégorie de produit commercialisée, et les moteurs de mobilité interne exercent les fonctions énumérées.

Le problème des preuves

L'argumentaire commercial en faveur de la mobilité interne assistée par IA circule sous une forme qui ne résistera pas à l'examen des procédures d'achat. Les chiffres affirmant que ces plateformes réduisent l'attrition d'un tiers, ou que les outils d'engagement augmenteront la rétention d'un quart au cours d'une année donnée, se propagent à travers des agrégations de contenus fournisseurs où chaque affirmation porte une attribution de source qui renvoie à une autre agrégation. L'étude sous-jacente, lorsqu'on la recherche, n'existe généralement pas.

Une seconde distorsion, plus lourde de conséquences, concerne l'attribution erronée de recherches authentiques. Le Workplace Learning Report de LinkedIn et son indice associé, le Career Development Index, constatent que les organisations se classant dans le quintile supérieur en matière de maturité du développement de carrière, mesurée par les engagements déclarés, le langage des offres d'emploi, la prévalence des compétences de leadership et les niveaux de mobilité interne, affichent des taux de promotion vers des postes de direction nettement plus élevés, une ancienneté des employés plus longue et un engagement d'apprentissage plus important que les organisations du quintile inférieur. Il s'agit là d'un constat portant sur l'investissement organisationnel dans le développement de carrière. Ce constat est régulièrement reformulé dans les documents fournisseurs comme un constat portant sur l'effet des outils d'intelligence artificielle, ce qui n'est ni ce qui a été mesuré ni ce que distinguent les groupes de comparaison.

Ce que les données crédibles permettent d'établir est plus restreint. Plusieurs grandes entreprises, dont Unilever, HSBC et Schneider Electric, ont publiquement attribué des réductions significatives de l'attrition volontaire aux déploiements de marchés internes de talents. Les prévisions des analystes ont anticipé une adoption substantielle parmi les grandes entreprises. Les données issues de cas documentés indiquent des délais de pourvoi internes plus rapides et une réduction des dépenses liées aux contractants. Il s'agit là de résultats opérationnels autodéclarés et d'estimations prévisionnelles, et non d'une évaluation contrôlée, et ils devraient être présentés comme tels dans tout argumentaire commercial destiné à être lu par un auditeur, un régulateur ou une partie adverse. La distinction entre un résultat observé par une organisation après le déploiement et un effet attribuable au système est précisément celle que la gouvernance a pour vocation de préserver.

L'allégation de réduction des biais exige des preuves, pas des assurances

La justification la plus fréquemment avancée en faveur de la mobilité interne algorithmique est qu'elle réduit les biais. L'argument repose sur une prémisse défendable. La promotion discrétionnaire contrôlée par les managers présente des disparités bien documentées, la rétention des talents par les managers supprime la visibilité des employés, et l'opacité quant aux postes internes disponibles répartit les opportunités de manière inégale. La transparence sur les postes existants et sur qui peut candidater a une valeur propre.

La cohérence n'est pas l'équité.

La conclusion ne découle pas de la prémisse. Un système de mobilité interne entraîné sur l'historique d'avancement propre à une organisation reproduira les schémas présents dans cet historique avec plus de constance, une application plus large et une traçabilité moindre que les managers dont il complète le jugement. La cohérence n'est pas l'équité. L'abandon de l'outil expérimental de recrutement d'Amazon, après qu'il a été constaté qu'il désavantageait les femmes, demeure la démonstration permanente que les données d'entraînement historiques encodent des résultats historiques, et cette affaire concernait le recrutement externe, où le signal d'entraînement est comparativement épars. Les systèmes de mobilité interne fonctionnent sur la base de l'historique accumulé de la relation d'emploi elle-même, incluant les évaluations de performance, les affectations de projets et les appréciations des managers, chacune portant sa propre histoire de distribution.

La conséquence en matière de gouvernance est qu'une allégation de réduction des biais constitue une affirmation factuelle exigeant des preuves, et non une intention de conception pouvant simplement être énoncée. Sous une norme d'impact disparate du type de celle adoptée par l'Illinois, la croyance de bonne foi d'un employeur selon laquelle un outil améliore l'équité ne répond pas à la question de savoir si les résultats diffèrent selon les classes protégées. Seuls des tests de résultats répondent à cette question.

Implications pour la gouvernance

La recommandation opérationnelle est que les systèmes de mobilité interne soient intégrés au périmètre de gouvernance de l'IA en matière d'emploi dès l'étape d'acquisition, et non lors d'un incident.

La documentation d'acquisition devrait exiger du fournisseur qu'il précise, en termes contractuels, si les résultats du système sont utilisés pour prendre, orienter ou influencer matériellement des décisions concernant la promotion, la rémunération, l'affectation ou le maintien en emploi. Cette formulation, plutôt que la catégorie de produit sous laquelle le système est commercialisé, détermine la couverture réglementaire dans l'ensemble des régimes examinés ci-dessus. Un fournisseur refusant de caractériser ses propres résultats en ces termes a communiqué quelque chose d'utile.

La documentation d'audit des biais devrait être exigée comme condition d'attribution du marché plutôt que demandée après le déploiement, et devrait préciser la méthodologie d'audit, les catégories de classes protégées examinées, si une analyse intersectionnelle a été réalisée, la population sur laquelle l'audit a été mené, et la date. Un audit réalisé sur la population agrégée de clients d'un fournisseur n'est pas un audit des résultats de l'organisation qui déploie le système, et cette distinction devrait être consignée plutôt que présumée.

La documentation du modèle devrait identifier la provenance des données d'entraînement et les caractéristiques à partir desquelles les inférences sont tirées, avec une confirmation explicite qu'aucune variable d'ordre géographique, éducatif ou liée à l'ancienneté ne fonctionne comme un substitut d'une caractéristique protégée. Les processus de notification et de décision défavorable devraient être précisés contractuellement plutôt que laissés à la mise en œuvre, car les obligations de notification prévues par les lois examinées s'appliquent à l'employeur déployant le système quel que soit ce que le fournisseur a conçu. Les clauses d'indemnisation méritent une attention particulière, car le schéma émergent dans la législation des États limite le transfert de la responsabilité en matière de discrimination aux fournisseurs.

Rien de tout cela ne constitue un argument contre la mobilité interne assistée par IA. La justification liée aux talents est substantielle, et l'alternative d'un contrôle discrétionnaire opaque n'est pas manifestement supérieure. L'argument est qu'une catégorie de système commercialisée comme une initiative d'expérience employé constitue fonctionnellement une infrastructure de décision déterminante, que le périmètre légal l'atteint déjà, et que les organisations qui le découvriront après le déploiement devront adapter rétroactivement leur gouvernance à des outils qui façonnent l'avancement professionnel depuis plusieurs cycles. Le moment le moins coûteux pour encadrer un tel système se situe avant son acquisition.

Références

• Règlement (UE) 2024/1689 du Parlement européen et du Conseil du 13 juin 2024 établissant des règles harmonisées en matière d'intelligence artificielle, annexe III(4).
• New York City Administrative Code § 20-870 et suivants (Local Law 144 de 2021) ; règles finales du Department of Consumer and Worker Protection, en vigueur depuis le 5 juillet 2023.
• Illinois House Bill 3773, 103e Assemblée générale (2024), modifiant l'Illinois Human Rights Act, en vigueur au 1er janvier 2026.
• Colorado Senate Bill 24-205, Concerning Consumer Protections in Interactions with Artificial Intelligence Systems (2024), en vigueur au 1er février 2026.
• LinkedIn Learning, Workplace Learning Report 2025, et la méthodologie associée du Career Development Index.
• Dastin, J. « Amazon abandonne un outil secret de recrutement par IA qui faisait preuve de partialité envers les femmes. » Reuters, 10 octobre 2018.
• McKinsey & Company, « Enrayer l'attrition grâce à une place de marché interne des talents, » McKinsey Talks Talent.