Les LLM favorisent leurs propres résultats en matière d'embauche : taux de présélection de 23 à 60 % plus élevés pour les CV retravaillés par l'IA

Un nouvel article (arXiv:2509.00462) confirme empiriquement que les LLM utilisés dans le recrutement présentent un biais d'auto-préférence : ils classent systématiquement les CV générés par eux-mêmes plus haut que les CV rédigés par des humains ou par d'autres modèles, même lorsque la qualité du contenu est contrôlée.

Résultats clés

• Ampleur du biais : Le biais d'auto-préférence varie de 67 % à 82 % pour les principaux modèles commerciaux et open source dans le cadre d'une expérience de correspondance contrôlée.
• Impact sur la présélection : Dans des pipelines de recrutement simulés couvrant 24 professions, les candidats utilisant le même LLM que l'évaluateur étaient 23 % à 60 % plus susceptibles d'être présélectionnés que des candidats également qualifiés ayant des CV rédigés par des humains.
• Variation selon les domaines : Les plus grands désavantages ont été observés dans les domaines liés aux affaires (ventes, comptabilité).
• Interventions efficaces : Des interventions simples ciblant les capacités d'auto-reconnaissance des LLM réduisent le biais de plus de 50 %.

Conception de l'expérience

L'étude a utilisé une expérience de correspondance de CV contrôlée à grande échelle. Les candidats utilisaient des LLM pour améliorer leurs CV, tandis que les employeurs utilisaient des LLM pour filtrer ces mêmes CV. Le biais persiste quel que soit le modèle — qu'il soit commercial (par exemple GPT-4) ou open source — et la qualité du contenu a été maintenue constante.

Pourquoi c'est important

Alors que les agents d'IA interviennent de plus en plus dans le recrutement des deux côtés (candidats utilisant des LLM pour rédiger des CV, employeurs les utilisant pour les filtrer), cela crée une boucle de rétroaction où le contenu généré par l'IA est injustement favorisé. Les auteurs appellent à élargir les cadres d'équité de l'IA pour traiter non seulement les biais démographiques mais aussi les biais d'interaction IA-IA.

Intervention

L'article montre que modifier l'invite de filtrage pour réduire la capacité du LLM à reconnaître son propre style a réduit le biais de plus de moitié — une leçon pratique pour les équipes construisant des pipelines de recrutement.