Douze vrais candidats. Dossiers identiques, photos identiques, qualifications identiques dans chaque condition. Une seule chose changeait : ce que l'évaluateur avait vu dans les profils intercalés entre eux. Quand ces autres profils portaient des photos générées par IA, les douze vrais candidats étaient retenus pour un entretien dans 72,5 % des cas. Quand les mêmes profils portaient des photos ordinaires, dans 77,4 % (Cornell, Floride et Penn, arXiv 2610.22553, 2026).
Rien n'avait changé chez ces douze personnes. Leurs chances, si.
C'est le résultat sur lequel un responsable des opérations devrait s'arrêter. La plupart des débats sur les photos générées par IA dans le recrutement les traitent comme un problème d'honnêteté du candidat : quelqu'un a retouché sa photo, est-ce que cela nous concerne ? L'expérience pointe vers quelque chose de moins confortable. Le coût ne retombe pas sur le candidat qui a utilisé l'image synthétique. Il retombe sur tous ceux qui sont évalués après lui, et rien dans un registre de présélection standard n'indique que cela s'est produit.
Ce que l'expérience a réellement testé
L'étude est une simulation de recrutement préenregistrée, menée auprès de 570 adultes américains évaluant des candidats pour un poste unique, Customer Success Associate (arXiv 2610.22553, 2026). Chaque évaluateur a d'abord noté les mêmes quatre candidats de référence. Il a ensuite été affecté au hasard à l'une de trois conditions, dans lesquelles huit profils étaient associés à :
- des visages réels non modifiés,
- des versions retouchées de ces mêmes visages, calibrées sur un filtre d'amélioration grand public en un geste, ou
- des visages générés par IA.
Parmi ces huit profils étaient intercalés douze vrais candidats de test, identiques dans les trois conditions. Les qualifications écrites étaient fixes pour chaque emplacement de profil. Ni noms, ni lieux.
Le dispositif sépare deux questions que la recherche sur le recrutement confond souvent. Premièrement, un visage synthétique change-t-il la manière dont ce candidat est noté ? Deuxièmement, voir des visages synthétiques change-t-il la manière dont l'évaluateur note la personne réelle suivante ? Les auteurs disent clairement laquelle les intéressait : leur question principale « était de savoir si les images changeaient la manière dont les participants évaluaient les vrais candidats qui suivaient ».
Le candidat à la photo générée par IA a peu gagné. Les vrais candidats ont payé.
L'effet direct : faible et mitigé
Les profils portant un visage généré par IA ont obtenu des notes un peu meilleures. L'employabilité a augmenté de b = 0,162 sur une échelle de 1 à 7 (P = 0,015) et la fiabilité de b = 0,130 (P = 0,047). Mais le résultat qui compte sur le plan opérationnel, le passage en entretien, n'a pas bougé de façon significative : 84,8 % pour les profils à visage généré par IA contre 82,5 % pour les visages réels, soit un odds ratio de 1,218 avec P = 0,265 (arXiv 2610.22553, 2026).
Le candidat qui soumet la photo synthétique obtient donc une note légèrement plus chaleureuse et aucun avantage fiable pour décrocher un entretien.
L'effet en aval : constant et significatif sur les trois résultats
Ce sont les douze vrais candidats identiques qui ont bougé. Les évaluateurs ayant vu des visages générés par IA les ont notés plus bas en employabilité (b = −0,146, P = 0,042) et en fiabilité (b = −0,172, P = 0,007), et les ont moins souvent retenus pour un entretien : odds ratio de 0,768, P = 0,037, soit l'écart 72,5 % contre 77,4 % de la phrase d'ouverture. Les valeurs P unilatérales préspécifiées, ajustées par Holm, étaient de 0,037, 0,037 et 0,011 (arXiv 2610.22553, 2026).
L'écart d'environ cinq points est ma propre soustraction de deux taux rapportés. La taille d'effet que les auteurs défendent est l'odds ratio.
Le contrôle qui en fait un effet d'image synthétique, pas un effet de retouche
La condition retouchée transforme un résultat intéressant en résultat utile. L'exposition à des photos retouchées n'a produit aucun effet en aval : l'employabilité était de 5,26 dans les deux conditions, le passage en entretien de 78,2 % contre 77,4 %, la fiabilité de 5,23 contre 5,22 (arXiv 2610.22553, 2026).
La retouche conventionnelle, celle que tous les profils LinkedIn ont déjà, n'a pas déplacé la référence. Le jeu généré par IA, si.
Pourquoi les photos générées par IA dans le recrutement sont un problème de lot, pas de candidat
Lisez le résultat en responsable des opérations plutôt qu'en éthicien. L'unité du préjudice n'est pas le candidat. C'est la file.
La chance d'un candidat d'atteindre l'entretien a varié de plusieurs points selon les autres profils présents dans la pile de l'évaluateur, alors que son propre dossier restait constant. Dans la plupart des processus de présélection des entreprises de taille intermédiaire, la composition du lot n'est pas une variable contrôlée. Les candidatures arrivent dans l'ordre où le site d'annonces les livre, les recruteurs les traitent par sessions, et personne n'enregistre quelles images un évaluateur a vues avant de noter un candidat donné. Le mélange d'images devient ainsi une entrée non maîtrisée d'une décision que vous devez pouvoir défendre.
Ce n'est pas la première fois que le contexte de l'évaluateur pèse plus que l'objet évalué. Dans un programme d'entretiens par IA en production, étudié sur 2 611 enregistrements, un évaluateur notait les mêmes lots 0,79 écart-type plus bas qu'un autre, et cet écart de sévérité suffisait à aplatir une amélioration réelle de 0,53 ET du système sous-jacent (Zhang, Liu et Esposito, arXiv 2610.07003, 2026). Cadre différent, même leçon : une note porte de l'information sur l'évaluateur et sur le contexte d'évaluation autant que sur le sujet, et la plupart des organisations ne contrôlent que le sujet.
Pourquoi votre contrôle d'impact défavorable ne le verra pas
Le réflexe de contrôle des biais de présélection aux États-Unis est la règle des quatre cinquièmes : un taux de sélection pour un groupe inférieur aux quatre cinquièmes de celui du groupe le plus favorisé est généralement considéré par les agences fédérales comme la preuve d'un impact défavorable (29 CFR 1607.4(D), Uniform Guidelines).
Deux raisons pour lesquelles ce test est aveugle à cet effet. C'est mon inférence à partir de l'étude, pas un résultat de l'étude.
Le ratio est trop faible pour déclencher le seuil. 72,5 % sur 77,4 % fait environ 0,94, bien au-dessus du seuil de 0,8. Un déplacement réel et statistiquement significatif du taux de passage franchit sans peine le filtre standard.
Le groupe touché n'est pas un groupe démographique. Les candidats lésés n'ont rien en commun, sauf la session pendant laquelle ils ont été examinés. L'analyse d'impact défavorable découpe les résultats par caractéristiques protégées ; elle n'a pas de colonne « évalué après une photo synthétique ». Si le mélange d'images d'un lot est corrélé à qui postule par quel canal, ou à quelle heure, l'effet peut réapparaître plus tard sous la forme d'un écart démographique inexpliqué, sans cause visible.
Pour les équipes qui opèrent dans l'UE, l'échéance n'est pas urgente mais elle est fixée : les systèmes de recrutement et d'évaluation des candidats relèvent de l'annexe III, et l'article 113 modifié leur applique le régime à haut risque à partir du 2 décembre 2027 (EU AI Act, article 113). Une entrée non documentée dans une notation humaine est une position fragile à défendre sous n'importe quel régime d'audit, quelle que soit la date qui vous concerne.
Ce que l'étude ne montre pas
L'article est prudent sur ses limites, et une lecture crédible doit les reprendre.
- Le stimulus était volontairement extrême. Les visages générés par IA avaient été choisis pour leur forte attractivité évaluée, avec une moyenne de 5,75 sur 7, contre 2,99 pour les visages réels du même jeu. Les auteurs écrivent que l'effet en aval « ne doit pas être supposé décrire la production ordinaire de chaque générateur ».
- Le mécanisme est inconnu. Selon les auteurs, « l'expérience nous dit que l'exposition a compté, pas pourquoi ». Les images générées et retouchées n'étaient pas appariées en attractivité, si bien que la source de l'image n'est pas nettement séparée de l'intensité du traitement. Toute histoire sur la régularité synthétique face à la simple attractivité relève de la spéculation.
- Pas de relation dose-effet. L'analyse de report préspécifiée n'a trouvé aucun effet cumulatif à mesure que les évaluateurs voyaient plus d'images synthétiques. « Plus il y a de photos IA, pire c'est » n'est pas étayé.
- Un seul poste, une seule session, des évaluateurs américains uniquement, recrutés en ligne. Un vrai recruteur, avec le contexte du métier et un poste familier, pourrait se comporter autrement, dans un sens comme dans l'autre.
- Les signaux de sous-groupes ne sont pas des affirmations. L'effet en aval se distingue de zéro chez les évaluateurs masculins, et une hétérogénéité origine par exposition apparaît, mais les interactions formelles de genre n'étaient pas significatives et ces analyses n'étaient pas préspécifiées (arXiv 2610.22553, 2026).
Rien de tout cela n'inverse le point opérationnel. Cela le dimensionne. Pas besoin de croire que l'effet est important dans votre processus pour admettre que c'est une entrée que vous ne voyez pas aujourd'hui.
Ce qu'un responsable des opérations devrait faire ce trimestre
La bonne nouvelle, c'est que c'est l'un des rares constats de biais assorti d'un remède simple et mécanique.
Sortez les visages de la surface de notation
Si une photo n'est pas une exigence du poste, elle ne devrait pas figurer sur l'écran où un évaluateur note un candidat. Masquez les images à l'étape de présélection dans votre ATS, ou supprimez-les à l'import. Cela élimine d'un coup l'effet direct et le contraste en aval, et, d'après ces données, cela ne coûte rien en signal : l'étude maintenait les qualifications constantes, et les visages des autres candidats ont quand même déplacé le résultat.
Consignez ce que chaque évaluateur a vu, pas seulement ce qu'il a décidé
Si les photos doivent rester visibles pour certains postes, journalisez les sessions de présélection : quels candidats un évaluateur a notés, dans quel ordre, en une seule séance. Sans cette trace, vous ne pourrez pas tester ensuite les effets de contexte, ni répondre à un auditeur qui demande pourquoi deux candidats similaires ont eu des issues différentes.
Auditez par session et par file, pas seulement par critère démographique
Ajoutez le lot, l'évaluateur et la session comme dimensions de votre revue trimestrielle de présélection. Les données sur la sévérité des évaluateurs laissent penser que vous trouverez les effets d'évaluateur avant les effets d'image ; les deux sont moins coûteux à repérer dans un tableau de bord que dans un litige.
Soyez précis sur ce qu'un outil de présélection IA fait des images
Un détail de l'article passe facilement inaperçu. Les auteurs ont tenté une version de l'expérience avec des évaluateurs IA et l'ont abandonnée au stade pilote : les modèles multimodaux de pointe savaient identifier le contenu des images lorsqu'on le leur demandait directement, mais « n'intégraient pas de façon cohérente cette information visuelle dans les jugements de recrutement » (arXiv 2610.22553, 2026). Un premier tri automatisé pourrait donc ne pas réagir du tout à l'image, alors que l'évaluateur humain en aval, si. La conception défendable précise que le visage n'est une entrée de notation à aucune étape, ni pour le modèle ni pour les personnes. C'est la norme que Scovai fixe à son intervieweur, qui ne note que le fond, jamais le ton, l'accent ou le visage ; quelle que soit votre pile, écrivez la règle équivalente et vérifiez qu'elle tient.
La décision de ce trimestre
Le candidat à la photo synthétique a peu gagné. Les douze personnes examinées après lui ont perdu environ cinq points de probabilité d'entretien pour quelque chose qui ne figurait jamais dans leur dossier. Les photos générées par IA dans le recrutement ne sont pas une question d'honnêteté du candidat ; c'est une question de savoir si votre processus de présélection maîtrise ses propres entrées.
Choisissez : retirer les visages de l'écran de présélection avant l'ouverture du prochain cycle de recrutement, ou commencer à journaliser les sessions de présélection pour pouvoir prouver que la file n'a pas décidé. Ne faire ni l'un ni l'autre, c'est accepter que les chances d'un candidat dépendent de qui a postulé juste avant lui, sans pouvoir démontrer le contraire.