Évaluer avec l’IA. L’étude de Yale distingue les notes et la sélection

Une note d’évaluation rassurante ne raconte pas toute la sélection. Dans une explication publiée le 8 octobre 2026, Yale présente les travaux de Tristan Botelho et Qingyang Wang sur des évaluations par GPT. Les chercheurs observent un écart entre les notes attribuées et les chances de finir premier. Leur article scientifique est paru le 24 avril 2026. Il ne constitue pas un nouveau test des modèles sortis cet automne.

Comparer le même projet avec des noms différents

Les chercheurs utilisent 2 000 présentations de startups fondées sur des descriptions de projets admis à Y Combinator entre 2020 et 2023. Ils comparent les mêmes textes avec et sans noms fictifs. Ces noms servent à faire varier le genre et l’origine raciale perçus. Les projets sont présentés par groupes de quatre. Le contenu des projets reste identique entre les conditions comparées.

Cette méthode permet d’isoler un problème précis. Si un texte reçoit une évaluation différente après l’ajout d’un nom, le contenu du projet ne suffit pas à expliquer cette différence. Les noms fonctionnent ici comme des signaux expérimentaux. Ils ne décrivent pas l’identité réelle de personnes dont le financement aurait été décidé dans cette recherche.

La note moyenne et la première place ne se confondent pas

L’explication de Yale décrit de petites hausses moyennes des notes pour les groupes sous-représentés. Ces projets se retrouvent aussi moins souvent en dernière position. Les chercheurs n’observent pourtant pas de preuve cohérente d’une hausse de leurs chances de gagner. Les résultats varient selon les groupes et les mesures. Ils ne montrent pas une amélioration uniforme de tous les indicateurs.

Une seconde expérience introduit des avis biaisés

L’article scientifique ajoute une expérience de second avis. Des évaluations présentées comme humaines sont préparées par les chercheurs. Elles réduisent le score d’un projet. La justification varie entre un stéréotype lié à l’identité et une critique formulée en termes commerciaux. GPT corrige davantage le premier cas. Les corrections restent limitées et modifient rarement le classement.

Les auteurs parlent de « conformité symbolique ». Ce terme désigne leur interprétation du comportement observé. Le modèle atténue certains signes visibles de discrimination sans transformer nettement la sélection finale. Ils n’observent pas directement son raisonnement interne. Ils ne démontrent pas non plus quelle méthode d’entraînement a causé ce comportement.

Ce que la recherche mesure vraiment

Les expérimentations portent sur des présentations de projets. Elles ne mesurent pas les recrutements d’une entreprise ni les décisions d’un produit commercial de ressources humaines. Le travail examine plusieurs générations GPT allant de text-davinci-002 à GPT-4o. Il ne teste pas GPT-6. Les auteurs ne permettent pas non plus d’étendre automatiquement leurs résultats à Claude ou Gemini.

Cette limite ne rend pas la question obsolète. Elle change la conclusion que l’on peut tirer. Une expérience contrôlée aide à repérer un mécanisme possible. Elle ne chiffre pas son importance dans chaque situation actuelle. Appliquer ses chiffres à des candidats français ou à tous les assistants disponibles aujourd’hui irait au-delà de ce qui a été mesuré.

Lire le résultat qui entraîne une conséquence

Prenons une illustration sans chiffres inventés. Une organisation relève certaines notes mais choisit toujours le même dossier. Les scores ont changé. L’accès à l’opportunité peut rester inchangé. Pour comprendre une sélection, il faut donc regarder ce qui arrive au terme du processus. Une note moyenne ne remplace pas cette observation.

L’avis initial mérite lui aussi une lecture. Lorsqu’une personne présente une critique comme une considération commerciale, demander un second avis à l’IA ne suffit pas à établir que le critère est pertinent. La formulation peut orienter la réponse. Ça invite à examiner l’information transmise au modèle autant que sa réponse finale.

Former à la lecture des évaluations

Pour les dirigeants et les managers, cette recherche apporte une distinction utile. Un commentaire prudent ne prouve pas l’équité d’une sélection. En formation, on peut apprendre à séparer la qualité du texte et l’effet de la décision. On peut aussi discuter de la place d’un second avis sans lui transférer automatiquement la responsabilité du choix.

Pour approfondir cette lecture avec vos équipes, vous pouvez me contacter.

Retrouvez aussi la recherche française sur les embauches des jeunes. Elle distingue elle aussi une mesure observée des causes que les données permettent réellement d’établir.