La crise du validisme algorithmique : Déconstruction de la plainte Aon-ACLU et l'impératif d'une gouvernance approfondie de l'IA

Le tournant décisif dans la gestion du capital humain

En mai 2024, le paysage de l'intelligence artificielle dans les ressources humaines a été profondément bouleversé lorsque l'American Civil Liberties Union (ACLU) a déposé une plainte officielle auprès de la Federal Trade Commission (FTC) contre Aon Consulting, Inc.¹ Cette action administrative, soutenue par l'Autistic Self-Advocacy Network et d'autres organisations de défense des droits civiques, marque la fin décisive de l'ère de l'optimisme algorithmique sans contrôle.² Depuis plus d'une décennie, les fournisseurs de technologies de recrutement commercialisent leurs plateformes comme étant « sans biais », promettant que des modèles sophistiqués d'apprentissage automatique pourraient éliminer les préjugés subjectifs inhérents au recrutement humain.² Cependant, les allégations portées contre les outils propriétaires d'Aon — ADEPT-15, vidAssess-AI et gridChallenge — révèlent un décalage critique entre la promesse de neutralité algorithmique et la réalité de la discrimination technique.¹

La plainte affirme qu'Aon s'est livré à un marketing trompeur en prétendant que ses produits « améliorent la diversité » et n'ont « aucun impact négatif », alors qu'en pratique, ces outils éliminent probablement des candidats qualifiés en raison de leur race et de leur handicap.² Plus précisément, l'ACLU soutient que les évaluations mesurent des traits tels que la « positivité », la « conscience émotionnelle » et la « vivacité », qui sont non seulement non essentiels pour de nombreux postes, mais fonctionnent comme des substituts directs (proxys) de critères diagnostiques cliniques associés à l'autisme et à divers troubles de santé mentale.² Pour un cabinet de conseil en IA d'entreprise comme Veriprajna, cet incident met en lumière une défaillance systémique du secteur : le recours à des technologies superficielles de type « wrapper » qui ne parviennent pas à prendre en compte les relations causales profondes entre les données comportementales et les caractéristiques protégées.¹

Les implications de cette plainte dépassent largement le cadre d'Aon. Elles constituent un avertissement pour l'ensemble de l'écosystème des entreprises : l'argument de la « boîte noire » — prétendant qu'un outil est équitable parce qu'il a été entraîné sur le « Big Data » — n'est plus juridiquement ni éthiquement défendable.⁶ Les régulateurs, menés par la FTC et renforcés par l'Equal Employment Opportunity Commission (EEOC), déplacent leur priorité des directives volontaires vers l'application stricte des exigences de justification probatoire.⁶ Toute affirmation d'équité doit désormais être étayée par des preuves rigoureuses, transparentes et empiriques.⁶

Déconstruction architecturale de la suite d'évaluation d'Aon

Pour comprendre l'échec des discours actuels sur l'absence de biais, il est nécessaire d'analyser l'architecture technique des outils visés par la plainte. Ces outils représentent l'état de l'art actuel en matière d'IA psychométrique, ce qui rend leur vulnérabilité aux biais liés au handicap particulièrement instructive pour l'industrie.¹⁰

ADEPT-15 : Le proxy de personnalité algorithmique

L'Adaptive Employee Personality Test (ADEPT-15) est une évaluation algorithmique identifiée dans sa version actuelle sous le nom de Version 7.1.¹⁰ Il est commercialisé comme un test de personnalité avancé fondé sur 50 ans de recherche psychométrique, exploitant une vaste base de données de 350 000 items uniques pour évaluer 15 constructions de personnalité.¹² D'un point de vue technique, ADEPT-15 est un test adaptatif informatisé (CAT). Contrairement aux questionnaires statiques traditionnels, un CAT ajuste la difficulté et le contenu des questions en temps réel en fonction des réponses précédentes du candidat.¹⁰ Bien que cela vise à accroître la précision des mesures et à réduire la « fatigue du test », cela introduit une couche de complexité algorithmique susceptible d'obscurcir les voies discriminatoires.¹⁰

L'évaluation utilise un format « à choix forcé » (forced-choice), présentant des paires d'énoncés (par exemple, « Je travaille bien avec les autres » ou « On dit de moi que je garde la tête froide ») et exigeant du candidat qu'il sélectionne l'intensité de son accord.¹⁰ Si cette conception vise à atténuer le « biais de désirabilité sociale » — la tendance des candidats à deviner la « bonne » réponse —, elle augmente involontairement la charge cognitive et les exigences de traitement sensoriel pour la personne évaluée.⁵

Construction psychométrique (ADEPT-15)	Polarités définies par Aon	Style d'interaction fondamental
Dynamisme	Détendu vs Concentré	Approche des tâches
Structure	Vision globale vs Souci du détail	Traitement cognitif
Coopération	Indépendant vs Axé sur l'équipe	Alignement social
Sensibilité	Stoïque vs Compatissant	Réactivité émotionnelle
Humilité	Fier vs Humble	Perception de soi
Conceptuel	Pratique vs Abstrait	Résolution de problèmes
Flexibilité	Cohérent vs Flexible	Gestion du changement
Maîtrise	Exécution vs Amélioration	Acquisition de compétences
Sang-froid	Passionné vs Calme	Régulation du stress
Positivité	Inquiet vs Optimiste	Perspective
Conscience	Isolé vs Conscient de soi	Perspicacité interpersonnelle
Ambition	Satisfait vs En quête de dépassement	Volonté d'accomplissement
Pouvoir	Contributeur vs Contrôleur	Style de leadership
Affirmation de soi	Prudent vs Socialement audacieux	Initiative sociale
Vivacité	Réservé vs Extraverti	Énergie sociale

Le point de défaillance technique identifié par l'ACLU réside dans le fait que ces 15 constructions ne constituent pas des traits de personnalité neutres dans le contexte de la neurodiversité.⁴La « vivacité », la « conscience » et la « positivité » sont des traits qui s'alignent étroitement sur les performances sociales neurotypiques.²Lorsqu'un algorithme pénalise une réponse « réservée » ou « isolée », il opère fonctionnellement une sélection en faveur de la neurotypie plutôt que de la compétence professionnelle.²

vidAssess-AI : La mise en scène de la neurotypie

La plateforme vidAssess-AI intègre le modèle de personnalité ADEPT-15 dans un format d'entretien vidéo asynchrone.¹⁰ L'outil enregistre les réponses des candidats à des questions prédéfinies, puis utilise le traitement du langage naturel (NLP) et des algorithmes de reconnaissance vocale pour la notation.¹⁷ Aon affirme que cela produit un rapport « juridiquement défendable » en évaluant les candidats par rapport à des « critères pertinents pour l'emploi » liés à son modèle de personnalité.¹⁷

Cependant, l'utilisation de l'IA dans l'analyse vidéo introduit ce que les chercheurs appellent un « validisme émergent ».⁵Les modèles de NLP sont entraînés sur d'immenses ensembles de données qui reflètent principalement les schémas d'élocution, la prosodie et les structures linguistiques neurotypiques.¹⁶ Pour un candidat autiste, dont l'élocution peut comporter une intonation atone ou des pauses atypiques, ou pour un candidat présentant un TDAH pouvant adopter des structures narratives non linéaires, le moteur de NLP de l'IA peut interpréter cela comme un « manque de confiance » ou de la « désorganisation ».²⁰

De plus, la plainte de l'ACLU souligne que vidAssess-AI d'Aon note les réponses en associant le contenu des mots prononcés — expressions et vocabulaires spécifiques — aux constructions de personnalité d'ADEPT-15.¹⁰ Cela crée une « double peine » pour les personnes neurodivergentes : elles sont jugées non seulement sur le fond de leur réponse, mais aussi sur une version de leur personnalité interprétée par une machine à travers un filtre linguistique biaisé.²²

gridChallenge : La ludification des barrières cognitives

Le troisième outil de la suite, gridChallenge (Version 3.0), est une évaluation cognitive « ludifiée » axée sur la mémoire de travail.¹⁰ Il exige des candidats qu'ils effectuent des tâches mémorielles complexes — comme identifier l'emplacement de cercles surlignés — tout en réalisant simultanément des « tâches distractives » telles que des évaluations de symétrie.¹⁰ Aon présente ces éléments ludiques comme un moyen d'augmenter « l'engagement des candidats », mais pour les personnes souffrant de troubles du traitement sensoriel ou de TDAH, ces distracteurs peuvent entraîner une surcharge sensorielle qui dégrade les performances sans aucun lien avec leur capacité cognitive réelle liée à l'emploi.¹⁶

La convergence entre psychométrie et diagnostics cliniques

L'affirmation la plus lourde de conséquences juridiques et éthiques dans la plainte de l'ACLU est que les questions d'Aon « correspondent étroitement aux diagnostics d'autisme et de santé mentale ». Cela suggère que les évaluations de « personnalité » sur le lieu de travail ont évolué vers une forme d'« examen médical » déguisé, ce qui constituerait une violation directe de l'Americans with Disabilities Act (ADA).⁴

En mettant en correspondance les constructions d'ADEPT-15 avec des outils cliniques standardisés tels que le quotient du spectre autistique (AQ) et les critères du DSM-5, le chevauchement devient indéniable.²⁵ L'AQ, un auto-questionnaire de 50 items, évalue les traits à travers cinq domaines : compétences sociales, flexibilité attentionnelle, souci du détail, communication et imagination.²⁵

Domaine clinique (AQ/DSM-5)	Aspect ADEPT-15 correspondant	Risque discriminatoire
Compétences sociales / Réciprocité	Vivacité / Affirmation de soi	Pénalisation de la communication « réservée » typique du TSA.
Flexibilité attentionnelle	Flexibilité / Cohérence	Élimination des personnes qui privilégient la routine ou une concentration approfondie.
Souci du détail	Structure	Surévaluation ou sous-évaluation de l'hyperfocalisation sur les détails.
Communication / Pragmatique	Conscience	Mauvaise interprétation des difficultés à « lire entre les lignes ».
Régulation émotionnelle	Sang-froid / Positivité	Pathologisation d'un affect plat ou de réponses liées à l'anxiété.

Lorsqu'un outil basé sur l'IA comme ADEPT-15 pose des questions qui reflètent des critères cliniques (par exemple, « Je me concentre intensément sur les détails » ou « Je préfère travailler seul »), il crée une « voie cachée » entre le statut de handicap du candidat et l'issue du recrutement.⁵Si l'algorithme est entraîné pour privilégier les candidats « socialement audacieux » et « flexibles », il exclura systématiquement et mathématiquement les personnes autistes sans jamais avoir à les interroger sur leur diagnostic.⁵

Le changement de paradigme réglementaire : De l'éthique à la répression

L'action de la FTC contre Aon n'est pas un événement isolé ; elle constitue la pierre angulaire d'une offensive réglementaire plus large baptisée « Opération AI Comply ».⁶Cette initiative indique que les agences fédérales ne se contentent plus d'une « IA responsable » en tant que simple slogan de responsabilité sociétale des entreprises (RSE). Elles appliquent désormais toute la rigueur du droit de la protection des consommateurs et du droit des droits civiques aux produits algorithmiques.⁶

FTC : L'article 5 et le mandat contre la tromperie

La principale arme de la FTC est l'article 5 de la loi sur la FTC (FTC Act), qui interdit les « actes ou pratiques déloyaux ou trompeurs ».⁴Dans le contexte de l'IA, la FTC a précisé que « surestimer les capacités d'IA ou autres d'un produit sans preuves suffisantes est trompeur ».⁹ L'agence a déjà pris des mesures contre des entreprises telles que DoNotPay, qui s'est vu infliger une amende de 193 000 $ pour des allégations non étayées concernant ses services juridiques par IA, et Rytr, visée pour son rôle dans la génération de faux avis.⁶

Le message adressé aux fournisseurs de solutions d'IA approfondie comme Veriprajna est clair : toute prétention à une performance « sans biais » doit être étayée par des preuves empiriques.⁶La FTC a explicitement averti que les fournisseurs ne peuvent pas « faire l'autruche » face à l'impact disparate de leurs outils.²Le défaut de réaliser des audits de biais rigoureux peut entraîner des interdictions permanentes de commercialisation ou de déploiement de logiciels à haut risque.²⁹

EEOC : L'ADA et la clause d'« aménagement raisonnable »

L'EEOC a réaffirmé que les employeurs sont légalement responsables de toute discrimination causée par les outils d'IA qu'ils acquièrent auprès de fournisseurs.¹En vertu de l'ADA, un employeur ne peut utiliser un critère de sélection qui élimine ou tend à éliminer une personne handicapée, à moins que ce critère ne soit « lié à l'emploi et conforme aux nécessités de l'entreprise ».²³

Exigence réglementaire	Implication pour l'entreprise	Responsabilité potentielle
Justification des allégations d'IA	Doit prouver les déclarations « sans biais » par des données.	Amendes de la FTC, atteinte à la réputation, interdictions.
Aménagement raisonnable	Doit permettre aux candidats de refuser les évaluations par IA.	Poursuites de l'EEOC, recours collectifs.
Transparence / Logique d'inférence	Doit expliquer pourquoi un algorithme a rejeté un utilisateur.	Amendes au niveau étatique (ex. : NYC LL 144).
Obligation d'audit (Duty to Audit)	Audits de biais annuels indépendants requis.	Sanctions pour non-conformité réglementaire.

Les récentes auditions publiques de l'EEOC sur le thème « Navigating Employment Discrimination in AI » ont souligné que les systèmes automatisés représentent une « nouvelle frontière des droits civiques ».³¹ La commission a obtenu avec succès des centaines de millions de dollars d'indemnisations financières pour les victimes de discrimination au cours de l'exercice 2024, et le biais algorithmique constitue désormais une priorité absolue en matière d'application de la loi.⁸

Pourquoi les « wrappers » échouent : La distinction entre Deep AI et Surface AI

L'incident d'Aon constitue une démonstration éclatante du positionnement de Veriprajna : le modèle des « wrappers LLM » est fondamentalement incapable de répondre aux normes modernes des entreprises en matière d'équité et de sécurité. Un wrapper se contente de transmettre des données via un modèle fondamental existant (comme GPT-4) et d'en restituer la sortie.³² Cependant, les modèles fondamentaux ne sont pas neutres ; ils héritent du « biais historique des données » d'Internet.³⁴

La boucle récursive de biais

Les modèles d'apprentissage automatique sont entraînés sur des données de recrutement historiques qui reflètent souvent des décennies de préférences neurotypiques et raciales.¹⁶ Lorsqu'un modèle d'IA est déployé, ses décisions servent à alimenter les futurs jeux de données d'entraînement, créant une « boucle continue » où les groupes marginalisés restent sous-représentés.¹⁶ Un simple wrapper ne peut briser cette boucle, car il est dépourvu de la « représentation causale » requise pour distinguer les véritables qualifications professionnelles du « bruit » corrélé aux caractéristiques protégées.³⁶

Validisme émergent dans les grands modèles de langage

Des recherches menées à l'université Duke ont démontré que les LLM associent systématiquement les termes liés à la neurodivergence à des connotations négatives.⁵ Par exemple, la phrase « Je suis autiste » est souvent jugée par ces modèles plus négative que « Je suis un braqueur de banque ».⁵Lorsque ces mêmes modèles de langage alimentent des outils de recrutement via un wrapper d'API, ils intègrent ces associations discriminatoires dans le processus de recrutement sans même que le développeur ne l'ait voulu.⁵

Le framework de Veriprajna pour l'intégrité de la Deep AI

Pour s'affranchir des pièges d'ADEPT-15 d'Aon et du paradigme du « wrapper », Veriprajna déploie une stratégie technique multicouche qui intègre l'inférence causale, le débiaisage contradictoire (Adversarial Debiasing) et la conception d'interactions neuro-inclusives.³⁶

1. Apprentissage de représentations causales (CRL)

Veriprajna utilise le CRL pour identifier et supprimer les voies cachées par lesquelles s'infiltrent les biais.³⁶ L'IA traditionnelle repose sur la corrélation, mais c'est précisément dans la corrélation que se dissimule la discrimination. Le CRL identifie les « caractéristiques structurelles » du profil d'un candidat tout en contrôlant les informations sensibles.³⁶

Le framework utilise un modèle causal structurel (SCM) pour formaliser les dépendances. Si représente un attribut protégé (par exemple, la neurodivergence), représente les caractéristiques du candidat, et représente l'issue du recrutement, Veriprajna conçoit des modèles garantissant une « invariance interventionnelle ».³⁶ Cela signifie que la représentation utilisée pour la décision finale est mathématiquement isolée de , de sorte que :

En garantissant que la décision ne change pas même si l'attribut est hypothétiquement modifié, nous pouvons fournir une garantie mathématique d'équité contrefactuelle.³⁶

2. Débiaisage contradictoire (Adversarial Debiasing)

L'atténuation des biais en cours de traitement (in-processing) est réalisée par un entraînement contradictoire.³⁹ Dans cette architecture, un modèle primaire (le « Predictor ») est entraîné à identifier le meilleur candidat, tandis qu'un modèle secondaire (l'« Adversary ») est entraîné à deviner la caractéristique protégée du candidat à partir des représentations de données internes du Predictor.³⁷

Si l'Adversary réussit, cela signifie que le Predictor utilise toujours des informations protégées comme substituts de performance. Le système « pénalise » alors le Predictor via une fonction de perte contradictoire, le forçant à « désapprendre » les schémas biaisés.³⁶ Cette technique est particulièrement efficace pour éliminer les biais dans l'analyse vidéo et les évaluations de personnalité où les signaux comportementaux pourraient servir de proxys pour le handicap.³⁹

3. Audit d'équité contrefactuelle

VerityAI n'audite pas seulement l'équité au niveau du groupe (par exemple, « 10 % de tous les recrutements concernent-ils des personnes handicapées ? ») ; nous auditons l'« équité individuelle » par le biais de simulations contrefactuelles.³⁸ Cela implique de générer des variations synthétiques des données d'un candidat réel — en modifiant uniquement son attribut sensible tout en maintenant toutes les autres variables constantes — afin de s'assurer que la recommandation de l'IA demeure constante.³⁸

Stratégie d'atténuation	Objectif technique	Impact sur l'équité
CRL / Modélisation structurelle	Isole les voies causales d'influence.	Prévient la discrimination par variable proxy.
Entraînement contradictoire	Minimise les fuites prédictives.	« Purge » les informations protégées de la logique du modèle.
Analyse contrefactuelle	Assure la cohérence au niveau individuel.	Garantit un « traitement égal » pour des candidats similaires.
Régularisation sensible à l'équité	Ajoute des « pénalités » pour les résultats biaisés.	Force le modèle à privilégier la parité aux côtés de la précision.

Concevoir pour la neuro-inclusion : Le « modèle social » de l'IA

La plainte contre Aon met en évidence le fait que la plupart des technologies de recrutement sont construites sur un « modèle de déficit médical » du handicap — considérant les traits neurodivergents comme des « problèmes » à sanctionner d'une note inférieure.⁴⁴ Veriprajna préconise une approche de « neurodiversité de précision », qui considère les différences neurologiques comme des manifestations naturelles de la diversité du cerveau humain.⁴⁴

Élasticité temporelle et multimodale

Les évaluations d'IA standard pénalisent souvent les candidats en cas de délais de réponse lents ou de signaux non verbaux atypiques.⁵Une solution d'IA approfondie doit mettre en œuvre une « élasticité temporelle » — reconnaissant qu'un temps de réponse plus long lors d'un entretien vidéo peut être fonction de la vitesse de traitement cognitif ou de l'anxiété, et non d'un manque de compétence.²⁰

L'architecture de Veriprajna donne la priorité à des « pipelines de fusion multicanaux » alignés sur les références individuelles.⁴⁵ Cela signifie que l'IA apprend ce à quoi ressemble la « normale » pour ce candidat spécifique au cours des phases initiales de l'entretien, plutôt que de le comparer à une « moyenne neurotypique ».⁴⁵

Le mandat de la « voie alternative »

Pour se conformer à l'ADA et aux normes éthiques, l'IA d'entreprise doit intégrer un mécanisme avec « humain dans la boucle » (HITL) et une option de retrait (« Opt-Out »).²¹ Chaque invitation à un entretien ou à une évaluation automatisée doit comporter une option claire permettant de demander une alternative humaine ou un « aménagement raisonnable » sans pénalité.²¹

De plus, Veriprajna recommande le passage au format « audio uniquement » pour les outils vidéo.²¹ En désactivant les fonctions d'analyse faciale et en se concentrant uniquement sur le contenu transcrit des réponses, les entreprises peuvent éliminer 90 % des biais envers les candidats neurodivergents tout en bénéficiant de l'efficacité de la transcription et du résumé par IA.²¹

Gouvernance d'entreprise : Le guide NIST AI RMF

Passer d'une culture de « wrapper » à une culture d'« IA approfondie » exige une gouvernance au niveau du conseil d'administration. Le cadre de gestion des risques liés à l'IA du NIST (NIST AI RMF) fournit la norme pour cette transition.⁴⁷

La liste de contrôle pour la surveillance exécutive

1.​ Établir un comité d'IA responsable : Il doit s'agir d'un organe transversal comprenant des représentants des services juridique, RH, informatique et des représentants externes de la défense des droits des personnes handicapées.⁴⁹

2.​ Réaliser des audits de biais annuels : Ceux-ci doivent être indépendants et menés par des tiers. Se fier aux « Model Cards » fournies par les éditeurs constitue une source de responsabilité juridique, comme le démontre l'affaire Aon.¹

3.​ Mettre en œuvre des « exercices d'alerte aux biais » : Tout comme les entreprises effectuent des tests d'intrusion en cybersécurité, elles doivent simuler les « pires scénarios » de recrutement — par exemple, un modèle qui refuse les entretiens à tous les candidats autistes — pour vérifier si leurs garde-fous internes détectent la dérive.⁵¹

4.​ Exiger une logique d'inférence : Les fournisseurs doivent fournir le « pourquoi » sous-jacent à chaque décision de l'IA.²¹ Si un fournisseur ne peut expliquer la logique de son modèle de notation, il s'agit d'un risque « impénétrable » qui ne doit pas être déployé dans un environnement de recrutement à forts enjeux.²¹

Niveaux de risque et métriques de déploiement

Le NIST définit quatre niveaux de maturité de l'IA, de « Partiel » à « Adaptatif ».⁴⁷ Pour le recrutement en entreprise, un niveau de maturité « Adaptatif » est requis. Cela signifie que l'organisation dispose d'un processus systématique et documenté pour suivre la « dérive discriminatoire » — le phénomène par lequel un modèle d'IA devient plus biaisé au fil du temps en interagissant avec des données du monde réel.⁴⁷

Fonction NIST RMF	Action pour les dirigeants RH	Métrique de réussite
GOVERN	Établir la responsabilité au niveau de la direction pour les résultats de l'IA.	Zéro poursuite ou plainte signalée.
MAP	Documenter l'objectif et le contexte de chaque outil d'IA.	« Logique d'inférence » claire pour chaque candidat rejeté.
MEASURE	Mener des audits de biais continus à l'aide d'outils basés sur le CRL.	Écart de parité démographique < 5 %.
MANAGE	Mettre en œuvre les options de retrait pour « aménagement raisonnable ».	100 % de conformité aux demandes liées à l'ADA.

Implications stratégiques : Pourquoi cela compte pour la direction générale (C-Suite)

La plainte Aon-ACLU est le « canari dans la mine de charbon » de l'ère de l'IA. Elle prouve que les coûts d'une IA « bon marché » sont exponentiellement plus élevés que l'investissement initial dans une « Deep AI ».⁵¹ Une solution de type « wrapper » peut faire gagner du temps au premier trimestre, mais elle engendre d'immenses responsabilités juridiques, financières et réputationnelles susceptibles de détruire la valeur de l'entreprise.⁵¹

L'économie des talents à l'épreuve des litiges

D'ici 2027, l'économie mondiale des talents sera évaluée à 30 milliards de dollars.³⁷ Les entreprises capables de prouver que leurs outils de recrutement sont « méritocratiques » et « agnostiques aux biais » bénéficieront d'un avantage concurrentiel considérable pour attirer les meilleurs talents.³⁷ Les personnes neurodivergentes, en particulier, possèdent des compétences extraordinaires en reconnaissance de motifs, souci du détail et résolution créative de problèmes.⁵³ Une entreprise utilisant un système de filtrage de style Aon élimine systématiquement les talents mêmes qui stimulent l'innovation.²¹

L'approche de Veriprajna ne se contente pas d'« éviter » les biais ; elle « libère » les talents.³⁷ En remplaçant les proxys opaques d'« adéquation de la personnalité » par des vérités neurales transparentes et une logique causale, nous permettons aux entreprises de bâtir une main-d'œuvre non seulement diversifiée, mais mathématiquement optimisée pour la performance professionnelle.³⁷

Le « contrat de confiance »

En fin de compte, la politique d'IA d'une entreprise est un « contrat de confiance » avec ses employés et ses clients.³² Pour préserver cette confiance, les dirigeants doivent dépasser le battage médiatique des technologies dites « sans biais » et adopter l'ingénierie rigoureuse de la Deep AI. Cela implique d'exiger des justifications, de mener des audits rigoureux et de concevoir des systèmes qui valorisent à égalité le « cerveau standard » et le « cerveau neurodivergent ».³²

La plainte contre Aon est un appel à l'action. Il est temps pour les entreprises de cesser d'être de simples « utilisateurs d'IA » pour devenir des « architectes d'IA ».³³ Veriprajna est là pour fournir les plans de cet avenir — un avenir où l'IA n'est pas un obstacle à l'inclusion, mais le levier ultime du potentiel humain.⁵³

Références

1. Another Employer Faces AI Hiring Bias Lawsuit: 10 Actions You Can Take to Prevent AI Litigation | Fisher Phillips, consulté le 6 février 2026, https://www.fisherphillips.com/en/news-insights/another-employer-faces-ai-hiring-bias-lawsuit.html

2. ACLU Files FTC Complaint Against Major Hiring Technology Vendor for Deceptively Marketing Online Hiring Tests as “Bias Free” | American Civil Liberties Union, consulté le 6 février 2026, https://www.aclu.org/press-releases/aclu-files-ftc-complaint-against-major-hiring-technology-vendor-for-deceptively-marketing-online-hiring-tests-as-bias-free

3. ACLU complaint to the FTC regarding Aon Consulting, Inc. | American Civil Liberties Union, consulté le 6 février 2026, https://www.aclu.org/documents/aclu-complaint-to-the-ftc-regarding-aon-consulting-inc

4. 1 FEDERAL TRADE COMMISSION Washington, DC 20580 ... - ACLU, consulté le 6 février 2026, https://assets.aclu.org/live/uploads/2024/05/In-re-Aon-Consulting_FTC-Act-complaint_052924.pdf

5. When Algorithms Learn to Discriminate: The Hidden Crisis of Emergent Ableism, consulté le 6 février 2026, https://www.techpolicy.press/when-algorithms-learn-to-discriminate-the-hidden-crisis-of-emergent-ableism/

6. FTC's Stance on AI Deception: Implications for Companies - Catalyst Legal, consulté le 6 février 2026, https://catalystogc.com/ai-deception/

7. The FTC is on the Front Lines of AI Innovation & Regulation, consulté le 6 février 2026, https://www.ftc.gov/system/files/ftc_gov/pdf/ai-accomplishments-1.17.25.pdf

8. 2024 Annual Performance Report | U.S. Equal Employment Opportunity Commission, consulté le 6 février 2026, https://www.eeoc.gov/2024-annual-performance-report

9. United States of America - Federal Trade Commission vs. AI: misleading marketing of AI and the harming of consumers - Knowledge Centre Data & Society, consulté le 6 février 2026, https://data-en-maatschappij.ai/en/publications/federal-trade-commission-vs-ai-misleidende-marketing-rond-ai-en-het-schaden-van-consumenten

10. Final vidassess model card - ACLU, consulté le 6 février 2026, https://assets.aclu.org/live/uploads/2024/10/Model-Cards-for-gridChallenge-ADEPT-15-and-vidAssess.pdf

11. The Critical Role of Research in the Fight for Algorithmic Accountability | TechPolicy.Press, consulté le 6 février 2026, https://www.techpolicy.press/the-critical-role-of-research-in-the-fight-for-algorithmic-accountability/

12. Aon ADEPT-15 - AMS Verified, consulté le 6 février 2026, https://app.getamsverified.com/product/aon-adept-15

13. Adept 15 Fact Sheet PDF | PDF | Cognitive Science | Psychology - Scribd, consulté le 6 février 2026, https://www.scribd.com/document/643380773/adept-15-fact-sheet-pdf

14. What we learned while automating bias detection in AI hiring systems for compliance with NYC Local Law 144 - arXiv, consulté le 6 février 2026, https://arxiv.org/html/2501.10371v1

15. Free ADEPT-15 Assessment Personality Practice Guide [2026] - JobTestPrep, consulté le 6 février 2026, https://www.jobtestprep.com/adept-15-test

16. Hiring inclusively with AI: The dangers of screening out neurodiverse talent, consulté le 6 février 2026, https://workplacejournal.co.uk/2025/08/hiring-inclusively-with-ai-the-dangers-of-screening-out-neurodiverse-talent/

17. Aon VidAssess AI - AMS Verified, consulté le 6 février 2026, https://app.getamsverified.com/product/aon-vidassess-ai

18. Aon VidAssess AI vs HireVue Video Interviewing - Comparison - AMS Verified, consulté le 6 février 2026, https://app.getamsverified.com/comparison/aon-vidassess-ai-vs-hirevue-video-interviewing

19. Prevalence of bias against neurodivergence-related terms in artificial intelligence language models - PMC, consulté le 6 février 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12233132/

20. Neurodivergence and the Rise of AI in Hiring: What HR Needs to Know - Enna Global, consulté le 6 février 2026, https://enna.org/neurodivergence-and-the-rise-of-ai-in-hiring-what-hr-needs-to-know/

21. Exploring the Impact of AI Bias on Neurodivergent Candidates in HR Practices - CiteHR, consulté le 6 février 2026, https://www.citehr.com/654245-impact-ai-bias-hr-practices-case-study.html

22. Fairness and Discrimination Risks in Neuro-Augmented AI Hiring: A Framework for Proactive Algorithmic Auditing - ResearchGate, consulté le 6 février 2026, https://www.researchgate.net/publication/399936340_Fairness_and_Discrimination_Risks_in_Neuro-Augmented_AI_Hiring_A_Framework_for_Proactive_Algorithmic_Auditing

23. List of EEOC Disability-Related Technical Assistance Documents, consulté le 6 février 2026, https://www.eeoc.gov/eeoc-disability-related-resources/list-eeoc-disability-related-technical-assistance-documents

24. Artificial Intelligence and the ADA | U.S. Equal Employment Opportunity Commission, consulté le 6 février 2026, https://www.eeoc.gov/eeoc-disability-related-resources/artificial-intelligence-and-ada

25. Autism screening tests: A narrative review - PMC - NIH, consulté le 6 février 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC8859712/

26. Clinical Testing and Diagnosis for Autism Spectrum Disorder - CDC, consulté le 6 février 2026, https://www.cdc.gov/autism/hcp/diagnosis/index.html

27. AQ - Autism Spectrum Quotient Test - NovoPsych, consulté le 6 février 2026, https://novopsych.com/assessments/diagnosis/autism-spectrum-quotient/

28. Disability Bias in AI: How and Why to Audit - Warden AI, consulté le 6 février 2026, https://www.warden-ai.com/resources/disability-bias-in-ai-how-and-why-to-audit

29. Artificial Intelligence | Federal Trade Commission, consulté le 6 février 2026, https://www.ftc.gov/industry/technology/artificial-intelligence

30. AI Bias in Hiring: Algorithmic Recruiting and Your Rights - Sanford Heisler Sharp, consulté le 6 février 2026, https://sanfordheisler.com/blog/2025/12/ai-bias-in-hiring-algorithmic-recruiting-and-your-rights/

31. EEOC History: 2020 - 2024 | U.S. Equal Employment Opportunity Commission, consulté le 6 février 2026, https://www.eeoc.gov/history/eeoc-history-2020-2024

32. Beyond the Hype: A Strategic Guide to LLM Model Cards for the Enterprise | by Boopathi Sarvesan | Dec, 2025 | Medium, consulté le 6 février 2026, https://medium.com/@boopathisarvesan/beyond-the-hype-a-strategic-guide-to-llm-model-cards-for-the-enterprise-dc1feff63cc4

33. Mitigating bias: Integrating generative AI, foundation and large language models in enterprise workflows - Eightfold AI, consulté le 6 février 2026, https://eightfold.ai/engineering-blog/mitigating-bias-integrating-generative-ai-foundation-and-large-language-models-in-enterprise-workflows/

34. AI and Bias in Recruitment: Ensuring Fairness in Algorithmic Hiring. - Journal of Informatics Education and Research, consulté le 6 février 2026, https://jier.org/index.php/journal/article/download/3262/2632/5894

35. Fair or Flawed? How Algorithmic Bias is Redefining Recruitment and Inclusion, consulté le 6 février 2026, https://exploratiojournal.com/fair-or-flawed-how-algorithmic-bias-is-redefining-recruitment-and-inclusion/

36. Causal Representation Learning for Bias Detection in AI Hiring ..., consulté le 6 février 2026, https://www.ijcaonline.org/archives/volume187/number74/guyyala-2026-ijca-926254.pdf

37. (PDF) Bias Mitigation in AI Hiring Through Neurocognitive Data ..., consulté le 6 février 2026, https://www.researchgate.net/publication/400103841_Bias_Mitigation_in_AI_Hiring_Through_Neurocognitive_Data_Analysis

38. Counterfactual Fairness - Iterate.ai, consulté le 6 février 2026, https://iterate.ai/ai-glossary/counterfactual-fairness

39. Algorithmic Fairness in Recruitment: Designing AI-Powered Hiring ..., consulté le 6 février 2026, https://pathofscience.org/index.php/ps/article/view/3471

40. Causal Representation Learning for Bias Detection in AI Hiring Systems, consulté le 6 février 2026, https://www.ijcaonline.org/archives/volume187/number74/causal-representation-learning-for-bias-detection-in-ai-hiring-systems/

41. Bias & Fairness Testing for AI: Demographic Audits & Ethical Compliance - Testriq, consulté le 6 février 2026, https://www.testriq.com/blog/post/bias-fairness-testing-for-ai

42. Behind the Screens: Uncovering Bias in AI-Driven Video Interview Assessments Using Counterfactuals - arXiv, consulté le 6 février 2026, https://arxiv.org/html/2505.12114v2

43. Algorithmic Fairness Testing Tools - AI Ethics Lab - Rutgers University, consulté le 6 février 2026, https://aiethicslab.rutgers.edu/glossary/algorithmic-fairness-testing-tools/

44. Precision neurodiversity: personalized brain network architecture as ..., consulté le 6 février 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12647089/

45. Designing Inclusive AI Interaction for Neurodiversity - ResearchGate, consulté le 6 février 2026, https://www.researchgate.net/publication/396644400_Designing_Inclusive_AI_Interaction_for_Neurodiversity

46. Algorithmic Bias in Artificial Intelligence and Mitigation Strategies - Tata Consultancy Services, consulté le 6 février 2026, https://www.tcs.com/what-we-do/products-platforms/tcs-bancs/articles/algorithmic-bias-ai-mitigation-strategies

47. NIST AI Risk Management Framework: A tl;dr - Wiz, consulté le 6 février 2026, https://www.wiz.io/academy/ai-security/nist-ai-risk-management-framework

48. NIST AI Risk Management Framework: A simple guide to smarter AI governance - Diligent, consulté le 6 février 2026, https://www.diligent.com/resources/blog/nist-ai-risk-management-framework

49. Safeguard the Future of AI: The Core Functions of the NIST AI RMF - AuditBoard, consulté le 6 février 2026, https://auditboard.com/blog/nist-ai-rmf

50. Credit Scoring AI Bias Testing: Beyond Basic Fairness Checks for Financial Institutions, consulté le 6 février 2026, https://verityai.co/blog/credit-scoring-ai-bias-testing

51. AI Bias Mitigation Strategies for Reliable Enterprise AI - Appinventiv, consulté le 6 février 2026, https://appinventiv.com/blog/reducing-bias-in-ai-models/

52. Navigating the NIST AI Risk Management Framework - Hyperproof, consulté le 6 février 2026, https://hyperproof.io/navigating-the-nist-ai-risk-management-framework/

53. AI in creating inclusive work environments for neurodiverse employees - ResearchGate, consulté le 6 février 2026, https://www.researchgate.net/publication/397757972_AI_in_creating_inclusive_work_environments_for_neurodiverse_employees

54. Inclusive by Design: An Employer's Guide to Neurodiversity at Work - Morgan McKinley, consulté le 6 février 2026, https://www.morganmckinley.com/ie/article/inclusive-design-employers-guide-neurodiversity-work

55. Designing Artificial Intelligence: Exploring Inclusion, Diversity, Equity, Accessibility, and Safety in Human-Centric Emerging Technologies - MDPI, consulté le 6 février 2026, https://www.mdpi.com/2673-2688/6/7/143