Conformité · July 18, 2026 · 9 min de lecture

NYC Local Law 144 : ce que la règle d'audit des biais exige

La NYC Local Law 144 exige un audit indépendant des biais avant qu'un outil de recrutement automatisé présélectionne des candidats. Ce que la règle couvre, qui en est responsable, et ce qu'elle mesure.

← Fait partie de IA de recrutement conforme : LL144 et le règlement européen sur l'IA

Si votre équipe utilise un logiciel pour présélectionner, classer ou noter des candidats pour un poste à New York, une loi encadre déjà la façon dont vous le faites, et la plupart des équipes de recrutement sous-estiment l'ampleur de sa portée. La NYC Local Law 144 ne s'intéresse pas à savoir si vous considérez votre outil comme de l'« IA » ou comme une fonctionnalité de routine d'un ATS ; elle s'intéresse à la question de savoir si le logiciel contribue substantiellement à une décision d'embauche ou de promotion. Ce guide s'adresse aux responsables des talents, aux recruteurs et aux propriétaires RH ou juridiques qui utilisent réellement ces outils, et les enjeux sont concrets : les pénalités s'accumulent par violation et peuvent se composer quotidiennement, de sorte qu'un outil discrètement non audité devient une responsabilité croissante plutôt qu'un risque ponctuel.

C'est une analyse approfondie tirée de notre guide sur l'IA de recrutement axée sur la conformité. Vous obtiendrez un exposé en langage clair de ce que la loi couvre, des trois obligations qu'elle impose aux employeurs, de ce qu'un audit des biais mesure réellement, de la façon dont ces chiffres se lisent, et de la façon dont un processus d'évaluation bien conçu conserve les enregistrements dont un audit dépend. Le fil conducteur : la conformité en vertu de la LL144 est une propriété de la façon dont vous utilisez un outil, ce qui signifie que le travail ne peut pas être externalisé à la communication marketing d'un fournisseur.

Que couvre la NYC Local Law 144 ?

La Local Law 144 s'applique aux outils de décision d'emploi automatisés, abrégés AEDT, qui contribuent substantiellement ou remplacent les décisions discrétionnaires de présélection des candidats pour l'embauche ou la promotion de personnes situées à New York. Un AEDT est, en substance, un processus computationnel dérivé du machine learning ou de techniques comparables qui produit un résultat simplifié — comme un score, une classification ou un classement — utilisé pour aider à décider qui avance. La portée est plus large que la plupart des équipes ne le supposent, parce que le déclencheur est la fonction que le logiciel remplit, pas la marque sur la boîte.

Le critère juridictionnel est la localisation du candidat, pas seulement celle de l'entreprise. Un employeur entièrement à distance basé ailleurs qui présélectionne des candidats de New York avec un AEDT devrait supposer que la loi s'applique à ces décisions. C'est un schéma familier dans la réglementation moderne du recrutement, et c'est pourquoi les employeurs opérant dans plusieurs juridictions conçoivent de plus en plus une seule base de conformité plutôt qu'un patchwork d'exceptions par ville.

Il vaut la peine d'être précis sur les deux conditions qui placent un outil dans le champ d'application, parce que les équipes se convainquent souvent qu'elles ne sont pas concernées sur les deux. Premièrement, l'outil doit contribuer substantiellement ou remplacer une décision discrétionnaire — pas seulement produire un chiffre qu'un humain consulte, mais façonner de façon significative qui avance. Deuxièmement, cette décision doit concerner l'embauche ou la promotion pour un poste lié à New York. Un outil de classement de CV qui fait remonter les meilleurs candidats, une plateforme d'évaluation qui note et trie, un outil d'entretien qui évalue les réponses : chacun peut être concerné. La posture la plus sûre est de supposer que l'outil est concerné et de documenter pourquoi un outil donné en est exclu, plutôt que d'assumer l'inverse et de découvrir le problème lors d'une demande d'audit.

Les trois obligations et qui en est responsable

Trois obligations s'imposent avant qu'un employeur puisse utiliser un outil concerné, et toutes trois incombent à l'employeur, pas au fournisseur :

• Audit des biais — réalisé au cours de l'année précédente par un auditeur indépendant qui n'a pas participé à la conception, la vente ou l'utilisation de l'outil, et sans lien financier compromettant avec l'employeur. L'audit est calculé sur l'usage réel de l'employeur.
• Divulgation publique — la date de l'audit des biais le plus récent, un résumé des résultats et la date de distribution de l'outil, publiés de façon claire et visible, typiquement dans la section carrières ou emplois du site de l'employeur.
• Préavis aux candidats — fourni avant l'utilisation de l'AEDT, indiquant qu'un outil automatisé sera utilisé et décrivant les qualifications professionnelles et les caractéristiques qu'il évalue, afin que les candidats sachent ce qui est évalué et comment.

Notez que chaque point est une obligation de l'employeur. Ce cadrage est la chose la plus importante à intérioriser sur cette loi, parce qu'il change la façon dont vous devez lire chaque argumentaire commercial que vous recevez.

Que mesure l'audit des biais ?

L'audit des biais n'est pas une vague revue de l'équité ; c'est un calcul statistique précis. L'auditeur indépendant calcule le taux de sélection pour chaque catégorie de sexe et pour chaque catégorie de race ou d'origine ethnique, et le cas échéant les combinaisons intersectionnelles. Le taux de sélection est simplement la proportion de candidats dans un groupe qui ont été sélectionnés ou, dans les outils de notation, le score moyen du groupe traité de façon comparable.

À partir de ces taux, l'auditeur dérive le rapport d'impact : le taux de sélection de chaque groupe divisé par le taux du groupe qui a obtenu le score le plus élevé. C'est la règle des quatre cinquièmes appliquée à un outil automatisé. Un rapport d'impact inférieur à 0,8 est le signal de longue date d'un potentiel impact disproportionné, le même benchmark utilisé pendant des décennies dans la pratique américaine de sélection à l'emploi. Le point critique est que ces ratios sont calculés sur vos candidats et votre usage, pas sur la population de référence d'un fournisseur, ce qui explique pourquoi le même outil peut passer chez un employeur et signaler un problème chez un autre.

Un résumé d'audit publié doit donc divulguer les catégories analysées, les taux de sélection et les rapports d'impact. Cette transparence est délibérée : les candidats et les régulateurs peuvent voir, en chiffres, comment un groupe s'en est sorti par rapport au groupe de référence. Si votre outil ne peut pas produire de données de sélection propres au niveau du groupe, vous ne pouvez pas produire un audit défendable, ce qui est là où la tenue des enregistrements devient silencieusement l'enjeu principal.

Deux complications pratiques font trébucher les équipes ici. L'audit s'effectue sur des données — soit votre usage historique, soit, si vous n'en avez pas assez, des données de test appropriées — et des enregistrements démographiques minces ou désordonnés rendent un audit propre difficile à produire. Et un rapport d'impact inférieur à 0,8 est un signal, pas un verdict automatique de discrimination illégale ; il signale qu'un groupe est sélectionné à un taux matériellement plus faible et que la disparité nécessite une explication et, le cas échéant, une correction. Le seuil des quatre cinquièmes est une heuristique de présélection tirée de la pratique de sélection établie, ce qui est précisément pourquoi il se transfère si bien des embauches humaines aux outils automatisés : les régulateurs n'ont pas inventé un nouvel étalon, ils ont appliqué un étalon familier aux logiciels.

Pourquoi les pénalités s'accumulent

La conception de l'application est ce qui transforme un manquement administratif en une exposition significative. Les pénalités civiles en vertu de la Local Law 144 atteignent jusqu'à 1 500 dollars par violation, et chaque jour d'utilisation d'un outil non conforme peut être traité comme une violation distincte. Ne pas fournir le préavis requis aux candidats est également traité comme sa propre violation.

Parce que l'exposition s'accumule quotidiennement et peut s'attacher sur un vivier à volume élevé, l'arithmétique est impitoyable pour un outil qui a silencieusement évité l'audit. Ce n'est pas une amende unique contre laquelle vous pouvez provisionner ; c'est un compteur tournant. L'application de la loi a débuté en juillet 2023, donc il s'agit d'une obligation en vigueur, pas future, pendant tout le temps où de nombreuses équipes ont déployé la présélection automatisée à grande échelle.

Comment la LL144 se compare aux autres lois sur l'IA dans le recrutement

La Local Law 144 est délibérément étroite et centrée sur l'audit, ce qui en fait un point d'ancrage utile par rapport aux régimes plus larges. Si vous recrutez dans plusieurs juridictions, il est utile de voir où les mécanismes diffèrent même quand les objectifs sous-jacents convergent :

• NYC Local Law 144 : étroite et centrée sur l'audit. Couvre les AEDT utilisés pour des candidats de New York ; exige un audit indépendant annuel des biais, des résultats publiés, et un préavis aux candidats. En vigueur depuis juillet 2023.
• Règlement européen sur l'IA : classe l'IA à l'emploi comme à haut risque, avec des obligations pour les fournisseurs et les déployeurs couvrant la gestion des risques, la supervision humaine et la journalisation. Plus large et plus systémique qu'un seul audit.
• Cadre du Colorado sur l'IA : après une réécriture en 2026, met l'accent sur la transparence, les droits d'accès et de correction des données, et une supervision humaine significative pour de nombreuses décisions conséquentes, pas seulement le recrutement.
• Lois de l'Illinois sur l'IA dans le recrutement : une approche des droits civils superposée aux lois existantes sur les droits humains, traitant l'utilisation discriminatoire de l'IA et les préavis dans l'emploi.

Les régulateurs ne s'accordent pas sur les mécanismes — audits, gestion des risques, divulgation, application des droits civils — mais s'accordent sur le fond : informer les candidats quand un outil automatisé est impliqué, être capable d'expliquer et de défendre la décision, maintenir un humain de façon significative dans la boucle là où cela compte, et tenir des registres. Les équipes qui construisent une seule base commune plutôt que de corriger juridiction par juridiction dépensent bien moins dans le temps. C'est l'argument derrière le traitement de la réduction des biais comme une contrainte de conception du système de recrutement lui-même.

Là où la tenue des registres rencontre la conformité

Le mode d'échec récurrent n'est pas la mauvaise intention ; ce sont les données manquantes. Quand un auditeur demande les taux de sélection par groupe, ou qu'un régulateur demande pourquoi un candidat a été écarté, un score opaque n'est pas une réponse. Les outils qui passent confortablement un audit sont ceux qui enregistraient les bonnes choses depuis le début : qui a été évalué, sur quelles qualifications, quel était le résultat, et où un humain est intervenu.

C'est aussi là où la conception de l'évaluation et la conformité cessent d'être des projets séparés. Les évaluations construites autour de travaux observables — tests de mise en situation et tâches spécifiques au poste plutôt que des scores génériques — donnent aux évaluateurs quelque chose de concret à examiner et donnent au préavis de vos candidats quelque chose d'honnête à décrire. La pertinence pour le poste par construction est le fondement le plus solide sous toute analyse d'impact disproportionné, parce qu'elle répond à l'objection « pourquoi cette question » avant qu'elle soit soulevée.

L'obligation de préavis aux candidats mérite le même soin que l'audit lui-même, parce que c'est la partie la plus visible pour les candidats et la plus facile à mal rédiger silencieusement. Un préavis doit être authentique et précis : il doit indiquer aux candidats qu'un outil automatisé les évaluera et décrire les qualifications et les caractéristiques qu'il évalue, dans un langage qu'ils peuvent réellement comprendre, fourni avant que l'outil ne fonctionne plutôt qu'enfoui après coup. Quand l'évaluation correspond clairement au poste, ce préavis s'écrit de lui-même, parce que vous décrivez un travail réel et pertinent pour le poste plutôt que de construire une justification à rebours pour un score opaque.

Ce que H-Evaluate fournit

H-Evaluate a été construit conformité-first précisément pour ce schéma. C'est une plateforme d'évaluation des compétences AI-native, ce qui signifie que la tenue des enregistrements dont un audit dépend fait partie du processus plutôt que d'être un ajout. Concrètement, elle fournit :

• Analyse des biais dès la génération des questions, avec le résultat de l'analyse enregistré pour chaque évaluation.
• Reporting d'impact disproportionné — taux de sélection et rapports d'impact par groupe — les chiffres qu'un résumé d'audit LL144 doit divulguer.
• Une piste d'audit des décisions, des motifs et des dérogations humaines, afin que l'étape humaine dans la boucle soit documentée, pas supposée.
• Des enregistrements de consentement et de préavis, afin que les obligations de préavis aux candidats soient documentées plutôt que simplement affirmées.
• Des évaluations générées par IA produites par poste, de sorte que les questions correspondent aux qualifications que votre préavis décrit.

Rien de tout cela ne rend H-Evaluate conforme à votre place — rien ne le peut, parce que la conformité LL144 est une propriété de votre déploiement. Ce que cela fait, c'est supprimer l'excuse de la tenue des registres, afin que l'audit et la divulgation que votre propre équipe réalise reposent sur des données propres et complètes. Si vous repensez votre stack, commencez par notre présentation du recrutement AI-native : l'argument, en bref, est que les outils conçus sous des contraintes de conformité surpassent les outils qui y sont adaptés après coup à la réception d'une demande d'audit.

La réglementation continuera d'évoluer plus vite que votre stack de recrutement. La seule stratégie durable est de prendre des décisions que vous seriez à l'aise d'expliquer — à un candidat, un auditeur, ou un tribunal.