Une décision de justice isolée est une anecdote. Trois décisions convergentes, échelonnées sur quinze mois, avec une gravité croissante des sanctions, forment une jurisprudence — et surtout, elles dessinent une trajectoire prévisible pour celles qui suivront.

Premier jalon : Nanterre, 14 février 2025 (n° 24/01457)

Une entreprise avait annoncé, dès janvier 2024, le déploiement de cinq applications intégrant de l’IA — Finovox, Synthesia, Notify, Semji et MetIQ — sans engager de procédure de consultation. Le juge des référés y voit un trouble manifestement illicite et ordonne la suspension. Ce qui frappe rétrospectivement dans cette première décision, c’est sa précocité : elle intervient avant même l’entrée en application des premières interdictions de l’AI Act. Le juge ne s’appuie sur aucun texte européen — seulement sur le droit français classique de la consultation du CSE. Le message est déjà clair : l’IA n’avait pas besoin d’un règlement européen pour entrer dans le champ du droit du travail.

Deuxième jalon : Nanterre, 29 janvier 2026 (n° 25/02856)

Une entreprise de près de 2 000 salariés remplace un ancien outil de gestion des talents par deux logiciels plus performants, Cornerstone Skills et Napta, mobilisés notamment pour les entretiens annuels. L’employeur défend une thèse simple : il ne s’agit que d’une évolution technique d’un outil déjà en place, pas d’une nouvelle technologie. Le tribunal la rejette explicitement. Ce que ce refus révèle est important pour toute direction RH : la continuité apparente d’un outil — même nom de fonction, même usage métier — ne suffit pas à échapper à la qualification de nouvelle technologie dès lors que le mode de fonctionnement change en profondeur, ici par l’intégration d’algorithmes d’analyse automatisée. Le tribunal assortit sa décision d’une astreinte de 500 euros par jour de retard.

Troisième jalon : Cour d’appel de Paris, 21 mai 2026 (deux arrêts, RG n° 25/13232 et 25/13234)

L’affaire est la plus documentée des trois. Le Groupe Moniteur avait déployé un assistant rédactionnel interne baptisé « DIGI » tout en généralisant l’usage de ChatGPT auprès de ses équipes de presse — retranscription audio, synthèse de documents, correction, suggestion de titres — sans consultation préalable du CSE. La Cour confirme la suspension prononcée en première instance et va plus loin sur trois points que les praticiens du droit social ont immédiatement identifiés comme structurants. D’abord, le caractère facultatif de l’outil pour les salariés ne neutralise pas l’obligation de consultation : la simple mise à disposition sur l’intranet suffit à caractériser un projet de diffusion collective. Ensuite, peu importe que l’outil soit un produit grand public externe comme ChatGPT plutôt qu’un développement interne. Enfin — et c’est la vraie nouveauté de cet arrêt — la Cour reconnaît pour la première fois un préjudice d’anxiété propre aux salariés confrontés à un déploiement d’IA mené sans garde-fou ni transparence, et condamne l’employeur à verser au CSE une provision de 5 000 euros à ce titre, plus 3 000 euros au titre des frais de procédure.

Ce dernier point mérite qu’on s’y arrête. Jusqu’ici, le contentieux CSE-IA se jouait essentiellement sur le terrain de la remise en état : suspendre l’outil, imposer la consultation. Avec la reconnaissance d’un préjudice d’anxiété indemnisable, le contentieux gagne une dimension financière directe, qui change la nature du rapport de force. Un projet mal engagé n’expose plus seulement à un retard de calendrier ; il expose à un coût chiffré, potentiellement reproductible dans chaque nouvelle affaire.

Il faut noter, pour la rigueur du raisonnement juridique, que la Cour de cassation n’a pas encore eu à se prononcer sur le fond de cette question — les trois décisions examinées ici émanent de juridictions du fond, statuant qui plus est en référé, une procédure d’urgence qui ne tranche pas définitivement un litige. Leur portée est donc, techniquement, circonscrite. Mais la cohérence de leur raisonnement, répété à trois reprises par deux tribunaux différents en quinze mois, leur donne un poids que la seule autorité formelle ne suffit pas à expliquer : c’est un raisonnement qui commence à s’imposer comme une doctrine de fait, bien avant toute clarification par la haute juridiction.

L’article 50 de l’AI Act est souvent résumé en une phrase : un chatbot doit dire qu’il en est un. La réalité du texte, entrée en application le 2 août 2026, est plus stratifiée — et c’est cette stratification qui va déterminer, concrètement, ce que doit afficher un assistant RH.

Le texte impose en réalité quatre obligations distinctes, qui ne pèsent pas toutes sur les mêmes acteurs. Informer les personnes qu’elles interagissent avec un système d’IA — chatbot, agent, avatar conversationnel. Marquer techniquement, de façon lisible par une machine, les contenus synthétiques générés — image, audio, vidéo. Signaler les systèmes de reconnaissance des émotions et de catégorisation biométrique. Étiqueter les deepfakes et les textes générés par IA publiés sur des sujets d’intérêt public. Ces obligations pèsent aussi bien sur les fournisseurs de la technologie que sur les déployeurs — c’est-à-dire toute organisation qui l’utilise dans un cadre professionnel, y compris lorsqu’elle n’en est pas l’éditrice. Un service RH qui active un chatbot candidat conçu par un prestataire reste donc pleinement concerné, même s’il n’a écrit aucune ligne de code.

Sur le plan financier, l’article 50 n’a rien d’anecdotique : les manquements relèvent de l’article 99 de l’AI Act, avec des amendes pouvant atteindre 15 millions d’euros ou 3 % du chiffre d’affaires annuel mondial, le montant le plus élevé étant retenu. En France, le contrôle est partagé entre la CNIL, la DGCCRF et l’Arcom, selon la nature du manquement.

Le point le plus mal compris de ce dispositif concerne son champ d’exemption. Pour les textes destinés à informer le public sur des sujets d’intérêt général, l’obligation de signalement tombe lorsque trois conditions sont réunies cumulativement : le contenu a fait l’objet d’une relecture humaine, une personne physique ou morale identifiée assume la responsabilité éditoriale de sa publication, et — condition la plus déterminante en pratique — cette relecture n’est pas purement formelle. Un seul « non » parmi ces trois conditions suffit à faire basculer le texte dans le champ de l’obligation d’étiquetage. Autrement dit, la simple présence d’un humain dans la chaîne de production ne suffit pas : c’est la qualité réelle de son intervention qui tranche entre exemption et mention obligatoire — un point que les lignes directrices publiées par la Commission européenne le 20 juillet 2026 sont venues préciser explicitement.

Pour un service RH, ce cadre a une conséquence directe et sous-estimée. Un chatbot carrière ou un assistant d’onboarding entre dans le champ de la première obligation — informer de la nature IA de l’interlocuteur — sans aucune possibilité d’exemption équivalente à celle des textes d’intérêt public : cette exception-là ne concerne que la publication de contenus rédactionnels, pas les interactions conversationnelles directes avec un système. Un service RH ne peut donc pas invoquer une relecture humaine du script du chatbot pour se dispenser d’afficher sa nature artificielle à chaque échange. Les deux logiques d’exemption, celle des contenus publiés et celle des interactions conversationnelles, ne se recoupent pas — une confusion pourtant fréquente dans les premiers audits de conformité observés depuis l’été 2026.

Reste la question la plus concrète pour un outil RH : à quel moment de la conversation cette information doit-elle apparaître ? Le texte impose qu’elle intervienne « au plus tard lors de la première interaction ou exposition » — ce qui exclut, en toute rigueur, un simple renvoi vers des conditions générales d’utilisation jamais consultées. Pour un assistant candidat ou un chatbot carrière, cela suppose une reformulation du tout premier message échangé, et non un ajout en fin de flux de conversation.

Il existe une hiérarchie des interdictions dans l’AI Act, et elle est rarement présentée comme telle. Parmi les huit pratiques classées « à risque inacceptable » par l’article 5, la reconnaissance des émotions sur le lieu de travail figure au même rang que la notation sociale généralisée, la manipulation subliminale ou l’identification biométrique en temps réel dans l’espace public. Ce n’est pas une catégorie secondaire du texte : c’est celle qui expose aux amendes les plus lourdes prévues par le règlement — jusqu’à 35 millions d’euros ou 7 % du chiffre d’affaires annuel mondial, le montant le plus élevé étant retenu, un plafond supérieur à celui de n’importe quelle sanction RGPD.

L’interdiction, prévue à l’article 5, paragraphe 1, point f, du règlement, est en vigueur depuis le 2 février 2025 — bien avant la plupart des autres obligations de l’AI Act. Elle vise la mise sur le marché, la mise en service ou l’utilisation de systèmes d’IA destinés à inférer les émotions d’une personne physique sur le lieu de travail et dans les établissements d’enseignement. Les lignes directrices publiées par la Commission européenne le 4 février 2025 sont venues préciser la portée pratique du texte, avec une conséquence que peu d’éditeurs de logiciels RH ont anticipée : la notion de donnée biométrique susceptible d’alimenter une inférence émotionnelle couvre non seulement le visage et la voix, mais aussi, dans certaines conditions, la dynamique de frappe au clavier — dès lors qu’elle est assimilée à une donnée biométrique comportementale. Les mêmes lignes directrices protègent explicitement les candidats pendant les processus de recrutement, un point sur lequel la vigilance des services RH est généralement la plus faible, précisément parce que le rapport de force avec un candidat rend le consentement structurellement suspect.

Les exemples cités par la Commission pour illustrer des usages interdits sont concrets et parlants : le suivi automatisé des émotions par webcam et captation vocale dans des centres d’appels, l’analyse faciale lors de réunions vidéo pour évaluer l’engagement ou la performance d’un collaborateur, les systèmes de tri de candidats fondés sur une inférence émotionnelle. Ce sont, très exactement, les fonctionnalités que plusieurs éditeurs de logiciels RH ont commercialisées ces dernières années sous des appellations rassurantes — « analyse de l’engagement », « scoring de motivation », « diagnostic de bien-être ».

C’est précisément là que réside le piège le plus fréquent pour les entreprises de bonne foi : croire qu’informer les personnes concernées suffit à rendre l’usage licite. Ce n’est pas le cas. L’interdiction porte sur la nature du traitement, pas sur le défaut d’information qui l’accompagne — aucune mention légale, aussi complète soit-elle, ne transforme un système d’inférence émotionnelle interdit en système autorisé. La seule échappatoire prévue par le texte est une exception étroite, réservée aux finalités strictement médicales ou de sécurité : la détection de fatigue ou de somnolence chez un conducteur, un pilote, un conducteur de train ou un opérateur de machine dangereuse en constitue l’archétype. Un outil de « prévention du burn-out » généraliste, appliqué à l’ensemble d’un effectif de bureau, n’entre pas dans ce cadre, quelle que soit la sincérité de l’intention affichée par l’éditeur qui le commercialise.

En France, c’est la CNIL qui est désignée comme autorité de contrôle pour cette interdiction spécifique — une continuité logique avec son rôle historique en matière de données biométriques, déjà classées sensibles au titre de l’article 9 du RGPD, pour lesquelles le consentement du salarié n’est structurellement pas considéré comme une base légale valable dans une relation de subordination.

Le droit du comité social et économique à être informé et consulté sur l’introduction de nouvelles technologies n’a rien d’une nouveauté : il existe, sous des formulations proches, depuis des décennies. Ce qui change avec l’intelligence artificielle générative, ce n’est pas le texte — c’est son champ d’application concret, considérablement élargi par la jurisprudence récente, et l’ampleur des projets qu’il vient désormais encadrer.

La qualification retenue par les juges, de façon constante dans les trois décisions examinées plus haut dans ce dossier, est volontairement large : dès qu’un outil permet d’exécuter des tâches intellectuelles auparavant réalisées par des salariés, il entre dans le champ de la consultation, indépendamment de sa complexité technique, de son coût ou de son caractère facultatif pour les utilisateurs. Un simple assistant de reformulation de courriels peut, à ce titre, relever de la même obligation qu’un système de tri automatisé de candidatures — une équivalence qui surprend souvent les porteurs de projet, habitués à réserver la consultation du CSE aux investissements les plus lourds.

Cette lecture extensive a une conséquence directe sur le calendrier des projets. La jurisprudence est constante sur un point : la consultation doit intervenir en amont de la phase pilote, et non après le lancement des expérimentations. Un projet qui commence par un test informel dans une équipe, avant de s’étendre progressivement, doit être pensé dès son lancement comme un objet de consultation récurrente — la Cour d’appel de Paris l’a rappelé explicitement en mai 2026 en jugeant que le CSE doit être associé à chaque étape significative d’un projet évolutif, et non simplement informé a posteriori d’un déploiement déjà généralisé.

L’arme procédurale du CSE mérite elle aussi d’être précisée, car elle dépasse la simple consultation. L’article L. 2312-8 du Code du travail ouvre au comité un droit à l’expertise sur les projets importants modifiant l’organisation du travail — un droit que la chambre sociale de la Cour de cassation a eu l’occasion de préciser dans un arrêt du 6 mai 2025 (n° 24-11.167), rappelant l’étendue de ce recours face à un projet technologique contesté. Concrètement, un CSE confronté à un déploiement d’IA non consulté ne se limite pas à demander sa suspension : il peut mandater un expert, aux frais de l’employeur dans les conditions prévues par la loi, pour documenter précisément l’impact du système sur l’organisation du travail — une démarche qui, à elle seule, peut retarder un projet de plusieurs mois.

Pour les entreprises, cela suppose de revoir en profondeur la manière dont les projets IA sont pilotés en interne. Le réflexe classique — présenter un projet au CSE une fois les choix techniques arrêtés, l’outil sélectionné et le budget validé — n’est plus tenable au regard de cette jurisprudence : l’information doit intervenir suffisamment en amont pour que l’avis du comité puisse encore influer sur les choix, faute de quoi la consultation elle-même risque d’être jugée insuffisante, quand bien même elle aurait formellement eu lieu.

Demandez à une direction des ressources humaines de lister les outils d’intelligence artificielle utilisés dans son entreprise, et elle citera, le plus souvent, les solutions officiellement déployées. Ce que cette liste omet presque toujours, ce sont les usages informels — et leur ampleur, une fois documentée par plusieurs études indépendantes menées en France depuis 2025, dépasse largement l’intuition la plus pessimiste.

Selon une enquête menée en 2025 par l’Inria et Datacraft auprès de quatorze grandes organisations françaises, 68 % des salariés déclarent utiliser des outils d’intelligence artificielle générative dans leur cadre professionnel sans en informer leur hiérarchie — une proportion qui grimpe à 75 % chez les managers eux-mêmes, ce qui invalide d’emblée l’idée que ce phénomène serait porté par les échelons juniors, les moins formés ou les plus isolés de la stratégie de l’entreprise. Une enquête Microsoft France / YouGov de janvier 2026, menée auprès de 657 cadres et dirigeants, confirme et prolonge ce constat au sommet des organisations : 80 % des dirigeants interrogés utilisent l’IA générative au moins une fois par semaine, et 61 % le font via un compte personnel, hors de tout cadre validé par leur direction informatique. Le cabinet Gartner, sur un périmètre international, mesure une évolution édifiante dans le temps : 41 % des salariés utilisaient des outils d’IA non autorisés au travail en 2023 ; ils sont 68 % en 2025.

Ce que ces usages informels transportent n’a rien d’anodin. Selon une étude BlackFog de 2026, 33 % des salariés reconnaissent avoir partagé des données sensibles — recherche interne, données de collaborateurs, informations financières — dans des outils d’IA non approuvés par leur entreprise. Un commercial qui copie sa base clients dans un assistant conversationnel pour en obtenir une segmentation, un ingénieur qui soumet du code source propriétaire pour du débogage : ce ne sont pas des scénarios hypothétiques, ce sont les usages les plus fréquemment documentés par les cabinets spécialisés dans l’audit de ces pratiques.

Le décalage entre cette réalité de terrain et la maturité de gouvernance des entreprises est frappant. L’étude KPMG Trends of AI 2026 montre que seulement deux tiers des grandes entreprises françaises sont aujourd’hui capables de mesurer le retour sur investissement de leurs initiatives IA officielles — contre un tiers seulement en 2025, un doublement en un an qui, pourtant, laisse encore un tiers des grandes structures incapables d’évaluer ce qu’elles font elles-mêmes, sans même parler de ce que font leurs salariés en dehors du cadre. Ce retard de gouvernance a une traduction réglementaire directe et souvent ignorée : l’article 4 de l’AI Act, entré en application dès février 2025, impose aux fournisseurs et aux déployeurs de systèmes d’IA de garantir un niveau suffisant de maîtrise de l’IA — une obligation de formation dont la preuve devient matériellement impossible à produire sans cartographie préalable des usages réels.

Cette cartographie n’a rien d’un exercice théorique réservé aux grands groupes. Elle peut suivre une méthode simple, en trois temps. D’abord, une enquête anonyme, diffusée à l’ensemble des équipes, posant des questions directes : quels outils sont utilisés, avec quel type de compte, ces usages ont-ils été validés, des données confidentielles ont-elles déjà été partagées avec un outil d’IA. Ensuite, un repérage indirect à partir des traces déjà disponibles — mentions informelles dans les échanges internes, extensions de navigateur installées sur les postes de travail, requêtes DNS sortantes vers les principaux fournisseurs d’IA générative. Enfin, une hiérarchisation des usages recensés selon leur fonction réelle : un outil qui se contente de reformuler un courriel n’appelle pas le même traitement qu’un outil qui influence une décision de recrutement ou d’évaluation — c’est cette gradation, plus que l’étiquette commerciale du produit, qui doit déterminer le niveau de vigilance appliqué.

Un signal complémentaire, propre aux processus de recrutement, mérite d’être suivi de près par les services RH : selon une étude de l’Apec publiée en mai 2026, 13 % des ETI et grandes entreprises déclaraient avoir utilisé l’IA pour recruter des cadres en 2025, contre 6 % seulement en 2024 — un doublement en un an, côté employeurs. Côté candidats, le même mouvement s’observe en miroir : 31 % des cadres ayant récemment cherché un emploi avaient utilisé l’IA pour améliorer un CV, rédiger une lettre ou préparer un entretien, et deux cadres sur trois envisageaient de le faire lors d’une prochaine recherche. Recruteurs et candidats sont donc engagés, simultanément et souvent sans le savoir, dans la même transformation silencieuse — ce qui devrait, à terme, déplacer la valeur discriminante d’un dossier de candidature de sa qualité rédactionnelle vers les mises en situation et les entretiens structurés, plus difficiles à déléguer entièrement à un assistant.

Dire précisément ce qui ne va pas, pas seulement que ça ne va pas. « C’est pas terrible, recommence » ne donne à l’IA aucune information exploitable — elle va probablement reproduire les mêmes choix. « Le ton est trop familier pour un document officiel, et le deuxième paragraphe est hors sujet » lui donne deux leviers concrets à corriger. Plus le reproche est précis, plus la correction l’est aussi.

Découper une tâche complexe plutôt que tout demander d’un coup. Demander directement « fais-moi un dossier complet sur l’IA et le droit du travail » donne un résultat plat, parce que l’IA doit deviner simultanément le plan, la profondeur et l’angle de chaque partie. Demander d’abord un plan, le valider ou l’ajuster, puis demander le développement partie par partie, donne un contrôle bien plus fin sur le résultat final — et évite de tout refaire quand un seul point ne convient pas.

Donner un modèle à imiter. Quand un style ou une structure a déjà fonctionné une fois dans la conversation, le rappeler explicitement (« reprends exactement cette structure pour la partie suivante ») est plus efficace que de la redécrire.

Demander à l’IA de poser des questions avant de se lancer. Sur une tâche ambiguë ou personnelle, une consigne comme « pose-moi les questions nécessaires avant de commencer » évite souvent un aller-retour inutile — l’IA part alors sur de bonnes bases plutôt que de deviner.

Savoir quand recommencer plutôt que corriger. Si une réponse part dans une direction fondamentalement fausse, il est parfois plus rapide de reformuler la demande de zéro, avec la leçon apprise, que d’essayer de rattraper un texte mal engagé à coups de petites corrections. Une conversation qui s’enlise vaut souvent moins qu’un nouveau départ, mieux cadré.

L’IA prédictive répond à une question fermée : à partir de données passées, quelle est la probabilité qu’un événement se produise, ou dans quelle catégorie ranger un cas particulier ? Un algorithme qui estime le risque qu’un client résilie son abonnement, qui prévoit une demande de stock pour le mois prochain, ou qui attribue une note de risque à un dossier de crédit, relève de cette famille. Ce n’est pas une technologie nouvelle : les techniques statistiques et le machine learning « classique » qui l’alimentent existent depuis des décennies. Ce qui a changé, c’est leur généralisation — y compris, de plus en plus, dans des décisions qui concernent directement des personnes : trier des candidatures, noter une performance, évaluer un risque de départ. C’est précisément cette catégorie d’usages que l’AI Act range, très largement, parmi les systèmes « à haut risque » évoqués ailleurs dans ce numéro.

L’IA générative répond à une question ouverte : produire un contenu nouveau — texte, image, son, code — qui n’existait pas avant la requête, en s’appuyant sur les régularités apprises dans d’immenses quantités de contenus existants. ChatGPT, Claude, Midjourney ou les outils de génération musicale appartiennent à cette famille, beaucoup plus récente dans son usage grand public. Sa force est aussi sa limite : elle excelle à produire quelque chose de plausible et cohérent, mais rien ne garantit que ce contenu soit exact — d’où les fameuses « hallucinations », ces affirmations formulées avec assurance mais fausses, qui n’ont pas vraiment d’équivalent dans l’IA prédictive classique.

La confusion entre les deux familles n’est pas qu’un détail de vocabulaire. Un système prédictif qui écarte silencieusement un candidat d’un recrutement et un assistant génératif qui rédige une offre d’emploi ne soulèvent ni les mêmes questions éthiques, ni les mêmes obligations légales, ni les mêmes risques d’erreur. Les confondre sous le mot générique « IA » — comme le font souvent les discours d’entreprise autant que les inquiétudes du grand public — empêche de poser les bonnes questions à chacune.

L’expression « IA cognitive » désigne, dans son ambition d’origine, des systèmes cherchant à reproduire certains mécanismes du raisonnement humain : comprendre un langage naturel ambigu, mobiliser une base de connaissances structurée, tirer des inférences logiques à partir de faits, et apprendre progressivement de nouvelles situations plutôt que de se contenter d’associations statistiques. C’est un objectif plus qu’une technique unique — ce qui explique pourquoi le terme a longtemps désigné des approches très différentes selon l’éditeur qui l’employait.

Concrètement, l’informatique cognitive historique combinait souvent plusieurs briques : des systèmes à base de règles capables de représenter explicitement des connaissances métier, des moteurs d’inférence capables d’en tirer des conclusions logiques, et des couches de traitement du langage pour interagir avec un humain. Cette approche, dite « symbolique », a dominé une bonne partie de l’histoire de l’intelligence artificielle avant l’essor du deep learning — et elle a un point fort que les modèles génératifs actuels peinent parfois à égaler : la transparence. Un système à base de règles peut, en théorie, justifier chacune de ses conclusions en remontant la chaîne de raisonnement qui y a mené — quand un grand modèle de langage reste, encore aujourd’hui, largement une boîte noire.

Les modèles génératifs récents ont ajouté une nouvelle couche à ce paysage : des versions dites « de raisonnement », entraînées à dérouler explicitement des étapes intermédiaires avant de produire une réponse finale, pour traiter des problèmes complexes — mathématiques, logiques, ou de planification. Le résultat ressemble, en surface, à un raisonnement. Il reste toutefois d’une nature différente du raisonnement symbolique classique : ces modèles restent fondamentalement des systèmes statistiques qui prédisent la suite la plus probable d’un texte, même lorsque ce texte prend la forme d’un raisonnement structuré.

Le point à retenir pour un lecteur non spécialiste : « IA cognitive » n’est pas, aujourd’hui, une catégorie technique aussi nette que « IA prédictive » ou « IA générative ». C’est davantage une promesse commerciale — celle d’une machine qui comprend et raisonne plutôt qu’elle ne calcule — qui recouvre des réalités techniques très diverses selon qui l’emploie. Face à un produit vendu comme « cognitif », la question la plus utile n’est pas « est-ce vraiment cognitif ? », mais « que fait-il concrètement, et sur quelle base ? ».

Un assistant conversationnel classique attend une question, produit une réponse, et s’arrête. Un système agentique, lui, reçoit un objectif — « trouve les trois meilleurs prestataires pour ce besoin et prépare une comparaison » — et se charge lui-même de décomposer cet objectif en étapes, d’utiliser des outils (chercher sur le web, consulter un fichier, interagir avec un logiciel) et d’enchaîner ces actions jusqu’au résultat final, sans qu’un humain valide chaque étape intermédiaire.

Cette bascule change la nature du risque associé à l’IA. Face à un système génératif classique, l’erreur la plus probable est une réponse fausse ou mal formulée — désagréable, mais généralement sans conséquence irréversible tant qu’un humain relit avant d’agir. Face à un système agentique, l’erreur peut se traduire directement en action réelle : un envoi de message non désiré, un achat non souhaité, une modification de données que personne n’a explicitement validée. C’est précisément pour cette raison que les outils agentiques les plus sérieux distinguent aujourd’hui les actions qu’ils peuvent effectuer librement de celles qui exigent une confirmation humaine explicite avant d’être exécutées.

Pour le monde du travail, cette famille d’IA rejoint directement les enjeux abordés dans le dossier de ce numéro. Un agent RH qui ne se contente plus de suggérer un candidat, mais qui filtre, classe et écarte lui-même des dossiers avant qu’un recruteur ne les voie, déplace la frontière entre outil d’aide à la décision et décision automatisée à part entière — une distinction dont on a vu qu’elle pèse lourd, tant sur le plan de la consultation du CSE que sur celui de la réglementation européenne. L’autonomie qui fait la force de l’IA agentique est aussi ce qui la rend, juridiquement, la plus délicate à encadrer : plus une machine agit sans validation humaine à chaque étape, plus la question de savoir qui répond de ses actes devient centrale — un chantier juridique qui ne fait, en réalité, que commencer.

Les faits

En 2023, Derek Mobley dépose plainte devant le tribunal fédéral du district Nord de Californie contre Workday Inc., éditeur d’un logiciel de gestion RH largement utilisé par de grandes entreprises pour trier, noter et présélectionner des candidatures. Mobley affirme que les outils de tri automatisé de Workday l’ont systématiquement écarté de dizaines de candidatures en raison de sa couleur de peau, de son âge et de son handicap. Fait notable : il n’attaque pas les entreprises auprès desquelles il a postulé, mais directement l’éditeur du logiciel qu’elles utilisaient toutes.

Ce qu’a jugé le tribunal

Le 12 juillet 2024, la juge Rita F. Lin refuse de classer l’affaire sans procès. Point central de sa décision : Workday peut être considéré comme un « agent » des entreprises clientes, dès lors que son outil exerce une fonction de tri — sélectionner, classer, recommander ou rejeter des candidatures — que ces entreprises auraient normalement exercée elles-mêmes. Cette qualification suffit, selon la juge, à rendre les lois fédérales anti-discrimination applicables directement à l’éditeur du logiciel, et non aux seules entreprises utilisatrices.

En mai 2025, une action collective nationale est autorisée sur le fondement de l’Age Discrimination in Employment Act, la loi fédérale protégeant les candidats de plus de 40 ans. Puis, le 22 juin 2026, la juge rejette une nouvelle demande de classement sans suite formulée par Workday concernant le volet fondé sur la loi californienne contre la discrimination (FEHA) : elle estime que les éléments présentés dans la plainte établissent un lien suffisant entre la Californie et les faits reprochés, notamment parce que les outils de Workday y sont conçus. Le volet fondé sur le handicap peut également se poursuivre, une plaignante ayant allégué que l’outil utilisait des indicateurs de santé indirects pour écarter certains candidats.

Workday, de son côté, a toujours affirmé que sa technologie n’examine que les qualifications professionnelles, jamais des caractéristiques protégées, et que ses clients gardent la pleine maîtrise de leurs décisions de recrutement.

Ce que les juristes en retiennent

Plusieurs cabinets américains spécialisés en droit du travail, dont Seyfarth Shaw et Fisher Phillips, soulignent que cette décision est la première à admettre aussi largement la théorie de l’éditeur-agent : jusque-là, la plupart des contentieux visaient l’employeur final, jamais le fournisseur de la technologie. Un avocat spécialisé cité dans la presse professionnelle américaine relève que certains employeurs pourraient être tentés d’invoquer l’automatisation comme excuse — mais que les juges ne semblent pas disposés à s’en satisfaire.

L’affaire s’inscrit aussi dans la continuité d’un précédent : en 2023, l’agence fédérale pour l’égalité des chances à l’emploi (EEOC) avait déjà obtenu un accord transactionnel avec iTutorGroup, dont l’outil de recrutement automatisé rejetait systématiquement les candidates et candidats les plus âgés — première action fédérale américaine ciblant spécifiquement les effets discriminatoires d’un outil de recrutement par IA.