Cas d'usage

Six scénarios concrets où la fairness compte.

AuditIQ a été conçu pour les IA réellement déployées en PME : tri de CV, scoring crédit, chatbot SAV, tarification d'assurance, ciblage marketing, routage de tickets. Voici comment ça se passe en pratique, dossier par dossier.

Ressources humaines

IA de tri de CV en cabinet de conseil.

180 collaborateurs, 60 recrutements par an, présélection automatique des candidatures.

Le contexte

Depuis 18 mois, un outil de présélection score chaque CV ; les 20 % les mieux notés passent en entretien. Personne en interne n'a la capacité technique de vérifier d'éventuels biais.

L'audit AuditIQ

Module 1 · Caractéristique connue. Variable cible : short_listed. Attribut sensible : genre. 412 candidatures de 2024 analysées, quatre métriques calculées.

Le résultat

Demographic Parity à 0,78, sous le seuil de 0,80 : 12 points d'écart de présélection entre profils. Equal Opportunity à 0,92 — le modèle ne pénalise pas les profils qualifiés, mais sur-sélectionne en amont. Recommandation : revoir le poids du critère « expérience continue ».

Recrutement_2024.csv
Audit du 14 mars 2026
Score 3/5
412 candidatures · cible : short_listed · attribut : genre · 4 métriques
Demographic Parity0.78
Equal Opportunity0.92
Equalized Odds0.81
Règle des 4/50.73
Recommandation prioritaire.Revoir le poids du critère « expérience continue » : il pénalise mécaniquement les profils ayant pris un congé parental.
Demandes_credit_Q3.csv
Audit du 22 mars 2026
Score 1/5
2 840 demandes · clustering DBSCAN · 4 clusters · proxy détecté
Cluster déviant C4

60 % des refus pour 18 % de l'échantillon

Feature dominante : code postal — information mutuelle de 0,82 avec l'origine présumée. Le code postal agit comme proxy.

Demographic Parity (origine)0.71
Règle des 4/50.69
AI Act, article 10 § 2.f. Risque élevé. Une remédiation est nécessaire avant la mise en application (août 2026).
Crédit & scoring

Scoring crédit en banque régionale.

420 collaborateurs, 38 000 demandes par an, modèle de scoring entraîné en interne.

Le contexte

Le responsable conformité doit produire avant juillet 2026 une preuve de fairness sur un modèle déployé il y a deux ans, entraîné sur des données historiques sans audit préalable.

L'audit AuditIQ

Module 2 · Biais cachés pour détecter d'éventuels proxies, puis Module 1 · Caractéristique connue sur la fonction de décision. 2 840 demandes du Q3 2025 analysées.

Le résultat

Un cluster sur-représenté dans les refus (60 % des refus pour 18 % de l'échantillon), tiré par le code postal. Module 1 confirme : Demographic Parity à 0,71 sur l'axe origine présumée.

Chatbot service client

Assistant LLM pour le SAV.

Équipement industriel, 240 collaborateurs, chatbot Mistral-7B déployé sur le portail client B2B.

Le contexte

Le chatbot traite 12 000 sollicitations par mois. Une remontée interne signale un traitement « plus court et moins pédagogique » selon l'interlocuteur. L'équipe veut documenter et corriger.

L'audit AuditIQ

Module 3 · Assistant conversationnel. 412 prompts pairs sur six axes, métriques par axe : longueur, sentiment, taux de refus. Test en condition de production, sans modifier l'endpoint.

Le résultat

Score global 3,2/5. Axe handicap à 2,1/5 : le chatbot redirige plus souvent vers un « service spécialisé » quand le prompt évoque un handicap, sans répondre directement. Recommandation : revoir l'instruction système et les exemples de fine-tuning.

Chatbot SAV · Mistral-7B
Audit du 8 avril 2026
Score 3.2/5
Genre
4,1 / 5
Faibles écarts
Origine
2,8 / 5
Écarts modérés
Âge
3,5 / 5
Acceptable
Handicap
2,1 / 5
Écarts significatifs
Extrait significatif.Profil A (handicap non mentionné) : 142 mots, ton informatif. Profil B (handicap mentionné) : 38 mots, redirection systématique.

Autres cas d'usage

AuditIQ s'adapte à toutes vos IA en production.

Trois exemples complémentaires de mise en œuvre, sur des cas vus chez nos clients pilotes.

Assurance

Tarification d'assurance auto

Modèle de tarification ML d'une mutuelle régionale. Audit Module 1 sur l'âge, par tranches de 5 ans. Détection d'une sur-tarification non justifiée sur les 18–22 ans.

Module 01 · Caractéristique connue
Marketing

Ciblage publicitaire B2C

Scoring d'appétence pour un e-commerce mode. Audit Module 2 pour détecter des proxies de genre dans les features comportementales (navigation, panier moyen).

Module 02 · Biais cachés
Service client

Routage automatique de tickets

Classification de tickets entre niveaux 1, 2 et 3 chez un éditeur SaaS. Audit Module 1 sur la priorité, attributs déduits du contenu — sous-traitement systématique détecté.

Module 01 · Caractéristique connue
Santé

Triage en téléconsultation

Système de triage symptômes-vers-urgence d'une plateforme de téléconsultation. Audit Module 3 avec banque de prompts médicaux, axes genre et origine.

Module 03 · Assistant conversationnel
RH

IA d'évaluation annuelle

Synthèse automatique d'évaluation d'objectifs chez un éditeur SaaS. Audit Module 3 sur les commentaires générés, axes genre et âge.

Module 03 · Assistant conversationnel
Logistique

Modèle de churn client B2B

Prédiction de churn pour une PME logistique. Audit Module 2 sur le dataset CRM, recherche de clusters déviants sur la taille d'entreprise et le secteur.

Module 02 · Biais cachés

Votre cas d'usage

Et le vôtre, on en parle ?

Lancez un audit pilote gratuit sur l'une de vos IA en production, ou échangez avec notre équipe sur votre périmètre.

Essayer gratuitementNous contacter