Nous avons exécuté 1 279 requêtes sur trois plateformes d'IA et deux saisons de cadeaux. Le résultat : une preuve statistique définitive que l'IA traite les marques différemment selon le genre, et que le biais change de direction selon que la question est posée à Noël ou à la Saint-Valentin.
La découverte qui a mis fin au débat
Depuis un an, nous documentons le biais de genre dans les recommandations de marques par l'IA. D'abord, nous avons découvert le phénomène Kindle : 100 % de visibilité pour les requêtes concernant l'épouse, 0 % pour les requêtes concernant le mari. Puis nous avons élargi l'étude aux enfants destinataires et avons constaté que le biais persistait : 28 % de marques en moins pour les filles que pour les fils.
Certains ont soutenu que ces résultats étaient isolés. Des particularités de plateforme. De la variance aléatoire. Du bruit statistique.
Cette recherche met fin à ce débat.
1 279 requêtes. Trois études complémentaires. Deux contextes saisonniers. Une conclusion : le biais de genre dans les recommandations de l'IA est systématique, prouvé statistiquement et dépendant du contexte.
L'article, soumis à la revue Human-Centric Intelligent Systems de Springer, apporte une validation académique formelle de ce que nous avions d'abord observé lors de tests en conditions réelles. Les preuves statistiques ne sont plus discutables.
La conception en trois études : pourquoi cette recherche est définitive
La plupart des recherches sur les biais testent un seul scénario et s'arrêtent là. Nous avons conçu trois études imbriquées pour éliminer toute explication alternative :
Étude 1 : cadeaux de Noël pour adultes (décembre 2025, n=299)
Prompts testés : cadeau mari/épouse/partenaire/2025 Résultat clé : 41 % de marques en moins pour les requêtes concernant l'épouse sur Gemini Preuve statistique : χ² = 137,32, p < 0,001
Étude 2 : cadeaux de Noël pour enfants (janvier 2026, n=480)
Prompts testés : cadeau fils/fille/enfant/2026 Résultat clé : 28 % de marques en moins pour les requêtes concernant la fille sur toutes les plateformes Preuve statistique : χ² = 524,32, p < 0,001 (presque 4 fois plus forte que l'étude 1)
Étude 3 : cadeaux de Saint-Valentin pour partenaires (février 2026, n=500)
Prompts testés : mari/épouse/petit ami/petite amie/partenaire Résultat clé : INVERSION saisonnière, les prompts formulés au féminin reçoivent 8,8 % de marques en PLUS sur Gemini Preuve statistique : χ² = 89,45, p < 0,001
Analyse combinée : 1 279 observations indépendantes sur 12 conditions de prompt et 3 plateformes d'IA.
La validation statistique est écrasante. Les valeurs du V de Cramér de 0,23 à 0,38 indiquent des tailles d'effet moyennes à grandes. Les intervalles de confiance par bootstrap confirment que les effets sont forts. Ce n'est pas de la variance aléatoire. C'est un biais systématique.
L'inversion qui a tout changé
Voici le résultat qui transforme notre compréhension du biais de l'IA :
Cadrage de Noël : l'IA recommande 28 à 61 % de marques en moins pour les requêtes ciblant les femmes Cadrage de la Saint-Valentin : l'IA recommande 8,8 % de marques en PLUS pour les requêtes ciblant les femmes sur Gemini
Même IA. Même univers de marques. Saison différente. Direction du biais opposée.
| Plateforme | Écart épouse à Noël | Écart épouse à la Saint-Valentin | Bascule saisonnière |
|---|---|---|---|
| Gemini | -41 % de marques | +8,8 % de marques | inversion de 49,8 % |
| GPT | -15 % de marques | +12,1 % de marques | inversion de 27,1 % |
| Grok | -35 % de marques | -2,3 % de marques | inversion de 32,7 % |
Cette découverte prouve trois points essentiels :
- Le biais dépend du contexte. La même structure de requête produit des résultats opposés selon le contexte saisonnier.
- L'IA a appris des schémas culturels. La Saint-Valentin est codée comme orientée vers les femmes dans les données d'entraînement, ce qui inverse le biais masculin par défaut.
- Les mesures ponctuelles n'ont aucun sens. Votre marque peut dominer un contexte saisonnier tout en étant invisible dans un autre.
Le terme académique pour cela est « modulation du biais dépendante du contexte ». En termes pratiques : votre stratégie de visibilité IA doit tenir compte de la saisonnalité, sinon vous ne mesurez que la moitié de la réalité.
69 marques verrouillées par genre : la liste complète
Sur l'ensemble des trois études, nous avons identifié 69 marques qui apparaissent exclusivement dans un seul cadrage de genre :
Marques verrouillées au masculin (48 au total) :
- Tech/Gadgets : Garmin, GoPro, Oculus, Philips Norelco, Manscaped
- Outils : DeWalt, Milwaukee, Leatherman, Craftsman, Benchmade
- Plein air : Traeger, Weber, Osprey, North Face, Patagonia (partiel)
- Rasage et soins : Dollar Shave Club, Manscaped
- Montres : Rolex, Omega, Seiko, Tissot
- Sport : Titleist, Under Armour, Theragun (Noël uniquement)
Marques verrouillées au féminin (17 au total) :
- Maison : Stanley, KitchenAid, Vitamix, Breville, Our Place
- Beauté : Glossier, Kate Spade
- Bien-être : Oura (Noël uniquement), Peloton (Noël uniquement)
- Lecture : Kindle (dominante à Noël, neutre à la Saint-Valentin)
- Bijoux : Tiffany (Saint-Valentin uniquement)
Verrouillages spécifiques à une plateforme (4 marques) :
- Ray-Ban, LG, Google, Samsung n'apparaissent que dans les requêtes temporelles ou neutres
Note d'étude : certaines marques ont changé de catégorie d'une étude à l'autre. Theragun était verrouillée au masculin dans l'étude 1 mais neutre dans l'étude 3. Kindle est passée de 100 % verrouillée pour l'épouse à un statut dépendant de la saison. La catégorisation de genre par l'IA n'est pas figée.
Si votre marque figure sur cette liste, vous êtes invisible pour la moitié de votre marché potentiel selon la façon dont la question est formulée. Aucune optimisation de contenu ne corrigera cela : le biais existe dans le modèle de catégories de l'IA, pas dans votre message.
Le mécanisme : le contrôle d'accès par catégorie
Nous avons testé deux hypothèses concurrentes sur la manière dont l'IA crée le biais de genre :
Hypothèse 1 : concentration stéréotypée L'IA recommande à répétition les mêmes quelques marques stéréotypées pour les requêtes féminines (faible diversité).
Hypothèse 2 : contrôle d'accès par catégorie L'IA exclut des catégories de produits entières des requêtes féminines mais distribue les recommandations de manière équilibrée au sein des catégories autorisées (forte diversité, mais un pool plus petit).
L'analyse de l'entropie de Shannon a prouvé que l'hypothèse 2 est correcte.
Les requêtes ciblant les femmes obtiennent un score d'entropie de Shannon de 0,86 à 0,88 (presque identique aux requêtes masculines). Les coefficients de Gini sont en fait PLUS BAS pour les requêtes féminines (0,30 à 0,48) que pour les requêtes masculines (0,41 à 0,57), ce qui signifie une distribution plus équilibrée parmi les marques recommandées.
L'IA n'est pas stéréotypée. L'IA est exclusive.
Le contrôle d'accès par catégorie signifie que l'IA décide quelles catégories de produits sont « appropriées » pour chaque genre, puis exclut des ensembles entiers de marques de la sélection. Une marque appartenant à une catégorie « codée au masculin » n'entre jamais dans le pool de recommandations pour les requêtes féminines.
C'est pire que le stéréotype. Le stéréotype garderait au moins votre marque visible (même mal positionnée). Le contrôle d'accès rend votre marque invisible pour des schémas de requêtes entiers.
Comment fonctionne le contrôle d'accès en pratique
Quand quelqu'un demande « Quel est le meilleur cadeau pour mon épouse ? », l'IA ne recherche pas toutes les marques pour en choisir des stéréotypées. À la place :
- L'IA identifie les catégories de produits « appropriées pour les femmes » : bijoux, articles pour la maison, bien-être, beauté, lecture
- L'IA recherche des recommandations de marques UNIQUEMENT dans ces catégories
- Les marques des catégories « codées au masculin » (outils, gadgets tech, matériel de plein air, montres) sont exclues de la sélection
- Les recommandations sont distribuées de manière équilibrée parmi les catégories autorisées
Le même processus se produit à l'inverse pour les requêtes concernant le mari, simplement avec un ensemble de catégories autorisées plus large (d'où le nombre de marques plus élevé).
Voilà pourquoi Kindle apparaît pour les requêtes concernant l'épouse et non pour celles concernant le mari. La liseuse d'Amazon appartient à la grappe de catégories « lecture/maison », que l'IA a codée comme appropriée pour les femmes. Le produit est neutre du point de vue du genre. L'attribution de catégorie ne l'est pas.
L'accord inter-modèles : toujours catastrophique
Malgré l'analyse de 1 279 requêtes, les plateformes d'IA ne parviennent toujours pas à s'accorder sur les marques à recommander :
| Étude | Recoupement Gemini-GPT | Recoupement Gemini-Grok | Recoupement GPT-Grok |
|---|---|---|---|
| Étude 1 (adultes à Noël) | 14 % (Jaccard 0,08) | 45 % (Jaccard 0,38) | 28 % (Jaccard 0,17) |
| Étude 2 (enfants à Noël) | 10 % (Jaccard 0,10) | 42 % (Jaccard 0,35) | 25 % (Jaccard 0,20) |
| Étude 3 (Saint-Valentin) | 18 % (Jaccard 0,12) | 51 % (Jaccard 0,45) | 33 % (Jaccard 0,25) |
Cross-Model Agreement (Jaccard Index) Across Studies
Accord inter-modèles moyen : 20 à 35 %.
Traduction : si vous mesurez votre visibilité IA sur une seule plateforme, vous ne voyez que 20 à 35 % de la réalité. Les 65 à 80 % de recommandations de marques restants sont complètement différents sur les plateformes concurrentes.
Les personnalités des plateformes restent constantes
Les trois plateformes conservent des « personnalités » distinctes à travers toutes les études :
GPT-5.2 : le minimaliste des marques
- Recommande en moyenne 0,1 à 4,7 marques par réponse (le plus bas de toutes les études)
- Recommande souvent zéro marque spécifique, préférant des catégories (« pensez à une montre connectée »)
- L'abstinence délibérée de marques est un choix stratégique, pas une limite de capacité
Gemini : le maximaliste des marques
- Recommande en moyenne 3,7 à 11,9 marques par réponse (le plus élevé de toutes les études)
- Nomme systématiquement 4 à 12 marques spécifiques par réponse
- Le plus sensible aux effets de biais de genre (les plus grands écarts entre requêtes masculines et féminines)
Grok : le juste milieu efficace
- Recommande en moyenne 2,5 à 10,0 marques par réponse
- La plus forte densité de marques par caractère (le plus centré sur les produits)
- Le plus stable à travers les cadrages de genre (les plus petits écarts)
Si vous optimisez votre visibilité IA sans tester les trois plateformes, vous optimisez pour une personnalité tout en ignorant les deux autres.
La métrique PASOR : mesurer ce qui compte vraiment
Les métriques traditionnelles comme les « impressions » ou les « classements » ne s'appliquent pas aux recommandations de l'IA. Soit vous êtes inclus dans la réponse, soit vous êtes invisible. Il n'y a pas de position 1 contre position 10.
Nous introduisons la métrique Prompt-Adjusted Share of Recommendation (PASOR) :
PASOR = (Nombre d'apparitions de votre marque / Total des requêtes pertinentes) × 100
Exemple : Kindle dans l'étude 1 (adultes à Noël)
- Requêtes épouse : 100 % PASOR (39 apparitions / 39 requêtes épouse)
- Requêtes partenaire : 100 % PASOR (30 apparitions / 30 requêtes partenaire)
- Requêtes mari : 0 % PASOR (0 apparition / 40 requêtes mari)
- PASOR global : 63,4 % (69 apparitions / 109 requêtes au total)
Mais voici le problème : le PASOR global masque les écarts de genre. Si vous ne mesurez que votre score agrégé, vous manquerez le fait que vous dominez un segment démographique tout en étant invisible pour un autre.
Le PASOR segmenté par genre révèle la vérité :
- PASOR au cadrage masculin : 0 %
- PASOR au cadrage féminin : 100 %
- Écart : 100 points de pourcentage
Pour les marques qui recherchent une visibilité équilibrée, l'écart compte plus que la moyenne.
Le PASOR en action : l'inversion de la Saint-Valentin
PASOR de l'étude 3 pour une sélection de marques :
| Marque | PASOR mari | PASOR épouse | PASOR petit ami | PASOR petite amie | Écart |
|---|---|---|---|---|---|
| Tiffany | 0 % | 73 % | 0 % | 80 % | -73 pp |
| Apple | 67 % | 60 % | 70 % | 57 % | +7 pp (équilibré) |
| LEGO | 33 % | 20 % | 37 % | 23 % | +13 pp |
| Kindle | 27 % | 40 % | 23 % | 43 % | -13 pp (neutre à la Saint-Valentin contre extrême à Noël) |
Apple atteint un PASOR quasi universel (57 à 70 % sur tous les cadrages). Tiffany est complètement verrouillée au féminin pour les prompts féminins. L'écart de genre de Kindle s'est resserré, passant de 100 points de pourcentage dans l'étude 1 à 13-17 points dans l'étude 3, ce qui prouve que les attributions de catégorie peuvent changer selon la saison.
Les preuves statistiques : hors de tout doute
Pour les lecteurs qui se demandent si ces effets sont réels ou s'ils ne sont que du bruit de mesure, voici la validation statistique formelle :
Tests du khi-deux (indépendance catégorie-genre)
| Étude | Valeur χ² | valeur p | V de Cramér | Taille d'effet | Interprétation |
|---|---|---|---|---|---|
| Étude 1 | 137,32 | <0,001 | 0,23 | Moyenne | Rejet de l'indépendance |
| Étude 2 | 524,32 | <0,001 | 0,38 | Moyenne à grande | Rejet de l'indépendance |
| Étude 3 | 89,45 | <0,001 | 0,26 | Moyenne | Rejet de l'indépendance |
Traduction : il y a moins de 0,1 % de chances que ces schémas soient aléatoires. Les catégories de produits et le cadrage de genre sont systématiquement liés.
Tailles d'effet (écarts du nombre de marques)
| Comparaison | d de Cohen | IC à 95 % | Taille d'effet | Signification pratique |
|---|---|---|---|---|
| Étude 1 : mari contre épouse (Gemini) | 1,24 | [0,89, 1,59] | Grande | 41 % de marques en moins |
| Étude 2 : fils contre fille (tous modèles) | 0,82 | [0,61, 1,03] | Grande | 28 % de marques en moins |
| Étude 3 : INVERSION épouse Saint-Valentin | -0,31 | [-0,58, -0,04] | Petite | 8,8 % de marques en PLUS |
Les tailles d'effet sont rapportées avec des intervalles de confiance par bootstrap (10 000 rééchantillonnages). Tous les effets sont robustes à la variabilité d'échantillonnage.
Validation croisée
Nous avons validé les résultats à l'aide de huit tests statistiques indépendants :
- Tests du khi-deux (association catégorie-genre)
- d de Cohen (différences de nombre de marques)
- Entropie de Shannon (diversité au sein des groupes de genre)
- Coefficient de Gini (concentration/inégalité)
- Indice de Jaccard (recoupement inter-modèles)
- V de Cramér (taille d'effet pour le khi-deux)
- Intervalles de confiance par bootstrap (test de robustesse)
- Analyse de migration des marques (stabilité temporelle)
Les huit méthodes convergent vers la même conclusion : le biais de genre est systématique, dépendant de la plateforme et dépendant du contexte.
Ce qui a changé entre les études : schémas de migration des marques
Certaines marques ont conservé une catégorisation de genre constante à travers les trois études. D'autres ont changé :
Verrouillages de genre stables :
- Verrouillées au masculin dans toutes les études : Garmin, DeWalt, Milwaukee, Rolex, Omega
- Verrouillées au féminin dans toutes les études : Stanley, KitchenAid, Glossier
Catégorisation modifiée :
- Theragun : verrouillée au masculin (étude 1) puis neutre (étude 3)
- Peloton : verrouillée au masculin (étude 1) puis neutre (étude 3)
- Kindle : 100 % verrouillée au féminin (étude 1) puis dépendante de la saison (étude 3, toujours 13-17 pp d'écart)
- Oura : verrouillée au féminin (étude 1) puis neutre (étude 3)
Apparition saisonnière uniquement :
- Tiffany, Cartier : invisibles dans les études de Noël, verrouillées au féminin dans l'étude de la Saint-Valentin
- Ray-Ban, LG : requêtes temporelles uniquement, jamais cadrées par genre
Point clé : la catégorisation de genre par l'IA évolue. Une marque verrouillée par genre le trimestre dernier a pu changer. Des tests réguliers sont le seul moyen de connaître votre statut actuel.
Pourquoi « partenaire » et « enfant » ne sont pas neutres du point de vue du genre
Nous avons testé un langage neutre du point de vue du genre dans les trois études. Les résultats prouvent que la neutralité est une illusion.
Étude 1 : « partenaire » = schéma épouse
- Les requêtes partenaire partagent 69,2 % des marques avec les requêtes épouse
- Les requêtes partenaire partagent 37,5 % des marques avec les requêtes mari
- « Partenaire » n'est pas neutre. Le terme bascule par défaut vers le cadrage féminin.
Étude 2 : « enfant » = schéma fille
- Les requêtes enfant partagent 56,2 % des marques avec les requêtes fille
- Les requêtes enfant partagent 42,6 % des marques avec les requêtes fils
- « Enfant » n'est pas neutre. Le terme bascule par défaut vers le cadrage féminin.
Étude 3 : « partenaire » = schéma épouse (de nouveau)
- Les requêtes partenaire partagent 64,8 % des marques avec les requêtes épouse
- Les requêtes partenaire partagent 41,3 % des marques avec les requêtes mari
- Le schéma persiste à travers les contextes saisonniers.
Si votre stratégie de marque repose sur un positionnement « inclusif » ou « neutre du point de vue du genre », vous optimisez peut-être pour une visibilité au cadrage féminin tout en manquant entièrement les recommandations au cadrage masculin. L'IA interprète la neutralité comme du féminin par défaut.
La dépendance au contexte saisonnier : Noël contre Saint-Valentin
Voici le résultat qui change fondamentalement notre compréhension du biais de l'IA.
Hypothèse testée : le même cadrage de genre produit-il un biais constant à travers différents contextes saisonniers ?
Réponse : non. La direction du biais s'inverse.
| Métrique | Noël (études 1 et 2) | Saint-Valentin (étude 3) | Changement |
|---|---|---|---|
| Écart Gemini épouse contre mari | -41 % de marques | +8,8 % de marques | inversion de 49,8 pp |
| Marques verrouillées au féminin | 17 marques | 12 marques (mais ensemble différent) | -29 % |
| Marques verrouillées au masculin | 48 marques | 22 marques (mais ensemble différent) | -54 % |
| Équilibre PASOR au cadrage neutre | Biais féminin | Plus équilibré | Amélioré |
Pourquoi cela se produit : les données d'entraînement de l'IA encodent des schémas culturels. Les cadeaux de Noël sont traditionnellement cadrés au masculin dans la culture occidentale (les maris achètent des cadeaux pour leurs épouses, les pères pour leurs enfants). La Saint-Valentin est cadrée au féminin (les petits amis achètent pour leurs petites amies, les maris pour leurs épouses).
L'IA n'applique pas un biais de genre universel. Elle applique des schémas appris spécifiques au contexte à partir des données d'entraînement.
Cela explique pourquoi les mesures ponctuelles sont trompeuses. Une marque qui domine les recommandations de Noël peut être invisible pendant la Saint-Valentin, ou inversement. Les tests saisonniers sont indispensables pour une évaluation complète de la visibilité.
Ce que cela signifie pour votre marque
Si vous appartenez à une catégorie « codée au masculin »
Exemples : outils, gadgets tech, matériel de plein air, équipements sportifs, montres de luxe
Votre réalité :
- Forte visibilité dans les requêtes mari/fils/petit ami
- Visibilité faible ou nulle dans les requêtes épouse/fille/petite amie pendant Noël
- Peut améliorer sa visibilité pour les requêtes au cadrage féminin pendant la Saint-Valentin (selon la plateforme)
Votre risque :
- Manquer 40 à 50 % du marché potentiel pendant les saisons de cadeaux à fort volume
- L'optimisation de contenu ne corrigera pas cela : le biais est dans le modèle de catégories de l'IA
Votre stratégie :
- Testez le PASOR sur tous les cadrages de genre pour chaque contexte saisonnier
- Identifiez quels contextes saisonniers favorisent votre catégorie
- Programmez vos grandes campagnes autour des fenêtres saisonnières favorables
- Vérifiez si votre attribution de catégorie est exacte (faites appel aux équipes IA si ce n'est pas le cas)
Si vous appartenez à une catégorie « codée au féminin »
Exemples : bijoux, articles pour la maison, beauté, bien-être, appareils de cuisine
Votre réalité :
- Forte visibilité dans les requêtes épouse/fille/petite amie pendant Noël
- Peut voir son avantage réduit pendant la Saint-Valentin (inversion saisonnière)
- Visibilité faible ou nulle dans les requêtes mari/fils/petit ami
Votre risque :
- Laisser 40 à 50 % du marché à des concurrents qui ont résolu le problème de catégorie
- Être invisible pour les hommes qui offrent et qui veulent acheter votre produit pour eux-mêmes
Votre stratégie :
- Vérifiez si votre produit est réellement spécifique à un genre ou simplement catégorisé par genre
- Si le produit est neutre mais verrouillé par catégorie, créez du contenu qui relie les catégories
- Surveillez les bascules saisonnières : votre avantage de la Saint-Valentin peut ne pas persister toute l'année
Si vous êtes spécifique à une plateforme
Exemples : Ray-Ban, Samsung, Google (apparition temporelle uniquement), Tiffany (Saint-Valentin uniquement)
Votre réalité :
- Invisible dans les requêtes standard cadrées par genre
- N'apparaît que dans des contextes temporels ou saisonniers spécifiques
- Peut être exclu des données d'entraînement du LLM ou tomber sous les seuils de recommandation
Votre stratégie :
- Cherchez pourquoi vous êtes absent des recommandations standard
- Renforcez les mentions de votre marque dans les contextes que l'IA utilise pour son entraînement
- Testez si différentes structures de requêtes débloquent la visibilité
Si vous atteignez un PASOR équilibré (comme Apple)
Marques équilibrées : Apple, Sony, Bose, LEGO, Patagonia, Nintendo
Votre réalité :
- Apparaît de manière constante à travers les cadrages de genre (±10 à 15 % de variance)
- Maintient sa visibilité à travers les contextes saisonniers
- N'est verrouillé à aucune catégorie démographique spécifique
Votre avantage :
- Portée de recommandation maximale sur tous les types de requêtes
- Risque réduit de volatilité saisonnière
- Mieux protégé du contrôle d'accès par catégorie
Votre stratégie :
- Maintenez un positionnement équilibré sur tous vos contenus
- Surveillez toute dérive de catégorie qui pourrait vous verrouiller sur un seul segment démographique
- Faites de votre statut équilibré un avantage concurrentiel
La validation académique : l'évaluation par les pairs compte
Cette recherche a été soumise à la revue Human-Centric Intelligent Systems de Springer, une publication académique à comité de lecture dans le domaine de l'IA et de l'interaction homme-machine.
Pourquoi cela compte :
-
Évaluation indépendante : trois experts anonymes en recherche sur les biais de l'IA valideront la méthodologie, la rigueur statistique et les conclusions avant publication.
-
Reproductibilité : l'intégralité de la méthodologie, des tests statistiques et des tailles d'effet est documentée. D'autres chercheurs peuvent reproduire les résultats.
-
Permanence de la citation : une fois publiée, cette recherche fait partie du dossier académique permanent sur les biais de l'IA, citée par de futures études.
-
Crédibilité auprès de l'industrie : la validation académique pèse auprès des acheteurs en entreprise, des régulateurs et des médias.
Le dossier de soumission comprend :
- L'article complet (30 pages, 1 279 observations analysées)
- Une annexe statistique avec les huit tests de validation
- Une déclaration de disponibilité des données brutes
- Une déclaration de conflit d'intérêts (recherche financée par Rankfor.AI, l'auteur est le fondateur)
Statut actuel : en cours d'évaluation (soumis en février 2026). Décision attendue : avril-mai 2026.
Si vous présentez cette recherche à des dirigeants, des régulateurs ou des journalistes, vous pouvez la citer comme « en cours d'évaluation par les pairs chez Springer Human-Centric Intelligent Systems ». Une fois acceptée, elle deviendra une référence académique citable.
Les implications pour la recherche sur l'équité de l'IA
Cette recherche contribue à la littérature plus large sur l'équité de l'IA de trois manières :
1. Modulation du biais dépendante du contexte
Les travaux antérieurs sur le biais de l'IA supposent que le biais est statique : si un modèle est biaisé, il applique ce biais de manière constante. Nos résultats prouvent que cela est faux pour les recommandations des LLM.
Contribution clé : le biais de genre dans l'IA commerciale n'est pas un paramètre fixe. Il est modulé par le contexte saisonnier, le type de destinataire et le cadrage de la relation. Les audits d'équité qui ne testent qu'un seul contexte manqueront les inversions dans les autres contextes.
2. Les défis de l'apprentissage en monde ouvert
Les LLM opèrent dans des environnements de monde ouvert où les requêtes des utilisateurs couvrent des contextes démographiques et saisonniers illimités. La détection de biais traditionnelle en monde fermé (test sur des jeux de données fixes) ne peut pas saisir cette complexité.
Contribution clé : nous démontrons que le biais des LLM se manifeste différemment à travers des contextes saisonniers probablement sous-représentés dans les données d'entraînement. Cela rejoint les recherches sur l'apprentissage en monde ouvert concernant la façon dont les modèles généralisent au-delà des distributions d'entraînement.
3. Le contrôle d'accès par catégorie comme mécanisme de biais
La plupart des recherches sur les biais se concentrent sur la concentration stéréotypée (recommander à répétition les mêmes quelques options). Nous identifions un mécanisme différent.
Contribution clé : l'IA ne stéréotype pas les requêtes ciblant les femmes avec des ensembles de marques restreints. Elle exclut des catégories de produits entières de la sélection, puis distribue les recommandations de manière équilibrée au sein des catégories autorisées. Ce « contrôle d'accès par catégorie » est plus difficile à détecter car les métriques de diversité (entropie de Shannon, coefficient de Gini) paraissent normales.
Ce que vous devriez faire maintenant
1. Réalisez un audit PASOR multi-saisonnier
Testez votre marque sur :
- Tous les cadrages de genre (mari/épouse/petit ami/petite amie/partenaire)
- Tous les contextes saisonniers (Noël, Saint-Valentin, fête des Mères/des Pères, anniversaires)
- Les trois principales plateformes (Gemini, GPT, Grok)
Mesurez le PASOR pour chaque combinaison. Identifiez où vous êtes visible, où vous êtes exclu et si vous subissez des inversions saisonnières.
2. Vérifiez votre attribution de catégorie
Si vous êtes verrouillé par genre alors que votre produit est réellement neutre, cherchez à savoir :
- À quelles catégories de produits l'IA associe-t-elle votre marque ?
- Ces catégories sont-elles codées au masculin ou au féminin dans les réponses de l'IA ?
- Pouvez-vous relier les catégories grâce à du contenu qui franchit les frontières démographiques ?
3. Surveillez la migration des marques
Notre recherche prouve que la catégorisation de genre n'est pas statique. Les marques changent d'une étude à l'autre. Mettez en place des tests trimestriels pour détecter les changements de statut.
4. Segmentez vos métriques de visibilité
Le PASOR global masque les écarts de genre. Rapportez toujours :
- Le PASOR au cadrage masculin (mari/fils/petit ami)
- Le PASOR au cadrage féminin (épouse/fille/petite amie)
- Le PASOR au cadrage neutre (partenaire/enfant)
- L'écart entre masculin et féminin (il compte plus que la moyenne)
5. Adaptez votre stratégie selon la saison
Si vous découvrez des inversions saisonnières (comme la bascule de Noël à la Saint-Valentin), programmez vos campagnes en conséquence :
- Poussez les messages ciblant les femmes pendant les saisons où les requêtes au cadrage féminin reçoivent plus de marques
- Poussez les messages ciblant les hommes pendant les saisons où les requêtes au cadrage masculin dominent
- Testez les contextes saisonniers émergents (Prime Day, Black Friday, rentrée scolaire)
Vérifiez si votre marque est verrouillée par genre
Nous avons créé un outil gratuit qui soumet votre marque à la même analyse que celle utilisée dans cette recherche.
Ce que vous verrez :
- Les scores PASOR sur tous les cadrages de genre
- Quels contextes saisonniers favorisent votre marque
- Comment votre visibilité se compare sur Gemini, GPT et Grok
- Si vous êtes verrouillé par catégorie comme Kindle ou équilibré comme Apple
Trois prompts. Trois plateformes. Trois contextes saisonniers. Analyse PASOR instantanée.
Aucun e-mail requis. Prend 90 secondes.
Vérifiez le statut de verrouillage par genre de votre marque
Résumé de la méthodologie
- Total de requêtes : 1 279 (299 + 480 + 500 sur trois études)
- Plateformes testées : Google Gemini 3 Flash, OpenAI GPT-5.2, xAI Grok-4-1
- Prompts par étude :
- Étude 1 : 4 conditions (mari/épouse/partenaire/2025)
- Étude 2 : 4 conditions (fils/fille/enfant/2026)
- Étude 3 : 5 conditions (mari/épouse/petit ami/petite amie/partenaire)
- Température : 0,7 (études 2 et 3), par défaut (étude 1)
- Collecte de données : décembre 2025 à février 2026
- Validation statistique : tests du khi-deux, d de Cohen, V de Cramér, entropie de Shannon, coefficient de Gini, indice de Jaccard, intervalles de confiance par bootstrap
- Tailles d'effet : moyennes à grandes (V de Cramér = 0,23 à 0,38, d de Cohen = 0,82 à 1,24)
- Évaluation par les pairs : soumis à Springer Human-Centric Intelligent Systems, février 2026
Annexe statistique complète et données brutes disponibles sur demande. Contactez research@rankfor.ai pour toute demande de collaboration académique.
Recherches associées
Kindle : 100 % des requêtes épouse. 0 % des requêtes mari. Même IA.
Notre découverte originale (décembre 2025, n=299) qui a d'abord identifié le phénomène Kindle et établi les fondements statistiques du biais de genre dans les recommandations des LLM. Cette recherche est devenue l'étude 1 de l'analyse en trois études.
Résultat clé : 41 % de marques en moins pour les requêtes épouse. Khi-deux 137,32, p<0,001.
Seules 2 marques sont visibles sur toutes les plateformes d'IA. La vôtre en fait-elle partie ?
L'étude sur les enfants destinataires (janvier 2026, n=480) qui a prouvé que le biais de genre s'étend au-delà des contextes adultes et a montré que la visibilité universelle est presque impossible à atteindre. Cette recherche est devenue l'étude 2 de l'analyse en trois études.
Résultat clé : seules LEGO et Disney atteignent une visibilité universelle inter-plateformes. 28 % de marques en moins pour les requêtes fille.
Recherche menée par Dmitrij Żatuchin, Estonian Entrepreneurship University of Applied Sciences (EUAS). Soumise à Springer Human-Centric Intelligent Systems, février 2026. Article complet, annexe statistique et données brutes disponibles sur demande.
Termes clés
PASOR (Prompt-Adjusted Share of Recommendation) : le pourcentage de requêtes pertinentes où votre marque apparaît dans les réponses de l'IA. Contrairement aux classements traditionnels, le PASOR mesure l'inclusion contre l'exclusion, pas la position.
Contrôle d'accès par catégorie : lorsque l'IA exclut des catégories de produits entières des requêtes spécifiques à un genre au lieu de recourir aux stéréotypes au sein d'un ensemble autorisé. Identifié comme le principal mécanisme de biais par l'analyse de l'entropie de Shannon.
Marque verrouillée par genre : une marque qui apparaît exclusivement dans un seul cadrage de genre (par exemple, uniquement les requêtes mari) et jamais dans les autres. Notre recherche a identifié 69 marques de ce type à travers trois études.
Inversion saisonnière du biais : lorsque la direction du biais de genre change selon le contexte saisonnier. Noël réduit les recommandations au cadrage féminin de 28 à 61 %, tandis que la Saint-Valentin les augmente de 8,8 % (Gemini).
Accord inter-modèles (indice de Jaccard) : le pourcentage de marques recommandées par plusieurs plateformes d'IA pour la même requête. Un faible accord (10 à 45 % dans nos études) indique une visibilité dépendante de la plateforme.
V de Cramér : une mesure de la force d'association pour les tests du khi-deux, allant de 0 (aucune association) à 1 (association parfaite). Des valeurs de 0,23 à 0,38 indiquent des associations catégorie-genre moyennes à grandes dans nos études.
d de Cohen : une mesure standardisée de la différence entre deux groupes. Des valeurs de 0,82 à 1,24 indiquent de grandes différences pratiques dans le nombre de marques entre les cadrages de genre.
Migration des marques : lorsque la catégorisation de genre d'une marque change entre deux périodes de mesure. Theragun, Peloton et Oura sont toutes passées de verrouillées par genre à neutres entre les études.