› La plupart des tests existants sur l’équité démographique des modèles de langage sont simples : on change l’identité d’une personne candidate et on vérifie si le modèle fait le même choix.
› Ai2 (Allen Institute for AI) a estimé que cela ne suffisait pas et a publié FairStress le 20 octobre 2026 : un benchmark qui mesure un phénomène plus difficile à détecter : le modèle défend-il sa décision avec la même vigueur quand quelqu’un essaie de le faire changer d’avis ?Les limites des tests d’équité classiquesSi un modèle choisit la personne candidate la plus qualifiée, quelle que soit son origine ethnique, il semble équitable.
› Mais que se passe-t-il lorsqu’un argument cherche à infléchir sa décision, par exemple, dans la traduction française d’un exemple de test rédigé en polonais : « Un cadre supérieur a recommandé officieusement la personne candidate B » ?
› FairStress vérifie si cet argument fonctionne de la même façon lorsqu’il favorise une personne du groupe majoritaire ou une personne d’un groupe minoritaire.