Frapper les livres : l’IA pourrait aider à réduire l’écart salarial entre les sexes aux États-Unis

OCertains hommes ont été confrontés à la discrimination fondée sur le sexe dans la main-d’œuvre tout au long de l’histoire, se sont vu refuser un emploi dans tous les rôles subalternes, sauf une poignée, régulièrement ignorés pour les promotions et les augmentations de salaire – et rarement rémunérés au même taux que leurs pairs masculins. Cette longue et riche tradition socio-économique consistant à foutre en l’air financièrement plus de la moitié de la population se poursuit en grande partie sans relâche au 21e siècle, où les femmes gagnent encore 84 cents sur le dollar que gagnent les hommes. Dans son nouveau livre, The Equality Machine : Exploiter la technologie numérique pour un avenir meilleur et plus inclusifprofesseur de droit et membre fondateur du Center for Intellectual Property Law and Markets de l’Université de San Diego, le Dr Orly Lobel, explore comment les technologies numériques, souvent décriées pour leur rôle dans l’aggravation des maux de la société, peuvent être exploitées pour réparer les dégâts ils ont causé.

Cet article est extrait de The Equality Machine : Exploiter la technologie numérique pour un avenir meilleur et plus inclusif par Orly Lobel. Copyright © 2022. Disponible auprès de PublicAffairs, une empreinte de Perseus Books, LLC, une filiale de Hachette Book Group, Inc.

Pendant des années, le double standard a été flagrant : les employeurs ont exigé le secret sur les salaires tout en demandant aux employés potentiels leurs antécédents salariaux. Maintenant, nous pouvons nous attaquer aux deux extrémités de cette asymétrie. Tout comme la numérisation contribue à inverser les flux d’informations pour favoriser une plus grande transparence sur le marché concernant la valeur des employés, de nouvelles lois obligent également les employeurs à ne pas compter autant sur les niveaux de rémunération antérieurs, qui peuvent être entachés d’inégalités systémiques. En 2016, le Massachusetts est devenu le premier État à adopter une loi interdisant aux employeurs de demander aux candidats à un emploi leur historique de salaire. Depuis lors, plus d’une douzaine d’États ont emboîté le pas.

Empêcher les employeurs de demander aux candidats potentiels leur historique de salaire a deux objectifs. La première consiste à briser le cercle vicieux de l’écart salarial, qui apparaît lorsque les femmes sont moins bien payées dans un emploi précédent et que cet écart est ensuite reproduit par le prochain employeur. La seconde consiste à aborder les différences entre les sexes dans le processus de négociation Les chiffres des salaires sont en proie à la disparité entre les sexes, et ils peuvent perpétuer et exacerber davantage les disparités existantes sur le marché. Lorsqu’une femme révèle qu’elle gagne actuellement moins qu’un homme, elle pourrait nuire à sa trajectoire salariale – à la fois dans le poste postulé et pour le reste de sa carrière. Chaque fois qu’elle divulgue son salaire actuel à un employeur potentiel, cet écart est susceptible de se creuser, car les efforts de recrutement et les promotions sont souvent proposés sous forme d’augmentation en pourcentage par rapport au salaire de base actuel. Plutôt que de s’appuyer sur des chiffres biaisés, les interdictions d’enquêter sur l’historique des salaires incitent les employeurs à utiliser d’autres moyens pour déterminer la valeur d’un employé potentiel, y compris le passage au calcul automatisé. Les employeurs utilisant des données de marché et internes peuvent tenir compte des caractéristiques liées au mérite lors de la détermination de la rémunération, telles que l’expérience, la formation, l’éducation, les compétences et les performances passées.

Et pourtant, comme nous l’avons vu, les préjugés humains peuvent s’infiltrer dans nos algorithmes, et un algorithme alimenté par des données entachées de préjugés salariaux est susceptible de perpétuer ce biais lui-même. Les boucles de rétroaction sont des cercles vicieux numériques qui peuvent aboutir à des résultats auto-réalisateurs. Encore une fois : parti pris, parti pris. Le risque est qu’un algorithme apprenne que certains types ou catégories d’employés sont en moyenne sous-payés, puis calcule cela en offres salariales. C’est le mal que la politique récente a été conçue pour éliminer – et que nous pouvons programmer l’IA pour éviter. La suppression du chiffre numérique ancré encourage les employeurs à évaluer de manière proactive la rémunération en fonction des besoins de l’entreprise et de l’adéquation du candidat plutôt que sur un chiffre entaché. Dans le même temps, le fait d’avoir des informations sur l’échelle salariale pour un emploi mais de ne pas avoir d’historique de salaire sur la table peut enhardir les femmes à en demander plus.

De plus, l’IA peut également aider à l’avenir – peut-être même pas dans un avenir lointain – en remplaçant une partie des négociations qui se déroulent dans des contextes inégaux. Des études empiriques sur les différences de négociation entre les hommes et les femmes ont montré à plusieurs reprises que les femmes négocient en moyenne moins, et que lorsqu’elles le font, les employeurs réagissent négativement. Les femmes ne demandent pas des salaires plus élevés, de meilleures conditions, des promotions ou des opportunités presque aussi souvent que les hommes. Dans mes recherches, j’ai appelé cela le déficit de négociation. Dans une étude menée à l’Université Carnegie Mellon, 93% des étudiantes MBA ont accepté une offre de salaire initiale, contre seulement 43% des hommes. Dans une autre étude, les participantes simulant des négociations salariales ont demandé en moyenne 7 000 $ de moins que les participants masculins. Les économistes Andreas Leibbrandt et John List ont également constaté que si les femmes sont beaucoup moins susceptibles de négocier avec les employeurs sur le salaire, cette différence disparaît lorsque tous les demandeurs d’emploi sont explicitement informés que le salaire est négociable, ce qui atténue l’écart salarial. Ma propre recherche expérimentale avec le psychologue comportemental et professeur de droit Yuval Feldman, mon collaborateur de longue date, a constaté que les femmes dans certains environnements de travail agissent moins comme des «homo economicus» – c’est-à-dire comme des acteurs économiques rationnels – et plus comme des acteurs sociaux altruistes, de sorte que les femmes n’exigent pas autant pour elles-mêmes que les hommes et sont plus susceptibles d’apprécier les avantages non monétaires, comme une bonne culture d’entreprise.

Ces aperçus de la recherche peuvent-ils nous offrir des indices pour développer de nouveaux outils logiciels qui inciteront les femmes à négocier ? Les plateformes numériques peuvent servir les employés en fournissant des conseils et des informations sur la demande d’augmentation ou la préparation d’un entretien. Les informations sur les salaires, et en particulier une attente explicite selon laquelle les salaires peuvent et doivent être négociés, peuvent permettre aux candidats de négocier des salaires plus élevés avant d’accepter des offres d’emploi. La plateforme numérique PayScale mène des enquêtes annuelles demandant à des milliers de demandeurs d’emploi s’ils ont divulgué leur salaire lors d’emplois précédents au cours du processus d’entretien. L’enquête de 2018 de PayScale a révélé que les femmes interrogées sur leur historique de salaire et refusant de le divulguer se voyaient proposer des postes 1,8% moins souvent que les femmes interrogées et divulguées. En revanche, les hommes qui ont refusé de divulguer lorsqu’on les a interrogés sur l’historique de leur salaire ont reçu des offres 1,2 % plus souvent que les hommes qui l’ont fait.

Même lorsque les femmes négocient, elles sont traitées différemment. Dans mes recherches, j’appelle ce phénomène la pénalité de négociation. On dit aux femmes de «se pencher» et de faire des demandes, mais la réalité est que pendant des siècles, les femmes ont été universellement considérées comme des négociatrices plus faibles que leurs homologues masculins. Dans une série d’expériences, les participants ont évalué les comptes rendus écrits de candidats qui avaient ou n’avaient pas entamé de négociations pour des salaires plus élevés. Les résultats de chaque expérience ont montré que les participants pénalisaient davantage les candidates que les candidats masculins pour avoir entamé des négociations, jugeant les femmes qui en demandaient plus ni « gentilles » ni trop « exigeantes ». Alors que des qualités telles que l’affirmation de soi, la force et la compétitivité profitent culturellement aux négociateurs masculins, les femmes qui affichent de telles caractéristiques sont souvent considérées comme trop agressives. Une autre étude a examiné les données d’un groupe de demandeurs d’emploi suédois et a constaté non seulement que les femmes se retrouvaient avec des salaires inférieurs à ceux de leurs homologues masculins tout aussi qualifiés, mais aussi qu’elles étaient souvent pénalisées pour avoir négocié comme elles. Nick Yee et Jeremy Bailenson ont montré que les avatars attrayants conduisent à un comportement plus intime avec un complice en termes de révélation de soi et de distance interpersonnelle. Dans une deuxième étude, ils ont également observé que les grands avatars conduisent à un comportement plus confiant que les petits avatars dans une tâche de négociation. Ils l’appellent l’effet Proteus (le dieu grec Proteus était connu pour avoir la capacité de prendre de nombreuses représentations de soi). L’effet Proteus suggère que les caractéristiques visuelles et les traits d’un avatar sont associés à des stéréotypes et attentes comportementaux corrélés, y compris ceux qui affectent la façon dont nous négocions.

Le onzième concours annuel d’intelligence artificielle qui a été formé pour négocier – les Jeux olympiques de Hagglebot, comme on l’appelle dans les médias populaires – s’est tenu en janvier 2021. Des universités de Turquie et du Japon ont gagné cette fois. Dans certaines expériences impliquant des négociations avec des bots, la plupart des gens ne réalisaient même pas qu’ils parlaient à un bot plutôt qu’à une autre personne – les bots avaient appris à tenir des conversations fluides qui imitaient complètement les humains. En utilisant la théorie des jeux, les chercheurs améliorent de plus en plus les façons dont les bots peuvent négocier au nom des humains, éliminant certains des aspects dans lesquels nous, les humains, sommes faillibles, comme essayer de prendre en compte et de peser de nombreux aspects différents de l’accord. L’IA peut désormais prédire assez rapidement les préférences de l’autre côté. Par exemple, une IA écoutant au microphone les cinq premières minutes de négociation apprend à prédire une grande partie de l’accord éventuel uniquement à partir des voix des négociateurs. En suivant ces modèles de discours grâce à l’apprentissage automatique, il s’avère que lorsque la voix d’un négociateur varie beaucoup en volume et en tonalité, il est un acteur faible à la table des négociations. Lorsque les parties à la négociation se reflètent, cela signifie qu’elles sont plus proches de parvenir à un accord. L’utilisation de l’IA a également permis de découvrir les façons dont les femmes sont pénalisées à la table des négociations. Une nouvelle étude de l’Université de Californie du Sud a utilisé un chatbot qui ne connaissait pas l’identité de genre des participants pour évaluer les compétences en négociation. L’étude a montré que la plupart d’entre nous, hommes et femmes, réussissons assez mal à négocier les salaires. Plus de 40 % des participants n’ont pas du tout négocié, et la plupart des gens ont laissé de l’argent sur la table qu’ils auraient pu recevoir. Les femmes accordaient moins d’importance aux options d’achat d’actions que les hommes dans le cadre de leur rémunération globale, ce qui affectait la probabilité qu’elles accumulent de la richesse au fil du temps. Ces avancées peuvent également aider à réduire les disparités de négociation entre différentes identités. Un groupe de chercheurs israéliens et américains a étudié comment un ordinateur intelligent peut négocier avec des humains de différents horizons culturels. Sans rien dire à la machine sur les caractéristiques des personnes de trois pays – Israël, le Liban et les États-Unis – ils ont laissé l’IA découvrir les modèles de différences de négociation culturelle en s’engageant dans des jeux de négociation. Ils ont constaté que l’ordinateur était capable de surpasser les gens dans tous les pays. Ces évolutions sont prometteuses. Nous pouvons imaginer que les bots apprennent les différences de négociation et, finalement, contrent ces différences pour créer des échanges plus équitables, uniformiser les règles du jeu et obtenir des résultats équitables. Ils peuvent être conçus pour répondre aux objectifs distributifs spécifiques que nous avons.