Licenciements fédéraux : ce que l’on sait des accusations d’IA visant Trump et Musk

L’intelligence artificielle peut-elle contribuer à décider quels agents publics gardent leur poste et lesquels le perdent ? C’est la question sensible posée par l’enquête annoncée le 3 mars 2025 autour d’allégations liant des outils d’IA aux licenciements de fonctionnaires fédéraux dans le contexte de la vaste réforme administrative voulue par Donald Trump. Elon Musk, figure publique associée à l’effort de réduction des dépenses fédérales, est également cité dans cette affaire.

Le sujet dépasse le seul débat technique. Une réduction d’effectifs dans la fonction publique touche à la continuité des services, aux droits des agents et à la confiance dans l’État. Si un système informatique a été utilisé pour classer, évaluer ou sélectionner des postes et des personnes, il faut pouvoir savoir ce qu’il a fait, sur quelles données il s’est appuyé et qui a eu le dernier mot.

Une enquête annoncée, des éléments techniques encore inconnus

L’enquête annoncée se concentre sur l’hypothèse d’un recours à des technologies d’intelligence artificielle pour accompagner ou orienter des licenciements massifs au sein de l’administration fédérale. Les préoccupations exprimées portent d’abord sur la transparence, l’équité des critères et la possibilité de contester une décision qui affecte un emploi.

À ce stade, plusieurs éléments essentiels ne sont pas détaillés publiquement : l’identité de l’autorité chargée de l’enquête, les agences concernées, le nombre d’agents visés, le nom des éventuels logiciels utilisés et le degré réel d’autonomie de ces outils. Cette absence de précision impose une distinction fondamentale : une allégation d’usage de l’IA ne prouve pas qu’un algorithme a prononcé, seul, le licenciement d’un agent.

Dans une administration, un logiciel peut remplir des fonctions très différentes. Il peut résumer des documents, rapprocher des bases de données, cartographier des postes vacants, produire des scénarios budgétaires ou établir des listes de priorités. Chacune de ces tâches appelle un niveau de contrôle différent. La question centrale n’est donc pas seulement de savoir si de l’IA a été utilisée, mais à quel moment de la décision elle est intervenue et avec quelles garanties.

La réforme fédérale fournit le contexte des accusations

Les allégations surgissent alors que l’administration Trump a engagé une politique de réduction et de réorganisation de l’appareil fédéral. Dès janvier 2025, la création du Department of Government Efficiency, couramment désigné par l’acronyme DOGE, a placé l’efficacité administrative et la baisse des dépenses au centre du débat politique.

Le 11 février 2025, un décret présidentiel a demandé aux responsables d’agences de préparer des plans de réduction d’effectifs à grande échelle. Le texte prévoit également, en principe, qu’une agence ne recrute pas plus d’un salarié pour quatre départs, avec des exceptions pour certaines missions jugées prioritaires. Cette orientation politique est publique. En revanche, le décret ne démontre pas, à lui seul, qu’une intelligence artificielle a été chargée de sélectionner des agents à licencier.

Cette chronologie explique pourquoi la question suscite une attention particulière. Les décisions de réorganisation ne se déroulent pas dans un vide administratif : elles interviennent dans un cadre politique qui pousse les agences à identifier rapidement des économies et à redéfinir leurs priorités. Or, plus le calendrier est contraint, plus la tentation peut être forte de s’appuyer sur des outils de tri et de classement automatisés.

Donald Trump porte la politique de réorganisation par ses décisions présidentielles. Elon Musk est, pour sa part, une personnalité très visible de cette séquence et de la promesse de rendre l’administration plus efficiente. Mais la mise en cause publique de ces deux figures ne permet pas, à elle seule, de déduire leur intervention personnelle dans le choix d’un outil, d’un paramètre ou d’une liste de postes. C’est précisément le type de point qu’une enquête rigoureuse doit démêler.

Que peut faire une IA dans une décision de ressources humaines ?

Le terme « IA » couvre des réalités très diverses. Un tableur qui applique une règle fixe n’est pas un modèle d’apprentissage automatique. Un système qui prédit un risque de départ ou attribue un score à des salariés à partir d’un grand nombre de variables pose, lui, des questions plus complexes. Entre les deux, les outils de traitement automatique du langage peuvent analyser des descriptions de postes, comparer des compétences ou résumer des évaluations.

Dans le cas d’une réduction d’effectifs, un système pourrait théoriquement être mobilisé pour :

• repérer des doublons dans les missions de plusieurs services ;
• regrouper les postes selon leurs compétences ou leurs coûts ;
• estimer les conséquences d’une suppression de poste sur un budget ;
• comparer des données de performance, d’ancienneté ou de mobilité ;
• générer des recommandations destinées à un responsable humain.

Ces usages n’ont pas tous la même gravité. Un outil qui repère des fiches de poste similaires peut être utile pour préparer un audit. En revanche, un système qui établit une liste nominative de personnes à écarter à partir de données de carrière, sans explication intelligible ni contrôle sérieux, ferait peser un risque beaucoup plus élevé sur les droits des agents.

L’IA ne comprend pas spontanément les impératifs de service public, les circonstances individuelles ou la valeur d’une mission difficile à quantifier. Elle repère des corrélations dans les données qui lui sont fournies. Une donnée apparemment neutre, telle qu’une localisation, une ancienneté ou un historique de mobilité, peut aussi servir de substitut indirect à des caractéristiques protégées. C’est pourquoi un résultat chiffré ne doit jamais être confondu avec une décision objectivement juste.

Les protections applicables aux fonctionnaires fédéraux

La fonction publique fédérale américaine n’est pas régie par les mêmes mécanismes qu’une entreprise privée. Les réductions d’effectifs y obéissent à des règles administratives précises. Elles impliquent notamment la définition de postes et d’unités de concurrence, ainsi que la prise en compte de critères tels que l’ancienneté, le statut, certaines préférences prévues par la loi et, selon les cas, les évaluations de performance.

Un agent concerné par une réduction d’effectifs bénéficie normalement d’une notification écrite et peut disposer de voies de recours administratives. Les syndicats, lorsqu’ils sont compétents, peuvent aussi jouer un rôle dans la défense des salariés. La numérisation d’une procédure n’efface pas ces garanties : si une recommandation algorithmique influe sur le résultat, l’administration doit toujours être en mesure d’expliquer et de justifier la décision prise.

Le droit américain de l’emploi interdit par ailleurs les discriminations fondées notamment sur la race, la couleur, la religion, le sexe ou l’origine nationale. Des lois distinctes protègent aussi contre certaines discriminations liées à l’âge ou au handicap. Les autorités américaines chargées de l’égalité au travail ont déjà alerté les employeurs sur les risques associés aux logiciels d’aide à la décision, qu’il s’agisse de recrutement, d’évaluation ou de sélection.

Pourquoi la transparence algorithmique est décisive

Une administration qui utilise un outil algorithmique dans une décision sensible doit pouvoir répondre à des questions simples. Quelles données ont été utilisées ? Qui a fixé les critères ? Le système a-t-il produit une simple recommandation ou une liste classée ? Un responsable pouvait-il modifier le résultat ? Les agents disposent-ils d’une explication suffisamment précise pour exercer un recours ?

Ces questions sont d’autant plus importantes si le système repose sur un modèle complexe ou sur un outil fourni par un prestataire extérieur. Sans journal technique, sans documentation des versions du logiciel et sans conservation des règles utilisées à un instant donné, il devient difficile de reconstituer le processus. Or une enquête ne peut vérifier l’équité d’une procédure que si elle peut examiner des éléments concrets.

Un contrôle sérieux devrait notamment porter sur les paramètres de sélection, la qualité des données, les erreurs de classement, les consignes données aux gestionnaires et les éventuels écarts statistiques entre catégories d’agents. Il devrait aussi vérifier que les données personnelles n’ont pas été utilisées au-delà de ce qui était nécessaire à la finalité administrative poursuivie.

La transparence ne signifie pas nécessairement publier toutes les données individuelles ou le code intégral d’un logiciel. Elle implique, en revanche, de fournir assez d’informations pour qu’un agent, un juge, un syndicat ou une autorité compétente puisse comprendre la logique générale du dispositif et vérifier qu’il respecte les règles.

Ce que l’enquête devra concrètement vérifier

Pour aller au-delà des déclarations publiques, les enquêteurs devront distinguer les décisions politiques de réduction budgétaire, les choix de réorganisation des agences et les éventuels traitements automatisés de données individuelles. Un plan visant à supprimer une mission ou à fermer un service relève d’abord d’une décision administrative et politique. Le passage à des listes nominatives d’agents concernés soulève, lui, des garanties supplémentaires.

Plusieurs catégories de documents pourraient donc être déterminantes : les contrats avec d’éventuels fournisseurs de logiciels, les notes internes sur les critères retenus, les jeux de données exploités, les résultats générés par les outils, les échanges entre responsables et les traces montrant qu’une personne a contrôlé ou corrigé la recommandation automatisée.

L’enquête devra également apprécier la proportionnalité de tout traitement de données. Une IA destinée à analyser des organigrammes n’a pas besoin des mêmes informations qu’un outil évaluant des parcours professionnels. Plus une décision est individualisée et lourde de conséquences, plus l’exigence de contrôle humain, d’explication et de possibilité de recours doit être élevée.

Les conclusions attendues pourraient avoir une portée qui dépasse le cas d’espèce. Elles pourraient préciser les conditions dans lesquelles les administrations fédérales peuvent employer des outils d’IA pour organiser leurs ressources humaines, et les domaines dans lesquels une automatisation doit rester strictement limitée.

Ce qu’il faut surveiller

Le premier point à suivre sera la publication d’informations vérifiables sur le périmètre de l’enquête : autorité compétente, agences visées, nature exacte des systèmes examinés et calendrier des travaux. Sans ces précisions, les accusations restent difficiles à évaluer avec certitude.

Le deuxième enjeu concerne la frontière entre recommandation et décision. Un outil qui aide à inventorier des postes n’a pas la même portée qu’un outil qui classe des agents selon un score susceptible de déterminer leur avenir professionnel. La qualité de l’intervention humaine sera donc un critère essentiel.

Enfin, cette affaire pourrait accélérer le débat américain sur les règles applicables à l’IA dans le secteur public. Les gains de temps et d’organisation promis par ces technologies ne peuvent justifier une procédure opaque. Lorsqu’un algorithme intervient dans une décision qui touche à l’emploi, à la carrière et aux droits d’une personne, l’efficacité doit rester compatible avec la responsabilité publique.