Erreurs systématiques dans les outputs d'un système d'IA qui produisent des résultats injustes ou discriminatoires envers certains groupes (selon le genre, l'ethnicité, l'âge, le statut socio-économique). Sources de biais : données d'entraînement biaisées (reflètent des inégalités historiques — ex: modèle de recrutement entraîné sur des embauches passées majoritairement masculines), biais de mesure (proxy variables qui corrèlent avec des attributs protégés — ex: code postal comme proxy de l'origine ethnique), et biais d'agrégation (un modèle performant en moyenne mais mauvais sur des sous-groupes). Types de fairness souvent incompatibles : équité individuelle (traitement similaire pour des individus similaires), parité démographique (même taux de décision positive par groupe), égalité des chances (même recall par groupe). L'audit d'équité (Fairness Audit) évalue ces métriques. IBM AI Fairness 360 et Fairlearn sont des bibliothèques dédiées.