Womafreesm conduit l'audit : deux études pilotes des instruments sont terminées et la phase principale est en préparation. L'audit examine comment les systèmes d'IA représentent, évaluent et sélectionnent les femmes de 45-54 ans et de 55-64 ans dans le marketing, l'embauche et la sélection d'experts, et confronte ces schémas aux supports marketing et aux pratiques de recrutement. Il couvre l'Allemagne, la Pologne, l'Espagne, l'Ukraine et le Royaume-Uni, en cinq langues. Le premier rapport public est prévu pour décembre 2026.
Age-Gender Misclassification of Women Aged 45-64in AI, Marketing and Hiring: An International Comparative Audit
Ce que mesure l'audit, ce qu'ont montré les études pilotes et la suite
Demander le dossier donateursQuand un système décide qui a de la valeur, ses présupposés façonnent les opportunités de chacun.
Ce que mesure l'audit
Les femmes de 45-64 ans sont des professionnelles actives, des clientes et des expertes. De plus en plus de décisions les concernant passent par les marchés, les systèmes RH et l'IA générative : qui compte comme public pertinent, candidat solide ou expert crédible. L'audit examine trois étapes du comportement d'un système : la représentation (qui il dépeint lorsque les caractéristiques d'une personne ne sont pas précisées) ; l'évaluation (comment il note une personne dont le profil est donné) ; et la sélection (qui il choisit, classe ou recommande).
Les résultats obtenus pour les femmes sont comparés à ceux des hommes du même âge et des personnes de 25-39 ans. Dans les expériences à profils appariés, les qualifications utiles à la tâche et le contenu du profil restent constants, tandis que les indices d'âge et de genre varient ; les tâches de génération libre et les modules observationnels utilisent leurs propres comparaisons et références, définies à cet effet.
L'étude teste la question dans les deux sens : elle peut constater une note plus basse pour les femmes, un avantage, un effet de l'âge seul ou une différence proche de zéro, et chaque résultat est publié avec la même exhaustivité.
Principaux paramètres de l'étude
- Nom
- Age-Gender Misclassification of Women Aged 45-64 in AI, Marketing and Hiring: An International Comparative Audit
- Forme abrégée
- Audit 45-64
- Programme
- Womafreesm Evidence Data, dont c'est le premier grand module de recherche international
- Contextes
- Marketing, embauche et sélection d'experts
- Ce qui est mesuré
- Visibilité, autorité, ainsi que pertinence et valeur ; chaque dimension est analysée séparément
- Étapes du comportement d'un système
- Représentation, évaluation et sélection, chacune mesurée séparément
- Groupes d'âge
- 45-54 ans et 55-64 ans, deux groupes distincts ; comparés aux hommes du même âge et aux personnes de 25-39 ans
- Pays et langues
- Allemagne, Pologne, Espagne, Ukraine et Royaume-Uni ; allemand, polonais, espagnol, ukrainien et anglais
- État d'avancement
- Deux études pilotes des instruments terminées ; la phase principale est en préparation
- Premier rapport public
- Prévu pour décembre 2026
Pourquoi cette question compte
Les décisions relatives à la visibilité, au statut et aux opportunités sont de plus en plus prises à l'aide de plateformes, de systèmes RH, d'algorithmes et d'IA générative. Lorsqu'un présupposé sur l'âge ou le genre entre dans un tel système, il peut se répéter à grande échelle : dans la segmentation des publics, la présélection des candidats et la description des experts.
Si un système juge mal une femme de 45-64 ans, l'effet dépasse son seul dossier.
Budgets, invitations à un entretien, confiance et statut d'expert peuvent être attribués à tort, et le marché perd en exactitude sur un groupe qui dispose d'expérience, de revenus et d'un pouvoir de décision.
Les deux groupes d'âge sont analysés séparément, ce qui garde visibles les différences entre eux. Dans chaque groupe, l'audit utilise plusieurs âges exacts : il peut ainsi tester si les notes évoluent progressivement avec l'âge ou basculent autour de 55 ans.
Ce sur quoi s'appuie l'étude
En octobre 2025, la revue Nature a publié une étude de Guilbeault, Delecourt et Srinivasa Desikan sur la distorsion de l'âge et du genre dans les médias en ligne et les grands modèles de langage. Elle a analysé près de 1,4 million d'images et de vidéos issues de Google, Wikipedia, IMDb, Flickr et YouTube, ainsi que neuf modèles de langage. Dans 3 495 catégories professionnelles et sociales, les femmes étaient représentées comme plus jeunes que les hommes, alors que les données du recensement des États-Unis montrent des âges similaires chez les femmes et les hommes actifs. L'écart était le plus marqué pour les professions au statut et aux revenus plus élevés.
Dans l'expérience de cette étude sur les CV, ChatGPT (GPT-4o mini) a d'abord généré des CV, puis les a évalués. Il a supposé que les femmes étaient plus jeunes et moins expérimentées et a jugé les hommes plus âgés meilleurs candidats. Les CV ont été générés et évalués en juin 2024.
Cette étude a mesuré des contenus en anglais. L'audit de Womafreesm passe à l'étape suivante : deux groupes d'âge distincts, le marketing, l'embauche et la sélection d'experts, cinq pays et cinq langues. Il distingue aussi la génération libre de l'évaluation et de la sélection de profils appariés : ces tâches testent des mécanismes différents et sont analysées séparément.
L'étude dans NatureCe qu'ont montré les études pilotes de l'audit
Avant la phase principale, Womafreesm a mené à terme deux études pilotes de l'audit afin de tester les instruments de recherche. L'étude pilote de faisabilité a recueilli 960 réponses d'IA au Royaume-Uni, en Allemagne, en Pologne, en Ukraine et en Espagne, en cinq langues. La deuxième étude pilote a utilisé des profils appariés pour examiner l'évaluation et la sélection à qualifications constantes.
L'analyse préliminaire de l'étude pilote à profils appariés a donné des différences estimées proches de zéro entre les femmes et les hommes sur les mesures de décision testées. Ce constat se limite à ces comparaisons et doit être lu en tenant compte de la taille de l'échantillon, de l'incertitude et de la sensibilité du plan d'étude.
Dans les tâches de génération libre de la deuxième étude pilote, tous les personas de l'échantillon analysé avaient moins de 55 ans, qu'ils soient féminins ou masculins. Cette observation concerne la répartition par âge de cet échantillon pilote.
Les deux constats distinguent deux questions : qui un modèle génère lorsque les caractéristiques d'une personne ne sont pas précisées, et comment il traite les personnes dont les caractéristiques sont données. La phase principale examine donc séparément la représentation, l'évaluation et la sélection. Les constats des études pilotes éclairent le protocole révisé et restent en dehors du jeu de données confirmatoire.
Les questions que la recherche existante laisse ouvertes
La littérature vérifiée à ce jour ne comporte pas d'audit appliqué validé qui mesure conjointement l'âge et le genre pour les femmes de 45-54 ans et de 55-64 ans dans le marketing, l'embauche et la sélection d'experts au sein d'un même plan d'étude. Cette appréciation porte sur la littérature vérifiée et est mise à jour à chaque révision.
Les organisations dont nous avons vérifié les travaux figurent, avec leurs sources primaires, sur notre carte ouverte : Qui mesure les biais de l'IA à l'égard des femmes de 45 ans et plus.
Deux groupes d'âge
L'audit mesure séparément les groupes 45-54 ans et 55-64 ans et utilise plusieurs âges exacts dans chacun d'eux : il peut ainsi voir où un changement commence.
Trois étapes
Un modèle peut se comporter différemment selon qu'il dépeint une personne, évalue un profil donné ou opère une sélection. L'audit compare les trois étapes.
Marketing
Les publics et les budgets créés par l'IA sont comparés à de vrais supports marketing et à des données sur les achats réels dans les mêmes catégories.
Embauche
Les attentes informelles des employeurs sont comparées aux schémas de l'IA, et l'étude vérifie si un texte rédigé par l'IA modifie la décision d'un recruteur.
Trois dimensions
L'audit mesure trois dimensions. La visibilité, l'autorité, ainsi que la pertinence et la valeur sont présentées séparément ; toute mesure combinée exige une validation préalable et une règle de calcul et de présentation fixée à l'avance.
Visibilité
Qui le système montre et crée par défaut : la répartition par âge et par genre, le profil type, qui entre dans le champ.
Autorité
La compétence, la confiance et l'avenir que le système attribue à un profil : les mots de l'expertise, les formules prudentes, le cadrage du risque.
Pertinence et valeur
La valeur commerciale ou d'expertise que le système attribue : sélection, rang, part du budget, salaire proposé et recommandation.
Comment la phase principale est conçue
Profils appariés
Les qualifications, le contenu, la longueur et la structure restent identiques, et seuls des marqueurs validés d'âge et de genre changent. La plausibilité des profils est vérifiée pour tous les âges testés, et les noms et autres indices sont testés pour détecter des différences involontaires.
Contrôle de la formulation
Chaque comparaison porte sur plusieurs paraphrases de la même tâche, afin que l'effet de la formulation reste distinct de l'effet de l'âge ou du genre.
Préenregistrement
Les hypothèses, les critères d'évaluation principaux, les règles de comparaison, les seuils de taille d'effet et le plan d'analyse seront enregistrés avant le début de la collecte principale de données. Les modifications issues des études pilotes seront documentées.
Systèmes et cadres nommés
Chaque résultat indique le système d'IA, sa version et la date, la langue du prompt, tout contexte national fixé dans la tâche et la population source de toute donnée réelle. Les résultats sont d'abord présentés pour chaque modèle, et les comparaisons se lisent dans ces cadres.
Codage humain
Des grilles de codage propres à chaque langue seront testées avant usage, et l'accord entre codeurs formés sera évalué selon des critères fixés à l'avance. Le codage automatisé ne sera utilisé que là où la validation appuie le rôle qui lui est prévu.
Traduction
Les profils, les prompts et les grilles passent de l'anglais à l'allemand, au polonais, à l'ukrainien et à l'espagnol selon la procédure TRAPD : deux traductions indépendantes, révision, arbitrage, prétest auprès de locuteurs natifs et documentation.
Données externes
L'audit ne qualifie un schéma d'erreur de classification systématique que lorsqu'il existe des données externes valides, comme l'emploi ou les comportements d'achat, et que le système s'en écarte substantiellement ; ailleurs, le résultat reste descriptif.
Portée des conclusions
Les conclusions se limitent aux populations, aux tâches et aux cadres couverts par les preuves. La concordance entre des sources indépendantes renforce un constat ; des affirmations plus larges exigent aussi une couverture adéquate et une généralisation justifiée.
Modules de l'étude
Audit des réponses de l'IA
Une expérience contrôlée dans le marketing, l'embauche et la sélection d'experts, portant sur la représentation, l'évaluation et la sélection. Le module central pour l'âge et le genre pris ensemble.
Marketing et contenus de marque
Analyse de vrais supports marketing dans des catégories où les femmes de 45-64 ans sont des clientes avérées : qui est montré, dans quel rôle et avec quelle autorité.
Pratiques de recrutement
Des données agrégées et anonymisées provenant d'agences de recrutement et une enquête standard auprès de recruteurs en exercice, pour mesurer les attentes informelles des employeurs.
Expérience sur la décision humaine
Des recruteurs lisent des évaluations rédigées par l'IA, sans connaître la condition d'origine. Le module mesure si leur liste restreinte, leur classement ou le salaire qu'ils proposent changent.
Validation par des experts
Des entretiens avec des experts en RH, en marketing, en image de marque, en gouvernance de l'IA et en recherche examinent l'interprétation des constats, leur pertinence pratique et leurs limites.
Test d'interventions
Une fois un effet de base établi, des modifications des prompts et des procédures susceptibles de réduire un écart sont testées, en même temps que la qualité de la tâche et la surcorrection.
Un audit visuel des images d'IA et une modélisation économique des effets sont prévus pour une phase ultérieure :
le premier après sa propre validation de l'estimation de l'âge, la seconde seulement là où il existe une voie causale valide.
Où en est l'audit
Les questions de recherche et le plan d'étude proposé sont exposés dans la note conceptuelle, et deux études pilotes des instruments de l'audit sont terminées. Leurs constats éclairent le protocole final. La consigne pour recueillir les réponses d'IA dans cinq pays est en place, et les notes d'information destinées aux agences de recrutement sont prêtes en cinq langues.
Avant la collecte principale de données, les étapes suivantes seront menées à bien :
1. Responsable scientifique
La personne nommée responsable scientifique de l'audit supervise la finalisation, la validation et le préenregistrement du protocole, et la politique de gouvernance de la recherche est approuvée.
2. Préenregistrement
Les hypothèses, les critères d'évaluation principaux, les règles de comparaison, les seuils de taille d'effet et le plan d'analyse sont enregistrés.
3. Profils pays
Chaque pays reçoit un profil de mesure : données officielles de base, spécificités du travail et des retraites, contexte juridique et limites de la comparabilité.
4. Matériel validé
Les profils appariés, les noms et la banque de prompts sont validés et traduits selon TRAPD, et la norme de codage humain est élaborée.
5. Éthique et droit
L'examen éthique requis pour les modules impliquant des personnes est achevé, et un avis d'avocat sur la protection des données couvre les cinq juridictions.
6. Taille de l'échantillon
La planification de l'échantillon tient compte des tailles d'effet pertinentes, de l'incertitude, de la dépendance entre réponses répétées et des comparaisons principales prévues ; le plan d'étude final est fixé avant la collecte principale de données.
Livrables prévus
Chaque livrable est publié avec l'échantillon sur lequel il repose et avec ses limites. Les résultats, quel qu'en soit le sens, y compris de signe opposé ou proches de zéro, sont publiés avec la même exhaustivité.
Rapport de recherche
Les résultats dans l'ensemble des pays, avec des chiffres distincts pour les 45-54 ans et les 55-64 ans, pour chacune des trois étapes, chaque contexte et chaque version de modèle.
Publication scientifique
Des manuscrits pour des revues à comité de lecture sur les principaux constats et l'expérience sur la décision des recruteurs, avec le code d'analyse publié lorsque cela est permis.
Cadre de mesure
Des mesures validées de la visibilité, de l'autorité, ainsi que de la pertinence et de la valeur, avec un livre de codes, des preuves de fiabilité et des règles de lecture.
Matériel ouvert
La banque de tâches et de prompts, les sorties des modèles lorsque les licences le permettent, le plan de codage, le code d'analyse et une fiche de données documentée.
Cadre d'audit pratique
Une procédure pour les marques, les employeurs, les recruteurs et les développeurs d'IA. Après une évaluation, des consultants externes formés pilotent les améliorations.
Note sur les pratiques de recrutement
Une note qui compare les attentes informelles des employeurs dans le recrutement humain aux schémas des systèmes d'IA dans cinq pays.
Les limites de cette étude
Ces limites sont énoncées avant tout constat et accompagnent chaque chiffre publié.
Chaque résultat s'applique aux modèles, versions, langues, pays, contextes et dates qui ont été mesurés.
Un effet n'est qualifié d'effet conjoint de l'âge et du genre que lorsque les données étayent leur interaction.
L'audit distingue les schémas de représentation, les différences d'évaluation et les effets sur les décisions. Les affirmations sur un préjudice exigent des preuves adaptées au type de préjudice, et les conclusions juridiques exigent une appréciation distincte au regard du droit applicable.
Les affirmations sur la fréquence d'apparition d'un groupe reposent sur la répartition de nombreux personas générés.
La concordance avec une référence externe est présentée pour la population, la mesure et la période précises que cette référence représente.
L'équivalence n'est conclue que lorsqu'un test d'équivalence fixé à l'avance montre que les différences se situent dans des bornes justifiées d'importance pratique ; la conclusion s'applique aux critères et aux conditions testés.
Les comparaisons entre pays et entre langues sont faites là où les mesures, les conditions de la tâche et les données de référence permettent une comparaison valide.
Les résultats pour l'Ukraine s'accompagnent d'une note distincte sur la guerre et le contexte statistique.
Éthique, données et indépendance
L'audit de l'IA travaille uniquement avec des profils synthétiques créés pour l'étude. Les agences de recrutement fournissent des données dans un format agrégé ou anonymisé convenu, avec des contrôles du risque de divulgation avant le transfert, et les documents partagés se limitent à ce dont l'étude a besoin. Les CV, les noms et les coordonnées des candidats restent auprès des agences.
Les modules impliquant des personnes (l'enquête auprès des recruteurs, les entretiens d'experts et l'expérience sur la décision) commencent une fois l'examen éthique requis achevé et toute autorisation requise obtenue. Ils reposent sur le consentement éclairé, le respect de la vie privée par défaut et la minimisation des données. Les participants sont informés de la façon de se retirer et de l'étape jusqu'à laquelle leurs contributions identifiables peuvent être supprimées, y compris les limites après anonymisation ou intégration dans des agrégats publiés.
Un participant ou un partenaire n'est nommé publiquement qu'avec un consentement distinct. La qualification juridique des données et les exigences applicables seront déterminées avant le début de ces modules.
Les données individuelles des participants à ces modules restent dans un environnement sécurisé, accessibles aux chercheurs dans le cadre d'un accord. La méthodologie, la banque de tâches, le plan de codage, le code d'analyse et les agrégats vérifiés sont publiés.
Les décisions relatives à l'échantillon, au codage, à l'analyse, aux conclusions et à la publication relèvent de l'équipe de recherche, conformément au protocole et aux pouvoirs fixés par écrit. Les donateurs reçoivent des résultats agrégés. La fonction éthique peut arrêter un module impliquant des personnes dans n'importe quel pays, et seul un comité d'éthique externe indépendant peut lever cet arrêt. La fonction données décide de l'accès aux données personnelles pour tous, y compris la fondatrice et les donateurs. Tant que les documents de gouvernance et les accords ne sont pas signés, chacun de ces pouvoirs constitue un engagement.
Pourquoi maintenant
Les régulateurs considèrent déjà certains usages de l'IA dans l'emploi comme à haut risque. Le règlement de l'UE sur l'intelligence artificielle, règlement (UE) 2024/1689, classe à haut risque des usages déterminés de l'IA dans le recrutement et la gestion des travailleurs, sous réserve des règles de classification de l'article 6 et de l'annexe III ; les exigences applicables dépendent de la destination du système et de son utilisation.
En novembre 2024, l'Information Commissioner's Office du Royaume-Uni a publié les résultats de ses audits auprès de développeurs et de fournisseurs d'outils d'IA utilisés dans le recrutement, avec des recommandations sur l'équité, la transparence et les données des candidats. En janvier 2026, l'ICO a publié les constats de ses échanges avec plus de 30 employeurs sur la prise de décision automatisée dans le recrutement. Le profil sur l'IA générative du NIST (NIST AI 600-1, juillet 2024) place les biais préjudiciables et l'homogénéisation parmi les risques de l'IA générative.
L'audit propose une procédure de mesure qui peut appuyer la gouvernance interne, la diligence raisonnable, la recherche et l'examen des risques. Les exigences juridiques elles-mêmes sont fixées par chaque régulateur.
Règlement sur l'IA, EUR-Lex ICO : outils d'IA utilisés dans le recrutement ICO : Recruitment rewired NIST AI 600-1
Ce que l'audit apporte
Femmes de 45-64 ans
La question passe de leur âge à l'exactitude des systèmes qui les évaluent. Chaque constat est publié avec ses limites.
Comment soutenir l'audit ou y participer
Les fondations, les donateurs, les agences de recrutement, les marques, les équipes d'IA, les universités et les médias peuvent s'associer à l'audit.
Fondations et donateurs
Demandez le dossier donateurs : présentation, justification du budget, calendrier et modules. Le financement fait suite à un accord sur les travaux, le budget et les comptes rendus.
Agences de recrutement
Partagez des données agrégées et anonymisées sur le parcours des femmes de 45-54 ans et de 55-64 ans dans les listes longues et les listes restreintes. Les notes d'information sont prêtes en cinq langues.
Marques et équipes marketing
Participez en tant que partenaires de marché : exemples de campagnes et de segmentation, et commentaires d'experts sur la façon dont les femmes de 45-64 ans apparaissent comme clientes.
Équipes d'IA
Prenez part au dialogue professionnel sur la façon dont les modèles de langage décrivent l'âge, l'autorité et la valeur, et testez la banque de tâches une fois qu'elle sera publiée.
Universités et centres de recherche
Associez-vous en tant que partenaires universitaires : examen de la méthodologie, publications cosignées, conférences et conception de la prochaine vague de l'étude.
Journalistes et réseaux professionnels
Demandez un commentaire ou un entretien sur l'âge, le genre et l'IA, ou faites connaître l'audit aux directeurs RH, aux spécialistes du marketing, aux recruteurs et aux chercheurs.
Contribuer au travail
Le budget détaillé figure dans le dossier donateurs, que les fondations, les grands donateurs et les partenaires institutionnels peuvent demander.
Le programme et l'Index
Le programme Womafreesm Evidence Data fait passer l'expérience des femmes de récits personnels à des données fondées sur des preuves. Son premier grand module de recherche international est l'étude « Age-Gender Misclassification of Women Aged 45-64 in AI, Marketing and Hiring: An International Comparative Audit », et cet audit construit la première base de preuves du produit phare de Womafreesm, le Women's Life-Cycle Economy Index.
Le WLCE Index mesure le coût de l'aveuglement systémique face au cycle de vie féminin. C'est le premier indice mondial de la prise en compte institutionnelle du cycle de vie féminin, et il est en préparation. L'Audit 45-64 est une étude distincte, hors de l'Index.
WLCE IndexQui conduit la recherche
La recherche est conduite par The World Organization of Women Nations Womafreesm. Womafreesm : infrastructure mondiale de l'influence des femmes.
L'équipe de recherche pilote la conception de l'étude, l'audit de l'IA, le travail avec les agences de recrutement, l'analyse des données, les partenariats et la communication internationale. La personne responsable scientifique de l'audit a été nommée et supervise l'examen scientifique du protocole.
FAQ
1. L'audit a-t-il déjà commencé ?
Oui. Les questions et le plan d'étude proposé sont exposés dans la note conceptuelle, et deux études pilotes des instruments de l'audit sont terminées : une étude pilote de faisabilité avec 960 réponses d'IA dans cinq pays et un test à profils appariés. La phase principale commencera une fois le protocole finalisé et préenregistré, le matériel de recherche validé et les dispositifs requis de gouvernance et d'éthique propres à chaque module en place.
2. Qu'est-ce qui sera publié en décembre 2026 ?
Le premier rapport public est prévu pour décembre 2026. Sa portée reflétera les modules terminés et validés à ce stade. Les résultats, quel qu'en soit le sens, sont publiés avec la même exhaustivité.
3. Pourquoi les groupes 45-54 ans et 55-64 ans sont-ils mesurés séparément ?
Leurs positions peuvent différer en matière de visibilité, d'autorité et de valeur. L'audit analyse les deux groupes séparément et utilise plusieurs âges exacts dans chacun d'eux : il peut ainsi tester si un changement est progressif ou apparaît autour de 55 ans.
4. Pourquoi étudier ensemble le marketing, l'embauche et la sélection d'experts ?
Les systèmes évaluent à différents endroits la pertinence d'une femme pour un segment de marché, son aptitude à un poste et son expertise. Le marketing décide qui est un public souhaitable, l'embauche décide qui est un candidat solide et la sélection d'experts décide quelle parole a du poids. Un schéma qui se répète dans les trois renvoie au système ; un schéma présent à un seul endroit montre où regarder.
5. Pourquoi les agences de recrutement comptent-elles pour l'étude ?
Les offres d'emploi publiques montrent le langage officiel. Les attentes informelles des employeurs apparaissent plus tard : dans les listes longues, les listes restreintes et les commentaires sur les profils qui conviennent. Les agences voient cette couche et la partagent sous forme agrégée.
6. Les données personnelles des candidats sont-elles collectées ?
Le module recrutement travaille avec des données fournies dans un format agrégé ou anonymisé convenu et contrôlées pour le risque de divulgation avant le transfert : fréquences, formulations et schémas de préférence. Les CV, les noms et les coordonnées des candidats restent auprès des agences. L'audit de l'IA utilise uniquement des profils synthétiques.
7. Un donateur peut-il influencer les constats ?
Non. Les décisions relatives à l'échantillon, au codage, à l'analyse, aux conclusions et à la publication relèvent de l'équipe de recherche, conformément au protocole. Les donateurs reçoivent des résultats agrégés et les comptes rendus prévus dans leur accord de financement.
8. Une femme de 45-64 ans peut-elle participer ?
Cet audit recueille des réponses d'IA, des supports marketing et des données provenant de professionnels du recrutement. L'expérience des femmes elles-mêmes sera recueillie par le questionnaire du WLCE Index, qui est en préparation : laissez votre adresse e-mail sur la page du WLCE Index pour recevoir une invitation à son ouverture.
9. Où puis-je consulter le budget ?
Dans le dossier donateurs, avec les phases, les modules et les moyens de soutien. Les fondations, les grands donateurs et les partenaires institutionnels peuvent le demander.