L'uplift quantifie l'impact d'une action (marketing, traitement médical) sur le comportement d'un individu. La prédiction de l'uplift repose sur l'hypothèse que les groupes ciblés et le groupe de contrôle sont équivalents. Cependant, des clients sont susceptibles d'être ciblés en raison de leur comportement passé, ce qui introduit un biais et fausse l'estimation de l'uplift. Ce problème est encore plus prégnant dans le cas du multi-traitement, comme le contexte des moteurs d'offres, c'est-à-dire lorsque plusieurs actions sont possibles pour un individu. À notre connaissance, il n'existe pas de travaux sur l'impact des biais pour l'uplift dans le cas du multi-traitement. Pour résoudre cet écueil, nous proposons un protocole d'évaluation de l'uplift multi-traitement dans le cas du biais de non-random assignment. Muni de ce protocole, nous évaluons les performances des principales méthodes d'uplift multi-traitement de la littérature. Nous constatons que ces méthodes ont des comportements différents face au biais et nous en tirons des leçons.