L’entretien technique était déjà un rituel contesté avant que l’IA ne s’invite dans la pièce. Il est devenu quelque chose de plus étrange encore : un processus où les candidats peuvent être coachés par un système d’IA pendant qu’un autre système d’IA surveille précisément les signes de cette pratique. Il en résulte une boucle de rétroaction qui soulève une question que la plupart des articles sur le recrutement esquivent complètement. Si les deux parties utilisent l’IA, que mesure réellement l’entretien ?
Comment une boucle se forme quand les deux parties automatisent
Cette dynamique n’est pas apparue de nulle part. Lorsque les entreprises ont commencé à déployer des outils de tri de CV alimentés par l’IA pour filtrer les candidatures à grande échelle, les candidats ont perçu ce changement et ont répondu en conséquence. Archie Payne, cofondateur et président du cabinet de recrutement technique CalTek Staffing, décrit cela comme une contre-mesure rationnelle : les candidats ont commencé à utiliser l’IA pendant les entretiens parce qu’ils avaient l’impression que le processus avait déjà été automatisé contre eux.
Des outils comme Final Round AI, Interview Coder et ParakeetAI peuvent écouter un entretien en direct, traiter l’audio en temps réel et générer des réponses ou du code fonctionnel presque instantanément. Certains de ces outils se présentent comme invisibles à l’écran, ce qui permet à un candidat de lire une réponse générée tout en donnant l’impression de répondre naturellement. Mudit Saraf, ingénieur logiciel chez Meta et cofondateur du recruteur vocal IA Ginger aux côtés de Shraddha Sunil de Microsoft, décrit le mécanisme simplement : le candidat n’a qu’à assurer la performance.
Les employeurs déploient désormais des plateformes de détection IA en réponse, à la recherche de signaux tels que les mouvements oculaires, les schémas de temps de réponse, les changements d’onglet et les patterns de discours qui suggèrent une production générée par IA. Ginger lui-même signale les candidats qui semblent utiliser l’IA lors des appels de présélection initiaux. Pourtant, Payne note que la précision de ces outils de détection n’est pas encore fiable : de bons candidats ont été signalés comme faux positifs, ce qui crée son propre problème alors que les profils qualifiés se font déjà rares.
Ravi Kiran Pagidi, ingénieur senior en données IA chez Navy Federal Credit Union et participant à des jurys d’entretiens techniques, résume clairement le risque central de cette boucle. Le processus risque de cesser de mesurer les compétences réelles pour commencer à mesurer qui sait le mieux optimiser pour l’algorithme.
Ce que les biais et les faux positifs ajoutent à un système déjà fragile
Le problème de fiabilité ne concerne pas uniquement la précision de la détection. Les outils de recrutement IA comportent des risques documentés qui dépassent le cadre de l’entretien. Une étude du Stanford Institute for Human-Centered AI, citée dans les sources, a suivi 3,4 millions de candidats réels dont les dossiers ont été évalués par des algorithmes d’un même fournisseur. L’étude a mis en évidence des effets discriminatoires à l’encontre des candidats asiatiques et noirs, suggérant que les outils de présélection IA peuvent amplifier les biais raciaux et produire des schémas de rejet systémiques.
La stratège en recrutement IA Tatiana Teppoeva pointe d’autres préoccupations : la confidentialité et la sécurité des données des candidats, la question de savoir si les enregistrements d’entretiens sont utilisés pour entraîner les modèles sous-jacents, et des enjeux d’équité que les systèmes automatisés ne sont pas en mesure de résoudre seuls. Sa recommandation est directe. Un être humain doit être présent quelque part dans le processus, avec l’autorité nécessaire pour garantir l’équité des résultats.
Pagidi ajoute que sans audits, politiques claires et transparence, les entreprises peuvent croire qu’elles améliorent leur efficacité tout en dégradant en réalité la qualité du signal de recrutement lui-même. C’est ce que la plupart des articles sur l’IA dans le recrutement ne voient pas : les gains d’efficacité sont visibles et faciles à mesurer, tandis que la dégradation du signal est lente, silencieuse, et ne devient apparente que lorsque les mauvaises personnes sont recrutées ou que les bonnes sont écartées.
La question de jugement à laquelle l’IA ne peut pas répondre à votre place
C’est là que l’histoire devient véritablement instructive. Certaines entreprises, dont Meta et la plateforme de développement logiciel native IA Factory, ont pris la direction opposée : elles autorisent, voire attendent, que les candidats utilisent l’IA pendant les entretiens techniques. L’approche de Factory mérite un examen attentif. Les candidats sont invités à construire un système de qualité production ou à migrer une base de code réelle en une heure, en utilisant des agents de codage IA. Ils ne sont pas évalués sur le fait de terminer ou sur le nombre de tests réussis. Ils sont évalués sur la planification, la façon dont ils dirigent l’IA, leur capacité à déboguer et à expliquer pourquoi leur solution fonctionne.
Varin Nair, l’ingénieur logiciel qui pilote le processus de recrutement technique chez Factory, a observé un schéma clair. Les candidats faibles acceptent tout ce que l’IA produit et se retrouvent bloqués dès qu’elle atteint ses limites. Les candidats solides l’utilisent pour aller plus vite et se libèrent ainsi pour raisonner sur l’architecture, les compromis et le produit. L’IA devient un multiplicateur de jugement, et non un substitut à celui-ci.
Cette distinction dépasse le cadre du recrutement. Elle décrit quelque chose de vrai sur le fonctionnement des outils IA dans les contextes professionnels en général. L’outil fait émerger des options. L’humain décide quelles options valent la peine d’être poursuivies, pourquoi, et que faire quand l’outil se trompe.
En résumé
La course aux armements IA dans le recrutement technique n’est pas avant tout une histoire de triche. C’est une histoire de ce qui se passe quand les deux parties d’un processus automatisent sans s’être accordées sur ce que ce processus est censé mesurer. Les outils de détection introduisent des biais et des faux positifs. Les outils de coaching brouillent le signal que les entretiens sont conçus pour capter. Les entreprises qui s’en sortent le mieux sont celles qui ont pris du recul pour poser une question préalable : à quoi ressemble réellement un bon jugement en ingénierie, et comment concevoir un entretien qui le révèle ? La réponse, de manière constante, consiste à donner aux candidats de vrais problèmes, de vrais outils, et l’espace pour montrer comment ils pensent. C’est plus difficile à simuler, et plus difficile à automatiser.
D’après un reportage de IEEE Spectrum AI.