L’entretien technique est cassé : pourquoi LeetCode

Une industrie qui ne sait pas recruter

L’industrie technologique — la même qui se targue de décisions basées sur les données, de tests A/B rigoureux et d’optimisation de chaque métrique concevable — utilise un processus de recrutement à validité prédictive remarquablement faible. Une méta-analyse de 2022 dirigée par le psychologue Paul Sackett, publiée dans le Journal of Applied Psychology, a trouvé que les entretiens non structurés — le format le plus proche des entretiens techniques traditionnels — ne prédisent la performance au travail qu’à r=0,19. Cela signifie que l’entretien n’explique que moins de 4% de la variance dans la performance réelle. L’ancien SVP des ressources humaines de Google, Laszlo Bock, a été encore plus direct : l’entreprise n’a trouvé essentiellement aucune relation entre les scores d’entretien et la performance ultérieure au travail.

Le coût de ce système dysfonctionnel est distribué entre tous les participants. Les entreprises dépensent 10 000 à 30 000 dollars par recrutement d’ingénieur. Les candidats investissent couramment 40 à 80 heures de préparation par cycle d’entretien.

LeetCode : tester la mémorisation, pas l’ingénierie

Les défis algorithmiques de type LeetCode sont devenus le mode dominant d’évaluation technique. La plateforme compte plus de 12 millions d’utilisateurs inscrits et une bibliothèque de plus de 3 800 problèmes. Toute une industrie a grandi autour de la préparation LeetCode : Neetcode, AlgoExpert, Grokking the Coding Interview.

Le décalage entre les problèmes LeetCode et le travail réel d’ingénierie est bien documenté. Le travail réel de l’ingénierie logicielle implique la lecture et la compréhension de bases de code existantes, la conception de systèmes maintenables et scalables, la communication avec les parties prenantes et les décisions pragmatiques de compromis — rien de tout cela n’est testé par la résolution d’un arbre binaire équilibré au tableau. Les implications d’équité sont particulièrement dommageables. La préparation LeetCode est un investissement en temps qui désavantage de manière disproportionnée les candidats ayant des responsabilités familiales.

Codage au tableau et tests à domicile : formats différents, mêmes échecs

Une étude de 2020 par des chercheurs de NC State University et Microsoft a trouvé que les entretiens de type tableau mesurent principalement la tolérance à l’anxiété plutôt que la compétence technique. Les candidats observés par un intervieweur ont vu leur performance chuter de plus de moitié par rapport aux candidats résolvant les mêmes problèmes en privé. La disparité de genre était particulièrement marquée : aucune femme n’a résolu le problème en condition observée, tandis que toutes l’ont résolu en condition privée.

Les tests à domicile introduisent leurs propres problèmes. Ils requièrent un travail non rémunéré significatif des candidats, créant une taxe régressive sur le temps. Les enquêtes communautaires rapportent systématiquement que les tests à domicile demandent deux à trois fois le temps estimé d’achèvement.

Ce qui fonctionne mieux : les preuves pour des alternatives

Les entretiens comportementaux structurés — où chaque candidat reçoit les mêmes questions dans le même ordre, avec des réponses évaluées selon un barème prédéfini — montrent systématiquement la validité prédictive la plus élevée à r=0,42 (Sackett et al., 2022). Les tests d’échantillons de travail sont également de bons prédicteurs à r=0,33. Automattic utilise des projets d’essai rémunérés de deux à huit semaines. Pivotal Labs a développé un entretien en pair programming de 45 minutes avec de forts résultats.

Les outils de recrutement assistés par IA ont des résultats mitigés. Des études ont documenté des biais significatifs : des taux d’erreur de mots allant jusqu’à 22% pour les locuteurs à accent chinois contre 10% pour les locuteurs natifs anglais. Le AI Act de l’UE classe les outils de recrutement IA comme « à haut risque » et imposera des exigences de transparence et de test de biais en août 2026.

Questions Fréquemment Posées

Sources et lectures complémentaires

• Sackett et al. (2022) – Revisiting Meta-Analytic Estimates of Validity in Personnel Selection
• Behroozi et al. (2020) – Does Stress Impact Technical Interview Performance?
• Schmidt & Hunter (1998) – The Validity and Utility of Selection Methods in Personnel Psychology
• EU AI Act – Implementation Timeline and High-Risk AI Systems
• NC State University – Tech Sector Job Interviews Assess Anxiety, Not Software Skills
• ACLU Complaint: AI Hiring Software Bias Against Deaf Employees
• Automattic – How We Hire: Paid Trial Process
• VMware Tanzu – How We Interview at Pivotal: Pair Programming